WO2020074563A1 - Verfahren und system zum bereitstellen einer reibwertinformation an ein fahrzeug - Google Patents

Verfahren und system zum bereitstellen einer reibwertinformation an ein fahrzeug Download PDF

Info

Publication number
WO2020074563A1
WO2020074563A1 PCT/EP2019/077312 EP2019077312W WO2020074563A1 WO 2020074563 A1 WO2020074563 A1 WO 2020074563A1 EP 2019077312 W EP2019077312 W EP 2019077312W WO 2020074563 A1 WO2020074563 A1 WO 2020074563A1
Authority
WO
WIPO (PCT)
Prior art keywords
coefficient
friction
module
vehicle
traffic area
Prior art date
Application number
PCT/EP2019/077312
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 WO2020074563A1 publication Critical patent/WO2020074563A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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

Definitions

  • the present invention relates to a device for providing a coefficient of friction information for a traffic area section to a vehicle.
  • the invention further relates to a system for providing a coefficient of friction information for a
  • Traffic area section to a vehicle Traffic area section to a vehicle.
  • the coefficient of friction between a vehicle, in particular its tire, and a traffic area section, such as a roadway influences the dynamic driving limits of a vehicle with regard to longitudinal and transverse guidance.
  • the driver may e.g. Using empirical values, brief braking, visual perception or the like, at least to some extent, determine whether the current coefficient of friction is rather high or rather low. For example, the current coefficient of friction on a well-developed and clean road surface and when it is dry can be rather high and thus promote good static friction between the vehicle and the road surface, whereas wetness, black ice,
  • WO 2016/120092 A1 proposes a database-supported coefficient of friction map in which transmitting vehicles are received and stored in the database, the information describing at least the specific coefficient of friction potential of a road segment
  • Friction data include the location data describing the geometric position of this road segment and the time data describing the time of determination of the friction data and the data stored in the database can be called up by receiving vehicles. Although this gives the vehicle helpful information on the current coefficient of friction of a vehicle
  • Embodiments of the invention provide an improved method and an improved system for providing a coefficient of friction information to a vehicle according to the independent claims.
  • Advantageous further developments of the invention result from the dependent claims, the description and the accompanying figures.
  • the proposed method can e.g. with a computer system, which can have a processor, a memory for program instructions, a data interface etc.
  • the computer system can be, for example, a server device to which a plurality of
  • Vehicles can have access via a data network.
  • the method is particularly suitable for providing friction coefficient information for a traffic area section, e.g. a lane, a street, another traffic area that is mapped as possible to a vehicle.
  • the process involves the following steps:
  • a coefficient of friction prediction is determined by a Kl module, to which a single or a plurality of input variables that can be assigned to the traffic area section are supplied.
  • the coefficient of friction cannot usually be determined exactly, but only approximately.
  • the coefficient of friction is therefore predicted here, ideally for a future point in time or time period in which the vehicle is likely to reach the traffic area section.
  • a deviation between the coefficient of friction prediction and a coefficient of friction measurement for a common or similar point in time, time period, etc. is determined and this deviation is assessed.
  • the deviation is used to determine a kind of reward, which can be positive or negative, for the KL module
  • Coefficient of friction measurement can, but does not have to be understood here as a separate measurement of the coefficient of friction by a measuring vehicle equipped with special measuring technology. Rather, the coefficient of friction measurement can be carried out by one or more vehicles which are or have already traveled on the traffic area section under consideration or pass in the vicinity or
  • the vehicles can be electronic
  • Have control unit or an electronic control unit network consisting of e.g. Determine or estimate data of a vehicle dynamics control, a rain sensor, etc., a coefficient of friction of the traffic area section on the vehicle side, that is, carry out an indirect measurement.
  • the KL module can be made to adapt a method for determining the coefficient of friction prediction and then to carry out a future determination taking this adaptation into account.
  • the method can generate more precise coefficient of friction information or can continuously improve during the operation of a computer system operating according to the method.
  • the Kl module receives by evaluating the Deviation, i.e. the reward or punishment, a direct feedback, so that the coefficient of friction prediction can be gradually improved in terms of its accuracy. This enables even more precise information on the coefficient of friction to be made available.
  • the deviation can be assessed as positive if it is smaller than a threshold value, and as negative if it is greater than the threshold value.
  • the deviation can be recorded on any scale, for example with values between 0 and 1, with 0 no deviation and 1 no match, that is to say the greatest possible
  • the Kl module can provide the coefficient of friction prediction for the vehicle before it reaches the traffic area section.
  • the vehicle which can also be an at least partially automated vehicle, can use this information for e.g. consider route planning, trajectory planning, speed planning, generally determining a driving strategy, etc.
  • a traffic area section that is icy based on the coefficient of friction prediction can be avoided, in particular bypassed.
  • the input variable can be supplied to at least one artificial neural network (KNN) of the KL module.
  • KNN artificial neural network
  • This can be formed in one or more layers, folding, etc. It is possible that the KNN is trained with training data records, it being possible for the training data records to have been created using the method described here, possibly also a slightly modified method.
  • the coefficient of friction prediction can include a change in the coefficient of friction over time.
  • the Kl module can be set up to assign a respective friction coefficient to a time series. In this way, for example, it can be determined even more precisely for the vehicle when the traffic area section can be used with which driving strategy.
  • the input variable can include vehicle-side friction coefficient data of the traffic area section.
  • vehicle-side friction coefficient data of the traffic area section can include vehicle-side friction coefficient data of the traffic area section.
  • One or more vehicles that drive or have passed the traffic area section can determine or estimate a coefficient of friction on the vehicle side and make this available as an input variable for the KL module, for example via a radio link. This can provide a good basis for predicting the coefficient of friction as accurately as possible.
  • road condition data from a road sensor This can e.g. detect a number of vehicles that travel on the traffic area section, provide a road temperature, etc. In this way, the coefficient of friction can be predicted even more precisely.
  • the input variable can include weather-related environmental data of the traffic area section. These can either be through local or nearby weather measuring points, a weather service or the like e.g. be made available via the data interface. For example, a precipitation amount, a fog density, a rain amount, a
  • the input variable can also provide information about the development and / or planting in the area of the
  • Traffic area section or adjacent to it it can be determined, for example, whether or to what extent the traffic area section is exposed to wind, sun, etc., in order to be able to determine from this how long it will take to dry the moist or wet traffic area section, etc. Coefficient of friction can be predicted even more precisely.
  • an intermediate layer of the traffic area section can be determined as a further input variable for the KL module based on at least the weather-related environmental data.
  • the intermediate layer can be determined by a first part of the Kl module and a second part of the Kl module provided for predicting the coefficient of friction
