WO2018215419A1 - Verfahren zum prognostizieren zumindest eines ampelschaltzustands während einer fahrt eines kraftfahrzeugs sowie steuervorrichtung, kraftfahrzeug und servervorrichtung - Google Patents

Verfahren zum prognostizieren zumindest eines ampelschaltzustands während einer fahrt eines kraftfahrzeugs sowie steuervorrichtung, kraftfahrzeug und servervorrichtung Download PDF

Info

Publication number
WO2018215419A1
WO2018215419A1 PCT/EP2018/063317 EP2018063317W WO2018215419A1 WO 2018215419 A1 WO2018215419 A1 WO 2018215419A1 EP 2018063317 W EP2018063317 W EP 2018063317W WO 2018215419 A1 WO2018215419 A1 WO 2018215419A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic light
motor vehicle
frequency distribution
breakpoint
triggering event
Prior art date
Application number
PCT/EP2018/063317
Other languages
English (en)
French (fr)
Inventor
Thomas Wölfl
Original Assignee
Continental Automotive Gmbh
Ostbayerische Technische Hochschule Regensburg
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 Gmbh, Ostbayerische Technische Hochschule Regensburg filed Critical Continental Automotive Gmbh
Priority to CN201880033968.0A priority Critical patent/CN111033594B/zh
Priority to EP18727748.8A priority patent/EP3631778A1/de
Priority to US16/616,474 priority patent/US20200143674A1/en
Publication of WO2018215419A1 publication Critical patent/WO2018215419A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/096—Arrangements for giving variable traffic instructions provided with indicators in which a mark progresses showing the time elapsed, e.g. of green phase
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18027—Drive off, accelerating from standstill
    • 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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/095—Traffic lights
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Definitions

