WO2021069418A1 - Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs - Google Patents

Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs Download PDF

Info

Publication number
WO2021069418A1
WO2021069418A1 PCT/EP2020/077962 EP2020077962W WO2021069418A1 WO 2021069418 A1 WO2021069418 A1 WO 2021069418A1 EP 2020077962 W EP2020077962 W EP 2020077962W WO 2021069418 A1 WO2021069418 A1 WO 2021069418A1
Authority
WO
WIPO (PCT)
Prior art keywords
input data
data
route
vehicle
speed
Prior art date
Application number
PCT/EP2020/077962
Other languages
English (en)
French (fr)
Inventor
Stefan Grubwinkler
Hans Bauer
Friedrich Graf
Original Assignee
Continental Automotive Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Continental Automotive Gmbh filed Critical Continental Automotive Gmbh
Priority to CN202080070719.6A priority Critical patent/CN114514413A/zh
Priority to US17/766,433 priority patent/US20240053161A1/en
Priority to EP20796700.1A priority patent/EP4042107A1/de
Publication of WO2021069418A1 publication Critical patent/WO2021069418A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Definitions

  • the present invention relates to a method for predicting a speed profile of a vehicle.
  • Knowing the future speed profile is important for numerous powertrain applications. For example, knowing the expected driving profile trajectory can improve the operating strategy of hybrid, electric and combustion engine vehicles, adapt various vehicle functions to individual driving behavior, estimate the energy requirement for the planned route and estimate various vehicle states (such as temperatures). For these applications, a prediction horizon is usually necessary that goes beyond the range of onboard sensors (radar, camera, etc.). Attributes of digital maps (e.g. speed limits, curve radii) can be used for this.
  • the prediction horizon is limited by environmental sensors. Attributes of digital maps are only suitable to a limited extent for predicting the expected speed profile, since the maximum speed cannot be reached on numerous route sections due to necessary braking processes. In addition, the individual driver behavior has an influence on the height of the speed profile.
  • the present invention is based on the object of providing a method and a control device for predicting a speed profile of a vehicle, which can provide a reliable speed prediction for all route sections.
  • a first aspect of the invention relates to a method for predicting a speed profile of a vehicle, the speed profile representing a future speed profile along a predetermined travel route up to a specific forecast horizon.
  • the method has the following steps: generating a prediction model; Entering input data into the prediction model; Calculating output data from the input data on the basis of at least one algorithm contained in the prediction model, the output data predicting the speed profile of the vehicle; Delivering the delivery data from the prediction model.
  • the input data have a first input data group, which contains at least geographic coordinates of the route, and a second input data group, which contains various input data, namely at least location information of a digital map; average traffic flow data along the route; and / or speed profiles of networked vehicles.
  • a selection of the input data from the second input data group is carried out on the basis of a situation analysis using predetermined criteria.
  • Different models can be created with different data sources. The models differ in terms of accuracy. Depending on the availability of data and other boundary conditions (e.g. available LTE networking), the most suitable model should be selected automatically. This means that there are no longer any route sections for which a forecast cannot be made available.
  • the location information of a digital map has at least one element from a group, the geographic coordinates of the vehicle; Map attributes along the route such as
  • the average traffic flow data along the route represent a current traffic flow or historical traffic patterns.
  • the first input data group additionally contains vehicle data which have at least one element from a group which contains a speed value of the vehicle; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle; image or video data captured by a vehicle camera; and brightness data sensed by a flow sensor of the vehicle.
  • vehicle data which have at least one element from a group which contains a speed value of the vehicle; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle; image or video data captured by a vehicle camera; and brightness data sensed by a flow sensor of the vehicle.
  • the first input data group additionally contains individual driving behavior data that were generated on the basis of previous trips, in particular driver behavior in comparison to the traffic flow, to speed quantiles or to map attributes such as speed limits.
  • the selection of the input data from the second input data group is preferably carried out as a separate method step in which one or more of these criteria mentioned is checked.
  • Availability of the various input data from the second input data group here preferably includes the current or general availability of the data.
  • the current availability can be limited, for example, by a temporally and / or spatially-related lack of radio connection (e.g. dead spots).
  • General availability is summarized here as to whether corresponding data exist at all, i.e. whether, for example, speed profiles have been collected for the respective route section, whether this data is current or out of date and / or whether any collected data is accessible.
  • any costs incurred for the selection of the input data of the second input data group can preferably also be taken into account.
  • legal and / or personal data protection requirements can restrict the selection of input data from the second input data group.
  • the availability and / or the usefulness of using the various input data from the second input data group can also depend on the respective road class (e.g. country road or motorway) along the route.
  • road class e.g. country road or motorway
  • the prediction based on certain input data of the second input data group is more precise than when using other input data of the second input data group. Therefore, the quality of the prediction can also be taken into account when selecting the input data.
  • the situation analysis therefore uses at least one of the predetermined criteria: On route sections without a sufficient mobile data connection, input data of the second input data group is selected that was previously stored locally in the vehicle or that is received by means of a traffic message channel (TMC); on route sections without a sufficient mobile data connection, input data of the second input data group is selected, which is loaded in advance via a backend; the location information of a digital map and / or the average traffic flow data along the route are selected on route sections for which no or outdated collected speed profiles are available; with a preview horizon of a certain minimum length, the location information on a digital map and / or the average traffic flow data are selected in the form of historical traffic patterns; on route sections for which no average traffic flow data and no speed profiles are available, the location information from a digital map is selected; on country roads the location information of a digital map and the speed profiles are selected; on motorways the average traffic flow data is selected, preferably in combination with the individual driving behavior data; if it is determined during the journey that the prediction based on certain
  • the speed profiles of networked vehicles are used to create distributions for collected speed profiles with respect to fixed location points along the route.
  • the first input data group contains speed profiles at the current point in time or along a retrospective horizon.
  • a second aspect of the invention relates to a control device which is configured to carry out the method.
  • FIG. 1 schematically shows a prediction of a speed profile of a vehicle, which represents a future speed profile along a predetermined travel route up to a specific forecast horizon;
  • FIG. 2 schematically shows a system architecture for the method for predicting the speed profile of the vehicle according to an exemplary embodiment.
  • FIG. 1 schematically shows a prediction of a speed profile 1 of a vehicle 2, which represents a future speed profile along a predetermined travel route x up to a specific forecast horizon 3.
  • the reference symbol 8 denotes a past speed profile along the route x up to a specific rear horizon 9.
  • FIG. 2 schematically shows a system architecture for the method for predicting the speed profile 1 of the vehicle 2 according to an exemplary embodiment.
