WO2019029889A1 - Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn - Google Patents

Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn Download PDF

Info

Publication number
WO2019029889A1
WO2019029889A1 PCT/EP2018/066763 EP2018066763W WO2019029889A1 WO 2019029889 A1 WO2019029889 A1 WO 2019029889A1 EP 2018066763 W EP2018066763 W EP 2018066763W WO 2019029889 A1 WO2019029889 A1 WO 2019029889A1
Authority
WO
WIPO (PCT)
Prior art keywords
friction
coefficient
determined
semivariogram
determining
Prior art date
Application number
PCT/EP2018/066763
Other languages
English (en)
French (fr)
Inventor
Simon GEISLER
Christian Lellmann
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2019029889A1 publication Critical patent/WO2019029889A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/064—Degree of grip
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
    • B60T2210/10—Detection or estimation of road conditions
    • B60T2210/12—Friction
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/40—Coefficient of friction
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/55—External transmission of data to or from the vehicle using telemetry
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Definitions

  • the present invention relates generally to the field of determining friction coefficients of a roadway.
  • the invention relates to a method for determining a coefficient of friction of a road and / or a method for creating a friction coefficient map.
  • the invention relates to a device, in particular a data processing device, for determining a
  • Frictional coefficients for lanes are often determined and / or measured based on a direct and active coefficient of friction measurement.
  • Reibwertdom are usually special measuring vehicles with a
  • the measuring vehicle may have a three-wheeled vehicle trailer with the third wheel in the physical boundary area, i. until the tire stops, can be braked.
  • the necessary braking force and / or the necessary braking torque can be the friction force and with the help of the known
  • Normal force determine the coefficient of friction between the road and the third wheel.
  • the frictional force can be determined, for example, by a lateral force of a fifth wheel inclined at about 20 ° to the direction of travel.
  • the coefficient of friction can be determined by knowing the normal force.
  • measuring methods can not be used without great effort in series vehicles because of the elaborate measuring technology used therein.
  • passive measuring methods for determining coefficients of friction are used. In such measuring methods, based on sensor data from vehicles, such as data from acceleration sensors, gyro sensors, ESP sensors, yaw rate sensors or the like, as well as weather data and / or road sensor data, such as smoothness sensors,
  • Moisture sensors and / or temperature sensors a coefficient of friction for a position and / or a portion of the road are determined.
  • coefficients of friction of a roadway can advantageously be determined reliably, quickly and with high accuracy.
  • One aspect of the invention relates to a method for determining a coefficient of friction of a roadway and / or a coefficient of friction between a vehicle, such as a tire of the vehicle, and the roadway.
  • the coefficient of friction may denote a coefficient of friction between the roadway and the vehicle.
  • the roadway can be a road, a parking lot, a runway, a
  • the method has the step of providing a data record, such as in a memory device and / or a data memory of a data processing device, with Reibmess tone the road, each of the Reibmessevoke a coefficient of friction of the road, in particular a coefficient of friction between the road and the vehicle, on a Indicates measuring position at a measuring time.
  • the method is characterized in particular by the fact that it has the following steps: modeling, representation, mapping and / or determination of a spatial and / or temporal relationship between at least one subset of the
  • Semivariogramms in particular semivariances and / or covariances of the semivariogram, using a machine-learning system
  • Lane position and / or for a time to form a weighted average wherein the weighted average correlates to a sum of friction weighted weights of the respective weighting factors of the subset of friction measurements.
  • the semivariogram also called a variogram, may be in accordance with the generally accepted definition, a spatial and / or temporal relationship and / or correlation of each of the friction measurements of the subset of
  • the step of modeling the spatial and / or temporal relationship between at least a subset of the friction measurements based on a semivariogram may include and / or denote modeling the semivariogram.
  • the weighted mean value may in particular denote a sum of the friction measurement values of the subset, wherein each of the friction measurement values may be weighted and / or multiplied by the weighting factor determined for the respective friction measurement value.
  • the weighted average may denote the sum of the friction measurements of the subset, each multiplied by the associated weighting factor.
  • the weighting factors can be determined in each case relative to the time and / or the roadway position for which and / or for which the coefficient of friction is determined.
  • the method may be considered to be based on the findings described below.
  • active measuring methods and / or by means of passive methods for the determination of friction measuring values of a roadway friction measuring values at certain measuring positions can be determined for certain
  • Measuring times are determined. For example, in the context of passive methods based on vehicle data, weather data and / or Road sensor data spatially distributed Reibmesshong, possibly with an associated measurement uncertainty, are determined at the respective measurement time. These friction measurement values can be summarized in the data record, for example, wherein spatially and / or temporally there can be no friction measurement values between the friction measurement values of the data set. In certain spatial and / or temporal areas, therefore, the Reibmesshong the record can accumulate, whereas in other areas, little or no
  • Friction measurements may be present.
  • the Reibmess uncomfortable the data set can also be determined at different times and for this reason at least partially different from each other.
  • a coefficient of friction for the spatial and / or time intervals on the basis of such a data set of friction measured values, it is in accordance with the invention
  • Semivariogram can be determined advantageously the spatial and / or temporal relationship and / or correlation of the Reibmesshong the subset. This in turn can allow with high precision and / or
  • Friction measurements is. In addition, with high precision and / or accuracy
  • Friction value can be determined for any time, which may be relative to the measurement moments of the Reibmessock present, future or past. Based on the
  • the method thus makes it possible to determine an arbitrary number of coefficients of friction for arbitrary roadway positions and / or for any time points based on the data record of friction measurement values.
  • a coefficient map which a road map with the associated
  • Designate coefficients of friction of the roads of the road map can be determined.
  • the method according to the invention may designate a method for determining and / or creating a friction coefficient map.
  • the method may be a method for determining a coefficient of friction and / or creating a
  • Friction values are determined and / or predicted. This can be created in an advantageous manner, a nationwide friction coefficient. Also, an accuracy of the determined coefficient of friction is not adversely affected by the fact that
  • Reibmess uncomfortable were determined at different measuring times, but the prediction of the coefficient of friction should be made only at a certain time. Another advantage is that this time can be in the present, the past or in the future. Also, the method of the invention can cost-effectively any number of users, for example
  • Road sections are provided, although the roadway, for example, has not yet been used with their own vehicle.
  • the machine learning system may designate and / or include an artificial intelligence system. For example, in the Machine Learning
  • System may be implemented a regression method for determining at least a part of the semivariogram.
  • the semivariogram may be implemented a regression method for determining at least a part of the semivariogram.
  • Machine learning system a neural network, in particular a multi-layered neural network and / or a multilayer neural network.
  • the neural network can be operated in a feed-forward mode, wherein as input data, the Reibmess uncomfortable the subset of
  • the machine learning system can be used in particular for
  • the machine learning system can be roughly in one Data processing device implemented and / or realized.
  • the semivariogram for each roadway position can be determined precisely and quickly in an advantageous manner.
  • increased flexibility and accuracy of Reibwertre and a better local adaptation can be achieved.
  • the step of modeling based on the semivariogram comprises determining a semivariance and / or a covariance between in each case two friction measurement values of the subset of the friction measurement values.
  • a semivariance and / or a covariance can be added to each other
  • Friction measurement of the subset are determined. In general, the determined
  • Semivariances and / or covariances represent a reliable measure of a spatial and / or temporal scattering and / or correlation of the friction measurement values, so that based on the semivariances and / or the covariances a
  • Semivariogram can be created, which can comprehensively map the spatial and / or temporal relationship between the Reibmess apply the subset.
  • the semivariances and / or the covariances are respectively determined as a function of a spatial distance between the positions of the two friction measurement values.
  • the semivariances and / or the covariances may each depend on a time interval of the measurement times of the two
  • Friction measurements are determined.
  • a representation and / or modeling of the semivariances and / or covariances as a function of the spatial and / or temporal distances can in particular reduce a computational effort and / or a computing time for determining the semivariogram.
  • the step of modeling based on the semivariogram comprises creating a semivariance matrix based on the determined semivariances.
  • the step of modeling based on the semivariogram comprises creating a covariance matrix based on the determined covariances.
  • the method further comprises a step of training the machine learning system based on a learning data set of friction measurements.
  • the learning data record can include actual and / or friction measurement values determined in the past.
  • the learning data set can also have synthetically generated friction measurement values. For example, weights for nodal points of a neural network can be determined based on the learning data set.
  • the method has a step of adapting learned parameter values of the machine learning system based on currently determined friction measurement values.
  • Parameter values of the machine learning system can be, for example, the weights of nodes of the neural network.
  • the machine learning system can generally between offline and offline.
  • machine learning is taught in advance with a learning data record. Subsequently, the machine-learning system can be used with a fixed parameter set to determine the semivariograms.
  • the machine learning system is taught during operation and updated with current,
  • Calculation time step a new semivariogram for each lane position can be determined with high precision.
  • each of the weighting factors gives a spatial and / or temporal relationship between the
  • the step of modeling based on the semivariogram comprises determining a functional
  • a semivariance for all the friction measurements of the subset as a function of location and / or time can be determined.
  • the step of modeling based on the semivariogram has a fit of a function to the semivariances and / or to the
  • the method further comprises the step of determining a variance and / or an uncertainty of the determined coefficient of friction based on the determined weighting factors.
  • determining a variance and / or an uncertainty of the determined coefficient of friction based on the determined weighting factors.
  • the method further comprises the step of determining a plurality of friction values at a plurality of roadway positions and / or for a plurality of points in time, and the step of creating a friction map based on the plurality of determined friction values, such as by entry the determined coefficients of friction in a road map.
  • a coefficient map may be advantageous in particular with regard to an autonomous driving of vehicles, since based on such a coefficient map, for example, a speed of a vehicle can be automatically adapted to the currently existing coefficient of friction.
  • Developments in the area of networked vehicles and / or in the field of autonomous driving can, for example by means of connectivity units, an exchange of
  • Friction values entered in a friction coefficient map can be used here, for example, to automatically set vehicle speeds, for example, before curves. So can dangerous situations or accidents by agreement from the lane, especially in difficult
  • the method further comprises
  • the method has the step of determining the coefficient of friction at the request position and / or for the request time.
  • the request time can be in the present, the past or the future.
  • the method has the step of providing the determined coefficient of friction to the road user.
  • the inventive method for example, in a server and / or a server-based
  • road users can request a friction value in real time for any request positions and / or at any desired request time, and in accordance with the ascertained
  • Friction for example, a driving behavior, such as a speed adapt.
  • a functionality of the method according to the invention can be made available to any number of road users, without requiring a cost-intensive upgrade of the vehicles.
  • Another aspect of the invention relates to a data processing device for determining a coefficient of friction of a road, wherein the
  • Data processing device is adapted to perform the method as described above and below.
  • Data processing device can also be a network of
  • Data processing devices such as a cloud environment denote.
  • Data processing device a data memory for storing a record of friction measurements of the road, a processor and a
  • a program element may be stored in the data store which, when executed on the processor, instructs the data processing device to carry out steps of the method as described above and below.
  • the interface may be a wireless interface for bidirectional communication between a vehicle and the data processing device. The communication can be about the Internet, a mobile network and / or a
  • Telephone network done. About the interface can be about the request of
  • Received friction coefficient of the vehicle and the friction coefficient then determined are sent to the vehicle.
  • the machine learning system can be integrated and / or implemented. Also, the
  • Data processing device with an external machine-learning system such as via a suitable data interface to be coupled.
  • FIG. 1 shows a data processing apparatus according to a
  • Fig. 2 shows a system with a data processing apparatus according to an embodiment of the invention.
  • FIG. 3 shows a flowchart for illustrating steps of a method for determining a coefficient of friction according to an exemplary embodiment of the invention.
  • 4 shows a flowchart for illustrating steps of a method for determining a coefficient of friction according to an exemplary embodiment of the invention.
  • Fig. 1 shows a data processing apparatus 10 according to a
  • the data processing device 10 has a data memory 12 for
  • the data processing device 10 has a processor 18.
  • a program element may be deposited which, when executed on the processor 18, the
  • Data processing apparatus 10 instructs to carry out steps of the method for determining a coefficient of friction, as described above and below.
