WO2021069592A1 - Verfahren zum berechnen von relativen positiven oder negativen beschleunigungen mittels crowdsourcing - Google Patents

Verfahren zum berechnen von relativen positiven oder negativen beschleunigungen mittels crowdsourcing Download PDF

Info

Publication number
WO2021069592A1
WO2021069592A1 PCT/EP2020/078282 EP2020078282W WO2021069592A1 WO 2021069592 A1 WO2021069592 A1 WO 2021069592A1 EP 2020078282 W EP2020078282 W EP 2020078282W WO 2021069592 A1 WO2021069592 A1 WO 2021069592A1
Authority
WO
WIPO (PCT)
Prior art keywords
rpa
vehicle
rna
relative positive
accelerations
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/EP2020/078282
Other languages
English (en)
French (fr)
Inventor
Stefan Grubwinkler
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aumovio Germany GmbH
Original Assignee
Continental Automotive Technologies 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 Technologies GmbH filed Critical Continental Automotive Technologies GmbH
Publication of WO2021069592A1 publication Critical patent/WO2021069592A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles

Definitions

  • the present invention relates to a method for calculating relative positive or negative accelerations (RPA, RNA) by means of crowdsourcing (in German usage, instead of the Germanized term crowdsourcing, the term swarm outsourcing is also used less often).
  • RPA relative positive or negative accelerations
  • the relative positive acceleration (RPA) for each speed interval is calculated as follows: The following applies: i? J is the relative positive acceleration for the parts driven [m / s 2 or kWs / (kg * km)] di is the distance covered in time step i. t is the time difference (e.g. equal to 1 s).
  • M is the number of samples taken with positive acceleration.
  • N is the total number of samples.
  • RPA k is the relative positive acceleration for the urban, extra-urban and freeway components [m / s 2 or kWs / (kg * km)] di, k is the distance covered in time step i in urban, extra-urban and on highways. t is the time difference (e.g. equal to 1 s).
  • M k is the number of people driven in urban, out of town and on highways
  • N k is the total number of samples for the urban, rural, and freeway shares.
  • RNA relative negative acceleration
  • the "relative positive acceleration” RPA or “relative negative acceleration” (RNA) has the dimension of an acceleration. It is formed according to the above formula as a kind of mean value over the positive or negative accelerations weighted with the speed over a distance. Due to the weighting, accelerations at high speed are taken into account more strongly than accelerations at low speed.
  • the relative positive acceleration RPA describes the acceleration components and levels taking into account the speed of the vehicle and is therefore a measure of the dynamics of the journey.
  • the RPA indirectly describes the necessary acceleration energy on a route.
  • the RPA and RNA values are independent of the vehicle.
  • the RPA values correlate very strongly with the energy consumption.
  • a specific energy consumption of a vehicle can be calculated from RPA values and vehicle properties and parameters (for example vehicle mass, power of an internal combustion engine, current average consumption of the engine, etc.).
  • a recuperation performance of a vehicle can be calculated accordingly from RNA values.
  • RPA relative positive acceleration
  • RNA relative negative acceleration
  • the present invention is based on the object of providing a more precise method for determining relative positive or negative accelerations (RPA, RNA). This object is achieved by the subjects of the independent claims. Advantageous embodiments of the present invention are described in the dependent claims.
  • a first aspect of the invention relates to a method for calculating relative positive or negative accelerations (RPA) by means of crowdsourcing with the following steps: a) generating a digital map in which different route sections are connected to one another by nodes; b) Calculation of a relative positive or negative acceleration of a vehicle traveling in a route section for this route section, the relative positive or negative acceleration in the vehicle being calculated and sent to a backend or the vehicle being given data, the current geographic coordinates, current vehicle speeds and / or have current vehicle accelerations, sends to a backend, which calculates therefrom the relative positive or negative acceleration of the vehicle for this route section; and c) calculating an average or a distribution of the calculated relative positive or negative values Accelerations of several vehicles for this route section in the backend.
  • RPA relative positive or negative accelerations
  • the RPA value can be used as an input variable for numerous applications.
  • the RPA value must be within a certain tolerance range so that the trip is recognized as a valid RDE trip.
  • the RPA value correlates strongly with the energy consumption.
  • the RPA value can also be used to analyze driving style to reduce fuel consumption, to describe individual driver behavior and to classify the traffic situation.
  • the RPA value is very much dependent on the location (or the route section). For example, it reflects curves, right-of-way regulations and unclear road sections, acceleration and deceleration processes.
  • the RPA value is also dependent on traffic conditions. Vehicles driving ahead or stop & go traffic also cause acceleration and deceleration processes, so that in addition to the location, the time of day is also decisive for the fleas of the RPA value.
  • the expected acceleration is of interest in addition to the speed of the vehicle. Both sizes are location-dependent, so it makes sense to save the sizes on a map based on location.
  • the RPA value is suitable for this, as it combines the acceleration and speed of the vehicle and thus describes the necessary load. The value describes the effects of driving behavior (individual and route-dependent) on energy consumption very well.
  • the RPA value should also be able to be used for predictive functions. This also includes predictive functions for exhaust aftertreatment. These must be available nationwide if they play a role in emissions legislation.
  • the mean value or the distribution for the respective route section is iteratively updated in the backend. Outdated mean values or distributions for the respective route section are preferably ignored. Obsolescence can be assumed after a certain time or after a certain number of iterations.
  • a second aspect of the invention relates to a method for calculating relative positive or negative accelerations (RPA) by means of crowdsourcing with the following steps: d) generating a digital map in which different route sections are connected to one another by nodes; e) precalculation of relative positive or negative accelerations for the respective route sections; f) Adaptation of the relative positive or negative accelerations for the respective route sections on the basis of current ambient conditions, the current driving style of a driver of a vehicle and / or traffic flow information in the respective route section.
  • RPA relative positive or negative accelerations
  • step e) takes place on the basis of historical driving profiles.
  • step e) has the following substeps: e1) assigning a travel trajectory class to each route section on the basis of map attributes; e2) precalculation of the relative positive or negative acceleration for the respective route section, taking into account the assigned driving trajectory class and collected driving profiles; and step f) has the following substeps: f 1) storing relative positive or negative accelerations that a vehicle has calculated in previous route sections; f2) calculating deviations between the relative positive or negative accelerations precalculated in step e2) for the respective route sections and the relative positive or negative accelerations stored in step f 1) for the respective route sections; and f3) adapting the precalculated relative positive or negative accelerations for at least one future route section on the basis of the current environmental conditions, the current driving style of the driver of the vehicle and / or the Traffic flow information and the deviations calculated in step f2), so that adjusted relative positive or negative accelerations are obtained.
  • the expression “which a vehicle has calculated in previous route sections” can include an example in which such calculations are carried out in a control unit of the vehicle.
  • the calculations do not necessarily have to be carried out by the control device and can also be carried out by a navigation device or a similar computing device assigned to the vehicle.
  • steps f1), f2) and f3) are carried out by a control unit of the vehicle.
  • the adjusted relative positive or negative accelerations are sent from the vehicle to a backend.
  • the mean values or distributions calculated in step c) or the relative positive or negative accelerations adjusted in step f) are sent from the backend to any vehicle.
  • the mean values or distributions calculated in step c) or the relative positive or negative accelerations adjusted in step f) are sent from the backend to a vehicle for certain route sections that are sent by the vehicle can be requested from the backend.
