WO2020002100A1 - Verfahren zum betreiben eines wenigstens teilweise automatisierten fahrzeugs - Google Patents

Verfahren zum betreiben eines wenigstens teilweise automatisierten fahrzeugs Download PDF

Info

Publication number
WO2020002100A1
WO2020002100A1 PCT/EP2019/066234 EP2019066234W WO2020002100A1 WO 2020002100 A1 WO2020002100 A1 WO 2020002100A1 EP 2019066234 W EP2019066234 W EP 2019066234W WO 2020002100 A1 WO2020002100 A1 WO 2020002100A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
trajectory
environment model
environment
obstacle
Prior art date
Application number
PCT/EP2019/066234
Other languages
English (en)
French (fr)
Inventor
Christian LIENKE
Christian Wissing
Manuel Schmidt
Andreas Homann
Torsten Bertram
Martin Keller
Karl-Heinz Glander
Original Assignee
Trw Automotive 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 Trw Automotive Gmbh filed Critical Trw Automotive Gmbh
Publication of WO2020002100A1 publication Critical patent/WO2020002100A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/006—Interpolation; Extrapolation

Definitions

  • the invention relates to a method for operating an at least partially automated vehicle and in particular to determining a trajectory to be driven by the vehicle without colliding with other objects in the vicinity of the vehicle.
  • Objects that are in the area surrounding the vehicle are also referred to as obstacles or obstacle driving vehicles in the context of the following description.
  • the term obstacle covers all road users who are generally mobile, e.g. also pedestrians currently standing at traffic lights.
  • the vehicle for which the trajectory to be driven is determined is also referred to here as a first-person vehicle.
  • environment model and environment model are used synonymously.
  • the object of the invention is to overcome the disadvantages of the prior art.
  • At least one object in the surroundings of the vehicle is recognized from environment sensor data and an environmental model of the vehicle is created. Since an object position and at least one object movement feature are determined for the recognized object and transferred to the environmental model.
  • a trajectory for the vehicle is calculated from the environmental model and the vehicle is controlled according to the calculated trajectory.
  • the vehicle can be activated for braking, accelerating and steering.
  • the trajectory is calculated based on information that is perceived by sensor data.
  • the information perceived by sensor data is transmitted to a planning module. This is achieved by transforming the information that is perceived by sensor data into an environment model that contains merged information about the road geometry and obstacles, such as pedestrians or other vehicles.
  • the environment sensor data are provided by an environment sensor or by merging the data of several environment sensors, such as a camera, a radar, a lidar and / or an ultrasound sensor system, and processed by an object detection module that detects objects, their position relative to the vehicle and object movement characteristics, how speed and direction of movement are determined.
  • the environment model is a potential field, preferably a cost potential field, in which low costs are specified for passable areas and higher costs for areas that are not to be driven on.
  • each object that is determined is transformed into the environment model by processing the at least one object movement feature according to a predefined rule set.
  • a target position of the vehicle is specified by another module, such as a navigation module, and transformed into the environment model.
  • the calculation of the trajectory takes place in an egotrajectory calculation module, which is preferably implemented on a vehicle computer.
  • the vehicle computer comprises at least one processor, which in particular has a plurality of processor cores, memory and communication interfaces, such as Ethernet,
  • the trajectory is preferably calculated for a predetermined prediction period, also called the prediction horizon.
  • the method according to the invention requires Even with a long prediction horizon, only a short computing time for the determination of a trajectory and thereby captures all the necessary information with regard to the detected objects.
  • a changed position of the recognized object is predicted using the object movement feature and transformed accordingly into the environmental model.
  • the environment model comprises a static and a dynamic environment model component.
  • the static and the dynamic environment model are potential fields, preferably cost potential fields, in which areas to be avoided are taken into account by high costs and areas that can be driven on by low costs.
  • Detected objects and their object movement characteristics are preferably processed with a predetermined rule set in order to create the dynamic environment model.
  • the objects are transformed into the environment model as an area of high costs.
  • the dynamic environment model is based on a physical interpretation of a required safety distance.
  • movement characteristics such as speed and trajectory, of the first-person vehicle and / or at least one object are predicted for the prediction period.
  • Relative speed and safety margin are preferably predicted for the prediction period.
  • the required safety distance with respect to the detected object is transformed into the dynamic environment model using a predefined rule set.
  • the transformation with the predetermined rule set preferably comprises at least one cost function with object data of an object and object movement characteristics.
  • the at least one cost function is parameterized by predicted distances between the ego vehicle and the object.
  • the static environment model component contains boundary conditions or values that are determined by static objects in the environment of the vehicle.
  • Static objects are not to be understood as road users, but rather not moving obstacles, such as traffic islands or temporary construction sites, which narrow the road.
  • information about static objects is received by the environment sensor system or a Car-2-X communication module and transformed into the static environment model using a predefined rule set. For example, coordinates are transmitted for a non-navigable area and the static environment model increases the costs at these coordinates in such a way that no trajectory that touches this area is determined in the optimization step.
  • delimitation of a lane is transformed into the static environment model by processing lane-related environment sensor data with a predetermined rule set.
  • information relating to the lane marking is automatically transformed into the static environment model by means of a rule set.
  • the rule set contains a parameter for each lane marking, by means of which a desired distance from the lane marking can be specified.
  • Information relating to the lane markings is preferably transmitted by a lane detection system.
  • the object position and the at least one object movement feature are used to parameterize a predetermined rule set in order to create the environmental model.
  • the predetermined rule set includes the calculation of distances between the ego vehicle and a recognized object.
  • the trajectory is determined by means of a combination of curve interpolation and numerical optimization, in particular re-gradient-based optimization.
  • an optimization method can be used in which a steepest slope is followed iteratively.
  • the trajectory is determined using spline-based interpolation.
  • the recognized object is classified as a potential obstacle in the surroundings of the vehicle and a trajectory of the obstacle is calculated from the at least one object movement feature and the position of the object.
  • Typical object movement characteristics are instantaneous speeds in the x direction and / or y direction of the vehicle.
  • the at least one object movement feature is preferably predicted both for the first-person vehicle and for an obstacle vehicle for the entire prediction horizon.
  • the obstacle and the trajectory of the obstacle are transferred to the environmental model, in particular the dynamic component of the environmental model.
  • a road geometry, a lane marking and / or at least an obstacle, such as a pedestrian and / or another vehicle, an object speed and / or object movement direction is determined from the environment sensor data and transferred to the environment model.
  • the environment model is represented as a potential field, which is composed of a static and a dynamic part.
  • the dynamic part provides an interpretable model based on physical considerations, taking into account vehicle kinematics.
  • the novelty that distinguishes the developed approach from others lies in the fact that the environment potential field includes knowledge of the future development of the current situation through the use of trajectory planning and obstacle prediction, which at the same time influences the safety distance to be observed.
  • a defined, overdimensioned safety distance, without reference to the developing situation will lead to unnecessarily high braking, whereas a predetermined, undersized safety distance leads to risky behavior.
  • Due to its predictive character the developed environment model significantly improves safety and comfort in complex traffic scenarios.
  • the analysis shows that the developed environment field model for highway scenarios is fully suitable.
  • the environment model can be further developed by an advanced calculation of the braking distance to take account of the road conditions, for example.
  • the trajectory of the vehicle and / or the obstacle can be calculated by a combination of curve interpolation and numerical optimization. This ensures efficient trajectory planning.
  • the big advantage is the ability to find an optimal solution for different maneuvers even in a complex scenario.
  • the environment model can include a potential field with high potential for non-negotiable areas and low potential for negotiable areas.
  • the environment model can be composed of a static and a dynamic potential field.
  • a static component of the environment model can be provided by polynomial road markings.
  • the road marking is transmitted as a 3rd order polynomial to the trajectory planning module and evaluated at specific positions in order to determine distances between the first-person vehicle and the road marking.
  • the static environment model is preferably based on the determined distances.
  • the components can be transformed into a common potential field, so that a comprehensive environment model is formed.
  • both representations in particular are transformed into a potential field in such a way that they are combined to form a comprehensive environment model.
  • This combines the environment model to carry out the task of trajectory planning for automated driving.
  • an obstacle in the vicinity of the vehicle can be detected and a trajectory of the obstacle can be calculated.
  • the obstacle and the calculated trajectory are transformed into the environment model, in particular into the dynamic component of the environment model.
  • the information provided by the obstacle trajectory prediction is thus taken into account directly in the ego trajectory planning process.
  • the term fixed is defined here as fixed with regard to the time within the prediction horizon of the trajectory planning algorithm, that is to say that the safety margins do not change over time during the planning phase.
  • a static component of the environment model or a static environment model can be provided by polynomial road markings.
  • the dynamic component of the environment model or the dynamic environment model can be formed by an obstacle list.
  • the components can be transformed into a potential field in such a way that a comprehensive environment model is formed.
  • both presentations can be transformed into a potential field in such a way that they are combined in a comprehensive environment model.
