WO2018108559A2 - Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie - Google Patents

Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie Download PDF

Info

Publication number
WO2018108559A2
WO2018108559A2 PCT/EP2017/081068 EP2017081068W WO2018108559A2 WO 2018108559 A2 WO2018108559 A2 WO 2018108559A2 EP 2017081068 W EP2017081068 W EP 2017081068W WO 2018108559 A2 WO2018108559 A2 WO 2018108559A2
Authority
WO
WIPO (PCT)
Prior art keywords
speed
vehicle
prediction
backend
route
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2017/081068
Other languages
English (en)
French (fr)
Other versions
WO2018108559A3 (de
Inventor
Stefan Grubwinkler
Martin Beiderbeck
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aumovio Germany GmbH
Original Assignee
Continental Automotive Technologies 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 Continental Automotive Technologies GmbH filed Critical Continental Automotive Technologies GmbH
Priority to CN201780076736.9A priority Critical patent/CN110036424B/zh
Priority to US16/464,968 priority patent/US20190295412A1/en
Publication of WO2018108559A2 publication Critical patent/WO2018108559A2/de
Publication of WO2018108559A3 publication Critical patent/WO2018108559A3/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • 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

Definitions

  • the invention relates to a method for storing speed information of vehicles in a backend, a digital map with stored speed information and a method and a system for predicting vehicle speeds.
  • the knowledge of the future speed trajectory of a vehicle along a planned route is necessary for numerous vehicle applications. For example, by knowing the expected vehicle speed trajectory, the
  • the object is achieved by a method for storing speed information, a digital map and a prediction system and a method for predicting vehicle speeds according to the independent claims.
  • the networked vehicles are preferably motor vehicles, such as hybrid vehicles, electric vehicles or vehicles with internal combustion engine. They preferably have a location system, for example a satellite navigation system, and a communication device.
  • the communication device is configured to (wirelessly) send speed and location information to a backend.
  • the networked vehicles are used as a kind of test vehicles to Ge ⁇ speed distributions record and send to the backend.
  • a database is set up, with which future vehicle speeds can be predicted.
  • networked vehicles can also benefit from an existing database when predicting their speed trajectory. In this case, they also have a receiving device in order to be able to receive data from the backend.
  • a backend comprises at least one receiving unit, a memory unit, an evaluation unit and a transmitting unit.
  • a backend can be a central backend server or can be implemented locally in a cloud.
  • the backend also includes a digital map database with location and street information. Schwindtechniks- using the information sent from the connected vehicles Ge and location information is first calculated statistical VELOCITY ⁇ keitsverön in the evaluation of the backend. For the velocity distributions, suitable characteristic numbers are determined which characterize the statistical velocity distribution. Such measures may be statistical measures derived from the distribution function, such as mean, gradient, variance, standard deviation, or quantiles.
  • the figures can be used to describe the distribution of the speeds of all interlinked vehicles as well as the individual deviation of individual speeds driven by individual drivers in relation to the general velocity distribution.
  • these velocity distributions are linked to location data.
  • a velocity distribution represents the distribution of velocities driven by the networked vehicles at a particular fixed point.
  • each speed information is collected and transmitted, containing the currently driven Ge ⁇ speeds of the crosslinked vehicles at defined, fixed (georeferenced) points.
  • the transmission of the speed information preferably takes place at the fixed points fixed.
  • the linking of the speed information with the location data can already be done in the networked vehicles.
  • distribution functions or key figures are formed at the fixed speeds traveled and linked to this location information.
  • the velocity distributions or the key figures can be stored as additional attributes in digital map databases.
  • the road network of a digital map is divided into fixed points. For example, the points can be distributed equidistantly. It is also possible the distances of the points depending on the road type and the average speed or the permissible
  • the networked vehicles additionally record the minimum and / or the maximum speed value and transmit it to the backend, which the networked vehicles have reached since passing the previously fixed fixed point. For example, if a fixed fixed point is located at a traffic light intersection, the vehicles will regularly come to a stop at that intersection. The exact breakpoint of a vehicle is often not directly at the intersection but one or more vehicle lengths shifted from it. These regular and frequent stops of vehicles would not be fully captured by the speeds at the fixed fixed points themselves. By transmitting even the minimum speed since passing the last fixed point thus other breakpoints can be detected regardless of their exact position.
  • the detected and transmitted to the backend speed information also includes route information of the vehicle.
  • This route information includes, for example, the information as to whether a vehicle continues straight ahead or turns off. Depending on whether the vehicle continues straight ahead or turns, namely to assume a significant difference in speed.
  • the collected speeds of turning vehicles and straight traveling vehicles can preferably be summarized in the backend in different distributions and key figures.
  • the accuracy of the Ge ⁇ speed distributions and ratios can be increased by case distinctions are made between turning and driving straight ahead vehicles.
  • Key figures can also for other conditions that may affect the VELOCITY ⁇ speed distribution are applied, provided that the appropriate conditions and information is collected. Examples include different times of the day, seasons, weather conditions or days of the week.
  • This Bedin ⁇ conditions can be detected in the vehicle and transmitted to the back end, or directly collected in the back end are detected and are linked with the speed information.
  • Key figures are preferably updated on an ongoing basis. That is, as soon as a networked vehicle transmits a speed value to the backend, it is taken into account for the recalculation of the speed distribution and stored accordingly updated key figures.
  • the updating of the database is thus carried out by iterative calculation of the velocity distribution and key figures in a statistical or machine learning process. Newly recorded speed values are thus included in each case.
  • trends in the calculation of the distributions and key figures can also be recorded and stored.
  • the method according to the invention for storing speed information of motor vehicles in the backend creates a data representation of collected driving profiles that can be used for numerous vehicle functions.
  • the advantage of using key figures is that the amount of data is reduced compared to the storage of complete speed distributions. Depending on the available storage capacity, however, the entire speed distribution and / or the individual speed and location information received from the networked vehicles can additionally be stored in the backend. To use the data, the location-based stored in the maps
  • a method of predicting vehicle speeds is another aspect of the invention.
  • the method comprises a prediction of a vehicle route and the prediction of the vehicle speed along the predicated route on the basis of characteristic numbers determined and stored with the method according to the invention in the backend, which characterize the speed distribution at fixed points along the predicated route.
  • the prediction can be done in the backend or in the vehicle.
  • the prediction of the vehicle route is carried out, for example, in a known manner by the destination input in a navigation ⁇ device or entering a route by a driver.
  • Another possibility is that often repeated ge ⁇ driven routes such as the path between workplace and Residence is detected by statistical methods. As a rule, no navigation device is used for such routes.
  • the vehicle may be equipped with a self-learning system.
  • the fixed fixed points are detected for which speed profiles or corresponding key figures are stored in the backend.
  • the future speed trajectory of the vehicle is predicted.
  • the prediction of the route and / or the speed trap ectorie can be done either in the vehicle or in the backend.
  • the corresponding data is sent from the vehicle to the backend or from the backend to the vehicle.
  • the invention Ver ⁇ application of metrics to characterize the velocity distributions here has the great advantage that the amount of data to be transmitted is low. Because of the low volume of data to be transferred, the method is inexpensive and fast. In addition, it is possible to transfer the information for a larger prediction horizon.
  • the prediction takes place in the backend, data characterizing the predicted route is first sent to the backend.
