WO2020212061A1 - Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug - Google Patents

Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug Download PDF

Info

Publication number
WO2020212061A1
WO2020212061A1 PCT/EP2020/057501 EP2020057501W WO2020212061A1 WO 2020212061 A1 WO2020212061 A1 WO 2020212061A1 EP 2020057501 W EP2020057501 W EP 2020057501W WO 2020212061 A1 WO2020212061 A1 WO 2020212061A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
prediction
traffic situation
prediction parameters
automated
Prior art date
Application number
PCT/EP2020/057501
Other languages
English (en)
French (fr)
Inventor
Florian Wirthmüller
Jochen Hipp
Joachim Herbst
Original Assignee
Daimler Ag
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 Daimler Ag filed Critical Daimler Ag
Priority to US17/602,354 priority Critical patent/US11945450B2/en
Priority to CN202080029414.0A priority patent/CN113728369B/zh
Publication of WO2020212061A1 publication Critical patent/WO2020212061A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • 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
    • 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
    • B60W50/04—Monitoring the functioning of the control system
    • B60W50/045—Monitoring control system 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
    • 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
    • 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
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle

Definitions

  • the invention relates to a method for predicting a traffic situation for a vehicle according to the preamble of claim 1.
  • the invention further relates to a method for operating an automated,
  • Movement hypothesis trajectories of the vehicles are generated, with position data of the vehicles, movement data of the vehicles and, as a function of driver intentions of both drivers, in a first method stage
  • Movement leeway between the vehicles are determined and the probability of danger is determined as a function of a size of the respective movement leeway.
  • the invention is based on the object of specifying a novel method for predicting a traffic situation for a vehicle. Furthermore, the invention is based on the object of specifying a novel method for operating an automated, in particular highly automated or autonomously driving vehicle.
  • the object is achieved with a method for predicting a
  • Traffic situation solved which has the features specified in claim 1.
  • the object is further achieved according to the invention with a method for operating a vehicle which has the features specified in claim 8.
  • an environment of the vehicle is continuously recorded and a traffic situation of the vehicle for a future point in time is predicted on the basis of recorded environment data and prediction parameters.
  • Traffic situation compared and determined in the comparison whether there was a prediction error in the prediction. If there is a prediction error, the
  • the method enables exact predictions of trajectories of vehicles in the vicinity of the vehicle even with widely varying framework conditions, so that
  • Driver race control systems and automated driving functions can be implemented that can work and react adequately at least in almost every situation. When predicting the traffic situation, a generalization is made about all of them
  • the trajectory planning is very safe and reliable.
  • the rules required for the actual prediction may not have to apply under given framework conditions, since these framework conditions may have particular effects on the driving behavior of other road users.
  • the method also enables automated driving functions with regard to legal and ethical aspects.
  • the predicted traffic situation is based on a probable movement behavior of other road users in the Surroundings of the vehicle. For example, the prediction is made with a
  • Prediction horizon which is 2 seconds to 5 seconds, so that the prediction can take place for times of less than 2 seconds to times of less than 5 seconds.
  • a prediction error is determined when a deviation determined in the comparison between the current real traffic situation and the predicted traffic situation exceeds a predetermined tolerance value. This enables a more stable, safe and reliable operation of the method and unnecessary changes to the prediction parameters in the event of small deviations are avoided.
  • Prediction parameters provided by a central processing unit external to the vehicle. This enables the prediction parameters to be called up by the vehicle when they are needed. Complex and long-term storage of the prediction data in the vehicle is not necessary. Furthermore, it is ensured that current prediction parameters are always available to the vehicle.
  • a prediction error is present, a data set which includes the data on which the prediction is based, the prediction parameters, the predicted traffic situation and the real traffic situation is transmitted to the central processing unit, and the prediction parameters are determined by the processing unit as a function of the data set corrected.
  • This external correction of the prediction parameters by means of the computing unit enables an effective and central correction, so that hardware expenditure for the vehicle can be minimized. At the same time, it is ensured that current prediction parameters are always available to the vehicle and possibly other vehicles.
  • the correction of the prediction parameters is carried out on the basis of data records generated by means of a large number of vehicles and transmitted to the computing unit. On the basis of a comparison and an evaluation of the data sets from several vehicles, for example, when data sets from several vehicles are available for a location, a particularly high accuracy of the prediction parameters can be ensured, since detection errors of individual vehicles are reliably detected.
  • the correction of the prediction parameters is carried out by means of a learning algorithm, in particular an artificial neural network. This enables a steady
  • vehicles are requested by the vehicle-external central processing unit to transmit a data record to the processing unit at positions marked as critical in the absence of a prediction error, with the data record underlying the prediction, the prediction parameters, the predicted Traffic situation and the real one
  • Traffic situation includes. In this way, when the prediction parameters are corrected, a database is available for error-free predictions.
  • the previously described method for predicting a traffic situation is carried out during an automated journey and the vehicle retrieves the prediction parameters that apply to this section of the route from at least one central processing unit external to the vehicle before traveling on a route section .
  • the method Due to the use of the method for predicting the traffic situation, the method enables the reliable detection of prediction errors and, as a result, exact predictions of trajectories of vehicles in the vicinity of the vehicle in a particularly advantageous manner by comparing the predicted traffic situation and the traffic situation actually recorded at the future time with widely varying framework conditions. In this way, driver assistance systems and automated driving functions can be implemented that can work and react adequately at least in almost every situation. This enables a particularly safe automated operation of the vehicle, it still being possible to enable automated driving functions for vehicles with regard to legal and ethical aspects.
  • the planned trajectory is implemented in automated ferry operation by means of an automatic control and / or regulation of a longitudinal and / or transverse movement of the vehicle in order to achieve a high degree of automation and thus a high level of comfort for vehicle users.
  • FIG. 1 schematically shows a block diagram of a device for operating a
  • FIG. 2 schematically shows a block diagram of a computer unit external to the vehicle
  • FIG. 3 schematically shows a block diagram of a vehicle and one external to the vehicle
  • FIG. 4 schematically shows a sequence of a method for operating a vehicle.
  • FIG. 1 shows a block diagram of a device 1 for operating a vehicle 2 shown in more detail in FIG. 3, the vehicle 2 being designed for an automated, in particular highly automated or autonomous ferry operation.
  • the device 1 For such an automated operation of the vehicle 2, it is necessary to plan a trajectory T of the vehicle 2 as a function of a current and a predicted traffic situation PU.
  • the device 1 comprises a vehicle's own sensor system 1.1, a prediction module 1.2 for predicting the traffic situation PU, a planning module 1.3 for planning the trajectory T, an implementation module 1.4 for implementing the trajectory T, a sensor system buffer 1.5, a communication module 1.6 for communication Via a communication channel 3, a prediction buffer 1.7 and a comparison module 1.8.
  • sensor information I In order to implement an automated driving function of the vehicle 2, current environmental data of the vehicle 2, also referred to as sensor information I, are continuously recorded using the vehicle's own sensor system 1.1.
  • a prediction of the traffic situation PU is continuously carried out using the sensor information I in order to predict for a future point in time, for example for the next 2 seconds to 5 seconds
  • planning module 1.3 is used to plan trajectories T, with a planned trajectory T by intervening in a longitudinal and transverse movement of the
  • Vehicle 2 is implemented by means of the implementation module 1.4.