  • Fig. 1 A representation of the predictive character of the environment model, while the dynamic potential field is built using the obstacle trajectory prediction approach;
  • FIG. 2 shows a static potential field, which shows the two different models for road marking types drawn and dashed, wherein contour lines are projected onto the road for visualization purposes;
  • Fig. 6 the current situation, shown for each time step, with reference to the moving ego vehicle, the ge planned ego trajectory is shown in addition to the environment potential field;
  • Fig. 7 a schematic representation of an assistance system that works according to the inventive method.
  • the environment model adapts advantageously to the predicted future development of the current situation.
  • a spline-based interpolation strategy is used in the planning step for the trajectory of the vehicle, that is, the ego trajectory.
  • Trajectory planning is formulated for trajectory B as a non-linear program: in which
  • the target state x g is part of the optimization.
  • z quadratic functions yi which are composed of objects or targets Oi, which are weighted by the matrix T.
  • the cost function can then be defined as follows with the optimization vector b of the dimension dopt and the weight matrix
  • the Jacobi matrix, i used to approximate the Hesse matrix 1 1 calculate with The requirement of a differentiable environmental model representation is derived from equations (9) and (10).
  • the earth and vehicle coordinate systems are identified by prefixed letters E and F.
  • the environment model is created as described below.
  • the environment model is stored in a predetermined representation in a memory of a trajectory planning module or environment fusion module.
  • the trajectory planning module or field fusion module can be implemented on an electronic control unit or another computing unit on board the vehicle.
  • the respective module is connected to other vehicle systems that provide sensor data information.
  • a potential field is selected as a representation of the order field.
  • Both the static and the dynamic environment model can be considered separately. However, they are calculated in a combined way to provide a holistic environment model.
  • the properties of the developed static and dynamic environment model are illustrated using an example with three straight lanes and the ego and obstacle vehicle in the middle lane of the road (e.g. Fig. 2).
  • the static environment model can be viewed as an extended driving corridor that indicates the negotiable space, that is, the available lanes that allow the first-person vehicle to drive in the intended direction of travel.
  • a maximum of three tracks are taken into account, so that, if available, the possible tracks are composed of the ego track and the right and left neighboring track.
  • obstacles included in the dynamic environment model are also predicted regardless of the number of traces detected.
  • Information about the existing lanes is obtained by on-board camera sensors, the shape of a lane being specified as a third-order polynomial per lane marking.
  • the model type is selected for each lane marking depending on the type of lane marking, so that a distinction is made between lane marks that can be passed and those that cannot be passed.
  • all lane marking types that are not allowed to be run over by the ego vehicle are copied and marked as solid lane markings, whereas all lane marking types that can be driven over are marked as dashed lane markings.
  • the poly nom is evaluated for F Xk of each trajectory point and the distance to the road boundary is approximated by the distance L between the F y coordinates of the trajectory and the following lane marking polynomials I.
  • the static potential field with the costs Fe is derived from the superposition of all ii. using equation (3), equation (4) and equation (5). Hi the vectorized form of h The resulting potential field for the static environment is shown in FIG. 2.
  • the obstacles are predicted for the trajectory prediction using a lane change detection and the predicted time until lane change.
  • the obstacle sizes are marked with.
  • the lateral and longitudinal distance between the ego and obstacle vehicle trajectories are calculated separately
  • Equation (17) is used to calculate the safety distance ⁇ ⁇ with respect to a respective obstacle Q.
  • the algebraic algebraic sign is taken into account for the longitudinal and lateral direction.
  • the characteristic of the dynamic potential field with respect to a difference in orientation is shown in FIG. 3.
  • the safety distance is adjusted based on the relative speed in the longitudinal and lateral directions.
  • the first-person vehicle runs at a speed of 120 km / h.
  • the obstacle vehicle has a speed of 85 km / h with a heading angle of ,!
  • the obstacle vehicle has 85 km / h with a heading angle of .
  • the dynamic potential field is formed for each predicted point of time in order to take into account the predicted relative speeds at that time. This makes it possible to take into account the varying safety distances depending on the situation.
  • the resulting environment model results from the superposition of the static and dynamic potential fields.
  • the static potential field is divided into negotiable and non-negotiable space based on the road geometry, whereas the dynamic potential field represents a potential collision risk with dynamic obstacles.
  • 4 shows the combination of the static potential field (cf. FIG. 2) and the dynamic potential field with the obstacle vehicle that is aligned with the first-person vehicle (cf. FIG. 3 (a). Because both the static and the dynamic Potential field both influence the resulting trajectory, a compromise has to be found that balances the realization of lane keeping and lane change maneuvers to the respective lane marking Li and the minimum safety distance be chosen accordingly. Due to its characteristics, the environment model developed can be described as a predictive environment potential field. In the exemplary embodiment shown in FIGS.
  • sensor data are provided by camera and radar sensors.
  • the first-person vehicle is equipped with radar sensors on the front, rear and sides as well as a front-facing camera. This provides lane marking information and merged information about obstacle vehicles.
  • a reference position is generated by the trajectory planning approach and Receding Horizon Control (RHC) is also used. The results are shown for straight lanes, but the developed environment model is also valid for curved road scenarios.
  • a freeway section with three lanes 3.75 m wide and two obstacle vehicles is shown.
  • the vehicle speeds can change due to the implemented individual driving behavior of the road users.
  • the first-person vehicle and the obstacle vehicle 1 are in the rightmost lane.
  • the ego vehicle moves faster than the obstacle vehicle 1 and the dynamic potential field is shaped accordingly to the relative speed of about 35 km / h.
  • obstacle vehicle 1 overtakes the slower obstacle vehicle 2.
  • two dynamic potential fields overlap.
  • the safety distance results from the relative speed in such a way that a lower safety distance is valid for the obstacle vehicle 1 than for the obstacle vehicle 2.
  • the first-person vehicle also performs a lane change to the left in order to overtake the obstacle vehicle 2.
  • the first-person vehicle which is supported by the predictive potential field, can immediately trigger an optimal follow-up maneuver.
  • the first-person vehicle By executing another lane change to the left, the first-person vehicle overtakes the obstacle vehicle 1, the desired speed being maintained.
  • the shape of the dynamic potential field is related due to only minor deviations. Orientation was mainly oriented in the longitudinal direction.
  • the static potential field is mainly visible on the side of the road. Nevertheless, it is evident that the static field enables precise lane keeping by taking the lane dimensions into account using the dashed lane marking model applied.
  • the result shown in FIG. 6 clearly shows the dependence of the environment model on well-founded sensor data.
  • Lane markings are only detected by the camera sensor, which could lead to limited lane marking detection due to occlusion or a sensor field of view that is too narrow.
  • the visual range of a respective lane marking is taken into account in such a way that no costs are generated if the visual range is exceeded.
  • difficulties arising from small areas of vision can be solved by using map data.
  • FIG. 7 schematically shows a driver assistance system that works according to the method according to the invention.
  • the ego trajectory planning module (ETP) 200 receives driving target specifications and environment sensor data via an interface 150.
  • driving target specifications are, for example, a target position that is provided by a navigation module 140.
  • 100 lane markings are transmitted as 3rd degree polynomials to the ego trajectory planning module as environment sensor data from a lane detection module.
  • Other systems such as one, can also transmit data to the ego-trajectory planning module 200 which are transformed into the environment model 220 by predetermined rule sets.
  • at least lane markings are transmitted from the lane detection module 100 to the ETP 200, as are object positions and their object movement characteristics, such as instantaneous speed and direction.
  • the ETP 200 has a predefined rule set, which, as described in more detail, specifies which calculations from the transmitted lane markings see environment model 222 is to be determined.
  • the ETP 200 processes the rule set described in the static environment model section and thus creates the static environment model 222.
  • the dynamic environment model 224 is determined from the detected objects and their object movement characteristics.
  • the ETP 200 determines an overall environment model 220 which reflects the overall driving situation.
  • the environment models 222 and 224 and the overall environment model 220 are calculated for the entire prediction horizon. With the help of the optimization method described above, a trajectory 250 is determined for the entire prediction horizon.
  • the determined trajectory 250 is transmitted to a driving control module 300, which controls the vehicle in accordance with the predefined trajectory.
  • the environment models le 222 and 224 and are continuously updated after the completion of the trajectory calculation with the currently available objects and object movement characteristics and the optimization is repeated, so that within the prediction horizon of the first trajectory planning, especially after less than 20%, preferably less than 10% of the prediction horizon, a new trajectory 250 is transmitted to the driving control module 300.
  • An advantage of one or more embodiments is that a general representation of the environment is obtained without including the desired behavior in the environment model.
  • Another advantage of one or more versions is that the safety distance between the vehicle for which the trajectory is planned (eg vehicle or ego) and other vehicles that can present obstacles (age) re, depending on the predicted situation depending on relative speed and relative orientation is calculated.
  • the environment model thus adapts to the predicted future development of the current situation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

Bei einem Verfahren zum Betrieb eines zumindest teilautomatisierten Fahrzeugs werden aus Umfeldsensordaten wenigstens ein Objekt in der Umgebung des Fahrzeugs erkannt und ein Umgebungsmodell (220) des Fahrzeugs erstellt, für das erkannte Objekt eine Objektposition und wenigstens ein Objektbewegungsmerkmal ermittelt und in das Umgebungsmodell (220) übertragen, mittels eines Optimierungsverfahrens eine Trajektorie (250) für das Fahrzeug aus dem Umgebungsmodell (220) berechnet und das Fahrzeug gemäß der berechneten Trajektorie angesteuert.