  • Another system or CI module for determining the interlayer can also be provided.
  • an intermediate layer on a surface of the Traffic area sections existing medium such as water, snow, ice, leaves, gravel or the like can be understood.
  • the KL module can also be set up to determine a change in the temporal change of the intermediate layer, for example a time series, after the determination of the intermediate layer and to use this as an input variable for the coefficient of friction prediction. In this way, the coefficient of friction can be predicted even more precisely.
  • the invention also relates to a system for providing a
  • Friction coefficient information for a traffic area section on a vehicle has a server device which has an artificial intelligence module, KI module, and a data interface, the server device being set up to determine a coefficient of friction prediction by the KI module to which a single or a plurality of data is transmitted via the data interface the
  • the Kl module is set up to evaluate a deviation between the coefficient of friction prediction and a coefficient of friction measurement for a common one
  • the system can be operated, for example, with the methods explained above in one or more of the described embodiment variants and can therefore offer the advantages explained above.
  • FIG. 1 shows a schematic overview of a system for providing a coefficient of friction information to a vehicle
  • Figure 2 is a block diagram of a system for providing a
  • Friction coefficient information to a vehicle
  • Figure 1 shows a system 100 which is suitable for electronically providing friction information, e.g. a coefficient of friction, a time series of a coefficient of friction, etc.
  • This coefficient of friction information relates in particular to a coefficient of friction of a surface of a traffic area section 200, for example a mapped street or a street section, and is made available centrally to a plurality of vehicles 300, only one of which is shown here by way of example.
  • the system 100 has a server 110 which stores a memory for
  • Program instructions a processor to execute the
  • KL module (see Figure 2), e.g. implemented by program instructions, which comprises a machine learning model set up for reinforcing learning in the form of an artificial neural network (KNN).
  • KNN has a single-layer, multi-layer, folding, etc. structure and ideally has already been trained with training data sets, although this can also be dispensed with in the case of reinforcing learning.
  • the KL module 120 can also generate training data records itself in order to make these available to other applications.
  • Input variables 400, 500, 600 are fed to the KL module 120, for example as input variables of an input layer of the KNN.
  • the system 100 receives the input variables by way of example in the form of weather data 400, which are determined and / or provided for traffic area section 200 by weather stations, local weather sensors, weather services or the like, of vehicle-side sensor data 500 that are detected by vehicle sensors that detect the Drive on or pass through traffic area section 200 and are provided by road sensor data 600, which are arranged in the traffic area section 200 near the surface or integrated in or adjacent to it.
  • FIG. 2 shows the system 100 in a block diagram.
  • the server device 110 comprises the KL module 120 and a reward determination module 130, which is shown here separately from the KL module 120 for better illustration, but also part of the reinforcing machine learning model or the KNN of the Kl module 120 can be.
  • the reward determination module 130 here comprises, by way of example, two inputs for input variables and one output for an output variable.
  • a first feedback e.g. a first data path
  • a second feedback e.g. a second data path exists between the output of the reward determination module 130 to a further input of the KL module 120.
  • the KL module 120 and the reward determination module 130 can be a data exchange and a
  • the KL module 120 is set up to receive the input variables 400, 500, 600 which, depending on the accuracy of the system 100, can comprise more or less different data from one or more systems.
  • the weather module 400 is supplied to the KL module 120, for example a rainfall, a rainfall, a
  • the KL module 120 is also exemplary Vehicle-side sensor data 500, which contain, for example, an estimated or determined coefficient of friction on the vehicle side, raw sensor data from a vehicle dynamics control system, etc.
  • the road sensor data 600 are supplied to the KL module 120, which includes, for example, a road temperature, a number of vehicles 300 traveling on the traffic area section 200, etc.
  • the KL module 120 is also supplied with exemplary (not designated) topographical properties that have a topographical property in the vicinity of the
  • Traffic area section 200 such as buildings and / or vegetation, e.g. to a shadow formation on the
  • Lead traffic area section 200 and thus e.g. may affect the evaporation of water.
  • the KL module 120 is also set up to determine a coefficient of friction prediction for the traffic area section 200 on the basis of the input variables 400, 500, 600 and to output this as an output variable.
  • the coefficient of friction prediction is fed to the reward determination module 130 as an input variable and, on the other hand, it is made available to the vehicle 300.
  • the reward determination module 130 is set up to receive two input variables, of which a first input variable is the output variable of the Kl module 120 comprising the prediction of the coefficient of friction and a second input variable is data of a coefficient of friction measurement 700 on the
  • Traffic area section 200 includes.
  • the coefficient of friction measurement 700 here takes place indirectly via the plurality of vehicles, which also provide the input variables 500. That is, the vehicles that drive on or pass the traffic area section 200 or have already done so, e.g. Data from a vehicle dynamics control, a
  • a local measuring device can also be used for measuring the coefficient of friction.
  • the second input variable 700 for the reward determination module 130 is formed from this and supplied to the latter.
  • the reward determination module 130 is also set up to determine and evaluate, for example, an amount, quantitative, qualitative, etc. deviation between the two input variables, namely the coefficient of friction prediction of the KL module 120 and the coefficient of friction measurement 700. This deviation or its assessment can be on any scale. Only
  • an evaluation of the deviation from 0 can indicate that there is no deviation, that is to say both input variables match.
  • an assessment of the deviation from FIG. 1 can indicate that the deviation is so large that, in particular, the input variable supplied by the KL module 120 is practically unusable.
  • this receives the evaluation of the reward determination module 130 as direct feedback, which depending on the value as
  • Reward or punishment for the determination result of the coefficient of friction prediction can be interpreted by the Kl module 120, so that the Kl module 130 can determine, e.g. can adapt a determination methodology, a calculation model, etc.
  • the reinforcing machine learning enables the KL module 120 to gradually provide a more precise prediction of the coefficient of friction.
  • the KL module 120 is also set up for this, e.g. trained by means of training data records, from at least a subset of the input variables 400, 500, 600, the presence of an intermediate layer on a surface of the
  • Weather data 400 used to infer an existing water film from a quantity of rain or an ice formation from a quantity of precipitation in connection with a surface temperature.
  • the KL module 120 has one or more models which allow the intermediate layer to be determined.
  • the KL module 120 is set up to determine an intermediate layer property assigned to the intermediate layer, such as, for example, geometric data in the form of a water film thickness, a temperature of the road, a snow layer thickness, an ice layer thickness, a leaf layer thickness, etc.
  • the determination of the intermediate layer can also be gradually improved.
  • the vehicle 300 On the basis of the coefficient of friction information provided by the Kl module 120, the vehicle 300, which may also be an at least partially automated vehicle, can plan its route, driving strategy, driving trajectory, etc. or avoid the traffic area section 200 if the coefficient of friction is unfavorable bypass.