  • Both the captured environment data, ie the sensor information I, and the predicted environment data, ie the predicted traffic situation PU, are temporarily stored for later evaluation. This intermediate storage takes place for the Sensor information I in the sensor buffer 1.5 and for the predicted traffic situation PU with the associated prediction parameters P in the prediction buffer 1.7. Buffered sensor information I TO can then be called up at the output of the sensor system buffer 1.5 and predicted traffic situations PU TO that are buffered at the output of the prediction buffer 1.7.
  • Traffic situation compared with the traffic situation PU predicted for this point in time by means of the comparison module 1.8.
  • a buffered, predicted traffic situation PU TO which is buffered, is associated with the comparison module 1.8
  • the comparison module 1.8 If the tolerance range lies, the comparison module 1.8 generates a trigger TR, so that a data record D with the real traffic situation, the traffic situation PU predicted for the same point in time, the sensor information I from which the predicted
  • Traffic situation PU was determined, and prediction parameters P on which the prediction was based, by means of the communication module 1.6
  • Communication channel 3 is transmitted to a vehicle-external central processing unit 4, shown in more detail in FIG. 2, for example a so-called backend server.
  • a prediction module 1.2 which cannot include any knowledge of such a special situation or such a location, would now have to assume that the other road users would most likely not run over the marking, whereas a person who is aware of this location or such a situation would do so Already includes experience in its prediction. It is also assumed that secured sensor signals and thus the
  • Sensor information I is error-free.
  • the sensor signals can be faulty more often than usual at certain points and in certain situations, for example due to reflections from wet road surfaces.
  • This unexpected behavior of the other road users or the unexpected faulty sensor signals can lead to prediction errors, an incorrectly predicted traffic situation PU, and consequently to an incorrectly planned trajectory T and thus, in extreme cases, to collisions.
  • By comparing the traffic situation PU predicted for a later point in time with the traffic situation actually ascertained at this later point in time it is possible to identify a prediction error. If the comparison results in a deviation that exceeds a certain tolerance value, there is a prediction error. If the conditions under which the prediction was carried out are also known and the prediction parameters P are known on which the prediction was based, it is possible to do this
  • prediction parameters P such that the prediction error is minimized. For example, if the prediction error occurs at certain times of the day, e.g. B. in the morning during rush hour, in certain places, such. B. motorway exits, in certain situations, such as. B. in traffic jam or rain occurs, the prediction parameters P are corrected for these times of day, locations or situations.
  • Visibility a time of day, the weather, a traffic situation, etc.
  • Figure 2 shows a block diagram of a possible embodiment of a
  • the computing unit 4 comprises a communication module 4.1 for communication with the device 1 via the communication channel 3, a module 4.2 for communication with the device 1 via the communication channel 3, a module 4.2 for communication with the device 1 via the communication channel 3, a module 4.2 for communication with the device 1 via the communication channel 3, a module 4.2 for communication with the device 1 via the communication channel 3, a module 4.2 for communication with the device 1 via the communication channel 3, a module 4.2 for communication with the device 1 via the communication channel 3, a module 4.2 for
  • the computing unit 4 receives the data sets D from a plurality of vehicles 2 each with a real traffic situation, the traffic situation PU predicted for the same point in time, the sensor information I from which the predicted
  • Traffic situation PU was determined, and prediction parameters P on which the prediction was based.
  • the computing unit 4 thus has a large database available.
  • the received data records D are clustered in the processing unit 4 in order to identify areas in which reported prediction errors occur more frequently. Furthermore, the data record D is fed to module 4.2. If an accumulation of prediction errors is found at certain points, the prediction parameters P, which are used for the prediction at these points, are corrected by means of module 4.2 to minimize the prediction errors. The correction is possible because of the received
  • Data records D are known which are the input data of the prediction, which are the output data of the prediction, d. H. the respective predicted traffic situation PU, and how the output data should actually have been, d. H. the for
  • a correction can be made by means of a learning method, for example by means of an artificial neuronal
  • the learning system is given, for example, a number of input variables,
  • the data volumes are divided along this parameter and the data is divided into two parallel learning processes, for example in two separate learning processes
  • Corrected prediction parameters P + are then stored in the parameter memory 4.3 together with the associated sensor information I and the data record D.
  • vehicles 2 are requested by the central processing unit 4 external to the vehicle to send a data record D to the in each case at positions marked as critical in the absence of a prediction error
  • this data record D also comprising the data on which the prediction is based, the prediction parameters P, the predicted traffic situation PU and the real traffic situation.
  • Prediction parameters P a database for error-free predictions available.
  • An automated driving vehicle 2 then calls before a certain one
  • Prediction parameter P for the prediction algorithm from the computing unit 4 and then - as described under Figure 1 - the prediction of
  • a trajectory T the automated ferry operation of the vehicle 2 is then carried out. That is to say, vehicles 2 then ask processing unit 4 any questions that need to be taken into account
  • the vehicles 2 each call parameter adjustments for the respective
  • Prediction component in the current situation such as, for the example of driving over lane markings on freeway entrances, an increase in a lane change probability despite a solid mark.
  • Prediction component is made known by the corrected prediction parameters P + that certain peculiarities are to be expected so that these the
  • the correction of the prediction parameters P can be carried out as follows. It is determined on the basis of many collected data sets D that on one
  • Lane marking to change lanes although this is illegal and contradicts normal driving behavior in such situations. This impermissible exceeding can be detected, for example, by the fact that vehicles 2 of a fleet have both the
  • Computing unit 4 made available. This can be done through the information by adapting their prediction parameters P to the prediction of the movement of the
  • the data records D are collected in the computing unit 4 when it is established in the vehicle 2 that the prediction for one of the other road users at a certain point is poor with the trajectory actually driven
  • This component is formed by the sensor buffer 1.5 and the prediction buffer 1.7.
  • Figure 3 is a block diagram of a vehicle 2 and a vehicle-external
  • Computing unit 4 is shown.
  • the vehicle 2 and the computing unit 4 communicate via the communication channel 3 by means of their respective communication modules 1.6, 4.1.
  • the communication takes place in such a way that the associated current sensor information I is transmitted from the respective vehicle 2 to the computing unit 4 as a function of a currently detected situation. If the comparison module 1.8 has triggered a data record D, this additionally includes information from the sensor system 1.1 as well as the contents of the sensor system buffer 1.5 and the prediction buffer 1.7.
  • Prediction parameter P among other things also special features in the form of
  • FIG. 4 shows a sequence of a possible exemplary embodiment of a method for operating a vehicle 2.
  • a first method step S1 the traffic situation is recorded with the aid of the sensor system 1.1, and in a second method step S2 by the
  • Context information provided to computing unit 4 is performed in a third method step S3, the prediction of the traffic situation PU, in particular by means of vehicle control devices and software implemented on them.
  • the trajectory T is then planned in a fourth method step S4, in particular by means of vehicle control devices and software implemented on them, and in a fifth method step S5, the trajectory T is implemented using appropriate actuators in the implementation module 1.4.

Abstract

Die Erfindung betrifft ein Verfahren zur Prädiktion einer Verkehrssituation (PU) für ein Fahrzeug (2), insbesondere für ein automatisiert betriebenes Fahrzeug (2), wobei fortlaufend eine Umgebung des Fahrzeugs (2) erfasst wird und anhand erfasster Umgebungsdaten und Prädiktionsparameter (P) eine Verkehrssituation (PU) des Fahrzeugs (2) für einen zukünftigen Zeitpunkt prädiziert wird. Erfindungsgemäß wird bei Erreichen des zukünftigen Zeitpunkts eine aktuelle reale Verkehrssituation erfasst, die aktuelle reale Verkehrssituation mit der prädizierten Verkehrssituation verglichen und in dem Vergleich ermittelt, ob ein Prädiktionsfehler bei der Prädiktion vorlag. Bei Vorliegen eines Prädiktionsfehlers werden die Prädiktionsparameter (P) korrigiert. Die Erfindung betrifft weiterhin ein Verfahren zum Betrieb eines automatisiert, insbesondere hochautomatisiert oder autonom fahrenden Fahrzeugs (2).