  • individual route sections or successive route sections with the same travel trajectory class are only taken into account if they are longer than a minimum length.
  • the mean value or the distribution that is calculated in step c) or the relative positive or negative acceleration adjusted in step f) is entered as a parameter for the associated route section in the digital map saved.
  • the digital map is preferably used for at least one of the following applications:
  • the relative positive or negative accelerations can be determined to be relatively high if they exceed a corresponding threshold value (in terms of amount). It is also conceivable that the power of the secondary consumer is reduced all the more, the greater the relative positive acceleration. Similarly, the power of the secondary consumer can be increased all the more, the greater the relative negative acceleration (in terms of amount).
  • the relative positive accelerations can be determined to be relatively high if they exceed a corresponding threshold value. It is also conceivable that the components of the drive train are controlled variably depending on how high the relative positive accelerations are.
  • Such vehicle-independent, standardized consumption maps can serve as the basis for an efficient range estimate or energy consumption estimate of electric or hybrid vehicles. Routing methods usually require energy-dependent weights for the respective route sections. By using the digital map, in which the relative positive or negative accelerations are taken into account as a parameter, such weights do not have to be derived from other map attributes.
  • the individual, energy-related driving behavior is relevant, for example, for an individualization of a performance or energy management and for an estimation of the range of electric vehicles. This allows energetic driving styles to be determined.
  • the present invention has particular advantages for the prediction of RPA values, for the storage of a vehicle-independent consumption-relevant variable for each road section in a map, for the use of a crowd-based variable, which describes the energy and power requirements, as an input variable for numerous powertrain Applications (comparable to traffic flow for the travel time), and for the evaluation of the individual driving behavior or the driving profile of a vehicle in comparison to the general public.
  • FIG. 2 shows an exemplary embodiment of a method according to a first aspect for calculating relative positive accelerations by means of crowdsourcing
  • FIG 3 shows an exemplary embodiment of a variant of a method according to a second aspect for calculating relative positive accelerations by means of crowdsourcing.
  • the various route sections A,..., M are interconnected by several nodes n.
  • route sections A, ..., M of a route network are usually very short (often only a few 100 m), it makes sense to use longer route sections A, ..., M (for example of more than 1 km) so that the spread of the collected RPA values is smaller.
  • the RPA values are calculated for a larger number of route sections A, ..., M as soon as the sum of the individual route sections A, ..., M has exceeded a minimum length (for example 1 km).
  • a minimum length for example 1 km.
  • route sections A, ..., M of the same route class for example higher-level connecting road, street in residential area, federal road, motorway, etc.
  • all route sections A, ..., M are updated with the calculated RPA value (for example, by means of sliding averaging).
  • route section length of route sections A,..., M is 210 m in each case (in reality, however, there are usually different route section lengths). It is also assumed that the minimum length for route sections is 1 km in order to be taken into account when calculating the RPA values.
  • RPA value RPAcaic
  • the respective RPA values RPAA, RPAB, RPAC, RPAD, RPAE are updated in a backend (for example a server) with RPA ca ic.
  • an RPA value (RPAcaic) is calculated for the route sections A, B, C, F, G, H, since the length of the respective route sections is greater than the minimum length is 1 km.
  • the respective RPA values RPAA, RPAB, RPAC, RPAF, RPAG, RPAH are updated in the backend with RPAcaic.
  • an RPA value (RPAcaic) is calculated for the route sections I, J, K, L, M, since the length of the respective route sections I, J, K, L, M is greater than the minimum length of 1 km.
  • the sections A and B are not taken into account, as the class of the route is different and sections A and B are too short.
  • the respective RPA values RPAi, RPAj, RPAK, RPAL, RPAM are updated in the backend with RPAcaic.
  • the present invention comprises a first aspect for a method for computing relative positive accelerations (RPA) by means of crowdsourcing.
  • RPA relative positive accelerations
  • FIG. 2 shows a first exemplary embodiment of the method according to the first aspect for calculating relative positive accelerations RPA by means of crowdsourcing.
  • the method has a step a) for generating a digital map 1 in which different route sections A, B, C, ..., F are connected to one another by several nodes n.
  • the digital map 1 and the selection of the relevant route sections A,..., F can take place similarly to the example in FIG. 1.
  • the method also has a step b) for calculating a relative positive acceleration RPA of a vehicle 2.1, 2.2 traveling in a route section A, B, C, ..., F for this route section A, B, C, ..., F , the relative positive acceleration RPA in the vehicle 2.1, 2.2 being calculated and sent to a backend 3.
  • the vehicle 2.1, 2.2 data, the current geographic coordinates, current vehicle speeds and / or have current vehicle accelerations to a backend 3, which calculates the relative positive acceleration RPA of the vehicle 2.1, 2.2 for this route section A, B, C, ..., F therefrom.
  • the method has a step c) for calculating a mean value or a distribution of the calculated relative positive accelerations RPA of several vehicles 2.1, 2.2 for this route section A, B, C,..., F in the backend 3.
  • the mean value or the distribution for the respective route section A, B, C,..., F is iteratively updated in the backend 3. Outdated mean values or distributions for the respective route section A, B, C,..., F are preferably ignored.
  • the RPA values of each vehicle 2.1, 2.2 are calculated for each route section A,..., F traveled.
  • the course of the speed and the acceleration can be transmitted to the backend 3 via a wireless communication link and the RPA value can be calculated there for each route section A,..., F traveled.
  • the data from all networked vehicles 2.1, 2.2 are aggregated for each section of the route. For this purpose, the average value or the distribution of the collected RPA values is calculated iteratively.
  • the calculated RPA values are therefore real-time values (live values) which implicitly take into account the current environmental conditions (traffic, visibility, etc.).
  • the distribution of the RPA values can be calculated by an iterative kernel density estimation.
  • the aggregated average value and the aggregated distribution can be made available again to the networked vehicles 2.1, 2.2 and any other networked vehicle 2.3 via a wireless communication link.
  • a first vehicle 2.1 travels along route sections A, B.
  • a value RPA AB is calculated for first vehicle 2.1, or a speed profile and acceleration values are used from the first vehicle 2.1 to the backend 3 and calculated there.
  • the backend 3 for example, a distribution or a mean value of RPAA and RPAB is iteratively updated with the aid of the newly collected value RPAAB.
  • a second vehicle 2.2 is traveling on route sections C, D.
  • a value RPACD is calculated in a similar manner in the second vehicle 2.2 or in the backend 3.
  • a distribution or a mean value of RPAc and RPAD is iteratively updated with the aid of the newly collected value RPACD.
  • Any third vehicle 2.3 uses the collected RPA values. For the expected route along the route sections A, B and E, the values RPAA, RPAB and RPAE are transmitted to the third vehicle 2.3 via a wireless communication link.
  • the present invention comprises a second aspect for a method for calculating relative positive accelerations RPA by means of crowdsourcing.
  • the RPA values are precalculated using historical data and adapted to the current environmental conditions with the help of current traffic flow information.
  • the method has a step d) for generating a digital map 1 in which different route sections A, B, C, ..., E are connected to one another by nodes n.
  • the digital map 1 and the selection of the relevant route sections A,..., E can be carried out in a manner similar to that in the example in FIG. 1.
  • the method also has a step e) for precalculating relative positive accelerations RPA- for the respective route sections A, ..., E.