  • Method for forecasting at least one traffic light switching state during a journey of a motor vehicle as well as control device, motor vehicle and server device
  • the invention relates to a method for predicting or forecasting a traffic light switching state of a traffic light.
  • the prognosis can be riding ⁇ found during a drive of a motor vehicle.
  • a disadvantage in the modeling of the switching behavior of a single traffic light is that although the relative switching times can be determined within a switching cycle, but the absolute times at which a traffic light switches, are not known. So approaching a motor vehicle traffic lights and it is not known at what stage of the switching cycle is even, then, can not be her mask before ⁇ means of such a model when the light turns next time because the model is synchronized only with the traffic lights got to.
  • the invention provides a method for forecasting or predicting a traffic light switching state of at least one traffic light.
  • the method is initially described below for a single traffic light.
  • the procedure can be extended accordingly for several traffic lights.
  • the method predicts the traffic light switching state for a motor vehicle that travels along a driving route ahead of the traffic light and leading to the traffic light.
  • By means of the method it is possible to perform said "synchro nize ⁇ " in a switching cycle of the traffic lights so that the current phase of the switching cycle is known.
  • the syn chronization is done at a holding point along the
  • the route is preceded by the traffic light, so is first passed by the power ⁇ vehicle before the motor vehicle approaches the traffic light.
  • the synchronization is based on a triggering event at the breakpoint.
  • the triggering event may be, for example, driving off or starting at the breakpoint.
  • the switching ⁇ behave.
  • the forecast of the switching behavior refers to the expected passage direction in which the traffic light will be passed by the vehicle.
  • the switching behavior is described by means of a frequency distribution.
  • the frequency distribution indicates a respective number of traffic light switching states (eg, "red” or "green") observed in the past for different time intervals that have elapsed since the triggering event.
  • the frequency distribution thus relates relatively to the event time of the triggering event.
  • a time interval For example, you can specify: 10 seconds after the triggering event or 20 seconds after the triggering event or 30 seconds after the triggering event.
  • Each time interval is assigned by the frequency distribution, how often or with what probability a certain traffic light switching state exists (eg "75% red", "80% red”).
  • the frequency can be used to convert the probability, for example, by assigning the largest number a probability value of 100% or 1 and the remaining values a smaller probability value in proportion to it.
  • the frequency distribution only indicates in which time interval (in relation to the event time point) this traffic light has which traffic light switching state.
  • the frequency distribution takes into account the passage direction at the traffic light. For example, it is distinguished whether at the traffic light the traffic light switching state for a straight ahead or for
  • the passage direction thus indicates via which possible breakpoint of the intersection the motor vehicle reaches the intersection and to which next stop of the next traffic light the motor vehicle leaves the intersection.
  • the method provides that at the breakpoint the triggering event is actually detected and an arrival time is determined at the traffic light and is predicted on the basis of the frequency distribution of the traffic light switching state for the expected passage direction and for the calculated time of arrival. Determining may be computation or may be by sorting or searching within the frequency distribution.
  • Trigger event is detected, a traffic light switching state of a following on the route or downlink traffic lights for a particular passage direction and for vo ⁇ expected arrival time can be predicted or forecast.
  • the invention also includes developments, the characteristics of which provide additional advantages. Approaches a motor vehicle of a junction, so must to
  • Predicting the traffic light switching state are determined in which passage direction the motor vehicle will pass the traffic light, ie where the route will lead along.
  • a Wei ⁇ tertician provides that as the passage toward a likely route or signaled by a Navigati ⁇ ons Rhein the motor vehicle route is used. For example, the most probable route may be along a major road, ie the largest road may be used. It can also provide traffic statistics to determine the most likely
  • a refinement provides that a matrix is provided which, starting from a plurality of possible stopping points, indicates a respective frequency distribution of the traffic light switching state for possible passage directions, in each case for at least one subsequent traffic light.
  • the matrix preferably indicates in the lines the breakpoints with observed trigger events and in the columns breakpoints at the subsequent traffic lights together with a passage direction / turn direction after the traffic light.
  • the passage direction can be designated or specified with the next breakpoint, which follows the departure point at the breakpoint of the current traffic light in the respective passage direction.
  • the cells of the matrix thus give a frequency distribution of the traffic light state of the subsequent traffic light together with the passage direction (column) for different time intervals, which in the
  • a frequency distribution is provided for at least one further stopping point along the route to another triggering event, and the frequency distributions of each stopping point at which the respective triggering event was detected are combined to predict the traffic light switching state by the frequency distribution of the last stopping point with detected triggering event is determined and each remaining frequency distribution is adjusted with a respectively associated time offset which corresponds to the travel time actually observed during the respective journey up to the triggering event at the last breakpoint, ie the departure at the last breakpoint. speaks. So it always counts the start at the last stop with stop / stop. All other breakpoints with a start after a stop / stop are related to the last start / stop (triggering event) over the time offset.
  • the said individualized most probable path can also be determined. For this purpose, it is only necessary, the frequency distributions stored in the matrix for each passage direction regardless of the Sum up time component. In this case, one can restrict the summation to the proportions of the frequency distributions originating from the driver, the motor vehicle or several or all participating vehicles.
  • Stop phase or red phase at the traffic light or during driving in the direction of or near the traffic light an actual traffic light switching state of the traffic light is detected and based on the respectively detected actual traffic light switching state and the respective time interval since detecting the triggering event at one in the respective trip upstream breakpoint the associated frequency distribution is updated. It is therefore counted during a hold phase or red phase at the traffic light, i. updated in the frequency distribution, the number of observed traffic lights switching states. It should be noted here that during a single journey it is preferable to determine not only for a single point in time the then detectable actual traffic light switching state, but for a whole time interval, i. for several times or more time intervals, in each case the actual traffic light switching state is determined. So stops the motor vehicle at the traffic light, so this is obviously red, so for the
  • the frequency distribution can be detected by repeated passing or driving off the route.
  • a threshold value it can be specified here from when this frequency distribution is accepted as valid, ie contains enough empirical observation data. For example, this can be based on the number of actually detected time intervals of traffic light switching states.
  • the Frequency ⁇ distribution (eg via a histogram estimated) can therefore be completely rebuilt. There is no pre-assignment needed. Only when a quality criterion such. B. "More than x observations" (x is the threshold) is reached, the histogram is used.
  • a refinement provides that the actual, actual traffic light switching state of the traffic light is detected even during an approach to the traffic light by means of a detection device and the frequency distributions are updated on the basis of the detected actual traffic light switching state.
  • the current actual traffic light switching state of the respective traffic light is detected together with the respective passage direction (eg green right-turn arrow with red main traffic light) and the frequency distribution is updated on this basis. If the detection device does not provide this accuracy, it is also possible to update the update of the frequency distribution only after the observed passage of the vehicle through the intersection.
  • the traffic light condition data eg camera images of the traffic light
  • the observed behavior of the motor vehicle eg, "stopped and then left bent”
  • a refinement provides that from at least one further motor vehicle, status data regarding a respective actual traffic light switching state of the traffic light detected by the further motor vehicle, e.g.
  • the frequency distributions are updated based on the status data.
  • the traffic light switching state can also be predicted if it is not within the detection range of the motor vehicle itself, because this has never passed the traffic light, for example.
  • the status data for example: a) the complete frequency distributions can be transmitted from the other vehicles and these can be transferred to the corresponding (same breakpoint and same traffic light with the same stoplight) Passage direction) are added to their own frequency distributions; (b) extracts from the other vehicles extracts of a frequency distribution from a certain point in time of the past; Remainder as a); c) instead of the frequency distributions, the driving observations can be transmitted from the other vehicles (starting at GPS position XY1 and Hl clock.
  • the invention In connection with the use of several motor vehicles for generating the frequency distributions, the invention also provides for a central recording of the status data and redistribution from / to the connected vehicles.
  • a server device for operating, for example, on the Internet is provided by the invention.
  • the server apparatus is adapted from a plurality of vehicles each driving data relating to a predetermined triggering event at a breakpoint and to ⁇ status data relating to a respective detected by the motor vehicle traffic signal state of a passed in a passage direction of traffic light with time data relating to receive a respective detection time of the detected traffic light switching state and with reference to the Condition data and the time data of all motor vehicles to the trigger event and the passage ⁇ direction to produce and provide a frequency distribution, the frequency distribution a respective number the observed traffic light switching states for various time intervals ⁇ Liche indicating that have passed since the trigger event.
  • the server device may be based on a computer or a computer network. The described method steps can be performed by the server device on the basis of a computer program for the server device.
  • the frequency distribution described so far provides that the switching cycle of each traffic light is operated unchanged. But there are also traffic lights whose switching cycle is switched over during the course of the day and / or on certain days.
  • a refinement provides that the frequency distribution is made up of a plurality of frequency distributions, which are provided for different absolute time intervals, for example, times of the day (morning, noon, afternoon, evening, night, respectively defined by start and end times) or days of the week depending on the date and / or or the time is selected.
  • another of Häufmaschinesvertei ⁇ ments is depending on at what time intervals (eg, time of day, day of week), the motor vehicle is traveling or moving, they used.
  • the said server device or the control device of the motor vehicle can generate these frequency distributions using, for example, a cluster analysis from the acquired state data with time data of many motor vehicles, namely for each observed switching frequency.
  • time-variable traffic light controls can be considered.
  • a traffic density indication can be taken into account, as can be provided, for example, by a traffic service, for example via the Internet.
  • a traffic service for example via the Internet.
  • Traffic-controlled traffic lights can be taken into account, which react to the traffic density.
  • the said breakpoint for which the triggering event is defined should be chosen such that there is a possible breakpoint
  • Tripping event correlated with the switching cycle of the subsequent traffic light is provided as a stopping point and the off ⁇ solvent event is a starting off on the upstream traffic.
  • the triggering event is then a start-up of the motor vehicle after the green light of the traffic light. This can be detected, for example, based on the driving speed of the motor vehicle. Is a possible criterion for this is that for a predetermined minimum period of time, for example 1 second, the driving speed consistently greater than a predetermined Min ⁇ least speed, for example 1 m / s, salmuss after previously a predetermined minimum holding time (standstill) to the Hal ⁇ point has been recognized.
  • traffic lights are synchronized with respect to their switching behavior so that the unique Detek- animals of the triggering event (green switching a first traffic light) a forecast of the traffic signal state of or several subsequent traffic lights.
  • a possible alternative breakpoint may be, for example, a railroad crossing, in which case the triggering event may be the opening of the railway barrier.
  • a possible breakpoint may be a bascule bridge or lift bridge on a river, in which case the triggering event may be the release of the bridge after a lockout.
  • this control in the motor vehicle can be done predictively. For example, it may be provided that in
  • Red / green phase estimates are integrated into the vehicle trajectory, for example in the said server device (which is incorporated in the Motor vehicle can be charged) in order to proactively supply the electrical system with energy, preferably including heating / cooling (predictive battery charging).
  • Driver receives the notice / information that the next / subsequent traffic light is red and can then make phone calls or use a smartphone. Before the traffic light is switched, an indication that the traffic light 'jumps' or switches over is output.
  • a control device is provided by the invention. This has a processor device which is set up to carry out an embodiment of the method according to the invention.
  • the processor device may be formed on the basis of a micro-processor or microcontroller.
  • the method may be implemented on the basis of a program code for mito ⁇ means.
  • the control device may be configured as a control device for the motor vehicle.
  • the control device can also be distributed as a device for partial installation in the motor vehicle and the partial operation outside the motor vehicle, for example on the Internet out ⁇ staltet. On the Internet, this part of the control device can be performed, for example, by said server device.
  • the Ser ⁇ vervorraum eg to operate on the Internet. It is adapted to generate the said frequency distribution by means of exemplary meh ⁇ motor vehicles, or by use of multiple vehicles.
  • FIG. 1 is a schematic representation of an embodiment of the motor vehicle according to the invention
  • FIG. 2 shows a sketch for illustrating an exemplary driving situation of the motor vehicle of FIG. 1;
  • Fig. 3 is a diagram with a schematic course of a
  • Fig. 4 is a diagram with schematic progressions of two
  • Fig. 5 is a diagram for illustrating the generation of a
  • FIG. 6 shows a schematic representation of a matrix for providing a plurality of frequency distributions for different breakpoints at which a triggering event was detected, and different ones
  • the exemplary embodiment explained below is a preferred embodiment of the invention.
  • the described components of the embodiment each represent individual features of the invention that are to be considered independently of one another, which also each independently further develop the invention and thus also individually or in a different combination than the one shown as part of the invention.
  • the described embodiment can also be supplemented by further features of the invention already described.
  • Fig. 1 shows a motor vehicle 10, which may be, for example, a motor vehicle, especially a passenger car.
  • the motor vehicle 10 is traveling along a route 11. It is shown that the motor vehicle 10 must stop at a traffic light 12 because the traffic light 12 is switched to red.
  • a stop position at a traffic light 12 represents a breakpoint 13, which is alternatively designated as breakpoint A for the further description of the exemplary embodiment. If the traffic light 12 switches from red to green and the
  • this Losfahren represents a triggering event 14.
  • a control device 15 upon detection or detection of the triggering event 14 select a frequency distribution 16, which indicates in the control device 15, to which future
  • Time points from the triggering event 14, at least one further, downstream of the route 11 traffic lights lying a be ⁇ voted traffic light switching state for a particular passage ⁇ direction will have. Accordingly, the control device 15 also determines a time period 17 since the triggering event
  • control device 14 ie since the detection time at which it has detected the triggering event 14.
  • the 15 may determine the estimated time of arrival at the next traffic light and then use the frequency distribution 16 for the arrival time to predict the traffic light switching state that is then likely to be present for one or all of the passing directions at this traffic light.
  • the control device 15 for example, generate a control signal 18 for a vehicle component 19, thereby the vehicle components 19 on a driving behavior of the motor vehicle 10, as it will be enforced by the traffic light ⁇ switching state of the subsequent traffic lights, prepare.
  • the vehicle component 19 may be, for example, an internal combustion engine of a hybrid drive of the motor vehicle 10.
  • a Kommunikati ⁇ ons driven 20 for providing a communication link 21 to a server device 22 of the Internet 23 and / or a communication link 24 to a forward-moving (not shown) other motor vehicle. From the server device 22, the control device 15 may, for example, have received the frequency distribution 16.
  • a vehicle may also be a data source.
  • the communication ⁇ connections 21, 24 may, for example, a mobile radio module and / or a wireless radio module (WLAN - Wireless Local Area Network) include.
  • the vehicle 10 may further comprise an environment sensor 25, for example a camera, by means of which the ak ⁇ tual, actual traffic light switching state of at least one traffic light can be detected.
  • the triggering event 14 can also be detected by means of the environmental sensor 25, that is to say the green switching of the traffic light 12.
  • the control device 15 can also detect the triggering event 14 using, for example, status data of the motor vehicle 10 itself, for example based on a time profile of the value A particular advantage arises when the environmental sensor can detect the red phase already in the approach in front of the traffic light. Then, before the stop, the red phase of the traffic light can be entered in the frequency distributions of the predecessor stop points.
  • the vehicle 10 may further include a data memory 26 in which the frequency distribution 16 may be stored.
  • the actual traffic light switching state of a traffic light 12 determined by means of the environmental sensor 25 and / or on the basis of, for example, the driving speed V can be signaled to the server device 22 via the communication link 21 in the form of status data 27.
  • the traveled route 11 and stopping points 13 and tripping events 14 can be detected.
  • the driving data may also be sent to the server device 22. It should be noted that only after passing through the traffic light in a certain passage direction and the achievement or passing of the next breakpoint these data are available for a third party. That's why it should be transferred later, when all data is available.
  • the server device 22 may be e.g. on the basis of the state data 27 with the time data and the travel data of the
  • the motor vehicle 10 is, as explained in connection with FIG. 1, at the traffic light 12, which here represents the breakpoint 13 (A).
  • the route 11 leads the motor vehicle 10 via three intersections Kl, K2, K3.
  • a distinction is made as to which stopping point 13 the vehicle 10 enters into the intersection and to what next stopping point (13 ⁇ ) the motor vehicle 10 leaves the intersection K 1 again.
  • the combination of the stopping point 13 at the leading road 29 and the next possible stopping point 13 ⁇ represents a passage direction or short passage AI over the intersection Kl.
  • the passage AI is thus the combination of breakpoint A and the next breakpoint E.
  • the passage AI as provided by the route 11 shown, thus corresponds to the combination AI: A - E; a passage A2 corresponds to the combination A2: E - H and a passage A3 of the combination A3: H - L.
  • Fig. 3 illustrates a possible embodiment of the ⁇ be signed frequency distribution 16 as a histogram. ones shown, represents is a diagram for time 17, namely a time interval ⁇ since the triggering event 14, a number 31 or frequency of the observed in the past Am ⁇ pelschaltParks S (here "red") of the next traffic light 32 along the route 11 (transit A2) may state. this can to ⁇ stand number 31 as a probability P for interpreted in ⁇ that the traffic light is switched red to the respective time interval ⁇ 32.
  • the traffic light 32 is the one that is A2 relevant for the passage, so This is illustrated in Fig. 3 by the indication of the passage A2: E - H.
  • the detection instant TO of the triggering event 14 corresponds in the frequency distribution 16 to the time 0 of the diagram, where the triggering event 14 at the breakpoint 13 (A)
  • the frequency distribution 16, as shown in Fig. 3, indicates that from a time period 17 with the value 40 sec unden after the detection time TO the traffic light 32 could turn red.
  • the control device 15 can determine, on the basis of the driving speed V, an arrival time 33 at which the motor vehicle 10 will reach the traffic light 32.
  • the current vehicle position and a position of the traffic light 32 can be identified, for example, on the basis of GPS data and navigation data.
  • On the basis of the frequency distribution 16 may be the arrival time 33, the associated probability P for the traffic signal state "Red" is read out. In the example it is indicated that the arrival time 33, a true ⁇ probability P is determined by 75% for red. Tracking the Motor vehicle 10 faster, so there is a scrubier- shift 33 ⁇ of the arrival time 33. If the motor vehicle drives more slowly, there is a forward shift 33 "of the arrival time 33rd
  • the frequency distribution 16 may be in the example, a histogram 34, respectively, the frequency or the number indicating for predetermined time intervals 35 31 about the fact that a prior ⁇ certain traffic signal state (for example, "red") has been observed. May for example by means of a from the histogram parametric Function, for example, a sum of Gaussian functions (SOG - Sum of Gaussians) a smoothed course 34 ⁇ be provided as a frequency distribution 16.
  • the frequency distribution may alternatively be based on a method of machine learning or machine learning, for example by means of an SVM (Support Vector Machine). For this purpose, the status data 27 with the time data may have been used as training data.
  • a red threshold R and a green threshold G e.g. the control signal 18 for starting or stopping the internal combustion engine are generated.
  • the control signal 18 for starting or stopping the internal combustion engine can be generated.
  • the control signal 18 for starting or stopping the internal combustion engine can be generated.
  • Green threshold G an expected or (after reaching the traffic light 32) a remaining waiting time W to the green-switching the traffic light 32 are forecasted.
  • a driver of the force ⁇ vehicle 10 may be given a driving instruction for changing the vehicle speed V when approaching the traffic light 32 in order to move the arrival time 33 by shifting 33 33 ⁇ ⁇ in a green phase of the traffic light 32.
  • the frequency distribution 16 may, for example, have been determined by the server device 22 on the basis of the said driving data, the status data 27 with the time data of a plurality of motor vehicles.
  • the control device 15 of the motor vehicle 10 may also have generated the frequency distribution 16 exclusively on the basis of its own observation data.
  • FIG. 4 further illustrates that at breakpoint A not only for the next traffic light 32 (passage A2), but also for at least one further traffic light 32 ⁇ along the route 11 (see FIG. 2) there is also a frequency distribution 16 ⁇ with a number 31 on observations, ie a probability P for whose traffic light state S can be specified. In the underlying example, this is the traffic light 32 ⁇ for the passage A3: H - L.
  • the frequency distribution 16 ⁇ provided for this purpose starts from the breakpoint A (breakpoint 13) and the triggering event 14 that was detected at the detection time TO.
  • the motor vehicle 10 must also stop at the stop E (stop 13 ⁇ ) at the traffic light 32 for the passage A2, because the traffic light 32 is switched to red, then the subsequent green-switching the traffic light 32 for the breakpoint 13 ⁇ the traffic light 32nd also represent a triggering event 14 ⁇ .
  • the control device 15 can now generate a combined frequency distribution 16 ⁇ ⁇ ⁇ based on both frequency distributions 16 16 ⁇ ⁇ by an overlay 35 (symbolized by a + symbol in FIG. 4), which includes both the frequency distribution 16 ⁇ and the frequency distribution 16 ⁇ ⁇ considered.
  • the overlay can be done by summing up the counted number 31 of observations.
  • the frequency distributions 16 16 ⁇ 'must be related to one another in terms of time. This can be done on the basis of the detection times TO and Tl by measuring the travel time TF.
  • the frequency distribution is 16 ⁇ based on the last-determined frequency distribution ⁇ ⁇ 16 or moved on the basis of the traveling time TF.
  • FIG. 5 illustrates how the state data 27 with the time data can be determined by the motor vehicle 10 by way of example. It is assumed here that the frequency distribution 16 should first be generated for the route 11.
  • the traffic light 12 switches to green, this is detected by the motor vehicle 10 as the trigger event 14, and thus the measurement of the time period 17 is started, that is to say the time difference ⁇ since the detection time TO.
  • an absolute time specification can be given, in the example Friday FR, with the month m, the day d, the hour h and the minutes min. Since a passage 37 results without stopping, the feature vector 36 is formed in the example only for one time.
  • a feature vector 36 for the passage A3 are generated.
  • three feature vectors 36 are indicated for a waiting period of 3 seconds.
  • a feature vector 36 with the traffic light switching state S of the value GREEN can be generated if the traffic light 32 ⁇ switches to green at this time and drives off 39 is possible.
  • the environment sensor 25 can be generated by the subsequent traffic light is detected, for example, with the environment sensor 25, for example, filmed and recognized by an image processing method, the light condition of the traffic light. Also from a preceding vehicle can via the communication link 24, for example by means of a
  • Car2Car communication conditional data received from this vehicle ahead vehicle at different observation times or durations 17 detected traffic light switching states.
  • the feature vectors 36 are suitable for training an SVM.
  • the histogram 34 (see FIG. 3) can also be generated or updated.
  • the light switching states S of the following along the route 11 lights 32, 32 ⁇ can then speed distribution by means of the fre- be predicted 16, ie it can be specified, in which time the motor vehicle needs to stop 10, because the respective traffic lights 32, 32 ⁇ red is switched.
  • the frequency distributions 16, 16 16 can also be used to at a red traffic light, 32, 32 ⁇ tifug to predict- when this is turned green again. It may by a threshold comparison with thresholds L0, LI, L2 (see Fig.
  • machine learning eg an SVM
  • the respective result can also be provided with a confidence value there, for example from a distance measurement in an SVM or from an SVM
  • control device 15 and / or the server device 22 autonomously “learns" the missing or new traffic light switching times from the change.Alternated data that is older than one can also be automatically acquired predetermined maximum age are discarded, thereby allowing for the "forgetting" of potentially outdated data.
  • FIG. 6 illustrates how a plurality of frequency distributions 16, 16 ⁇ , 16 "can be provided and / or managed for updating by means of a matrix 40.
  • a plurality of breakpoints 41 in each case a plurality of passages 42 reachable by the respective breakpoint 41, data for a respective histogram 16, 16 16 "are provided and / or stored and / or managed. If a motor vehicle at a specific break point 41, a triggering event has be ⁇ ob drill 10 and then 42 new state data 27 will send a subsequent passage, the 28, they may be for respectively updating the associated histogram 16, 16 16 "is used.
  • this matrix 40 can also be used for the prognosis. Observes the motor vehicle 10 at a breakpoint 41 a trigger event and a passage 42 is expected, the associated histogram 16, 16 16 ⁇ ⁇ can be read from the matrix 40. Can in the manner described then to an estimated arrival time 33 (see Fig. 3) has a plausibility ⁇ friendliness for the traffic light state S from the histogram are determined.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Prognostizieren eines Ampelschaltzustands (S) einer Ampel (32) für eine erwartete Durchfahrtsrichtung (A2), in welcher die Ampel (32) von einem Kraftfahrzeug (10) während einer Fahrt passiert werden soll, wobei für einen vorbestimmten Haltepunkt (13) auf einer Fahrstrecke (11) vor der Ampel (32) ein Auslöseereignis (14) definiert ist und zu dem Auslöseereignis (14) und der erwarteten Durchfahrtsrichtung (A2) eine Häufigkeitsverteilung (16) bereitgestellt wird, welche eine jeweilige Anzahl (31) von in der Vergangenheit beobachteten Ampelschaltzuständen (S) für verschiedene, zeitliche Abstände (ΔΤ), die seit dem Auslöseereignis (14) vergangen sind, angibt und an dem Haltepunkt (13) das Auslöseereignis (14) tatsächlich detektiert wird und eine Ankunftszeit (33) an der Ampel (32) berechnet wird und anhand der Häufigkeitsverteilung (16) der Ampelschaltzustand (S) für die betrachtete Durchfahrtsrichtung (A2) für die Ankunftszeit (33) prognostiziert wird.