Description

Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug
Die Erfindung betrifft ein Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug gemäß dem Oberbegriff des Anspruchs 1.
Die Erfindung betrifft weiterhin ein Verfahren zum Betrieb eines automatisiert,
insbesondere hochautomatisiert oder autonom fahrenden Fahrzeugs.
Aus der DE 10 2012 005 272 A1 ist ein Verfahren zur Ermittlung einer
Gefahrenwahrscheinlichkeit einer Situation zwischen zwei Fahrzeugen bekannt, bei dem zukünftige Bewegungstrajektorien der Fahrzeuge prognostiziert werden, indem
Bewegungshypothese-T rajektorien der Fahrzeuge erzeugt werden, wobei in einer ersten Verfahrensstufe in Abhängigkeit von Fahrerabsichten beider Fahrer der Fahrzeuge Positionsdaten der Fahrzeuge, Bewegungsdaten der Fahrzeuge und
Umgebungsinformationen der Fahrzeuge mögliche gegenseitige Schnittpunkte von Bewegungshypothese-T rajektorien der sich in relativer Bewegung zueinander
befindlichen Fahrzeuge und anhand der Schnittpunkte potenzielle Kollisionen ermittelt werden. In einer zweiten Verfahrensstufe werden anhand der ermittelten potenziellen Kollisionen potenziell mögliche kollisionsfreie Bewegungshypothese-Trajektorie-Paare der Fahrzeuge ermittelt und bewertet, wobei bei der Bewertung jeweilige
Bewegungsspielräume zwischen den Fahrzeugen ermittelt werden und in Abhängigkeit einer Größe des jeweiligen Bewegungsspielraums die Gefahrenwahrscheinlichkeit ermittelt wird.
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug anzugeben. Weiterhin liegt der Erfindung die Aufgabe zugrunde, ein neuartiges Verfahren zum Betrieb eines automatisiert, insbesondere hochautomatisiert oder autonom fahrenden Fahrzeugs anzugeben.
Die Aufgabe wird erfindungsgemäß mit einem Verfahren zur Prädiktion einer
Verkehrssituation gelöst, welches die im Anspruch 1 angegebenen Merkmale aufweist. Die Aufgabe wird erfindungsgemäß weiterhin mit einem Verfahren zum Betrieb eines Fahrzeugs gelöst, welches die im Anspruch 8 angegebenen Merkmale aufweist.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
In einem Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug, insbesondere für ein automatisiert, insbesondere hochautomatisiert oder autonom betriebenes
Fahrzeug, wird fortlaufend eine Umgebung des Fahrzeugs erfasst und anhand erfasster Umgebungsdaten und Prädiktionsparameter wird eine Verkehrssituation des Fahrzeugs für einen zukünftigen Zeitpunkt prädiziert.
Erfindungsgemäß wird bei Erreichen des zukünftigen Zeitpunkts eine aktuelle reale Verkehrssituation erfasst, die aktuelle reale Verkehrssituation mit der prädizierten
Verkehrssituation verglichen und in dem Vergleich ermittelt, ob ein Prädiktionsfehler bei der Prädiktion vorlag. Bei Vorliegen eines Prädiktionsfehlers werden die
Prädiktionsparameter korrigiert.
Das Verfahren ermöglicht in besonders vorteilhafter Weise durch Vergleich der prädizierten Verkehrssituation und der zum zukünftigen Zeitpunkt real erfassten
Verkehrssituation eine zuverlässige Erkennung von Prädiktionsfehlern. Somit ermöglicht das Verfahren exakte Prädiktionen von Trajektorien von Fahrzeugen in der Umgebung des Fahrzeugs auch bei stark variierenden Rahmenbedingungen, so dass
Fa h rerass i ste nzsyste m e und automatisierte Fahrfunktionen realisiert werden können, die zumindest in nahezu jeder Situation adäquat arbeiten und reagieren können. Dabei werden bei der Prädiktion der Verkehrssituation eine Verallgemeinerung über alle
Randbedingungen hinweg und große Fehler vermieden, so dass die Trajektorieplanung sehr sicher und zuverlässig ist. Hierbei wird in vorteilhafter Weise berücksichtigt, dass zur eigentlichen Prädiktion erforderliche Regeln unter gegebenen Rahmenbedingungen unter Umständen nicht gelten müssen, da diese Rahmenbedingungen eventuell besondere Auswirkungen auf ein Fahrverhalten anderer Verkehrsteilnehmer haben. Somit ermöglicht das Verfahren beispielsweise auch eine Freigabe automatisierter Fahrfunktionen im Hinblick auf rechtliche und ethische Gesichtspunkte.
In einer möglichen Ausgestaltung des Verfahrens basiert die prädizierte Verkehrssituation auf einem voraussichtlichen Bewegungsverhalten anderer Verkehrsteilnehmer in der Umgebung des Fahrzeugs. Beispielsweise erfolgt die Prädiktion mit einem
Prädiktionshorizont, welcher 2 Sekunden bis 5 Sekunden beträgt, so dass die Prädiktion für Zeiten von kleiner 2 Sekunden bis Zeiten von kleiner 5 Sekunden erfolgen kann.
In einer weiteren möglichen Ausgestaltung des Verfahrens wird ein Prädiktionsfehler dann ermittelt, wenn eine in dem Vergleich ermittelte Abweichung zwischen der aktuellen realen Verkehrssituation und der prädizierten Verkehrssituation einen vorgegebenen T oleranzwert überschreitet. Hierdurch wird ein stabiler, sicherer und zuverlässiger Betrieb des Verfahrens ermöglicht und unnötige Änderungen der Prädiktionsparameter bei kleinen Abweichungen werden vermieden.
In einer weiteren möglichen Ausgestaltung des Verfahrens werden die
Prädiktionsparameter von einer fahrzeugexternen zentralen Recheneinheit bereitgestellt. Dies ermöglicht, dass die Prädiktionsparameter vom Fahrzeug dann abgerufen werden können, wenn diese benötigt werden. Eine aufwändige und langfristige Speicherung der Prädiktionsdaten im Fahrzeug ist dagegen nicht erforderlich. Weiterhin ist sichergestellt, dass dem Fahrzeug stets aktuelle Prädiktionsparameter zur Verfügung stehen.
In einer weiteren möglichen Ausgestaltung des Verfahrens wird bei Vorliegen eines Prädiktionsfehlers ein Datensatz, welcher der Prädiktion zugrunde liegende Daten, die Prädiktionsparameter, die prädizierte Verkehrssituation und die reale Verkehrssituation umfasst, an die zentrale Recheneinheit übermittelt und mittels der Recheneinheit werden die Prädiktionsparameter in Abhängigkeit des Datensatzes korrigiert. Diese externe Korrektur der Prädiktionsparameter mittels der Recheneinheit ermöglicht eine effektive und zentrale Korrektur, so dass ein Hardwareaufwand für das Fahrzeug minimiert werden kann. Gleichzeitig wird sichergestellt, dass dem Fahrzeug und gegebenenfalls weiteren Fahrzeugen stets aktuelle Prädiktionsparameter zur Verfügung stehen.
In einer weiteren möglichen Ausgestaltung des Verfahrens wird die Korrektur der Prädiktionsparameter anhand von mittels einer Vielzahl an Fahrzeugen erzeugten und an die Recheneinheit übermittelten Datensätzen durchgeführt. Aufgrund eines Vergleichs und einer Auswertung der Datensätze von mehreren Fahrzeugen kann beispielsweise dann, wenn für einen Ort Datensätze mehrerer Fahrzeuge vorliegen, eine besonders hohe Genauigkeit der Prädiktionsparameter sichergestellt werden, da Erfassungsfehler einzelner Fahrzeuge sicher erkannt werden. In einer weiteren möglichen Ausgestaltung des Verfahrens wird die Korrektur der Prädiktionsparameter mittels eines lernenden Algorithmus, insbesondere eines künstlichen neuronalen Netzwerks, durchgeführt. Dies ermöglicht eine stetige