  • the method finally has a step f) for adapting the relative positive accelerations RPA for the respective route sections A,..., E on the basis of current environmental conditions and / or traffic flow information.
  • the environmental conditions can be at least one element from a group that includes a speed value of the vehicle; a current time; Traffic Message Channel, TMC, Data; Temperature, humidity, rain, snow and / or ice data; image or video data captured by a vehicle camera; and includes brightness data sensed by a brightness sensor of the vehicle.
  • Both Traffic flow information can be average traffic flow data along the route.
  • step e) preferably takes place on the basis of historical driving profiles.
  • FIG 3 shows an exemplary embodiment of a second variant of the method according to the second aspect for calculating relative positive accelerations RPA by means of crowdsourcing.
  • step e) has a substep e1) for assigning a travel trajectory class to each route section A, ..., E on the basis of map attributes, and a substep e2) for precalculating the relative positive acceleration RPA- for the respective route section A, ..., E taking into account the assigned driving trajectory class (depending on the map attributes of the route section) and collected driving profiles.
  • step f) has a substep f 1) for storing relative positive accelerations RPA * that a vehicle 2 has calculated in previous route sections A, B; a substep f2) for calculating deviations between the relative positive accelerations RPA- precalculated in step e2) for the respective route sections A, B and the relative positive accelerations RPA * stored in step f1) for the respective route sections A, B; and a substep f3) for adapting the precalculated relative positive accelerations RPA- for at least one future route section D, E on the basis of the current environmental conditions, the current driving style of the driver and / or the traffic flow information and the deviations calculated in step f2), see above that adjusted relative positive accelerations RPA A for the future route section or sections D, E are obtained.
  • Steps f1), f2) and f3) are preferably carried out by a control unit of vehicle 2.
  • RPA values are calculated for travel trajectory classes (for example acceleration from 50 to 70 km / h, Braking from 100 km / h to 50 km / h on country roads; Delay before stopping points in town, etc.) based on collected driving profiles.
  • a respective RPA value is calculated for each travel trajectory class.
  • each route section A, B, C, D, E is assigned a travel trajectory class based on map attributes, so that each route section A, B, C, D, E is assigned an RPA value.
  • the precalculated RPA value is corrected in vehicle 2.
  • the RPA value precalculated in backend 3 is compared with the RPA value calculated during the journey for past route sections A, B and, depending on the deviation and with the aid of the traffic flow, inferences about the deviation from the precalculated RPA values.
  • Statistical processes or machine learning processes are used for the calculation.
  • Vehicle 2 receives the values RPAA, RPAB, RPAe, RPAD, RPAE precalculated in backend 3 for route A, B, C, D, E in advance. Vehicle 2 is currently in route section C. In vehicle 2, the values RPAA * , RPAB * have already been calculated for the previous route sections A, B. In a control unit, for example an ECU in vehicle 2, from the deviations from RPAA, RPAA * or RPAB, RPAB * and from the precalculated values RPAD, RPAE and using the traffic flow information for sections D, E, the adjusted RPA Values RPA d a , RPA E A calculated.
  • a control unit for example an ECU in vehicle 2 from the deviations from RPAA, RPAA * or RPAB, RPAB * and from the precalculated values RPAD, RPAE and using the traffic flow information for sections D, E, the adjusted RPA Values RPA d a , RPA E A calculated.
  • the method according to the second variant has the advantage that an RPA calculation is possible even with a few networked vehicles 2.
  • the precalculated RPA values can be stored locally in vehicle 2 and only the current traffic information has to be transmitted to vehicle 2.
  • the method can supply input variables for the predictive operating strategy for HEV, EV or also conventional vehicles 2.
  • the operating strategy is adapted for route sections A, ..., E with high power and energy requirements (high RPA value).
  • the method can provide input variables for predictive performance management. For example, high RPA values are taken into account.
  • the method can use input variables for predictive control of components of the drive train, such as
  • Supply exhaust aftertreatment system particulate filter, fuel injection, etc.
  • the aim is to identify high mileage and the associated high emissions, which are to be reduced through predictive strategies.
  • the method can be used to predict operating states, for example acceleration phases, for example to avoid derating behavior of an electric drive or to use a predictive strategy to control the electric drive in such a way that the thermal limits of the drive are not reached.
  • the method can be used to store general information for estimating consumption in digital maps.
  • the RPA values are vehicle-independent; however, they correlate very strongly with energy consumption. This means that consumption maps can be created independently of the vehicle but based on location.
  • the specific energy consumption is calculated from the RPA values depending on the vehicle properties and parameters (for example vehicle mass, power of an internal combustion engine, current average consumption of the engine, etc.).
  • the vehicle-independent consumption cards can also be used for routing applications (eco-routing). Routing applications with energy costs for range calculations are particularly important for electric vehicles.
  • the RPA value plays an important role in emissions legislation. For example, within the framework of the RDE (Real Driving Emissions) legislation, only consumption values from journeys with an RPA value within a certain tolerance range are accepted. With future legislation (Euro 7, from 2025) it is likely that the To continuously save consumption values in the control unit or in the backend 3. A digital map 1 with RPA values can be used to determine whether the consumption for the route sections traveled should be saved and taken into account for emissions legislation.
  • the RPA value is a good indicator for an objective driver evaluation.
  • the acceleration behavior and the energy-efficient driving style of the driver can be evaluated with it.
  • the RPA values are collected from all drivers in backend 3 depending on their location, it is possible to evaluate the RPA value of an individual driver in comparison to all other drivers and thus to create an objective driver evaluation with regard to energy efficiency. This prevents a driver from being assessed as inefficient on routes with many acceleration phases (for example in the case of many bends), although he has an efficient driving style.
  • the objective driver evaluation can be used for all personalized driving functions and to adapt the energy management to the individual driver behavior. A more objective driver assessment is possible through the comparison with the general driver.
  • the absolute RPA value alone is less meaningful.

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 zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA, RNA) mittels Crowdsourcing mit den folgenden Schritten: a) Generieren einer digitalen Karte (1), in der verschiedene Streckenabschnitte (A, B, C,..., M) durch Knoten (n) miteinander verbunden sind; b) Berechnen einer relativen positiven oder negativen Beschleunigung (RPA, RNA) von einem in einem Streckenabschnitt (A, B, C,..., M) fahrenden Fahrzeug (2.1, 2.2) für diesen Streckenabschnitt (A, B, C,..., M), wobei die relative positive oder negative Beschleunigung (RPA, RNA) im Fahrzeug (2.1, 2.2) berechnet und an ein Backend (3) gesendet wird oder wobei das Fahrzeug (2.1, 2.2) Daten, die gegenwärtige Geokoordinaten, gegenwärtige Fahrzeuggeschwindigkeiten und/oder gegenwärtige Fahrzeugbeschleunigungen aufweisen, zu einem Backend (3) sendet, das daraus die relative positive oder negative Beschleunigung (RPA, RNA) von dem Fahrzeug (2.1, 2.2) für diesen Streckenabschnitt (A, B, C,..., M) berechnet; und c) Berechnen eines Mittelwerts oder einer Verteilung der berechneten relativen positiven oder negativen Beschleunigungen (RPA, RNA) von mehreren Fahrzeugen (2.1, 2.2) für diesen Streckenabschnitt (A, B, C,..., M) in dem Backend (3).