  • the method that works with this system architecture has the following steps: generating a prediction model 4; Inputting input data 5.1, 5.2 into the prediction model 4; Calculation of delivery data 6 from the input data 5.1. 5.2 on the basis of at least one algorithm contained in the prediction model 4, the output data 6 predicting the speed profile 1 of the vehicle 2; and outputting the output data 6 from the prediction model 4.
  • the input data 5.1, 5.2 contain a first input data group 5.1.1, 5.1.2, 5.1.3, in which at least geographic coordinates 5.1.1 of the route x are contained.
  • the intended route x of the vehicle 2 is used as an input and can be specified by the driver or determined by an intelligent algorithm. Together with the geographic coordinates 5.1.1 of the route x, speed profiles at the current point in time or along the look-back horizon 9 can also be entered into the prediction model 4 (not shown in FIG. 2).
  • the first input data group 5.1.1, 5.1.2, 5.1.3 additionally contains vehicle data 5.1.2, which have at least one element from a group that contains a speed value of the vehicle 2; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle 2; image or video data captured by a vehicle camera; and brightness data detected by a flow sensor of vehicle 2.
  • vehicle data 5.1.2 which have at least one element from a group that contains a speed value of the vehicle 2; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle 2; image or video data captured by a vehicle camera; and brightness data detected by a flow sensor of vehicle 2.
  • the first input data group 5.1.1, 5.1.2, 5.1.3 additionally contains individual driving behavior data 5.1 .3 that were generated on the basis of previous trips, in particular driver behavior in comparison to the traffic flow, to speed quantiles or to map attributes such as speed limits.
  • the vehicle data 5.1.2 is used to adjust the forecast for a short forecast horizon, for example for the next 100 m, more precisely.
  • the input data 5.1, 5.2 contain a second input data group 5.2.1, 5.2.2, 5.2.3, which contains various input data, namely at least location information 5.2.1 of a digital map; average traffic flow data
  • the location information 5.2.1 of a digital map can be stored locally in the vehicle 2 (so-called onboard maps), or they can be loaded via mobile radio (for example LTE) from a backend, such as a server (so-called offboard maps) ).
  • the location information 5.2.1 of a digital map has at least one element from a group, the geographic coordinates of the vehicle 2; Contains map attributes along the route x such as speed restrictions, traffic lights, traffic light phases, right of way, traffic signs, curve radii and / or gradients.
  • the average traffic flow data 5.2.2 along the route x represent a current traffic flow or historical traffic patterns.
  • the input data from the second input data group 5.2.1, 5.2.2, 5.2.3 are selected on the basis of a situation analysis 10 using predetermined criteria 11. At least one of these data sources from the second input data group 5.2.1, 5.2.2, 5.2.3 is necessary in order to be able to carry out a speed forecast for a longer forecast horizon 3 (e.g. several km).
  • These data sources are used as input data by a machine learning algorithm, from which the speed profile 1 along the planned route x can be predicted.
  • Various methods can be used as prediction model 4 (e.g. regression, neural networks, support vector machines, long-short-term memory networks (LSTM),
  • the prediction model 4 can be trained on the basis of predefined input data 5.1, 5.2 and predefined output data 6.
  • the input data 5.1, 5.2 within the parameterizable review horizon 9 can also be used as an input.
  • the accuracy of the forecast increases with the number of data sources used, ie in particular from the location information 5.2.1 of a digital map to the average traffic flow data 5.2.2 to the speed profiles 5.2.3 of networked vehicles.
  • the selection of the input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can be selected dynamically, so that a prognosis of the speed profile 1 is available at any point in time.
  • the dynamic selection of the second input data group 5.2.1, 5.2.2, 5.2.3 is described below.
  • the aim is to select the appropriate input data of the second input data group 5.2.1, 5.2.2, 5.2.3 at any point in time and in any situation and thus to be able to ensure a reliable speed forecast at any time.
  • the situation analysis 10 uses at least one of the predetermined criteria 11:
  • input data of the second input data group 5.2.1, 5.2.2, 5.2.3 are selected that were previously stored locally in vehicle 2 or that are received via the TMC traffic message channel. These can be onboard cards. Input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can also be selected on route sections without a sufficient mobile data connection, which are loaded in advance via a backend. In particular, if dead spots on these route sections are known in advance, for example through network coverage maps, which can partly be created by crowdsourcing, it is possible to load the information into the vehicle in advance via the backend. For example, predictive traffic information, collected speed profiles or tiles can be downloaded from precise digital maps.
  • network coverage maps which can partly be created by crowdsourcing
  • the location information 5.2.1 of a digital map (offboard or onboard) and / or the average traffic flow data 5.2.2 along the route x are selected on route sections for which no or outdated collected speed profiles 5.2.3 are available.
  • Possible applications for forecasts that are relatively far in the future are, for example, route planning for electric vehicles for future journeys or the charging management of electric and hybrid vehicles.
  • the location information 5.2.1 from a digital map is selected.
  • the location information 5.2.1 of a digital map and the speed profiles 5.2.3 are selected. Traffic flow information is usually not available on rural roads.
  • the individual speed is mainly determined by curve radii, visibility (e.g. visible curves) and the elevation profile. The traffic flow therefore usually has little influence and is often not precise enough, even if it is available (e.g. reducing the speed in front of bends or blind spots), so that it is better to use collected speed profiles 5.2.3. Since the traffic influence is low, the collected speed profiles 5.2.3 may also be out of date.
  • the average traffic flow data 5.2.2 are selected on motorways, preferably in combination with the individual driving behavior data 5.1.3 from the first input data group. On motorways, the prognosis can primarily be calculated based on the average traffic flow data 5.2.2, taking into account the individual driving behavior data 5.1.3, since the traffic flow is current on motorways.
  • the location information 5.2.1 of a digital map and the average traffic flow data 5.2.2 along the route x are selected. If a service fee for certain input data from the second input data group 5.2.1, 5.2.2, 5.2.3 exceeds a threshold value, other input data are selected from the second input data group 5.2.1, 5.2.2, 5.2.3.
  • the selected input data from the second input data group 5.2.1, 5.2.2, 5.2.3 ensures that a speed prediction is possible in every situation and thus the speed prediction can be used as a reliable input variable for various applications.
  • the input data from the second input data group 5.2.1, 5.2.2, 5.2.3 and the corresponding prediction model 4 can be selected dynamically as a function of data availability, accuracy, road class, user preferences, application purpose and prediction horizon 3.
  • the present invention can also be used to implement operating strategies for HEV, EV or conventional vehicles, to control exhaust gas aftertreatment systems, to increase the accuracy of navigation algorithms and for route applications for EVs.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils (1) eines Fahrzeugs (2), das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute (x) bis zu einem bestimmten Vorschauhorizont (3) darstellt. Das Verfahren weist die folgenden Schritte auf: Generieren eines Prädiktionsmodells (4); Eingeben von Eingangsdaten (5.1, 5.2) in das Prädiktionsmodell (4); Berechnen von Abgabedaten (6) aus den Eingangsdaten (5.1, 5.2) auf der Grundlage zumindest eines in dem Prädiktionsmodell (4) enthaltenen Algorithmus', wobei die Abgabedaten (6) das Geschwindigkeitsprofil (1) des Fahrzeugs (2) prädizieren; Abgeben der Abgabedaten (6) von dem Prädiktionsmodell (4). Die Eingangsdaten (5.1, 5.2) weisen eine erste Eingangsdatengruppe (5.1.1, 5.1.2, 5.1.3), in der zumindest Geokoordinaten (5.1.1) der Fahrtroute (x) enthalten sind, und eine zweite Eingangsdatengruppe (5.2.1, 5.2.2, 5.2.3) auf, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen (5.2.1) einer digitalen Karte; durchschnittliche Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x); und/oder Geschwindigkeitsprofile (5.2.3) von vernetzten Fahrzeugen. Eine Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe (5.1.1, 5.1.2, 5.1.3) wird auf der Grundlage einer Situationsanalyse (6) unter Verwendung vorbestimmter Kriterien (11) durchgeführt.