  • the data processing device 10 has an interface 20.
  • the interface 20 may be an interface 20 for wireless communication with a road user 22, such as a vehicle 22.
  • the interface 20 can be designed for bidirectional communication with the road user 22, wherein the communication can take place, for example, via the Internet, a mobile radio network, a telephone network and / or another suitable data transmission network.
  • Road user 22 may, for example, request a coefficient of friction
  • Interface 20 can receive.
  • the data processing device 10 can furthermore be designed and / or set up for the corresponding coefficient of friction to determine, as described above and below in detail, and the coefficient of friction via the interface 20 to the road user 22nd
  • the data processing device 10 may in particular designate and / or include one or more servers.
  • the data processing device 10 may in particular designate and / or include one or more servers.
  • the servers may in particular designate and / or include one or more servers.
  • Data processing device 10 may be implemented in a cloud environment and / or a cloud computing environment.
  • the data processing device 10 has a machine learning system 15.
  • the machine learning system 15 may for an application of a regression method for determining at least a part of a
  • the machine-learning system 15 may include a neural network 15, in particular a multi-layered neural network 15.
  • the data processing device 10 may also be coupled to an external machine learning system 15, for example via a suitable data interface.
  • FIG. 2 shows a system 100 with a data processing device 10 according to an embodiment of the invention.
  • the data processing apparatus 10 of Figure 2 has the same elements and features as the data processing apparatus 10 of Figure 1.
  • the system 100 includes a weather information station 102 that provides the data processing device 10 with up-to-date and / or predicted weather data, such as temperature, air pressure, humidity, precipitation rate, or the like.
  • the system 100 has a road sensor station 104, which supplies the data processing device 10 with road sensor data and / or
  • Road sensor data such as smoothness sensor data
  • Moisture sensor data, temperature data or the like provides.
  • the data processing device 10 is further provided with vehicle sensor data from one or more vehicles 106.
  • vehicle sensor data may be data from acceleration sensors, gyro sensors, ESP sensors, yaw rate sensors or the like. These data can be wirelessly transmitted over a telephone network, in particular a mobile radio network, to the
  • Data processing device 10 are transmitted.
  • the system 100 has a connection to the Internet 108 via which additional data relating to a roadway and / or a
  • Road network can be queried by the data processing device 10.
  • Data processing device 10 determine location-dependent and / or time-dependent friction measurement values i (s h ), 16.
  • the weather data, the road sensor data, the vehicle sensor data and / or the further data can be processed, for example by means of a particle filter and / or a Kalman filter, into time sequences in order to aggregate a location-dependent and / or time-dependent friction measurement value 16.
  • This Reibmesswert 16 can then be sent to the road user 22 on the
  • Interface 20 of the data processing device 10 are sent to the road user 22 to transmit information about the current coefficient of friction.
  • the friction measurement values 16 can be combined in a data record 14 and stored in the data memory 12 of FIG Data processing device 10 are deposited for further processing. As explained above and in detail below, the
  • Data processing device 10 based on the Reibmess tone 16 one or more coefficients of friction at a roadway position and / or determine for a time at which no Reibmessock 16 are available. Such friction values can then be transmitted to the road user 22.
  • the data processing device 10 may be configured to generate a plurality of friction values for different ones based on the friction measurement values 16
  • the friction coefficient map can designate a road map with friction coefficients entered therein. Also, such a
  • FIG. 3 shows a flowchart for illustrating steps of a method for determining a coefficient of friction .beta. According to an exemplary embodiment of FIG. 3
  • Data processing device 10 wherein s, a measurement position, location coordinates of the measurement position and / or a location vector of the measurement position and t denote a measurement time.
  • the record 14 may be the
  • Reibmesshong 16 as described in Figure 1, have.
  • each of the friction readings a friction coefficient between a roadway and a road user 22, in particular between a roadway and a vehicle 22, such as a tire of the vehicle 22.
  • the Reibmess uncomfortable can also be determined in step S1, as described above with reference to FIG. 2, based on weather data, road sensor data,
  • Data processing device 10 are determined.
  • a Semivariogram can be determined.
  • a kriging method can be used for this purpose, for example an "Ordinary Kriging", a “Simple Kriging” and / or a “Universal Kriging.”
  • the semivariance and / or the covariance are determined for all further friction measurements tj) of the subset, where j is not equal to i.
  • the determined Semivariances can then be in a semivariance matrix
  • the covariances can be combined in a covariance matrix.
  • the semivariance ⁇ can be described for a variable Z at the locations s and s + h at the times t and t + ⁇ , for example in the following mathematical formula:
  • the semivariance and the covariance can thus be used as a measure of a scattering and / or correlation of the friction measurement values be used.
  • the semivariance and / or the covariance may be for each friction measurement the
  • the semivariances and / or the covariances may depend on the spatial distance
  • step S2 a functional relationship between the
  • Semivariants correlating sizes can be determined. In particular, can do this a closed analytical function is fitted to the determined semivariances, the covariances and / or to variables correlating with the semivariances.
  • Reibmesswert determined wherein the weighting factors each have a spatial and / or temporal relationship between the associated Reibmesswert and the coefficient of friction p to be determined at a
  • the coefficient of friction p to be determined at the roadway position is determined in such a way and / or at the time t 0 to form a weighted mean value, the weighted average value being a sum of friction measurement values weighted with the respective weighting factors Wj
  • the variance of the coefficient of friction may thus have a first term which is proportional to the semivariance matrix and / or proportional to the covariance matrix. Also, the variance may have a second term which may be proportional to the sum of the weighted semivariances w. In other words, the second term of the variance may be given by the sum of the semivariances multiplied by the respective weighting factors wi, the sum running over the N friction metrics of the subset.
  • steps S1 to S4 described above in particular the steps S2 to S4 and / or S3 to S4, can also be run through several times, so that at several different roadway positions and / or to
  • Friction values can be determined at different times. In one
  • step S5 may be based on this plurality of determined
  • a friction coefficient map can be created, for example by entering the coefficients of friction in a road map.
  • individual coefficients of friction can also be transmitted via the interface 20 to a road user 22.
  • the Reibwert badge can be transmitted to the road user 22 and / or the Reibwert badge can be outputted approximately on a user interface of the data processing device 10 and / or stored in the data memory 12.
  • at least a part of the semivariogram, in particular the semivariances and / or the covariances can be determined using a machine-learning system 15, such as a neural network 15 or the like.
  • the machine learning system 15 can be taught in on the basis of a learning data set of friction measurement values, wherein the learning data record can contain currently determined friction measurement values and / or other friction measurement values.
  • learned parameter values of the machine learning system 15, for example weights of individual nodes in a multilayer neural network 15, can be adapted based on currently determined friction measurement values.
  • the semivariogram can also be defined by a method of machine learning using the machine learning system 15 for all locations. Conceivable are regression methods and / or the use of a multilayer neural network 15 (feed-forward).
  • Input values come the weather or vehicle data and their location and
  • Parameters of the function z (_s, t) for a friction coefficient to be determined When learning, a distinction can be made between offline and online learning of the machine learning system 15. When learning offline, the machine-learning system 15 is taught in advance with a learning data record. Subsequently, the models with fixed parameter set for determination are fixed
  • Machine learning system 15 learned during operation and adjusted with current, adapted learning data of specific places again and again. Thus, a new semivariogram for each location can be determined for each calculation time step.
  • 4 shows a flow chart for illustrating steps of a method for determining a coefficient of friction p according to an exemplary embodiment of the present disclosure
  • Data memory 18 of a data processing device 10 is provided, wherein s, a measurement position, location coordinates of the measurement position and / or a location vector of the measurement position and a measurement time point.
  • the record 14 can
  • Friction measurements may also be made in step S1, as described above with respect to FIG.
  • FIG. 2 describes, based on weather data, road sensor data,
  • Data processing device 10 are determined.
  • the first component can be a first term and the
  • the second component may be a second term.
  • the friction measurements (si, t) may be modeled as random variables so that each friction measurement may consist of the two components.
  • Component can by a function the the local trend
  • the second component can be represented by a
  • Random variable e (s, t) may be represented.
  • the friction readings can thus be represented as follows:
  • the first component may comprise a linear combination of a plurality of deterministic functions, such as location and / or time, and a plurality of coefficients. In other words, the first
  • the trend modeled in the first component can correlate with at least one influencing variable influencing the friction measured values of the subset, wherein the at least one influencing variable can include weather data, geographical data and / or a temporal dependency.
  • the modeling of the trend can thus advantageously increase the flexibility of the method, since certain dependencies, influencing variables and / or influences can be taken into account. For example, it can be taken into account in the trend that, for example, at lower latitudes, a higher coefficient of friction is to be expected than at high latitudes. It can also be taken into account that, for example, in rain or snow, a lower coefficient of friction is to be expected than in dry weather. It can also be taken into account that a higher coefficient of friction is expected in summer than in winter.
  • step S2 optionally in step S2 at least a part of the first
  • Component using a machine learning system 15 are determined.
  • a machine learning system 15 such as a neural network 15 or the like
  • the machine learning system 15 can for this purpose be learned based on a learning data set of Reibmess Moore.
  • weather data and / or geography can be displayed.
  • learning by means of the machine learning system 15 for creating the local trend offers the advantage that more accurate and up-to-date trends can be generated for each location.
  • increased flexibility and accuracy of friction coefficient determination and better local adaptation are achieved. It is also possible to continuously enhance the method, the machine learning system 15 and / or the data processing device 10 by means of online learning
  • Friction measurements M (SI, t,), with i l ... N, determined on the basis of a semivariogram.
  • a semivariogram can be determined in step S2.
  • a Kriging method can be used for this purpose,
  • the determined semivariances can then be summarized in a semivariance matrix.
  • the covariances may be in a covariance matrix
  • the semivariance and the covariance can thus be used as a measure of a scattering and / or correlation of the friction measurements (S,). Also analogous to the description of FIG. 3, a time component and / or a time dependence can be taken into account.
  • the semivariance and / or the covariance can for each friction measurement of the
  • step S2 a functional relationship between the
  • Semivariants correlating sizes can be determined.
  • a closed analytical function can be fit to the determined semivariances, the covariances and / or to variables that are correlated with the semivariances.
  • step S3 analogous to step S3 of FIG. 3, based on the semivariogram and / or based on a kriging method Weighting factor Wi (si) for each friction measurement determined, wherein the weighting factors each have a spatial and / or temporal relationship between the associated Reibmesswert and to be determined
  • step S4 analogously to the step S4 of FIG. 3, the friction coefficient ⁇ to be determined at the roadway position is ultimately and / or to that
  • Time to is determined by forming a weighted average value, wherein the weighted average is correlated with and / or given by a sum of friction measured values p (si, ti) weighted with the respective weighting factors Wj, as indicated in the following formula:
  • temporal component is not considered in the preceding and following formulas. Analogous to the description of FIG. 3, however, the time dependence can also be taken into account.
  • the variance of the coefficient of friction can thus have a first term, which is proportional to the sum of the weighted with the weighting factors w
  • the first term of the variance may be given by the sum of the semivariances multiplied by the respective weighting factors w, the sum passing over the N friction metrics of the subset.
  • the variance may have a second term which may be proportional to the sum of the deterministic functions f i.
  • the steps S1 to S4 described above, in particular the steps S2 to S4 and / or S3 to S4, can also be run through several times, so that coefficients of friction occur at a plurality of different roadway positions and / or at different times can be determined.
  • a Reibwert badge be created, such as by entering the friction coefficients in a street map.
  • individual coefficients of friction can also be transmitted via the interface 20 to a road user 22.
  • the Reibwert badge can be transmitted to the road user 22 and / or the Reibwert badge can be outputted approximately on a user interface of the data processing device 10 and / or stored in the data memory 12.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Es wird ein Verfahren zum Ermitteln eines Reibwertes (aa) einer Fahrbahn, welches ein Bereitstellen eines Datensatzes (14) von Reibmesswerten (μ) der Fahrbahn aufweist, wobei jeder der Reibmesswerte (μ) einen Reibungskoeffizienten der Fahrbahn an einer Messposition (si) zu einem Messzeitpunkt (ti) angibt. Das Verfahren zeichnet sich insbesondere durch die folgenden Schritte aus: Modellieren eines räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der Reibmesswerte (μ) basierend auf einem Semivariogramm; Ermitteln zumindest eines Teils des Semivariogramms unter Verwendung eines Machine-Learning-Systems (15); Ermitteln eines Wichtungsfaktors (wi) für jeden Reibmesswert (μ) relativ zum Zeitpunkt (t0) und Fahrbahnposition (s0) der Prädiktion der Teilmenge von Reibmesswerten (μ) basierend auf dem Semivariogramm; und Ermitteln eines Reibwertes (aa) für eine Fahrbahnposition (s0) und/oder für einen Zeitpunkt (t0) unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe der mit den jeweiligen Wichtungsfaktoren gewichteten Reibmesswerten (μ) der Teilmenge der Reibmesswerte (μ) korreliert. Dies erlaubt es, Reibwerte einer Fahrbahn zuverlässig, schnell und mit hoher Genauigkeit zu ermitteln.