Description

Beschreibung
Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing
Die vorliegende Erfindung betrifft ein Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA, RNA) mittels Crowdsourcing (im deutschen Sprachgebrauch wird anstelle des eingedeutschten Begriffs Crowdsourcing seltener auch der Begriff Schwarmauslagerung verwendet).
Gemäß dem Anhang zur Verordnung (EG) Nr. 692/2008 der Europäischen Kommission vom 18. Juli 2008 zur Durchführung und Änderung der Verordnung (EG) Nr. 715/2007 des Europäischen Parlaments und des Rates über die Typgenehmigung von Kraftfahrzeugen hinsichtlich der Emissionen von leichten Personenkraftwagen und Nutzfahrzeugen (Euro 5 und Euro 6) und über den Zugang zu Reparatur- und Wartungsinformationen für Fahrzeuge wird die relative positive Beschleunigung (RPA) für jedes Geschwindigkeitsintervall wie folgt berechnet:
Figure imgf000003_0001
Dabei gilt: i?J ist die relative positive Beschleunigung für die gefahrenen Anteile [m/s2 oder kWs/(kg*km)] di ist die im Zeitschritt i zurückgelegte Strecke. t ist der zeitunterschied (beispielsweise gleich 1 s).
M ist die Anzahl der gefahrenen Stichproben mit positiver Beschleunigung. N ist die Gesamtzahl der Stichproben.
Gemäß der oben genannten Verordnung kann dabei auch nach Fahrtanteilen unterschieden werden. Unterschieden werden beispielsweise innerorts (u, urban), außerorts (r, rural) und auf Autobahnen (m, motorway) gefahrene Fahranteile. Diese können durch den Index k bezeichnet werden.
Figure imgf000004_0001
Dabei gilt:
RPAk ist die relative positive Beschleunigung für die innerorts, außerorts und auf Autobahnen gefahrenen Anteile [m/s2 oder kWs/(kg*km)] di,k ist die im Zeitschritt i innerorts, außerorts und auf Autobahnen zurückgelegte Strecke. t ist der Zeitunterschied (beispielsweise gleich 1 s).
Mk ist die Anzahl der innerorts, außerorts und auf Autobahnen gefahrenen
Stichproben mit positiver Beschleunigung.
Nk ist die Gesamtzahl der Stichproben für die innerorts, außerorts und auf Autobahnen gefahrenen Anteile.
Analog zum RPA-Wert existiert auch die relative negative Beschleunigung (RNA), die nur dann berechnet wird, falls eine Verzögerung (d.h. eine negative Beschleunigung) auftritt. Der RNA-Wert wird weniger häufig verwendet, aber durch rekuperationsfähige Bremssysteme in HEV-Fahrzeugen (Flybridfahrzeugen), PHEV-Fahrzeugen (Plug-in-Hybridfahrzeugen) oder EV-Fahrzeugen (Elektrofahrzeugen) nimmt die Bedeutung des Wertes zu. Für die Berechnung der relativen negativen Beschleunigung RNA bzw. RNA* wird dann die Anzahl der innerorts, außerorts und auf Autobahnen gefahrenen Stichproben mit positiver Beschleunigung Mbzw. Mk durch die jeweils entsprechende Anzahl mit negativer Beschleunigung ersetzt.
Die „relative positive Beschleunigung“ RPA bzw. „relative negative Beschleunigung“ (RNA) hat die Dimension einer Beschleunigung. Gebildet wird sie gemäß der oben genannten Formel als eine Art Mittelwert über die mit der Geschwindigkeit gewichteten positiven oder negativen Beschleunigungen über eine Strecke. Durch die Gewichtung werden Beschleunigungen bei hoher Geschwindigkeit stärker berücksichtigt als Beschleunigungen bei geringer Geschwindigkeit. Die relative positive Beschleunigung RPA beschreibt die Beschleunigungsanteile und -höhe unter Berücksichtigung der Geschwindigkeit des Fahrzeugs und ist somit ein Maß für die Dynamik der Fahrt. Indirekt beschreibt die RPA damit die notwendige Beschleunigungsenergie auf einer Strecke.
Die RPA- und RNA-Werte sind fahrzeugunabhängig. Die RPA-Werte korrelieren sehr stark mit dem Energieverbrauch. Aus RPA-Werten und Fahrzeugeigenschaften und -parametern (zum Beispiel Fahrzeugmasse, Leistung einer Brennkraftmaschine, aktueller Durchschnittsverbrauch des Motors, etc.) kann ein konkreter Energieverbrauch eines Fahrzeugs berechnet werden. Aus RNA-Werten kann entsprechend eine Rekuperationsleistung eines Fahrzeugs berechnet werden.
Im Rahmen dieser Anmeldung beziehen sich die Begriffe „relative positive Beschleunigung“ (RPA) bzw. „relative negative Beschleunigung“ (RNA) auf die oben genannten Ausführungen zur Berechnung dieser Werte gemäß des oben genannten Anhangs zur genannten Verordnung.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein genaueres Verfahren zum Bestimmen von relativen positiven oder negativen Beschleunigungen (RPA, RNA) vorzusehen. 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 zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA) mittels Crowdsourcing mit den folgenden Schritten: a) Generieren einer digitalen Karte, in der verschiedene Streckenabschnitte durch Knoten miteinander verbunden sind; b) Berechnen einer relativen positiven oder negativen Beschleunigung von einem in einem Streckenabschnitt fahrenden Fahrzeug für diesen Streckenabschnitt, wobei die relative positive oder negative Beschleunigung im Fahrzeug berechnet und an ein Backend gesendet wird oder wobei das Fahrzeug Daten, die gegenwärtige Geokoordinaten, gegenwärtige Fahrzeuggeschwindigkeiten und/oder gegenwärtige Fahrzeugbeschleunigungen aufweisen, zu einem Backend sendet, das daraus die relative positive oder negative Beschleunigung von dem Fahrzeug für diesen Streckenabschnitt berechnet; und c) Berechnen eines Mittelwerts oder einer Verteilung der berechneten relativen positiven oder negativen Beschleunigungen von mehreren Fahrzeugen für diesen Streckenabschnitt in dem Backend.
Der RPA-Wert kann als Eingangsgröße für zahlreiche Anwendungen verwendet werden.
Dazu zählt die Anerkennung en Fahrten im Rahmen der RDE- (Real Emission Drive-) Gesetzgebung. Dabei muss der RPA-Wert innerhalb eines bestimmten Toleranzbereichs liegen, damit die Fahrt als gültige RDE-Fahrt anerkannt wird. Der RPA-Wert korreliert stark mit dem Energieverbrauch.
Der RPA-Wert kann auch zur Analyse des Fahrstils zur Reduktion des Kraftstoffverbrauchs, zur Beschreibung des individuellen Fahrerverhaltens und zur Klassifikation der Verkehrssituation verwendet werden.
Crowdbasiert wird bisher in der Regel die Durchschnittsgeschwindigkeit des Fahrzeugs gesammelt und beispielsweise für die Bestimmung des Verkehrsflusses verwendet. Eine crowdbasierte Datenbasis für RPA existiert bislang nicht.
