WO2019072619A1 - 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
WO2019072619A1
WO2019072619A1 PCT/EP2018/076703 EP2018076703W WO2019072619A1 WO 2019072619 A1 WO2019072619 A1 WO 2019072619A1 EP 2018076703 W EP2018076703 W EP 2018076703W WO 2019072619 A1 WO2019072619 A1 WO 2019072619A1
Authority
WO
WIPO (PCT)
Prior art keywords
friction
coefficient
determined
semivariogram
road
Prior art date
Application number
PCT/EP2018/076703
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 WO2019072619A1 publication Critical patent/WO2019072619A1/de

Links

Classifications

    • 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
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—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
    • B60T2210/122—Friction using fuzzy logic, neural computing
    • 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

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.
  • Friction value measurement are usually used special measuring vehicles with a Reibwertmesstechnik. Examples of such measuring vehicles are the so-called “Surface Friction Tester” and the “Sideway-force Coefficient Routine Investigation Machine” in which Reibmesshong the roadway are determined based on a force measurement.
  • 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.
  • About the required braking force and / or the necessary braking torque can be the friction force and determine with the help of the known normal force of 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 production 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 of a road network can be reliably, quickly and with high reliability
  • One aspect of the invention relates to a method for determining a coefficient of friction of a roadway of a road network 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 may designate a road, a parking lot, a runway, a runway and / or any other vehicle-accessible area of the road network.
  • the method has the step of providing a data record, for example in one
  • each of the Reibmes a friction coefficient of the road, in particular a coefficient of friction between the
  • Lane and the vehicle indicating at a measuring position at a measuring time.
  • the method is characterized in particular by the following steps:
  • Roadway is modeled; Determining, determining and / or calculating a weighting factor for each friction measurement of the subset of friction measurements based on the semivariogram;
  • 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.
  • Modeling the spatial relationship may mean, for example, that the distance between the friction measurements along the roadway (or multiple lanes) and / or along the road network is dimensioned.
  • the topology of the road network and / or the course of the road in the road network it can be advantageously taken into account whether the friction measured values used to determine the coefficient of friction lie on the same roadway and / or road as the coefficient of friction, or if the coefficient of friction is based is determined on Reibmess tape which were determined on a different road and / or road than the coefficient of friction to be determined.
  • the friction measurement values used to determine the coefficient of friction were determined on the same roadway and / or road, then there may be a higher probability that the coefficient of friction has a value similar to that of the friction coefficient having friction measured values used. On the other hand, if the friction readings have been determined on another lane and / or road, then the
  • Friction readings are better estimated. The same can also apply to the friction measurement values among each other. By taking the topology into consideration, overall accuracy of the determined coefficient of friction can therefore be improved.
  • 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 weighting factors may be determined taking into account the topology of the road network and / or taking into account a relative distance to the roadway position along the road network and / or along one or more lanes of the road network and / or along a course of the one or more roadways.
  • the method may be considered to be based on the findings described below.
  • 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 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. In addition, the Reibmesshong the data set can also be determined at different times and for this reason at least partially different from each other.
  • 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
  • a friction coefficient can be predicted precisely in terms of time.
  • the method thus makes it possible to determine any number of coefficients of friction for any roadway positions and / or for any time points based on the data set of friction measurements.
  • a friction coefficient map which can designate a road map with the associated 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
  • Frictional value map based on a Kriging, in particular a spatio-temporal Kriging denote.
  • the method thus advantageously makes it possible to use, in addition to the spatial modeling, any desired number of friction measurement values, analogously to a swarming knowledge.
  • influences of individual measurement errors and / or uncertainties of the friction measurement values on the accuracy of the determined friction values can be kept low, since a statistical evaluation of the friction measurement values based on the semivariogram permits a high degree of accuracy.
  • 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
  • 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
  • the method may also be combined with other connectivity functions of vehicles. This allows additional information about roadways and / or
  • Road sections are provided, although the roadway, for example, has not yet been used with their own vehicle.
  • the step of modeling based on the semivariogram comprises determining a semivariable between in each case two friction measurement values of the subset of the friction measurement values
  • Reibmess uncomfortable taking into account a spatial distance and / or based on a spatial distance between each two friction measurements along the road network in the semivariogram and / or in the
  • Semivariances of the semivariogram can be modeled. In other words, for each friction measurement of the subset, a semivariance may be added to each other
  • Reibmeswert the subset are determined, in particular as a function of the distance between the Reibmess gene along the road network.
  • the distance between two Reibmess tone can thus be a distance which can be measured along one or more lanes of the road network.
  • the distance along the road network may refer to a distance on the road network.
  • Semivariances represent a reliable measure of a spatial and / or temporal dispersion and / or correlation of Reibmeshong, so that based on the semivariances a semivariogram can be created, which can comprehensively map the spatial and / or temporal relationship between the Reibmess kiss the subset.
  • the semivariances are respectively determined as a function of a spatial distance between the positions of the two friction measurement values along the road network.
  • the semivariances can each be determined as a function of a time interval of the measurement times of the two friction measurement values.
  • a representation and / or modeling of the semivariances 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. Creating a
  • Semivariance matrix can advantageously allow a compact and comprehensive representation of the determined semivariances, which can be further processed time-efficiently.