  • the backend uses the route information and the stored key figures to calculate the speed profile of the vehicle and send it to the vehicle. Finally, the speed history is received by the vehicle. If the prediction takes place in the vehicle, only the characteristics characterizing the speed distribution are transmitted by the backend and received by the vehicle. In this case, preferably all the key figures that lie along the route intended by the driver are transmitted.
  • the individual driving behavior can eg as a deviation from the general
  • Velocity distribution are displayed. This deviation can also be expressed in the form of a key figure.
  • the predicted vehicle route is subdivided as a function of its distance to the current vehicle position.
  • Prediction of vehicle speed for a nearby sub-route with a short forecast horizon e.g., less than 200 m
  • the prediction for a distant sub-route with a larger forecast horizon is essentially based on data stored in the backend.
  • prediction is e.g. Map data that uses personal driving and the stored key figures. However, for a short outlook horizon, in-vehicle signals are weighted more heavily than for a large forecast horizon.
  • the figures calculated using a method according to the invention and stored in the backend can also be used for a method for assessing the driver's behavior of a vehicle. For this, the speed values measured by the driver (eg at the fixed points) are compared with the stored key figures. By comparing the speeds driven by the driver with the key figures different stationary points can be created and stored a separate database for the individual driver, which characterizes how fast the driver compared to the public (or compared to the recorded in the speed distribution, networked vehicles) drives. The deviation from individual driving behavior to the general public can in turn be described by characteristic numbers, for example by quantiles.
  • driver throughout this application is gender neutral and refers to male and female drivers.
  • a further, independent aspect of the invention is a digital map with stored characteristic numbers for the characterization of fixed-point velocity distributions, which are determined and / or updated by a method according to the invention.
  • a digital map is a database of stored location and road information, such as those used for (satellite) navigation devices.
  • the digital map may be stored in a vehicle or preferably in the backend.
  • the digital map is a component of a recuperationssystems for predicting7:30geschwindig ⁇ speeds, which represents a further aspect of the invention.
  • Vehicle speeds include a backend, which may be centrally located on a server, or may be implemented remotely eg in a cloud.
  • the back-end has at least one catching device to Emp ⁇ for receivingrelisinfor- mation of networked vehicles.
  • the backend has an evaluation device for evaluating the speed information received from the networked vehicles, for calculating distribution functions and the distribution function characterizing characteristic numbers. Belongs to the backend
  • at least one memory device for storing at least the characteristics of the distribution functions and a transmitting device for transmitting stored codes or calculated information to networked vehicles.
  • the storage device preferably comprises a database of a digital map according to the invention described above.
  • the evaluation device is also set up to link the speed information, distribution functions and / or characteristic numbers with location data.
  • the prediction system preferably comprises a route prediction device for predicting a route traveled by a vehicle in the future.
  • the route prediction device can be implemented in the vehicle or in the backend.
  • the prediction system comprises a speed prediction device for predicting the vehicle speed along a vehicle route predicted with the route prediction device.
  • the speed prediction device can also be implemented both in the networked vehicle or in the backend.
  • FIG. 1 shows an exemplary representation of the system architecture of the prediction system according to the invention
  • Figure 2 an illustration of the data collection according to a
  • FIG. 3 an illustration of the data aggregation according to FIG.
  • FIG. 4 shows an exemplary description of a VELOCITY ⁇ keitsprofils with indicators
  • Figure 5 an illustration of the method and system for predicting vehicle speeds.
  • Networked vehicles 10 transmit speed information, timestamp and geoposition of the vehicles 10 to a backend 12 via a wireless link 11.
  • the data is transmitted by a suitable electronic unit 101 in the vehicle (e.g.
  • the data is received by a receiving device 121.
  • the speed data are collected and aggregated.
  • distribution functions for the collected speed information and suitable characteristics Q for describing the speed distributions 20 are formed in the backend 12 at specific stationary positions and stored in a memory device 124.
  • the speed distributions and / or the key figures are linked with location data and can be stored as additional information in digital maps 14. Since the speed distributions 20 and characteristic numbers Q are constantly updated, they can preferably be stored as dynamic additional data.
  • the location-related speed characteristics Q stored in the digital maps 14 can be transmitted back to the vehicle 10 again.
  • All characteristics are ektorie according to a first variant of the method for predicting thenchstraj ⁇ pay Q transferred, lying along a driver's intended route.
  • the intended route was, for example determined in the vehicle 10 by the destination input in a navigation device 102.
  • the prediction of the speed vector ectorie in this case takes place in a prediction device 103 in the vehicle 10 on the basis of the predicated route and the codes Q received from the backend 12.
  • the measures Q can be used for other applications such as driver rating.
  • One of the advantages of using key figures Q is that much less data has to be transmitted for the respective use than for a complete distribution function.
  • the prediction of the velocity vector is performed in the backend 12.
  • the intended route can be predicted in the vehicle 10 or in the backend 12. In this case, but not the
  • the speed information is collected at fixed fixed (geo-referenzierbaren) points 15, for example, have a fixed distance from each other ( Figure 2).
  • points 15 the road network 16 of a digital map 14 is subdivided into fixed points 15 (FIGS. 2A and B)). It is also possible to vary the distances of the points 15 depending on the road type and the maximum speed. If the vehicle 10 passes a stationary point 15, the current speed value 17 at the respective point 15 and preferably the maximum and / or minimum speed value 18 since the last point 15 to the backend 12 transmitted (Figure 2 C).
  • a distribution function 20 is iteratively calculated for each fixed point 15 in the backend 12.
  • statistical methods such as kernel density estimators are used. It is for all values (17, 18) - ie current, maximum and / or minimum speed value - a separate distribution 20 is formed.
  • FIG. 4 shows a velocity distribution 20, for example at a fixed point 15.
  • quantiles Q in the backend are calculated (eg 15% / 35% / 50% / 65% / 85% quantile). For example, 15% of the speeds traveled (and recorded) at this location are below the 15% Quantiis Q15. 35% lie below the 35% Quantiis Q35 etc.
  • the quantiles Q are also suitable for describing the general, location-independent, individual driving behavior 30 of a driver. For example, the speed value 17 of an over ⁇ average driver at all fixed points 15 is above the value of the 50% quantile Q50.
  • different speed distributions 20 and corresponding characteristic numbers Q can also be used depending on the route traveled be created. That is, for example, it is possible to distinguish between the speeds 17 of turning vehicles 10 and straight traveling vehicles 10.
  • the expected speed for a particular value Vo ⁇ out looking predicted horizon (FIG. 5)
  • deviations from the expected average course for the route to be predicted are used from the backend quantile Q of the speed distribution for the route to be predicted and, if appropriate, average driver-specific and situation-specific 31.
  • in-vehicle data sources are used: vehicle signals 33 at the current position (eg accelerator pedal position, current torque, brake pedal position, distance to the vehicle in front, ....), as well as the deviation of the speed course ⁇ 34 of the past route compared to those stored in the backend velocity distributions 20 or key figures Q. This is compared while driving continuously the current speed value with the collected in the backend 12 En ⁇ schwindtechniksvertechniken 20 or indicators Q.
  • statistical models and methods of machine learning are preferably used. Different prediction models are used for different lookahead horizons.
  • a prediction model with short Predictive horizon eg 200m
  • a prediction model for a larger Vo ⁇ out looking horizon eg 800m
  • the key figures Q in the backend 12 (quantile) not only describe the most frequent value but the total velocity distribution.
  • the quantiles Q are suitable for the location-independent description of driver and situation-specific influencing factors.
  • Driving behavior comparison of a single driver compared to the general public
  • improvement of current digital maps or creation of high-precision maps on the basis of the collected driving profiles Map Refinement
  • the prediction of traffic flows the improvement of navigation algorithms or range algorithms for electric vehicles
  • inventive method and system may be used for all vehicle functions based on predicated speed profiles (e.g., autonomous driving, ACC, Green Wave Assistant).