Description

Beschreibung
Verfahren zum Prognostizieren zumindest eines Ampelschaltzu- stands während einer Fahrt eines Kraftfahrzeugs sowie Steu- ervorrichtung, Kraftfahrzeug und Servervorrichtung
Die Erfindung betrifft ein Verfahren zum Voraussagen oder Prognostizieren eines Ampelschaltzustands einer Ampel. Die Prognose kann während einer Fahrt eines Kraftfahrzeugs be¬ reitgestellt werden.
Aus der DE 102013223022 AI ist ein statistisches Modell bekannt, das auf der Grundlage eines Kalman-Filters ein Schaltverhalten einer Ampel modellieren kann.
Nachteilig bei der Modellierung des Schaltverhaltens einer einzelnen Ampel ist, dass zwar die relativen Schaltzeiten innerhalb eines Schaltzyklus ermittelt werden können, aber die absoluten Zeitpunkte, zu welchen eine Ampel schaltet, nicht bekannt sind. Nähert sich also ein Kraftfahrzeug einer Ampel und ist nicht bekannt, in welcher Phase sich der Schaltzyklus gerade befindet, so kann mittels eines solchen Modells nicht vor¬ hergesagt werden, wann die Ampel das nächste Mal schaltet, weil das Modell erst mit der Ampel synchronisiert werden muss.
Aus der DE 102011 083 677 AI ist bekannt, auf der Grundlage einer simulierten Fahrt eine zukünftige Verkehrssituation zu prognostizieren. Hierbei werden zum einen historische Daten zur Ermittlung von statistischen Verkehrseigenschaften und zum anderen eine Angabe zum aktuellen Zustand des Fahrzeugs, d.h. zum Beispiel seine Position und/oder Fahrgeschwindigkeit, zu¬ grundegelegt. Die Simulation der Fahrt geht davon aus, dass absolute SchaltZeitpunkte von Ampeln bekannt sind. Dies er- fordert aber die Beschaffung von Planungsdaten, durch welche die SchaltZeitpunkte angegeben sind. Der Erfindung liegt die Aufgabe zugrunde, in einem Kraftfahrzeug für zumindest eine entlang einer Fahrstrecke nachfolgende Ampel deren Schaltzustand zu prognostizieren. Die Aufgabe wird durch die Gegenstände der unabhängigen Pa¬ tentansprüche gelöst. Vorteilhafte Weiterbildungen der Er¬ findung sind durch die abhängigen Patentansprüche, die folgende Beschreibung sowie die Figuren beschrieben. Durch die Erfindung ist ein Verfahren zum Prognostizieren oder Vorhersagen eines Ampelschaltzustands zumindest einer Ampel bereitgestellt. Das Verfahren ist im Folgenden zunächst für eine einzelne Ampel beschrieben. Das Verfahren kann für mehrere Ampeln entsprechend erweitert werden. Das Verfahren prognostiziert den Ampelschaltzustand für ein Kraftfahrzeug, das entlang einer vor der Ampel liegenden und zu der Ampel führenden Fahrstrecke fährt. Mittels des Verfahrens ist es möglich, das besagte „Synchro¬ nisieren" auf einen Schaltzyklus der Ampel durchzuführen, so dass die aktuelle Phase des Schaltzyklus bekannt ist. Die Syn- chronisation erfolgt an einem Haltepunkt, der entlang der
Fahrstrecke der Ampel vorgelagert ist, also durch das Kraft¬ fahrzeug zuerst passiert wird, bevor das Kraftfahrzeug sich der Ampel annähert. Die Synchronisation erfolgt anhand eines Auslöseereignisses an dem Haltepunkt. Das Auslöseereignis kann z.B. das Losfahren oder Anfahren an dem Haltepunkt sein.
Ausgehend von diesem Auslöseereignis wird dann das Schalt¬ verhalten der in Fahrtrichtung nachfolgenden Ampel prognostiziert. Die Prognose des Schaltverhaltens bezieht sich dabei auf die erwartete Durchfahrtsrichtung, in welcher die Ampel von dem Fahrzeug passiert werden wird.
Das Schaltverhalten wird mittels einer Häufigkeitsverteilung beschrieben. Die Häufigkeitsverteilung gibt eine jeweilige Anzahl von in der Vergangenheit beobachteten Ampelschaltzu- ständen (z.B. „rot" oder „grün") für verschiedene, zeitliche Abstände an, die seit dem Auslöseereignis vergangen sind. Die Häufigkeitsverteilung bezieht sich also relativ auf den Ereigniszeitpunkt des Auslöseereignisses. Ein zeitlicher Abstand kann also beispielsweise angeben: 10 Sekunden nach dem Auslöseereignis oder 20 Sekunden nach dem Auslöseereignis oder 30 Sekunden nach dem Auslöseereignis. Jedem zeitlichen Abstand ist durch die Häufigkeitsverteilung zugeordnet, wie häufig oder mit welcher Wahrscheinlichkeit ein bestimmter Ampelschaltzustand vorliegt (z.B. „75% rot", „80% rot") . Von der Häufigkeit kann auf die Wahrscheinlichkeit z.B. dadurch umgerechnet werden, dass der größten Anzahl ein Wahrscheinlichkeitswert von 100% oder 1 und den übrigen Werten proportional dazu ein kleinerer Wahr- scheinlichkeitswert zugeordnet wird. Für die Häufigkeitsver¬ teilung ist es dabei egal, wie weit die Ampel von dem Haltepunkt entfernt ist. Die Häufigkeitsverteilung gibt lediglich an, in welchem zeitlichen Abstand (in Bezug auf den Ereigniszeitpunkt) diese Ampel welchen Ampelschaltzustand aufweist. Die Häufig- keitsverteilung berücksichtigt dabei die Durchfahrtsrichtung an der Ampel. Es wird also z.B. unterschieden, ob an der Ampel der Ampelschaltzustand für eine Geradeausfahrt oder für
Rechts-Abbiegen oder Links-Abbiegen angegeben wird. Für den Fall, dass die Fahrstrecke über eine mehrere Straßen verknüpfende Kreuzung führt, gibt die Durchfahrtsrichtung also an, über welchen möglichen Haltepunkt der Kreuzung das Kraftfahrzeug die Kreuzung erreicht und zu welchem nächsten Haltepunkt der nächsten Ampel das Kraftfahrzeug die Kreuzung verlässt. Es wird also bei dem Verfahren für einen auf einer Fahrstrecke vor der Ampel gelegenen Haltepunkt ein Auslöseereignis definiert und zu dem Auslöseereignis und der an der Ampel erwarteten Durchfahrtsrichtung eine Häufigkeitsverteilung bereitgestellt, welche eine jeweilige Anzahl von in der Vergangenheit beo- bachteten Ampelschaltzuständen für verschiedene, zeitliche
Abstände angibt, die seit dem Auslöseereignis vergangen sind.
Fährt nun das Kraftfahrzeug entlang der Fahrstrecke, so sieht das Verfahren vor, dass an dem Haltepunkt das Auslöseereignis tatsächlich detektiert wird und eine Ankunftszeit an der Ampel ermittelt wird und anhand der Häufigkeitsverteilung der Ampelschaltzustand für die erwartete Durchfahrtsrichtung und für die berechnete Ankunftszeit prognostiziert wird. Das Ermitteln kann ein Errechnen sein oder kann durch Sortieren oder Suchen innerhalb der Häufigkeitsverteilung sein.
Durch die Erfindung ergibt sich der Vorteil, dass für das Kraftfahrzeug ab dem Haltepunkt immer dann, wenn dort das
Auslöseereignis detektiert wird, ein Ampelschaltzustand einer auf der Fahrstrecke nachfolgenden oder streckenabwärts liegenden Ampel für eine bestimmte Durchfahrtsrichtung und für die vo¬ raussichtliche Ankunftszeit vorausgesagt oder prognostizieren werden kann.
Zu der Erfindung gehören auch Weiterbildungen, durch deren Merkmale sich zusätzliche Vorteile ergeben. Nähert sich ein Kraftfahrzeug einer Kreuzung, so muss zum
Prognostizieren des Ampelschaltzustands ermittelt werden, in welcher Durchfahrtrichtung das Kraftfahrzeug die Ampel passieren wird, d.h. wo die Fahrstrecke entlang führen wird. Eine Wei¬ terbildung sieht vor, dass als die Durchfahrtsrichtung eine wahrscheinlichste Fahrstrecke oder eine durch eine Navigati¬ onseinrichtung des Kraftfahrzeugs signalisierte Fahrstrecke zugrunde gelegt wird. Die wahrscheinlichste Fahrstrecke kann beispielsweise entlang einer Hauptverkehrsstraße führen, d.h. es kann die größte Straße zugrunde gelegt werden. Es können auch Verkehrsstatistiken zum Ermitteln der wahrscheinlichsten
Fahrstrecke zugrundegelegt sein. Bevorzugt wird das individuelle Fahrverhalten des Kraftfahrzeugs und/oder eines spezifischen Fahrers des Kraftfahrzeugs zugrunde gelegt (sog. individua¬ lisierter wahrscheinlichster Pfad) . Hierzu können historische Fahrdaten zugrunde gelegt werden, d.h. aus dem Fahrverhalten des eigenen Kraftfahrzeugs kann die Durchfahrtsrichtung geschätzt werden. Ist die aktuelle Fahrtroute aus einer Navigations¬ einrichtung des Kraftfahrzeugs bekannt, so kann deren Verlauf natürlich zugrundegelegt werden. Die wahrscheinlichste Fahr- strecke kann definiert sein als:
- der eigene, wahrscheinlichste Pfad auf Grund der Häufigkeit der von dem Fahrer (gemäß einem Fahrerprofil) oder dem Kraftfahrzeug verwendeten Abbiegungen; oder alternativ (falls der Fahrer oder das Kraftfahrzeug auf dieser Straße noch nie gefahren ist) ,
- mit den Abbiegewahrscheinlichkeiten von Fahrzeugen, die ein ähnliches Bewegungsprofil haben (fahren immer morgens um 7:00 Uhr zum Arbeitsamt , so wie der Fahrer/das eigene Kraftfahrzeug auch) . Diese Fahrzeuge fahren an der Kreuzung z.B. zu 80% links, der Fahrer/das Kraftfahrzeug selbst muss noch nie an dieser Kreuzung gewesen sein. Bei dem erfindungsgemäßen Verfahren ist man nicht an einen einzigen Haltepunkt gebunden. Eine Weiterbildung sieht vor, dass eine Matrix vorgesehen ist, die ausgehend von mehreren möglichen Haltepunkten jeweils für zumindest eine nachfolgende Ampel eine jeweilige Häufigkeitsverteilung des Ampelschaltzustands für mögliche Durchfahrtsrichtungen angibt. Für eine bestimmte Ampel und eine bestimmte Durchfahrtsrichtung kann man somit an einem ersten Haltepunkt bei Detektieren des Auslöseereignisses eine erste Häufigkeitsverteilung und später bei Erreichen des zweiten Haltepunkts und bei Detektieren des Auslöseereignisses dort dann eine zweite Häufigkeitsverteilung auswählen. Die Matrix gibt bevorzugt in den Zeilen die Haltepunkte mit beobachteten Auslöseereignissen und in den Spalten Haltepunkte an den nachfolgenden Ampeln zusammen mit einer Durchfahrtsrichtung / Abbiegerichtung nach der Ampel an. Die Durchfahrtsrichtung kann mit dem nächsten Haltepunkt bezeichnet oder angegeben werden, der nach dem Losfahren am Haltepunkt der aktuellen Ampel in der jeweiligen Durchfahrtsrichtung folgt. Die Zellen der Matrix geben also eine Häufigkeitsverteilung des Ampelzustandes der nachfolgenden Ampel zusammen mit der Durchfahrtsrichtung (Spalte) für verschiedene zeitliche Abstände, die in der
Vergangenheit seit dem Auslöseereignis an dem Haltepunkt (Zeile) beobachtet bzw. erfasst wurden, an. Wenn man mehrere Haltepunkte mit Auslöseereignissen vor der aktuell zu prognostizierenden Ampel und für die erwartete Durchfahrtsrichtung an dieser Ampel tatsächlich beobachtet hat, kann man die zugehörigen Häufigkeitsverteilungen nach dem Prinzip überlagern, das im Folgenden Absatz beschrieben wird. Anhand der Häufigkeitsverteilungen jedes Haltepunkts, an welchem das jeweilige Auslöseereignis detektiert wurde, kann dann eine kombinierte Häufigkeitsverteilung erzeugt werden. Die ermittelten Häufigkeitsverteilungen werden also zum Prognostizieren des Ampelschaltzustands der Ampel kombiniert. Beispielsweise können Häufigkeitsverteilungen in Form von Histogrammen fusioniert oder überlagert werden. Gemäß einer Weiterbildung wird hierzu zusätzlich zu dem besagten Haltepunkt noch für zumindest einen weiteren Haltepunkt entlang der Fahrstrecke zu einem weiteren Auslöseereignis eine Häufigkeitsverteilung bereitgestellt und die Häufigkeitsverteilungen jedes Haltepunkts, an welchem das jeweilige Auslöseereignis detektiert wurde, werden zum Prognostizieren des Ampelschaltzustands kombiniert, indem die Häufigkeitsverteilung des letzten Haltepunkts mit detek- tiertem Auslöseereignis zugrunde gelegt wird und jede übrige Häufigkeitsverteilung mit einem jeweils zugehörigen zeitlichen Versatz angepasst wird, der der bei der jeweiligen Fahrt real beobachteten Fahrzeit bis zu dem Auslöseereignis am letzten Haltepunkt, d.h. dem Losfahren am letzten Haltepunkt, ent- spricht. Es zählt also immer das Losfahren am letzten Haltepunkt mit Stopp/Anhalten. Alle anderen Haltepunkte mit Losfahren nach einem Stopp/Anhalten werden über den zeitlichen Versatz auf dieses letzte Losfahren/Anfahren (Auslöseereignis) bezogen. Es geht immer um den Zeitpunkt des Losfahrens, wenn an dem jeweiligen Haltepunkt eine rote Vorgängerampel grün wird oder allgemein ein Auslöseereignis beobachtet wird. Zuvor passierte grüne Vor¬ gängerampeln tragen in diesem Fall nichts bei, weil an den zu den Vorgängerampeln gehörenden Haltepunkten kein Auslöseereignis beobachtet wurde und deswegen keine Häufigkeitsverteilung zugeordnet werden kann. Allgemein kann natürlich der Ampelschaltzustand „grün" auch prognostiziert werden (Grün =