Verbesserung der Korrektur der Prädiktionsparameter und somit eine stetige
Verbesserung einer Genauigkeit der Prädiktionsparameter selbst.
In einer weiteren möglichen Ausgestaltung des Verfahrens werden Fahrzeuge von der fahrzeugexternen zentralen Recheneinheit aufgefordert, an als kritisch gekennzeichneten Positionen bei Nicht-Vorliegen eines Prädiktionsfehlers jeweils einen Datensatz an die Recheneinheit zu übermitteln, wobei der Datensatz der Prädiktion zugrunde liegende Daten, die Prädiktionsparameter, die prädizierte Verkehrssituation und die reale
Verkehrssituation umfasst. Somit steht bei einer Korrektur der Prädiktionsparameter eine Datenbasis für fehlerfreie Prädiktionen zur Verfügung.
In dem erfindungsgemäßen Verfahren zum Betrieb eines automatisiert, insbesondere hochautomatisiert oder autonom fahrenden Fahrzeugs wird bei einer automatisierten Fahrt das zuvor beschriebene Verfahren zur Prädiktion einer Verkehrssituation durchgeführt und das Fahrzeug ruft vor einer Befahrung eines Streckenabschnitts für diesen Streckenabschnitt geltende Prädiktionsparameter von zumindest einer fahrzeugexternen zentralen Recheneinheit ab.
Das Verfahren ermöglicht aufgrund der Verwendung des Verfahrens zur Prädiktion der Verkehrssituation in besonders vorteilhafter Weise durch Vergleich der prädizierten Verkehrssituation und der zum zukünftigen Zeitpunkt real erfassten Verkehrssituation die zuverlässige Erkennung von Prädiktionsfehlern und daraus folgend exakte Prädiktionen von T rajektorien von Fahrzeugen in der Umgebung des Fahrzeugs auch bei stark variierenden Rahmenbedingungen. Somit können Fahrerassistenzsysteme und automatisierte Fahrfunktionen realisiert werden, die zumindest in nahezu jeder Situation adäquat arbeiten und reagieren können. Dies ermöglicht einen besonders sicheren automatisierten Betrieb des Fahrzeugs, wobei es weiterhin möglich ist, automatisierte Fahrfunktionen für Fahrzeuge im Hinblick auf rechtliche und ethische Gesichtspunkte freizugeben.
In einer möglichen Ausgestaltung des Verfahrens wird in Abhängigkeit eines Ergebnisses der Prädiktion unter Berücksichtigung eines voraussichtlichen Bewegungsverhaltens anderer Verkehrsteilnehmer eine Trajektorie des Fahrzeugs für den automatisierten Fährbetrieb geplant. Aufgrund der genauen Prädiktion ist ein besonders sicherer automatisierter Betrieb des Fahrzeugs realisierbar.
In einer weiteren möglichen Ausgestaltung des Verfahrens wird im automatisierten Fährbetrieb die geplante T rajektorie mittels einer automatischen Steuerung und/oder Regelung einer Längs-und/oder Querbewegung des Fahrzeugs umgesetzt, um einen hohen Automatisierungsgrad und somit einen hohen Komfort für Fahrzeugnutzer zu erreichen.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen:
Fig. 1 schematisch ein Blockschaltbild einer Vorrichtung zum Betrieb eines
Fahrzeugs,
Fig. 2 schematisch ein Blockschaltbild einer fahrzeugexternen Recheneinheit,
Fig. 3 schematisch ein Blockschaltbild eines Fahrzeugs und einer fahrzeugexternen
Recheneinheit und
Fig. 4 schematisch einen Ablauf eines Verfahrens zum Betrieb eines Fahrzeugs.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
In Figur 1 ist ein Blockschaltbild einer Vorrichtung 1 zum Betrieb eines in Figur 3 näher gezeigten Fahrzeugs 2 dargestellt, wobei das Fahrzeug 2 zu einem automatisierten, insbesondere hochautomatisierten oder autonomen Fährbetrieb ausgebildet ist.
Für einen solchen automatisierten Betrieb des Fahrzeugs 2 ist eine Planung einer Trajektorie T des Fahrzeugs 2 in Abhängigkeit einer aktuellen und einer prädizierten Verkehrssituation PU erforderlich. Zu dieser Planung umfasst die Vorrichtung 1 eine fahrzeugeigene Sensorik 1.1, ein Prädiktionsmodul 1.2 zur Prädiktion der Verkehrssituation PU, ein Planungsmodul 1.3 zur Planung der Trajektorie T, ein Umsetzungsmodul 1.4 zur Umsetzung der Trajektorie T, einen Sensorik-Puffer 1.5, ein Kommunikationsmodul 1.6 zur Kommunikation über einen Kommunikationskanal 3, einen Prädiktions-Puffer 1.7 und ein Vergleichsmodul 1.8.
Zur Realisierung einer automatisierten Fahrfunktion des Fahrzeugs 2 werden mittels der fahrzeugeigenen Sensorik 1.1 fortlaufend aktuelle Umgebungsdaten des Fahrzeugs 2, auch als Sensorinformationen I bezeichnet, erfasst.
Mittels des Prädiktionsmoduls 1.2 wird anhand der Sensorinformationen I fortlaufend eine Prädiktion der Verkehrssituation PU durchgeführt, um für einen zukünftigen Zeitpunkt, beispielsweise für die nächsten 2 Sekunden bis 5 Sekunden, prädizierte
Umgebungsdaten, d. h. die prädizierte Verkehrssituation PU, zu ermitteln.
Die Prädiktion wird in Abhängigkeit des erwarteten Verhaltens anderer
Verkehrsteilnehmer durchgeführt. Diese Erwartungen stellen in Figur 2 näher dargestellte Prädiktionsparameter P, d. h. Randbedingungen, die der Prädiktion zugrunde gelegt werden, dar. So wird beispielsweise angenommen, dass andere Verkehrsteilnehmer sich an Verkehrsregeln halten und beispielsweise keinen Spurwechsel über eine
durchgezogene Spurmarkierung vornehmen, einen Standstreifen nicht zum Überholen benutzen, einen beabsichtigten Spurwechsel durch Betätigung der Blinker ankündigen und anzeigen, usw. Weiterhin wird angenommen, dass Verkehrsteilnehmer ihr Verhalten an einen Verkehrsfluss anpassen, andere nicht rücksichtslos zum Bremsen oder
Ausweichen nötigen, usw.
In Abhängigkeit eines Ergebnisses der Prädiktion, insbesondere unter Berücksichtigung eines voraussichtlichen Bewegungsverhaltens anderer Verkehrsteilnehmer, wird mittels des Planungsmoduls 1.3 eine Planung von T rajektorien T durchgeführt, wobei eine geplante Trajektorie T mittels Eingriffen in eine Längs- und Querbewegung des
Fahrzeugs 2 mittels des Umsetzungsmoduls 1.4 umgesetzt wird.
Sowohl die erfassten Umgebungsdaten, d. h. die Sensorinformationen I, als auch die prädizierten Umgebungsdaten, d. h. die prädizierte Verkehrssituation PU, werden für eine spätere Auswertung zwischengespeichert. Diese Zwischenspeicherung erfolgt für die Sensorinformationen I im Sensorik-Puffer 1.5 und für die prädizierte Verkehrssituation PU mit den zugehörigen Prädiktionsparametern P im Prädiktionspuffer 1.7. Am Ausgang des Sensorik-Puffers 1.5 können dann gepufferte Sensorinformationen lTO und am Ausgang des Prädiktionspuffers 1.7 gepufferte prädizierte Verkehrssituationen PUTO abgerufen werden.