  • the step of modeling based on the semivariogram comprises determining a covariance between in each case two friction measurement values of the subset of the friction measurement values.
  • the modeling step may be based on the
  • the covariances can represent a reliable measure for a spatial and / or temporal scattering and / or correlation of the friction measurement values, so that a semivariogram can be created based on the covariances which determines the spatial and / or temporal relationship between the friction measurement values of the friction measurements Can comprehensively map subset.
  • each of the weighting factors gives a spatial and / or temporal relationship between the
  • Friction coefficients are included in the determined weighting factors, so that based on the weighting factors determined for each friction measurement value
  • Friction value can be determined precisely for any roadway positions and / or for any time points.
  • the weighting factors can under Consideration of the topology of the road network and / or under
  • 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.
  • Uncertainty a speed of the vehicle can be adjusted.
  • the method further comprises the step of determining a plurality of coefficients of friction at a plurality of roadway positions and / or for a plurality of points in time, as well as
  • Step of creating a friction map based on the plurality of determined friction values may be advantageous in particular with regard to an autonomous driving of vehicles, since based on such a coefficient map, for example, automatically
  • Speed of a vehicle can be adapted to the currently existing coefficient of friction.
  • Developments in the area of networked vehicles and / or in the area of autonomous driving can, for example by means of connectivity units, exchange sensor data about a current roadway, a speed, a
  • Friction values entered in a friction coefficient map can be used here, for example, to automate vehicle speeds
  • the method further comprises
  • the inventive method can be implemented, for example, in a server and / or a server-based data processing device. In this case, 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.
  • 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.
  • 3 shows a flowchart for illustrating steps of a method for determining a coefficient of friction according to an exemplary embodiment of the invention.
  • FIG. 4 shows a road network with a roadway for illustrating steps of the method illustrated in FIG.
  • FIG. 5 shows a flow chart 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 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 may be designed for bidirectional communication with the road user 22, wherein the communication For example, via the Internet, a mobile network, a telephone network and / or other suitable data transmission network can be done.
  • Road user 22 may, for example, request a coefficient of friction (j ( «5 6 , t 0 ) at a request position so and / or for a request time to
  • Interface 20 can receive.
  • the data processing device 10 can furthermore be designed and / or set up to determine the corresponding coefficient of friction
  • 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. Unless otherwise described, 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. Furthermore, 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 location- and / or time-dependent Reibmessock p (si, ti), 16 determine.
  • 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. so determined coefficients of friction 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 may designate a road map, in particular a digital road map, with friction coefficients entered therein. Also, such a friction coefficient map can be sent to the road user 22.
  • FIG. 3 shows a flow chart for illustrating steps of a method for determining a coefficient of friction ⁇ according to an exemplary embodiment of FIG
  • FIG. 4 shows a road network 24 having a plurality of lanes 26a, 26b for illustrating steps of the method illustrated in FIG.
  • Roadways 26a, 26b may be approximately different roads 26a, 26b of the road network 24.
  • p friction readings
  • 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 ti denote a measurement time.
  • the record 14 may be the
  • Reibmess uncomfortable 16 as described in Figure 1, have.
  • each of the friction measurement values ⁇ 1, t, t denotes a friction coefficient between a
  • the Reibmessevoke ⁇ ⁇ ,, t,) can also in step Sl, as described above with respect to Figure 2 described based on weather data, road sensor data, vehicle sensor data and / or other data about using the data processing device 10 are determined.
  • FIG. 4 shows, by way of example, two friction measurement values ⁇ (5 t i) and ⁇ (52, t 2) which are displayed at different measuring positions s i, s 2 of the road network 24, in particular on different roads 26 a, 26 b and / or roadways 26 a.
  • Measuring times ti, t2 can be identical or different.
  • a semivariogram can be determined in step S2.
  • step S2 the spatial relationship between
  • Road network 24 and / or along the lanes 26a, 26b measured distance 28 between the roadway position so and the measuring position S2 greater than the distances 25, 27. This circumstance is by taking into account
  • the covariances can be combined in a covariance matrix.
  • the semivariances and / or covariances determined in this way can be approximately between two Friction measurements taking into account the topology of the road network 24 and / or taking into account the distance of the two Reibmeshong along the road network 24 are determined.
  • the semivariance y 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 for a scattering and / or correlation of the friction measured values i (s-t).
  • the semivariance y may be represented as follows, for example.
  • variable r may correspond to the distance along the road network 24 and / or the distance on the road network 24.
  • variable d on the other hand, can be the direct distance and / or an air-line distance
  • the distance 28 along the road network 24 of the variable r which may be much larger than the direct distance 27, which corresponds to the variable d.
  • the semivariance and / or the covariance can for each friction measurement ⁇ ⁇ ,, t,) the
  • the semivariances and / or the covariances may depend on the spatial distance
  • the spatial distance can be one Distance and / or a distance between each two friction measurements along the road network 24 be.
  • the spatial distance s siZ between the friction measurement values at the measurement positions si and S2 can be given by the distance 28, which can indicate a distance between the measurement positions si, S2 on the road network 24.
  • step S2 a functional relationship between the
  • Semivariants correlating sizes can be determined.
  • a closed analytical function to the determined semivariances the
  • Reibungswert ⁇ ⁇ ,, t,) is determined, wherein the weighting factors each have a spatial and / or temporal relationship between the associated Reibmesswert ⁇ ⁇ , t,) and the coefficient of friction p to be determined at a
  • a sum of all weighting factors w ,, i l ... N, is one.
  • Weighting factors can in particular be a spatial
  • the weighting factor of the coefficient of friction ⁇ (52, t2) can indicate the spatial relationship to the coefficient of friction ⁇ taking into account the distance 28 on the road network 24 and not taking into account the distance 27.
  • the friction coefficient (1) to be determined at the roadway position and / or at the time to is finally determined to form a weighted average value, the weighted mean value being a sum of friction coefficients i weighted with the respective weighting factors w (s - "t) is correlated and / or given by this sum, as indicated in the following formula:
  • the coefficient of friction at the roadway position so and / or at the time to by the sum of the coefficients of friction ⁇ ⁇ ,, t,) of the subset i l ... N, each multiplied by the associated weighting factor w ,, which the spatial and / or temporal relationship between the coefficient of friction to be determined and the respective Reibmesswert ⁇ ⁇ ,, t,) are calculated to be calculated.
  • Friction coefficient ⁇ are calculated using the following formula:
  • the variance of the coefficient of friction ⁇ can 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.
  • the second term of the variance may be given by the sum of given the respective weighting factors wi multiplied semivariances, the sum running over the N friction measurement values 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
  • Different times friction coefficients ß can be determined.
  • S5 based on this plurality of determined
  • individual friction coefficients p can also be transmitted, for example via the interface 20, to a road user 22.
  • the friction coefficient map can also be transmitted to the road user 22 and / or the friction coefficient map can be output on a user interface of the data processing device 10 and / or stored in the data memory 12.
  • step S2 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.
  • a machine-learning system 15 such as a neural network 15 or the like.
  • Learning system 15 are learned based on a learning data set of Reibmess.
  • the learning data set may contain currently determined Reibmesshong and / or other Reibmesshong.
  • 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 Using a multilayer neural network 15 (feed-forward).
  • Input values are the weather or vehicle data and their location and traffic data
  • 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.
  • FIG. 5 shows a flow chart for illustrating steps of a method for determining a coefficient of friction ⁇ according to an exemplary embodiment of FIG
  • 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 position vector of the measurement position and t, denote a measurement time.
  • the data record 14 can have the friction measurement values 16, as described in FIG.
  • Friction measurement values i (s-t) may 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.
  • the friction measurement values ⁇ 1 ", t) can be modeled as a random variable, so that each friction measurement value can consist of the two components.
  • the first Component may be represented by a function g (s, t,, ..) modeling the local trend, and the second component may be represented by a random variable e (s, t).
  • the friction readings can thus be represented as follows:
  • a spatial and / or temporal time dependence of the friction measurements and / or the coefficient of friction to be determined can be taken into account.
  • the time component or the time dependence can be taken into account analogously to the description of FIG. 3, for example.
  • the trend can map and / or take into account a spatial and / or temporal dependence of the friction measurement values. In other words, the trend can be spatial and / or temporal.
  • 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.
  • a plurality of deterministic functions such as location and / or time
  • coefficients such as location and / or time
  • 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
  • a machine learning system 15 Component using a machine learning system 15 become.
  • the deterministic functions f Q , fi, ..., f L which can be regarded as model parameters of the trend, can be determined using 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 von.
  • learned parameter values of the machine learning system 15, for example the weights of nodes of a neural network can be adapted based on currently determined friction measurement values.
  • Output quantities can be the deterministic functions of
  • Linear combination modeling the local trend When learning, a distinction can be made between offline and online learning of the machine learning system 15.
  • the machine learning system 15 When learning offline, the machine learning system 15 is taught in advance with the learning data record. Subsequently, the fixed parameter set models are used to determine fixed local trends of other locations.
  • the machine learning system 15 When learning online, the machine learning system 15 is taught during operation and adjusted with current, adapted learning data of specific places again and again. Thus, at each computation time step, a new, improved local trend can be determined for each location.
  • 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, the method, the machine learning system 15 and / or the
  • Data processing device 10 to continuously adapt and / or improve by online learning. Furthermore, analogous to the description of FIG. 3, a spatial and / or temporal relationship between at least one subset of the
  • Friction measurements (s ,, t), with i 1 ... 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 semivariance and / or the covariance are determined for all further friction measurements ⁇ ( ⁇ ), where j is not equal to i.
  • 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 for a scattering and / or correlation of the friction measurements ⁇ ( ⁇ ). Also analogous to the description of FIG. 3, a time component and / or a time dependence can be taken into account.
  • the semivariances can be determined in between the friction measurements ⁇ , and for all friction measurements.
  • step S2 a functional relationship between the
  • a closed analytical function can be adapted 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, a weighting factor w, (si) is determined for each friction measured value
  • Weighting factors each indicate a spatial and / or temporal relationship between the associated Reibmesswert ⁇ ⁇ ,) and the coefficient of friction (1 at a roadway position so and / or at a time to, where the time to in the past, present or future
  • a sum of all weighting factors w ,, i l ... N, is one.
  • step S4 analogously to the step S4 of FIG. 3, the friction coefficient p to be determined is determined at the roadway position and / or to that
  • Time to is determined by taking a weighted average, the weighted average being correlated to and / or given by a sum of friction measurements (s, ti) weighted by the respective weighting factors Wi, as indicated in the formula below:
  • the 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. Using the "universal kriging" as well as the modeling of the local trend, the following mathematical relationship thus results for the friction coefficient jj at the roadway position s 0 :
  • 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, where the sum over the N friction measurements of the Subset is running.
  • the variance may have a second term which may be proportional to the sum of the deterministic functions f i.
  • steps S1 to S4 in particular the steps S2 to S4 and / or S3 to S4, can also be run through several times, so that coefficients of friction ⁇ can be determined at a plurality of different roadway positions and / or at different times.
  • a friction coefficient map can be created on the basis of this plurality of determined coefficients of friction (1), for example by entering the coefficients of friction in a road map
  • the friction coefficient map can be transmitted to the road user 22 and / or the coefficient map can be output on a user interface of the data processing device 10 and / or stored in the data memory 12.