Der RPA-Wert ist sehr stark vom Ort (bzw. vom Streckenabschnitt) abhängig. Beispielsweise spiegelt er Kurven, Vorfahrtsregelungen und unübersichtliche Streckenabschnitte Beschleunigungs- und Verzögerungsvorgänge wider. Der RPA-Wert ist auch von den Verkehrsbedingungen abhängig. Vorausfahrende Fahrzeuge oder Stopp & Go-Verkehr bewirken ebenfalls Beschleunigungs- und Verzögerungsvorgänge, so dass neben dem Ort auch die Tageszeit für die Flöhe des RPA-Werts entscheidend ist.
Für Anwendungen des Powertrains (z.B. Energiemanagement, Strategien zur Abgasnachbehandlung, Personalisierung von Fahrfunktionen) ist neben der Geschwindigkeit des Fahrzeugs die erwartete Beschleunigung von Interesse. Beide Größen sind ortsabhängig, so dass es sinnvoll ist, die Größen ortsbasiert in einer Karte zu speichern. Dafür eignet sich der RPA-Wert, da er die Beschleunigung und Geschwindigkeit des Fahrzeugs vereint und damit die notwendige Last beschreibt. Der Wert beschreibt damit die Auswirkungen des Fahrverhaltens (individuell und streckenabhängig) auf den Energieverbrauch sehr gut. Dabei soll der RPA-Wert auch für prädiktive Funktionen verwendet werden können. Dazu zählen auch prädiktive Funktionen zur Abgasnachbehandlung. Diese müssen flächendeckend zur Verfügung stehen, falls sie bei der Emissionsgesetzgebung eine Rolle spielen.
In einem Ausführungsbeispiel wird der Mittelwert oder die Verteilung für den jeweiligen Streckenabschnitt in dem Backend iterativ aktualisiert. Vorzugsweise werden dabei veraltete Mittelwerte oder Verteilungen für den jeweiligen Streckenabschnitt ignoriert. Eine Veralterung kann nach Ablauf einer bestimmten Zeit oder nach einer bestimmten Anzahl an Iterationen angenommen werden.
Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA) mittels Crowdsourcing mit den folgenden Schritten: d) Generieren einer digitalen Karte, in der verschiedene Streckenabschnitte durch Knoten miteinander verbunden sind; e) Vorberechnen von relativen positiven oder negativen Beschleunigungen für die jeweiligen Streckenabschnitte; f) Anpassen der relativen positiven oder negativen Beschleunigungen für die jeweiligen Streckenabschnitte auf der Grundlage von aktuellen Umgebungsbedingungen, der aktuellen Fahrweise eines Fahrers eines Fahrzeugs und/oder Verkehrsflussinformationen im jeweiligen Streckenabschnitt.
In einem Ausführungsbeispiel erfolgt der Schritt e) auf der Grundlage von historischen Fahrprofilen.
In einem Ausführungsbeispiel weist der Schritt e) folgende Unterschritte auf: e1 ) Zuweisen einer Fahrtrajektorienklasse zu jedem Streckenabschnitt auf der Grundlage von Kartenattributen; e2) Vorberechnen der relativen positiven oder negativen Beschleunigung für den jeweiligen Streckenabschnitt unter Berücksichtigung der zugewiesenen Fahrtrajektorienklasse und gesammelten Fahrprofilen; und der Schritt f) weist folgende Unterschritte auf: f 1 ) Speichern von relativen positiven oder negativen Beschleunigungen, die ein Fahrzeug in vorherigen Streckenabschnitten berechnet hat; f2) Berechnen von Abweichungen zwischen den im Schritt e2) vorberechneten relativen positiven oder negativen Beschleunigungen für die jeweiligen Streckenabschnitte und den im Schritt f 1 ) gespeicherten relativen positiven oder negativen Beschleunigungen für die jeweiligen Streckenabschnitte; und f3) Anpassen der vorberechneten relativen positiven oder negativen Beschleunigungen für zumindest einen zukünftigen Streckenabschnitt auf der Grundlage der aktuellen Umgebungsbedingungen, der aktuellen Fahrweise des Fahrers des Fahrzeugs und/oder der Verkehrsflussinformationen sowie der bei dem Schritt f2) berechneten Abweichungen, so dass angepasste relative positive oder negative Beschleunigungen erhalten werden. Im Kontext der vorliegenden Erfindung kann der Ausdruck „die ein Fahrzeug in vorherigen Streckenabschnitten berechnet hat“ ein Beispiel umfassen, bei dem derlei Berechnungen in einem Steuergerät des Fahrzeugs durchgeführt werden. Die Berechnungen müssen aber nicht notwendigerweise durch das Steuergerät durchgeführt werden und können auch durch ein Navigationsgerät oder einer ähnlichen, dem Fahrzeug zugeordneten Rechenvorrichtung durchgeführt werden.
In einem Ausführungsbeispiel werden die Schritte f1), f2) und f3) durch ein Steuergerät des Fahrzeugs durchgeführt.
In einem Ausführungsbeispiel werden die angepassten relativen positiven oder negativen Beschleunigungen von dem Fahrzeug zu einem Backend gesendet.
In einem Ausführungsbeispiel gemäß dem ersten oder dem zweiten Aspekt werden die bei dem Schritt c) berechneten Mittelwerte oder Verteilungen oder die bei dem Schritt f) angepassten relativen positiven oder negativen Beschleunigungen von dem Backend zu einem beliebigen Fahrzeug gesendet.
In einem Ausführungsbeispiel gemäß dem ersten oder dem zweiten Aspekt werden die bei dem Schritt c) berechneten Mittelwerte oder Verteilungen oder die bei dem Schritt f) angepassten relativen positiven oder negativen Beschleunigungen von dem Backend zu einem Fahrzeug für bestimmte Streckenabschnitte gesendet, die von dem Fahrzeug an dem Backend angefragt werden.
In einem Ausführungsbeispiel gemäß dem ersten oder dem zweiten Aspekt werden einzelne Streckenabschnitte oder aufeinanderfolgende Streckenabschnitte mit gleicher Fahrtrajektorienklasse nur dann berücksichtigt, wenn sie länger als eine Mindestlänge sind.
In einem Ausführungsbeispiel gemäß dem ersten oder dem zweiten Aspekt wird der Mittelwert oder die Verteilung, die bei dem Schritt c) berechnet wird, oder die bei dem Schritt f) angepasste relative positive oder negative Beschleunigung als ein Parameter für den dazugehörigen Streckenabschnitt in die digitale Karte gespeichert. Vorzugsweise wird die digitale Karte für mindestens eine der folgenden Anwendungen verwendet:
- Erstellen einer prädiktiven Betriebsstrategie für Fahrzeuge, die Elektro- oder Hybridfahrzeuge sind, um eine Leistung eines Nebenverbrauchers des Fahrzeugs in Streckenabschnitten mit relativ hohen relativen positiven Beschleunigungen zu reduzieren und/oder die Leistung des Nebenverbrauchers in Streckenabschnitten mit relativ hohen relativen negativen Beschleunigungen zu erhöhen.
Zum Beispiel kann diese Anwendung für ein verbessertes Thermomanagement sorgen. Die relativen positiven oder negativen Beschleunigungen können als relativ hoch bestimmt werden, wenn sie einen entsprechenden Schwellwert (betragsmäßig) überschreiten. Es ist auch denkbar, dass die Leistung des Nebenverbrauchers umso mehr reduziert wird, je größer die relative positive Beschleunigung ist. Analog kann die Leistung des Nebenverbrauchers umso mehr erhöht werden, je größer die relative negative Beschleunigung (betragsmäßig) ist.