Zu einem späteren Zeitpunkt werden die zu diesem Zeitpunkt erfassten tatsächlichen Umgebungsdaten, d. h. die zu diesem Zeitpunkt erfassten entsprechenden
Sensorinformationen I und somit eine zu diesem Zeitpunkt erfasste aktuelle reale
Verkehrssituation, mit der für diesen Zeitpunkt prädizierten Verkehrssituation PU mittels des Vergleichsmoduls 1.8 verglichen. Dabei wird dem Vergleichsmodul 1.8 eine gepufferte prädizierte Verkehrssituation PUTO, welche gepufferte zugehörige
Prädiktionsparameter P umfasst, aus dem Prädiktionspuffer 1.7 zugeführt. Ergibt dieser Vergleich, dass eine Abweichung zwischen der tatsächlich erfassten Verkehrssituation und der prädizierten Verkehrssituation PU außerhalb eines vorgegebenen
T oleranzbereichs liegt, erzeugt das Vergleichsmodul 1.8 einen T rigger TR, so dass ein Datensatz D mit der realen Verkehrssituation, der für den gleichen Zeitpunkt prädizierten Verkehrssituation PU, den Sensorinformationen I, aus denen die prädizierte
Verkehrssituation PU ermittelt wurde, und Prädiktionsparameter P, die der Prädiktion zugrunde gelegt wurden, mittels des Kommunikationsmoduls 1.6 zu über den
Kommunikationskanal 3 an eine in Figur 2 näher dargestellte fahrzeugexterne zentrale Recheneinheit 4, beispielsweise einen so genannten Backend-Server, übertragen wird.
Es kann Vorkommen, dass sich Verkehrsteilnehmer an bestimmten Stellen, zu
bestimmten Zeiten oder in bestimmten Situationen gehäuft nicht wie erwartet verhalten. Beispielsweise kann es sein, dass Verkehrsteilnehmer auf Autobahnen in Stausituationen oder im Berufsverkehr einen Standstreifen regelwidrig häufiger als sonst als Ausfädelspur verwenden oder bei Regen oder tiefstehender Sonne geblendet werden und häufiger als sonst unerwartet bremsen oder eine Fahrspur verlassen. Ein Prädiktionsmodul 1.2, welches keinerlei Wissen über eine solche spezielle Situation oder einen solchen Ort einbeziehen kann, müsste nun davon ausgehen, dass die anderen Verkehrsteilnehmer die Markierung höchstwahrscheinlich nicht überfahren würden, wohingegen ein Mensch, dem dieser Ort oder eine solche Situation bekannt ist, diese Erfahrung bereits in seine Prädiktion mit einbezieht. Ebenso wird angenommen, dass abgesicherte Sensorsignale und somit die
Sensorinformationen I fehlerfrei sind. Die Sensorsignale können aber an bestimmten Stellen und in bestimmten Situationen häufiger als sonst fehlerhaft sein, beispielsweise aufgrund von Reflexionen durch nasse Fahrbahnoberflächen.
Dieses unerwartete Verhalten der anderen Verkehrsteilnehmer oder die unerwarteten fehlerhaften Sensorsignale können zu Prädiktionsfehlern, einer falschen prädizierten Verkehrssituation PU, daraus folgend zu einer falsch geplanten T rajektorie T und somit im Extremfall zu Kollisionen führen. Durch den Vergleich der für einen späteren Zeitpunkt prädizierten Verkehrssituation PU mit der zu diesem späteren Zeitpunkt tatsächlich ermittelten Verkehrssituation ist es möglich, einen Prädiktionsfehler zu erkennen. Wenn der Vergleich eine Abweichung ergibt, die einen bestimmten Toleranzwert überschreitet, liegt ein Prädiktionsfehler vor. Wenn dann noch die Bedingungen bekannt sind, unter denen die Prädiktion durchgeführt worden ist und die Prädiktionsparameter P bekannt sind, die der Prädiktion zugrunde gelegt worden sind, ist es möglich die
Prädiktionsparameter P derart zu korrigieren, dass der Prädiktionsfehler minimiert wird. Wenn der Prädiktionsfehler beispielsweise zu bestimmten Tageszeiten, wie z. B. morgens im Berufsverkehr, an bestimmten Orten, wie z. B. Autobahnausfahrten, in bestimmten Situationen, wie z. B. bei Stau oder Regen, auftritt, werden die Prädiktionsparameter P für diese Tageszeiten, Orte oder Situationen korrigiert.
Somit wird die Möglichkeit geschaffen, eine Verkehrssituation so zu begreifen, in die Zukunft zu prädizieren und auch so darauf zu reagieren, wie ein Mensch der auf seinen Erfahrungsschatz zurückgreifen kann. Um diesen "Erfahrungsschatz" auch neuen Fahrzeugen 2 zur Verfügung stellen zu können, bedürfen die Fahrzeuge zudem eines kollektiven Gedächtnisses bzw. Erfahrungsschatzes. Rahmenbedingungen die dabei eine Rolle spielen können sind unter anderem regionenspezifische Besonderheiten,
Sichtverhältnisse, eine Tageszeit, das Wetter, eine Verkehrslage usw.
Diese Korrektur erfolgt mittels der fahrzeugexternen zentralen Recheneinheit 4, welche gleichzeitig das kollektive Gedächtnis bzw. den kollektiven Erfahrungsschatz für die Fahrzeuge 2 bildet.
Figur 2 zeigt ein Blockschaltbild eines möglichen Ausführungsbeispiels einer
fahrzeugexternen zentralen Recheneinheit 4. Die Recheneinheit 4 umfasst ein Kommunikationsmodul 4.1 zur Kommunikation mit der Vorrichtung 1 über den Kommunikationskanal 3 ein Modul 4.2 zur
Parameterverbesserung und einen kontextadaptierten Parameterspeicher 4.3.
Die Recheneinheit 4 empfängt von einer Mehrzahl von Fahrzeugen 2 die Datensätze D mit jeweils einer realen Verkehrssituation, der für den gleichen Zeitpunkt prädizierten Verkehrssituation PU, den Sensorinformationen I, aus denen die prädizierte
Verkehrssituation PU ermittelt wurde, und Prädiktionsparametern P, die der Prädiktion zugrunde gelegt wurden.
Der Recheneinheit 4 steht somit eine große Datenbasis zur Verfügung. Die empfangenen Datensätze D werden in der Recheneinheit 4 geclustert, um Bereiche zu identifizieren, an denen gemeldete Prädiktionsfehler gehäuft auftreten. Weiterhin wird der Datensatz D dem Modul 4.2 zugeführt. Wenn an bestimmten Stellen eine Häufung von Prädiktionsfehlern festgestellt wird, werden die Prädiktionsparameter P, die an diesen Stellen zur Prädiktion herangezogen werden, im Sinne einer Minimierung der Prädiktionsfehler mittels des Moduls 4.2 korrigiert. Die Korrektur ist möglich, da aufgrund der empfangenen
Datensätze D bekannt ist, welches die Eingangsdaten der Prädiktion sind, welches die Ausgangsdaten der Prädiktion sind, d. h. die jeweilige prädizierte Verkehrssituation PU, und wie die Ausgangsdaten tatsächlich hätten sein sollen, d. h. die zum
Prädiktionszeitpunkt ermittelte tatsächliche Verkehrssituation. Eine Korrektur kann mittels eines lernenden Verfahrens, beispielsweise mittels eines künstlichen neuronalen
Netzwerks, erfolgen. Zur Korrektur der Prädiktionsparameter P wird beispielsweise mittels Aggregation ermittelt, auf welchen konkreten Grund bestimmte Prädiktionsfehler zurückzuführen sind, wie z. B. viele Fehler zur selben Tageszeit und/oder am selben Ort. Dem lernenden System wird beispielsweise eine Reihe von Eingangsgrößen,