Description

Verfahren zum Betreiben eines wenigstens teilweise automatisierten Fahrzeugs
Die Erfindung betrifft ein Verfahren zum Betreiben eines wenigstens teilweise auto matisierten Fahrzeugs und insbesondere das Ermitteln einer von dem Fahrzeug zu fahrenden Trajektorie, ohne mit anderen Objekten in der Umgebung des Fahrzeugs zu kollidieren. Objekte, die sich in der Umgebung des Fahrzeugs befinden, werden im Rahmen der folgenden Beschreibung auch als Hindernisse oder Hindernisfahr zeuge bezeichnet. Der Begriff Hindernis erfasst alle Verkehrsteilnehmer, die im All gemeinen beweglich sind, z.B. auch momentan an einer Ampel stehende Fußgän ger. Das Fahrzeug, für welches die zu fahrende Trajektorie ermittelt wird, ist hier auch als Egofahrzeug bezeichnet. Die Begriffe Umgebungsmodell und Umfeldmodell werden synonym gebraucht.
In der Architektur moderner automatisierter Fahrzeuge spielen die Aufgaben Wahr nehmung, Planung und Steuerung eine wichtige Rolle. Komfortables und sicheres Fahren setzt Wissen über das umgebende Umfeld voraus. Ausgehend von dem Wis sen über Umfeld des Fahrzeugs, also der derzeitigen Fahrsituation ist eine Trajekto rie zu planen, entlang der das Fahrzeug automatisiert fahren kann. Bekannte Trajek- torienplanungsverfahren können die Nachteile haben, dass es ihnen an einer Garan tie für eine vollständige Lösung in einer Echtzeitanwendungen mangelt und mit an steigender Komplexität der Rechenzeitbedarf unangemessen ansteigt.
Es ist Aufgabe der Erfindung, die Nachteile des Standes der Technik zu überwinden.
Gemäß dem erfindungsgemäßen Verfahren zum Betrieb eines zumindest teilautoma tisierten Fahrzeugs wird aus Umfeldsensordaten wenigstens ein Objekt in der Umge bung des Fahrzeugs erkannt und ein Umgebungsmodell des Fahrzeugs erstellt. Da bei werden für das erkannte Objekt eine Objektposition und wenigstens ein Objekt bewegungsmerkmal ermittelt und in das Umgebungsmodell übertragen. Mittels eines Optimierungsverfahrens wird eine Trajektorie für das Fahrzeug aus dem Umge bungsmodell berechnet und das Fahrzeug wird gemäß der berechneten Trajektorie angesteuert. Das Fahrzeug kann zum Bremsen, Beschleunigen und Lenken ange steuert werden. Insbesondere wird die Trajektorie basierend auf Informationen berechnet, die durch Sensordaten wahrgenommen wird. Die Information, die durch Sensordaten wahrge nommen wird, wird an ein Planungsmodul übertragen. Dies wird dadurch erreicht, dass die Information, die durch Sensordaten wahrgenommen wird, in ein Umfeldmo dell transformiert wird, welches fusionierte Informationen über die Straßengeometrie und Hindernisse, wie Fußgänger oder andere Fahrzeuge, enthält.
Die Umfeldsensordaten werden von einem Umfeldsensor oder durch Fusion der Da ten mehrerer Umfeldsensoren, wie einer Kamera, einem Radar, einem Lidar und/oder einer Ultraschallsensorik, bereitgestellt und von einem Objekterkennungs modul verarbeitet, das Objekte, deren Position relativ zum Fahrzeug und Objektbe wegungsmerkmale, wie Geschwindigkeit und Bewegungsrichtung ermittelt. Insbe sondere ist das Umfeldmodell ein Potentialfeld, vorzugsweise ein Kostenpotential feld, in dem für befahrbare Bereiche niedrige Kosten angegeben sind und für Be reich, die nicht befahren werden sollen, höhere Kosten. Insbesondere wird jedes er mittelte Objekt durch Verarbeitung des wenigstens einen Objektbewegungsmerkmals nach einem vordefinierten Regelsatz in das Umfeldmodell transformiert. Insbesonde re wird eine Zielposition des Fahrzeugs von einem anderen Modul, wie ein Navigati onsmodul, vorgegeben und in das Umfeldmodell transformiert. Dabei und für die Op timierung wird vorzugsweise das aus“Spline-based motion planning for automated driving,” von C. Götte, M. Keller, T. Nattermann, C. Haß, K.-H. Glander, T. Bertram in Proceedings of the 20th IFAC World Congress, 2017, pp. 9444-9449, bekannte Ver fahren angewandt.
Die Berechnung der Trajektorie erfolgt in einem Egotrajektorienberechnungsmodul, das vorzugsweise auf einem Fahrzeugcomputer implementiert ist. Der Fahr zeugcomputer umfasst wenigstens einen Prozessor, der insbesondere mehrere Pro zessorkerne aufweist, Speicher und Kommunikationsschnittstellen, wie Ethernet,
CAN oder Flexray.
Vorzugsweise wird die Trajektorie für einen vorbestimmten Prädiktionszeitraum, auch Prädiktionshorizont genannt, berechnet. Das erfindungsgemäßen Verfahren benötigt auch bei langem Prädiktionshorizont nur eine geringe Rechenzeit für die Ermittlung einer Trajektorie und erfasst dabei alle notwendigen Informationen hinsichtlich der erfassten Objekte. Insbesondere wird für jeden Zeitschritt des Prädiktionshorizonts, eine veränderte Position des erkannten Objekts unter Verwendung des Objektbewe gungsmerkmals vorhergesagt und in das Umgebungsmodell entsprechend transfor miert.
In einer bevorzugten Ausführung umfasst das Umgebungsmodell eine statische und eine dynamische Umgebungsmodellkomponente. Abkürzend wird im Folgenden auch nur von dem statischen Umfeldmodell oder dem dynamischen Umfeldmodell gesprochen, wenn von der statischen Umgebungs- oder Umfeldmodellkomponente bzw. der dynamischen Umgebungs- oder Umfeldmodellkomponente die Rede ist. Insbesondere sind sowohl das statische und das dynamische Umfeldmodell Potenti alfelder, vorzugsweise Kostenpotentialfelder, in denen zu meidende Bereiche durch hohe Kosten berücksichtigt sind und befahrbare Bereiche durch niedrige Kosten. Vorzugsweise werden erkannte Objekte und deren Objektbewegungsmerkmale mit einem vorbestimmten Regelsatz verarbeitet um das dynamische Umfeldmodell zu erstellen. Insbesondere werden die Objekte als Bereich hoher Kosten in das Um feldmodell transformiert.
In einer bevorzugten Ausführung basiert das dynamische Umgebungsmodell auf ei ner physikalischen Interpretation eines erforderlichen Sicherheitsabstands. Insbe sondere werden für den Prädiktionszeitraum Bewegungsmerkmale, wie Geschwin digkeit und Trajektorie, des Egofahrzeugs und/oder wenigstens eines Objekts vor hergesagt. Vorzugsweise werden Relativgeschwindigkeit und Sicherheitsabstand für den Prädiktionszeitraum vorhergesagt. Abhängig von den ermittelten Daten wird an hand eines vordefinierten Regelsatzes des jeweils notwenige Sicherheitsabstand bezüglich des erfassten Objekts in das dynamische Umgebungsmodell transformiert. Vorzugsweise umfasst das Transformieren mit dem vorbestimmten Regelsatz, das wenigstens eine Kostenfunktionen mit Objektdaten eines Objektes und Objektbewe gungsmerkmale parametriert werden. Insbesondere wird die wenigstens eine Kos tenfunktion durch vorhergesagte Abstände zwischen dem Egofahrzeug und dem Ob jekt parametriert. In einer bevorzugten Ausführung enthält die statische Umgebungsmodellkomponente Randbedingungen oder Werte, die durch statische Objekte in der Umgebung des Fahrzeugs bestimmt sind. Als statische Objekte sind keine Verkehrsteilnehmer zu verstehen, sondern nicht bewegliche Hindernisse, wie Verkehrsinseln oder zeitweili ge Baustellen, welche die Fahrbahn verengen. Insbesondere werden Informationen über statische Objekte von der Umfeldsensorik oder einem Car-2-X Kommunikati onsmodul empfangen und anhand eines vordefinierten Regelsatzes in das statische Umgebungsmodell transformiert. Beispielsweise werden für einen nichtbefahrbaren Bereich Koordinaten übermittelt und an diesen Koordinaten das statische Umfeldmo dell die Kosten derart erhöht, dass im Optimierungsschritt keine Trajektorie ermittelt wird, die diesen Bereich berührt.
In einer bevorzugten Ausführung werden Begrenzung einer Fahrspur in das statische Umfeldmodell durch Verarbeitung von fahrspurbezogenen Umfeldsensordaten mit einem vorbestimmten Regelsatz transformiert. Insbesondere werden mittels eines Regelsatzes automatisiert Informationen bezüglich der Fahrbahnmarkierung in das statische Umfeldmodell transformiert. Insbesondere enthält der Regelsatz für jede Fahrbahnmarkierung einen Parameter, mittels dem ein gewünschter Abstand zur Fahrbahnmarkierung vorgebbar ist. Vorzugsweise werden Informationen bezüglich der Fahrbahnmarkierungen von einem Spurerkennungssystem übermittelt.
In einer bevorzugten Ausführung werden die Objektposition und das wenigstens eine Objektbewegungsmerkmal zur Parametrierung eines vorbestimmten Regelsatzes verwendet, um das Umgebungsmodell zu erstellen. Insbesondere umfasst der vor bestimmte Regelsatz das Berechnen von Abständen zwischen Egofahrzeug und ei nem erkannten Objekt umfasst.