Nicht-Rot) , wie später noch erläutert wird. Denn wenn man eine Rot-Prognose hat, hat man damit auch eine Grün-Prognose. Mittels der Matrix kann auch der besagte individualisierte wahrscheinlichste Pfad ermittelt werden. Hierzu ist es lediglich notwendig, die in der Matrix gespeicherten Häufigkeitsverteilungen für jede Durchfahrtsrichtung unabhängig von der Zeitkomponente aufzusummieren . Dabei kann man die die Summation einschränken auf die Anteile der Häufigkeitsverteilungen, die von dem Fahrer, dem Kraftfahrzeug oder mehreren oder allen teilnehmenden Fahrzeugen stammen.
Einige Weiterbildungen betreffen die Frage, wie man die Häufigkeitsverteilung ermitteln oder erzeugen kann. Dies kann im laufenden Betrieb des Kraftfahrzeugs, also während der besagten Fahrt entlang der Fahrstrecke und auf weiteren, vorangegangenen Fahrten mit dem Kraftfahrzeug oder auch mit anderen Fahrzeugen geschehen .
Hierzu sieht eine Weiterbildung vor, dass während einer
Stoppphase oder Rotphase an der Ampel oder während des Fahrens in Richtung oder in der Nähe der Ampel ein tatsächlicher Ampelschaltzustand der Ampel erfasst wird und auf der Grundlage des jeweils erfassten tatsächlichen Ampelschaltzustands und dem jeweiligen zeitlichen Abstand seit dem Detektieren des Auslöseereignisses an einem in der jeweiligen Fahrt vorgelagerten Haltepunkt die zugehörige Häufigkeitsverteilung aktualisiert wird. Es wird also während einer Haltephase oder Rotphase an der Ampel gezählt, d.h. in der Häufigkeitsverteilung die Anzahl der beobachteten Ampelschaltzustände aktualisiert. Zu beachten ist hierbei, dass während einer einzelnen Fahrt bevorzugt nicht nur für einen einzelnen Zeitpunkt der dann jeweils erfassbare tatsächliche Ampelschaltzustand ermittelt wird, sondern für ein ganzes Zeitintervall, d.h. für mehrere Zeitpunkte oder mehrere zeitliche Abstände, jeweils der tatsächliche Ampelschaltzustand ermittelt wird. Hält das Kraftfahrzeug also an der Ampel an, so ist diese offensichtlich rot geschaltet, sodass für die
Zeitpunkte des Wartens an der Ampel in die Häufigkeitsverteilung jeweils der Ampelschaltzustand „rot" eintragen oder gezählt werden kann. Fährt das Kraftfahrzeug an einer Ampel vorbei, so ist diese offensichtlich grün geschaltet, sodass auch die Zeitpunkte des Passierens der Ampel in eine Häufigkeitsver¬ teilung für den Ampelschaltzustand „grün" eintragen werden können . Bei der Aktualisierung bzw. dem Aufbau der Häufigkeitsverteilung ist der Aspekt wichtig, dass beim Erkennen einer Rotphase an der aktuellen Ampel nicht nur das Histogramm / die Häufigkeits¬ verteilung des unmittelbaren Vorgängerhaltepunktes mit Aus- löseereignis aktualisiert werden kann (nicht nur eine Spalte in der beschriebenen Matrix) . Es können auch alle weiteren Histogramme/Häufigkeitsverteilungen der Vorgängerhaltepunkte mit in der aktuellen Fahrt beobachtetem Auslöseereignis (d.h.
Losfahren nach Rot) aktualisiert werden. Hierbei sollte man nicht zu weit zurückgehen, also bspw. maximal 10 - 15 Vorgängerhaltepunkte. Sonst ist die zu prognostizierende Ampel zu weit von den (Referenz- ) Haltepunkten mit Auslöseereignis entfernt.
Diese Aktualisierungen können erst nach dem Durchfahren der aktuellen Ampel in die richtigen Histogramme eingetragen werden, denn erst nach dem Durchfahren der aktuellen Ampel kennt man die Durchfahrtsrichtung, zu der die gemessenen Zeitdauern (seit dem Losfahren an den jeweiligen Vorgänger-Haltpunkten mit Auslöseereignis) gehören. Die Zeitdauern werden also erst gemessen (beispielsweise vom Anfahren an Vorgänger-Haltepunkt Nr. 7 bis jetzt; vom Anfahren an Vor-Vor-Vorgänger-Haltepunkt Nr. 5 bis jetzt) und erst, wenn klar ist, in welche Richtung die Ampel durchfahren wurde, in alle passenden Histogramme / Häufig¬ keitsverteilungen aus der Matrix eingetragen.
Insgesamt kann die Häufigkeitsverteilung durch mehrmaliges Passieren oder Abfahren der Fahrstrecke erfasst werden. Mittels eines Schwellenwerts kann hierbei angegeben werden, ab wann diese Häufigkeitsverteilung als gültig akzeptiert wird, also genug empirische Beobachtungsdaten enthält. Zum Beispiel kann hierzu die Anzahl der tatsächlich erfassten zeitlichen Abstände von Ampelschaltzuständen zugrundegelegt werden. Die Häufigkeits¬ verteilung (z.B. über ein Histogramm abgeschätzt) kann also ganz neu aufgebaut werden. Es ist keine Vorbelegung nötig. Erst, wenn ein Qualitätskriterium wie z . B . „Mehr als x Beobachtungen" (x ist der Schwellenwert) erreicht ist, wird das Histogramm verwendet. Eine Weiterbildung sieht vor, dass auch während einer Annäherung an die Ampel mittels einer Erfassungseinrichtung der aktuelle, tatsächliche Ampelschaltzustand der Ampel erfasst wird und auf der Grundlage des erfassten tatsächlichen Ampelschaltzustands die Häufigkeitsverteilungen aktualisiert werden. Hierzu wird während einer Annäherung an die nachfolgende Ampel mittels beispielsweise einer Kamera zu mehreren Zeitpunkten jeweils der aktuelle, tatsächliche Ampelschaltzustand der jeweiligen Ampel zusammen mit der jeweiligen Durchfahrtsrichtung (bspw. grüner Rechts-Abbiegepfeil bei roter Hauptampel) erfasst und auf dieser Grundlage die Häufigkeitsverteilung aktualisiert. Wenn die Erfassungseinrichtung diese Genauigkeit nicht hergibt, kann man die Aktualisierung der Häufigkeitsverteilung auch erst nach der beobachteten Durchfahrt des Fahrzeuges durch die Kreuzung aktualisieren. Dann ist bekannt, welchen Weg das Kraftfahrzeug genommen hat und man kann die Ampelzustandsdaten (z.B. Kamerabilder von der Ampel) zusammen mit dem beobachteten Verhalten des Kraftfahrzeuges (z.B. „ist stehen geblieben und dann links abgebogen") auswerten und damit die zur Abbiege- oder Durch- fahrtsrichtung gehörende Häufigkeitsverteilung aktualisieren.
Bevorzugt wird nicht nur ein einziges Kraftfahrzeug zum Erzeugen der Häufigkeitsverteilung genutzt. Eine Weiterbildung sieht vor, dass aus zumindest einem weiteren Kraftfahrzeug Zustandsdaten betreffend einen jeweiligen durch das weitere Kraftfahrzeug erfassten tatsächlichen Ampelschaltzustand der Ampel z.B.
mittels einer Fahrzeug-zu-X-Kommunikationseinrichtung
(Car-2-X-Kommunikation) empfangen werden und die Häufigkeitsverteilungen anhand der Zustandsdaten aktualisiert werden. Somit kann der Ampelschaltzustand auch dann prognostiziert werden, wenn er nicht im Erfassungsbereich des Kraftfahrzeugs selbst liegt, weil dieses die Ampel beispielsweise noch nie durchfahren hat. Mit den Zustandsdaten können z.B.: a) die kompletten Häufigkeitsverteilungen aus den anderen Fahrzeugen übertragen werden und diese in die zugehörige (gleicher Haltepunkt und gleiche Ampel mit gleicher Durchfahrtsrichtung) in die eigenen Häufigkeitsverteilungen aufaddiert werden; b) Auszüge einer Häufigkeitsverteilung ab einem bestimmten Zeitpunkt der Vergangenheit aus den anderen Fahrzeugen übertragen werden; Rest wie a) ; c) anstelle der Häufigkeitsverteilungen können auch die Fahr-Beobachtungen aus den anderen Fahrzeugen übertragen werden (Losgefahren an GPS-Position XY1 und Hl Uhr.
Stehengeblieben an GPS Position XY2 um H2 Uhr, ... ) . Daraus kann der Empfänger selbst die Histogramme aktualisieren, als wäre er mit dem übertragenen Fahrprofil selbst diese Strecke gefahren. Aktualisierung dann wie bei einer eigenen Fahrt möglich. d) Dies sind nur beispielhafte Angaben für mögliche Zu¬ standsdaten . Der technische Fachmann würde diese Daten sicher in einer komprimierten Form übertragen.
Im Zusammenhang mit der Nutzung mehrerer Kraftfahrzeuge zum Erzeugen der Häufigkeitsverteilungen sieht die Erfindung auch eine zentrale Erfassung der Zustandsdaten und Weiterverteilung von/an die angebundenen Fahrzeuge vor. Durch die Erfindung ist hierzu eine Servervorrichtung zum Betreiben z.B. am Internet bereitgestellt. Die Servervorrichtung ist dazu eingerichtet, aus mehreren Kraftfahrzeugen jeweils Fahrdaten betreffend ein vorbestimmtes Auslöseereignis an einem Haltepunkt sowie Zu¬ standsdaten betreffend einen jeweiligen durch das Kraftfahrzeug erfassten Ampelschaltzustand einer in eine Durchfahrtrichtung passierten Ampel mit Zeitdaten betreffend einen jeweiligen Erfassungszeitpunkt des erfassten Ampelschaltzustands zu empfangen und anhand der Zustandsdaten und der Zeitdaten aller Kraftfahrzeuge zu dem Auslöseereignis und der Durchfahrts¬ richtung eine Häufigkeitsverteilung zu erzeugen und bereitzustellen, wobei die Häufigkeitsverteilung eine jeweilige Anzahl der beobachteten Ampelschaltzustände für verschiedene, zeit¬ liche Abstände angibt, die seit dem Auslöseereignis vergangen sind. Die Servervorrichtung kann auf der Grundlage eines Computers oder eines Computerverbunds gebildet sein. Die be- schriebenen Verfahrensschritte kann die Servervorrichtung auf der Grundlage eines Computerprogramms für die Servervorrichtung durchführen .
Die bisher beschriebene Häufigkeitsverteilung sieht vor, dass der Schaltzyklus jeder Ampel unverändert betrieben wird. Es gibt aber auch Ampeln, deren Schaltzyklus während des Verlaufs des Tages und/oder zu bestimmten Tagen umgeschaltet wird. Eine Weiterbildung sieht vor, dass die Häufigkeitsverteilung aus mehreren, für unterschiedliche absolute Zeitintervalle, also zum Beispiel Tageszeiten (vormittags, mittags, nachmittags , abends , nachts, jeweils definiert durch Anfangs- und Endzeitpunkt) oder Wochentage, vorgesehenen Häufigkeitsverteilungen in Abhängigkeit vom Datum und/oder der Uhrzeit ausgewählt wird. Mit anderen Worten wird also in Abhängigkeit davon, zu welchem der Zeitintervalle (z.B. Tageszeit, Wochentag) das Kraftfahrzeug unterwegs ist oder fährt, eine andere der Häufigkeitsvertei¬ lungen genutzt. Die besagte Servervorrichtung oder die Steuervorrichtung des Kraftfahrzeugs kann diese Häufigkeitsverteilungen mithilfe zum Beispiel einer Clusteranalyse aus den erfassten Zustandsdaten mit Zeitdaten vieler Kraftfahrzeuge erzeugen, nämlich für jede beobachtete Schaltfrequenz eine. Damit können zeitlich veränderliche Ampelsteuerungen berücksichtigt werden. Zusätzlich oder alternativ dazu kann eine Verkehrsdichteangabe berücksichtigt werden, wie sie beispielsweise durch einen Verkehrsdienst zum Beispiel über das Internet bereitgestellt werden kann. Für mehrere unterschiedliche Werteintervalle von Verkehrsdichteangaben kann es also eine Häufigkeitsverteilung geben. Hierdurch kann eine Aufteilung der Häufigkeitsverteilungen in Abhängigkeit von unterschiedlichen Werten oder Intervallen für die Verkehrsdichteangabe erfolgen, sodass auch verkehrsgesteuerte Ampeln berücksichtigt werden können, die auf die Verkehrsdichte reagieren.
Der besagte Haltepunkt, für den das Auslöseereignis definiert wird, sollte derart gewählt sein, dass ein dort mögliches
Auslöseereignis mit dem Schaltzyklus der nachfolgenden Ampel korreliert. Eine Weiterbildung sieht vor, dass als Haltepunkt eine weitere, vorgelagerte Ampel vorgesehen ist und das Aus¬ löseereignis ein Losfahren an der vorgelagerten Ampel darstellt. Das Auslöseereignis ist dann ein Anfahren des Kraftfahrzeugs nach dem Grün-Schalten der Ampel. Dies kann z.B. anhand der Fahrgeschwindigkeit des Kraftfahrzeugs detektiert werden. Ein mögliches Kriterium hierfür ist, dass für eine vorbestimmte MindestZeitdauer, beispielsweise 1 Sekunde, die Fahrge- schwindigkeit durchgehend größer als eine vorbestimmte Min¬ destgeschwindigkeit, zum Beispiel 1 m/s , seinmuss, nachdem zuvor eine vorbestimmte Mindesthaltedauer (Stillstand) an dem Hal¬ tepunkt erkannt worden ist. Insbesondere in einem Ballungs¬ gebiet, also zum Beispiel in einer Stadt, sind entlang einer Fahrstrecke hintereinander angeordnete Ampeln in Bezug auf ihr Schaltverhalten synchronisiert, sodass das einmalige Detek- tieren des Auslöseereignisses (Grün-Schalten einer ersten Ampel) eine Prognose für den Ampelschaltzustand einer oder mehrerer nachfolgender Ampeln zulässt. Ein möglicher alternativer Haltepunkt kann beispielsweise einen Bahnübergang sein, wobei dann das Auslöseereignis das Öffnen der Bahnschranke sein kann. Ein möglicher Haltepunkt kann eine Klappbrücke oder Hubbrücke an einem Fluss sein, wobei dann das Auslöseereignis das Freigeben der Brücke nach einer Sperrung sein kann.