beispielsweise eine Quergeschwindigkeit, ein Abstand zum Vordermann, usw., und Ausgangsgrößen, beispielsweise eine relative Querposition in 1 Sekunde, eine relative Längsposition in 1 Sekunde, eine relative Querposition in 2 Sekunden, präsentiert. Mit diesen präsentierten Datensätzen D wird das System dann eingelernt. Wird dabei festgestellt, dass das Verhalten beispielsweise zwischen Tag und Nacht stark
voneinander abweicht, werden die Datenmengen entlang dieses Parameters aufgeteilt und die Daten beispielsweise in zwei getrennten Lernvorgängen zwei parallelen
Systemen zum Lernen präsentiert. Diese zwei gelernten Systeme sind dann jeweils Prädiktionskomponenten, die unter den bestimmten Bedingungen gelten und architektonisch gleich ausgebildet sind, aber abweichende Parameterkombinationen enthalten.
Korrigierte Prädiktionsparameter P+ werden dann in dem Parameterspeicher 4.3 gemeinsam mit den zugehörigen Sensorinformationen I und dem Datensatz D
kontextsensitiv hinterlegt und über den Kommunikationskanal 3 den Fahrzeugen 2 zum Abruf bereitgestellt.
In einer möglichen Ausgestaltung werden Fahrzeuge 2 von der fahrzeugexternen zentralen Recheneinheit 4 aufgefordert, an als kritisch gekennzeichneten Positionen bei Nicht-Vorliegen eines Prädiktionsfehlers jeweils einen Datensatz D an die
Recheneinheit 4 zu übermitteln, wobei auch dieser Datensatz D der Prädiktion zugrunde liegende Daten, die Prädiktionsparameter P, die prädizierte Verkehrssituation PU und die reale Verkehrssituation umfasst. Somit steht bei einer Korrektur der
Prädiktionsparameter P eine Datenbasis für fehlerfreie Prädiktionen zur Verfügung.
Ein automatisiert fahrendes Fahrzeug 2 ruft dann, bevor es einen bestimmten
Streckenabschnitt durchfährt, die für diesen Streckenabschnitt geltenden
Prädiktionsparameter P für den Prädiktionsalgorithmus von der Recheneinheit 4 ab und führt anschließend - wie unter Figur 1 beschrieben - die Prädiktion der
Verkehrssituation PU und die Planung der T rajektorie T durch. Anhand dieser
T rajektorie T wird dann der automatisierte Fährbetrieb des Fahrzeugs 2 durchgeführt. Das heißt, Fahrzeuge 2 fragen dann an der Recheneinheit 4 etwaige zu beachtende
Besonderheiten für ihre aktuelle Situation, d. h. ihre aktuelle Position, Tageszeit, usw., ab.
Hierbei rufen die Fahrzeuge 2 jeweils Parameteranpassungen für die jeweilige
Prädiktionskomponente in der aktuellen Situation ab, wie beispielsweise für das Beispiel der Überfahrung von Fahrspurmarkierungen an Autobahnauffahrten eine Vergrößerung einer Spurwechselwahrscheinlichkeit trotz durchgezogener Markierung. Der
Prädiktionskomponente wird durch die korrigierten Prädiktionsparameter P+ bekannt gemacht, dass mit bestimmten Besonderheiten zu rechnen ist, so dass diese die
Prädiktion dahingehend anpassen kann.
Für das Beispiel der Überfahrung der Markierung an einer Autobahnauffahrt kann dabei die Korrektur der Prädiktionsparameter P wie folgt durchgeführt werden. Es wird anhand vieler gesammelter Datensätze D festgestellt, dass an einer
Autobahnauffahrt Verkehrsteilnehmer dazu neigen, trotz einer durchgezogenen
Fahrbahnmarkierung, einen Spurwechsel vorzunehmen, obwohl dies regelwidrig ist und einem normalen Fahrverhalten in derartigen Situationen widerspricht. Erkannt werden kann dieses unzulässige Überschreiten beispielsweise dadurch, dass Fahrzeuge 2 einer Flotte über ihre Sensorik 1.1 , beispielsweise Kameras, Radare, usw., sowohl die
Markierungen als auch die Bewegungen der anderen Verkehrsteilnehmer beobachten. Informationen über die Unregelmäßigkeit an der betreffenden Stelle werden nun allen nachfolgenden Fahrzeugen 2, die diese Stelle passieren werden, mittels der
Recheneinheit 4 zur Verfügung gestellt. Diese können durch die Information durch Anpassung ihrer Prädiktionsparameter P auf die Prädiktion der Bewegung der
umgebenden Verkehrsteilnehmer reagieren und somit in diesem Beispiel eine
Einscherwahrscheinlichkeit für Fahrzeuge "hinter" der durchgezogenen Markierung gegenüber den normalerweise sehr niedrigen Wahrscheinlichkeiten deutlich vergrößern. Dadurch kann eine tatsächliche Prädiktionsgenauigkeit an dieser Geolokation drastisch gesteigert werden.
Die Datensätze D werden in der Recheneinheit 4 gesammelt, wenn im Fahrzeug 2 festgestellt wird, dass die Prädiktion für einen der anderen Verkehrsteilnehmer an einem bestimmten Punkt schlecht mit der tatsächlich gefahrenen Trajektorie des
Verkehrsteilnehmers übereinstimmt. Hierfür ist eine Komponente vorgesehen, die die Prädiktionen mindestens für die maximale zeitliche Dauer der Prädiktionen vorhält, so dass in der Vergangenheit für den aktuellen Zeitpunkt gemachte Voraussagen mit den inzwischen gewonnenen Erkenntnissen, d. h. Sensorinformationen I, über die
Verkehrssituation abgeglichen werden können. Diese Komponente wird durch den Sensorik-Puffer 1.5 und den Prädiktionspuffer 1.7 gebildet.
In Figur 3 ist ein Blockschaltbild eines Fahrzeugs 2 und einer fahrzeugexternen
Recheneinheit 4 dargestellt. Das Fahrzeug 2 und die Recheneinheit 4 kommunizieren über den Kommunikationskanal 3 mittels ihrer jeweiligen Kommunikationsmodule 1.6, 4.1.
Die Kommunikation erfolgt dabei derart, dass in Abhängigkeit einer aktuell erfassten Situation die zugehörigen aktuellen Sensorinformationen I vom jeweiligen Fahrzeug 2 an die Recheneinheit 4 übermittelt werden. Sollte das Vergleichsmodul 1.8 einen Datensatz D getriggert haben, umfasst dieser zusätzlich Informationen aus der Sensorik 1.1 sowie die Inhalte des Sensorik-Puffers 1.5 und des Prädiktions-Puffers 1.7.
Zusätzlich erhalten bei einer Antwort der Recheneinheit 4 an das Fahrzeug 2 die
Prädiktionsparameter P unter anderem auch Besonderheiten in Form von
Parametrierungen für das Prädiktionsmodul 1.2.
Figur 4 zeigt einen Ablauf eines möglichen Ausführungsbeispiels eines Verfahrens zum Betrieb eines Fahrzeugs 2.
In einem ersten Verfahrensschritt S1 wird die Verkehrssituation anhand der Sensorik 1.1 erfasst, wobei anhand von in einem zweiten Verfahrensschritt S2 durch die
Recheneinheit 4 bereitgestellte Kontextinformationen in einem dritten Verfahrensschritt S3 die Prädiktion der Verkehrssituation PU, insbesondere mittels Fahrzeugsteuergeräten und auf diesen implementierter Software, durchgeführt wird.
Anschließend erfolgt in einem vierten Verfahrensschritt S4 die Planung der Trajektorie T, insbesondere mittels Fahrzeugsteuergeräten und auf diesen implementierter Software, sowie in einem fünften Verfahrensschritt S5 die Umsetzung der Trajektorie T mittels entsprechender Aktorik des Umsetzungsmoduls 1.4.