Description

Beschreibung Titel
Verfahren und Vorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn
Gebiet der Erfindung
Die vorliegende Erfindung betrifft allgemein das Gebiet der Ermittlung von Reibwerten einer Fahrbahn. Insbesondere betrifft die Erfindung ein Verfahren zum Ermitteln eines Reibwertes einer Fahrbahn und/oder ein Verfahren zum Erstellen einer Reibwertkarte. Ferner betrifft die Erfindung eine Vorrichtung, insbesondere eine Datenverarbeitungsvorrichtung, zum Ermitteln eines
Reibwertes einer Fahrbahn. Stand der Technik
Reibwerte für Fahrbahnen, wie etwa Straßen, Parkplätze, Rollfelder und/oder Startbahnen auf Flughäfen, werden häufig basierend auf einer direkten und aktiven Reibwertmessung ermittelt und/oder gemessen. Zur aktiven
Reibwertmessung werden in der Regel spezielle Messfahrzeuge mit einer
Reibwertmesstechnik eingesetzt. Beispiele für derartige Messfahrzeuge sind der sogenannte„Surface Friction Tester" sowie die„Sideway-force Coefficient Routine Investigation Machine", bei welchen Reibmesswerte der Fahrbahn basierend auf einer Kraftmessung ermittelt werden. Beispielsweise kann das Messfahrzeug über einen Fahrzeuganhänger mit drei Rädern verfügen, wobei das dritte Rad in den physikalischen Grenzbereich, d.h. bis zum Reifenstillstand, abgebremst werden kann. Über die dazu nötige Bremskraft und/oder das dazu nötige Bremsmoment lässt sich die Reibkraft und mit Hilfe der bekannten
Normalkraft der Reibwert zwischen Fahrbahn und dem dritten Rad bestimmen. Alternativ kann die Reibkraft beispielsweise über eine Seitenkraft eines fünften, um etwa 20° zur Fahrtrichtung geneigten Rades ermittelt werden. Auch in diesem Fall kann der Reibwert unter Kenntnis der Normalkraft bestimmt werden. Derartige Messverfahren können allerdings aufgrund der darin eingesetzten aufwändigen Messtechnik nicht ohne großen Aufwand in Serien-Fahrzeugen eingesetzt werden. Auch finden zunehmend passive Messverfahren zur Ermittlung von Reibwerten Einsatz. In derartigen Messverfahren kann basierend auf Sensordaten von Fahrzeugen, wie etwa Daten von Beschleunigungssensoren, Gyrosensoren, ESP-Sensoren, Drehratensensoren oder dergleichen, sowie Wetterdaten und/oder Straßensensordaten, wie beispielsweise Glättesensoren,
Feuchtigkeitssensoren und/oder Temperatursensoren, ein Reibwert für eine Position und/oder einen Abschnitt der Fahrbahn ermittelt werden.
Offenbarung der Erfindung
Mit Ausführungsformen der Erfindung können in vorteilhafter Weise Reibwerte einer Fahrbahn zuverlässig, schnell und mit hoher Genauigkeit ermittelt werden.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Ermitteln eines Reibwertes einer Fahrbahn und/oder eines Reibwertes zwischen einem Fahrzeug, etwa einem Reifen des Fahrzeugs, und der Fahrbahn. Der Reibwert kann dabei einen Reibungskoeffizienten zwischen der Fahrbahn und dem Fahrzeug bezeichnen. Die Fahrbahn kann dabei eine Straße, einen Parkplatz, ein Rollfeld, eine
Startbahn und/oder jede andere von einem Fahrzeug befahrbare Fläche bezeichnen. Das Verfahren weist dabei den Schritt des Bereitstellens eines Datensatzes, etwa in einer Speichervorrichtung und/oder einem Datenspeicher einer Datenverarbeitungsvorrichtung, mit Reibmesswerten der Fahrbahn auf, wobei jeder der Reibmesswerte einen Reibungskoeffizienten der Fahrbahn, insbesondere einen Reibungskoeffizienten zwischen der Fahrbahn und dem Fahrzeug, an einer Messposition zu einem Messzeitpunkt angibt. Das Verfahren zeichnet sich insbesondere dadurch aus, dass es die folgenden Schritte aufweist: Modellieren, Darstellen, Abbilden und/oder Ermitteln eines räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der
Reibmesswerte basierend auf einem Semivariogramm;
Ermitteln, Bestimmen und/oder Berechnen zumindest eines Teils des
Semivariogramms, insbesondere von Semivarianzen und/oder Kovarianzen des Semivariogramms, unter Verwendung eines Machine-Learning Systems;
Ermitteln, Bestimmen und/oder Berechnen eines Wichtungsfaktors für jeden Reibmesswert der Teilmenge von Reibmesswerten basierend auf dem
Semivariogramm; und Ermitteln, Bestimmen und/oder Berechnen eines Reibwertes für eine
Fahrbahnposition und/oder für einen Zeitpunkt unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe von mit den jeweiligen Wichtungsfaktoren gewichteten Reibmesswerten der Teilmenge der Reibmesswerte korreliert.
Das Semivariogramm, auch Variogramm genannt, kann etwa gemäß der allgemein üblichen Definition, eine räumliche und/oder zeitliche Beziehung und/oder Korrelation jedes der Reibmesswerte der Teilmenge der
Reibmesswerte zu den weiteren Reibmesswerten der Teilmenge bezeichnen. Im Allgemeinen kann das Semivariogramm und/oder das Variogramm
Semivarianzen der Reibmesswerte der Teilmenge von Reibmesswerten als Funktion des Ortes und/oder als Funktion der Zeit beinhalten. Unter Verwendung des Semivariogramms und/oder des Variogramms kann in vorteilhafter Weise die räumliche und/oder zeitliche Beziehung bzw. die räumliche und/oder zeitliche Korrelation zwischen den Reibmesswerten der Teilmenge modelliert werden. Gleichsam kann der Schritt des Modellierens des räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der Reibmesswerte basierend auf einem Semivariogramm ein Modellieren des Semivariogramms aufweisen und/oder bezeichnen.
Der gewichtete Mittelwert kann insbesondere eine Summe der Reibmesswerte der Teilmenge bezeichnen, wobei jeder der Reibmesswerte mit dem für den jeweiligen Reibmesswert ermittelten Wichtungsfaktor gewichtet und/oder multipliziert sein kann. Mit anderen Worten kann der gewichtete Mittelwert die Summe der Reibmesswerte der Teilmenge, jeweils multipliziert mit dem zugehörigen Wichtungsfaktor, bezeichnen. Die Wichtungsfaktoren können dabei jeweils relativ zu dem Zeitpunkt und/oder der Fahrbahnposition ermittelt werden, für welchen und/oder für welche der Reibwert bestimmt wird.
Das Verfahren kann als auf den nachfolgend beschriebenen Erkenntnissen beruhend angesehen werden. Mittels aktiver Messverfahren und/oder mittels passiver Verfahren zur Bestimmung von Reibmesswerten einer Fahrbahn können Reibmesswerte an bestimmten Messpositionen für bestimmte
Messzeitpunkte ermittelt werden. Beispielsweise können im Rahmen passiver Verfahren basierend auf Fahrzeugdaten, Wetterdaten und/oder Straßensensordaten räumlich verteilte Reibmesswerte, gegebenenfalls mit einer zugehörigen Messunsicherheit, zum jeweiligen Messzeitpunkt ermittelt werden. Diese Reibmesswerte können etwa in dem Datensatz zusammengefasst werden, wobei räumlich und/oder zeitlich zwischen den Reibmesswerten des Datensatzes keine Reibmesswerte vorliegen können. In gewissen räumlichen und/oder zeitlichen Bereichen können sich daher die Reibmesswerte des Datensatzes häufen, wohingegen in anderen Bereichen nur wenige oder gar keine
Reibmesswerte vorhanden sein können. Zudem können die Reibmesswerte des Datensatzes auch zu unterschiedlichen Zeiten ermittelt sein und sich aus diesem Grund zumindest teilweise voneinander unterscheiden. Um basierend auf einem solchen Datensatz von Reibmesswerten einen Reibwert für die räumlichen und/oder zeitlichen Zwischenräume zu ermitteln, ist erfindungsgemäß
vorgesehen, zumindest für eine Teilmenge des Datensatzes den räumlichen und/oder zeitlichen Zusammenhang der Reibmesswerte der Teilmenge basierend auf dem Semivariogramm zu ermitteln. Basierend auf dem
Semivariogramm kann in vorteilhafter Weise die räumliche und/oder zeitliche Beziehung und/oder Korrelation der Reibmesswerte der Teilmenge ermittelt werden. Dies wiederum kann es erlauben, mit hoher Präzision und/oder
Genauigkeit einen Reibwert zu ermitteln, welcher räumlich zwischen den
Reibmesswerten liegt. Zudem kann mit hoher Präzision und/oder Genauigkeit ein
Reibwert für einen beliebigen Zeitpunkt ermittelt werden, wobei dieser Zeitpunkt relativ zu den Messzeitpunkten der Reibmesswerte in der Gegenwart, der Zukunft oder der Vergangenheit liegen kann. Basierend auf dem
Semivariogramm kann daher ein Reibwert in zeitlicher Hinsicht präzise prädiziert werden.
Das Verfahren erlaubt es somit, eine beliebige Anzahl von Reibwerten für beliebige Fahrbahnpositionen und/oder für beliebige Zeitpunkte basierend auf dem Datensatz von Reibmesswerten zu ermitteln. Somit kann in vorteilhafter Weise eine Reibwertkarte, welche eine Straßenkarte mit den zugehörigen
Reibwerten der Straßen der Straßenkarte bezeichnen kann, ermittelt werden. Gleichsam kann das erfindungsgemäße Verfahren ein Verfahren zum Ermitteln und/oder Erstellen einer Reibwertkarte bezeichnen. Zudem kann das Verfahren ein Verfahren zum Ermitteln eines Reibwertes und/oder Erstellen einer
Reibwertkarte basierend auf einem Kriging, insbesondere einem spatio- temporalen Kriging, bezeichnen. Das Verfahren ermöglicht somit in vorteilhafter Weise, dass neben der
räumlichen Modellierung eine beliebige Anzahl von Reibmesswerten, analog einem Schwarmwissen, genutzt werden können. So können Einflüsse einzelner Messfehler und/oder Unsicherheiten der Reibmesswerte auf die Genauigkeit der ermittelten Reibwerte geringgehalten werden, da eine statistische Auswertung der Reibmesswerte basierend auf dem Semivariogramm eine hohe Genauigkeit erlaubt. Zudem können auch in räumlichen und/oder zeitlichen Bereichen, in welchen nur wenig Reibmesswerte vorliegen, zuverlässige und präzise
Reibwerte ermittelt und/oder prädiziert werden. Damit kann in vorteilhafter Weise eine flächendeckende Reibwertkarte erstellt werden. Auch wird eine Genauigkeit des ermittelten Reibwertes nicht dadurch negativ beeinflusst, dass die
Reibmesswerte zu verschiedenen Messzeitpunkten ermittelt wurden, jedoch die Prädiktion des Reibwertes nur zu einem gewissen Zeitpunkt erfolgen soll. Ein weiterer Vorteil ist, dass dieser Zeitpunkt in der Gegenwart, Vergangenheit oder auch in der Zukunft liegen kann. Auch kann das erfindungsgemäße Verfahren kosteneffizient einer beliebigen Anzahl von Nutzern, beispielsweise
Verkehrsteilnehmern, zur Verfügung gestellt werden, wobei das Verfahren auch mit anderen Connectivity- Funktionen von Fahrzeugen kombiniert werden kann. Damit können zusätzliche Informationen über Fahrbahnen und/oder
Straßenabschnitte bereitgestellt werden, obwohl die Fahrbahn beispielsweise noch nicht mit dem eigenen Fahrzeug befahren wurde.