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

Geschwindigkeitsinformationen von vernetzten Fahrzeugen werden in einem Backend aggregiert und daraus Geschwindigkeitsverteilungen ermittelt und Kennzahlen daraus gebildet. Anhand der gespeicherten Kennzahlen werden zukünftige Fahrzeuggeschwindigkeiten prädiziert. Vorzugsweise werden zusätzlich Informationen über individuelle Fahrverhalten und fahrzeuginterne Signale für die Prädiktion verwendet.

Description

Beschreibung
Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstraj ektorie
Die Erfindung betrifft ein Verfahren zur Speicherung von Geschwindigkeitsinformationen von Fahrzeugen in einem Backend, eine digitale Karte mit gespeicherten Geschwindigkeitsinformationen sowie ein Verfahren und ein System zur Prädiktion von Fahrzeuggeschwindigkeiten.
Die Kenntnis der zukünftigen Geschwindigkeitstraj ektorie eines Fahrzeuges entlang einer geplanten Route ist für zahlreiche Fahrzeuganwendungen notwendig. Beispielsweise kann durch die Kenntnis der erwarteten Fahrgeschwindigkeitstraj ektorie die
Betriebsstrategie von Hybridfahrzeugen verbessert, verschiedene Fahrzeugfunktionen auf das individuelle Fahrverhalten angepasst und der Energiebedarf für die geplante Strecke abgeschätzt werden. Zur Prädiktion des erwarteten Geschwindigkeitsverlaufs werden nach aktuellem Stand der Technik insbesondere Umfeld- sensorik, Attribute von digitalen Karten wie z.B. Geschwindigkeitslimits oder Kurvenradien, Infrastrukturdaten (z.B. Ampelprognosedaten) und Verkehrsinformationen verwendet. Die US 2013/0274956 AI offenbart ein System, bei dem Ge¬ schwindigkeitsprofile für Straßenabschnitte gespeichert werden. Anhand dieser gespeicherten Profile wird für vorausliegende Straßenabschnitte auf der Route eines Fahrzeuges jeweils eine Zielgeschwindigkeit für diesen Straßenabschnitt und dieses Fahrzeug ermittelt. Es wird abgeschätzt, ob das Fahrzeug die ermittelte Zielgeschwindigkeit mit hoher Wahrscheinlichkeit überschreiten wird. In diesem Fall werden Fahrzeugsysteme aktiviert, die beispielsweise zu einem Abbremsen des Fahrzeugs oder einer Warnung des Fahrers führen. Ferner ist ein System zur Prädiktion energierelevanter Größen, wie z.B. Fahrzeuggeschwindigkeiten, entlang einer vorausliegenden Fahrstrecke bekannt. (Tobias Mauk: „Selbstlernende zuverlässigkeitsorientierte Prädiktion energetisch relevanter Größen im Kraftfahrzeug" Dissertation, Universität Stuttgart 2011) Das beschriebene System beruht nicht auf der Verwendung digitaler Karten sondern auf einem selbstlernenden System im Fahrzeug für wiederholt befahrene Strecken. Bei einer Prädiktion der Geschwindigkeitstraj ektorie allein anhand von Umfeldsensorik ist der Prädiktionshorizont aufgrund der Reichweite der verwendeten Sensorik (Kamera, Radar) begrenzt. Informationen von Infrastrukturdaten (z.B. Ampeln) sind in der Regel nur begrenzt lokal verfügbar. Attribute von di- gitalen Karten sind zur Prognose des erwarteten Geschwindig¬ keitsprofils häufig nur bedingt geeignet, da auf zahlreichen Streckenabschnitten die Höchstgeschwindigkeit aufgrund von notwendigen Abbremsvorgängen nicht erreicht werden kann. Dies trifft besonders für urbane Streckenabschnitte zu. Auch das individuelle Fahrverhalten hat einen Einfluss auf die vom Fahrer gewählte Geschwindigkeit. Kartenattribute oder Verkehrsin¬ formationen lassen in der Regel keinen Rückschluss auf die fahrerindividuell gewählte Geschwindigkeit zu. Der Erfindung liegt daher die Aufgabe zu Grunde, die Qualität der Prädiktion von zukünftigen Geschwindigkeitstraj ektorien zu verbessern .
Die Aufgabe wird gelöst durch ein Verfahren zur Speicherung von Geschwindigkeitsinformationen, eine digitale Karte sowie ein Prädiktionssystem und ein Verfahren zur Prädiktion von Fahrzeuggeschwindigkeiten gemäß den unabhängigen Ansprüchen.
Vorteilhafte Weiterbildungen sind in den Unteransprüchen angegeben . Gemäß dem erfindungsgemäßen Verfahren zur Speicherung von Geschwindigkeitsinformationen werden Geschwindigkeitsinformationen und Ortsinformationen in einer Mehrzahl vernetzter Fahrzeuge erfasst und an ein Backend übermittelt. Im Backend werden daraus Geschwindigkeitsverteilungen berechnet und Kennzahlen zur Charakterisierung der ermittelten Geschwindigkeitsverteilungen gebildet. Die Kennzahlen werden im Backend gespeichert . Die vernetzten Fahrzeuge sind vorzugsweise Kraftfahrzeuge, wie z.B. Hybridfahrzeuge, Elektrofahrzeuge oder Fahrzeuge mit Verbrennungsmotor. Sie weisen vorzugsweise ein Ortungssystem, z.B. ein Satelliten-Navigationssystem, und eine Kommunikationseinrichtung auf. Die Kommunikationseinrichtung ist zum (drahtlosen) Senden von Geschwindigkeits- und Ortsinformationen an ein Backend eingerichtet. Hierbei werden die vernetzten Fahrzeuge gewissermaßen als Testfahrzeuge eingesetzt um Ge¬ schwindigkeitsverteilungen aufzunehmen und an das Backend zu senden. Im Backend wird eine Datenbasis aufgebaut, anhand derer zukünftige Fahrzeuggeschwindigkeiten prädiziert werden können. Die vernetzten Fahrzeuge können aber bei der Prädiktion ihrer Geschwindigkeitstraj ektorie auch von einer bereits vorhandenen Datenbasis profitieren. In diesem Fall weisen sie auch eine Empfangseinrichtung auf, um Daten vom Backend empfangen zu können.
Ein Backend umfasst mindestens eine Empfangseinheit, eine Speichereinheit, eine Auswerteeinheit und eine Sendeeinheit . Ein Backend kann ein zentraler Backendserver sein oder auch dezentral in einer Cloud realisiert sein. Vorzugsweise enthält das Backend auch eine digitale Kartendatenbank mit Orts- und Straßeninformationen . Anhand der von den vernetzten Fahrzeugen gesendeten Ge- schwindigkeits- und Ortsinformationen werden in der Auswerteeinheit des Backends zunächst statistische Geschwindig¬ keitsverteilungen berechnet. Zu den Geschwindigkeitsvertei- lungen werden geeignete Kennzahlen ermittelt, welche die statistische Geschwindigkeitsverteilung charakterisieren. Solche Kennzahlen können aus der Verteilungsfunktion abgeleitete statistische Kennzahlen sein, wie z.B. Mittelwert, Gradient, Streuung, Standardabweichung oder Quantile.
Mit den Kennzahlen kann sowohl die Verteilung der Geschwindigkeiten aller vernetzten Fahrzeuge, sowie die individuelle Abweichung einzelner, von einzelnen Fahrern gefahrener Geschwindigkeiten, im Verhältnis zur allgemeinen Geschwindig- keitsverteilung beschrieben werden.
Vorzugsweise werden diese Geschwindigkeitsverteilungen mit Ortsdaten verknüpft. Eine Geschwindigkeitsverteilung gibt beispielsweise die Verteilung der von den vernetzten Fahrzeugen an einem bestimmten ortsfesten Punkt gefahrenen Geschwindigkeiten wieder.
Dafür werden gemäß einer bevorzugten Variante des Verfahrens in den vernetzten Fahrzeugen jeweils Geschwindigkeitsinformationen erfasst und übermittelt, welche die momentan gefahrenen Ge¬ schwindigkeiten der vernetzten Fahrzeuge an festgelegten, ortsfesten (georeferenzierten) Punkten enthalten. Das Übermitteln der Geschwindigkeitsinformationen erfolgt vorzugsweise an den festgelegten, ortsfesten Punkten. Die Verknüpfung der Geschwindigkeitsinformationen mit den Ortsdaten kann bereits in den vernetzten Fahrzeugen geschehen. Im Backend werden Verteilungsfunktionen bzw. Kennzahlen zu den an ortsfesten gefahrenen Geschwindigkeiten gebildet und mit diesen Ortsinformationen verknüpft. Die Geschwindigkeitsverteilungen bzw. die Kennzahlen können als zusätzliche Attribute in digitalen Kartendatenbanken abgelegt werden. Zur Definition der Punkte wird das Straßennetzwerk einer digitalen Karte in ortsfeste Punkte unterteilt. Die Punkte können beispielsweise äquidistant verteilt sein. Es ist auch möglich die Abstände der Punkte in Abhängigkeit des Straßentyps und der durchschnittlicher Geschwindigkeit oder der zulässigen