Description

Beschreibung
Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs
Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs.
Die Kenntnis des zukünftigen Geschwindigkeitsprofils ist für zahlreiche Anwendungen des Powertrains wichtig. Beispielsweise kann durch die Kenntnis der erwarteten Fahrprofiltrajektorie die Betriebsstrategie von Hybrid-, Elektro- und Verbrennungsmotorfahrzeugen verbessert, verschiedene Fahrzeugfunktionen auf das individuelle Fahrverhalten angepasst und der Energiebedarf für die geplante Strecke abgeschätzt werden sowie verschiedene Fahrzeugzustände (wie beispielsweise Temperaturen) geschätzt werden. Für diese Anwendungen ist in der Regel ein Prädiktionshorizont notwendig, der über die Reichweite von Onboard-Sensorik (Radar, Kamera, etc.) hinausgeht. Dazu können Attribute von digitalen Karten (z.B. Geschwindigkeitslimits, Kurvenradien) verwendet werden.
Alternativ existieren Ansätze, bei denen das Geschwindigkeitsprofil auf Basis von gesammelten Trajektorien vernetzter Fahrzeuge prädiziert wird (Crowdsourcing).
Durch Umfeldsensorik ist aufgrund der Reichweite der verwendeten Sensorik (Kamera, Radar) der Prädiktionshorizont begrenzt. Attribute von digitalen Karten sind zur Prognose des erwarteten Geschwindigkeitsprofils nur bedingt geeignet, da auf zahlreichen Streckenabschnitten die Flöchstgeschwindigkeit aufgrund von notwendigen Abbremsvorgängen nicht erreicht werden kann. Zudem hat das individuelle Fahrerverhalten einen Einfluss auf die Höhe das Geschwindigkeitsprofils.
Ein Problem des vernetzten Ansatzes mit Crowdsourcing ist, dass der Ansatz nur möglich ist, falls gesammelte Fahrprofile zur Verfügung stehen, d.h. dass bereits von anderen Fahrzeugen an dieser Stelle Geschwindigkeitsprofile gesammelt worden sind. Gesammelte Daten von vernetzten Fahrzeugen werden in der Regel jedoch nicht zwischen verschiedenen Automobilherstellern ausgetauscht.
Dies ist ein Problem für jene Automobilhersteller, die noch wenig vernetzte Fahrzeuge haben oder auf bestimmten Absatzmärkten nur einen geringen Marktanteil haben. Damit sind Anwendungen auf Basis der Geschwindigkeitsprofilprädiktion nicht oder nur streckenabschnittsweise möglich.
Ein weiterer Nachteil von vernetzten Lösungen ist die Gewährleistung der Fahrzeugvernetzung („Funklöcher"). Eine Prognose des Geschwindigkeitsprofils durch Crowdsourcing ist somit nicht flächendeckend gewährleistet. Die Prognose des Geschwindigkeitsprofils wird als Eingang für Betriebsstrategien zur Senkung das Verbrauchs und der Emissionen verwendet. Verbrauchs- und emissionssenkende Maßnahmen (RDE-Verbrauch, Eco-Innovationen) werden vom Gesetzgeber jedoch nur dann anerkannt, falls sie flächendeckend zur Verfügung stehen.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren und ein Steuergerät zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs vorzusehen, die eine zuverlässige Geschwindigkeitsprognose für alle Streckenabschnitte zur Verfügung stellen können.
Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen der vorliegenden Erfindung sind in den abhängigen Ansprüchen beschrieben.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs, wobei das Geschwindigkeitsprofil einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute bis zu einem bestimmten Vorschauhorizont darstellt. Das Verfahren hat die folgenden Schritte: Generieren eines Prädiktionsmodells; Eingeben von Eingangsdaten in das Prädiktionsmodell; Berechnen von Abgabedaten aus den Eingangsdaten auf der Grundlage zumindest eines in dem Prädiktionsmodell enthaltenen Algorithmus', wobei die Abgabedaten das Geschwindigkeitsprofil des Fahrzeugs prädizieren; Abgeben der Abgabedaten von dem Prädiktionsmodell. Die Eingangsdaten weisen eine erste Eingangsdatengruppe, in der zumindest Geokoordinaten der Fahrtroute enthalten sind, und eine zweite Eingangsdatengruppe auf, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen einer digitalen Karte; durchschnittliche Verkehrsflussdaten entlang der Fahrtroute; und/oder Geschwindigkeitsprofile von vernetzten Fahrzeugen. Eine Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe wird auf der Grundlage einer Situationsanalyse unter Verwendung vorbestimmter Kriterien durchgeführt. Dabei können verschiedene Modelle mit verschiedenen Datenquellen erstellt werden. Die Modelle unterscheiden sich bezüglich Genauigkeit. In Abhängigkeit der Datenverfügbarkeit und anderen Randbedingungen (z.B. verfügbare LTE-Vernetzung) soll automatisch das geeignetste Modell ausgewählt werden. Dadurch wird erreicht, dass keine Streckenabschnitte mehr existieren, für die keine Prognose zur Verfügung gestellt werden kann.
Bei einem Ausführungsbeispiel weisen die Ortsinformationen einer digitalen Karte mindestens ein Element aus einer Gruppe auf, die Geokoordinaten des Fahrzeugs; Kartenattribute entlang der Fahrtroute wie zum Beispiel
Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält.
Bei einem Ausführungsbeispiel stellen die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute einen aktuellen Verkehrsfluss oder historische Traffic-Patterns dar.
Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe zusätzlich Fahrzeugdaten, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs erfasste Helligkeitsdaten enthält.
Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe zusätzlich individuelle Fahrverhaltensdaten, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits.
In einer bevorzugten Ausführungsvariante des erfindungsgemäßen Verfahrens wird bei der Situationsanalyse unter Verwendung der vorbestimmten Kriterien mindestens eine Verfügbarkeit der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe und/oder Datenschutzvorgaben und/oder durch die Verwendung der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe anfallende Kosten und/oder die jeweilige Straßenklasse auf der Fahrtroute und/oder ein Einfluss der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe auf die Qualität der Prädiktion berücksichtigt.
Die Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe erfolgt vorzugsweise als separater Verfahrensschritt, bei dem eines oder mehrere dieser genannten Kriterien geprüft wird.
Eine Verfügbarkeit der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe umfasst hier vorzugsweise die momentane oder generelle Verfügbarkeit der Daten. Die momentane Verfügbarkeit kann beispielsweise durch einen zeitlich und/oder örtlich bedingte fehlende Funkverbindung (z.B. Funklöcher) eingeschränkt sein. Als generelle Verfügbarkeit wird hier zusammengefasst, ob überhaupt entsprechende Daten existieren, d.h. ob beispielsweise Geschwindigkeitsprofile für den jeweiligen Routenabschnitt gesammelt wurden, ob dieses Daten aktuell oder veraltet sind und/oder ob etwaige gesammelte Daten zugänglich sind.
Beispielsweise kann für den Zugang zu solchen Daten eine Servicegebühr erhoben werden. Deswegen können bevorzugt auch etwaige anfallende Kosten für die Auswahl der Eingangsdaten der zweiten Eingangsdatengruppe berücksichtigt werden. Zusätzlich können gesetzliche und/oder persönliche Datenschutzvorgaben die Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe einschränken.
Die Verfügbarkeit und/oder die Sinnhaftigkeit der Verwendung der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe kann außerdem von der jeweiligen Straßenklasse (z.B. Landstraße oder Autobahn) entlang der Fahrtroute abhängig sein.
Des Weiteren kann während der Fahrt festgestellt werden, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe genauer ist als bei der Verwendung anderer Eingangsdaten der zweiten Eingangsdatengruppe. Daher kann auch die Qualität der Prädiktion bei der Auswahl der Eingangsdaten berücksichtigt werden.
Bei einem Ausführungsbeispiel verwendet die Situationsanalyse daher zumindest eines der vorbestimmten Kriterien: auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt, die vorab lokal im Fahrzeug gespeichert wurden oder die mittels Traffic-Message-Channel (TMC) empfangen werden; auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt, die vorab über ein Backend geladen werden; auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile vorliegen, werden die Ortsinformationen einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute ausgewählt; bei einem Vorschauhorizont einer bestimmten Mindestlänge werden die Ortsinformationen einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten in Gestalt von historischen Traffic-Patterns ausgewählt; auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten und keine Geschwindigkeitsprofile vorhanden sind, werden die Ortsinformationen einer digitalen Karte ausgewählt; auf Landstraßen werden die Ortsinformationen einer digitalen Karte und die Geschwindigkeitsprofile ausgewählt; auf Autobahnen werden die durchschnittliche Verkehrsflussdaten ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten; falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt; falls die Verwendung der Geschwindigkeitsprofile durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute ausgewählt; falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe ausgewählt.
Bei einem Ausführungsbeispiel werden aus den Geschwindigkeitsprofilen von vernetzten Fahrzeugen Verteilungen für gesammelte Geschwindigkeitsprofile bezüglich festen Ortspunkten entlang der Fahrtroute erstellt. Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang eines Rückschauhorizonts.
Ein zweiter Aspekt der Erfindung betrifft ein Steuergerät, das dazu konfiguriert ist, das Verfahren durchzuführen.
Es wird darauf hingewiesen, dass Ausführungsformen der Erfindung mit Bezug auf unterschiedliche Erfindungsgegenstände beschrieben wurden. Insbesondere sind einige Ausführungsformen der Erfindung mit Verfahrensansprüchen und andere Ausführungsformen der Erfindung mit Vorrichtungsansprüchen beschrieben. Dem Fachmann wird jedoch bei der Lektüre dieser Anmeldung sofort klar werden, dass, sofern nicht explizit anders angegeben, zusätzlich zu einer Kombination von Merkmalen, die zu einem Typ von Erfindungsgegenstand gehören, auch eine beliebige Kombination von Merkmalen möglich ist, die zu unterschiedlichen Typen von Erfindungsgegenständen gehören.
Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus der folgenden beispielhaften Beschreibung einer bevorzugten Ausführungsform.
Fig. 1 zeigt schematisch eine Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs, das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute bis zu einem bestimmten Vorschauhorizont darstellt; und
Fig. 2 zeigt schematisch eine Systemarchitektur für das Verfahren zur Prädiktion des Geschwindigkeitsprofils des Fahrzeugs gemäß einem Ausführungsbeispiel.