Claims

Patentansprüche
1. Verfahren zur Prädiktion einer Verkehrssituation (PU) für ein Fahrzeug (2),
insbesondere für ein automatisiert betriebenes Fahrzeug (2), wobei
- fortlaufend eine Umgebung des Fahrzeugs (2) erfasst wird und
- anhand erfasster Umgebungsdaten und Prädiktionsparameter (P) eine
Verkehrssituation (PU) des Fahrzeugs (2) für einen zukünftigen Zeitpunkt prädiziert wird,
dadurch gekennzeichnet, dass
- bei Erreichen des zukünftigen Zeitpunkts eine aktuelle reale Verkehrssituation erfasst wird,
- die aktuelle reale Verkehrssituation mit der prädizierten Verkehrssituation (PU) verglichen wird,
- in dem Vergleich ermittelt wird, ob ein Prädiktionsfehler bei der Prädiktion vorlag, und
- bei Vorliegen eines Prädiktionsfehlers die Prädiktionsparameter (P) korrigiert werden.
2. Verfahren nach Anspruch 1 ,
dadurch gekennzeichnet, dass
ein Prädiktionsfehler dann ermittelt wird, wenn eine in dem Vergleich ermittelte Abweichung zwischen der aktuellen realen Verkehrssituation und der prädizierten Verkehrssituation (PU) einen vorgegebenen Toleranzwert überschreitet.
3. Verfahren nach Anspruch 1 oder 2,
dadurch gekennzeichnet, dass
die Prädiktionsparameter (P) von einer fahrzeugexternen zentralen
Recheneinheit (4) bereitgestellt werden.
4. Verfahren nach Anspruch 3,
dadurch gekennzeichnet, dass - bei Vorliegen eines Prädiktionsfehlers ein Datensatz (D), welcher der Prädiktion zugrunde liegende Daten, die Prädiktionsparameter (P), die prädizierte
Verkehrssituation (PU) und die reale Verkehrssituation umfasst, an die zentrale Recheneinheit (4) übermittelt wird und
- mittels der Recheneinheit (4) die Prädiktionsparameter (P) korrigiert werden.
5. Verfahren nach Anspruch 4,
dadurch gekennzeichnet, dass
die Korrektur der Prädiktionsparameter (P) anhand von mittels einer Vielzahl an Fahrzeugen (2) erzeugten und an die Recheneinheit (4) übermittelten
Datensätzen (D) durchgeführt wird.
6. Verfahren nach Anspruch 4 oder 5,
dadurch gekennzeichnet, dass
die Korrektur der Prädiktionsparameter (P) mittels eines lernenden Algorithmus, insbesondere eines künstlichen neuronalen Netzwerks, durchgeführt wird.
7. Verfahren nach einem der Ansprüche 3 bis 6,
dadurch gekennzeichnet, dass
Fahrzeuge (2) von der fahrzeugexternen zentralen Recheneinheit (4) aufgefordert werden, an als kritisch gekennzeichneten Positionen bei Nicht-Vorliegen eines Prädiktionsfehlers jeweils einen Datensatz (D) an die Recheneinheit (4) zu übermitteln, wobei der Datensatz (D) der Prädiktion zugrunde liegende Daten, die Prädiktionsparameter (P), die prädizierte Verkehrssituation (PU) und die reale Verkehrssituation umfasst.
8. Verfahren zum Betrieb eines automatisiert, insbesondere hochautomatisiert oder autonom fahrenden Fahrzeugs (2), wobei bei einer automatisierten Fahrt das Verfahren zur Prädiktion einer Verkehrssituation (PU) gemäß einem der vorhergehenden Ansprüche durchgeführt wird und das Fahrzeug (2) vor einer Befahrung eines Streckenabschnitts für diesen Streckenabschnitt geltende Prädiktionsparameter (P) von zumindest einer fahrzeugexternen zentralen Recheneinheit (4) abruft.
9. Verfahren nach Anspruch 8,
dadurch gekennzeichnet, dass in Abhängigkeit eines Ergebnisses der Prädiktion unter Berücksichtigung eines voraussichtlichen Bewegungsverhaltens anderer Verkehrsteilnehmer eine
Trajektorie (T) des Fahrzeugs (2) für den automatisierten Fährbetrieb geplant wird.
10. Verfahren nach Anspruch 9
dadurch gekennzeichnet, dass
im automatisierten Fährbetrieb die geplante Trajektorie (T) mittels einer
automatischen Steuerung und/oder Regelung einer Längs-und/oder Querbewegung des Fahrzeugs (2) um gesetzt wird.
PCT/EP2020/057501 2019-04-16 2020-03-18 Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug WO2020212061A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/602,354 US11945450B2 (en) 2019-04-16 2020-03-18 Method for predicting a traffic situation for a vehicle
CN202080029414.0A CN113728369B (zh) 2019-04-16 2020-03-18 用于预测车辆的交通状况的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019002790.6A DE102019002790B4 (de) 2019-04-16 2019-04-16 Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug
DE102019002790.6 2019-04-16

Publications (1)

Publication Number Publication Date
WO2020212061A1 true WO2020212061A1 (de) 2020-10-22

Family

ID=69941369

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/057501 WO2020212061A1 (de) 2019-04-16 2020-03-18 Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug

Country Status (4)

Country Link
US (1) US11945450B2 (de)
CN (1) CN113728369B (de)
DE (1) DE102019002790B4 (de)
WO (1) WO2020212061A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022217495A1 (zh) * 2021-04-14 2022-10-20 华为技术有限公司 车辆控制方法及装置、车辆

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020129451A1 (de) 2020-11-09 2022-05-12 Audi Ag Verfahren zur Prädiktion von Fahreingriffen, Verfahren zum Training eines Algorithmus und Kraftfahrzeug
DE102021205067A1 (de) 2021-05-19 2022-11-24 Zf Friedrichshafen Ag Fahrzeugsystem zur Fehlererkennung in einem Umfeldmodell und Fahrzeug
DE102022205174A1 (de) * 2022-05-24 2023-11-30 Psa Automobiles Sa Kollektive Informationsbeschaffung für automatisierte Fahrsteuerfunktionen
DE102022002457A1 (de) 2022-07-05 2024-01-11 Mercedes-Benz Group AG Verfahren zur Prädiktion eines Einflusses eines Verkehrsteilnehmers auf zumindest einen anderen Verkehrsteilnehmer und Verfahren zum Betrieb eines Fahrzeugs
CN117915292A (zh) * 2022-10-10 2024-04-19 索尼集团公司 电子设备、通信方法和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6442453B1 (en) * 1999-10-08 2002-08-27 Hitachi, Ltd. Vehicle-traveling supporting system
US20050012604A1 (en) * 2003-07-08 2005-01-20 Nissan Motor Co., Ltd. Vehicle obstacle detecting device
DE102012005272A1 (de) 2012-02-20 2012-10-25 Daimler Ag Verfahren zur Ermittlung einer Gefahrenwahrscheinlichkeit und Verwendung des Verfahrens
US20180374359A1 (en) * 2017-06-22 2018-12-27 Bakhi.com Times Technology (Beijing) Co., Ltd. Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction
DE102017212629A1 (de) * 2017-07-24 2019-01-24 Bayerische Motoren Werke Aktiengesellschaft Prädiktion des Verhaltens eines Verkehrsteilnehmers
DE102018008024A1 (de) * 2018-10-10 2019-04-11 Daimler Ag Verfahren zur Bewertung einer Verkehrssituation