Höchstgeschwindigkeit zu variieren. Wenn das Fahrzeug einen ortsfesten Punkt passiert, werden der aktuelle Geschwindig- keitswert am jeweiligen Punkt an das Backend übertragen.
Gemäß einer besonders bevorzugten Variante werden von den vernetzten Fahrzeugen zusätzlich der minimale und/oder der maximale Geschwindigkeitswert erfasst und an das Backend übermittelt, welche die vernetzten Fahrzeuge seit Passieren des vorangegangenen festgelegten ortsfesten Punktes erreicht haben. Wenn beispielsweise ein festgelegter ortsfester Punkt an einer Straßenkreuzung mit einer Ampel liegt, kommen die Fahrzeuge regelmäßig an dieser Kreuzung zum Stehen. Der genaue Haltepunkt eines Fahrzeuges liegt aber häufig nicht direkt an der Kreuzung sondern eine oder mehrere Fahrzeuglängen davon verschoben. Diese regelmäßig auftretenden und häufigen Stopps der Fahrzeuge würden allein durch die Geschwindigkeiten an den festgelegten ortsfesten Punkten selbst nicht vollständig erfasst werden. Durch Übermittlung auch der minimalen Geschwindigkeit seit Passieren des letzten ortsfesten Punktes können somit auch andere Haltepunkte unabhängig von ihrer genauen Position erfasst werden.
Gemäß einer weiteren bevorzugten Variante enthalten die er- fassten und an das Backend übermittelten Geschwindigkeitsinformationen auch Routeninformationen des Fahrzeugs. Diese Routeninformationen beinhalten beispielsweise die Information, ob ein Fahrzeug geradeaus weiterfährt, oder abbiegt. Je nachdem, ob das Fahrzeug geradeaus weiterfährt oder abbiegt, ist nämlich ein deutlicher Unterschied in der Geschwindigkeit anzunehmen. Die gesammelten Geschwindigkeiten von abbiegenden Fahrzeugen und von geradeaus fahrenden Fahrzeugen können vorzugsweise im Backend in unterschiedlichen Verteilungen und Kennzahlen zu- sammengefasst werden. Damit kann die Genauigkeit der Ge¬ schwindigkeitsverteilungen und Kennzahlen erhöht werden, indem Fallunterscheidungen zwischen abbiegenden und geradeaus fahrenden Fahrzeugen vorgenommen werden. Solche gesonderten Geschwindigkeitsverteilungen bzw . Kennzahlen können auch für andere Bedingungen, welche die Geschwindig¬ keitsverteilung beeinflussen können, angelegt werden, sofern die entsprechenden Bedingungen und Informationen erfasst werden. Beispiele hierfür sind unterschiedliche Tageszeiten, Jahres- zeiten, Witterungsverhältnisse oder Wochentage. Diese Bedin¬ gungen können im Fahrzeug erfasst und an das Backend übermittelt werden, oder direkt im Backend gesammelt, erfasst und mit den Geschwindigkeitsinformationen verknüpft werden. Die im Backend ermittelten Geschwindigkeitsverteilungen und
Kennzahlen werden vorzugsweise laufend aktualisiert. Das heißt, sobald ein vernetztes Fahrzeug einen Geschwindigkeitswert an das Backend übermittelt, wird dieser für die Neuberechnung der Geschwindigkeitsverteilung berücksichtigt und entsprechend aktualisierte Kennzahlen gespeichert. Die Aktualisierung der Datenbank erfolgt somit durch iterative Berechnung der Geschwindigkeitsverteilung und Kennzahlen in einem statistischen bzw. maschinellen Lernverfahren. Neu erfasste Geschwindigkeitswerte werden somit jeweils mit einbezogen.
Vorzugsweise können auch Tendenzen in der Berechnung der Verteilungen und Kennzahlen erfasst und gespeichert werden. Somit können auch vorübergehende (z.B. Baustellen) oder dau- erhafte Änderungen der Verkehrsführung mit Einfluss auf die gefahrenen Geschwindigkeiten berücksichtigt werden.
Durch das erfindungsgemäße Verfahren zur Speicherung von Ge- schwindigkeitsinformationen von Kraftfahrzeugen im Backend wird eine Datenrepräsentation von gesammelten Fahrprofilen geschaffen, die für zahlreiche Fahrzeugfunktionen verwendet werden kann. Die Verwendung von Kennzahlen hat unter anderem den Vorteil, dass die Datenmenge reduziert ist gegenüber der Speicherung von vollständigen Geschwindigkeitsverteilungen. Je nach verfügbarem Speicherkapazität können aber zusätzlich die gesamte Geschwindigkeitsverteilung und/oder die einzelnen von den vernetzten Fahrzeugen empfangenen Geschwindigkeits- und Ortsinformationen im Backend gespeichert werden. Zur Nutzung der Daten können die in den Karten hinterlegten ortsbezogenen
Geschwindigkeitskennzahlen wieder ins Fahrzeug zurückübertragen werden. Insbesondere hierbei ist das geringere Datenvolumen der Kennzahlen besonders vorteilhaft. Ein Verfahren zur Prädiktion von Fahrzeuggeschwindigkeiten ist ein weiterer Aspekt der Erfindung. Das Verfahren umfasst eine Prädiktion einer Fahrzeugroute und die Prädiktion der Fahrzeuggeschwindigkeit entlang der prädizierten Route anhand von mit dem erfindungsgemäßen Verfahren im Backend ermittelten und gespeicherten Kennzahlen, welche die Geschwindigkeitsverteilung an ortsfesten Punkten entlang der prädizierten Route charakterisieren. Die Prädiktion kann im Backend oder im Fahrzeug erfolgen . Die Prädiktion der Fahrzeugroute erfolgt dabei beispielsweise in bekannter Weise durch die Zieleingabe in einem Navigations¬ gerätes oder die Eingabe einer Route durch einen Fahrer. Eine andere Möglichkeit besteht darin, dass häufig wiederholt ge¬ fahrene Strecken wie z.B. der Weg zwischen Arbeitsstätte und Wohnort anhand statistischer Methoden erkannt wird. Für solche Strecken wird in der Regel kein Navigationsgerät benutzt. Für solche Fahrten kann das Fahrzeug beispielsweise mit einem selbstlernenden System ausgestattet sein.
Anhand der prädizierten Route werden die festgelegten ortsfesten Punkte erkannt, zu denen im Backend Geschwindigkeitsprofile bzw. entsprechende Kennzahlen gespeichert sind. Aus den Kennzahlen und der prädizierten Route wird die zukünftige Geschwindig- keitstraj ektorie des Fahrzeugs prädiziert. Die Prädiktion der Route und/oder der Geschwindigkeitstraj ektorie kann entweder im Fahrzeug erfolgen oder im Backend. Je nachdem, wo die Prädiktion der Route oder der Geschwindigkeitstraj ektorie erfolgt, werden die entsprechenden Daten vom Fahrzeug an das Backend oder vom Backend an das Fahrzeug gesendet. Die erfindungsgemäße Ver¬ wendung von Kennzahlen zur Charakterisierung der Geschwindigkeitsverteilungen hat hier den großen Vorteil, dass die zu übertragende Datenmenge gering ist. Wegen des geringen zu übertragenden Datenvolumens ist das Verfahren kostengünstig und schnell. Zudem bietet sich die Möglichkeit , die Informationen für einen größeren Prädiktionshorizont zu übertragen.