Abstract

Die Erfindung betrifft ein verbessertes Verfahren zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt (200) an ein Fahrzeug (300). Mit dem Verfahren kann eine möglichst präzise Reibwertinformation durch bestärkendes Machine-Learning erreicht werden. Das Verfahren sieht ein Bestimmen einer Reibwertprädiktion durch ein Kl-Modul (120), dem wenigstens eine dem Verkehrsflächenabschnitt (200) zuordbaren Eingangsgröße (400, 500, 600) zugeführt wird, vor. Zudem umfasst das Verfahren ein Bestimmen einer bewerteten Abweichung zwischen der Reibwertprädiktion und einer Reibwertmessung (700) für einen gemeinsamen Zeitpunkt oder Zeitabschnitt, und ein Zuführen der bestimmten bewerteten Abweichung an das Kl-Modul (120) und Anpassen der Bestimmung der Reibwertprädiktion auf Basis der bewerteten Abweichung. Ferner betrifft die Erfindung ein System (100) zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt (200) an ein Fahrzeug (300). Verfahren und System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug.

Description

Beschreibung
Titel:
Verfahren und System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug
Die vorliegende Erfindung betrifft ein zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt an ein Fahrzeug. Ferner betrifft die Erfindung ein System zum Bereitstellen einer Reibwertinformation für einen
Verkehrsflächenabschnitt an ein Fahrzeug.
Stand der Technik
Der Reibwert zwischen einem Fahrzeug, insbesondere dessen Reifen, und einem Verkehrsflächenabschnitt, wie beispielsweise einer Fahrbahn, beeinflusst die fahrdynamischen Grenzen eines Fahrzeugs hinsichtlich der Längs- und Querführung. Bei einem herkömmlichen Fahrzeug, das von einem menschlichen Fahrzeugführer gelenkt wird, kann dieser z.B. durch Erfahrungswerte, durch kurzes Anbremsen, durch optische Wahrnehmung oder ähnliches zumindest ansatzweise ermitteln, ob der aktuelle Reibwert eher hoch oder eher niedrig ist. So kann der aktuelle Reibwert bei gut ausgebauter und sauberer Fahrbahn sowie bei Trockenheit eher hoch sein und damit eine gute Haftreibung zwischen Fahrzeug und Fahrbahn begünstigen, wohingegen Nässe, Glatteis,
Verschmutzung der Fahrbahn oder ähnliches den Reibwert ungünstige beeinflussen können.
Bei einem teil- oder vollautonomen Fährbetrieb eines Fahrzeugs ist die
Einschätzung des aktuellen Reibwerts eines Verkehrsflächenabschnitts schwieriger, da die Informationen des menschlichen Fahrzeugführers zumindest teilweise wegfallen. Um diesem Problem zu begegnen, schlägt z.B. die WO 2016/120092 Al eine datenbankgestützte Reibwertkarte vor, bei der von sendenden Fahrzeugen ausgesandte Informationen empfangen und in der Datenbank gespeichert werden, wobei die Informationen zumindest das bestimmte Reibwertpotential eines Straßensegments beschreibende
Reibwertdaten, die geometrische Lage dieses Straßensegments beschreibende Ortsdaten sowie den Ermittlungszeitpunkt der Reibwertdaten beschreibende Zeitdaten umfassen und die in der Datenbank gespeicherten Daten von empfangenden Fahrzeugen abgerufen werden können. Obwohl dem Fahrzeug damit hilfreiche Informationen zum aktuellen Reibwert eines
Verkehrsflächenabschnitts zur Verfügung gestellt werden können, besteht der Wunsch, einem Fahrzeug noch genauere Reibwertdaten zur Verfügung stellen zu können.
Offenbarung der Erfindung
Ausführungsformen der Erfindung stellen ein verbessertes Verfahren sowie ein verbessertes System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug gemäß den unabhängigen Ansprüchen zur Verfügung. Vorteilhafte Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen, der Beschreibung sowie den begleitenden Figuren.
Das vorgeschlagene Verfahren kann z.B. mit einem Computersystem, das einen Prozessor, einen Speicher für Programmanweisungen, eine Datenschnittstelle usw. aufweisen kann, durchgeführt werden. Das Computersystem kann beispielsweise eine Servereinrichtung sein, auf die eine Mehrzahl von
Fahrzeugen über ein Datennetzwerk Zugriff haben kann. Das Verfahren eignet sich insbesondere zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt, z.B. eine Fahrbahn, eine Straße, eine sonstige Verkehrsfläche, die möglichst kartiert ist, an ein Fahrzeug. Das Verfahren sieht die folgenden Schritte vor:
- Es wird eine Reibwertprädiktion durch ein Kl-Modul bestimmt, dem eine einzige oder eine Mehrzahl von dem Verkehrsflächenabschnitt zuordbaren Eingangsgrößen zugeführt werden.
Der Reibwert lässt sich ohne eine lokale, spezialisierte Messeinrichtung üblicherweise nicht genau, sondern nur näherungsweise bestimmen. Deshalb wird der Reibwert hier prädiziert, idealerweise für einen zukünftigen Zeitpunkt oder Zeitabschnitt, in dem das Fahrzeug den Verkehrsflächenabschnitt voraussichtlich erreichen wird.
- Es wird eine Abweichung zwischen der Reibwertprädiktion und einer Reibwertmessung für einen gemeinsamen oder ähnlichen Zeitpunkt, Zeitabschnitt usw. bestimmt und diese Abweichung bewertet.
In anderen Worten wird aus der Abweichung eine Art Belohnung, die positiv oder negativ sein kann, für das Kl-Modul bestimmt, um
insbesondere eine möglichst kleine Abweichung zu belohnen und für eine zu große Abweichung zu bestrafen. Unter Reibwertmessung kann zwar, aber muss hier keine gesonderte Reibwertmessung durch ein mit spezieller Messtechnik ausgestattetes Messfahrzeug verstanden werden. Vielmehr kann die Reibwertmessung durch ein oder mehrere Fahrzeuge erfolgen, die den betrachteten Verkehrsflächenabschnitt befahren oder bereits befahren haben bzw. in Nachbarschaft dazu passieren bzw.