Fig. 1 zeigt schematisch eine Prädiktion eines Geschwindigkeitsprofils 1 eines Fahrzeugs 2, das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute x bis zu einem bestimmten Vorschauhorizont 3 darstellt. Das Bezugszeichen 8 bezeichnet einen vergangenen Geschwindigkeitsverlauf entlang der Fahrtroute x bis zu einem bestimmten Rückschauhorizont 9.
Fig. 2 zeigt schematisch eine Systemarchitektur für das Verfahren zur Prädiktion des Geschwindigkeitsprofils 1 des Fahrzeugs 2 gemäß einem Ausführungsbeispiel. Das mit dieser System architektur arbeitende Verfahren hat die folgenden Schritte: Generieren eines Prädiktionsmodells 4; Eingeben von Eingangsdaten 5.1 , 5.2 in das Prädiktionsmodell 4; Berechnen von Abgabedaten 6 aus den Eingangsdaten 5.1. 5.2 auf der Grundlage zumindest eines in dem Prädiktionsmodell 4 enthaltenen Algorithmus', wobei die Abgabedaten 6 das Geschwindigkeitsprofil 1 des Fahrzeugs 2 prädizieren; und Abgeben der Abgabedaten 6 von dem Prädiktionsmodell 4.
Die Eingangsdaten 5.1 , 5.2 enthalten eine erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3, in der zumindest Geokoordinaten 5.1.1 der Fahrtroute x enthalten sind. Die beabsichtigte Route x des Fahrzeugs 2 wird als Eingang verwendet und kann durch den Fahrer vorgegeben oder durch einen intelligenten Algorithmus bestimmt werden. Zusammen mit den Geokoordinaten 5.1.1 der Fahrtroute x können außerdem Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang des Rückschauhorizonts 9 in das Prädiktionsmodell 4 eingegeben werden (nicht in der Fig. 2 gezeigt).
Die erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 enthält zusätzlich Fahrzeugdaten 5.1.2, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs 2; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug 2 erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs 2 erfasste Helligkeitsdaten enthält.
Die erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 enthält zusätzlich individuelle Fahrverhaltensdaten 5.1 .3, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits.
Diese zusätzlichen Eingangsgrößen der ersten Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 dienen dazu, die Prognose zu verbessern. So dienen beispielsweise die Fahrzeugdaten 5.1.2 dazu die Prognose für einen kurzen Vorausschauhorizont, beispielsweise für die nächsten 100 m, genauer anzupassen.
Die Eingangsdaten 5.1 , 5.2 enthalten eine zweite Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen 5.2.1 einer digitalen Karte; durchschnittliche Verkehrsflussdaten
5.2.2 entlang der Fahrtroute x; und/oder Geschwindigkeitsprofile 5.2.3 von vernetzten Fahrzeugen. Die Ortsinformationen 5.2.1 einer digitalen Karte können lokal im Fahrzeug 2 gespeichert werden (so genannte Onboard-Karten), oder sie können per Mobilfunk (beispielsweise LTE) von einem Backend, wie zum Beispiel einem Server, geladen werden (so genannte Offboard-Karten). Die Ortsinformationen 5.2.1 einer digitalen Karte weisen mindestens ein Element aus einer Gruppe auf, die Geokoordinaten des Fahrzeugs 2; Kartenattribute entlang der Fahrtroute x wie zum Beispiel Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält.
Die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x stellen einen aktuellen Verkehrsfluss oder historische Traffic-Patterns dar.
Aus den Geschwindigkeitsprofilen 5.2.3 von vernetzten Fahrzeugen können Verteilungen für gesammelte Geschwindigkeitsprofile 5.2.3 bezüglich festen Ortspunkten erstellt werden.
Die Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 werden auf der Grundlage einer Situationsanalyse 10 unter Verwendung vorbestimmter Kriterien 11 ausgewählt. Mindestens eine dieser Datenquellen aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist notwendig, um eine Geschwindigkeitsprognose für einen längeren Vorausschauhorizont 3 (z.B. mehrere km) durchführen zu können. Diese Datenquellen werden von einem maschinellen Lernalgorithmus als Eingangsdaten verwendet, und daraus kann das Geschwindigkeitsprofil 1 entlang der geplanten Route x prädiziert werden. Als Prädiktionsmodell 4 können verschiedene Verfahren verwendet werden (z.B. Regression, Neuronale Netze, Support-Vector-Maschinen, Long-Short-Term-Memory-Netzwerke (LSTM),
Recursive-Convolutional-Neural-Netzwerke (RCNN), etc.). Das Prädiktionsmodell 4 kann auf der Grundlage von vorgegebenen Eingangsdaten 5.1 , 5.2 und vorgegebenen Abgabedaten 6 trainiert werden. Dabei können auch die Eingangsdaten 5.1 , 5.2 innerhalb des parametrierbaren Rückschauhorizonts 9 als Eingang verwendet werden.
Die Genauigkeit der Prognose nimmt mit der Anzahl der verwendeten Datenquellen zu, d.h. insbesondere von den Ortsinformationen 5.2.1 einer digitalen Karte über die durchschnittlichen Verkehrsflussdaten 5.2.2 bis hin zu den Geschwindigkeitsprofilen 5.2.3 von vernetzten Fahrzeugen. Dabei können alle Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 oder nur eine Untergruppe der Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 als Eingang verwendet werden. Die Auswahl der Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist dynamisch wählbar, so dass zu jedem Zeitpunkt eine Prognose des Geschwindigkeitsprofils 1 verfügbar ist. Die dynamische Auswahl der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 wird nachfolgend beschrieben.