Das Machine-Learning-System kann ein System mit künstlicher Intelligenz bezeichnen und/oder aufweisen. Beispielsweise kann in dem Machine-Learning-
System eine Regressionsmethode zur Bestimmung zumindest eines Teils des Semivariogramms implementiert sein. Alternativ oder zusätzlich kann das
Machine-Learning-System ein neuronales Netz, insbesondere ein vielschichtiges, neuronales Netz und/oder ein Multilayer-Neuronales-Netz, aufweisen. Das neuronale Netz kann dabei in einem Feed-Forward-Modus betrieben werden, wobei als Eingangsdaten die Reibmesswerte der Teilmenge von
Reibmesswerten, Wetterdaten und/oder Fahrzeugsensordaten verwendet werden können. Das Machine-Learning-System kann insbesondere zur
Ermittlung von Semivarianzen, von Kovarianzen und/oder von mit den
Semivarianzen korrelierenden Größen basierend auf den Reibmesswerten eingerichtet sein. Das Machine-Learning-System kann etwa in einer Datenverarbeitungsvorrichtung implementiert und/oder realisiert sein. Durch Verwendung des Machine-Learning-Systems kann in vorteilhafter Weise das Semivariogramm für jede Fahrbahnposition präzise und schnell ermittelt werden. So kann eine erhöhte Flexibilität und Genauigkeit der Reibwertermittlung sowie eine bessere lokale Anpassung erreicht werden. Auch ist es möglich, das
Machine-Learning-System kontinuierlich durch Onlinelernen zu adaptieren und/oder zu verbessern, so dass eine Präzision der Reibwertermittlung weiter gesteigert sein kann. Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln einer Semivarianz und/oder einer Kovarianz zwischen jeweils zwei Reibmesswerten der Teilmenge der Reibmesswerte auf. Mit anderen Worten kann für jeden Reibmesswert der Teilmenge eine Semivarianz und/oder eine Kovarianz zu jedem weiteren
Reibmesswert der Teilmenge ermittelt werden. Allgemein können die ermittelten
Semivarianzen und/oder Kovarianzen ein zuverlässiges Maß für eine räumliche und/oder zeitliche Streuung und/oder Korrelation der Reibmesswerte darstellen, so dass basierend auf den Semivarianzen und/oder den Kovarianzen ein
Semivariogramm erstellt werden kann, welches den räumlichen und/oder zeitlichen Zusammenhang zwischen den Reibmesswerten der Teilmenge umfassend abbilden kann.
Gemäß einer Ausführungsform der Erfindung werden die Semivarianzen und/oder die Kovarianzen jeweils in Abhängigkeit eines räumlichen Abstands zwischen den Positionen der zwei Reibmesswerte ermittelt. Alternativ oder zusätzlich können die Semivarianzen und/oder die Kovarianzen jeweils in Abhängigkeit eines zeitlichen Abstands der Messzeitpunkte der zwei
Reibmesswerte ermittelt werden. Eine Darstellung und/oder Modellierung der Semivarianzen und/oder Kovarianzen als Funktion der räumlichen und/oder zeitlichen Abstände kann insbesondere einen Rechenaufwand und/oder eine Rechenzeit zur Ermittlung des Semivariogramms reduzieren.
Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Semivarianzmatrix basierend auf den ermittelten Semivarianzen auf. Alternativ oder zusätzlich weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Kovarianzmatrix basierend auf den ermittelten Kovarianzen auf. Das Erstellen einer Semivarianzmatrix und/oder einer Kovarianzmatrix kann in vorteilhafter Weise eine kompakte und umfassende Darstellung der ermittelten Semivarianzen und/oder Kovarianzen erlauben, welche zeiteffizient
weiterverarbeitet werden kann.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren ferner einen Schritt des Anlernens des Machine-Learning-Systems basierend auf einem Lerndatensatz von Reibmesswerten auf. Der Lerndatensatz kann dabei aktuell und/oder in der Vergangenheit ermittelte Reibmesswerte umfassen. Auch kann der Lerndatensatz synthetisch generierte Reibmesswerte aufweisen. Basierend auf dem Lerndatensatz können beispielsweise Gewichte für Knotenpunkte eines neuronalen Netzes ermittelt werden. Gemäß einer Ausführungsform der Erfindung weist das Verfahren einen Schritt des Anpassens von angelernten Parameterwerten des Machine-Learning- Systems basierend auf aktuell ermittelten Reibmesswerten auf. Die
Parameterwerte des Machine-Learning-Systems können beispielsweise die Gewichte von Knotenpunkten des neuronalen Netzes sein. Beim Anlernen des Machine-Learning-Systems kann allgemein zwischen Offlinelernen und
Onlinelernen unterscheiden werden. Beim Offlinelernen wird das Machine- Learning im Vorhinein mit einem Lerndatensatz angelernt. Anschließend kann das Machine-Learning-System mit einem festem Parametersatz zur Bestimmung der Semivariogramme verwendet werden. Beim Onlinelernen wird das Machine- Learning-System während des Betriebes angelernt und mit aktuellen,
angepassten Lerndaten bestimmter Orte, etwa mit aktuell ermittelten
Reibmesswerten, immer wieder angepasst. Somit kann zu jedem
Berechnungszeitschritt ein neues Semivariogramm für jede Fahrbahnposition mit hoher Präzision bestimmt werden.
Gemäß einer Ausführungsform der Erfindung gibt jeder der Wichtungsfaktoren einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem
zugehörigen Reibmesswert und dem Reibwert an, wobei eine Summe der Wichtungsfaktoren eins sein kann. Mit anderen Worten kann der basierend auf dem Semivariogramm modellierte räumliche und/oder zeitliche Zusammenhang zwischen den Reibmesswerten in die ermittelten Wichtungsfaktoren einfließen, so dass basierend auf den für jeden Reibmesswert ermittelten Wichtungsfaktoren der Reibwert präzise für beliebige Fahrbahnpositionen und/oder für beliebige Zeitpunkte ermittelt werden kann. Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln eines funktionellen
Zusammenhangs zwischen den Semivarianzen und/oder zwischen mit den Semivarianzen korrelierenden Größen, wie beispielsweise Kovarianzen, auf. Mit anderen Worten kann eine Semivarianz für alle Reibmesswerte der Teilmenge als Funktion des Ortes und/oder der Zeit ermittelt werden. Alternativ oder zusätzlich weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Fitten einer Funktion an die Semivarianzen und/oder an mit den
Semivarianzen korrelierenden Größen, beispielsweise Kovarianzen, auf. Durch das Fitten der Funktion kann in vorteilhafter Weise eine geschlossene
analytische Funktion für die Semivarianzen in Abhängigkeit des Ortes und/oder der Zeit ermittelt werden, welche ohne großen Rechenaufwand weiterverarbeitet werden kann.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren weiter den Schritt des Ermitteins einer Varianz und/oder einer Unsicherheit des ermittelten Reibwertes basierend auf den ermittelten Wichtungsfaktoren auf. Insbesondere zur Erstellung einer Reibwertkarte kann es vorteilhaft sein, eine Unsicherheit des Reibwertes zu bestimmen, so dass beispielsweise unter Berücksichtigung der Unsicherheit eine Geschwindigkeit des Fahrzeugs angepasst werden kann.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren ferner den Schritt des Ermitteins einer Mehrzahl von Reibwerten an einer Mehrzahl von Fahrbahnpositionen und/oder für eine Mehrzahl von Zeitpunkten, sowie den Schritt des Erstellens einer Reibwertkarte basierend auf der Mehrzahl von ermittelten Reibwerten auf, etwa durch Eintragen der ermittelten Reibwerte in eine Straßenkarte. Eine derartige Reibwertkarte kann insbesondere im Hinblick auf ein autonomes Fahren von Fahrzeugen vorteilhaft sein, da basierend auf einer solchen Reibwertkarte beispielsweise automatisch eine Geschwindigkeit eines Fahrzeuges an den aktuell vorliegenden Reibwert angepasst werden kann. Entwicklungen im Bereich vernetzter Fahrzeuge und/oder im Bereich autonomen Fahrens können etwa mittels Connectivity-Einheiten einen Austausch von
Sensorik-Daten über eine aktuelle Fahrbahn, eine Geschwindigkeit, eine
Verkehrssituation oder Ähnliches erlauben. Durch die Verarbeitung solcher Daten und den daraus resultierenden Informationsgewinn über die Fahrbahn können automatisiertes Fahren und prädiktive Fahrerassistenzsysteme mit einem Zugewinn an Sicherheit vorangetrieben werden. Dem Fahrzeug können so Informationen über die Umgebung breitgestellt werden, die es mit
fahrzeugeigener Sensorik nicht generieren könnte. Da es üblicherweise keine Reibwertsensoren für Fahrzeuge, insbesondere nicht für Personenkraftwagen, gibt, kann das Erstellen und Bereitstellen der Reibwertkarte einen zusätzlichen Informationsgewinn liefern. Eine solche Reibwertkarte kann dann zur weiteren Funktionsentwicklung mit dem Ziel der Erhöhung von Sicherheit und Komfort verwendet werden. Reibwerte in einer Reibwertkarte eingetragen können hier zum Beispiel genutzt werden, um automatisiert Fahrzeuggeschwindigkeiten zum Beispiel vor Kurven zu setzen. So können gefährliche Situationen oder Unfälle durch Abkommen von der Fahrspur, vor allem bei schwierigen
Straßenverhältnissen wie Nässe oder Schnee, vermieden werden. Gemäß einer Ausführungsform der Erfindung weist das Verfahren ferner den
Schritt des Empfangens, von einem Verkehrsteilnehmer, einer Anfrage für einen Reibwert an einer Anfrageposition und/oder für einen Anfragezeitpunkt auf.
Weiter weist das Verfahren den Schritt des Ermitteins des Reibwertes an der Anfrageposition und/oder für den Anfragezeitpunkt auf. Der Anfragezeitpunkt kann dabei in der Gegenwart, der Vergangenheit oder der Zukunft liegen. Ferner weist das Verfahren den Schritt des Bereitstellens des ermittelten Reibwertes an den Verkehrsteilnehmer auf. Mit anderen Worten kann das erfindungsgemäße Verfahren beispielsweise in einem Server und/oder einer serverbasierten
Datenverarbeitungsvorrichtung implementiert sein. Verkehrsteilnehmer können dabei für beliebige Anfragepositionen und/oder zu beliebigen Anfragezeitpunkten in Echtzeit einen Reibwert anfragen und entsprechend den ermittelten
Reibwerten beispielsweise ein Fahrverhalten, wie etwa eine Geschwindigkeit, anpassen. Auch kann so eine Funktionalität des erfindungsgemäßen Verfahrens einer beliebigen Anzahl von Verkehrsteilnehmern zur Verfügung gestellt werden, ohne dass etwa eine kostenintensive Aufrüstung der Fahrzeuge notwendig wäre. Ein weiterer Aspekt der Erfindung betrifft eine Datenverarbeitungsvorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn, wobei die
Datenverarbeitungsvorrichtung dazu eingerichtet ist, das Verfahren, so wie voranstehend und nachfolgend beschrieben, auszuführen. Die
Datenverarbeitungsvorrichtung kann dabei auch ein Netzwerk von
Datenverarbeitungseinrichtungen, etwa eine Cloud-Umgebung, bezeichnen.