In einer bevorzugten Ausführung wird die Trajektorie mittels einer Kombination aus Kurveninterpolation und numerischer Optimierung bestimmt wird, wobei insbesonde re gradientenbasiert optimiert wird. Zum Beispiel kann ein Optimierungsverfahren an gewandt werden, bei dem einer größten Steigung iterativ gefolgt wird. In einer besonderen Ausführung wird die Trajektorie mittels splinebasierter Interpo lation ermittelt wird.
In einer besonderen Ausführung wird das erkannte Objekt als ein potentielles Hin dernis in der Umgebung des Fahrzeugs klassifiziert und aus dem wenigstens einen Objektbewegungsmerkmal und der Position des Objekts eine Trajektorie des Hin dernisses berechnet. Typische Objektbewegungsmerkmale sind Momentange schwindigkeiten in x-Richtung und/oder y-Richtung des Fahrzeugs. Vorzugsweise wird das wenigstens eine Objektbewegungsmerkmal sowohl für das Egofahrzeug als auch für ein Hindernisfahrzeug für den gesamten Prädiktionshorizont vorhergesagt. Insbesondere werden das Hindernis und die Trajektorie des Hindernisses in das Umgebungsmodell, insbesondere die dynamische Komponente des Umgebungsmo dells, übertragen.
In einer besonderen Ausführung wird aus den Umfeldsensordaten eine Straßen geometrie, eine Fahrbahnmarkierung und/oder wenigstens ein Hindernis, wie ein Fußgänger und/oder ein anderes Fahrzeug, eine Objektgeschwindigkeit und/oder Objektbewegungsrichtung ermittelt und in das Umgebungsmodell übertragen.
Das Umfeldmodell wird als ein Potentialfeld repräsentiert, das aus einem statischen und einem dynamischen Teil zusammengesetzt wird. Der dynamische Teil stellt ein interpretierbares Modell bereit, das auf physikalischen Erwägungen basiert, wobei die Fahrzeugkinematik berücksichtigt wird. Die Neuheit, die den entwickelten Ansatz von anderen unterscheidet, liegt in der Tatsache, dass das Umfeldpotentialfeld Kenntnisse über die zukünftige Entwicklung der derzeitigen Situation durch die Ver wendung von Trajektorienplanung und Hindernisprädiktion einbezieht, was zeitgleich den einzuhaltenden Sicherheitsabstand beeinflusst. Ein festgelegter, überdimensio nierter Sicherheitsabstand, ohne Bezug zu der sich entwickelnden Situation, wird zu unnötig hohem Abbremsen führen, wohingegen ein vorbestimmter, unterdimensio nierter Sicherheitsabstand zu riskantem Verhalten führt. Aufgrund seines prädiktiven Charakters verbessert das entwickelte Umfeldmodell erheblich Sicherheit und Kom fort in komplexen Verkehrsszenarien. Die Analyse zeigt, dass das entwickelte Um- feldmodell für Autobahnszenarien uneingeschränkt geeignet ist. Darüber hinaus kann das Umfeldmodell durch eine fortgeschrittene Berechnung des Bremsabstands da hingehend weitergebildet werden, dass es zum Beispiel den Straßenzustand berück sichtigt.
Die Trajektorie des Fahrzeugs und/oder des Hindernisses kann durch eine Kombi nation aus Kurveninterpolation und numerischer Optimierung berechnet werden. Damit wird eine effiziente Trajektorienplanung sichergestellt. Der große Vorteil ist die Fähigkeit, eine optimale Lösung für verschiedene Manöver selbst in einem komple xen Szenario zu finden.
Das Umfeldmodell kann ein Potentialfeld mit hohen Potentialen für nicht verhandel bare Bereiche und niedrigen Potentialen für verhandelbare Bereiche umfassen. Das Umfeldmodell kann aus einem statischen und einem dynamischen Potentialfeld zu sammengesetzt werden.
Eine statische Komponente des Umfeldmodells kann durch polynomiale Straßen markierungen bereitgestellt werden. Insbesondere wird die Straßenmarkierung als Polynom 3. Ordnung an das Trajektorienplanungsmodul übermittelt und an bestimm ten Positionen ausgewertet, um Abstände zwischen dem Egofahrzeug und der Stra ßenmarkierung zu ermitteln. Vorzugsweise basiert das statische Umfeldmodell auf den ermittelten Abständen. Um beide Komponenten des Umfeldmodells zu kombinie ren, können die Komponenten in ein gemeinsames Potentialfeld transformiert wer den, sodass ein umfassendes Umgebungsmodell gebildet wird.
Um eine holistische Beschreibung des Umfelds zu gewinnen, werden insbesondere beide Repräsentationen derart in ein Potentialfeld transformiert, dass diese zu einem umfassenden Umfeldmodell kombiniert werden. Damit wird das Umfeldmodell kom biniert, um die Aufgabe der Trajektorienplanung für automatisiertes Fahren auszufüh ren.
Insbesondere werden andere Objekte, die Hindernisse sein können, wenn die Trajektorie berechnet wird, durch eine Kreisform angenähert, wodurch ein vordefi- nierter Sicherheitsabstand eingehalten wird, um der räumlichen Ausdehnung des Egofahrzeugs und des Hindernisfahrzeugs Rechnung zu tragen. Das statische Um feld wird mittels eines Abstands zur jeweiligen Straßenbegrenzung modelliert.
In einer bevorzugten Ausführung kann ein Hindernis in der Umgebung des Fahr zeugs detektiert und eine Trajektorie des Hindernisses berechnet werden. Das Hin dernis und die berechnete Trajektorie werden in das Umfeldmodell transformiert, ins besondere in die dynamische Komponente des Umfeldmodells.
Damit wird durch Beeinflussung des dynamischen Potentialfelds die Information, die durch die Hindernistrajektorienprädiktion bereitgestellt wird, direkt im Egotrajektori- enplanungsprozess berücksichtigt. Der Begriff festgelegt ist hier definiert als fest gelegt bezüglich der Zeit innerhalb des Prädiktionshorizonts des Trajektorienpla- nungsalgorithmus, das heißt, dass die Sicherheitsabstände während der Planungs phase sich über die Zeit nicht ändern.
Eine statische Komponente des Umfeldmodells oder ein statisches Umfeldmodell können durch polynomiale Straßenmarkierungen bereitgestellt werden. Die dynami sche Komponente des Umfeldmodells oder das dynamische Umfeldmodell können durch eine Hindernisliste gebildet werden. Um beide Komponenten des Umfeldmo dells zu kombinieren, können die Komponenten in ein Potentialfeld derart transfor miert werden, dass ein umfassendes Umgebungsmodell gebildet wird.
Um eine holistische Beschreibung des Umfelds zu gewinnen, können beide Re präsentationen derart in ein Potentialfeld transformiert werden, dass sie in ein um fassendes Umfeldmodell kombiniert werden. Damit wurde das Umfeldmodell kombi niert, um die Aufgabe der Trajektorienplanung für automatisiertes Fahren zu er möglichen.
Weitere Merkmale, Vorteile und Eigenschaften der Erfindung werden anhand der Beschreibung bevorzugter Ausführungen der Erfindung unter Verweis auf die Figu ren erklärt, die zeigen: Fig. 1 : Eine Darstellung des prädiktiven Charakters des Umfeldmodells, während das dynamische Potentialfeld mithilfe des Hindernistrajektorienprädiktionsansatzes auf gebaut wird;
Fig. 2 ein statisches Potentialfeld, das die zwei unterschiedlichen Modelle für durch gezogene und gestrichelte Straßenmarkierungsarten zeigt, wobei zu Visualisierungs zwecken Konturlinien auf die Straße projiziert sind;
Fig. 3: eine Darstellung des dynamischen Potentialfelds, wobei ein potentielles Kolli sionsrisiko gekennzeichnet ist;
Fig. 4: das sich durch Superposition ergebende resultierende Umfeldpotentialfeld des statischen und dynamischen Potentialfelds;
Fig. 5: eine Tabelle, die die Startbedingungen des Egofahrzeugs und der Hindernis- fahrzeuge im analysierten Szenario wiedergibt;
Fig. 6: die Momentansituation, dargestellt für jeden Zeitschritt, mit Bezug zum sich bewegenden Egofahrzeug, wobei zusätzlich zum Umfeldpotentialfeld die ge plante Egotrajektorie dargestellt ist;
Fig. 7: eine schematische Darstellung eines Assistenzsystems, das nach dem erfin dungsgemäßen Verfahren arbeitet.
Wie in Fig. 1 gezeigt, passt sich das Umfeldmodell vorteilhafterweise an die prädi- zierte zukünftige Entwicklung der Momentansituation an. Zu diesem Zweck wird im Planungsschritt für die Trajektorie des Fahrzeugs, das heißt die Egotrajektorie, eine Spline-basierte Interpolationsstrategie verwendet. Die Trajektorienplanung wird für Trajektorie B als nichtlineares Programm formuliert:
Figure imgf000011_0001
wobei
Figure imgf000011_0002
Figure imgf000011_0003
mit dem tatsächlichen Zustand xs und der Gleichheitsrandbedingung fk und den Un- gleichheitsrandbedingungen hk. Der Zielzustand xg ist Teil der Optimierung. Es gibt z quadratische Funktionen yi, die aus Objekten oder Zielen Oi zusammengesetzt sind, welche durch die Matrix T gewichtet werden
Figure imgf000011_0004
Die Lösung des in Gleichung 1 formulierten nichtlinearen Problems ist durch die An näherung der harten Randbedingungen gegeben. Daher werden die Randbedingun gen fk durch die Verwendung des Konzepts der weichen Randbedingungen in Strafterme transformiert. Dadurch wird eine effiziente echtzeitfähige Lösung erreicht. Aufgrund der Verwendung einer vereinfachten Fahrzeugdynamikbeschreibung sind Gleichheitsrandbedingungen kein Teil des Optimierungsproblems. Ungleichheits- randbedingungen werden ersetzt durch \ ' h, · -- i . ix j (). h/ } .