Prognostiziert man nun für eine Ankunftszeit oder einen An¬ kunftszeitpunkt den Ampelschaltzustand einer Ampel, an die sich das Kraftfahrzeug annähert oder an welcher das Kraftfahrzeug wartet, so kann hierdurch eine Steuerung in dem Kraftfahrzeug prädiktiv erfolgen. So kann z.B. vorgesehen sein, dass in
Abhängigkeit von dem prognostizierten Ampelschaltzustand der Ampel ein Verbrennungsmotor eines Hybridantriebs des Kraft¬ fahrzeugs gesteuert wird. So kann z.B. das Wieder-Starten des ausgeschalteten Verbrennungsmotors unterbleiben, wenn bekannt ist, dass sich das Kraftfahrzeug einer Ampel nähert, die bei Erreichen derselben rot geschaltet sein wird. Wenn man die Rot-Phase prognostizieren kann, ergibt sich daraus auch eine Prognose für die Grün-Phase (= Nicht-Rot) . Entsprechend kann somit z.B. der Motor vor oder mit dem Ende der Rot-Phase wieder angelassen werden.
Mögliche, beispielhafte Anwendungen sind also die folgenden:
(1) Start/Stopp-Funktion - Vor Ampel warten - Falls Ampel in naher Zukunft ohnehin auf grün schaltet, dann wird das Deaktivieren des Verbrennungsmotors unterbunden. (2) Start/Stopp-Funktion - Wenn Grünphase unmittelbar bevorsteht: Verbrennungsmotor aktivieren, damit bei Beschleunigungsbefehl durch den Fahrer bei grün unverzögert beschleunigt werden kann. (3) Rekuperation : Falls nächste Ampel auf Rot schalten wird und Fahrzeug fährt: rechtzeitig in Rekuperationsbetrieb gehen, insbesondere mit Mild-Hybriden, die mehr Weg brauchen um das Kraftfahrzeug zum Halten zu bringen. Für alle Hybride entsteht der Vorteil, dass die elektrische Maschine im Bereich besten generatorischen Wirkungsgrades gehalten werden kann, wenn der Weg zur Rekuperation frei gewählt werden kann. Dazu kann eine Ausgabeeinrichtung, z.B. ein haptisches Pedal (AFFP - Ac- celerator Force Feedback Pedal, aktives Gaspedal) , vorgesehen sein (Fahrer muss vom Gas gehen) . Gilt auch für Pedelecs die Rekuperieren können. Es ergibt sich eine Teilautomatisierung. Ziel ist die maximale Energierückgewinnung.
(4) Segelbetrieb: wie 3., aber zunächst wird Segeln kommandiert, dann Rekuperation zum Anhalten. Richtige Reihenfolge wird kommandiert. AFFP bevorzugt bereitgestellt.
(5) Rot/Grün-Phasenschätzungen werden z.B. in der besagten Servervorrichtung in die Fahrzeugtraj ektorie integriert (die ins Kraftfahrzeug geladen werden kann) , um damit das Bordnetz proaktiv mit Energie zu versorgen, bevorzugt inklusive Heizen/ Kühlen (prädiktives Batterieladen) . (6) Fahrer bekommt den Hinweis / die Information, dass die nächste/nachfolgende Ampel Rot ist, und kann dann telefonieren oder Smartphone benutzen. Vor dem Umschalten der Ampel wird ein Hinweis, dass die Ampel 'umspringt' oder umschaltet, ausgegeben. Um das erfindungsgemäße Verfahren durchzuführen, ist durch die Erfindung eine Steuervorrichtung bereitgestellt. Diese weist eine Prozessoreinrichtung auf, die dazu eingerichtet ist, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Die Prozessoreinrichtung kann auf der Grundlage eines Mikro- Prozessors oder MikroControllers gebildet sein. Das Verfahren kann auf der Grundlage eines Programmcodes für die Prozesso¬ reinrichtung realisiert sein. Die Steuervorrichtung kann als ein Steuergerät für das Kraftfahrzeug ausgestaltet sein. Die Steuervorrichtung kann aber auch als verteilte Vorrichtung zum teilweisen Einbau in das Kraftfahrzeug und zum teilweisen Betrieb außerhalb des Kraftfahrzeugs zum Beispiel im Internet ausge¬ staltet sein. Im Internet kann dieser Teil der Steuervorrichtung zum Beispiel durch die besagte Servervorrichtung durchgeführt werden .
Durch Einbauen der als Steuergerät für ein Kraftfahrzeug ausgestalteten Steuervorrichtung in ein Kraftfahrzeug ergibt sich eine Ausführungsform des erfindungsgemäßen Kraftfahrzeugs. Wie bereits erläutert, gehört zu der Erfindung auch die Ser¬ vervorrichtung z.B. zum Betreiben am Internet. Sie ist dazu eingerichtet, die besagte Häufigkeitsverteilung mittels meh¬ rerer Kraftfahrzeuge oder durch Nutzung mehrerer Kraftfahrzeuge zu erzeugen.
Im Folgenden ist ein Ausführungsbeispiel der Erfindung beschrieben. Hierzu zeigt: Fig. 1 eine schematische Darstellung einer Ausführungsform des erfindungsgemäßen Kraftfahrzeugs;
Fig. 2 eine Skizze zur Veranschaulichung einer beispiel- haften Fahrsituation des Kraftfahrzeugs von Fig. 1 ;
Fig. 3 ein Diagramm mit einem schematisierten Verlauf einer
Häufigkeitsverteilung; Fig. 4 ein Diagramm mit schematisierten Verläufen zweier
Häufigkeitsverteilungen für unterschiedliche Haltepunkte ;
Fig. 5 ein Diagramm zur Veranschaulichung der Erzeugung einer
Häufigkeitsverteilung; und
Fig. 6 eine schematische Darstellung einer Matrix zum Bereitstellen mehrerer Häufigkeitsverteilungen für unterschiedliche Haltepunkte, an denen ein Auslö- seereignis detektiert wurde, und unterschiedliche
Haltepunkte an Ampeln zusammen mit der jeweiligen Durchfahrtsrichtung an der Ampel.
Bei dem im Folgenden erläuterten Ausführungsbeispiel handelt es sich um eine bevorzugte Ausführungsform der Erfindung. Bei dem Ausführungsbeispiel stellen die beschriebenen Komponenten der Ausführungsform jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren ist die beschriebene Ausführungsform auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen. Fig. 1 zeigt ein Kraftfahrzeug 10, bei dem es sich zum Beispiel um einen Kraftwagen, insbesondere einem Personenkraftwagen, handeln kann. In dem gezeigten Beispiel befindet sich das Kraftfahrzeug 10 auf einer Fahrt entlang einer Fahrstrecke 11. Dargestellt ist, dass das Kraftfahrzeug 10 an einer Ampel 12 halten muss, weil die Ampel 12 auf Rot geschaltet ist. In dem Beispiel stellt eine Halteposition an einer Ampel 12 einen Haltepunkt 13 dar, der für die weitere Beschreibung des Aus¬ führungsbeispiels alternativ als Haltepunkt A bezeichnet ist. Falls die Ampel 12 von Rot auf Grün umschaltet und das
Kraftfahrzeug deshalb losfährt, stellt dieses Losfahren ein Auslöseereignis 14 dar. In dem Kraftfahrzeug 10 kann eine Steuervorrichtung 15 bei Erkennen oder Detektieren des Auslöseereignisses 14 eine Häufigkeitsverteilung 16 auswählen, die in der Steuervorrichtung 15 angibt, zu welchen zukünftigen
Zeitpunkten ab dem Auslöseereignis 14 zumindest eine weitere, streckenabwärts der Fahrstrecke 11 liegende Ampel einen be¬ stimmten Ampelschaltzustand für eine bestimmte Durchfahrts¬ richtung aufweisen wird. Die Steuervorrichtung 15 ermittelt entsprechend auch eine Zeitdauer 17, die seit dem Auslöseereignis
14 vergangen ist, also seit dem Detektionszeitpunkt , zu welchem sie das Auslöseereignis 14 detektiert hat. Die Steuervorrichtung
15 kann die voraussichtliche Ankunftszeit an der nächsten Ampel ermitteln und dann anhand der Häufigkeitsverteilung 16 für die Ankunftszeit den dann voraussichtlich vorliegenden Ampelschaltzustand für eine oder alle Durchfahrtsrichtungen an dieser Ampel prognostizieren.
In Abhängigkeit von dem zur Ankunftszeit voraussichtliche vorliegenden Ampelschaltzustand kann die Steuervorrichtung 15 zum Beispiel ein Steuersignal 18 für eine Fahrzeugkomponente 19 erzeugen, um hierdurch die Fahrzeugkomponenten 19 auf ein Fahrverhalten des Kraftfahrzeugs 10, wie es durch den Ampel¬ schaltzustand der nachfolgenden Ampel erzwungen werden wird, vorzubereiten. Die Fahrzeugkomponente 19 kann beispielsweise ein Verbrennungsmotor eines Hybridantriebs des Kraftfahrzeugs 10 sein . Von dem Kraftfahrzeug 10 sind des Weiteren eine Kommunikati¬ onseinrichtung 20 zum Bereitstellen einer Kommunikationsverbindung 21 zu einer Servervorrichtung 22 des Internets 23 und/oder einer Kommunikationsverbindung 24 zu einem voraus- fahrenden (nicht dargestellten) anderen Kraftfahrzeug. Aus der Servervorrichtung 22 kann die Steuervorrichtung 15 zum Beispiel die Häufigkeitsverteilung 16 empfangen haben. Wenn die Verbindung zu einem anderen Fahrzeug aufgebaut wird (z.B. mittels Car-2-X-Technologie) , kann anstelle der Servervorrichtung 22 auch ein Fahrzeug eine Datenquelle sein. Die Kommunikations¬ verbindungen 21, 24 können zum Beispiel ein Mobilfunkmodul und/oder ein WLAN-Funkmodul (WLAN - Wireless Local Area Network) umfassen . Das Fahrzeug 10 kann des Weiteren einen Umgebungssensor 25 aufweisen, zum Beispiel eine Kamera, mittels welcher der ak¬ tuelle, tatsächliche Ampelschaltzustand zumindest einer Ampel erfasst werden kann. Mittels des Umgebungssensors 25 kann zum Beispiel auch das Auslöseereignis 14 detektiert werden, also hier das Grün-Schalten der Ampel 12. Die Steuervorrichtung 15 kann das Auslöseereignis 14 auch anhand zum Beispiel von Zustandsdaten des Kraftfahrzeugs 10 selbst detektieren, beispielsweise anhand eines zeitlichen Verlaufs des Werts 25 einer Fahrgeschwindigkeit V des Kraftfahrzeugs 10. Ein besonderer Vorteil ergibt sich, wenn der Umgebungssensor die Rotphase schon in der Anfahrt vor der Ampel erkennen kann. Dann lässt sich schon vor dem Anhalten die Rotphase der Ampel in die Häufigkeitsverteilungen der Vorgängerhaltepunkte eintragen. Das Fahrzeug 10 kann des Weiteren einen Datenspeicher 26 aufweisen, in welchem die Häufigkeitsverteilung 16 gespeichert sein kann.
Der mittels des Umgebungssensors 25 und/oder auf der Grundlage zum Beispiel der Fahrgeschwindigkeit V ermittelte tatsächliche Ampelschaltzustand einer Ampel 12 kann an die Servervorrichtung 22 über die Kommunikationsverbindung 21 in Form von Zustandsdaten 27 signalisiert werden. Zu den Zustandsdaten 27 mit Zeitdaten übermittelt, die den Zeitpunkt des erkannten Ampelschaltzustands einer nachfolgenden, also streckenabwärts angeordneten weiteren Ampel angeben. Anhand von Fahrdaten der Kraftfahrzeuge können die zurückgelegte Fahrstrecke 11 und Haltepunkte 13 und Auslö- seereignisse 14 erkannt werden. Die Fahrdaten können ebenfalls an die Servervorrichtung 22 ausgesendet werden. Dabei ist zu beachten, dass erst nach dem Durchfahren der Ampel in eine bestimmte Durchfahrtsrichtung und dem Erreichen oder Passieren des nächsten Haltepunktes diese Daten für einen Dritten nutzbar sind. Darum sollte dieser auch erst später übertragen werden, wenn alle Daten vorliegen.
Die Servervorrichtung 22 kann z.B. auf der Grundlage der Zu- standsdaten 27 mit den Zeitdaten und der Fahrdaten des
Kraftfahrzeugs 10 sowie entsprechender Zustandsdaten und
Zeitdaten und Fahrdaten anderer Kraftfahrzeuge in der Vergangenheit die Häufigkeitsverteilung 16 gebildet oder erzeugt haben . Für die weitere Erläuterung des Beispiels ist in Fig. 2 die aktuelle Fahrstrecke 11 genauer gezeigt. Das Kraftfahrzeug 10 steht, wie im Zusammenhang mit Fig. 1 erläutert, an der Ampel 12, die hier den Haltepunkt 13 (A) darstellt. Die Fahrstrecke 11 führe das Kraftfahrzeug 10 über drei Kreuzungen Kl, K2, K3. Hierbei wird unterschieden, über welchen Haltepunkt 13 das Fahrzeug 10 in die Kreuzung jeweils einfährt und zu welchem nächsten Haltepunkt (13 λ) das Kraftfahrzeug 10 die Kreuzung Kl wieder verlässt. Die Kombination des Haltepunkts 13 an der hinführenden Straße 29 und dem nächsten möglichen Haltepunkt 13 λ stellt eine Durch- fahrtsrichtung oder kurz Durchfahrt AI über die Kreuzung Kl dar. Die Durchfahrt AI ist also die Kombination aus Haltepunkt A und dem nächsten Haltepunkt E. Die Durchfahrt AI , wie sie die gezeigte Fahrstrecke 11 vorsieht, entspricht somit der Kombination AI: A - E; eine Durchfahrt A2 entspricht der Kombination A2 : E - H und eine Durchfahrt A3 der Kombination A3: H - L.
Fig. 3 veranschaulicht eine mögliche Ausführungsform der be¬ schriebenen Häufigkeitsverteilung 16 als Histogramm. Darge- stellt ist ein Diagramm, das für Zeitangaben 17, nämlich einem zeitlichen Abstand ΔΤ seit dem Auslöseereignis 14, eine Anzahl 31 oder Häufigkeit des in der Vergangenheit beobachteten Am¬ pelschaltzustands S (hier „rot") der nächsten Ampel 32 entlang der Fahrstrecke 11 (Durchfahrt A2) angeben kann. Die Zu¬ standsangabe 31 kann als eine Wahrscheinlichkeit P dafür in¬ terpretiert werden, dass die Ampel 32 zu dem jeweiligen zeitlichen Abstand ΔΤ rot geschaltet ist. Die Ampel 32 ist diejenige, die für die Durchfahrt A2 relevant ist, also in dem Beispiel für das Rechts-Abbiegen . Dies ist in Fig. 3 durch die Angabe der Durchfahrt A2 : E - H veranschaulicht. Der Detek- tionszeitpunkt TO des Auslöseereignisses 14 entspricht in der Häufigkeitsverteilung 16 dem Zeitpunkt 0 des Diagramms. Hier wurde das Auslöseereignis 14 am Haltepunkt 13 (A) detektiert. Die Häufigkeitsverteilung 16, wie sie in Fig. 3 dargestellt ist, gibt an, dass ab einer Zeitdauer 17 mit dem Wert 40 Sekunden nach dem Detektionszeitpunkt TO die Ampel 32 auf Rot schalten könnte.