Merkmale, Elemente, Funktionen und/oder Schritte des Verfahrens, so wie voranstehend und nachfolgend beschrieben, können Merkmale, Elemente und/oder Funktionen der Datenverarbeitungsvorrichtung, so wie voranstehend und nachfolgend beschrieben, sein, und umgekehrt.
Gemäß einer Ausführungsform der Erfindung weist die
Datenverarbeitungsvorrichtung einen Datenspeicher zur Speicherung eines Datensatzes von Reibmesswerten der Fahrbahn, einen Prozessor und eine
Schnittstelle zum Übertragen eines Reibwertes auf. In dem Datenspeicher kann ein Programmelement hinterlegt sein, das, wen es auf dem Prozessor ausgeführt wird, die Datenverarbeitungsvorrichtung anleitet, Schritte des Verfahrens, so wie voranstehend und nachfolgend beschrieben, auszuführen. Die Schnittstelle kann insbesondere eine drahtlose Schnittstelle zur bidirektionalen Kommunikation zwischen einem Fahrzeug und der Datenverarbeitungsvorrichtung sein. Die Kommunikation kann etwa über Internet, ein Mobilfunknetz und/oder ein
Telefonnetz erfolgen. Über die Schnittstelle kann etwa die Anfrage des
Reibwertes von dem Fahrzeug empfangen und der daraufhin ermittelte Reibwert an das Fahrzeug gesendet werden.
In der Datenverarbeitungsvorrichtung kann ferner das Machine-Learning-System integriert und/oder implementiert sein. Auch kann die
Datenverarbeitungsvorrichtung mit einem externen Machine-Learning-System, etwa über eine geeignete Datenschnittstelle, gekoppelt sein.
Kurze Beschreibung der Zeichnungen
Im Folgenden werden Ausführungsbeispiele der Erfindung mit Bezug auf die beiliegenden Figuren detailliert beschrieben. Fig. 1 zeigt eine Datenverarbeitungsvorrichtung gemäß einem
Ausführungsbeispiel der Erfindung.
Fig. 2 zeigt ein System mit einer Datenverarbeitungsvorrichtung gemäß einem Ausführungsbeispiel der Erfindung.
Fig. 3 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts gemäß einem Ausführungsbeispiel der Erfindung. Fig. 4 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts gemäß einem Ausführungsbeispiel der Erfindung.
Die Figuren sind lediglich schematisch und nicht maßstabsgetreu. In den Figuren sind gleiche, gleich wirkende oder ähnliche Elemente mit gleichen
Bezugszeichen versehen.
Ausführungsformen der Erfindung
Fig. 1 zeigt eine Datenverarbeitungsvorrichtung 10 gemäß einem
Ausführungsbeispiel der Erfindung.
Die Datenverarbeitungsvorrichtung 10 weist einen Datenspeicher 12 zur
Speicherung eines Datensatzes 14 von Reibmesswerten 16, dargestellt als i(s t), mit i=l... N, auf, wobei s, eine Messposition, Ortskoordinaten der Messposition und/oder einen Ortsvektor der Messposition und t einen Messzeitpunkt bezeichnen.
Ferner weist die Datenverarbeitungsvorrichtung 10 einen Prozessor 18 auf. In dem Datenspeicher 12 und/oder einer weiteren Datenspeichereinrichtung der Datenverarbeitungsvorrichtung 10 kann etwa ein Programmelement hinterlegt sein, das, wenn es auf dem Prozessor 18 ausgeführt wird, die
Datenverarbeitungsvorrichtung 10 anleitet, Schritte des Verfahrens zum Ermitteln eines Reibwertes, so wie voranstehend und nachfolgend beschrieben, auszuführen. Des Weiteren weist die Datenverarbeitungsvorrichtung 10 eine Schnittstelle 20 auf. Die Schnittstelle 20 kann insbesondere eine Schnittstelle 20 zur drahtlosen Kommunikation mit einem Verkehrsteilnehmer 22, etwa einem Fahrzeug 22, sein. Beispielsweise kann die Schnittstelle 20 zur bidirektionalen Kommunikation mit dem Verkehrsteilnehmer 22 ausgestaltet sein, wobei die Kommunikation beispielsweise über Internet, ein Mobilfunknetz, ein Telefonnetz und/oder ein anderes geeignetes Datenübertragungsnetz erfolgen kann. Der
Verkehrsteilnehmer 22 kann etwa eine Anfrage für einen Reibwert an
Figure imgf000014_0003
einer Anfrageposition so und/oder für einen Anfragezeitpunkt t0 an die
Datenverarbeitungsvorrichtung 10 senden, welche diese Anfrage über die
Schnittstelle 20 empfangen kann. Die Datenverarbeitungsvorrichtung 10 kann ferner dazu ausgelegt und/oder eingerichtet sein, den entsprechenden Reibwert
Figure imgf000014_0001
zu ermitteln, wie voranstehend und nachfolgend im Detail beschrieben, und den Reibwert über die Schnittstelle 20 an den Verkehrsteilnehmer 22
Figure imgf000014_0002
zu senden.
Die Datenverarbeitungsvorrichtung 10 kann insbesondere einen oder mehrere Server bezeichnen und/oder umfassen. Beispielsweise kann die
Datenverarbeitungsvorrichtung 10 in einer Cloud-Umgebung und/oder einer Cloud-Computerumgebung realisiert sein.
Des Weiteren weist die Datenverarbeitungsvorrichtung 10 ein Machine-Learning- System 15 auf. Das Machine-Learning-System 15 kann für eine Anwendung einer Regressionsmethode zur Ermittlung zumindest eines Teils eines
Semivariogramms und/oder zur Ermittlung von deterministischen Funktionen des
Trends eingerichtet sein, wie in nachfolgenden Figuren im Detail erläutert. Auch kann das Machine-Learning-System 15 ein neuronales Netz 15, insbesondere ein vielschichtiges neuronales Netz 15, aufweisen. Alternativ oder zusätzlich kann die Datenverarbeitungsvorrichtung 10 auch mit einem externen Machine- Learning-System 15 gekoppelt sein, etwa über eine geeignete Datenschnittstelle.
Fig. 2 zeigt ein System 100 mit einer Datenverarbeitungsvorrichtung 10 gemäß einem Ausführungsbeispiel der Erfindung. Sofern nicht anders beschrieben, weist die Datenverarbeitungsvorrichtung 10 der Figur 2 dieselben Elemente und Merkmale wie die Datenverarbeitungsvorrichtung 10 der Figur 1 auf. Das System 100 weist eine Wetterinformationsstation 102 auf, welche der Datenverarbeitungsvorrichtung 10 aktuelle und/oder vorhergesagte Wetterdaten, wie beispielsweise Temperatur, Luftdruck, Luftfeuchtigkeit, Niederschlagsrate oder Ähnliches, bereitstellt.
Weiter weist das System 100 eine Straßensensorstation 104 auf, welche der Datenverarbeitungsvorrichtung 10 Straßensensorikdaten und/oder
Straßensensordaten, wie beispielsweise Glättesensordaten,
Feuchtigkeitssensordaten, Temperaturdaten oder Ähnliches, bereitstellt.
Der Datenverarbeitungsvorrichtung 10 werden ferner Fahrzeugsensordaten von einem oder mehreren Fahrzeugen 106 bereitgestellt. Die Fahrzeugsensordaten können etwa Daten von Beschleunigungssensoren, Gyrosensoren, ESP- Sensoren, Drehratensensoren oder dergleichen sein. Diese Daten können etwa drahtlos über ein Telefonnetz, insbesondere ein Mobilfunknetz, an die
Datenverarbeitungsvorrichtung 10 übermittelt werden.
Optional weist das System 100 eine Verbindung zum Internet 108 auf, über welche zusätzliche Daten bezüglich einer Fahrbahn und/oder eines
Straßennetzes von der Datenverarbeitungsvorrichtung 10 abgefragt werden können.
Basierend auf den Wetterdaten, den Straßensensorikdaten, den
Fahrzeugsensordaten und/oder den weiteren Daten kann die
Datenverarbeitungsvorrichtung 10 orts- und/oder zeitabhängige Reibmesswerte i (sh ), 16 ermitteln. Hierzu können die Wetterdaten, die Straßensensorikdaten, die Fahrzeugsensordaten und/oder die weiteren Daten etwa mittels eines Particle- Filters und/oder eines Kaiman- Filters in Zeitfolgen verarbeitet werden, um einen orts- und/oder zeitabhängigen Reibmesswert 16 zu aggregieren.
Dieser Reibmesswert 16 kann dann an den Verkehrsteilnehmer 22 über die
Schnittstelle 20 der Datenverarbeitungsvorrichtung 10 gesendet werden, um dem Verkehrsteilnehmer 22 eine Information über den derzeitigen Reibwert zu übermitteln. Alternativ oder zusätzlich können die Reibmesswerte 16 in einem Datensatz 14 zusammengefasst werden und in dem Datenspeicher 12 der Datenverarbeitungsvorrichtung 10 zur Weiterverarbeitung hinterlegt werden. Wie voranstehend und nachfolgend detailliert erläutert, kann die
Datenverarbeitungsvorrichtung 10 basierend auf den Reibmesswerten 16 einen oder mehrere Reibwerte an einer Fahrbahnposition und/oder für einen Zeitpunkt ermitteln, an welchen keine Reibmesswerte 16 zur Verfügung stehen. Derart ermittelte Reibwerte können dann an den Verkehrsteilnehmer 22 übermittelt werden.
Des Weiteren kann die Datenverarbeitungsvorrichtung 10 dazu eingerichtet sein, basierend auf den Reibmesswerten 16 mehrere Reibwerte für unterschiedliche
Fahrbahnpositionen und/oder für unterschiedliche Zeitpunkte zu ermitteln und eine Reibwertkarte zu erstellen. Die Reibwertkarte kann dabei eine Straßenkarte mit darin eingetragenen Reibwerten bezeichnen. Auch kann eine solche
Reibwertkarte dem Verkehrsteilnehmer 22 übersendet werden.
Fig. 3 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts ß gemäß einem Ausführungsbeispiel der
Erfindung. In einem Schritt Sl wird ein Datensatz 14 mit einer beliebigen Anzahl von
Reibmesswerten etwa in einem Datenspeicher 18 einer
Figure imgf000016_0001
Datenverarbeitungsvorrichtung 10 bereitgestellt, wobei s, eine Messposition, Ortskoordinaten der Messposition und/oder einen Ortsvektor der Messposition und t einen Messzeitpunkt bezeichnen. Der Datensatz 14 kann dabei die
Reibmesswerte 16, wie in Figur 1 beschrieben, aufweisen. Allgemein bezeichnet jeder der Reibmesswerte
Figure imgf000016_0002
) einen Reibungskoeffizienten zwischen einer Fahrbahn und einem Verkehrsteilnehmer 22, insbesondere zwischen einer Fahrbahn und einem Fahrzeug 22, etwa einem Reifen des Fahrzeugs 22. Die Reibmesswerte
Figure imgf000016_0003
können in Schritt Sl auch, wie voranstehend in Bezug auf Figur 2 beschrieben, basierend auf Wetterdaten, Straßensensorikdaten,
Fahrzeugsensordaten und/oder weiteren Daten etwa mittels der
Datenverarbeitungsvorrichtung 10 ermittelt werden.
In einem Schritt S2 wird ein räumlicher und/oder zeitlicher Zusammenhang zwischen zumindest einer Teilmenge der Reibmesswerte
Figure imgf000016_0004
basierend auf einem Semivariogramm ermittelt. Gleichsam kann in Schritt S2 ein Semivariogramm ermittelt werden. Insbesondere kann hierzu ein Kriging- Verfahren verwendet werden, beispielsweise ein„Ordinary Kriging", ein„Simple Kriging" und/oder ein„Universal Kriging". Hierzu kann eine Semivarianz und/oder eine Kovarianz zwischen jeweils zwei
Reibmesswerten der Teilmenge von Reibmesswerten ermittelt
Figure imgf000017_0013
Figure imgf000017_0014
werden. Mit anderen Worten kann für jeden Reibmesswert
Figure imgf000017_0001
der Teilmenge die Semivarianz und/oder die Kovarianz zu allen weiteren Reibmesswerten tj) der Teilmenge ermittelt werden, wobei j ungleich i ist. Die ermittelten
Figure imgf000017_0015
Semivarianzen können anschließend in einer Semivarianzmatrix
zusammengefasst werden. Alternativ oder zusätzlich können die Kovarianzen in einer Kovarianzmatrix zusammengefasst werden.