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3225203B2 (ja) * 1996-05-07 2001-11-05 小糸工業株式会社 駐車場利用状況予測装置及び駐車場利用状況測定装置、並びにこれらを用いた駐車場案内装置
JPH10312497A (ja) * 1997-05-13 1998-11-24 Toshiba Corp 交通状況予測装置
DE19856704C2 (de) * 1998-12-09 2001-09-13 Daimler Chrysler Ag Verfahren und Vorrichtung zur Fahrzeugzielführung und/oder Reisezeitschätzung
DE19904909C2 (de) 1999-02-06 2003-10-30 Daimler Chrysler Ag Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformationen
DE10062856B4 (de) * 2000-12-16 2008-01-10 Daimlerchrysler Ag Verfahren zur fahrzeugindividuellen Verkehrsprognose
JP4055656B2 (ja) 2003-05-30 2008-03-05 トヨタ自動車株式会社 衝突予測装置
DE102011101359A1 (de) * 2011-05-12 2012-11-15 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Verfahren und Vorrichtung zur Klassifikation von Daten
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
CN103116808A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路短时交通流实时预测的方法
DE102013214225A1 (de) * 2013-07-19 2015-01-22 Bayerische Motoren Werke Aktiengesellschaft Dynamische Neuplanung einer Fahrtrajektorie mittels LQ-Regelung für einen Ausweichassistenten
CN104504897B (zh) * 2014-09-28 2017-10-31 北京工业大学 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法
US9878710B2 (en) * 2015-05-04 2018-01-30 Honda Research Institute Europe Gmbh Method for improving performance of a method for computationally predicting a future state of a target object, driver assistance system, vehicle including such driver assistance system and respective program storage medium and program
DE102016000493B4 (de) 2016-01-19 2017-10-19 Audi Ag Verfahren zum Betrieb eines Fahrzeugsystems und Kraftfahrzeug
JP6704583B2 (ja) 2016-12-27 2020-06-03 株式会社デンソーアイティーラボラトリ 学習システムおよび学習方法
CN107264534B (zh) * 2017-05-23 2019-07-09 北京理工大学 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆
DE102017216202A1 (de) * 2017-09-13 2019-03-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6442453B1 (en) * 1999-10-08 2002-08-27 Hitachi, Ltd. Vehicle-traveling supporting system
US20050012604A1 (en) * 2003-07-08 2005-01-20 Nissan Motor Co., Ltd. Vehicle obstacle detecting device
DE102012005272A1 (de) 2012-02-20 2012-10-25 Daimler Ag Verfahren zur Ermittlung einer Gefahrenwahrscheinlichkeit und Verwendung des Verfahrens
US20180374359A1 (en) * 2017-06-22 2018-12-27 Bakhi.com Times Technology (Beijing) Co., Ltd. Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction
DE102017212629A1 (de) * 2017-07-24 2019-01-24 Bayerische Motoren Werke Aktiengesellschaft Prädiktion des Verhaltens eines Verkehrsteilnehmers
DE102018008024A1 (de) * 2018-10-10 2019-04-11 Daimler Ag Verfahren zur Bewertung einer Verkehrssituation

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022217495A1 (zh) * 2021-04-14 2022-10-20 华为技术有限公司 车辆控制方法及装置、车辆

Also Published As

Publication number Publication date
DE102019002790A1 (de) 2020-08-06
US20220169262A1 (en) 2022-06-02
CN113728369B (zh) 2023-04-04
CN113728369A (zh) 2021-11-30
DE102019002790B4 (de) 2023-05-04
US11945450B2 (en) 2024-04-02

Similar Documents

Publication Publication Date Title
DE102019002790B4 (de) Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug
EP3181422B1 (de) Verfahren und system zur automatischen steuerung eines folgefahrzeugs mit einem scout-fahrzeug
EP3181423B1 (de) Verfahren und system zur automatischen steuerung eines folgefahrzeugs mit einem scout-fahrzeug
DE102013019424B4 (de) Verfahren zum Betrieb eines Fahrzeugsystems zur Überwachung eines Fahrers und Kraftfahrzeug
WO2018145951A1 (de) Verfahren zum koordinieren eines verkehrs mehrerer kraftfahrzeuge innerhalb eines vorbestimmten infrastrukturbereichs sowie servervorrichtung, kraftfahrzeug und system
DE102019002487A1 (de) Verfahren zur Überprüfung eines Umfelderfassungssensors eines Fahrzeugs und Verfahren zum Betrieb eines Fahrzeugs
EP3688538A1 (de) Verfahren und system zum aktualisieren eines steuerungsmodells für eine automatische steuerung zumindest einer mobilen einheit
DE102016007563A1 (de) Verfahren zur Trajektorienplanung
DE102018210779A1 (de) Verfahren und System zur Rettungsgassenbildung durch ein Fahrzeug
WO2020048684A1 (de) Verfahren zum fahrerlosen betrieb eines fahrzeugs
DE102019214448A1 (de) Verfahren zum Assistieren eines Kraftfahrzeugs
DE102021201130A1 (de) Verfahren zum infrastrukturgestützten Assistieren mehrerer Kraftfahrzeuge
EP4288954A1 (de) Verfahren zum infrastrukturgestützten assistieren eines kraftfahrzeugs
DE102018005970A1 (de) Verfahren zur Aktualisierung von Kartendaten
WO2020119987A1 (de) Verfahren zur bereitstellung von kartendaten einer digitalen karte und einer fahrtroute
DE102018214506A1 (de) Verfahren zur Weiterentwicklung eines Fahrerassistenzsystems und Fahrerassistenzsystem für ein Fahrzeug
DE102021207456A1 (de) Verfahren zum zumindest teilautomatisierten Führen eines Kraftfahrzeugs
WO2022122250A1 (de) Infrastrukturgestützte trajektorienermittlung für autonome fahrzeuge
DE102017221634B4 (de) Kraftfahrzeug mit einem Fahrzeugführungssystem, Verfahren zum Betrieb eines Fahrzeugführungssystems und Computerprogramm
DE102021201129A1 (de) Vorrichtung zum infrastrukturgestützten Assistieren eines Kraftfahrzeugs
EP4301644B1 (de) Verfahren zur ermittlung und ausgabe einer an eine fahrsituation angepassten fahrgeschwindigkeit
DE112022002031T5 (de) Bordinformationsverarbeitungsvorrichtung, system für autonomes fahren und bordsystem
WO2022053208A1 (de) Verfahren zum führen eines kraftfahrzeugs
DE102022002869A1 (de) Verfahren zur Bestimmung der Verfügbarkeit von Ladestationen
DE102021113767A1 (de) Überwachungseinrichtung und Verfahren zum Überwachen eines Gesamtsystems aus mehreren unterschiedlichen Teilsystemen auf Fehler und Kraftfahrzeug

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: 20713251

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: 20713251

Country of ref document: EP

Kind code of ref document: A1