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

Es wird ein Verfahren zum Ermitteln eines Reibwertes (μ̂) einer Fahrbahn (26a, 26b) eines Straßennetzes (24) vorgeschlagen, welches ein Bereitstellen eines Datensatzes (14) mit 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, wobei der räumliche Zusammenhang unter Berücksichtigung der Topologie des Straßennetzes (24) modelliert ist; Ermitteln eines Wichtungsfaktors (wi) für jeden Reibmesswert (μ) relativ zum Zeitpunkt (t0) und Fahrbahnposition (s0) der Prädiktion der Teilmenge von Reibmesswerten basierend auf dem Semivariogramm; und Ermitteln eines Reibwertes (μ̂) für eine Fahrbahnposition (s0) und/oder für einen Zeitpunkt (t0) unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe von mit den jeweiligen Wichtungsfaktoren (wi) gewichteten Reibmesswerten (μ) der Teilmenge der Reibmesswerte 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 eines Straßennetzes zuverlässig, schnell und mit hoher
Genauigkeit ermittelt werden.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Ermitteln eines Reibwertes einer Fahrbahn eines Straßennetzes 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 des Straßennetzes 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 des
Straßennetzes 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 Reibmesswerten zumindest einer Teilmenge der Reibmesswerte basierend auf einem Semivariogramm, etwa unter Berücksichtigung einer Topologie des Straßennetzes, wobei der räumliche Zusammenhang unter Berücksichtigung der Topologie des Straßennetzes und/oder unter Berücksichtigung eines Verlaufs der
Fahrbahn modelliert ist; 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.
Das Modellieren des räumlichen Zusammenhangs unter Berücksichtigung der Topologie des Straßennetzes kann etwa bedeuten, dass der Abstand zwischen den Reibmesswerten entlang der Fahrbahn (oder mehrerer Fahrbahnen) und/oder entlang des Straßennetzes bemessen ist. Durch Berücksichtigung der Topologie des Straßennetzes und/oder des Verlaufs der Fahrbahn in dem Straßennetz kann in vorteilhafter Weise berücksichtigt werden, ob die zur Ermittlung des Reibwertes herangezogenen Reibmesswerte auf derselben Fahrbahn und/oder Straße des Straßennetzes wie der Reibwert liegen, oder ob der Reibwert basierend auf Reibmesswerten ermittelt wird, welche auf einer anderen Straße und/oder Fahrbahn als der zu ermittelnde Reibwert ermittelt wurden. Wurden etwa die zur Ermittlung des Reibwertes herangezogenen Reibmesswerte auf derselben Fahrbahn und/oder Straße bestimmt, so kann eine Wahrscheinlichkeit höher sein, dass der Reibwert einen ähnlichen Wert wie die herangezogenen Reibmesswerte aufweist. Sind die Reibmesswerte dagegen auf einer anderen Fahrbahn und/oder Straße ermittelt worden, so kann die
Wahrscheinlichkeit, dass der Reibwert von den Reibmesswerten abweicht, höher sein. Mit anderen Worten kann unter Berücksichtigung der Topologie des Straßennetzes eine Korrelation zwischen dem Reibwert und den
Reibmesswerten besser abgeschätzt werden. Das Gleiche kann auch für die Reibmesswerte untereinander gelten. Durch Berücksichtigung der Topologie kann somit insgesamt eine Genauigkeit des ermittelten Reibwertes verbessert sein.
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. Alternativ oder zusätzlich können die Wichtungsfaktoren unter Berücksichtigung der Topologie des Straßennetzes und/oder unter Berücksichtigung eines relativen Abstandes zu der Fahrbahnposition entlang des Straßennetzes und/oder entlang einer oder mehrerer Fahrbahnen des Straßennetzes und/oder entlang eines Verlaufs der einen oder mehreren Fahrbahnen ermittelt werden. 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 gering gehalten 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.
Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln einer Semivarianz zwischen jeweils zwei Reibmesswerten der Teilmenge der Reibmesswerte unter
Berücksichtigung und/oder basierend auf der Topologie des Straßennetzes auf. Alternativ oder zusätzlich kann der räumliche Zusammenhang der
Reibmesswerte unter Berücksichtigung eines räumlichen Abstandes und/oder basierend auf einem räumlichen Abstand zwischen jeweils zwei Reibmesswerten entlang des Straßennetzes in dem Semivariogramm und/oder in den
Semivarianzen des Semivariogramms modelliert sein. Mit anderen Worten kann für jeden Reibmesswert der Teilmenge eine Semivarianz zu jedem weiteren
Reibmesswert der Teilmenge ermittelt werden, insbesondere als Funktion des Abstandes zwischen den Reibmesswerten entlang des Straßennetzes. Der Abstand zwischen zwei Reibmesswerten kann somit ein Abstand sein, welcher entlang einer oder mehrerer Fahrbahnen des Straßennetzes gemessen sein kann. Gleichsam kann der Abstand entlang des Straßennetzes eine Entfernung auf dem Straßennetzwerk bezeichnen. Allgemein können die ermittelten
Semivarianzen ein zuverlässiges Maß für eine räumliche und/oder zeitliche Streuung und/oder Korrelation der Reibmesswerte darstellen, so dass basierend auf den Semivarianzen 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 jeweils in Abhängigkeit eines räumlichen Abstands zwischen den Positionen der zwei Reibmesswerte entlang des Straßennetzes ermittelt. Alternativ oder zusätzlich können die Semivarianzen jeweils in Abhängigkeit eines zeitlichen Abstands der Messzeitpunkte der zwei Reibmesswerte ermittelt werden. Eine Darstellung und/oder Modellierung der Semivarianzen 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. Das Erstellen einer
Semivarianzmatrix kann in vorteilhafter Weise eine kompakte und umfassende Darstellung der ermittelten Semivarianzen erlauben, welche zeiteffizient weiterverarbeitet werden kann.
Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln einer Kovarianz zwischen jeweils zwei Reibmesswerten der Teilmenge der Reibmesswerte auf. Alternativ oder zusätzlich kann der Schritt des Modellierens basierend auf dem
Semivariogramm ein Erstellen einer Kovarianzmatrix aufweisen. Ähnlich zu den Semivarianzen können die Kovarianzen ein zuverlässiges Maß für eine räumliche und/oder zeitliche Streuung und/oder Korrelation der Reibmesswerte darstellen, so dass basierend auf 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 gibt jeder der Wichtungsfaktoren einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem
zugehörigen Reibmesswert und dem Reibwert unter Berücksichtigung der
Topologie des Straßennetzes 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. Die Wichtungsfaktoren können dabei unter Berücksichtigung der Topologie des Straßennetzes und/oder unter
Berücksichtigung eines relativen Abstandes zu der Fahrbahnposition entlang des Straßennetzes bzw. entlang eines Verlaufs einer oder mehrere Fahrbahnen in dem Straßennetz ermittelt werden.
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. Der Ort kann dabei ein relativer Abstand entlang des
Straßennetzes sein.