Die Semivarianz γ kann für eine Variable Z an den Orten s und s+h zu den Zeiten t und t+Δ beispielsweise in folgender mathematischen Formel beschrieben werden:
Figure imgf000017_0002
wobei der Zusammenhang zwischen Semivarianz y und Kovarianz durch
Figure imgf000017_0005
folgende Formel beschrieben werden kann, etwa sofern ein endlicher Wert für
Figure imgf000017_0003
existiert:
Figure imgf000017_0004
Die Semivarianz und die Kovarianz können somit als Maß für eine Streuung und/oder Korrelation der Reibmesswerte
Figure imgf000017_0006
herangezogen werden. Die Semivarianz und/oder die Kovarianz kann für jeden Reibmesswert
Figure imgf000017_0007
der
Teilmenge
Figure imgf000017_0011
ermittelt werden. Etwa können die Semivarianzen zwischen
Figure imgf000017_0008
den Reibmesswerten für alle Reibmesswerte der Teilmenge ermittelt
Figure imgf000017_0012
werden. Zur mathematischen Vereinfachung können die Semivarianzen und/oder die Kovarianzen dabei in Abhängigkeit des räumlichen Abstandes
Figure imgf000017_0009
und/oder in Abhängigkeit des zeitlichen Abstandes bestimmt
Figure imgf000017_0010
werden.
Ferner kann in Schritt S2 ein funktionaler Zusammenhang zwischen den
Semivarianzen, den Kovarianzen und/oder zwischen beliebigen mit den
Semivarianzen korrelierenden Größen ermittelt werden. Insbesondere kann dazu eine geschlossene analytische Funktion an die ermittelten Semivarianzen, die Kovarianzen und/oder an mit den Semivarianzen korrelierenden Größen gefittet werden.
In einem weiteren Schritt S3 wird basierend auf dem Semivariogramm und/oder basierend auf einem Kriging- Verfahren ein Wichtungsfaktor für jeden
Figure imgf000018_0012
Reibmesswert
Figure imgf000018_0003
ermittelt, wobei die Wichtungsfaktoren jeweils einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem zugehörigen Reibmesswert
Figure imgf000018_0004
und dem zu bestimmenden Reibwert p an einer
Fahrbahnposition so und/oder zu einem Zeitpunkt to angeben, wobei der
Zeitpunkt to in der Vergangenheit, der Gegenwart oder der Zukunft liegen kann. Eine Summe aller Wichtungsfaktoren w,, i=l...N, ist dabei eins.
In einem weiteren Schritt S4 wird letztlich der zu bestimmende Reibwert p an der Fahrbahnposition so und/oder zu dem Zeitpunkt to unter Bilden eines gewichteten Mittelwertes bestimmt, wobei der gewichtete Mittelwert mit einer Summe von mit den jeweiligen Wichtungsfaktoren Wj gewichteten Reibmesswerten
Figure imgf000018_0005
korreliert und/oder durch diese Summe gegeben ist, wie in nachfolgender Formel angegeben:
Figure imgf000018_0001
Mit anderen Worten kann der Reibwert an der Fahrbahnposition so und/oder zu
Figure imgf000018_0002
dem Zeitpunkt to durch die Summe der Reibwerte
Figure imgf000018_0007
der Teilmenge i=l... N, jeweils multipliziert mit dem zugehörigen Wichtungsfaktor w,, welcher den räumlichen und/oder zeitlichen Zusammenhang zwischen dem zu bestimmenden Reibwert und dem jeweiligen Reibmesswert ) angibt, berechnet werden.
Figure imgf000018_0006
Unter Verwendung des„Ordinary Krigings" ergibt sich somit der folgende mathematische Zusammenhang für den Reibwert an der Fahrbahnposition so
Figure imgf000018_0008
Figure imgf000018_0011
und/oder zu dem Zeitpunkt to:
Figure imgf000018_0009
mit einem Vektor
Figure imgf000018_0010
der transponierten Einheitsmatrix
Figure imgf000019_0001
mit N Ele menten,
der Kovarianzmatrix
Figure imgf000019_0002
und der Substitution
Figure imgf000019_0003
Dies erlaubt somit eine Berechnung des Reibwertes ρ basierend auf der
Semivarianzmatrix, basierend auf der Kovarianzmatrix und/oder basierend auf dem Semivariogramm. Zudem kann die Varianz und/oder die Unsicherheit des derart ermittelten
Reibwertes
Figure imgf000019_0004
über nachfolgende Formel berechnet werden:
Figure imgf000019_0005
Die Varianz des Reibwertes
Figure imgf000019_0006
kann somit einen ersten Term aufweisen, welcher proportional zur Semivarianzmatrix und/oder proportional zur Kovarianzmatrix ist. Auch kann die Varianz einen zweiten Term aufweisen, welcher proportional zur Summe der mit den Wichtungsfaktoren w, gewichteten Semivarianzen sein kann. Mit anderen Worten kann der zweite Term der Varianz durch die Summe der mit den jeweiligen Wichtungsfaktoren wi multiplizierten Semivarianzen gegeben sein, wobei die Summe über die N Reibmesswerte der Teilmenge läuft.
Die voranstehend beschriebenen Schritte Sl bis S4, insbesondere die Schritte S2 bis S4 und/oder S3 bis S4, können auch mehrfach durchlaufen werden, so dass an mehreren unterschiedlichen Fahrbahnpositionen und/oder zu
unterschiedlichen Zeitpunkten Reibwerte ermittelt werden können. In einem
Figure imgf000019_0010
optionalen Schritt S5 kann basierend auf dieser Mehrzahl von ermittelten
Reibwerten
Figure imgf000019_0008
eine Reibwertkarte erstellt werden, etwa durch Eintragen der Reibwerte in eine Straßenkarte. Zudem können einzelne Reibwerte auch,
Figure imgf000019_0009
Figure imgf000019_0007
etwa über die Schnittstelle 20, an einen Verkehrsteilnehmer 22 übermittelt werden. Auch kann die Reibwertkarte an den Verkehrsteilnehmer 22 übermittelt werden und/oder die Reibwertkarte kann etwa auf einer Benutzeroberfläche der Datenverarbeitungsvorrichtung 10 ausgegeben und/oder in dem Datenspeicher 12 hinterlegt werden. Des Weiteren kann in Schritt S2 zumindest ein Teil des Semivariogramms, insbesondere die Semivarianzen und/oder die Kovarianzen, unter Verwendung eines Machine-Learning-Systems 15, etwa einem neuronalen Netz 15 oder dergleichen, ermittelt werden. Optional kann hierzu im Schritt S2 das Machine- Learning-System 15 basierend auf einem Lerndatensatz von Reibmesswerten angelernt werden, wobei der Lerndatensatz aktuell ermittelte Reibmesswerte und/oder andere Reibmesswerte enthalten kann. Alternativ oder zusätzlich können angelernte Parameterwerte des Machine-Learning-Systems 15, etwa Gewichte einzelner Knoten in einem Multilayer-Neuronalen-Netz 15, basierend auf aktuell ermittelten Reibmesswerten angepasst werden. Durch das Lernen der Erstellung des Semivariogramms unter Verwendung eines Machine-Learing- Systems 15 können für jeden Ort einzeln und/oder mit hoher Präzision die voranstehend beschriebenen Funktionen parametrisiert werden. So können eine erhöhte Flexibilität und Genauigkeit der Reibwertschätzung sowie eine bessere lokale Anpassung des Verfahren erreicht werden. Auch ist es möglich, die Parameterwerte des Machine-Learning-Systems 15 kontinuierlich durch
Onlinelernen zu adaptieren und/oder zu verbessern. Zusammenfassend kann das Semivariogramm auch durch eine Methode des maschinellen Lernens unter Verwendung des Machine-Learning-Systems 15 für alle Orte definiert werden. Denkbar sind Regressionsmethoden und/oder die Verwendung eines Multilayer-Neuronalen-Netzes 15 (Feed-Forward). Als
Inputwerte kommen die Wetter- bzw. Fahrzeugdaten und ihre Orts- und
Zeitbeziehung zum gesuchten Reibwertpunkt in Frage. Ergebnis können die
Parameter der Funktion z(_s, t) für einen zu bestimmenden Reibwert sein. Beim Anlernen lässt sich zwischen Offline- und Onlinelernen des Machine-Learning- Systems 15 unterscheiden. Beim Offlinelernen wird das Machine-Learning- System 15 im Vorhinein mit einem Lerndatensatz angelernt. Anschließend werden die Modelle mit festem Parametersatz zur Bestimmung fester
Semivariogramme weiterer Orte verwendet. Beim Onlinelernen wird das
Machine-Learning-System 15 während des Betriebes angelernt und mit aktuellen, angepassten Lerndaten bestimmter Orte immer wieder angepasst. Somit kann zu jedem Berechnungszeitschritt ein neues Semivariogramm für jeden Ort bestimmt werden. Fig. 4 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts p gemäß einem Ausführungsbeispiel der
Erfindung. Analog dem Schritt Sl der Figur 3, wird in Schritt Sl ein Datensatz 14 mit einer beliebigen Anzahl von Reibmesswerten mit i=l... , etwa in einem
Figure imgf000021_0007
Datenspeicher 18 einer Datenverarbeitungsvorrichtung 10 bereitgestellt, wobei s, eine Messposition, Ortskoordinaten der Messposition und/oder einen Ortsvektor der Messposition und einen Messzeitpunkt bezeichnen. Der Datensatz 14 kann
Figure imgf000021_0006
dabei die Reibmesswerte 16, wie in Figur 1 beschrieben aufweisen. Die
Reibmesswerte können in Schritt Sl auch, wie voranstehend in Bezug auf
Figure imgf000021_0005
Figur 2 beschrieben, basierend auf Wetterdaten, Straßensensorikdaten,
Fahrzeugsensordaten und/oder weiteren Daten etwa mittels der
Datenverarbeitungsvorrichtung 10 ermittelt werden.
In einem Schritt S2 wird ein Trend zumindest einer Teilmenge der
Reibmesswerte unter Zerlegen jedes Reibmesswertes der Teilmenge
Figure imgf000021_0003
i=l... N in eine erste Komponente zur Beschreibung des Trends und eine zweite Komponente zur Beschreibung statistischer Schwankungen der Reibmesswerte modelliert. Die erste Komponente kann dabei ein erster Term und die
Figure imgf000021_0002
zweite Komponente kann ein zweiter Term sein. Mit anderen Worten können die Reibmesswerte (si, t) als Zufallsvariable modelliert werden, so dass jeder Reibmesswert aus den zwei Komponenten bestehen kann. Die erste
Komponente kann durch eine Funktion die den lokalen Trend
Figure imgf000021_0004
modelliert, repräsentiert sein und die zweite Komponente kann durch eine
Zufallsvariable e(s, t) repräsentiert sein. Die Reibmesswerte können somit wie folgt dargestellt werden:
Figure imgf000021_0001
Es sei an dieser Stelle bemerkt, dass eine räumliche und/oder eine zeitliche Zeitabhängigkeit der Reibmesswerte und/oder des zu ermittelnden Reibwertes berücksichtigt sein kann. Die Zeitkomponente bzw. die zeitliche Abhängigkeit kann beispielsweise analog zu der Beschreibung der Figur 3 berücksichtigt werden. Ebenso kann der Trend eine räumliche und/oder zeitliche Abhängigkeit der Reibmesswerte abbilden und/oder berücksichtigen. Mit anderen Worten kann der Trend räumlicher und/oder zeitlicher Natur sein. Die erste Komponente kann eine Linearkombination aus einer Mehrzahl von deterministischen Funktionen, beispielsweise über Ort und/oder Zeit, und einer Mehrzahl von Koeffizienten aufweisen. Mit anderen Worten kann die erste
Komponente als Linearkombination
Figure imgf000022_0001
der deterministischen Funktionen
Figure imgf000022_0002
den Koeffizienten und der
Figure imgf000022_0003
Konvention dargestellt werden.
Figure imgf000022_0004