bereits passiert haben. Die Fahrzeuge können ein elektronisches
Steuergerät oder einen elektronischen Steuergeräteverbund aufweisen, der aus z.B. Daten einer Fahrdynamikregelung, einem Regensensor usw. einen Reibwert des Verkehrsflächenabschnitts fahrzeugseitig bestimmen bzw. schätzen, also eine indirekte Messung durchführen.
- Zuführen der bestimmten bewerteten Abweichung an das Kl-Modul und Anpassen der Bestimmung, z.B. einer Bestimmungsmethodik, der Reibwertprädiktion auf Basis der bewerteten Abweichung.
In anderen Worten kann aufgrund der bewerteten Abweichung, einer Art Belohnung oder Bestrafung, das Kl-Modul dazu veranlasst werden, eine Methode zum Bestimmen der Reibwertprädiktion anzupassen und ein zukünftiges Bestimmen dann unter Berücksichtigung dieser Anpassung durchzuführen.
Das Verfahren kann eine präzisere Reibwertinformation erzeugen bzw. sich auch während des Betriebs eines nach dem Verfahren arbeitenden Computersystems kontinuierlich verbessern. Das Kl-Modul erhält durch die Bewertung der Abweichung, also der Belohnung oder Bestrafung, ein direktes Feedback, so dass die Reibwertprädiktion hinsichtlich ihrer Genauigkeit nach und nach verbessert werden kann. Dadurch kann eine noch präzisere Reibwertinformation zur Verfügung gestellt werden.
In einer Weiterbildung kann die Abweichung als positiv bewertet werden, wenn diese kleiner ist als ein Schwellwert, und als negativ bewertet werden, wenn diese größer ist als der Schwellwert. Die Abweichung kann in einer beliebigen Skala erfasst werden, beispielsweise mit Werten zwischen 0 und 1, wobei 0 keine Abweichung und 1 keine Übereinstimmung, also größtmögliche
Abweichung der Vergleichswerte bedeuten kann.
Gemäß einer Weiterbildung kann das Kl-Modul die Reibwertprädiktion für das Fahrzeug vor dessen Erreichen des Verkehrsflächenabschnitts bereitstellen. Dadurch kann das Fahrzeug, bei dem es sich auch um ein zumindest teilautomatisiert fahrendes Fahrzeug handeln kann, diese Information für z.B. eine Routenplanung, Trajektorienplanung, Geschwindigkeitsplanung, allgemein einer Bestimmung einer Fahrstrategie usw. berücksichtigen. Insbesondere kann ein anhand der Reibwertprädiktion vereister Verkehrsflächenabschnitt gemieden, insbesondere umfahren, werden.
In einer Weiterbildung kann die Eingangsgröße wenigstens einem künstlichen neuronalen Netz (KNN) des Kl-Moduls zugeführt werden. Dieses kann ein- oder mehrschichtig, faltend usw. ausgebildet sein. Es ist möglich, dass das KNN mit Trainingsdatensätzen trainiert ist, wobei die Trainingsdatensätze mit dem hier beschriebenen Verfahren, ggf. auch einem leicht abgewandelten Verfahren, erstellt worden sein können.
Gemäß einer Weiterbildung kann die Reibwertprädiktion eine zeitliche Änderung des Reibwerts enthalten. In anderen Worten, kann das Kl-Modul dazu eingerichtet sein, einer Zeitreihe einen jeweiligen Reibwert zuzuordnen. Dadurch kann beispielsweise für das Fahrzeug noch genauer bestimmt werden, wann der Verkehrsflächenabschnitt mit welcher Fahrstrategie befahren werden kann.
In einer Weiterbildung kann die Eingangsgröße fahrzeugseitig bestimmte Reibwertdaten des Verkehrsflächenabschnitts umfassen. Wie oben angedeutet, können ein oder mehrere Fahrzeuge, die den Verkehrsflächenabschnitt befahren oder passiert (haben), fahrzeugseitig einen Reibwert bestimmen oder schätzen und diesen über z.B. eine Funkverbindung als Eingangsgröße für das Kl-Modul zur Verfügung stellen. Dies kann eine gute Basis für eine möglichst genaue Reibwertprädiktion darstellen.
Gemäß einer anderen Weiterbildung kann die Eingangsgröße
Straßenzustandsdaten eines Straßensensors umfassen. Dieser kann z.B. eine Anzahl von Fahrzeugen erfassen, die den Verkehrsflächenabschnitt befahren, eine Straßentemperatur usw. zur Verfügung stellen. So kann der Reibwert noch genauer prädiziert werden.
In einer Weiterbildung kann die Eingangsgröße wetterbezogene Umweltdaten des Verkehrsflächenabschnitts umfassen. Diese können entweder durch lokale oder nahe Wettermessstellen, einen Wetterdienst oder ähnliches z.B. über die Datenschnittstelle zur Verfügung gestellt werden. So können beispielsweise eine Niederschlagsmenge, eine Nebeldichte, eine Regenmenge, eine
Schneefallmenge, Sonnenintensität oder ähnliches erfasst werden. So kann der Reibwert noch genauer prädiziert werden.
In einer anderen Weiterbildung kann die Eingangsgröße auch eine Information über die Bebauung und/oder Bepflanzung im Bereich des
Verkehrsflächenabschnitts bzw. angrenzend dazu umfassen, dadurch kann beispielsweise bestimmt werden, ob bzw. wie stark der Verkehrsflächenabschnitt Wind, Sonne usw. ausgesetzt ist, um daraus bestimmen zu können, wie lange ein Abtrocknen des feuchten oder nassen Verkehrsflächenabschnitts dauern wird usw. So kann der Reibwert noch genauer prädiziert werden.
Gemäß einer Weiterbildung kann auf Basis von zumindest den wetterbezogenen Umweltdaten eine Zwischenschicht des Verkehrsflächenabschnitts als weitere Eingangsgröße für das Kl-Modul bestimmt werden. Die Bestimmung der Zwischenschicht kann durch einen ersten Teil des Kl-Moduls erfolgen und einem für die Reibwertprädiktion vorgesehenen, zweiten Teil des Kl-Modul zur