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. 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 pradiktive 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.
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 Straßennetz mit einer Fahrbahn zur Illustration von Schritten des in Figur 3 illustrierten Verfahrens.
Fig. 5 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 μ^,, ti), 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 (j(«56,t0) an einer Anfrageposition so und/oder für einen Anfragezeitpunkt to 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 |(s0, t|j3 zu ermitteln, wie voranstehend und nachfolgend im Detail beschrieben, und den Reibwert jj(« t0) über die Schnittstelle 20 an den Verkehrsteilnehmer 22 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
Sernivariogramms 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 p(si, ti), 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, insbesondere eine digitale 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 μ gemäß einem Ausführungsbeispiel der
Erfindung. Figur 4 zeigt ein Straßennetz 24 mit mehreren Fahrbahnen 26a, 26b zur Illustration von Schritten des in Figur 3 illustrierten Verfahrens. Die
Fahrbahnen 26a, 26b können etwa unterschiedliche Straßen 26a, 26b des Straßennetzes 24 sein.
In einem Schritt Sl wird ein Datensatz 14 mit einer beliebigen Anzahl von Reibmesswerten p(si, t,), mit i=l..., etwa in einem Datenspeicher 18 einer
Datenverarbeitungsvorrichtung 10 bereitgestellt, wobei s, eine Messposition, Ortskoordinaten der Messposition und/oder einen Ortsvektor der Messposition und ti einen Messzeitpunkt bezeichnen. Der Datensatz 14 kann dabei die
Reibmesswerte 16, wie in Figur 1 beschrieben, aufweisen. Allgemein bezeichnet jeder der Reibmesswerte μ^,, t,) einen Reibungskoeffizienten zwischen einer
Fahrbahn 26a, 26b und einem Verkehrsteilnehmer 22, insbesondere zwischen einer Fahrbahn 26a, 26b und einem Fahrzeug 22, etwa einem Reifen des Fahrzeugs 22. Die Reibmesswerte μ^,, t,) 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 Figur 4 sind exemplarisch zwei Reibmesswerte μ(5ι ti) und μ(52, t2) dargestellt, welche an unterschiedlichen Messpositionen si, S2 des Straßennetzes 24, insbesondere auf unterschiedlichen Straßen 26a, 26b und/oder Fahrbahnen 26a,
26b des Straßennetzes 24 ermittelt und/oder geschätzt wurden. Die
Messzeitpunkte ti, t2 können dabei identisch oder voneinander verschieden sein. In einem Schritt S2 wird ein räumlicher und/oder zeitlicher Zusammenhang zwischen zumindest einer Teilmenge der Reibmesswerte μ^,, 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".
Insbesondere wird in Schritt S2 der räumliche Zusammenhang zwischen
Reibmesswerten μ^,, t,) der Teilmenge von Reibmesswerten μ^,, t,) unter
Berücksichtigung einer Topologie des Straßennetzes 24 und/oder unter
Berücksichtigung eines räumlichen Abstandes 28 zwischen den Reibmesswerten μ(5,, ti) entlang des Straßennetzes 24 und/oder entlang der Fahrbahnen 26a, 26b des Straßennetzes 24 ermittelt, um so basierend auf den Reibmesswerten μ^,, t,) einen Reibwert p(s0, t"o) an einer Fahrbahnposition so zu einem Zeitpunkt to zu ermitteln, wie nachfolgend im Detail erläutert. Wie in Figur 4 veranschaulicht ist, kann ein direkter Abstand 25 und/oder ein Luftlinienabstand 25 zwischen der Fahrbahnposition so und der Messposition si identisch zu einem
Luftlinienabstand 27 und/oder direktem Abstand 27 zwischen der
Fahrbahnposition so und der Messposition S2 sein, jedoch ist ein entlang des
Straßennetzes 24 und/oder entlang der Fahrbahnen 26a, 26b bemessener Abstand 28 zwischen der Fahrbahnposition so und der Messposition S2 größer als die Abstände 25, 27. Diesem Umstand wird durch Berücksichtigung der
Topologie des Straßennetzes 24 zur Modellierung des räumlichen
Zusammenhangs zwischen den Reibmesswerten μ^,, t,) in dem Semivariogramm
Rechnung getragen.
Zur Modellierung der zeitlichen und/oder räumlichen Zusammenhänge kann eine Semivarianz und/oder eine Kovarianz zwischen jeweils zwei Reibmesswerten μίε,, ti) der Teilmenge (i=l... N) von Reibmesswerten ermittelt werden. Mit anderen Worten kann für jeden Reibmesswert μ^,, t,) der Teilmenge die
Semivarianz und/oder die Kovarianz zu allen weiteren Reibmesswerten (sb tj) der Teilmenge 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. Die auf diese Art ermittelten Semivarianzen und/oder Kovarianzen können etwa zwischen jeweils zwei Reibmesswerten unter Berücksichtigung der Topologie des Straßennetzes 24 und/oder unter Berücksichtigung des Abstandes der zwei Reibmesswerte entlang des Straßennetzes 24 ermittelt werden. Die Semivarianz y 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:
i
r(hf A) = -Var[(z(s, t) - Z(s + h, t + Δ) )],
wobei der Zusammenhang zwischen Semivarianz y und Kovarianz C(h, &) durch folgende Formel beschrieben werden kann, etwa sofern ein endlicher Wert für γ{οο, οο),γ(Η,Α) existiert:
C ( k, Δ) = γ ( oo, oo)— γ ( h, Δ) .
Die Semivarianz und die Kovarianz können somit als Maß für eine Streuung und/oder Korrelation der Reibmesswerte i (s-,, t) herangezogen werden.
Unter Berücksichtigung der Topologie des Straßennetzes kann die Semivarianz y beispielsweise wie folgt dargestellt werden.
1
γ (fe, d) = -Var[(z(s, r)— Z(s + h, r + -0)]J
wobei hier der Übersichtlichkeit halber die Zeitabhängigkeit nicht berücksichtigt ist. Die Variable r kann dabei dem Abstand entlang des Straßennetzes 24 und/oder der Entfernung auf dem Straßennetz 24 entsprechen. Die Variable d kann dagegen den direkten Abstand und/oder einen Luftlinienabstand
bezeichnen. Im Beispiel der Figur 4 entspricht der Abstand 25 sowohl r als auch d. Mit anderen Worten gilt für die Messposition si r=d. Dagegen entspricht an der
Messposition S2 der Abstand 28 entlang des Straßennetzes 24 der Variable r, welche wesentlich größer sein kann als der direkte Abstand 27, welcher der Variable d entspricht. Die Semivarianz und/oder die Kovarianz kann für jeden Reibmesswert μ^,, t,) der
Teilmenge i=l... N ermittelt werden. Etwa können die Semivarianzen γί0
zwischen den Reibmesswerten μ, und ^ für alle Reibmesswerte der Teilmenge ermittelt werden. Zur mathematischen Vereinfachung können die Semivarianzen und/oder die Kovarianzen dabei in Abhängigkeit des räumlichen Abstandes
Ast] = s; - sj und/oder in Abhängigkeit des zeitlichen Abstandes ÄttjJ = t.— t bestimmt werden. Insbesondere kann der räumliche Abstand dabei einen Abstand und/oder eine Entfernung zwischen jeweils zwei Reibmesswerten entlang des Straßennetzes 24 sein. In dem Beispiel aus Figur 4 kann der räumliche Abstand &sliZ zwischen den Reibmesswerten an den Messpositionen si und S2 durch den Abstand 28 gegeben sein, welcher eine Entfernung zwischen den Messpositionen si, S2 auf dem Straßennetz 24 angeben kann.
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 Wi(si,ti) für jeden
Reibmesswert μ^,, t,) ermittelt, wobei die Wichtungsfaktoren jeweils einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem zugehörigen Reibmesswert μ^, t,) 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. Die