Dabei kann der in der ersten Komponente modellierte Trend mit wenigstens einer die Reibmesswerte der Teilmenge beeinflussenden Einflussgröße korrelieren, wobei die wenigstens eine Einflussgröße Wetterdaten, geographische Daten und/oder eine zeitliche Abhängigkeit umfassen kann. Die Modellierung des Trends kann somit in vorteilhafter Weise eine Flexibilität des Verfahrens erhöhen, da gewisse Abhängigkeiten, Einflussgrößen und/oder Einflüsse berücksichtigt werden können. Beispielsweise kann in dem Trend berücksichtigt werden, dass etwa bei niedrigen geographischen Breiten ein höherer Reibwert zu erwarten ist als bei hohen geographischen Breiten. Auch kann Berücksichtigung finden, dass etwa bei Regen oder Schnee ein geringerer Reibwert zu erwarten ist als bei trockenem Wetter. Ebenso kann berücksichtigt werden, dass etwa im Sommer ein höherer Reibwert als im Winter zu erwarten ist.
Des Weiteren kann optional in Schritt S2 zumindest ein Teil der ersten
Komponente unter Verwendung eines Machine-Learning-Systems 15 ermittelt werden. Insbesondere können die deterministischen Funktionen
welche als Modellparameter des Trends angesehen werden kön
Figure imgf000022_0005
nen, unter
Verwendung eines Machine-Learning-Systems 15, etwa einem neuronalen Netz 15 oder dergleichen, ermittelt werden. Das Machine-Learning-System 15 kann hierzu basierend auf einem Lerndatensatz von Reibmesswerten angelernt werden. Alternativ oder zusätzlich können angelernte Parameterwerten des Machine-Learning-Systems 15, etwa die Gewichte von Knoten eines neuronalen
Netzes, basierend auf aktuell ermittelten Reibmesswerten angepasst werden.
Mit anderen Worten kann voranstehend erläuterte Linearkombination der ersten Komponente und/oder die deterministischen Funktionen der Linearkombination des lokalen Trends durch ein angelerntes Machine-Learning-System 15 generiert werden. Eingangsgrößen des Machine-Learning-Systems 15 können
Wetterdaten oder Daten der Topologie der Orte für die der lokale Trend interessiert sein. Ausgangsgrößen können die deterministischen Funktionen der Linearkombination, die den lokalen Trend modellieren, sein. Beim Anlernen lässt sich zwischen Offline- und Onlinelernen des Machine-Learning-Systems 15 unterscheiden. Beim Offlinelernen wird das Machine-Learning-System 15 im Vorhinein mit dem Lerndatensatz angelernt. Anschließend werden die Modelle mit festem Parametersatz zur Bestimmung fester lokaler Trends weiterer Orte verwendet. Beim Onlinelernen wird das Machine-Learning-System 15 im Betrieb angelernt und mit aktuellen, angepassten Lerndaten bestimmter Orte immer wieder angepasst. Somit kann zu jedem Berechnungszeitschritt ein neuer, verbesserter lokaler Trend für jeden Ort bestimmt werden.
Durch die Modellierung eines räumlichen Trends können weitere Informationen mitberücksichtigt werden. Zum Beispiel ist es in Schweden wahrscheinlicher einen niedrigen Reibwert μ zu erhalten, als es der Fall in Spanien ist. Dieser Zusammenhang kann durch Berücksichtigung weiterer Größen wie
beispielsweise Wetterdaten und/oder Geografie dargestellt werden. Des
Weiteren bietet das Lernen mittels Machine-Learning-System 15 zur Erstellung des lokalen Trends den Vorteil, dass genauere und aktuelle Trends für jeden Ort generiert werden können. So werden eine erhöhte Flexibilität und Genauigkeit der Reibwertermittlung sowie eine bessere lokale Anpassung erreicht. Auch ist es möglich, das Verfahren, das Machine-Learning-System 15 und/oder die Datenverarbeitungsvorrichtung 10 kontinuierlich durch Onlinelernen zu
adaptieren und/oder zu verbessern.
Des Weiteren wird, analog der Beschreibung der Figur 3, ein räumlicher und/oder zeitlicher Zusammenhang zwischen zumindest einer Teilmenge der
Reibmesswerte M(SI, t,), mit i=l... N, basierend auf einem Semivariogramm ermittelt. Gleichsam kann in Schritt S2 ein Semivariogramm ermittelt werden. Insbesondere kann hierzu ein Kriging-Verfahren verwendet werden,
beispielsweise ein„Ordinary Kriging", ein„Simple Kriging" und/oder ein
„Universal Kriging". Hierzu kann eine Semivarianz und/oder eine Kovarianz zwischen jeweils zwei
Reibmesswerten (si) der Teilmenge (i=l...N) von Reibmesswerten ermittelt werden. Mit anderen Worten kann für jeden Reibmesswert der Teilmenge
Figure imgf000024_0007
die Semivarianz und/oder die Kovarianz zu allen weiteren Reibmesswerten
Figure imgf000024_0008
ermittelt werden, wobei j ungleich i ist. Die ermittelten Semivarianzen können anschließend in einer Semivarianzmatrix zusammengefasst werden. Alternativ oder zusätzlich können die Kovarianzen in einer Kovarianzmatrix
zusammengefasst werden.
Allgemein kann die Semivarianz y für eine Variable Z an den Orten s und s+h in folgender mathematischen Formel beschrieben werden:
Figure imgf000024_0005
wobei der Zusammenhang zwischen Semivarianz y und Kovarianz c(h) durch folgende Formel beschrieben werden kann:
Figure imgf000024_0006
Die Semivarianz und die Kovarianz können somit als Maß für eine Streuung und/oder Korrelation der Reibmesswerte (S,) herangezogen werden. Auch kann analog der Beschreibung zu Figur 3 eine Zeitkomponente und/oder eine zeitliche Abhängigkeit berücksichtigt werden.
Die Semivarianz und/oder die Kovarianz kann für jeden Reibmesswert der
Figure imgf000024_0003
Teilmenge i=l... N ermittelt werden. Etwa können die Semivarianzen zwischen
Figure imgf000024_0004
den Reibmesswerten für alle Reibmesswerte ermittelt werden. Zur
Figure imgf000024_0009
mathematischen Vereinfachung können die Semivarianzen und/oder die
Kovarianzen dabei in Abhängigkeit des räumlichen Abstandes
Figure imgf000024_0001
und/oder in Abhängigkeit des zeitlichen Abstandes bestimmt
Figure imgf000024_0002
werden.
Ferner kann in Schritt S2 ein funktionaler Zusammenhang zwischen den
Semivarianzen, den Kovarianzen und/oder zwischen beliebigen mit den
Semivarianzen korrelierenden Größen ermittelt werden. Insbesondere kann dazu eine geschlossene analytische Funktion an die ermittelten Semivarianzen, die Kovarianzen und/oder an mit den Semivarianzen korrelierenden Größen gefittet werden.
In einem weiteren Schritt S3 wird, analog Schritt S3 der Figur 3, basierend auf dem Semivariogramm und/oder basierend auf einem Kriging-Verfahren ein Wichtungsfaktor Wi(si) für jeden Reibmesswert
Figure imgf000025_0009
ermittelt, wobei die Wichtungsfaktoren jeweils einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem zugehörigen Reibmesswert und dem zu bestimmenden
Figure imgf000025_0008
Reibwert ß an einer Fahrbahnposition so und/oder zu einem Zeitpunkt to angeben, wobei der Zeitpunkt to in der Vergangenheit, der Gegenwart oder der Zukunft liegen kann. Eine Summe aller Wichtungsfaktoren w,, i=l...N, ist dabei eins.
In einem weiteren Schritt S4 wird, analog dem Schritt S4 der Figur 3, letztlich der zu bestimmende Reibwert ß an der Fahrbahnposition so und/oder zu dem
Zeitpunkt to unter Bilden eines gewichteten Mittelwertes bestimmt, wobei der gewichtete Mittelwert mit einer Summe von mit den jeweiligen Wichtungsfaktoren Wj gewichteten Reibmesswerten p(si,ti) korreliert und/oder durch diese Summe gegeben ist, wie in nachfolgender Formel angegeben:
Figure imgf000025_0001
Mit anderen Worten kann der Reibwert p an der Fahrbahnposition so und/oder zu dem Zeitpunkt t0 durch die Summe der Reibwerte der Teilmenge i=l... N,
Figure imgf000025_0002
jeweils multipliziert mit dem zugehörigen Wichtungsfaktor w,, welcher den räumlichen und/oder zeitlichen Zusammenhang zwischen dem zu bestimmenden Reibwert und dem jeweiligen Reibmesswert angibt, berechnet werden. Die
Figure imgf000025_0007
zeitliche Komponente ist in den voranstehenden und nachfolgenden Formeln nicht berücksichtigt. Analog der Beschreibung zu Figur 3 kann die zeitliche Abhängigkeit jedoch ebenso berücksichtigt werden.
Unter Verwendung des„Universal Krigings" sowie unter der Modellierung des lokalen Trends ergibt sich somit der folgende mathematische Zusammenhang für
Figure imgf000025_0003
mit einem Vektor
Figure imgf000025_0004
den deterministischen Funktionen
Figure imgf000025_0005
der transponierten Einheitsmatrix
Figure imgf000025_0006
mit N Ele menten,
der Semivarianzmatrix
Figure imgf000026_0001
Dies erlaubt somit eine Berechnung des Reibwertes p basierend auf der
Semivarianzmatrix, basierend auf der Kovarianzmatrix und/oder basierend auf dem Semivariogramm.
Zudem kann die Varianz und/oder die Unsicherheit des derart ermittelten
Figure imgf000026_0002
Die Varianz des Reibwertes
Figure imgf000026_0003
kann somit einen ersten Term aufweisen, welcher proportional zur Summe der mit den Wichtungsfaktoren w, gewichteten
Semivarianzen sein kann. Mit anderen Worten kann der erste Term der Varianz durch die Summe der mit den jeweiligen Wichtungsfaktoren w, multiplizierten Semivarianzen gegeben sein, wobei die Summe über die N Reibmesswerte der Teilmenge läuft. Auch kann die Varianz einen zweiten Term aufweisen, welcher proportional zur Summe der deterministischen Funktionen f, sein kann.
Die voranstehend beschriebenen Schritte Sl bis S4, insbesondere die Schritte S2 bis S4 und/oder S3 bis S4, können auch mehrfach durchlaufen werden, so dass an mehreren unterschiedlichen Fahrbahnpositionen und/oder zu unterschiedlichen Zeitpunkten Reibwerte
Figure imgf000026_0007
ermittelt werden können. In einem optionalen Schritt S5 kann basierend auf dieser Mehrzahl von ermittelten Reibwerten
Figure imgf000026_0004
eine Reibwertkarte erstellt werden, etwa durch Eintragen der Reibwerte
Figure imgf000026_0005
in eine Straßenkarte. Zudem können einzelne Reibwerte auch ,
Figure imgf000026_0006
etwa über die Schnittstelle 20, an einen Verkehrsteilnehmer 22 übermittelt werden. Auch kann die Reibwertkarte an den Verkehrsteilnehmer 22 übermittelt werden und/oder die Reibwertkarte kann etwa auf einer Benutzeroberfläche der Datenverarbeitungsvorrichtung 10 ausgegeben und/oder in dem Datenspeicher 12 hinterlegt werden.
Ergänzend ist darauf hinzuweisen, dass„umfassend" keine anderen Elemente ausschließt und„eine" oder„ein" keine Vielzahl ausschließt. Ferner sei darauf hingewiesen, dass Merkmale, die mit Verweis auf eines der obigen
Ausführungsbeispiele beschrieben worden sind, auch in Kombination mit anderen Merkmalen anderer oben beschriebener Ausführungsbeispiele verwendet werden können. Bezugszeichen in den Ansprüchen sind nicht als Einschränkung anzusehen.