Sofern die Prädiktion im Backend erfolgt, werden zuerst die prädizierte Route charakterisierende Daten an das Backend gesendet. Im Backend wird anhand der Routeninformationen und der gespeicherten Kennzahlen der Geschwindigkeitsverlauf des Fahrzeugs berechnet und an das Fahrzeug gesendet. Schließlich wird der Geschwindigkeitsverlauf durch das Fahrzeug empfangen. Sofern die Prädiktion im Fahrzeug geschieht, werden vom Backend lediglich die die Geschwindigkeitsverteilung charakterisierenden Kennzahlen gesendet und durch das Fahrzeug empfangen. Dabei werden vorzugsweise alle Kennzahlen übertragen, die entlang der vom Fahrer beabsichtigten Route liegen. Gemäß einer besonders bevorzugten Variante wird im erfin¬ dungsgemäßen Verfahren zur Prädiktion der Fahrzeuggeschwindigkeit das individuelle Fahrverhalten des Fahrers und/oder fahrzeuginterne Signale berücksichtigt. Das individuelle Fahrverhalten kann z.B. als Abweichung von der allgemeinen
Geschwindigkeitsverteilung dargestellt werden. Diese Abweichung kann auch in Form einer Kennzahl ausgedrückt werden.
Gemäß einer vorteilhaften Weiterbildung des erfindungsgemäßen Verfahrens zur Prädiktion der Fahrzeuggeschwindigkeit wird die prädizierte Fahrzeugroute in Abhängigkeit von ihrer Distanz zur momentanen Fahrzeugposition unterteilt. Die Prädiktion der Fahrzeuggeschwindigkeit für eine naheliegende Teilroute mit einem kurzen Vorausschauhorizont (z.B. kleiner als 200 m) erfolgt (unter Anderem) unter Berücksichtigung von fahrzeuginternen Signalen. Die Prädiktion für eine fernliegende Teilroute mit einem größeren Vorausschauhorizont (z.B. > 800 m) erfolgt dagegen im Wesentlichen anhand von im Backend gespeicherten Daten. Je größer der Vorausschauhorizont, d.h. die Entfernung von der aktuellen Position des Fahrzeugs, desto weniger werden für die Geschwindigkeitsprädiktion fahrzeuginterne Signale berücksichtigt. Neben den fahrzeuginternen Signalen werden zur Prädiktion z.B. Kartendaten, das persönliche Fahrverhalten und die gespeicherten Kennzahlen verwendet. Für einen kurzen Vo- rausschauhorizont werden jedoch die fahrzeuginternen Signale stärker gewichtet als für einen großen Vorausschauhorizont.
Die mit einem erfindungsgemäßen Verfahren berechneten und im Backend gespeicherten Kennzahlen können außerdem für ein Verfahren zur Bewertung des Fahrverhaltens eines Fahrers von einem Fahrzeug verwendet werden. Dafür werden von dem Fahrer (z.B. an den ortsfesten Punkten) gefahrene Geschwindigkeitswerte mit den gespeicherten Kennzahlen verglichen. Durch Vergleich der vom Fahrer gefahrenen Geschwindigkeiten mit den Kennzahlen an verschiedenen ortsfesten Punkten kann eine eigene Datenbasis für den einzelnen Fahrer erzeugt und gespeichert werden, die charakterisiert, wie schnell der Fahrer im Vergleich zur Allgemeinheit (bzw. im Vergleich zu den in der Geschwindig- keitsverteilung erfassten, vernetzten Fahrzeugen) fährt. Die Abweichung von individuellen Fahrverhalten zur Allgemeinheit kann ihrerseits durch Kennzahlen, beispielsweise durch Quantile beschrieben werden. Die Bezeichnung „Fahrer" ist in dieser gesamten Anmeldung geschlechtsneutral zu verstehen und bezieht sich auf männliche und weibliche Fahrer.
Ein weiterer, unabhängiger Aspekt der Erfindung ist eine digitale Karte mit gespeicherten Kennzahlen zur Charakterisierung von an ortsfesten Punkten gefahrenen Geschwindigkeitsverteilungen, die mit einem erfindungsgemäßen Verfahren ermittelt und/oder aktualisiert werden. Eine digitale Karte ist eine Datenbank mit gespeicherten Orts- und Straßen-Informationen, wie sie beispielsweise für ( Satelliten- ) avigationsgeräte verwendet werden. Die digitale Karte kann in einem Fahrzeug oder vor- zugsweise im Backend gespeichert sein.
Vorzugsweise ist die digitale Karte ein Bestandteil eines Prädiktionssystems zur Prädiktion von Fahrzeuggeschwindig¬ keiten, welches einen weiteren Aspekt der Erfindung darstellt. Ein erfindungsgemäßes Prädiktionssystem zur Prädiktion von
Fahrzeuggeschwindigkeiten umfasst ein Backend, welches zentral auf einem Server liegen kann, oder dezentral z.B. in einer Cloud realisiert sein kann. Das Backend weist mindestens eine Emp¬ fangseinrichtung auf zum Empfang von Geschwindigkeitsinfor- mationen von vernetzten Fahrzeugen. Ferner weist das Backend eine Auswerteeinrichtung auf zur Auswertung der von den vernetzten Fahrzeugen empfangenen Geschwindigkeitsinformationen, zur Berechnung von Verteilungsfunktionen und die Verteilungsfunktion charakterisierenden Kennzahlen. Zum Backend gehört ferner mindestens eine Speichereinrichtung zur Speicherung zumindest der Kennzahlen der Verteilungsfunktionen sowie eine Sendeeinrichtung zur Übermittlung von gespeicherten Kennzahlen oder berechneten Informationen an vernetzte Fahrzeuge. Die Speichereinrichtung umfasst vorzugsweise eine Datenbank einer oben beschriebenen, erfindungsgemäßen digitalen Karte.
Vorzugsweise ist die Auswerteeinrichtung ferner eingerichtet, die Geschwindigkeitsinformationen, Verteilungsfunktionen und/oder Kennzahlen mit Ortsdaten zu verknüpfen.
Das Prädiktionssystem umfasst vorzugsweise eine Routenprä- diktionseinrichtung zur Prädiktion einer von einem Fahrzeug zukünftig gefahrenen Route. Die Routenprädiktionseinrichtung kann im Fahrzeug oder im Backend realisiert sein.
Ferner umfasst das Prädiktionssystem eine Geschwindigkeits- prädiktionseinrichtung zur Prädiktion der Fahrzeuggeschwindigkeit entlang einer mit der Routenprädiktionseinrichtung prädizierten Fahrzeugroute. Wie die Routenprädiktionseinrichtung kann auch die Geschwindigkeits-Prädiktionseinrichtung sowohl im vernetzten Fahrzeug oder im Backend realisiert sein.
Im Folgenden soll die Erfindung anhand den Figuren 1 bis 5 beispielhaft näher erläutert werden. Es zeigen schematisch:
Figur 1: eine beispielhafte Darstellung der Systemarchitektur des erfindungsgemäßen Prädiktionssystems;
Figur 2: eine Illustration der Datensammlung gemäß einer
Ausführungsform des erfindungsgemäßen Verfahrens;
Figur 3: eine Illustration der Datenaggregation gemäß einer
Ausführungsform des erfindungsgemäßen Verfahrens;
Figur 4: eine beispielhafte Beschreibung eines Geschwindig¬ keitsprofils mit Kennzahlen; und Figur 5: eine Illustration des Verfahrens und Systems zur Prädiktion von Fahrzeuggeschwindigkeiten.
Vernetzte Fahrzeuge 10 übertragen über eine drahtlose Verbindung 11 Geschwindigkeitsinformation, Zeitstempel und Geoposition der Fahrzeuge 10 an ein Backend 12. Die Daten werden durch eine geeignete elektronische Einheit 101 im Fahrzeug (z.B.
OBD-Dongle, Telematik-Unit ) erfasst. Im Backend 12 werden die Daten von einer Empfangseinrichtung 121 empfangen.
In einer Auswerteeinrichtung 122 im Backend 12 werden die Geschwindigkeitsdaten gesammelt und aggregiert. Mit Hilfe von statistischen Methoden und maschinellen Lernverfahren werden im Backend 12 zu bestimmten ortsfesten Positionen Verteilungs- funktionen zu den gesammelten Geschwindigkeitsinformationen sowie geeignete Kennzahlen Q zur Beschreibung der Geschwindigkeitsverteilungen 20 gebildet und in einer Speichereinrichtung 124 gespeichert. Die Geschwindigkeitsverteilungen und/oder die Kennzahlen werden mit Ortsdaten verknüpft und können als zusätzliche Informationen in digitalen Karten 14 hinterlegt werden. Da die Geschwindigkeitsverteilungen 20 und Kennzahlen Q ständig aktualisiert werden, können sie vorzugsweise als dynamische Zusatzdaten hinterlegt sein.
Zur Nutzung der Daten können die in den digitalen Karten 14 hinterlegten ortsbezogenen Geschwindigkeitskennzahlen Q wieder ins Fahrzeug 10 zurückübertragen werden.