Verfügung gestellt werden. Es kann auch ein anderes System oder Kl-Modul zur Zwischenschichtbestimmung vorgesehen sein. Unter einer Zwischenschicht kann in diesem Zusammenhang ein auf einer Oberfläche des Verkehrsflächenabschnits vorhandenes Medium, wie Wasser, Schnee, Eis, Laub, Schoter oder ähnliches, verstanden werden. Das Kl-Modul kann auch dazu eingerichtet sein, nach der Bestimmung der Zwischenschicht auch eine zeitliche Änderung der Zwischenschicht, beispielsweise eine Zeitreihe, zu bestimmen und diese als Eingangsgröße für die Reibwertprädiktion zu verwenden. So kann der Reibwert noch genauer prädiziert werden.
Die Erfindung betriff auch ein System zum Bereitstellen einer
Reibwertinformation für einen Verkehrsflächenabschnit an ein Fahrzeug. Das System weist eine Servereinrichtung, die ein Künstliches-Intelligenz-Modul, Kl- Modul, und eine Datenschnitstelle aufweist, wobei die Servereinrichtung dazu eingerichtet ist, eine Reibwertprädiktion durch das Kl-Modul zu bestimmen, dem über die Datenschnitstelle eine einzige oder eine Mehrzahl von dem
Verkehrsflächenabschnit zuordbaren Eingangsgrößen zugeführt werden. Ferner ist das Kl-Modul dazu eingerichtet, eine bewertete Abweichung zwischen der Reibwertprädiktion und einer Reibwertmessung für einen gemeinsamen
Zeitpunkt zu bestimmen und die Bestimmung der Reibwertprädiktion auf Basis der bewerteten Abweichung anzupassen.
Das System kann beispielsweise mit vorstehend erläuterten Verfahren in einer oder mehreren der beschriebenen Ausführungsvarianten betrieben werden und kann damit die oben erläuterten Vorteile bieten.
Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt.
Kurze Beschreibung der Figuren
Im Folgenden werden vorteilhafte Ausführungsbeispiele der Erfindung mit Bezug auf die begleitenden Figuren detailliert beschrieben. Es zeigen:
Figur 1 eine schematische Übersicht über ein System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug und Figur 2 ein Blockdiagramm eines Systems zum Bereitstellen einer
Reibwertinformation an ein Fahrzeug.
Die Figuren sind lediglich schematisch und nicht maßstabsgetreu. In den Figuren sind gleiche, gleichwirkende oder ähnliche Elemente durchgängig mit gleichen Bezugszeichen versehen.
Ausführungsformen der Erfindung
Figur 1 zeigt ein System 100, das sich zum elektronischen Bereitstellen einer Reibwertinformation, z.B. eines Reibwerts, einer Zeitreihe eines Reibwerts usw., eignet. Diese Reibwertinformation betrifft insbesondere einen Reibwert einer Oberfläche eines Verkehrsflächenabschnitts 200, beispielsweise einer kartierten Straße oder eines Straßenabschnitts, und wird einer Mehrzahl von Fahrzeugen 300 zentral zur Verfügung gestellt, von dem hier nur eines exemplarisch dargestellt ist.
Das System 100 verfügt über einen Server 110, der einen Speicher für
Programmanweisungen, einen Prozessor zum Ausführen der
Programmanweisungen usw. aufweist, und über eine
Kommunikationsschnittstelle zu einem Datennetzwerk, das insbesondere eine Funkverbindung ermöglicht. In dem Server 110 ist ein Künstliches-Intelligenz- Modul 120, Kl-Modul (siehe Figur 2), z.B. durch Programmanweisungen implementiert, das ein zum bestärkenden Lernen eingerichtetes Machine- Learning-Modell in Form eines künstlichen neuronalen Netzwerks (KNN) umfasst. Das KNN ist einschichtig, mehrschichtig, faltend usw. aufgebaut und idealerweise mit Trainingsdatensätzen bereits trainiert, wobei dies beim bestärkenden Lernen auch entbehrlich sein kann. Das Kl-Modul 120 kann aber auch selbst Trainingsdatensätze erzeugen, um diese anderen Anwendungen zur Verfügung zu stellen.
Dem System 100 werden über die Kommunikationsschnittstelle verschiedene Eingangsgrößen 400, 500, 600 zur Verfügung gestellt. Hier werden die
Eingangsgrößen 400, 500, 600 dem Kl-Modul 120, also z.B. als Eingangsgrößen einer Eingangsschicht des KNN, zugeführt. Gemäß Figur 1 werden dem System 100 die Eingangsgrößen exemplarisch in Form von Wetterdaten 400, die für den Verkehrsflächenabschnitt 200 durch Wetterstationen, lokale Wettersensoren, Wetterdienste oder ähnliches ermittelt und/oder bereitgestellt werden, von fahrzeugseitigen Sensordaten 500, die von Fahrzeugsensoren erfasst werden, die den Verkehrsflächenabschnitt 200 befahren oder in der Nähe passieren, und von Straßensensordaten 600 bereitgestellt, die in dem Verkehrsflächenabschnitt 200 oberflächennah angeordnet oder in diesen integriert oder benachbart dazu angeordnet sind.
Figur 2 zeigt das System 100 in einem Blockdiagramm. Die Servereinrichtung 110 umfasst das Kl-Modul 120 und ein Belohnungs-Bestimmungs-Modul 130 umfasst, das hier zur besseren Veranschaulichung zwar separat zu dem Kl- Modul 120 dargestellt ist, aber auch Bestandteil des bestärkenden Machine- Learning-Modells bzw. des KNN des Kl-Moduls 120 sein kann.
Das Belohnungs-Bestimmungs-Modul 130 umfasst hier exemplarisch zwei Eingänge für Eingangsgrößen und einen Ausgang für eine Ausgangsgröße. Gemäß Figur 2 besteht eine erste Rückkopplung, z.B. ein erster Datenpfad, von einem Ausgang des Kl-Moduls 120 zu dem ersten Eingang des Belohnungs- Bestimmungs-Moduls 130, so dass eine Ausgangsgröße des Kl-Moduls 120 dem Belohnungs-Bestimmungs-Modul 130 zugeführt werden kann. Eine zweite Rückkopplung, z.B. ein zweiter Datenpfad, besteht zwischen dem Ausgang des Belohnungs-Bestimmungs-Moduls 130 hin zu einem weiteren Eingang des Kl- Moduls 120. Somit können sich das Kl-Modul 120 und das Belohnungs- Bestimmungs-Modul 130 durch einen Datenaustausch und eine
Berücksichtigung eines Bestimmungsergebnisses des jeweils anderen Moduls wechselseitig beeinflussen, was für ein bestärkendes Lernen, insbesondere des Kl-Moduls 120, genutzt werden kann.