Ziel ist es, zu jedem Zeitpunkt und in jeder Situation die geeigneten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 auszuwählen und somit jederzeit eine zuverlässige Geschwindigkeitsprognose sicherstellen zu können.
Aus Genauigkeitsgründen ist es ideal, alle drei genannten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 zu verwenden.
Situationsabhängig ist es sinnvoll, nur eine oder zwei bestimmte Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 zu verwenden. Die Situationsanalyse 10 verwendet zumindest eine der vorbestimmten Kriterien 11 :
Auf Streckenabschnitten ohne ausreichende mobile Datenverbindung (z.B. LTE) werden Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt, die vorab lokal im Fahrzeug 2 gespeichert wurden oder die mittels Traffic-Message-Channel TMC empfangen werden. Dabei kann es sich um Onboard-Karten handeln. Auf Streckenabschnitten ohne ausreichende mobile Datenverbindung können auch Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt werden, die vorab über ein Backend geladen werden. Insbesondere wenn Funklöcher an diesen Streckenabschnitten voraus bekannt sind, beispielsweise durch Netzabdeckungskarten, die zum Teil durch Crowdsourcing gebildet werden können, ist es möglich, die Informationen vorab über das Backend in das Fahrzeug zu laden. So können prädiktiv Verkehrsinformationen, gesammelte Geschwindigkeitsprofile oder Tiles von digitalen genauen Karten heruntergeladen werden.
Auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile 5.2.3 vorliegen, werden die Ortsinformationen 5.2.1 einer digitalen Karte (offboard oder onboard) und/oder die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x ausgewählt.
Bei einem Vorschauhorizont 3 einer bestimmten Mindestlänge, beispielsweise 3 h, werden die Ortsinformationen 5.2.1 einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten 5.2.2 in Gestalt von historischen Traffic-Patterns ausgewählt. Mögliche Anwendungen für relativ weit in der Zukunft liegende Prognosen sind beispielsweise die Routenplanung für Elektrofahrzeuge für zukünftige Fahrten oder das Lademanagement von Elektro- und Hybridfahrzeugen.
Auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten 5.2.2 und keine Geschwindigkeitsprofile 5.2.3 vorhanden sind, werden die Ortsinformationen 5.2.1 einer digitalen Karte (offboard oder onboard) ausgewählt.
Auf Landstraßen werden die Ortsinformationen 5.2.1 einer digitalen Karte und die Geschwindigkeitsprofile 5.2.3 (ggf. auch veraltete) ausgewählt. Auf Landstraßen sind in der Regel Verkehrsflussinformationen nicht verfügbar. Außerdem wird die individuelle Geschwindigkeit vor allem durch Kurvenradien, Sichtverhältnisse (z.B. einsehbare Kurven) und das Höhenprofil bestimmt. Der Verkehrsfluss hat daher in der Regel einen geringen Einfluss und ist auch bei Verfügbarkeit oft nicht genau genug (z.B. Reduktion der Geschwindigkeit vor Kurven, oder unübersichtlichen Stellen), so dass es besser ist, gesammelte Geschwindigkeitsprofile 5.2.3 zu verwenden. Da der Verkehrseinfluss gering ist, dürfen die gesammelten Geschwindigkeitsprofile 5.2.3 auch veraltet sein.
Auf Autobahnen werden die durchschnittliche Verkehrsflussdaten 5.2.2 ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten 5.1.3 aus der ersten Eingangsdatengruppe. Auf Autobahnen kann die Prognose vor allem auf die durchschnittliche Verkehrsflussdaten 5.2.2 unter Berücksichtigung der individuellen Fahrverhaltensdaten 5.1.3 berechnet werden, da auf Autobahnen der Verkehrsfluss aktuell ist.
Falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ausgewählt.
Falls die Verwendung der Geschwindigkeitsprofile 5.2.3 durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen 5.2.1 einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x ausgewählt. Falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt.
Durch die ausgewählten Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist sichergestellt, dass in jeder Situation eine Geschwindigkeitsprognose möglich ist und damit die Geschwindigkeitsprognose als zuverlässige Eingangsgröße für verschiedene Anwendungen verwendet werden kann.
Die Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 und das entsprechende Prädiktionsmodell 4 können dynamisch abhängig von Datenverfügbarkeit, Genauigkeit, Straßenklasse, Nutzerpräferenzen, Anwendungszweck und Prädiktionshorizont 3 ausgewählt werden.
Die vorliegende Erfindung kann auch zum Umsetzen von Betriebsstrategien für HEV, EV oder konventionelle Fahrzeuge, zur Ansteuerung von Abgasnachbehandlungssystemen, zur Erhöhung der Genauigkeit von Navigationsalgorithmen und für Routenanwendungen für EVs verwendet werden.
Sie kann auch zur Prädiktion von Betriebszuständen in Abhängigkeit der Geschwindigkeitsprognose verwendet werden, um z.B. das Derating-Verhalten eines Elektroantriebs positiv zu beeinflussen. Schließlich können Informationen in digitalen Karten hinterlegt werden.
Bezugszeichenliste
1 Geschwindigkeitsprofil
2 Fahrzeug
3 Vorschauhorizont
4 Prädiktionsmodell
5.1 Eingangsdaten
5.1.1 Geokoordinaten
5.1.2 Fahrzeugdaten
5.1.3 individuelle Fahrverhaltensdaten
5.2 Eingangsdaten
5.2.1 Ortsinformationen einer digitalen Karte
5.2.2 durchschnittliche Verkehrsflussdaten
5.2.3 Geschwindigkeitsprofile von vernetzten Fahrzeugen
6 Abgabedaten
8 vergangener Geschwindigkeitsverlauf
9 Rückschauhorizont
10 Situationsanalyse
11 vorbestimmte Kriterien