Claims

Anspruche 1 . Verfahren zum Ermitteln eines Reibwertes (ß) einer Fahrbahn, das Verfahren aufweisend die Schritte:
Bereitstellen eines Datensatzes (14) von Reibmesswerten (μ) der Fahrbahn, wobei jeder der Reibmesswerte (μ) einen Reibungskoeffizienten der
Fahrbahn an einer Messposition (s,) zu einem Messzeitpunkt angibt;
Figure imgf000028_0003
dadurch gekennzeichnet, dass das Verfahren ferner die Schritte aufweist: Modellieren eines räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der Reibmesswerte (μ) basierend auf einem Semivariogramm;
Ermitteln zumindest eines Teils des Semivariogramms unter Verwendung eines Machine-Learning-Systems (15),
Ermitteln eines Wichtungsfaktors (w1) für jeden Reibmesswert (μ) der Teilmenge von Reibmesswerten (μ) basierend auf dem Semivariogramm; und
Ermitteln eines Reibwertes für eine Fahrbahnposition (s0) und/oder für
Figure imgf000028_0001
einen Zeitpunkt (to) unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe der mit den jeweiligen
Wichtungsfaktoren gewichteten Reibmesswerten (μ) der Teilmenge der Reibmesswerte (μ) korreliert.
2. Verfahren nach Anspruch 1,
wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln, insbesondere unter Verwendung des Machine-Learning-Systems (15), einer Semivarianz (y) und/oder einer Kovarianz (C) zwischen jeweils zwei Reibmesswerten (μ) der Teilmenge der Reibmesswerte (μ) aufweist.
3. Verfahren nach Anspruch 2,
wobei die Semivarianzen
Figure imgf000028_0002
und/oder die Kovarianzen (C) jeweils in
Abhängigkeit eines räumlichen Abstands (Δs) zwischen den Positionen der zwei Reibmesswerte (μ) ermittelt werden; und/oder
wobei die Semivarianzen (y) und/oder die Kovarianzen (C) jeweils in
Abhängigkeit eines zeitlichen Abstands (Δτ.) der Messzeitpunkte der zwei Reibmesswerte (μ) ermittelt werden.
4. Verfahren nach Anspruch 2 oder 3, wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Semivarianzmatrix basierend auf den ermittelten Semivarianzen (γ) aufweist; und/oder wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Kovarianzmatrix basierend auf den ermittelten Kovarianzen (C) aufweist.
5. Verfahren nach einem der voranstehenden Ansprüche, ferner aufweisend:
Anlernen des Machine-Learning-Systems (15) basierend auf einem
Lerndatensatz von Reibmesswerten (μ); und/oder
Anpassen von angelernten Parameterwerten des Machine-Learning-Systems (15) basierend auf aktuell ermittelten Reibmesswerten (μ).
6. Verfahren nach einem der voranstehenden Ansprüche,
wobei jeder der Wichtungsfaktoren (w,) einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem zugehörigen Reibmesswert (μ) und dem Reibwert (p) angibt; und/oder
wobei eine Summe der Wichtungsfaktoren (w,) eins ist.
7. Verfahren nach einem der Ansprüche 2 bis 6,
wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln eines funktionellen Zusammenhangs zwischen den Semivarianzen (γ) und/oder zwischen mit den Semivarianzen (γ) korrelierenden Größen aufweist; und/oder
wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Fitten einer Funktion an die Semivarianzen (γ) und/oder an mit den
Semivarianzen (γ) korrelierenden Größen aufweist.
8. Verfahren nach einem der voranstehenden Ansprüche, weiter aufweisend:
Ermitteln einer Varianz (σ) und/oder einer Unsicherheit (σ) des ermittelten Reibwertes ( ) basierend auf den ermittelten Wichtungsfaktoren (w,).
9. Verfahren nach einem der voranstehenden Ansprüche, weiter aufweisend:
Ermitteln einer Mehrzahl von Reibwerten (ß) an einer Mehrzahl von
Fahrbahnpositionen (s,) und/oder für eine Mehrzahl von Zeitpunkten (t); und Erstellen einer Reibwertkarte basierend auf der Mehrzahl von ermittelten Reibwerten (p).
10. Verfahren nach einem der voranstehenden Ansprüche, weiter aufweisend:
Empfangen, von einem Verkehrsteilnehmer (22), einer Anfrage für einen Reibwert (p) an einer Anfrageposition (so) und/oder für einen
Anfragezeitpunkt (to);
Ermitteln des Reibwertes (p) an der Anfrageposition (so) und/oder für den Anfragezeitpunkt (to); und
Bereitstellen des ermittelten Reibwertes (ß) an den Verkehrsteilnehmer (22).
11. Datenverarbeitungsvorrichtung (10) zum Ermitteln eines Reibwertes (ß) einer Fahrbahn, wobei die Datenverarbeitungsvorrichtung (10) dazu eingerichtet ist, das Verfahren nach einem der voranstehenden Ansprüche auszuführen.
12. Datenverarbeitungsvorrichtung (10) nach Anspruch 11, wobei die
Datenverarbeitungsvorrichtung (10) einen Datenspeicher (12) zur
Speicherung eines Datensatzes (14) von Reibmesswerten (μ, 16) der Fahrbahn;
einen Prozessor (18); und
eine Schnittstelle (20) zum Übertragen eines Reibwertes (ß) aufweist.
PCT/EP2018/066763 2017-08-11 2018-06-22 Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn WO2019029889A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017214094.1A DE102017214094A1 (de) 2017-08-11 2017-08-11 Verfahren und Vorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn
DE102017214094.1 2017-08-11

Publications (1)

Publication Number Publication Date
WO2019029889A1 true WO2019029889A1 (de) 2019-02-14

Family

ID=62842063

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/066763 WO2019029889A1 (de) 2017-08-11 2018-06-22 Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn

Country Status (2)

Country Link
DE (1) DE102017214094A1 (de)
WO (1) WO2019029889A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020208860A1 (de) 2020-07-15 2022-01-20 Volkswagen Aktiengesellschaft Modul und Verfahren zur Schätzung eines Fahrbahnreibwertes für ein Kraftfahrzeug

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016014547A1 (de) * 2016-12-07 2017-07-06 Daimler Ag Verfahren zum Betrieb einer Reibwertdatenbank

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
LT2757539T (lt) * 2013-01-22 2020-09-10 Klimator Ab Duomenų apie kelių būklę rinkimo ir apdorojimo būdas ir įrenginys
DE102013226631A1 (de) * 2013-12-19 2015-06-25 Continental Teves Ag & Co. Ohg Verfahren und Vorrichtung zur Ermittlung von lokalen Wetterverhältnissen und eines lokalen Fahrbahnzustands
DE102015216483A1 (de) * 2015-01-29 2016-08-04 Robert Bosch Gmbh Verfahren zum Betrieb einer Reibwertdatenbank und Reibwertdatenbank

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016014547A1 (de) * 2016-12-07 2017-07-06 Daimler Ag Verfahren zum Betrieb einer Reibwertdatenbank

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ANDREAS LICHTENSTERN: "Kriging methods in spatial statistics", 31 August 2013 (2013-08-31), XP055502350, Retrieved from the Internet <URL:https://mediatum.ub.tum.de/doc/1173364/file.pdf> [retrieved on 20180827] *
BAYLEY: "Ordinary Kriging (Ch. 5.5 -Bailey & Gatrell)", 22 March 2012 (2012-03-22), XP055500710, Retrieved from the Internet <URL:https://msu.edu/~ashton/classes/866/papers/gatrell_ordkrige.pdf> [retrieved on 20180820] *
KWON TAE J ET AL: "Modelling of winter road surface temperature (RST) - A GIS-based approach", 2017 4TH INTERNATIONAL CONFERENCE ON TRANSPORTATION INFORMATION AND SAFETY (ICTIS), IEEE, 8 August 2017 (2017-08-08), pages 551 - 556, XP033154995, DOI: 10.1109/ICTIS.2017.8047820 *
KYLE SCHMITT ET AL: "A Gaussian Process-Based Approach for Handling Uncertainty in Vehicle Dynamics Simulation", 2008 ASME INTERNATIONAL MECHANICAL ENGINEERING CONGRESS AND EXPOSITION, IMECE 2008, 12 June 2008 (2008-06-12), USA, pages 617 - 628, XP055500668, ISBN: 978-0-7918-4872-2, DOI: 10.1115/IMECE2008-66664 *
MIKHAIL KANEVSKY ET AL: "ARTIFICIAL NEURAL NETWORKS AND SPATIAL ESTIMATION OF CHERNOBYL FALLOUT", 1 January 1996 (1996-01-01), pages 5 - 11, XP055501728, Retrieved from the Internet <URL:https://www.researchgate.net/profile/Mikhail_Kanevski/publication/243774449_Artificial_Neural_Networks_and_Spatial_Estimation_of_Chernobyl_Fallout/links/5884920caca272b7b449d24c/Artificial-Neural-Networks-and-Spatial-Estimation-of-Chernobyl-Fallout.pdf?origin=publication_detail> [retrieved on 20180823], DOI: 10.6010/geoinformatics1990.7.1-2_5 *
TOMISLAV MALVIC: "Tomislav Hengl: A Practical Guide to Geostatistical Mapping of Environmental Variables", KARTOGRAFIJA I GEOINFORMACIJE, 1 December 2008 (2008-12-01), pages 96 - 99, XP055501754, Retrieved from the Internet <URL:https://www.lu.lv/materiali/biblioteka/es/pilnieteksti/vide/A%20Practical%20Guide%20to%20Geostatistical%20Mapping%20of%20Environmental%20Variables.pdf> [retrieved on 20180823] *

Also Published As

Publication number Publication date
DE102017214094A1 (de) 2019-02-14

Similar Documents

Publication Publication Date Title
DE112018006161B4 (de) System und Verfahren zum Steuern eines Fahrzeugs
WO2019072619A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102015116882A1 (de) Verbindungswahrscheinlichkeitsmodellbildung und Folgerung der Kreuzungsstruktur
DE102016223422A1 (de) Verfahren zur automatischen Ermittlung extrinsischer Parameter einer Kamera eines Fahrzeugs
WO2019029876A1 (de) Verfahren zum bestimmen eines reibwerts für einen kontakt zwischen einem reifen eines fahrzeugs und einer fahrbahn und verfahren zum steuern einer fahrzeugfunktion eines fahrzeugs
DE102020135094A1 (de) System und verfahren zum aktualisieren von kartendaten
DE102017222568A1 (de) Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs
WO2021094222A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
DE102013015145B4 (de) Verfahren zum Testen und Bewerten der Qualität digitaler Karten
DE102017108107A1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur schätzung einer pose eines kraftfahrzeugs
WO2021175821A1 (de) Computerimplementiertes verfahren zur routenberechnung für ein autonom fahrendes kraftfahrzeug, verfahren zum fahren eines autonom fahrenden kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug
DE102018007960A1 (de) Verfahren zum Abgleich von Kartenmaterial mit einer erfassten Umgebung eines Fahrzeugs, Steuergerät, eingerichtet zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Steuergerät
WO2019029889A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102018005954A1 (de) Verfahren zum Aktualisieren von Kartenmaterial durch mindestens ein zumindest teilweise autonomes Fahrzeug, Fahrassistenzsystem, eingerichtet zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Fahrassistenzsystem
EP3665057B1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102017207441A1 (de) Verfahren zum Überprüfen einer digitalen Umgebungskarte für ein Fahrerassistenzsystem eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
DE102019135751A1 (de) Verfahren, Vorrichtungen, Systeme und Computerprogrammprodukte zum Schätzeneiner Fahrbahnoberflächentemperatur
EP3665059B1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
WO2019029891A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102021129166A1 (de) Verbesserte dimensionierung von komponenten
WO2022184363A1 (de) Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug
WO2019072879A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
WO2020074559A1 (de) Verfahren und system zum bereitstellen eines reibwerts an ein fahrzeug
DE102013202255B4 (de) Verfahren und Vorrichtung zur Bestimmung von Verkehrsstärken
DE102018215179A1 (de) Verfahren und System zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt

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: 18737820

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18737820

Country of ref document: EP

Kind code of ref document: A1