Figure imgf000012_0001
Damit ist der Gesamtfehlervektor
Figure imgf000012_0002
Figure imgf000012_0003
Die Kostenfunktion kann dann wie folgt definiert werden
Figure imgf000012_0004
mit dem Optimierungsvektor b der Dimension dopt und der Gewichtsmatrix
S!
Figure imgf000012_0005
die die Gewichte für die jeweiligen Ziele im Sinne des automatisier ten Fahrens enthält. Die optimale Lösung für das transformierte Problem ist gegeben durch
Figure imgf000012_0006
was zu einem nichtlinearen Kleinste-Quadrate-Problem führt, das iterativ mit dem Levenberg-Marquardt-Algorithmus gelöst wird. Nach jedem erfolgreichen Levenberg- Marquardt-Schritt wird die derzeitige Lösung aktualisiert durch b+ = b + Ab. < ? >
Die Grundgleichung des Levenberg-Marquardt-Algorithmus ist gegeben durch
Figure imgf000012_0007
Mit dem Dämpfungsfaktor li_M, der Identitätsmatrix I und dem Gradienten
Figure imgf000012_0008
Die Jacobi-Matrix ,i
Figure imgf000012_0009
verwendet, um eine Annäherung der Hesse- Matrix 1 1
Figure imgf000012_0010
berechnen, mit
Figure imgf000012_0011
Aus den Gleichungen (9) und (10) wird das Erfordernis einer differenzierbaren Um feldmodellrepräsentation abgeleitet. Im Folgenden werden die Erd- und Fahrzeugko ordinatensysteme durch vorangestellte hochgestellte Buchstaben E und F gekenn zeichnet. Der Prädiktionshorizont wird festgelegt als TP mit konstanten Zeitintervallen
Figure imgf000013_0001
und k = 1 ... n ergibt sich die
Egofahrzeugtrajektorie als
Figure imgf000013_0002
Bevor die obige gradientenbasierte Trajektorienplanung angewandt wird, wird das Umfeldmodell wie im Folgenden beschrieben gebildet. Das Umfeldmodell wird in vorbestimmter Repräsentation in einem Speicher eines Trajektorienplanungsmoduls oder Umfeldfusionsmoduls gespeichert. Das Trajektorienplanungsmodul oder Um feldfusionsmodul kann auf einer elektronischen Kontrolleinheit oder einer anderen Recheneinheit an Bord des Fahrzeugs implementiert sein. Das jeweilige Modul wird mit anderen Fahrzeugsystemen verbunden, die Sensordateninformationen bereitstel len.
In einer bevorzugten Ausführung wird ein Potentialfeld als Repräsentation des Um felds gewählt. Damit wird ein differenzierbares Umfeldmodell erreicht. Beide, das sta tische und das dynamische Umfeldmodell können separat berücksichtigt werden. Allerdings werden sie in kombinierter Weise berechnet, um ein holistisches Umfeld modell bereitzustellen. Zum Zwecke der Diskussion und Erklärung werden die Eigen schaften des entwickelten statischen und dynamischen Umfeldmodells anhand eines Beispiels mit drei geraden Fahrspuren und dem Ego- sowie dem Hindernisfahrzeug auf der Mittelspur der Straße illustriert (z.B. Fig. 2).
Statisches Umfeldmodell
Das statische Umfeldmodell kann als ein erweiterter Fahrkorridor betrachtet werden, der den verhandelbaren Raum anzeigt, das heißt die verfügbaren Spuren, die dem Egofahrzeug erlauben, in die beabsichtigte Fahrtrichtung zu fahren. Es werden höchstens drei Spuren berücksichtigt, sodass, falls verfügbar, die möglichen Spuren sich aus der Egospur und der rechten und linken Nachbarspur zusammensetzen. Dies bedeutet keine Beschränkung hinsichtlich der Leistungsfähigkeit für Szenarien mit mehr als drei Spuren, da immer noch genügend Information vorhanden ist, um das Egofahrzeug in die Lage zu versetzen, vollständige Basismanöver wie Spur wechsel und Spurhalten auszuführen. Es ist zu bemerken, dass außerdem Hinder nisse, die in dem dynamischen Umfeldmodell eingeschlossen sind, unabhängig von der Anzahl der detektierten Spuren prädiziert werden. Informationen über die vor handenen Spuren werden durch an Bord befindliche Kamerasensoren gewonnen, wobei die Gestalt einer jeweiligen Spur als Polynom dritter Ordnung pro Spurmarkie rung angegeben wird. Um das statische Potentialfeld zu erzeugen, wird der Modell typ für jede Spurmarkierung abhängig vom Typ der Spurmarkierung gewählt, sodass zwischen Spurmarken, die überfahren werden dürfen, und solchen, die nicht überfah ren werden dürfen, unterschieden wird. Zweckmäßigerweise werden alle Spurmar kierungstypen, die vom Egofahrzeug nicht überfahren werden dürfen, kopiert und als durchgezogene Spurmarkierungen gekennzeichnet, wohingegen alle überfahrbaren Spurmarkierungstypen als gestrichelte Spurmarkierungen gekennzeichnet werden.
Spurmarkierungen werden im Egofahrzeugkoordinatensystem F von links nach rechts gezählt, beginnend mit Index I = 0 für die linke Spurmarkierung der linken Spur, Index I = 1 für die linke und Index I = 2 für die rechte Spurmarkierung, sowie Index I = 3 für die rechte Spurmarkierung der benachbarten rechten Spur. Das Poly nom wird für FXk eines jeden Trajektorienpunkts ausgewertet und der Abstand zur Straßenbegrenzung wird durch den Abstand L zwischen den Fy-Koordinaten der Trajektorie und folgenden Spurmarkierungspolynomen I angenähert
Figure imgf000014_0001
In Abhängigkeit vom Spurmarkierungstyp ist für eine durchgezogene Spurmarkierung
Figure imgf000014_0003
Figure imgf000014_0002
für eine gestrichelte Spurmarkierung und mit einem gewünschten Abstand zur Spurmarkierung Li führt dies zu ht,k— Di/i -f- Ae. · 1 1
Das statische Potentialfeld mit den Kosten Fe wird aus der Superposition aller ii. unter Verwendung der Gleichung (3), der Gleichung (4) und der Gleichung (5) erzeugt. Dabei hi die vektorisierte Form von h Das resultierende Potentialfeld für das statische Umfeld wird in Fig. 2 dargestellt.
Dynamisches Umfeldmodell
Um dynamische Hindernisse zu berücksichtigen, werden die Hindernisse unter Ver wendung einer Spurwechselerkennung und der prädizierten Zeit bis zum Spurwech sel tttic für die Trajektorienprädiktion prädiziert. Im Folgenden werden die Hindernis größen mit gekennzeichnet. Für
Figure imgf000015_0001
Hindernisse wird der Lateral- und Longitudinalabstand zwischen den Ego- und Hindernisfahrzeugtrajektorien sepa rat berechnet
Figure imgf000015_0002
Auch Sicherheitsgründen wird der zu erfüllende notwendige Abstand durch die An näherung der Bremsdistanz gegeben
LA' L·" ~ L’f . 1 1 / * mit dem Parameter a für die maximale Bremsverzögerung. Allerdings ist bezüglich Gleichung 17 jeder andere gewünschte Abstand möglich. Die Relativgeschwindigkeit wird in Längsrichtung wie folgt berechnet
Figure imgf000015_0003
und in Lateralrichtung
Figure imgf000015_0004
Im Fall geringer Relativgeschwindigkeiten sollte zutreffen, dass ein minimaler Längs abstand und ein minimaler Lateralabstand
Figure imgf000016_0001
zwischen dem Ego- und Hindernisfahrzeug, unter Berücksichtigung der räumlichen Ausdehnung der Fahr zeuge, jederzeit erfüllt ist. Die gemessene Richtung 1 v- des jeweiligen Hindernis fahrzeugs wird verwendet, um den vorbestimmten minimalen gewünschten Sicher heitsabstand entsprechend der momentanen Situation zu drehen. Dies ergibt
Figure imgf000016_0002
Mit Gleichung (17) wird der Sicherheitsabstand ί· bezüglich eines jeweiligen Hin dernisses Q berechnet. Für die richtungsabhängige Komponente des dynami schen Umfeldmodells wird für die Längs- und Lateralrichtung das algebraische Vor zeichen berücksichtigt.
Figure imgf000016_0003
Damit muss für den Fall, dass sich das Ego- und das Hindernisfahrzeug voneinander wegbewegen, lediglich der Minimalabstand
Figure imgf000016_0004
zwischen beiden Fahrzeugen erfüllt sein. Eine Gauss-Funktion wird verwendet, um das dynamische Potentialfeld zu modellieren, indem der Momentanabstand und der gewünschte Sicherheitsab stand berücksichtigt werden. Dadurch wird das Erfordernis eines differenzierbaren Umfeldmodells inhärent erfüllt
» 241
Figure imgf000016_0005
( 25 t
Auf Basis der Eigenschaften der Gauss-Funktion führt die Kombination von Längs und Lateralpotentialkosten zu
L#,ΐ· - 4orÄ»i (26) Die Kosten F/> , welche das dynamische Potentialfeld repräsentieren, werden mit vektorisierten
Figure imgf000017_0002
für jedes
Figure imgf000017_0001
analog zum statischen Potentialfeld erzeugt.
Die Charakteristik des dynamischen Potentialfelds in Bezug auf einen Unterschied in der Orientierung wird in Fig. 3 gezeigt. Auf Basis der Relativgeschwindigkeit in Längs- und Lateralrichtung wird der Sicherheitsabstand angepasst.
Wie in Fig. 3(a) und (b) gezeigt, fährt das Egofahrzeug mit einer Geschwindigkeit von 120 km/h. In Fig. 3(a) hat das Hindernisfahrzeug eine Geschwindigkeit von 85 km/h mit einem Kurswinkel von
Figure imgf000017_0003
, ! . In Fig. 3(b) hat das Hindernisfahrzeug 85 km/h mit einem Kurswinkel von
Figure imgf000017_0004