Claims

Patentansprüche
1. Verfahren zur Prädiktion eines Geschwindigkeitsprofils (1 ) eines Fahrzeugs (2), das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute (x) bis zu einem bestimmten Vorschauhorizont (3) darstellt, wobei das Verfahren die folgenden Schritte aufweist:
Generieren eines Prädiktionsmodells (4);
Eingeben von Eingangsdaten (5.1, 5.2) in das Prädiktionsmodell (4);
Berechnen von Abgabedaten (6) aus den Eingangsdaten (5.1 , 5.2) auf der Grundlage zumindest eines in dem Prädiktionsmodell (4) enthaltenen Algorithmus', wobei die Abgabedaten (6) das Geschwindigkeitsprofil (1) des Fahrzeugs (2) prädizieren;
Abgeben der Abgabedaten (6) von dem Prädiktionsmodell (4); wobei die Eingangsdaten (5.1, 5.2) eine erste Eingangsdatengruppe (5.1.1, 5.1.2, 5.1.3), in der zumindest Geokoordinaten (5.1.1) der Fahrtroute (x) enthalten sind, und eine zweite Eingangsdatengruppe (5.2.1, 5.2.2, 5.2.3) aufweisen, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen (5.2.1) einer digitalen Karte; durchschnittliche Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x); und/oder Geschwindigkeitsprofile (5.2.3) von vernetzten Fahrzeugen; wobei eine Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe (5.2.1, 5.2.2, 5.2.3) auf der Grundlage einer Situationsanalyse (6) unter Verwendung vorbestimmter Kriterien (11) durchgeführt wird.
2. Verfahren gemäß dem vorherigen Anspruch, wobei die Ortsinformationen (5.2.1) einer digitalen Karte mindestens ein Element aus einer Gruppe aufweisen, die Geokoordinaten des Fahrzeugs (2); Kartenattribute entlang der Fahrtroute (x) wie zum Beispiel Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält; und/oder die durchschnittlichen Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x) einen aktuellen Verkehrsfluss oder historische Traffic-Patterns darstellen.
3. Verfahren gemäß einem der vorherigen Ansprüche, wobei die erste Eingangsdatengruppe (5.1.1, 5.1.2, 5.1.3) zusätzlich
Fahrzeugdaten (5.1.2) enthält, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs (2); eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug (2) erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs (2) erfasste Helligkeitsdaten enthält; und/oder die erste Eingangsdatengruppe (5.1.1 , 5.1.2, 5.1.3) zusätzlich individuelle Fahrverhaltensdaten (5.1.3) enthält, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits.
4. Verfahren gemäß einem der vorherigen Ansprüche, wobei bei der Situationsanalyse (6) unter Verwendung der vorbestimmten Kriterien (11 )
- eine Verfügbarkeit der verschiedenen Eingangsdaten (5.2.1 , 5.2.2, 5.2.3) aus der zweiten Eingangsdatengruppe, und/oder
- Datenschutzvorgaben und/oder
- durch die Verwendung der verschiedenen Eingangsdaten (5.2.1 , 5.2.2, 5.2.3) aus der zweiten Eingangsdatengruppe anfallende Kosten, und/oder
- die jeweilige Straßenklasse auf der Fahrtroute (x), und/oder
- ein Einfluss der verschiedenen Eingangsdaten (5.2.1 , 5.2.2, 5.2.3) aus der zweiten Eingangsdatengruppe auf die Qualität der Prädiktion berücksichtigt werden.
5. Verfahren gemäß einem der vorherigen Ansprüche, wobei die Situationsanalyse (6) zumindest eine der vorbestimmten Kriterien (11 ) verwendet: auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt, die vorab lokal im Fahrzeug (2) gespeichert wurden oder die mittels Traffic-Message-Channel (TMC) empfangen werden; auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt, die vorab über ein Backend geladen werden; auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile (5.2.3) vorliegen, werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x) ausgewählt; bei einem Vorschauhorizont (3) einer bestimmten Mindestlänge werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten (5.2.2) in Gestalt von historischen Traffic-Patterns ausgewählt; auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten (5.2.2) und keine Geschwindigkeitsprofile (5.2.3) vorhanden sind, werden die Ortsinformationen (5.2.1 ) einer digitalen Karte ausgewählt; auf Landstraßen werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und die Geschwindigkeitsprofile (5.2.3) ausgewählt; auf Autobahnen werden die durchschnittliche Verkehrsflussdaten (5.2.2) ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten (5.1.3) gemäß Anspruch 3; falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt; falls die Verwendung der Geschwindigkeitsprofile (5.2.3) durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x) ausgewählt; falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt.
6. Verfahren gemäß einem der vorherigen Ansprüche, wobei aus den Geschwindigkeitsprofilen (5.2.3) von vernetzten Fahrzeugen (2) Verteilungen für gesammelte Geschwindigkeitsprofile (5.2.3) bezüglich festen Ortspunkten entlang der Fahrtroute (x) erstellt werden.
7. Verfahren gemäß einem der vorherigen Ansprüche, wobei die erste Eingangsdatengruppe (5.1.1 , 5.1.2, 5.1.3) Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang eines Rückschauhorizonts (9) enthält.
8. Steuergerät, das dazu konfiguriert ist, das Verfahren gemäß einem der vorherigen Ansprüche durchzuführen.
PCT/EP2020/077962 2019-10-08 2020-10-06 Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs WO2021069418A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080070719.6A CN114514413A (zh) 2019-10-08 2020-10-06 用于预估车辆的速度分布图的方法
US17/766,433 US20240053161A1 (en) 2019-10-08 2020-10-06 Method for Predicting a Velocity Profile of a Vehicle
EP20796700.1A EP4042107A1 (de) 2019-10-08 2020-10-06 Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019215376.3A DE102019215376A1 (de) 2019-10-08 2019-10-08 Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs
DE102019215376.3 2019-10-08

Publications (1)

Publication Number Publication Date
WO2021069418A1 true WO2021069418A1 (de) 2021-04-15