Gemäß einer ersten Variante des erfindungsgemäßen Verfahrens zur Prädiktion der Geschwindigkeitstraj ektorie werden alle Kenn¬ zahlen Q übertragen, die entlang einer vom Fahrer beabsichtigten Route liegen. Die beabsichtigte Route wurde dabei beispielsweise im Fahrzeug 10 durch die Zieleingabe in einem Navigationsgerät 102 ermittelt. Die Prädiktion der Geschwindigkeitstraj ektorie erfolgt in diesem Fall in einer Prädiktionseinrichtung 103 im Fahrzeug 10 anhand der prädizierten Route und der vom Backend 12 empfangenen Kennzahlen Q.
Darüber hinaus können die Kennzahlen Q für andere Anwendungen wie beispielsweise zur Fahrerbewertung verwendet werden. Die Verwendung von Kennzahlen Q hat unter anderem den Vorteil, dass für die jeweilige Verwendung wesentlich weniger Daten übertragen werden müssen, als für eine vollständige Verteilungsfunktion.
Gemäß einer zweiten Variante des erfindungsgemäßen Verfahrens zur Prädiktion der Geschwindigkeitstraj ektorie erfolgt die Prädiktion der Geschwindigkeitstraj ektorie im Backend 12. Die beabsichtigte Route kann im Fahrzeug 10 oder im Backend 12 prädiziert werden. In diesem Fall werden aber nicht die
Kennzahlen Q entlang der Route von einer Sendeeinrichtung 125 des Backend 12 an das Fahrzeug 10 gesendet, sondern bereits die prädizierten Geschwindigkeiten an den ortsfesten Punkten 15 entlang der Route. Die Prädiktion der Geschwindigkeiten erfolgt hier in der Prädiktionseinheit 123 des Backends 12
Die Geschwindigkeitsinformation wird zu fixen ortsfesten (geo-referenzierbaren) Punkten 15 gesammelt, die beispielsweise einen festen Abstand zueinander haben (Figur 2) . Zur Definition der Punkte 15 wird das Straßennetzwerk 16 einer digitalen Karte 14 in ortsfeste Punkte 15 unterteilt (Figur 2 A) und B) ) . Es ist auch möglich die Abstände der Punkte 15 in Abhängigkeit des Straßentyps und der Höchstgeschwindigkeit zu variieren. Falls das Fahrzeug 10 einen ortsfesten Punkt 15 passiert, werden der aktuelle Geschwindigkeitswert 17 am jeweiligen Punkt 15 und vorzugsweise der maximale und/oder minimale Geschwindig- keitswert 18 seit dem letzten Punkt 15 an das Backend 12 übertragen (Figur 2 C) .
Aus den gesammelten Geschwindigkeitswerten (17, 18) wird für jeden ortsfesten Punkt 15 im Backend 12 iterativ eine Verteilungsfunktion 20 berechnet. Dazu kommen statistische Methoden wie Kerndichteschätzer zur Anwendung. Es wird für alle Werte (17, 18) - also aktueller, maximaler und/oder minimaler Geschwindigkeitswert - eine eigene Verteilung 20 gebildet.
Figur 4 zeigt eine Geschwindigkeitsverteilung 20 beispielsweise an einem ortsfesten Punkt 15. Zur Beschreibung der Verteilungen werden mehrere Quantile Q im Backend berechnet (z.B. 15% / 35% / 50% / 65% / 85% - Quantil) . D.h. beispielsweise liegen 15% der an diesem Ort gefahrenen (und erfassten) Geschwindigkeiten unterhalb des 15% Quantiis Q15. 35% liegen unterhalb des 35% Quantiis Q35 usw. Dadurch ist der Verlauf der Verteilung 20 durch eine begrenzte Anzahl von Kennzahlen Q beschreibbar. Die Quantile Q eignen sich auch zur Beschreibung des allgemeinen, ortsun- abhängigen, individuellen Fahrverhaltens 30 eines Fahrers. Beispielsweise ist der Geschwindigkeitswert 17 eines über¬ durchschnittlich schnellen Fahrers an allen ortsfesten Punkten 15 über dem Wert des 50%-Quantils Q50. Ebenso kann mit Hilfe der Quantile Q nicht nur der ortsunabhängige Einfluss des Fahr- Verhaltens 30 sondern auch der Einfluss weiterer Einfluss¬ faktoren 31 auf das Geschwindigkeitsprofil wie beispielsweise Sichtverhältnisse, Verkehrssituation, Witterungsbedingungen beschrieben werden. Für jede der Einflussbedingungen (30, 31) wird eine zusätzliche Datenbasis angelegt, in der die Abweichung vom Durchschnittswert (50%-Quantil) gespeichert wird.
Für bestimmte ortsfeste Punkte 15, beispielsweise Kreuzungen, können auch unterschiedliche Geschwindigkeitsverteilungen 20 und entsprechende Kennzahlen Q je nach gefahrenen Routenverlauf angelegt werden. D.h. es kann beispielsweise zwischen den Geschwindigkeiten 17 von abbiegenden Fahrzeugen 10 und geradeaus fahrenden Fahrzeugen 10 unterschieden werden. Für die Prädiktion der Geschwindigkeitstraj ektorie in einer Geschwindigkeitsprädiktionseinrichtung 103, 123 eines Fahrzeugs 10 wird mit Hilfe des erfindungsgemäßen Prädiktionsverfahrens der erwartete Geschwindigkeitswert für einen bestimmten Vo¬ rausschauhorizont (z.B. in 500m bezogen auf die aktuelle Fahrzeugposition) prädiziert. (Figur 5) Dazu werden aus dem Backend Quantile Q der Geschwindigkeitsverteilung für die zu prädizierende Strecke und ggf. Durchschnittliche Fahrer- 30 und Situationsspezifische 31 Abweichungen vom erwarteten Durchschnittsverlauf für die zu prädizierende Strecke verwendet. Daneben werden auch fahrzeuginterne Datenquellen verwendet: Fahrzeugsignale 33 an der aktuellen Position (z.B. Gaspedalstellung, aktuelles Drehmoment, Bremspedalstellung, Abstand zum Vordermann,....), sowie die Abweichung des Geschwindigkeits¬ verlaufs 34 der vergangenen Strecke im Vergleich zu den im Backend gespeicherten Geschwindigkeitsverteilungen 20 bzw. Kennzahlen Q. Dazu wird während der Fahrt kontinuierlich der aktuelle Geschwindigkeitswert mit den im Backend 12 gesammelten Ge¬ schwindigkeitsverteilungen 20 bzw. Kennzahlen Q verglichen. Zur Prädiktion der zukünftigen Geschwindigkeitstraj ektorie werden vorzugsweise statistische Modelle und Verfahren des maschinellen Lernens verwendet. Es werden unterschiedliche Prädiktionsmodelle für verschiedene Vorausschauhorizonte verwendet. So benutzt beispielsweise ein Prädiktionsmodell mit kurzen Vorausschauhorizont (z.B. 200m) noch fahrzeuginterne Größen, während ein Prädiktionsmodell für einen größeren Vo¬ rausschauhorizont (z.B. 800m) fast ausschließlich im Backend 12 gesammelte Daten verwendet. Durch die Kennzahlen Q im Backend 12 (Quantile) kann nicht nur der häufigste Wert sondern die gesamte Geschwindigkeitsverteilung beschrieben werden. Die Quantile Q eignen sich zur ortsunabhängigen Beschreibung von Fahrer- und situationsspe- zifischen Einflussfaktoren. Durch das Verfahren und System zur Prädiktion der Geschwindigkeitstraj ektorie auf Basis von im Backend 12 gesammelten Geschwindigkeitsverteilungen 20 und Kennzahlen Q kann der Prädiktionshorizont gegenüber bekannten Verfahren erheblich erweitert werden.
Mit dem erfindungsgemäßen Prädiktionsverfahren prädizierte Geschwindigkeitswerte können als Eingangsgröße für die Be¬ triebsstrategie von Hybridfahrzeugen (evtl. auch Elektro- fahrzeugen und Fahrzeugen mit Verbrennungsmotor) angewendet werden. Weitere Anwendungsbeispiels sind die Bewertung von
Fahrverhalten (Vergleich eines einzelnen Fahrers im Vergleich zur Allgemeinheit) oder die Verbesserung von aktuellen digitalen Karten bzw. Erstellung von hochgenauen Karten anhand der gesammelten Fahrprofile (Map Refinement) , die Prädiktion von Verkehrsflüssen, die Verbesserung von Navigationsalgorithmen oder Reichweitenalgorithmen für Elektrofahrzeuge ; sowie die Erstellung von zusätzlichen Features in digitalen Karten (z.B. Abbiegewahrscheinlichkeiten . Ferner kann das erfindungsgemäße Verfahren und System für alle Fahrzeugfunktionen, die auf prädizierten Geschwindigkeitsprofilen basieren (z.B. autonomes Fahren, ACC, Grüne Welle Assistent) eingesetzt werden.