Wichtungsfaktoren können dabei insbesondere einen räumlichen
Zusammenhang zwischen den Reibmesswerten μ^,, t,) und dem zu
bestimmenden Reibwert μ an der Fahrbahnposition so unter Berücksichtigung des Abstandes der Fahrbahnpositionen s, zu der Messposition so entlang des
Straßennetzes 24 angeben. In dem Beispiel der Figur 4 kann beispielsweise der Wichtungsfaktor des Reibwertes μ(52, t2) den räumlichen Zusammenhang zum Reibwert μ unter Berücksichtigung des Abstandes 28 auf dem Straßennetz 24 und nicht unter Berücksichtigung des Abstandes 27 angeben.
In einem weiteren Schritt S4 wird letztlich der zu bestimmende Reibwert (1 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 w, gewichteten Reibmesswerten i (s-,, t) korreliert und/oder durch diese Summe gegeben ist, wie in nachfolgender Formel angegeben:
Figure imgf000020_0001
Mit anderen Worten kann der Reibwert an der Fahrbahnposition so und/oder zu dem Zeitpunkt to durch die Summe der Reibwerte μ^,, t,) 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 μ^,, t,) angibt, berechnet werden.
Unter Verwendung des„Ordinary Krigings" ergibt sich somit der folgende mathematische Zusammenhang für den Reibwert p an der Fahrbahnposition so und/oder zu dem Zeitpunkt to: fi(sQ, t0) =
Figure imgf000020_0002
= wTft = [c0 - 11ρ ( )]Σ_ 1|*, mit einem Vektor
c0 = [y(m, m) - y(&S 0, At^) ... ») - y(AsW0, Atw>0)] ,
der transponierten Einheitsmatrix
1 = [1 ... 1]T , niitÄ Elementen,
der Kovarianzmatrix
γ (oo, ) - r(O,0) r(co; ») - 7(&sLZl tL2) ·■■ y{ , ) - }'|isli¥, MLM J" y(m, e»)— -y{_AsZ L, y(w, oo} - γίθ,θ) ·■■ y(oo, oo)— γ(ήεΣ„, &tZM) l ir( , oo) - y(ßsMiL, MM }4m, m) - Y(&SMA, MKJS) ... !··(». oe) - y(0,0) und der Substitution
1 TY _i r
*0 Dies erlaubt somit eine Berechnung des Reibwertes 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 μ über nachfolgende Formel berechnet werden:
Af
i
! = 1
Die Varianz des Reibwertes μ 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 ß ermittelt werden können. In einem optionalen Schritt S5 kann basierend auf dieser Mehrzahl von ermittelten
Reibwerten (1 eine Reibwertkarte erstellt werden, etwa durch Eintragen der Reibwerte in eine Straßenkarte. Zudem können einzelne Reibwerte p auch, 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. 5 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts μ 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 μ^,, t), mit i=l ..., etwa in einem
Datenspeicher 18 einer 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. Die
Reibmesswerte i(s-,, t) 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 Trend zumindest einer Teilmenge der
Reibmesswerte unter Zerlegen jedes Reibmesswertes μ^,, t) der Teilmenge i=l... N in eine erste Komponente zur Beschreibung des Trends und eine zweite Komponente zur Beschreibung statistischer Schwankungen der Reibmesswerte μ(5ι, ti) modelliert. Die erste Komponente kann dabei ein erster Term und die zweite Komponente kann ein zweiter Term sein. Mit anderen Worten können die Reibmesswerte μ^,, t) als Zufallsvariable modelliert werden, so dass jeder Reibmesswert aus den zwei Komponenten bestehen kann. Die erste Komponente kann durch eine Funktion g(s, t, ,..), die den lokalen Trend modelliert, repräsentiert sein und die zweite Komponente kann durch eine Zufallsvariable e(s, t) repräsentiert sein. Die Reibmesswerte können somit wie folgt dargestellt werden:
» = g(sr% .,.) + e(.s,t),
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
mbination
Figure imgf000023_0001
der deterministischen Funktionen f0,fl r fL, den Koeffizienten at€ 1(0} und der Konvention fQ(srt, .,.) = 1 dargestellt werden.
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 fQ,fi, ...,fL , welche als Modellparameter des Trends angesehen werden können, 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 (s,, t), mit i=1 ... 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 μ(βί) der Teilmenge (i=1 ...N) von Reibmesswerten ermittelt werden, insbesondere unter Berücksichtigung der Topologie des Straßennetzes 24. Mit anderen Worten kann für jeden Reibmesswert μ 8,) der Teilmenge die Semivarianz und/oder die Kovarianz zu allen weiteren Reibmesswerten μ(^) 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 γ für eine Variable Z an den Orten s und s+h in folgender mathematischen Formel beschrieben werden:
i
= -Var[(z(s) - z(s + h) )]f
wobei der Zusammenhang zwischen Semivarianz γ und Kovarianz C(h) durch folgende Formel beschrieben werden kann:
Figure imgf000025_0001
Die Semivarianz und die Kovarianz können somit als Maß für eine Streuung und/oder Korrelation der Reibmesswerte μ(βί) 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 μ(βί) der Teilmenge i=1 ...N ermittelt werden. Etwa können die Semivarianzen in zwischen den Reibmesswerten μ, und für alle Reibmesswerte ermittelt werden. Zur mathematischen Vereinfachung können die Semivarianzen und/oder die Kovarianzen dabei in Abhängigkeit des räumlichen Abstandes As,j = st - sj und/oder in Abhängigkeit des zeitlichen Abstandes Δί^ = t,— bestimmt 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 unter Berücksichtigung der Topologie des Straßennetzes 24. 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 w,(si) für jeden Reibmesswert μ^,) ermittelt, wobei die
Wichtungsfaktoren jeweils einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem zugehörigen Reibmesswert μ^,) und dem zu bestimmenden Reibwert (1 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 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 Wi gewichteten Reibmesswerten (s,,ti) korreliert und/oder durch diese Summe gegeben ist, wie in nachfolgender Formel angegeben:
Figure imgf000026_0001
Mit anderen Worten kann der Reibwert an der Fahrbahnposition so und/oder zu dem Zeitpunkt to durch die Summe der Reibwerte μίβ,,ΐ άβΓ 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 μ(si,ti)angibt, berechnet werden. Die 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 den Reibwert jj an der Fahrbahnposition s0:
Figure imgf000027_0001
i=l
mit einem Vektor
Yo = - Α - t0) ... γ ( - sBt - t0;)]r .,
den deterministischen Funktionen
/□ = [ι Λ( ,ί0) ... Ä,(se, t0)]r'
der transponierten Einheitsmatrix
1 = [1 ... 1]T , mit JV Elementen,
der Semivarianzmatrix
Figure imgf000027_0002
einer Matrix
F =
Figure imgf000027_0003
den Wichtungsfaktoren und der Substitution
Dies erlaubt somit eine Berechnung des Reibwertes μ 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 μ über nachfolgende Formel berechnet werden:
Figure imgf000027_0004
Die Varianz des Reibwertes μ 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 ß ermittelt werden können. In einem optionalen Schritt S5 kann basierend auf dieser Mehrzahl von ermittelten Reibwerten (1 eine Reibwertkarte erstellt werden, etwa durch Eintragen der Reibwerte in eine Straßenkarte. Zudem können einzelne Reibwerte p auch , 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