. Das dynamische Potentialfeld wird für jeden prädizierten Zeitpunkt gebildet, um die prädizierten Relativgeschwindigkei ten zu dieser Zeit zu berücksichtigen. Damit wird es möglich, die situationsabhängi gen variierenden Sicherheitsabstände zu berücksichtigen.
Umfeldpotentialfeld
Das resultierende Umfeldmodell ergibt sich durch die Superposition des statischen und des dynamischen Potentialfelds. Das statische Potentialfeld teilt sich in verhan delbaren und nicht verhandelbaren Raum basierend auf der Straßengeometrie auf, wohingegen das dynamische Potentialfeld ein potenzielles Kollisionsrisiko mit dyna mischen Hindernissen repräsentiert. In Fig. 4 wird die Kombination des statischen Potentialfelds (vgl. Fig. 2) und des dynamischen Potentialfelds mit dem Hindernis fahrzeug, das mit dem Egofahrzeug fluchtet (vgl. Fig. 3(a) dargestellt. Da sowohl das statische als auch das dynamische Potentialfeld beide die resultierende Trajektorie beeinflussen, muss ein Kompromiss gefunden werden, der die Realisierung von Spurhalte- und Spurwechselmanövern ausbalanciert. Dies kann realisiert werden, indem die Parameter für den Trajektorienplanungsansatz (z.B. die Gewichtsmatrix W) und die Parameter des Umfeldmodells (z.B. der gewünschte Abstand zur jeweiligen Spurmarkierung Li und der minimale Sicherheitsabstand
Figure imgf000017_0005
entsprechend gewählt werden. Aufgrund seiner Charakteristiken kann das entwickelte Umfeldmo dell als prädiktives Umfeldpotentialfeld beschrieben werden. In dem in den Figuren 1 bis 6 dargestellten Ausführungsbeispiel werden Sensordaten durch Kamera- und Radarsensoren bereitgestellt. Das Egofahrzeug ist mit Radar sensoren an der Front, am Heck und an den Seiten sowie einer nach vorne gerichte ten Kamera ausgestattet. Damit werden Spurmarkierungsinformationen und fusio nierte Informationen über Hindernisfahrzeuge bereitgestellt. Eine Referenzposition wird durch den Trajektorienplanungsansatz generiert und ebenso wird Receding Ho- rizon Control (RHC) angewandt. Die Ergebnisse sind für gerade Spuren dargestellt, aber das entwickelte Umfeldmodell ist ebenso für gekrümmte Straßenszenarien gül tig.
Um die Charakteristiken des Umfeldmodells in Zusammenarbeit mit dem optimie rungsbasierten Trajektorienplanungsansatz in den Beispielen der Figuren 1 bis 6 ist ein Autobahnabschnitt mit drei Spuren von 3,75 m Breite und zwei Hindernisfahrzeu gen gezeigt. Die Anfangsbedingungen zur Zeit t = 0 s sind in Fig. 5 (Tabelle 1 ) ge zeigt. Während der Simulation können sich die Fahrzeuggeschwindigkeiten aufgrund des implementierten individuellen Fahrverhaltens der Verkehrsteilnehmer ändern.
Fig. 6 zeigt die Ergebnisse, die durch den vorgestellten Ansatz erzielt werden, in Schritten von 1 ,5 s beginnend mit t = 0,6 s. Zu dieser Zeit sind das Egofahrzeug und das Hindernisfahrzeug 1 auf der äußersten rechten Spur. Das Egofahrzeug bewegt sich schneller als das Hindernisfahrzeug 1 und das dynamische Potentialfeld ist ent sprechend der Relativgeschwindigkeit von etwa 35 km/h geformt. Im weiteren Verlauf überholt Hindernisfahrzeug 1 das langsamere Hindernisfahrzeug 2. Bezüglich des Egofahrzeugs überlagern sich zwei dynamische Potentialfelder. Der Sicherheitsab stand resultiert aus der Relativgeschwindigkeit derart, dass für das Hindernisfahr zeug 1 ein geringerer Sicherheitsabstand gültig ist als für das Hindernisfahrzeug 2. Wie das Hindernisfahrzeug 1 führt auch das Egofahrzeug einen Spurwechsel nach links aus, um das Hindernisfahrzeug 2 zu überholen.
Das Egofahrzeug, das durch das prädiktive Potentialfeld unterstützt wird, kann unmit telbar ein optimales Nachfolgemanöver auslösen. Durch Ausführen eines weiteren Spurwechsels nach links überholt das Egofahrzeug das Hindernisfahrzeug 1 , wobei die gewünschte Geschwindigkeit beibehalten wird. Während des Manövers ist die Form des dynamischen Potentialfelds aufgrund nur geringer Abweichungen bezüg- lieh der Orientierung hauptsächlich in Längsrichtung orientiert. Das statische Potenti alfeld ist hauptsächlich an den Straßenrändern sichtbar. Nichtsdestotrotz ist offen sichtlich, dass das statische Feld präzises Spurhalten ermöglicht, indem die Spurdi mensionen mithilfe des angewandten gestrichelten Spurmarkierungsmodells berück sichtigt werden. Das in Fig. 6 dargestellte Ergebnis zeigt deutlich die Abhängigkeit des Umfeldmodells von fundierten Sensordaten. Spurmarkierungen werden nur durch den Kamerasensor detektiert, was zu einer beschränkten Spurmarkierungsde tektion führen könnte durch Verdeckung oder ein zu schmales Sensorblickfeld. In nerhalb des Umfeldmodells wird der Sichtbereich einer jeweiligen Spurmarkierung derart berücksichtigt, dass keine Kosten generiert werden, wenn der Sichtbereich überschritten wird. In zukünftiger Arbeit können Schwierigkeiten, die durch geringe Sichtbereiche entstehen, mithilfe der Einbindung von Kartendaten gelöst werden.
In Fig. 6 muss festgestellt werden, dass die Ich-Trajektorie, die das Potentialfeld schneidet, nicht auf eine Kollision hindeutet, da das Umfeldpotentialfeld lediglich für den momentanen Zeitschritt dargestellt ist. Allerdings, basierend auf der prädizierten Situation, wird das sich entwickelnde Potentialfeld direkt in die Trajektorienplanung einbezogen.
In Fig. 7 ist ein Fahrerassistenzsystem schematisch dargestellt, welches nach dem erfindungsgemäßen Verfahren arbeitet. Das Egotrajektorienplanungsmodul (ETP) 200 empfängt Fahrsollvorgaben und Umfeldsensordaten über eine Schnittstelle 150. Solche Fahrsollvorgaben sind z.B. eine Zielposition, die von einem Navigationsmodul 140 bereitgestellt wird. Als Umfeldsensordaten werden von einem Spurerkennungs modul 100 Fahrbahnmarkierungen als Polynome 3. Grades and das Egotrajektorien planungsmodul übermittelt. Auch andere Systeme, wie ein können an das Ego trajektorienplanungsmodul 200 Daten übermitteln, die durch vorbestimmte Regelsät ze in das Umfeldmodell 220 transformiert werden. In den weiter oben beschriebenen Beispielen werden zumindest Fahrspurmarkierungen vom Spurerkennungsmodul 100 an das ETP 200 übermittelt sowie Objektpositionen und deren Objektbewe gungsmerkmale, wie Momentangeschwindigkeit und Richtung. Das ETP 200 verfügt über einen vordefinierten Regelsatz, der wie weiter im Einzelnen beschrieben angibt, mit welchen Berechnungen aus den übermittelten Fahrbahnmarkierungen das stati- sehe Umfeldmodell 222 zu ermitteln ist. Das ETP 200 arbeitet den im Abschnitt stati sches Umfeldmodell beschriebenen Regelsatz ab und erstellt damit das statische Umfeldmodell 222. Gleichermaßen wird wie im Abschnitt dynamisches Umfeldmodell aus den erfassten Objekten und deren Objektbewegungsmerkmalen das dynamische Umfeldmodell 224 ermittelt. Schließlich ermittelt das ETP 200 durch Superposition der Umfeldmodelle 222 und 224 ein Gesamtumfeldmodell 220, das die Fahrsituation insgesamt wiedergibt. Die Umfeldmodelle 222 und 224 und das Gesamtumfeldmodell 220 werden für den gesamten Prädiktionshorizont berechnet. Mit Hilfe der oben be schriebenen Optimierungsmethodik wird eine Trajektorie 250 für den gesamten Prä diktionshorizont ermittelt.
Die ermittelte Trajektorie 250 wird an ein Fahrkontrollmodul 300 übermittelt, welches das Fahrzeug entsprechend der vorgegebenen Trajektorie steuert. Die Umfeldmodel le 222 und 224 und werden fortlaufend jeweils nach Abschluss der Trajektorienbe- rechnung mit den momentan vorliegenden Objekten und Objektbewegungsmerkma len aktualisiert und die Optimierung wiederholt, so dass innerhalb des Prädiktionsho rizonts der ersten Trajektorienplanung, insbesondere nach Ablauf von weniger als 20%, vorzugsweise weniger als 10% des Prädiktionshorizonts, eine neue Trajektorie 250 an das Fahrkontrollmodul 300 übermittelt wird.
Ein Vorteil einer oder mehrerer Ausführungsformen ist, dass eine allgemeine Reprä sentation des Umfelds gewonnen wird, ohne das gewünschte Verhalten in das Um feldmodell einzubeziehen. Ein anderer Vorteil einer oder mehrerer Ausführungen ist, dass der Sicherheitsabstand zwischen dem Fahrzeug, für das die Trajektorie geplant wird (Egofahrzeug oder Ego) und anderen Fahrzeugen, die Hindernisse (Alter) re präsentieren können, entsprechend der vorhergesagten Situation in Abhängigkeit von Relativgeschwindigkeit und Relativorientierung berechnet wird. Damit passt sich das Umfeldmodell an die prädizierte Zukunftsentwicklung der derzeitigen Situation an. Bezuaszeichen Spurerkennungsmodul
Abstandshaltemodul
Spurwechselassistenzmodul
Fahrkomfortmodul
Navigationsmodul
Schnittstelle
Egotrajektorienplanungsmodul
Gesamtumfeldmodell
statisches Umfeldmodell
dynamisches Umfeldmodell
Trajektorie
Fahrkontrollmodul