- Prädiktives Ansteuern einer Komponente eines Antriebsstrangs des Fahrzeugs, insbesondere eines Abgasnachbehandlungssystems, vor oder in Streckenabschnitten mit relativ hohen relativen positiven Beschleunigungen.
Die relativen positiven Beschleunigungen können als relativ hoch bestimmt werden, wenn sie einen entsprechenden Schwellwert überschreiten. Es ist auch denkbar, dass die Komponente des Antriebstrangs je nachdem, wie hoch die relativen positiven Beschleunigungen sind, variabel angesteuert wird.
- Erstellen einer prädiktiven Strategie für eine elektrische Antriebsmaschine des Fahrzeugs, um deren Derating-Verlustleistung zu verringern, insbesondere in Streckenabschnitten mit relativ hohen relativen positiven oder negativen Beschleunigungen.
- Erstellen von fahrzeugunabhängigen, normierten Verbrauchskarten auf der Grundlage der digitalen Karte.
Solche fahrzeugunabhängigen, normierten Verbrauchskarten können als Grundlage für eine effiziente Reichweitenschätzung oder Energieverbrauchsschätzung von Elektro- oder Hybridfahrzeugen dienen. Routingverfahren benötigen üblicherweise energieabhängige Gewichte für die jeweiligen Streckenabschnitte. Durch die Verwendung der digitalen Karte, in der die relativen positiven oder negativen Beschleunigungen als ein Parameter berücksichtigt werden, müssen derartige Gewichte nicht aus sonstigen Kartenattributen hergeleitet werden.
- Plausibilisieren von Emissions- und Verbrauchswerten des Fahrzeugs im Falle eines On-Board-Monitoring Verfahrens für Emissions- und Verbrauchswerte, insbesondere mit einer Überprüfung, ob Streckenabschnitte für eine Emissionsgesetzgebung relevant sind.
- Bewerten eines individuellen Fahrerverhaltens durch Vergleich von individuellen relativen positiven oder negativen Beschleunigungen mit durch Crowdsourcing erhaltenen, allgemeinen relativen positiven oder negativen Beschleunigungen.
Das individuelle, energiebezogene Fahrverhalten ist beispielsweise relevant für eine Individualisierung eines Leistungs- oder Energiemanagements und für eine Reichweitenschätzung von Elektrofahrzeugen. Dadurch können energetische Fahrweisen bestimmt werden.
Die vorliegende Erfindung hat zusammenfassend besondere Vorteile für die Prädiktion von RPA-Werten, für die Speicherung einer fahrzeugunabhängigen verbrauchsrelevanten Größe für jeden Straßenabschnitt in einer Karte, für die Verwendung einer crowdbasierten Größe, welche den Energie- und Leistungsbedarf beschreibt, als Eingangsgröße für zahlreiche Powertrain-Anwendungen (vergleichbar mit Verkehrsfluss für die Reisezeit), und für die Bewertung des individuellen Fahrverhaltens oder des Fahrprofils eines Fahrzeugs im Vergleich zur Allgemeinheit.
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 eine beispielhafte Definition von Streckenabschnitten in einer digitalen Karte;
Fig. 2 zeigt ein Ausführungsbeispiel eines Verfahrens gemäß einem ersten Aspekt zum Berechnen von relativen positiven Beschleunigungen mittels Crowdsourcing; und
Fig. 3 zeigt ein Ausführungsbeispiel einer Variante eines Verfahrens gemäß einem zweiten Aspekt zum Berechnen von relativen positiven Beschleunigungen mittels Crowdsourcing.
Fig. 1 zeigt eine beispielhafte Definition von Streckenabschnitten A, B, C, D, E, F, G, H, I, J, K, L, M in einer digitalen Karte 1. Die verschiedenen Streckenabschnitte A, ... , M sind durch mehrere Knoten n miteinander verbunden.
Da die Streckenabschnitte A, ... , M eines Streckennetzwerks in der Regel sehr kurz sind (oft nur wenige 100 m), ist es sinnvoll, längere Streckenabschnitte A, ... , M (zum Beispiel von mehr als 1 km) zu verwenden, so dass die Streuung der gesammelten RPA-Werte geringer ist. So werden beispielsweise die RPA-Werte für eine größere Anzahl von Streckenabschnitten A, ... , M berechnet, sobald die Summe der einzelnen Streckenabschnitte A, ... , M eine Mindestlänge (zum Beispiel 1 km) überschritten hat. Es werden jedoch nur Streckenabschnitte A, ... , M derselben Streckenklasse (zum Beispiel übergeordnete Verbindungsstraße, Straße im Wohngebiet, Bundesstraße, Autobahn, etc.) zu einer längeren Strecke zusammengefügt. Bei der Erfassung eines RPA-Wertes eines Fahrzeugs werden alle Streckenabschnitte A, ... , M mit dem berechneten RPA-Wert aktualisiert (zum Beispiel durch gleitende Mittelwertbildung).
Ein Beispiel ist in der Fig. 1 dargestellt. Es wird beispielhaft angenommen, dass die Streckenabschnittslänge der Streckenabschnitte A, ... , M jeweils 210 m beträgt (in Realität liegen jedoch in der Regel unterschiedliche Streckenabschnittslängen vor). Es wird ferner angenommen, dass die Mindestlänge für Streckenabschnitte 1 km beträgt, um bei der Berechnung der RPA-Werte berücksichtigt zu werden. Für eine Fahrt über die Streckenabschnitte A, B, C, D, E wird ein RPA-Wert (RPAcaic) jeweils für die Streckenabschnitte A, B, C, D, E berechnet, da die Länge der jeweiligen Streckenabschnitte größer als die Mindestlänge von 1 km ist. Die jeweiligen RPA-Werte RPAA, RPAB, RPAC, RPAD, RPAE werden in einem Backend (zum Beispiel ein Server) mit RPAcaic aktualisiert.
Für eine Fahrt über die Streckenabschnitte A, B, C, F, G, H wird ein RPA-Wert (RPAcaic) jeweils für die Streckenabschnitte A, B, C, F, G, H berechnet, da die Länge der jeweiligen Streckenabschnitte größer als die Mindestlänge von 1 km ist. Die jeweiligen RPA-Werte RPAA, RPAB, RPAC, RPAF, RPAG, RPAH werden in dem Backend mit RPAcaic aktualisiert.
Für eine Fahrt über die Streckenabschnitte A, B, I, J, K, L, M wird ein RPA-Wert (RPAcaic) jeweils für die Streckenabschnitte I, J, K, L, M berechnet, da die Länge der jeweiligen Streckenabschnitte I, J, K, L, M größer als die Mindestlänge von 1 km ist. Die Streckenabschnitte A und B werden nicht berücksichtigt, da sich die Streckenklasse unterscheidet und die Abschnitte A und B zu kurz sind. Die jeweiligen RPA-Werte RPAi, RPAj, RPAK, RPAL, RPAM werden in dem Backend mit RPAcaic aktualisiert.
Die vorliegende Erfindung umfasst einen ersten Aspekt für ein Verfahren zum Berechnen von relativen positiven Beschleunigungen (RPA) mittels Crowdsourcing.
Fig. 2 zeigt ein erstes Ausführungsbeispiel des Verfahrens gemäß dem ersten Aspekt zum Berechnen von relativen positiven Beschleunigungen RPA mittels Crowdsourcing.