Claims

Patentansprüche
Verfahren zur Speicherung von Geschwindigkeitsinformationen von Fahrzeugen (10) in einem Backend (12), mit den Schritten:
- Erfassen von Geschwindigkeitsinformationen (17, 18) und Ortsinformationen in einer Mehrzahl vernetzter Fahrzeuge (10) ;
- Übermitteln der Geschwindigkeitsinformationen (17, 18) und Ortsinformationen an ein Backend (12);
- Ermitteln von Geschwindigkeitsverteilungen (20) anhand der von einer Mehrzahl von vernetzten Fahrzeugen (10) empfangenen Geschwindigkeitsinformationen (17, 18) im Backend ( 12 ) ;
gekennzeichnet durch die Schritte:
- Bilden von Kennzahlen (Q) zur Charakterisierung der ermittelten Geschwindigkeitsverteilungen (20) im Backend ( 12 ) ; und
- Speichern der die Geschwindigkeitsverteilungen (20) charakterisierenden Kennzahlen (Q) im Backend (12).
Verfahren gemäß Anspruch 1,
wobei von den vernetzten Fahrzeugen (10) jeweils Geschwindigkeitsinformationen (17, 18) erfasst und an das Backend (12) übermittelt werden, welche die von den vernetzten Fahrzeugen (10) an festgelegten, ortsfesten Punkten (15) momentan gefahrenen Geschwindigkeiten (17) enthalten .
Verfahren gemäß Anspruch 2, wobei zusätzlich minimale und/oder maximale Geschwindigkeitswerte (18) erfasst und übermittelt werden, welche die vernetzten Fahrzeuge (10) seit passieren des vorangegangenen festgelegten ortsfesten Punktes (15) erreicht haben. Verfahren gemäß einem der vorhergehenden Ansprüche, wobe die erfassten und übermittelten Geschwindigkeitsinformationen (17, 18) auch Routeninformationen enthalten.
Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Geschwindigkeitsinformationen (17, 18) von den vernetzten Fahrzeugen (10) im Backend (12) aggregiert werden und die Geschwindigkeitsverteilung (20) sowie die Kennzahlen (Q) daraus laufend aktualisiert werden
Verfahren zur Prädiktion von Fahrzeuggeschwindigkeiten mit den Schritten:
- Prädiktion einer Fahrzeugroute, und
- Prädiktion der Fahrzeuggeschwindigkeit entlang der prädizierten Route anhand von mit einem Verfahren gemäß einem der vorhergehenden Ansprüche ermittelten, in einem Backend (12) gespeicherten, die Geschwindigkeitsverteilung (20) an ortsfesten Punkten (15) entlang der prädizierten Route charakterisierenden Kennzahlen (Q) .
Verfahren zur Prädiktion der Fahrzeuggeschwindigkeit gemäß Anspruch 6,
wobei die Prädiktion der Fahrzeuggeschwindigkeit im Backend (12) oder im Fahrzeug (10) erfolgt.
Verfahren zur Prädiktion der Fahrzeuggeschwindigkeit gemäß einem der Ansprüche 6 bis 7,
wobei das individuelle Fahrverhalten des Fahrers (30) und/oder fahrzeuginterne Signale (33) berücksichtigt werden .
9. Verfahren zur Prädiktion der Fahrzeuggeschwindigkeit gemäß Anspruch 8,
wobei die prädizierte Fahrzeugroute in Abhängigkeit von ihrer Distanz zur momentanen Fahrzeugposition unterteilt wird, und wobei die Prädiktion der Geschwindigkeit für eine naheliegende Teilroute unter Berücksichtigung von fahrzeuginternen Signalen (33) erfolgt, während die Prädiktion für eine ferner liegende Teilroute fahrzeuginterne Signale
(33) weniger oder gar nicht berücksichtigt.
10. Verfahren zur Bewertung des Fahrverhaltens eines Fahrers von einem Fahrzeug, wobei von dem Fahrer gefahrene Ge- schwindigkeitswerte mit Kennzahlen verglichen werden, die mit einem Verfahren gemäß einem der Ansprüche 1 bis 5 erzeugt und im Backend gespeichert wurden.
11. Digitale Karte (14) mit gespeicherten Kennzahlen (Q) zur Charakterisierung von an ortsfesten Punkten (15) gefahrenen Geschwindigkeitsverteilungen (20), die anhand einem Verfahren gemäß einem der Ansprüche 1 bis 5 ermittelt und/oder aktualisiert werden. 12. Prädiktionssystem zur Prädiktion von Fahrzeuggeschwindigkeiten, umfassend
ein Backend (12) mit mindestens
- einer Empfangseinrichtung (121) zum Empfang von Geschwindigkeitsinformationen von vernetzten Fahrzeugen (10),
- einer Auswerteeinrichtung (122) zur Auswertung der von den vernetzten Fahrzeugen empfangenen Geschwindigkeitsinformationen, zur Berechnung von Verteilungsfunktionen (20) und die Verteilungsfunktionen (20) cha- rakterisierenden Kennzahlen (Q) anhand der von den vernetzten Fahrzeugen (10) empfangenen Informationen,
- einer Speichereinrichtung (124) zur Speicherung zumindest der Kennzahlen (Q) der Verteilungsfunktionen (20),
- einer Sendeeinrichtung (125) zur Übermittlung von ge- speicherten Kennzahlen oder berechneten Informationen an vernetzte Fahrzeuge (10) .
13. Prädiktionssystem gemäß Anspruch 12,
wobei die Auswerteeinrichtung (122) ferner eingerichtet ist, die Geschwindigkeitsinformationen, Verteilungsfunktionen (20) oder Kennzahlen (Q) mit Ortsdaten zu verknüpfen . 14. Prädiktionssystem gemäß einem der Ansprüche 12 oder 13, mit einer Routenprädiktionseinrichtung (102) zur Prädiktion einer von einem Fahrzeug (10) zukünftig gefahrenen Route.
15. Prädiktionssystem gemäß Anspruch 14, mit einer Ge- schwindigkeitsprädiktionseinrichtung (123, 103) zur
Prädiktion der Fahrzeuggeschwindigkeit entlang einer mit der Routenprädiktionseinrichtung (102) prädizierten Fahrzeugroute gemäß einem Verfahren gemäß einem der Ansprüche 6 bis 9.
PCT/EP2017/081068 2016-12-12 2017-11-30 Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie Ceased WO2018108559A2 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201780076736.9A CN110036424B (zh) 2016-12-12 2017-11-30 用于预测未来的速度轨迹的速度信息的存储
US16/464,968 US20190295412A1 (en) 2016-12-12 2017-11-30 Operating Systems for Vehicles

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102016224710.7 2016-12-12
DE102016224710 2016-12-12
DE102017209667.5A DE102017209667A1 (de) 2016-12-12 2017-06-08 Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
DE102017209667.5 2017-06-08

Publications (2)

Publication Number Publication Date
WO2018108559A2 true WO2018108559A2 (de) 2018-06-21
WO2018108559A3 WO2018108559A3 (de) 2018-08-16

Family

ID=62201918

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/081068 Ceased WO2018108559A2 (de) 2016-12-12 2017-11-30 Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie

Country Status (4)

Country Link
US (1) US20190295412A1 (de)
CN (1) CN110036424B (de)
DE (1) DE102017209667A1 (de)
WO (1) WO2018108559A2 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019215380A1 (de) * 2019-10-08 2021-04-08 Continental Automotive Gmbh Verfahren zur Prädiktion einer Geschwindigkeit eines Fahrzeugs