Claims

Patentansprüche
1 ) Verfahren zum Betrieb eines zumindest teilautomatisierten Fahrzeugs, bei dem: a) aus Umfeldsensordaten wenigstens ein Objekt in der Umgebung des Fahr zeugs erkannt und ein Umgebungsmodell des Fahrzeugs erstellt wird, wo bei für das erkannte Objekt eine Objektposition und wenigstens ein Objekt bewegungsmerkmal ermittelt und in das Umgebungsmodell übertragen werden,
b) mittels eines Optimierungsverfahrens eine Trajektorie für das Fahrzeug aus dem Umgebungsmodell berechnet wird, und
c) das Fahrzeug gemäß der berechneten Trajektorie angesteuert wird.
2) Verfahren nach Anspruch 1 , bei dem das Umgebungsmodell eine statische und eine dynamische Umgebungsmodellkomponente umfasst.
3) Verfahren nach Anspruch 2, bei dem die dynamische Umgebungsmodellkompo nente auf einer physikalischen Interpretation eines erforderlichen Sicherheitsab stands basiert.
4) Verfahren nach Anspruch 2 oder 3, bei dem die statische Umgebungsmodell komponente Randbedingungen enthält, die durch statische Objekte in der Um gebung des Fahrzeugs bestimmt sind.
5) Verfahren nach einem der vorstehenden Ansprüche, bei dem die Objektposition und das wenigstens eine Objektbewegungsmerkmal zur Parametrierung eines vorbestimmten Regelsatzes verwendet werden, um das Umgebungsmodell zu erstellen.
6) Verfahren nach Anspruch 5, bei dem der vorbestimmte Regelsatz das Berechnen von Abständen zwischen Egofahrzeug und einem erkannten Objekt umfasst.
7) Verfahren nach einem der vorstehenden Ansprüche, bei dem die Trajektorie mit tels einer Kombination aus Kurveninterpolation und numerischer Optimierung be stimmt wird, wobei insbesondere gradientenbasiert optimiert wird.
8) Verfahren nach eine der vorstehenden Ansprüchen, bei dem die Trajektorie mit tels splinebasierter Interpolation ermittelt wird.
9) Verfahren nach einem der vorstehenden Ansprüche, bei dem das Objekt ein po tentielles Hindernis in der Umgebung des Fahrzeugs ist und aus dem wenigstens einen Objektbewegungsmerkmal eine Trajektorie des Hindernisses berechnet wird.
10) Verfahren nach einem der vorstehenden Ansprüche, bei dem aus den Umfeld sensordaten eine Straßengeometrie, eine Fahrbahnmarkierung und/oder wenigs tens ein Hindernis, wie einen Fußgänger und/oder ein anderes Fahrzeug, eine Objektgeschwindigkeit und/oder Objektbewegungsrichtung ermittelt und in das Umgebungsmodell übertragen werden.
PCT/EP2019/066234 2018-06-25 2019-06-19 Verfahren zum betreiben eines wenigstens teilweise automatisierten fahrzeugs WO2020002100A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018115253 2018-06-25
DE102018115253.1 2018-06-25