Die Steuervorrichtung 15 kann auf der Grundlage der Fahrge- schwindigkeit V einen Ankunftszeitpunkt 33 ermitteln, zu welchem das Kraftfahrzeug 10 die Ampel 32 erreichen wird. Die aktuelle Fahrzeugposition und eine Position der Ampel 32 können z.B. auf der Grundlage von GPS-Daten und Navigationsdaten identifiziert werden. Anhand der Häufigkeitsverteilung 16 kann zu dem An- kunftszeitpunkt 33 die zugeordnete Wahrscheinlichkeit P für den Ampelschaltzustand „Rot" ausgelesen werden. In dem Beispiel ist angegeben, dass für den Ankunftszeitpunkt 33 eine Wahr¬ scheinlichkeit P von 75 % für Rot ermittelt wird. Fährt das Kraftfahrzeug 10 schneller, so gibt es eine Rückwärtsver- Schiebung 33 λ des Ankunftszeitpunkts 33. Fährt das Kraftfahrzeug langsamer, gibt es eine Vorwärtsverschiebung 33" des Ankunftszeitpunkts 33.
Die Häufigkeitsverteilung 16 kann in dem Beispiel ein Histogramm 34 sein, das für vorgegebene Zeitintervalle 35 jeweils die Häufigkeit oder die Anzahl 31 darüber angibt, dass ein vor¬ bestimmter Ampelschaltzustand (z.B. „rot") beobachtet worden ist. Aus dem Histogramm kann z.B. mittels einer parametrischen Funktion, z.B. einer Summe aus Gaußfunktionen (SOG - Sum of Gaussians) ein geglätteter Verlauf 34 λ als Häufigkeitsverteilung 16 bereitgestellt sein. Die Häufigkeitsverteilung kann alternativ auf der Grundlage einer Methode des Maschinenlernens oder maschinellen Lernens, beispielsweise mittels einer SVM (Support Vector Machine) , gebildet sein. Hierzu können die Zustandsdaten 27 mit den Zeitdaten als Trainingsdaten genutzt worden sein.
Anhand eines Rot-Schwellwerts R und eines Grün-Schwellwerts G kann z.B. das Steuersignal 18 zum Starten oder Abschalten des Verbrennungsmotors erzeugt werden. Z.B. kann anhand des
Grün-Schwellwerts G eine voraussichtliche oder (nach Erreichen der Ampel 32) eine verbleibende Wartezeit W bis zum Grün-Schalten der Ampel 32 prognostiziert werden. Einem Fahrer des Kraft¬ fahrzeugs 10 kann beim Annähern an die Ampel 32 auch eine Fahranweisung zum Verändern der Fahrgeschwindigkeit V gegeben werden, um den Ankunftszeitpunkt 33 durch das Verschieben 33 33 λ λ in eine Grünphase der Ampel 32 zu verschieben.
Die Häufigkeitsverteilung 16 kann zum Beispiel durch die Servervorrichtung 22 auf der Grundlage der besagten Fahrdaten, der Zustandsdaten 27 mit den Zeitdaten mehrerer Kraftfahrzeuge ermittelt worden sein. Die Steuervorrichtung 15 des Kraftfahrzeugs 10 kann die Häufigkeitsverteilung 16 auch ausschließlich auf der Grundlage eigener Beobachtungsdaten erzeugt haben . Fig. 4 veranschaulicht des Weiteren, dass zu Haltepunkt A nicht nur für die nächste Ampel 32 (Durchfahrt A2), sondern auch für zumindest eine weitere Ampel 32 λ entlang der Fahrstrecke 11 (siehe Fig. 2) ebenfalls eine Häufigkeitsverteilung 16 λ mit einer Anzahl 31 an Beobachtungen, d.h. einer Wahrscheinlichkeit P für deren Ampelzustand S angegeben werden kann. Im zugrundegelegten Beispiel ist dies die Ampel 32 λ für die Durchfahrt A3: H - L. Die hierfür bereitgestellte Häufigkeitsverteilung 16 λ geht dabei von dem Haltepunkt A (Haltepunkt 13) und dem Auslöseereignis 14 aus, dass zum Detektionszeitpunkt TO detektiert wurde.
Muss nun das Kraftfahrzeug 10 auch am Haltepunkt E (Haltepunkt 13 λ) an der Ampel 32 für die Durchfahrt A2 halten, weil die Ampel 32 rot geschaltet ist, so kann das anschließende Grün-Schalten der Ampel 32 für den Haltepunkt 13 λ der Ampel 32 ebenfalls ein Auslöseereignis 14 λ darstellen. Für dieses Auslöseereignis 14 λ am Haltepunkt 13 λ und die Fahrstrecke mit der Durchfahrt A3: H-L kann ausgehend von dem Haltepunkt 13 λ ebenfalls eine Häufig¬ keitsverteilung 16 λ λ bereitgestellt werden, die dann auf den Detektionszeitpunkt Tl bezogen ist.
Die Steuervorrichtung 15 kann nun auf Grundlage beider Häu- figkeitsverteilungen 16 16 λ λ durch eine Überlagerung 35 (in Fig. 4 symbolisiert durch ein +-Zeichen) eine kombinierte Häufigkeitsverteilung 16λ λ λ erzeugen, die sowohl die Häufigkeitsverteilung 16 λ als auch die Häufigkeitsverteilung 16 λ λ berücksichtigt. Hierdurch ist im Zusammenhang mit Häufig- keitsverteilungen, die auf empirischen oder probabilistischen Beobachtungsdaten beruhen, eine zuverlässigere Angabe der Wahrscheinlichkeit P eines bestimmten Ampelschaltzustands S für die Ampel 32 λ zur Durchfahrt A3: H-L gegeben. Das Überlagern kann durch Aufsummieren der gezählten Anzahl 31 an Beobachtungen erfolgen. Hierbei müssen die Häufigkeitsverteilungen 16 16 λ' zeitlich zueinander in Beziehung gesetzt werden. Dies kann auf der Grundlage der Detektionszeitpunkte TO und Tl erfolgen, indem die Fahrzeit TF gemessen wird. Auf Grundlage der Fahrzeit TF wird die Häufigkeitsverteilung 16 λ auf die zuletzt ermittelte Häufigkeitsverteilung 16 λ λ bezogen oder verschoben.
Fig. 5 veranschaulicht, wie die Zustandsdaten 27 mit den Zeitdaten beispielhaft durch das Kraftfahrzeug 10 ermittelt werden können. Hierbei sei angenommen, dass für die Fahrstrecke 11 die Häufigkeitsverteilung 16 erst erzeugt werden soll.
Dargestellt ist die Fahrt entlang der Fahrstrecke 11 über die Zeit t. Für die Erläuterung sei angenommen, dass das Kraftfahrzeug 10 die Ampel 32 für die Durchfahrt A2 erreicht, während die Ampel 32 grün geschaltet ist.
Zunächst wartet das Kraftfahrzeug 10 in der beschriebenen Weise an der Ampel 12 (siehe Fig. 2), weil diese rot geschaltet ist. Dies kann zum Zeitpunkt t = 10 s geschehen, wie dies in Fig. 5 dargestellt ist. Wenn die Ampel 12 auf Grün schaltet, wird dies vom Kraftfahrzeug 10 als das Auslöseereignis 14 detektiert und somit das Messen der Zeitdauer 17 begonnen, also die vergangene Zeitdifferenz ΔΤ seit dem Detektionszeitpunkt TO. Der Detek- tionszeitpunkt TO ist in Fig. 5 bei t = 20 s angenommen.
Das Kraftfahrzeug 10 kann dann mit der Fahrgeschwindigkeit V die Fahrstrecke 11 entlang fahren und beispielsweise bei t = 80 s die Ampel 32 für die Durchfahrt A2 erreichen. Hierzu kann nun ein erster Merkmalsvektor 36 erzeugt werden, der für die Durchfahrt A2 ausgehend vom Haltepunkt 13 den Ampelschaltzustand S (GRÜN - grün) bei der Zeitdauer 17 mit dem Wert ΔΤ = 60 s (t minus TO = 80 s minus 20 s) angibt. Es kann zusätzlich noch eine absolute Zeitangabe, im Beispiel Freitag FR, mit dem Monat m, dem Tag d, der Stunde h und der Minutenangabe min angegeben werden. Da sich eine Durchfahrt 37 ohne Anhalten ergibt, ist in dem Beispiel nur für einen Zeitpunkt der Merkmalsvektor 36 gebildet. Des Weiteren kann angenommen sein, dass das Kraftfahrzeug 10 die Ampel 32 λ für die Durchfahrt A3 zu einer absoluten Zeit t = 160 s erreicht. Als Zeitdauer 17 ergibt sich der Wert ΔΤ = 140 s (t minus TO = 160 s minus 20 s) . Die Ampel 32 λ sei auf Rot geschaltet. Während der sich ergebenden Stoppphase 38, die nun folgt, kann für jeden zu erfassenden Zeitschritt, beispielsweise jede
Sekunde, ein Merkmalsvektor 36 für die Durchfahrt A3 erzeugt werden. In Fig. 5 sind beispielhaft drei Merkmalsvektoren 36 für eine Wartedauer von 3 Sekunden angegeben. Für die Zeitdauer 17 mit dem Wert ΔΤ = 143 s (t minus TO = 163 s minus 20 s) kann ein Merkmalsvektor 36 mit dem Ampelschaltzustand S des Werts GRÜN erzeugt werden, wenn zu diesem Zeitpunkt die Ampel 32 λ auf Grün schaltet und ein Losfahren 39 möglich ist. Um auch schon Merkmalsvektoren beim Annähern an eine Ampel zu bilden zu können, kann der Umgebungssensor 25 erzeugt werden, indem die nachfolgende Ampel zum Beispiel mit dem Umgebungssensor 25 erfasst wird, z.B. gefilmt und durch eine Bildverarbei- tungsmethode der Leuchtzustand der Ampel erkannt wird. Auch aus einem vorausfahrenden Kraftfahrzeug können über die Kommunikationsverbindung 24, beispielsweise mittels einer
Car2Car-Kommunikation, von diesem vorausfahrenden Kraftfahrzeug Zustandsdaten betreffend zu unterschiedlichen Beobachtungs- Zeitpunkten oder Zeitdauerwerten 17 erfasste Ampelschaltzustände empfangen werden.
Die Merkmalsvektoren 36, wie sie beschrieben sind, eignen sich zum Trainieren einer SVM. Mittels der Angabe zur Zeitdauer 17 und dem zugeordneten Ampelschaltzustand S kann auch das Histogramm 34 (siehe Fig. 3) erzeugt oder aktualisiert werden.
Die Ampelschaltzustände S der entlang der Fahrstrecke 11 nachfolgenden Ampeln 32, 32 λ können dann mittels der Häufig- keitsverteilung 16 prognostiziert werden, d.h. es kann angegeben werden, in welcher Zeit das Kraftfahrzeug 10 stehen bleiben muss, weil die jeweilige Ampel 32, 32 λ rot geschaltet ist. Die Häufigkeitsverteilungen 16, 16 16" können auch dazu genutzt werden, an einer rot geschalteten Ampel 32, 32 λ zu prognos- tizieren, wann diese wieder grün geschaltet wird. Es kann durch einen Schwellenwertvergleich mit Schwellenwerten L0, LI, L2 (siehe Fig. 3) angegeben werden, wie aussagekräftig die j eweilige Beobachtung bisher ist. Bei der Nutzung eines maschinellen Lernens, z.B. einer SVM, kann auch dort das jeweilige Ergebnis mit einem Konfidenzwert versehen sein, der zum Beispiel aus einer Abstandsmessung bei einer SVM oder aus einer
Log-Likelihood-Funktion gebildet sein kann.
Indem Histogramme oder SVMs gebildet werden, „erlernt" die Steuervorrichtung 15 und/oder die Servervorrichtung 22 die ab der Veränderung fehlenden oder neuen Ampelschaltzeiten selbstständig. Es können auch veraltete Daten, die älter als ein vorbestimmtes Höchstalter sind, verworfen werden, um hierdurch das „Vergessen" potentiell veralteter Daten zu ermöglichen.
Fig. 6 veranschaulicht, wie mittels einer Matrix 40 mehrere Häufigkeitsverteilungen 16, 16λ, 16" bereitgestellt und/oder für eine Aktualisierung verwaltet werden können. Für mehrere Haltepunkte 41 können jeweils für wiederum mehrere, von dem jeweiligen Haltepunkt 41 erreichbare Durchfahrten 42 Daten für ein jeweiliges Histogramm 16, 16 16" bereitgestellt und/oder gespeichert und/oder verwaltet werden. Falls ein Kraftfahrzeug 10 zu einem bestimmten Haltepunkt 41 ein Auslöseereignis be¬ obachtet hat und dann nach einer darauffolgenden Durchfahrt 42 neue Zustandsdaten 27 mit den 28 sendet, können diese zum jeweiligen Aktualisieren des zugehörigen Histogramms 16, 16 16" verwendet werden.
Des Weiteren kann diese Matrix 40 auch für die Prognose verwendet werden. Beobachtet das Kraftfahrzeug 10 an einem Haltepunkt 41 ein Auslöseereignis und wird eine Durchfahrt 42 erwartet, so kann das zugehörige Histogramm 16, 16 16 λ λ aus der Matrix 40 ausgelesen werden. In der beschriebenen Weise kann dann zu einer geschätzten Ankunftszeit 33 (siehe Fig. 3) eine Wahrschein¬ lichkeit für den Ampelzustand S aus dem Histogramm bestimmt werden .
Insgesamt zeigt das Beispiel, wie durch die Erfindung eine Vorhersage von Schaltphasen von Ampeln auf Basis von Trainingsfahrten bereitgestellt werden kann. Bezugs zeichenliste
10 Kraftfahrzeug
11 Fahrstrecke
12 Ampel
13 Haltepunkt
13 λ Haltepunkt
13 λ λ Haltepunkt
14 Auslöseereignis
14 λ Auslöseereignis
15 Steuervorrichtung
16 Häufigkeitsverteilung
16 λ Häufigkeitsverteilung
16 λ λ Häufigkeitsverteilung
16 λ λ λ Kombinierte Häufigkeitsverteilung
17 Ermittelte Zeitdauer
18 Steuersignal
19 Fahrzeugkomponente
20 Kommunikationseinrichtung
21 KommunikationsVerbindung
22 Servervorrichtung
23 Internet
24 KommunikationsVerbindung
25 Umgebungssensor
26 Datenspeicher
27 ZuStandsdaten
29 Straße
31 Anzahl
32 Nachfolgende Ampel
32 λ Nachfolgende Ampel
33 Ankunfts Zeitpunkt
34 Histogramm
34 λ Geglätteter Verlauf
35 Zeitintervall
36 Merkmalsvektor
37 Durchfahrt
38 Stoppphase
39 Losfahren 40 Matrix
41 Mögliche Haltepunkte
42 Mögliche Durchfahrten AI Durchfahrt
A2 Durchfahrt
A3 Durchfahrt
Kl Kreuzung
K2 Kreuzung
K3 Kreuzung
P Wahrscheinlichkeit
S Ampelschaltzustand
TO Detektionszeitpunkt
Tl Detektionszeitpunkt TF Fahrzeit
V Fahrgeschwindigkeit