Das Kl-Modul 120 ist dazu eingerichtet, die Eingangsgrößen 400, 500, 600 zu erhalten, die je nach Genauigkeit des Systems 100 mehr oder weniger verschiedene Daten von einem oder mehreren Systemen umfassen können. Hier exemplarisch, werden dem Kl-Modul 120 die Wetterdaten 400 zugeführt, die beispielsweise eine Niederschlagsmenge, eine Regenmenge, eine
Schneefallmenge, eine Sonnenintensität, eine Windstärke, eine Nebeldichte usw. enthalten. Ebenfalls exemplarisch, werden dem Kl-Modul 120 die fahrzeugseitigen Sensordaten 500 zugeführt, die beispielsweise einen fahrzeugseitig geschätzten bzw. bestimmten Reibwert, Roh-Sensordaten von einer Fahrdynamikregelung usw. enthalten. Weiter exemplarisch, werden dem Kl-Modul 120 die Straßensensordaten 600 zugeführt, die beispielsweise eine Straßentemperatur, eine Anzahl von den Verkehrsflächenabschnitt 200 befahrenden Fahrzeugen 300 usw. enthalten. Zudem werden dem Kl-Modul 120 exemplarisch auch (nicht näher bezeichnete) topographische Eigenschaften zugeführt, die eine topographische Eigenschaft in Nachbarschaft des
Verkehrsflächenabschnitts 200, wie beispielsweise eine Bebauung und/oder einen Bewuchs, die z.B. zu einer Schattenbildung auf dem
Verkehrsflächenabschnitt 200 führen und damit z.B. eine Verdunstung von Wasser beeinträchtigen können, berücksichtigen.
Das Kl-Modul 120 ist ferner dazu eingerichtet, auf Basis der Eingangsgrößen 400, 500, 600 eine Reibwertprädiktion für den Verkehrsflächenabschnitt 200 zu bestimmen und diese als Ausgangsgröße auszugeben. Die Reibwertprädiktion wird einerseits dem Belohnungs-Bestimmungs-Modul 130 als Eingangsgröße zugeführt und andererseits dem Fahrzeug 300 zur Verfügung gestellt.
Gemäß Figur 2 ist das Belohnungs-Bestimmungs-Modul 130 dazu eingerichtet, zwei Eingangsgrößen zu erhalten, von denen eine erste Eingangsgröße die die Reibwertprädiktion umfassende Ausgangsgröße des Kl-Moduls 120 ist und eine zweite Eingangsgröße Daten einer Reibwertmessung 700 an dem
Verkehrsflächenabschnitt 200 umfasst. Die Reibwertmessung 700 findet hier exemplarisch indirekt über die Mehrzahl von Fahrzeugen statt, die auch die Eingangsgrößen 500 zur Verfügung stellen. Das heißt, dass die Fahrzeuge, die den Verkehrsflächenabschnitt 200 befahren bzw. nahelegen passieren oder dies bereits getan haben, z.B. Daten von einer Fahrdynamikregelung, einem
Regensensor usw. zur Verfügung stellen, um den Reibwert daraus zu bestimmen bzw. zu schätzen oder dies bereits fahrzeugseitig in einem elektronischen Steuergerät oder Steuergeräteverbund tun. Alternativ oder zusätzlich kann auch eine lokale Messeinrichtung zur Reibwertmessung herangezogen werden.
Daraus wird die zweite Eingangsgröße 700 für das Belohnungs-Bestimmungs- Modul 130 gebildet und diesem zugeführt. Das Belohnungs-Bestimmungs-Modul 130 ist ferner dazu eingerichtet, eine z.B. betragsmäßige, quantitative, qualitative usw. Abweichung zwischen den beiden Eingangsgrößen, nämlich der Reibwertprädiktion des Kl-Moduls 120 und der Reibwertmessung 700, zu bestimmen und zu bewerten. Diese Abweichung bzw. deren Bewertung kann in einer beliebigen Skala vorliegen. Lediglich
exemplarisch kann eine Bewertung der Abweichung von 0 angeben, dass keine Abweichung gegeben ist, also beide Eingangsgrößen übereinstimmen.
Gleichermaßen kann eine Bewertung der Abweichung von 1 angeben, dass die Abweichung so groß ist, dass insbesondere die vom Kl-Modul 120 zugeführte Eingangsgröße praktisch unbrauchbar ist.
Durch die Rückkopplung zwischen dem Belohnungs-Bestimmungs-Modul 130 und dem Kl-Modul 120 erhält dieses die Bewertung des Belohnungs- Bestimmungs-Moduls 130 als direktes Feedback, das je nach Wert als
Belohnung oder Bestrafung für das Bestimmungsergebnis der Reibwertprädiktion durch das Kl-Modul 120 interpretiert werden kann, so dass das Kl-Modul 130 die Bestimmung, z.B. eine Bestimmungsmethodik, ein Rechenmodell usw., anpassen kann. So kann das Kl-Modul 120 durch bestärkendes Machine- Learning nach und nach eine genauere Reibwertprädiktion zur Verfügung stellen.
Das Kl-Modul 120 ist auch dazu eingerichtet, z.B. durch Trainingsdatensätze dazu trainiert, aus zumindest einer Teilmenge der Eingangsgrößen 400, 500, 600 das Vorhandensein einer Zwischenschicht auf einer Oberfläche des
Verkehrsflächenabschnitts 200 zu bestimmen. So werden beispielsweise
Wetterdaten 400 dazu verwendet, um aus einer Regenmenge auf einen vorhandenen Wasserfilm oder aus einer Niederschlagsmenge in Verbindung mit einer Oberflächentemperatur auf eine Eisbildung zu schließen. Zudem kann aufgrund der fahrzeugseitigen Sensordaten 500 auf eine vereiste oder reibwertverminderte Fahrbahnoberfläche geschlossen werden, wenn mehrere unterschiedliche Fahrzeuge einen Fahrdynamikregeleingriff erfassen. Hierfür verfügt das Kl-Modul 120 über ein oder mehrere Modelle, die eine Bestimmung der Zwischenschicht zulassen. Zusätzlich ist das Kl-Modul 120 dazu eingerichtet, eine der Zwischenschicht zugeordnete Zwischenschichteigenschaft, wie z.B. geometrische Daten in Form einer Wasserfilmdicke, einer Temperatur der Fahrbahn, einer Schneebelagdicke, einer Eisschichtdicke, eine Laubschichtdicke usw. zu bestimmen. Durch das Feedback des Belohnungs-Bestimmungs-Moduls 130 kann auch die Bestimmung der Zwischenschicht nach und nach verbessert werden.
Anhand der vom Kl-Modul 120 zur Verfügung gestellten Reibwertinformation kann das Fahrzeug 300, bei dem es sich beispielsweise auch um ein zumindest teilweise automatisiert fahrendes Fahrzeug handeln kann, seine Route, Fahrstrategie, Fahrtrajektorie usw. planen oder bei ungünstigem Reibwert den Verkehrsflächenabschnitt 200 meiden bzw. umfahren.