Das Verfahren hat einen Schritt a) zum Generieren einer digitalen Karte 1 , in der verschiedene Streckenabschnitte A, B, C, ... , F durch mehrere Knoten n miteinander verbunden sind. Die digitale Karte 1 sowie die Auswahl der relevanten Streckenabschnitte A, ... , F kann ähnlich wie im Beispiel der Fig. 1 erfolgen.
Das Verfahren hat ferner einen Schritt b) zum Berechnen einer relativen positiven Beschleunigung RPA von einem in einem Streckenabschnitt A, B, C, ... , F fahrenden Fahrzeug 2.1 , 2.2 für diesen Streckenabschnitt A, B, C, ... , F, wobei die relative positive Beschleunigung RPA im Fahrzeug 2.1 , 2.2 berechnet und an ein Backend 3 gesendet wird. Alternativ kann das Fahrzeug 2.1 , 2.2 Daten, die gegenwärtige Geokoordinaten, gegenwärtige Fahrzeuggeschwindigkeiten und/oder gegenwärtige Fahrzeugbeschleunigungen aufweisen, zu einem Backend 3 senden, das daraus die relative positive Beschleunigung RPA von dem Fahrzeug 2.1, 2.2 für diesen Streckenabschnitt A, B, C, ... , F berechnet.
Schließlich hat das Verfahren einen Schritt c) zum Berechnen eines Mittelwerts oder einer Verteilung der berechneten relativen positiven Beschleunigungen RPA von mehreren Fahrzeugen 2.1 , 2.2 für diesen Streckenabschnitt A, B, C, ... , F in dem Backend 3.
Der Mittelwert oder die Verteilung für den jeweiligen Streckenabschnitt A, B, C, ... , F wird in dem Backend 3 iterativ aktualisiert. Vorzugsweise werden dabei veraltete Mittelwerte oder Verteilungen für den jeweiligen Streckenabschnitt A, B, C, ... , F ignoriert.
Im Ausführungsbeispiel der Fig. 2 werden von jedem Fahrzeug 2.1 , 2.2 die RPA-Werte für jeden befahrenen Streckenabschnitt A,... , F berechnet. Dazu kann der Verlauf der Geschwindigkeit und der Beschleunigung über eine drahtlose Kommunikationsverbindung an das Backend 3 übertragen werden und dort für jeden befahrenen Streckenabschnitt A, ... , F der RPA-Wert berechnet werden. Alternativ ist es auch möglich, die RPA-Werte lokal im Fahrzeug 2.1, 2.2 zu berechnen und streckenabschnittsweise an das Backend 3 zu übertragen. Im Backend 3 werden die Daten von allen vernetzten Fahrzeugen 2.1 , 2.2 streckenabschnittsweise aggregiert. Dazu wird iterativ der Durchschnittswert oder die Verteilung der gesammelten RPA-Werte berechnet. Es werden iterative Algorithmen verwendet, so dass es möglich ist die gesammelten RPA-Werte veralten zu lassen (zum Beispiel Durchschnittswerte der letzten x-Messungen oder der letzten x-Stunden). Bei den berechneten RPA-Werten handelt es sich somit um Echtzeitwerte (Live-Werte), welche die aktuellen Umgebungsbedingungen (Verkehr, Sichtverhältnisse, etc.) implizit berücksichtigen. Die Verteilung der RPA-Werte kann durch eine iterative Kerndichteschätzung berechnet werden. Der aggregierte Durchschnittswert und die aggregierte Verteilung kann den vernetzten Fahrzeugen 2.1, 2.2 sowie einem weiteren, beliebigen vernetzten Fahrzeug 2.3 über eine drahtlose Kommunikationsverbindung wieder zur Verfügung gestellt werden.
Im Ausführungsbeispiel der Fig. 2 befährt ein erstes Fahrzeug 2.1 die Streckenabschnitte A, B. Ein Wert RPAAB wird für das erste Fahrzeug 2.1 berechnet, oder es werden ein Geschwindigkeitsprofil und Beschleunigungswerte von dem ersten Fahrzeug 2.1 zu dem Backend 3 übertragen und dort berechnet. Im Backend 3 wird zum Beispiel eine Verteilung oder ein Mittelwert von RPAA und RPAB mit Hilfe des neu gesammelten Wertes RPAAB iterativ aktualisiert.
Ein zweites Fahrzeug 2.2 befährt die Streckenabschnitte C, D. Ein Wert RPACD wird in ähnlicher Weise im zweiten Fahrzeug 2.2 oder im Backend 3 berechnet. Im Backend 3 wird zum Beispiel eine Verteilung oder ein Mittelwert von RPAc und RPAD mit Hilfe des neu gesammelten Wertes RPACD iterativ aktualisiert.
Ein beliebiges drittes Fahrzeug 2.3 nutzt die gesammelten RPA-Werte. Für die erwartete Route entlang den Streckenabschnitten A, B und E werden durch eine drahtlose Kommunikationsverbindung die Werte RPAA, RPAB und RPAE ZU dem dritten Fahrzeug 2.3 übertragen.
Die vorliegende Erfindung umfasst einen zweiten Aspekt für ein Verfahren zum Berechnen von relativen positiven Beschleunigungen RPA mittels Crowdsourcing. Hier werden die RPA-Werte durch historische Daten vorberechnet und mithilfe von aktuellen Verkehrsflussinformationen an die aktuellen Umgebungsbedingungen angepasst.
Das Verfahren hat einen Schritt d) zum Generieren einer digitalen Karte 1 , in der verschiedene Streckenabschnitte A, B, C, ... , E durch Knoten n miteinander verbunden sind. Die digitale Karte 1 sowie die Auswahl der relevanten Streckenabschnitte A, ... , E kann ähnlich wie im Beispiel der Fig. 1 erfolgen.
Das Verfahren hat ferner einen Schritt e) zum Vorberechnen von relativen positiven Beschleunigungen RPA- für die jeweiligen Streckenabschnitte A,... , E.
Das Verfahren hat schließlich einen Schritt f) zum Anpassen der relativen positiven Beschleunigungen RPA für die jeweiligen Streckenabschnitte A,... , E auf der Grundlage von aktuellen Umgebungsbedingungen und/oder Verkehrsflussinformationen. Bei den Umgebungsbedingungen kann es sich um mindestens ein Element aus einer Gruppe handeln, die einen Geschwindigkeitswert des Fahrzeugs; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Helligkeitssensor des Fahrzeugs erfasste Helligkeitsdaten enthält. Bei den Verkehrsflussinformationen kann es sich um durchschnittliche Verkehrsflussdaten entlang der Fahrtroute handeln.
In einer ersten Variante des Verfahrens gemäß dem zweiten Aspekt der Erfindung erfolgt der Schritt e) vorzugsweise auf der Grundlage von historischen Fahrprofilen.
Fig. 3 zeigt ein Ausführungsbeispiel einer zweiten Variante des Verfahrens gemäß dem zweiten Aspekt zum Berechnen von relativen positiven Beschleunigungen RPA mittels Crowdsourcing.