Claims

Patentansprüche
1. Verfahren zum Prognostizieren eines Ampelschaltzustands (S) einer Ampel (32) für eine erwartete Durchfahrtsrichtung (A2), in welcher die Ampel (32) von einem Kraftfahrzeug (10) während einer Fahrt passiert werden soll, wobei
- für einen vorbestimmten Haltepunkt (13) auf einer Fahrstrecke (11) vor der Ampel (32) ein Auslöseereignis (14) definiert ist und zu dem Auslöseereignis (14) und der erwarteten Durch- fahrtsrichtung (A2) eine Häufigkeitsverteilung (16) bereitgestellt wird, welche eine jeweilige Anzahl (31) von in der Vergangenheit beobachteten Ampelschaltzuständen (S) für verschiedene, zeitliche Abstände (ΔΤ) , die seit dem Auslöseereignis (14) vergangen sind, angibt und
- an dem Haltepunkt (13) das Auslöseereignis (14) tatsächlich detektiert wird und
- eine Ankunftszeit (33) an der Ampel (32) ermittelt wird und
- anhand der Häufigkeitsverteilung (16) der Ampelschalt zustand (S) für die betrachtete Durchfahrtsrichtung (A2) für die An- kunftszeit (33) prognostiziert wird.
2. Verfahren nach Anspruch 1, wobei die Durchfahrtsrichtung (A2) für den Fall, dass die Fahrstrecke (11) über eine mehrere Straßen (29) verknüpfende Kreuzung (Kl, K2, K3) führt, angibt, über welchen möglichen Haltepunkt (13) der Kreuzung (Kl, K2 , K3) das Kraftfahrzeug (10) die Kreuzung (Kl, K2, K3) erreicht und zu welchem nächsten Haltepunkt (13 λ) das Kraftfahrzeug (10) die Kreuzung (Kl, K2, K3) verlässt.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei als die Durchfahrtsrichtung (AI) eine wahrscheinlichste Fahrstrecke oder eine durch eine Navigationseinrichtung des Kraftfahrzeugs (10) signalisierte Fahrstrecke zugrunde gelegt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Matrix (40) vorgesehen ist, die für mehrere mögliche Haltepunkte (41) j eweils zu zumindest einer nachfolgenden Ampel (32, 32 λ) eine jeweilige Häufigkeitsverteilung (16, 16 16 λ λ) für deren Ampelschaltzustand (S) für mögliche Durchfahrtsrichtungen (42) angibt .
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei zusätzlich zu dem Haltepunkt (13) noch für zumindest einen weiteren Haltepunkt (13 λ) entlang der Fahrstrecke (11) zu einem weiteren Auslöseereignis (14 λ) eine Häufigkeitsverteilung (16 λ λ) bereitgestellt wird und die Häufigkeitsverteilungen (16 16 λ λ) jedes Haltepunkts (13, 13 λ), an welchem das jeweilige Auslöseereignis (14, 14 λ) detektiert wurde, zum Prognostizieren des Ampelschaltzustands (S) kombiniert werden, indem die Häufigkeitsverteilung (16 λ) des letzten Haltepunkts (13 λ) zugrunde gelegt wird und jede übrige Häufigkeitsverteilung (16 λ λ) mit einem jeweils zugehörigen zeitlichen Versatz, der einer Fahrzeit (TF) bis zu dem letzten Haltepunkt (13 λ) ent¬ spricht, angepasst wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei während einer Stoppphase an der Ampel (32) ein tatsächlicher Ampelschaltzustand (S) der Ampel (32) erfasst wird und auf der Grundlage des jeweils erfassten tatsächlichen Ampelschaltzu¬ stands (S) und dem jeweiligen zeitlichen Abstand (ΔΤ) seit dem Detektieren des Auslöseereignisses (14) die Häufigkeitsverteilung (16) aktualisiert wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei während einer Annäherung an die Ampel (32) mittels einer Erfassungseinrichtung (25) ein aktueller, tatsächlicher Ampelschaltzustand (S) der Ampel (32) erfasst wird und auf der Grundlage des erfassten tatsächlichen Ampelschaltzustands (S) die Häufigkeitsverteilung (16) aktualisiert wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei aus zumindest einem weiteren Kraftfahrzeug Zustandsdaten betreffend einen jeweiligen durch das weitere Kraftfahrzeug erfassten tatsächlichen Ampelschaltzustand (S) der Ampel (32) empfangen werden und die Häufigkeitsverteilung (16) anhand der Zustandsdaten aktualisiert wird.
9. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Häufigkeitsverteilung (16) aus mehreren Häufigkeitsverteilungen in Abhängigkeit vom Datum und/oder der Uhrzeit und/oder Verkehrsdichteangaben ausgewählt wird.
10. Verfahren nach einem der vorhergehenden Ansprüche, wobei in Abhängigkeit von dem prognostizierten Ampelschaltzustand (S) der Ampel (32) ein Verbrennungsmotor eines Hybridantriebs des Kraftfahrzeugs (10) und/oder eine Start/Stopp-Funktion eines Verbrennungsmotors und/oder eine Ausgabeeinrichtung zum Ausgeben eines Hinweises auf den Ampelschaltzustand an einen Fahrer des Kraftfahrzeugs gesteuert wird.
11. Verfahren nach einem der vorhergehenden Ansprüche, wobei als Haltepunkt (13) eine Halteposition an einer Ampel (12) vorgesehen ist und das Auslöseereignis (14) ein Losfahren an der Ampel (12) darstellt .
12. Steuervorrichtung (15) für ein Kraftfahrzeug (10), wobei die Steuervorrichtung (15) eine Prozessoreinrichtung aufweist, die dazu eingerichtet ist, ein Verfahren nach einem der vorhergehenden Ansprüche durchzuführen.
13. Kraftfahrzeug (10) mit einer Steuervorrichtung (15) nach Anspruch 12.
14. Servervorrichtung (22), die dazu eingerichtet ist, aus mehreren Kraftfahrzeugen (10) jeweils Zustandsdaten (27) betreffend ein vorbestimmtes Auslöseereignis (14) und einen jeweiligen durch das Kraftfahrzeug (10) erfassten Ampel¬ schaltzustand (S) einer in eine Durchfahrtrichtung (AI) passierten Ampel (32) mit Zeitdaten betreffend einen jeweiligen Erfassungszeitpunkt des erfassten Ampelschaltzustands (S) zu empfangen und anhand der Zustandsdaten (27) mit den Zeitdaten aller Kraftfahrzeuge (10) zu dem j eweiligen Auslöseereignis (14) und der Durchfahrtsrichtung (AI) eine Häufigkeitsverteilung (16) zu erzeugen und bereitzustellen, wobei die Häufigkeits¬ verteilung (16) eine jeweilige Anzahl (31) der beobachteten Ampelschaltzustände (S) für verschiedene, zeitliche Abstände (ΔΤ) angibt, die seit dem jeweiligen Auslöseereignis (14) vergangen sind.
PCT/EP2018/063317 2017-05-24 2018-05-22 Verfahren zum prognostizieren zumindest eines ampelschaltzustands während einer fahrt eines kraftfahrzeugs sowie steuervorrichtung, kraftfahrzeug und servervorrichtung WO2018215419A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201880033968.0A CN111033594B (zh) 2017-05-24 2018-05-22 针对预期的通行方向预测信号灯的信号灯切换状态的方法、控制设备、机动车和服务器设备
EP18727748.8A EP3631778A1 (de) 2017-05-24 2018-05-22 Verfahren zum prognostizieren zumindest eines ampelschaltzustands während einer fahrt eines kraftfahrzeugs sowie steuervorrichtung, kraftfahrzeug und servervorrichtung
US16/616,474 US20200143674A1 (en) 2017-05-24 2018-05-22 Forecasting a Traffic Light Switching State During a Journey of a Motor Vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017208878.8 2017-05-24
DE102017208878.8A DE102017208878B4 (de) 2017-05-24 2017-05-24 Verfahren zum Prognostizieren zumindest eines Ampelschaltzustands während einer Fahrt eines Kraftfahrzeugs sowie Steuervorrichtung und Kraftfahrzeug