Claims

Ansprüche
1. Verfahren zum Bereitstellen einer Reibwertinformation für einen
Verkehrsflächenabschnitt (200) an ein Fahrzeug (300), mit den Schritten:
- Bestimmen einer Reibwertprädiktion durch ein Kl-Modul (120), dem wenigstens eine dem Verkehrsflächenabschnitt (200) zuordbaren Eingangsgröße (400, 500, 600) zugeführt wird,
- Bestimmen einer bewerteten Abweichung zwischen der
Reibwertprädiktion und einer Reibwertmessung (700) für einen gemeinsamen Zeitpunkt oder Zeitabschnitt, und
- Zuführen der bestimmten bewerteten Abweichung an das Kl-Modul (120) und Anpassen der Bestimmung der Reibwertprädiktion auf Basis der bewerteten Abweichung.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Abweichung als positiv bewertet wird, wenn diese kleiner ist als ein Schwellwert, und als negativ bewertet wird, wenn diese größer ist als der Schwellwert.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Kl- Modul (120) die Reibwertprädiktion für das Fahrzeug (300) vor Erreichen des Verkehrsflächenabschnitts (200) bereitstellt.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Eingangsgröße (400, 500, 600) einem künstlichen neuronalen Netz des Kl-Moduls (120) zugeführt werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Reibwertprädiktion eine zeitliche Änderung des Reibwerts umfasst.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Eingangsgröße (400, 500, 600) fahrzeugseitig bestimmte Reibwertdaten des Verkehrsflächenabschnitts (200) umfasst.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Eingangsgröße (400, 500, 600)
Straßenzustandsdaten eines Straßensensors umfasst.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Eingangsgröße (400, 500, 600) wetterbezogene Umweltdaten des Verkehrsflächenabschnitts umfass.
9. Verfahren nach Anspruch 8, dass auf Basis von zumindest den
wetterbezogenen Umweltdaten eine Zwischenschicht des
Verkehrsflächenabschnitts als weitere Eingangsgröße für das Kl-Modul bestimmt wird.
10. System (100) zum Bereitstellen einer Reibwertinformation für einen
Verkehrsflächenabschnitt an ein Fahrzeug (300), mit einer Servereinrichtung (110), die ein Künstliches-Intelligenz-Modul (120), Kl-Modul, und eine Datenschnittstelle aufweist, wobei die Servereinrichtung (110) dazu eingerichtet ist,
- eine Reibwertprädiktion durch das Kl-Modul (120) zu bestimmen, dem über die Datenschnittstelle wenigstens eine dem
Verkehrsflächenabschnitt (200) zuordbaren Eingangsgröße (400, 500, 600) zugeführt wird,
- eine bewertete Abweichung zwischen der Reibwertprädiktion und einer Reibwertmessung für einen gemeinsamen Zeitpunkt oder Zeitabschnitt zu bestimmen und
- die Bestimmung der Reibwertprädiktion auf Basis der bewerteten Abweichung anzupassen.
PCT/EP2019/077312 2018-10-09 2019-10-09 Verfahren und system zum bereitstellen einer reibwertinformation an ein fahrzeug WO2020074563A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018217192.0 2018-10-09
DE102018217192.0A DE102018217192A1 (de) 2018-10-09 2018-10-09 Verfahren und System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug

Publications (1)

Publication Number Publication Date
WO2020074563A1 true WO2020074563A1 (de) 2020-04-16

Family

ID=68233980

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/077312 WO2020074563A1 (de) 2018-10-09 2019-10-09 Verfahren und system zum bereitstellen einer reibwertinformation an ein fahrzeug

Country Status (2)

Country Link
DE (1) DE102018217192A1 (de)
WO (1) WO2020074563A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020214620A1 (de) * 2020-11-20 2022-05-25 Zf Friedrichshafen Ag Auswerteeinrichtung, Computerprogramm und computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzes zur Reibwertbestimmung

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013222634A1 (de) * 2013-11-07 2015-05-07 Volkswagen Aktiengesellschaft Verfahren zur Prognostizierung eines Fahrbahn-Reibungsbeiwerts sowie Verfahren zum Betrieb eines Kraftfahrzeugs
DE102015201383A1 (de) * 2015-01-27 2016-07-28 Bayerische Motoren Werke Ag Fahrstabilisierung für ein Fahrzeug
WO2016120092A1 (de) 2015-01-29 2016-08-04 Robert Bosch Gmbh Verfahren zum betrieb einer reibwertdatenbank und reibwertdatenbank
EP3206411A1 (de) * 2016-02-11 2017-08-16 Volvo Car Corporation Anordnung und verfahren zur vorhersage der strassenreibung in einem strassennetz
DE102016209984A1 (de) * 2016-06-07 2017-12-07 Lucas Automotive Gmbh Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs
US20180099646A1 (en) * 2016-10-06 2018-04-12 Ford Global Technologies, Llc Multi-Sensor Precipitation-Classification Apparatus and Method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013222634A1 (de) * 2013-11-07 2015-05-07 Volkswagen Aktiengesellschaft Verfahren zur Prognostizierung eines Fahrbahn-Reibungsbeiwerts sowie Verfahren zum Betrieb eines Kraftfahrzeugs
DE102015201383A1 (de) * 2015-01-27 2016-07-28 Bayerische Motoren Werke Ag Fahrstabilisierung für ein Fahrzeug
WO2016120092A1 (de) 2015-01-29 2016-08-04 Robert Bosch Gmbh Verfahren zum betrieb einer reibwertdatenbank und reibwertdatenbank
EP3206411A1 (de) * 2016-02-11 2017-08-16 Volvo Car Corporation Anordnung und verfahren zur vorhersage der strassenreibung in einem strassennetz
DE102016209984A1 (de) * 2016-06-07 2017-12-07 Lucas Automotive Gmbh Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs
US20180099646A1 (en) * 2016-10-06 2018-04-12 Ford Global Technologies, Llc Multi-Sensor Precipitation-Classification Apparatus and Method

Also Published As

Publication number Publication date
DE102018217192A1 (de) 2020-04-09

Similar Documents

Publication Publication Date Title
DE102017205093A1 (de) Verfahren und System zur Vorhersage von Sensorsignalen eines Fahrzeugs
DE102016209984A1 (de) Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs
DE102006034999A1 (de) Strassenkarten-Verwaltungssystem
EP3490862A1 (de) Verfahren und vorrichtung zum ermitteln eines fahrbahnmodells für ein fahrzeugumfeld
DE102010030985A1 (de) Streckenabschnittsfahrzeit-Berechnungsvorrichtung und Verfahren zur Berechnung eines Streckenabschnittsfahrzeitintervalls
DE112021001181T5 (de) Iterativer Optimierungsalgorithmus zur Fusionsvorhersage mit Multiskalen von Fahrzeuggeschwindigkeit für intelligente vernetzte Fahrzeuge
DE102018210885B4 (de) Verfahren und System zum Einleiten einer Sicherheitsvorkehrung eines Kraftfahrzeugs und Kraftfahrzeug
DE102019127035A1 (de) Verfahren und einrichtung für verbesserte handhabung von fahrzeugen an mautstellen
WO2018072915A1 (de) Verfahren und system zur lokalisierung eines fahrzeugs
DE102018217190A1 (de) Verfahren und System zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt
DE102019003963A1 (de) Verfahren zur Bestimmung einer Fahrstrategie eines Fahrzeuges, insbesondere eines Nutzfahrzeuges
DE102018212629A1 (de) Verfahren zur Bestimmung von Fahrbahnzuständen
EP3155174B1 (de) Steuerungsvorrichtung für ein streufahrzeug
EP2964503B1 (de) Schätzung der zukünftigen geschwindigkeit und/oder entfernung eines fahrzeugs von einem referenzpunkt und schätzung der zukünftigen beschleunigung
WO2020049073A1 (de) Verfahren und system zum austausch von reibwertdaten für fahrzeuge
WO2020074563A1 (de) Verfahren und system zum bereitstellen einer reibwertinformation an ein fahrzeug
DE102020207518B4 (de) Verfahren und Vorrichtung zur Bestimmung eines Korrekturwinkels für die Geradeauslaufkorrektur eines Fahrzeugs
DE112020003091T5 (de) System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs
DE102020204607A1 (de) Ermittlung einer Restlebensdauer oder einer Restlaufleistung für ein Fortbewegungsmittel
DE102019209255B4 (de) Ermitteln eines Fahrbahnzustands
WO2020074559A1 (de) Verfahren und system zum bereitstellen eines reibwerts an ein fahrzeug
DE102018215179A1 (de) Verfahren und System zum Bereitstellen einer Reibwertinformation für einen Verkehrsflächenabschnitt
WO2021239326A1 (de) Verfahren zum schätzen einer eigengeschwindigkeit
DE102017218726B4 (de) Verfahren zum Erzeugen einer Sichtweitensammlung und Sichtweitensammeleinrichtung
DE102019005480A1 (de) Verfahren zur Erfassung und Bewertung eines Zustands von Fahrspurmarkierungen

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: 19786753

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: 19786753

Country of ref document: EP

Kind code of ref document: A1