Ansprüche
1 . Verfahren zum Ermitteln eines Reibwertes ( ) einer Fahrbahn (26a, 26b) eines Straßennetzes (24), das Verfahren aufweisend die Schritte:
Bereitstellen eines Datensatzes (14) mit Reibmesswerten (μ) der Fahrbahn des Straßennetzes (24), wobei jeder der Reibmesswerte (μ) einen
Reibungskoeffizienten der Fahrbahn an einer Messposition (s,) zu einem Messzeitpunkt (t) angibt;
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, wobei der räumliche Zusammenhang unter
Berücksichtigung einer Topologie des Straßennetzes (24) modelliert ist; Ermitteln eines Wichtungsfaktors (w,) für jeden Reibmesswert (μ) der Teilmenge von Reibmesswerten basierend auf dem Semivariogramm; und Ermitteln eines Reibwertes (p) für eine Fahrbahnposition (so) und/oder für einen Zeitpunkt (to) unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe von mit den jeweiligen
Wichtungsfaktoren (w,) gewichteten Reibmesswerten (μ) der Teilmenge der Reibmesswerte korreliert.
2. Verfahren nach Anspruch 1 ,
wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln einer Semivarianz (γ) zwischen jeweils zwei Reibmesswerten (μ) der Teilmenge der Reibmesswerte unter Berücksichtigung der Topologie des Straßennetzes (24) aufweist; und/oder
wobei der räumliche Zusammenhang unter Berücksichtigung eines räumlichen Abstandes (28) zwischen jeweils zwei Reibmesswerten (μ) der Teilmenge von Reibmesswerten (μ) entlang des Straßennetzes (24) in dem Semivariogramm modelliert ist.
3. Verfahren nach Anspruch 2,
wobei die Semivarianzen (γ) jeweils in Abhängigkeit eines räumlichen Abstands (As) zwischen den Positionen der zwei Reibmesswerte (μ) entlang des Straßennetzes (24) ermittelt werden; und/oder wobei die Semivarianzen (γ) jeweils in Abhängigkeit eines zeitlichen Abstands (At) der Messzeitpunkte der zwei Reibmesswerte (μ) ermittelt werden.
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.
Verfahren nach einem der Ansprüche 1 bis 4,
wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln einer Kovarianz (C) zwischen jeweils zwei Reibmesswerten (μ) der Teilmenge der Reibmesswerte aufweist; und/oder
wobei der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Kovarianzmatrix aufweist.
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) unter Berücksichtigung der Topologie des Straßennetzes (24) angibt; und/oder
wobei eine Summe der Wichtungsfaktoren (w,) eins ist. 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.
Verfahren nach einem der voranstehenden Ansprüche, weiter aufweisend: Ermitteln einer Varianz (o) und/oder einer Unsicherheit (o) des ermittelten Reibwertes (p) basierend auf den ermittelten Wichtungsfaktoren (w,).
Verfahren nach einem der voranstehenden Ansprüche, weiter aufweisend: Ermitteln einer Mehrzahl von Reibwerten (jjl) 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 (μ).
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 (μ) an der Anfrageposition (so) und/oder für den Anfragezeitpunkt (to); und
Bereitstellen des ermittelten Reibwertes( ) an den Verkehrsteilnehmer (22).
1 1 . Datenverarbeitungsvorrichtung (10) zum Ermitteln eines Reibwertes (p) einer Fahrbahn, wobei die Datenverarbeitungsvorrichtung (10) dazu eingerichtet ist, Schritte des Verfahrens nach einem der voranstehenden Ansprüche auszuführen.
12. Datenverarbeitungsvorrichtung (10) nach Anspruch 1 1 , 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 (μ) aufweist.
PCT/EP2018/076703 2017-10-13 2018-10-02 Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn WO2019072619A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017218383.7A DE102017218383A1 (de) 2017-10-13 2017-10-13 Verfahren und Vorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn
DE102017218383.7 2017-10-13