Publications (1)

Publication Number Publication Date
WO2020002100A1 true WO2020002100A1 (de) 2020-01-02

Family

ID=67211674

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/066234 WO2020002100A1 (de) 2018-06-25 2019-06-19 Verfahren zum betreiben eines wenigstens teilweise automatisierten fahrzeugs

Country Status (2)

Country Link
DE (1) DE102018123896A1 (de)
WO (1) WO2020002100A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019125817B4 (de) * 2019-09-25 2023-11-30 AVL Software und Functions GmbH Verfahren zur Planung einer oder mehrerer Trajektorien eines Fahrzeugs und System zum Durchführen des Verfahrens
DE102020202476A1 (de) 2020-02-26 2021-08-26 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Schätzen mindestens eines Objektzustandes eines beweglichen Objektes im Umfeld eines Fahrzeugs
DE102020120401A1 (de) * 2020-08-03 2022-02-03 Valeo Schalter Und Sensoren Gmbh Fahrerassistenz für ein kraftfahrzeug
DE102021203809B4 (de) 2021-03-16 2023-05-04 Continental Autonomous Mobility Germany GmbH Fahrverlaufsschätzung in einem Umfeldmodel

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073663A1 (en) * 2013-09-12 2015-03-12 Volvo Car Corporation Manoeuver generation for automated driving
DE102015221481A1 (de) * 2015-11-03 2017-05-04 Continental Teves Ag & Co. Ohg Vorrichtung zur Umfeldmodellierung für ein Fahrerassistenzsystem für ein Kraftfahrzeug
DE102016205442A1 (de) * 2016-04-01 2017-10-05 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Optimierung einer Pfadplanung eines Fahrzeugs

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004062504A1 (de) * 2004-12-24 2006-07-06 Daimlerchrysler Ag Verfahren und System zum Betreiben eines Kraftfahrzeugs
DE102007013303A1 (de) * 2007-03-16 2008-09-18 Robert Bosch Gmbh Verfahren zur Berechnung einer kollisionsvermeidenden Trajektorie für ein Fahrmanöver eines Fahrzeugs
US9120485B1 (en) * 2012-09-14 2015-09-01 Google Inc. Methods and systems for smooth trajectory generation for a self-driving vehicle
DE102016009762A1 (de) * 2016-08-11 2018-02-15 Trw Automotive Gmbh Steuerungssystem und Steuerungsverfahren zum Ermitteln einer Wahrscheinlichkeit für einen Fahrspurwechsel eines vorausfahrenden Kraftfahrzeugs

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073663A1 (en) * 2013-09-12 2015-03-12 Volvo Car Corporation Manoeuver generation for automated driving
DE102015221481A1 (de) * 2015-11-03 2017-05-04 Continental Teves Ag & Co. Ohg Vorrichtung zur Umfeldmodellierung für ein Fahrerassistenzsystem für ein Kraftfahrzeug
DE102016205442A1 (de) * 2016-04-01 2017-10-05 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Optimierung einer Pfadplanung eines Fahrzeugs

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN GÖTTE ET AL: "Spline-Based Motion Planning for Automated Driving", IFAC-PAPERSONLINE, vol. 50, no. 1, 31 December 2017 (2017-12-31), DE, pages 9114 - 9119, XP055629563, ISSN: 2405-8963, DOI: 10.1016/j.ifacol.2017.08.1709 *
WENDA XU ET AL: "A real-time motion planner with trajectory optimization for autonomous vehicles", 2013 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA); 6-10 MAY 2013; KARLSRUHE, GERMANY, 14 May 2012 (2012-05-14), US, pages 2061 - 2067, XP055629440, ISSN: 1050-4729, ISBN: 978-1-4673-5641-1, DOI: 10.1109/ICRA.2012.6225063 *

Also Published As

Publication number Publication date
DE102018123896A1 (de) 2020-01-02

Similar Documents

Publication Publication Date Title
DE102015223890B4 (de) Vorrichtung und verfahren zum steuern autonomer navigation
EP2881829B1 (de) Verfahren zum automatischen Steuern eines Fahrzeugs, Vorrichtung zum Erzeugen von Steuersignalen für ein Fahrzeug und Fahrzeug
DE102014223000B4 (de) Einstellbare Trajektorienplanung und Kollisionsvermeidung
WO2020002100A1 (de) Verfahren zum betreiben eines wenigstens teilweise automatisierten fahrzeugs
DE102015114464A9 (de) Einheitlicher Bewegungsplaner für ein autonom fahrendes Fahrzeug beim Ausweichen vor einem bewegten Hindernis
DE102016111691A1 (de) Halbautonomes Fahrzeug und Verfahren zum Steuern eines halbautonomen Fahrzeugs
DE102019201124A1 (de) Ein System für ein Fahrzeug
DE102015114465A1 (de) Verfahren zur Wegplanung für ein Ausweichlenkmanöver
DE102014114608A1 (de) Wegplanung für Ausweichlenkmanöver mithilfe einer virtuellen Potentialfeldtechnik
DE102014114827A9 (de) Wegplanung für Ausweichlenkmanöver bei Vorhandensein eines Zielfahrzeugs und umgebenden Objekten
DE102015108605A9 (de) Fahrspurwechselpfad-Planungsalgorithmus für ein autonom fahrendes Fahrzeug
DE102016201667B4 (de) Verfahren zum Bestimmen einer Solltrajektorie für einen ersten Verkehrsteilnehmer, insbesondere für ein Kraftfahrzeug, für einen Streckenabschnitt
EP3873784A1 (de) Steuerungssystem und steuerungsverfahren zum samplingbasierten planen möglicher trajektorien für kraftfahrzeuge
DE102016007899B4 (de) Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, Kraftfahrzeug und Datenverarbeitungseinrichtung
DE102015208790A1 (de) Bestimmen einer Trajektorie für ein Fahrzeug
DE102016113902A1 (de) Feldbasierte Drehmoment-Lenkregelung
DE102017118651A1 (de) Verfahren und System zur Kollisionsvermeidung eines Fahrzeugs
DE102015015302A1 (de) Verfahren zum teil- oder vollautonomen Betrieb eines Fahrzeugs und Fahrerassistenzvorrichtung
DE102017209736A1 (de) Verfahren und Vorrichtung zum Betreiben einer Fahrerassistenzfunktion für einen Spurwechsel, Computerprogramm und Computerprogrammprodukt
DE112021006846T5 (de) Systeme und Verfahren zur szenarioabhängigen Trajektorienbewertung
DE102017200580A1 (de) Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge
EP4088224A1 (de) Verfahren zur zusammenführung mehrerer datensätze für die erzeugung eines aktuellen spurmodells einer fahrbahn und vorrichtung zur datenverarbeitung
DE112022001133T5 (de) Systeme und Verfahren zur Fahrzeugbewegungsplanung
DE102008062796A1 (de) Fahrerassistenzsystem und Verfahren zum Betreiben eines Fahrzeugs
DE102022101054A1 (de) Verfahren zum Planen eines Pfades für ein wenigstens teilweise automatisiertes Kraftfahrzeug, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem

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: 19737001

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19737001

Country of ref document: EP

Kind code of ref document: A1