Publications (1)

Publication Number Publication Date
WO2018215419A1 true WO2018215419A1 (de) 2018-11-29

Family

ID=62386422

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/063317 WO2018215419A1 (de) 2017-05-24 2018-05-22 Verfahren zum prognostizieren zumindest eines ampelschaltzustands während einer fahrt eines kraftfahrzeugs sowie steuervorrichtung, kraftfahrzeug und servervorrichtung

Country Status (5)

Country Link
US (1) US20200143674A1 (de)
EP (1) EP3631778A1 (de)
CN (1) CN111033594B (de)
DE (1) DE102017208878B4 (de)
WO (1) WO2018215419A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE1850842A1 (en) * 2018-07-04 2019-04-15 Scania Cv Ab Method and control arrangement for obtaining information from a traffic light
CN111696458A (zh) * 2019-03-12 2020-09-22 丰田自动车株式会社 广告显示装置、车辆以及广告显示方法
US20210088355A1 (en) * 2018-05-15 2021-03-25 Mobileye Vision Technologies Ltd. Relevant Traffic Light Mapping and Navigation

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200050155A (ko) * 2018-11-01 2020-05-11 현대자동차주식회사 신호등 정보를 이용한 주행 제어 방법 및 그를 수행하기 위한 차량
US11087152B2 (en) * 2018-12-27 2021-08-10 Intel Corporation Infrastructure element state model and prediction
DE102020200704A1 (de) 2020-01-22 2021-08-05 Volkswagen Aktiengesellschaft Verfahren zur Bestimmung eines Verkehrsregelkriteriums einer Verkehrsampeln, sowie Verkehrsregelbestimmungssystem und Fahrzeug
DE102020126675A1 (de) 2020-10-12 2022-04-14 Bayerische Motoren Werke Aktiengesellschaft Fahrzeugführungssystem und Verfahren zum Betreiben einer Fahrfunktion im Anschluss an einem Anfahrvorgang
DE102020216250B4 (de) 2020-12-18 2022-11-03 Zf Friedrichshafen Ag Modellbasierte prädiktive Regelung eines Kraftfahrzeugs unter Berücksichtigung von Querverkehr
CN112927514B (zh) * 2021-04-09 2022-04-29 同济大学 基于3d激光雷达的机动车闯黄灯行为预测方法和系统
CN113815616B (zh) * 2021-09-17 2023-05-30 宁波吉利罗佑发动机零部件有限公司 车辆控制方法及装置
CN116168544B (zh) * 2023-04-25 2023-08-01 北京百度网讯科技有限公司 切换点预测方法、预测模型训练方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110040621A1 (en) * 2009-08-11 2011-02-17 Ginsberg Matthew L Traffic Routing Display System
DE102011083677A1 (de) 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
DE102012110099B3 (de) * 2012-10-23 2014-01-09 Deutsches Zentrum für Luft- und Raumfahrt e.V. Prädiktionseinheit einer Lichtsignalanlage zur Verkehrssteuerung, Lichtsignalanlage und Computerprogramm
DE102013204241A1 (de) * 2013-03-12 2014-09-18 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung eines erwarteten Umschaltzeitpunkts einer Signalgruppe
DE102013223022A1 (de) 2013-11-12 2015-05-13 Bayerische Motoren Werke Aktiengesellschaft Vorhersage der Signale einer Ampel

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011158364A1 (ja) 2010-06-17 2011-12-22 トヨタ自動車株式会社 信号機サイクル推定装置及び信号機サイクル推定方法
US8736461B2 (en) * 2012-06-25 2014-05-27 National Tsing Hua University Control method of traffic sign by utilizing vehicular network
US9158980B1 (en) * 2012-09-19 2015-10-13 Google Inc. Use of relationship between activities of different traffic signals in a network to improve traffic signal state estimation
CN104252793A (zh) * 2013-06-27 2014-12-31 比亚迪股份有限公司 信号灯状态的检测方法、系统及车载控制装置
US10495469B2 (en) * 2015-06-23 2019-12-03 Ford Global Technologies, Llc Rapid traffic parameter estimation
EP3144918B1 (de) * 2015-09-21 2018-01-10 Urban Software Institute GmbH Computersystem und verfahren zur überwachung eines verkehrssystem
DE102015222805A1 (de) * 2015-11-19 2017-05-24 Volkswagen Aktiengesellschaft Automatische Steuerung eines Fahrzeugs beim Anfahren

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110040621A1 (en) * 2009-08-11 2011-02-17 Ginsberg Matthew L Traffic Routing Display System
DE102011083677A1 (de) 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
DE102012110099B3 (de) * 2012-10-23 2014-01-09 Deutsches Zentrum für Luft- und Raumfahrt e.V. Prädiktionseinheit einer Lichtsignalanlage zur Verkehrssteuerung, Lichtsignalanlage und Computerprogramm
DE102013204241A1 (de) * 2013-03-12 2014-09-18 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung eines erwarteten Umschaltzeitpunkts einer Signalgruppe
DE102013223022A1 (de) 2013-11-12 2015-05-13 Bayerische Motoren Werke Aktiengesellschaft Vorhersage der Signale einer Ampel

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210088355A1 (en) * 2018-05-15 2021-03-25 Mobileye Vision Technologies Ltd. Relevant Traffic Light Mapping and Navigation
US11801860B2 (en) * 2018-05-15 2023-10-31 Mobileye Vision Technologies Ltd. Relevant traffic light mapping and navigation
SE1850842A1 (en) * 2018-07-04 2019-04-15 Scania Cv Ab Method and control arrangement for obtaining information from a traffic light
CN111696458A (zh) * 2019-03-12 2020-09-22 丰田自动车株式会社 广告显示装置、车辆以及广告显示方法
US11361687B2 (en) 2019-03-12 2022-06-14 Toyota Jidosha Kabushiki Kaisha Advertisement display device, vehicle, and advertisement display method

Also Published As

Publication number Publication date
CN111033594A (zh) 2020-04-17
CN111033594B (zh) 2023-06-16
US20200143674A1 (en) 2020-05-07
DE102017208878A1 (de) 2018-11-29
EP3631778A1 (de) 2020-04-08
DE102017208878B4 (de) 2021-02-25

Similar Documents

Publication Publication Date Title
WO2018215419A1 (de) Verfahren zum prognostizieren zumindest eines ampelschaltzustands während einer fahrt eines kraftfahrzeugs sowie steuervorrichtung, kraftfahrzeug und servervorrichtung
DE102017124683A1 (de) Energiereduktion für ein fahrzeug
DE102005053461B4 (de) Verfahren und Vorrichtung zur Verkehrssteuerung
WO2015155133A1 (de) System zur autonomen fahrzeugführung und kraftfahrzeug
DE102011083677A1 (de) Prognose einer Verkehrssituation für ein Fahrzeug
WO2009098071A1 (de) Vorrichtung und verfahren zur bereitstellung von informationen über fahrsituationen
DE102017105781A1 (de) Systeme, Verfahren und Vorrichtungen zur Verbindung von vorhergesagten Wegattributen und Fahrhistorie
EP3566105A1 (de) Verfahren und system zum bereitstellen einer zumindest teilweise automatischen führung eines folgefahrzeugs
DE102017105792A1 (de) Systeme, Verfahren und Vorrichtungen zum Kommunizieren von Fahrhistorien-Wegattributen
DE102010003762A1 (de) Verfahren sowie Einrichtung für ein Reichweitenmanagement eines Fahrzeugs mit elektromotorischem Antrieb
DE102019108644A1 (de) Verfahren und vorrichtung zum automatischen lernen von regeln für autonomes fahren
WO2019106100A1 (de) Verfahren zum betreiben einer steuervorrichtung eines kraftfahrzeugs, um einen nächsten anhaltevorgang vorauszusagen, sowie steuervorrichtung und kraftfahrzeug
DE102008061512A1 (de) Verfahren zur Steuerung eines Hybridantriebs eines Fahrzeugs
DE102013000385A1 (de) Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen
DE102013009856A1 (de) Positionsbestimmung eines stationären Verkehrsobjekts mittels einer zentralen Serveranordnung
DE102018112393A1 (de) Fahrzeugroutennavigation
EP2224408B1 (de) System zur Verkehrserfassung
WO2018171991A1 (de) Verfahren zum fernsteuern von mehreren führerlosen selbstfahrsystemen sowie leitstand zum fernsteuern der selbstfahrsysteme und system
DE102014006551A1 (de) Verfahren zum Erstellen einer Schaltprognose für eine Ampel
EP3723062A1 (de) Verfahren und vorrichtung zur computer-implementierten verkehrsleitung von kraftfahrzeugen in einem vorbestimmten gebiet
DE102020206134A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs
DE102020202650A1 (de) Computerimplementiertes Verfahren zur Routenberechnung für ein autonom fahrendes Kraftfahrzeug, Verfahren zum Fahren eines autonom fahrenden Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
EP3994902B1 (de) Verfahren zur kooperativen ressourcenallokation zum ausführen von bewegungsmanövern in einem strassenbereich sowie zugehörige steuerschaltung und kraftfahrzeug mit einer solchen steuerschaltung
DE102022115574A1 (de) Verfahren und Vorrichtung zur Prädiktion der Wartezeit an einer Ladestation
DE102016006870A1 (de) Verfahren zum Betreiben eines Kraftwagens

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: 18727748

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2018727748

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2018727748

Country of ref document: EP

Effective date: 20200102