Publications (1)

Publication Number Publication Date
WO2019072619A1 true WO2019072619A1 (de) 2019-04-18

Family

ID=63787935

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/076703 WO2019072619A1 (de) 2017-10-13 2018-10-02 Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn

Country Status (2)

Country Link
DE (1) DE102017218383A1 (de)
WO (1) WO2019072619A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018217190A1 (de) * 2018-10-09 2020-04-09 Robert Bosch Gmbh Verfahren und System zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt
CN113450558B (zh) * 2020-03-27 2022-11-08 上海仙豆智能机器人有限公司 一种识别网络关键节点的方法、系统及存储介质
DE102020208860A1 (de) 2020-07-15 2022-01-20 Volkswagen Aktiengesellschaft Modul und Verfahren zur Schätzung eines Fahrbahnreibwertes für ein Kraftfahrzeug
DE102021127705A1 (de) 2021-10-25 2023-04-27 Bayerische Motoren Werke Aktiengesellschaft Bestimmung eines Reibwerts

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2873573A1 (de) * 2013-11-19 2015-05-20 Goodrich Corporation Verbesserte Reibwertsschätzung zwischen Flugzeugreifen und Rollbahn
WO2017100797A1 (en) * 2015-12-10 2017-06-15 Uber Technologies, Inc. Vehicle traction map for autonomous vehicles

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
DE102015216483A1 (de) * 2015-01-29 2016-08-04 Robert Bosch Gmbh Verfahren zum Betrieb einer Reibwertdatenbank und Reibwertdatenbank
DE102015211482A1 (de) * 2015-06-22 2016-12-22 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung eines Minimalwertes für den Reibwert eines Straßensegments

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2873573A1 (de) * 2013-11-19 2015-05-20 Goodrich Corporation Verbesserte Reibwertsschätzung zwischen Flugzeugreifen und Rollbahn
WO2017100797A1 (en) * 2015-12-10 2017-06-15 Uber Technologies, Inc. Vehicle traction map for autonomous vehicles

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
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 *
TAE J. KWON ET AL: "Modelling of winter road surface temperature (RST) - A GIS-based approach", 2017 4TH INTERNATIONAL CONFERENCE ON TRANSPORTATION INFORMATION AND SAFETY (ICTIS), 1 August 2017 (2017-08-01), pages 551 - 556, XP055501555, ISBN: 978-1-5386-0437-3, DOI: 10.1109/ICTIS.2017.8047820 *

Also Published As

Publication number Publication date
DE102017218383A1 (de) 2019-04-18

Similar Documents

Publication Publication Date Title
WO2019072619A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102017126877A1 (de) Automatisierte Copilot-Steuerung für autonome Fahrzeuge
DE102016205434A1 (de) Verfahren und System zum Erstellen einer spurgenauen Belegungskarte für Fahrspuren
DE102017203662B4 (de) Verfahren zum Ermitteln von Umgebungsdaten, die eine vorbestimmte Messgröße in einer Umgebung eines Kraftfahrzeugs beschreiben, sowie Steuervorrichtung für ein Kraftfahrzeug und Kraftfahrzeug
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
DE102021101281A1 (de) Prioritätsfahrzeugverwaltung
WO2019115662A1 (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
DE102013015145B4 (de) Verfahren zum Testen und Bewerten der Qualität digitaler Karten
EP4058927A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
DE102019135751A1 (de) Verfahren, Vorrichtungen, Systeme und Computerprogrammprodukte zum Schätzeneiner Fahrbahnoberflächentemperatur
DE102017207441A1 (de) Verfahren zum Überprüfen einer digitalen Umgebungskarte für ein Fahrerassistenzsystem eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
DE102020202650A1 (de) Computerimplementiertes Verfahren zur Routenberechnung für ein autonom fahrendes Kraftfahrzeug, Verfahren zum Fahren eines autonom fahrenden Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
WO2019029882A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
WO2019029889A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102023112545A1 (de) Fahrzeugunterstützung in einer assistenzzone mit intelligenten infrastrukturknoten
DE102022112395A1 (de) Von kreuzungsknoten unterstützte hochauflösende kartierung
EP3598163A1 (de) Verfahren und vorrichtung zur genauigkeitssteigerung einer ortsbestimmung
DE102018128274A1 (de) Verfahren und vorrichtung zur wettermodellierung und fahrzeugunterbringung
DE10357127A1 (de) Verfahren zur Erstellung individueller Verkehrsprognosen
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
WO2019072879A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE112020000138T5 (de) Feldtheoriebasierte wahrnehmung für autonome fahrzeuge

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: 18782705

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: 18782705

Country of ref document: EP

Kind code of ref document: A1