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019017253A1 (ja) * 2017-07-18 2019-01-24 パイオニア株式会社 制御装置、制御方法、およびプログラム
DE102017220420B3 (de) * 2017-11-16 2019-04-18 Continental Automotive Gmbh Verfahren zum Erzeugen einer Verkehrsinformationssammlung, Verkehrsinformationssammlung, Sammeleinrichtung mit einer Verkehrsinformationssammlung und Fahrerassistenzeinrichtung
US10676088B2 (en) * 2018-06-08 2020-06-09 GM Global Technology Operations LLC Powertrain control system and method of operating the same
US11794757B2 (en) * 2018-06-11 2023-10-24 Colorado State University Research Foundation Systems and methods for prediction windows for optimal powertrain control
US11572079B2 (en) * 2019-04-25 2023-02-07 WeRide Corp. Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium
GB2587454B (en) * 2019-05-29 2021-12-29 Motional Ad Llc Estimating speed profiles
DE102019215376A1 (de) * 2019-10-08 2021-04-08 Continental Automotive Gmbh Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs
DE102019215587A1 (de) * 2019-10-10 2021-04-15 Continental Automotive Gmbh Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing
US11561543B2 (en) * 2019-12-11 2023-01-24 Baidu Usa Llc Speed planning using a speed planning guideline for idle speed of autonomous driving vehicles
WO2022081082A1 (en) * 2020-10-16 2022-04-21 Grabtaxi Holdings Pte. Ltd. Method, electronic device, and system for predicting future overspeeding
US11995983B2 (en) 2020-10-16 2024-05-28 Grabtaxi Holdings Pte. Ltd. Method, electronic device, and system for detecting overspeeding
DE102021201063B4 (de) 2021-02-04 2024-07-11 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Systems für ein zumindest teilweise assistiert betriebenes Kraftfahrzeug, Computerprogrammprodukt sowie System
DE102021211405A1 (de) 2021-10-11 2023-04-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Steuergerät zum Absichern von Messdaten zumindest eines Sensors eines Fahrzeugs
DE102022002337B3 (de) 2022-06-28 2023-11-02 Mercedes-Benz Group AG Verfahren zur Ermittlung und Bereitstellung einer zulässigen Höchstgeschwindigkeit für Fahrzeuge und Verwendung des Verfahrens
DE102022206914A1 (de) 2022-07-06 2024-01-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Bestimmung einer geeigneten Kurvengeschwindigkeit von Fahrzeugen, Vorrichtung zur Durchführung desselben und dessen Verwendung
US12246747B2 (en) * 2023-05-31 2025-03-11 Plusai, Inc. Adaptive and fuel efficient planning and control
DE102023124125B3 (de) 2023-09-07 2025-01-23 Cariad Se Längsregelung eines Kraftfahrzeuges mittels eines Fahrerassistenzsystems
DE102024003044A1 (de) 2024-09-19 2025-06-05 Mercedes-Benz Group AG Verfahren zum Bestimmen einer Sollgeschwindigkeit für ein Kraftfahrzeug, Kraftfahrzeug und System

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130274956A1 (en) 2010-06-07 2013-10-17 Ford Global Technologies, Llc System and Method for Vehicle Speed Monitoring Using Historical Speed Data

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100337256C (zh) * 2005-05-26 2007-09-12 上海交通大学 城市路网交通流状态估计方法
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
CN101373559B (zh) * 2007-08-24 2010-08-18 同济大学 基于浮动车数据评估城市路网交通状态的方法
CN101344937A (zh) * 2007-11-16 2009-01-14 武汉理工大学 基于地理信息系统的水上交通风险评价及预测方法
US20110313633A1 (en) * 2010-06-18 2011-12-22 Nath Gary M Device for navigating a motor vehicle and a method of navigating the same
DE102012212740A1 (de) * 2012-07-19 2014-05-22 Continental Automotive Gmbh System und Verfahren zum Aktualisieren einer digitalen Karte eines Fahrerassistenzsystems
KR101485346B1 (ko) * 2012-11-16 2015-01-27 한국전기연구원 가변속 풍력터빈의 특성 파라미터를 산출하기 위한 장치 및 그 방법
JP2014143646A (ja) * 2013-01-25 2014-08-07 Nippon Telegr & Teleph Corp <Ntt> 動きベクトル検出装置及び動きベクトル検出プログラム
CN103942950A (zh) * 2014-04-26 2014-07-23 张兴 一种干线公路冰雪环境下交通运行可靠度预测方法
US10137972B2 (en) * 2014-07-28 2018-11-27 Furuno Electric Co., Ltd. Vessel characteristic estimation device and automatic steering device
CN106022239A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于循环神经网络的多目标跟踪方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130274956A1 (en) 2010-06-07 2013-10-17 Ford Global Technologies, Llc System and Method for Vehicle Speed Monitoring Using Historical Speed Data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TOBIAS MAUK: "Dissertation", 2011, UNIVERSITÄT STUTTGART, article "Selbstlernende zuverlässigkeitsorientierte Prädiktion energetisch relevanter Größen im Kraftfahrzeug"

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019215380A1 (de) * 2019-10-08 2021-04-08 Continental Automotive Gmbh Verfahren zur Prädiktion einer Geschwindigkeit eines Fahrzeugs

Also Published As

Publication number Publication date
CN110036424A (zh) 2019-07-19
CN110036424B (zh) 2021-12-07
WO2018108559A3 (de) 2018-08-16
DE102017209667A1 (de) 2018-06-14
US20190295412A1 (en) 2019-09-26

Similar Documents

Publication Publication Date Title
WO2018108559A2 (de) Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie
EP3913329B1 (de) Verfahren zur vorhersage zukünftiger fahrbedingungen für ein fahrzeug
DE102015202859B4 (de) Abtastsystem und -verfahren für autonomes Fahren
EP3625785B1 (de) Verfahren zum erzeugen einer überholwahrscheinlichkeitssammlung, verfahren zum betreiben einer steuereinrichtung eines kraftfahrzeugs, überholwahrscheinlichkeitssammeleinrichtung und steuereinrichtung
DE102015202367A1 (de) Autonome steuerung in einer dichten fahrzeugumgebung
DE102016122402A1 (de) Verfahren und vorrichtung zur vorhersage eines kraftstoffverbrauchs und zur kostenschätzung über schwarmabtastung in einem fahrzeugnavigationssystem
EP2507588B1 (de) Verfahren und steuergerät zur steuerung eines hybridantriebs eines fahrzeugs
DE102014205252A1 (de) Verfahren zum Steuern eines Hybridantriebs eines Fahrzeugs, fahrzeugseitige Vorrichtung und Zentralrechner
DE102017201456B4 (de) Personalisierte navigationsstrecke für transportvorrichtungen
EP2856452A1 (de) Erkennung von richtungsfahrbahnen
DE102022121601A1 (de) Ki-basierte karte für verfügbarkeit eines fahrassistenzsystems
DE102010007091A1 (de) Verfahren zur Positionsermittlung für ein Kraftfahrzeug
DE102017216202A1 (de) Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße
DE102009007350A1 (de) Fahrzeug-Fahrzeug-Kommunikationsvorrichtung und Fahrzeug-Fahrzeug-Kommunikationsverfahren
WO2020020621A1 (de) Verfahren und vorrichtung zur reichweitenschätzung für ein fahrzeug
EP3433580A1 (de) Verfahren und vorrichtungen zum bereitstellen von daten für ein fahrerassistenzsystem eines kraftfahrzeugs
EP2662846A1 (de) Verfahren zum Reduzieren einer Staugefahr
WO2019034552A1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zum verarbeiten von daten in einem kraftfahrzeug für einen versand an ein backend
DE102022107026A1 (de) Datenerfassung von einer fahrzeugflotte
DE102012210454A1 (de) Verfahren und Vorrichtung zur Bereitstellung von Daten für einen elektronischen Horizont für ein Fahrerassistenzsystem eines Fahrzeugs
DE102018117830A1 (de) Digitale Umfeldkarte mit Sensorreichweiten
DE102012201156B4 (de) Verfahren, Datenverarbeitungsvorrichtung und Computerprogramm zum Bereitstellen von einer Geschwindigkeitswarnungsinformation für ein Navigationsgerät
DE102015211910A1 (de) Verfahren und Anordnung zur Routenführung von Fahrzeugen im Straßenverkehr
DE102010038989A1 (de) Verbrauchsbestimmung
DE102021207021A1 (de) Computerimplementiertes Verfahren und Hardwaremodul zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch, computerimplementiertes Verfahren und Hardwaremodul zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch, sowie entsprechende Computerprogrammprodukte

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: 17808870

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17808870

Country of ref document: EP

Kind code of ref document: A2