Family

ID=73013363

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/077962 WO2021069418A1 (de) 2019-10-08 2020-10-06 Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs

Country Status (5)

Country Link
US (1) US20240053161A1 (de)
EP (1) EP4042107A1 (de)
CN (1) CN114514413A (de)
DE (1) DE102019215376A1 (de)
WO (1) WO2021069418A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022206914A1 (de) 2022-07-06 2024-01-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Bestimmung einer geeigneten Kurvengeschwindigkeit von Fahrzeugen, Vorrichtung zur Durchführung desselben und dessen Verwendung

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014204206A1 (de) * 2013-03-13 2014-09-18 Ford Global Technologies, Llc Fahrwegnavigation mit optimalem geschwindigkeitsprofil
DE102017209667A1 (de) * 2016-12-12 2018-06-14 Continental Automotive Gmbh Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
WO2019060938A1 (de) * 2017-09-26 2019-04-04 Avl List Gmbh Verfahren und eine vorrichtung zum erzeugen eines dynamischen geschwindigkeitsprofils eines kraftfahrzeugs

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7221287B2 (en) * 2002-03-05 2007-05-22 Triangle Software Llc Three-dimensional traffic report
DE102004055275A1 (de) * 2004-11-17 2006-05-18 Robert Bosch Gmbh Verfahren und System zur Optimierung der Funkübertragung von Daten zwischen einem Fahrzeug und einer externen Gegenstelle
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US20120245756A1 (en) * 2011-03-23 2012-09-27 Tk Holdings Inc. Driver assistance system
CN102509470B (zh) * 2011-10-14 2013-10-16 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
CN103632540B (zh) * 2012-08-20 2015-11-25 同济大学 基于浮动车数据的城市主干道交通运行信息处理方法
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
DE102017220420B3 (de) * 2017-11-16 2019-04-18 Continental Automotive Gmbh Verfahren zum Erzeugen einer Verkehrsinformationssammlung, Verkehrsinformationssammlung, Sammeleinrichtung mit einer Verkehrsinformationssammlung und Fahrerassistenzeinrichtung

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014204206A1 (de) * 2013-03-13 2014-09-18 Ford Global Technologies, Llc Fahrwegnavigation mit optimalem geschwindigkeitsprofil
DE102017209667A1 (de) * 2016-12-12 2018-06-14 Continental Automotive Gmbh Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
WO2019060938A1 (de) * 2017-09-26 2019-04-04 Avl List Gmbh Verfahren und eine vorrichtung zum erzeugen eines dynamischen geschwindigkeitsprofils eines kraftfahrzeugs

Also Published As

Publication number Publication date
CN114514413A (zh) 2022-05-17
EP4042107A1 (de) 2022-08-17
US20240053161A1 (en) 2024-02-15
DE102019215376A1 (de) 2021-04-08

Similar Documents

Publication Publication Date Title
DE102019104845A1 (de) Proaktive fahrzeugwartungsplanung basierend auf digitalzwillingssimulationen
DE102015113648A1 (de) Routen- und modellbasierte energieschätzung
DE102015113699A1 (de) Routenbasierte Energieverbrauchsschätzung unter Verwendung physikalischer Modelle
DE102017209667A1 (de) Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
DE102012212740A1 (de) System und Verfahren zum Aktualisieren einer digitalen Karte eines Fahrerassistenzsystems
EP2989422B1 (de) Verfahren und vorrichtung zum auswählen einer route zum befahren durch ein fahrzeug
DE102009047395A1 (de) Verfahren und Steuergerät zur Steuerung eines Hybridantriebs eines Fahrzeugs
DE102015207601A1 (de) Detektion von nicht-autorisierten fahrzeugen
DE102020119861A1 (de) Verfahren und Assistenzeinrichtung zum iterativ optimierten Betreiben eines Kraftfahrzeugs und Kraftfahrzeug
DE102013009945A1 (de) Ansteuerung eines Triebstrangs eines Fahrzeugs auf Basis einer digitalen Straßenkarte
DE102012023575B3 (de) Verfahren zur fahrerspezifischen Anpassung eines synthetisch modulierten Geschwindigkeitsprofils entlang einer mit einem Fahrzeug gefahrenen Strecke sowie Steuergerät zur Durchführung des Verfahrens
DE102014205246B4 (de) Verfahren zum Steuern eines Hybridantriebs eines Fahrzeugs
DE102016006541A1 (de) Verfahren zum Ermitteln einer Empfehlung für ein anforderungsgerechtes Alternativfahrzeug und zum Übermitteln der Empfehlung an einen Fahrer eines aktuellen Fahrzeugs, Vorrichtung zum Durchführen des Verfahrens und Fahrzeug mit einer solchen Vorrichtung
DE112017002942T5 (de) Verfahren und System zur Bewertung der Betriebsleistung von einem Fahrzeug zugeordneten Fahrerassistenzsystemen
WO2021069418A1 (de) Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs
WO2017080822A1 (de) Verfahren und vorrichtung zum analysieren einer fahrweise eines fahrers eines fahrzeugs
DE102012210454A1 (de) Verfahren und Vorrichtung zur Bereitstellung von Daten für einen elektronischen Horizont für ein Fahrerassistenzsystem eines Fahrzeugs
DE102023122897A1 (de) Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs
DE102016216538A1 (de) Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug
EP3956636B1 (de) Verfahren und vorrichtung zum berechnen eines energieverbrauchs eines kraftfahrzeugs auf einer fahrtroute
DE102012219695A1 (de) Verfahren zum Gewinnen, Bereitstellen und Anwenden von streckenbezogenen Fahrzeugdaten und Vorrichtung hierfür
DE102020107916A1 (de) Verfahren zum Ermitteln einer Fahrtroute für einen Kraftwagen und System zum Durchführen des Verfahrens
EP3084352B1 (de) System zur individualisierten streckenführung unter berücksichtigung externer faktoren
DE102018002265A1 (de) Verfahren zur Berechnung einer optimierten Route für ein Fahrzeug
DE102019215587A1 (de) Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing

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: 20796700

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 17766433

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020796700

Country of ref document: EP

Effective date: 20220509