In dieser zweiten Variante des Verfahrens gemäß dem zweiten Aspekt der Erfindung hat der Schritt e) einen Unterschritt e1 ) zum Zuweisen einer Fahrtrajektorienklasse zu jedem Streckenabschnitt A, ... , E auf der Grundlage von Kartenattributen, und einen Unterschritt e2) zum Vorberechnen der relativen positiven Beschleunigung RPA- für den jeweiligen Streckenabschnitt A,... , E unter Berücksichtigung der zugewiesenen Fahrtrajektorienklasse (abhängig von den Kartenattributen des Streckenabschnittes) und gesammelten Fahrprofilen.
In der zweiten Variante des Verfahrens gemäß dem zweiten Aspekt der Erfindung hat der Schritt f) einen Unterschritt f 1 ) zum Speichern von relativen positiven Beschleunigungen RPA*, die ein Fahrzeug 2 in vorherigen Streckenabschnitten A, B, berechnet hat; einen Unterschritt f2) zum Berechnen von Abweichungen zwischen den im Schritt e2) vorberechneten relativen positiven Beschleunigungen RPA- für die jeweiligen Streckenabschnitte A, B und den im Schritt f1) gespeicherten relativen positiven Beschleunigungen RPA* für die jeweiligen Streckenabschnitte A, B; und einen Unterschritt f3) zum Anpassen der vorberechneten relativen positiven Beschleunigungen RPA- für zumindest einen zukünftigen Streckenabschnitt D, E auf der Grundlage der aktuellen Umgebungsbedingungen, der aktuellen Fahrweise des Fahrers und/oder den Verkehrsflussinformationen sowie der bei dem Schritt f2) berechneten Abweichungen, so dass angepasste relative positive Beschleunigungen RPAA für den oder die zukünftigen Streckenabschnitte D, E erhalten werden.
Vorzugsweise werden die Schritte f1 ), f2) und f3) durch ein Steuergerät des Fahrzeugs 2 durchgeführt.
Im Ausführungsbeispiel der Fig. 3 erfolgt eine Berechnung von RPA-Werten für Fahrtrajektorienklassen (zum Beispiel Beschleunigung von 50 auf 70 km/h, Abbremsen von 100 km/h auf 50 km/h auf Landstraße; Verzögerung vor Anhaltepunkten innerorts, etc.) auf Basis von gesammelten Fahrprofilen. Für jede Fahrtrajektorienklasse wird ein jeweiliger RPA-Wert berechnet.
Anschließend wird jedem Streckenabschnitt A, B, C, D, E anhand von Kartenattributen eine Fahrtrajektorienklasse zugeordnet, so dass jedem Streckenabschnitt A, B, C, D, E ein RPA-Wert zugeordnet wird. Der vorberechnete RPA-Wert wird im Fahrzeug 2 korrigiert. Dazu wird bei vergangenen Streckenabschnitten A, B der im Backend 3 vorberechnete RPA-Wert mit dem während der Fahrt berechneten RPA-Wert verglichen und in Abhängigkeit der Abweichung und unter zu Hilfenahme des Verkehrsflusses auf die Abweichung zu den vorberechneten RPA-Werten geschlossen. Für die Berechnung kommen statistische Verfahren oder maschinelle Lernverfahren zum Einsatz.
Das Fahrzeug 2 erhält im Voraus für die Strecke A, B, C, D, E die im Backend 3 vorberechneten Werte RPAA , RPAB , RPAe , RPAD , RPAE . Das Fahrzeug 2 befindet sich gegenwärtig im Streckenabschnitt C. Im Fahrzeug 2 wurden bereits für die vergangenen Streckenabschnitte A, B die Werte RPAA*, RPAB* berechnet. In einem Steuergerät, zum Beispiel einer ECU im Fahrzeug 2, werden aus den Abweichungen von RPAA , RPAA* bzw. RPAB , RPAB* sowie aus den vorberechneten Werten RPAD , RPAE und unter Verwendung der Verkehrsflussinformationen für die Abschnitte D, E die angepassten RPA-Werte RPAd a, RPAE A berechnet.
Das Verfahren nach der zweiten Variante hat den Vorteil, dass auch bei wenigen vernetzten Fahrzeugen 2 eine RPA-Berechnung möglich ist. Zudem lassen sich die vorberechneten RPA-Werte lokal im Fahrzeug 2 speichern und es müssen nur die aktuellen Verkehrsinformationen zu dem Fahrzeug 2 übertragen werden.
Für die prädiktive Funktion ist es notwendig, den RPA-Wert für Streckenabschnitte A, ... , E entlang der geplanten Route zu prädizieren. Mit Hilfe der gesammelten Werte im Backend 3 ist es möglich, den durchschnittlichen Verlauf der RPA-Werte für die prädizierte Route zu bestimmen. Durch Berücksichtigung der prognostizierten Verkehrsinformationen sowie durch die Analyse der historischen Abweichung des RPA-Verlaufs des jeweiligen Fahrzeugs 2 vom Durchschnittsverlauf ist eine detailliertere Prognose des RPA-Werts möglich.
Dabei sind vielerlei Anwendungen möglich. Das Verfahren kann Eingangsgrößen für die prädiktive Betriebsstrategie für HEV-, EV- oder auch konventionelle Fahrzeuge 2 liefern. Dabei wird die Betriebsstrategie bei Streckenabschnitten A, ... , E mit hohem Leistungs- und Energiebedarf (hoher RPA-Wert) angepasst.
Das Verfahren kann Eingangsgrößen für ein prädiktives Leistungsmanagement liefern. Dabei werden zum Beispiel hohe RPA-Werte berücksichtigt.
Das Verfahren kann Eingangsgrößen für eine prädiktive Ansteuerung von Komponenten des Antriebsstrangs, wie zum Beispiel
Abgasnachbehandlungssystem, Partikelfilter, Kraftstoffeinspritzung, etc. liefern. Das Ziel ist eine Erkennung von hohen Fahrleistungen und damit verbundenen hohen Emissionen, welche durch prädiktive Strategien reduziert werden sollen.
Das Verfahren kann zur Prädiktion von Betriebszuständen, zum Beispiel von Beschleunigungsphasen, eingesetzt werden, um zum Beispiel ein Derating-Verhalten eines Elektroantriebs zu vermeiden oder durch eine prädiktive Strategie den Elektroantrieb so anzusteuern, dass die thermischen Grenzen des Antriebs nicht erreicht werden.
Das Verfahren kann zur Hinterlegung einer allgemeinen Information zur Verbrauchsabschätzung in digitalen Karten verwendet werden. Die RPA-Werte sind fahrzeugunabhängig; sie korrelieren jedoch sehr stark mit dem Energieverbrauch. Damit lassen sich fahrzeugunabhängig aber ortsbasiert Verbrauchskarten erstellen. Aus den RPA-Werten wird abhängig von den Fahrzeugeigenschaften und -Parametern (zum Beispiel Fahrzeugmasse, Leistung einer Brennkraftmaschine, aktueller Durchschnittsverbrauch des Motors, etc.) der konkrete Energieverbrauch berechnet. Die fahrzeugunabhängigen Verbrauchskarten können auch für Routinganwendungen (Eco-Routing) verwendet werden. Insbesondere für Elektrofahrzeuge sind Routing-Anwendungen mit Energiekosten für Reichweitenberechnungen sehr bedeutend.
Der RPA-Wert spielt bei der Emissionsgesetzgebung eine wichtige Rolle. Beispielsweise werden im Rahmen der RDE- (Real Driving Emissions-) Gesetzgebung nur Verbrauchswerte von Fahrten akzeptiert, deren RPA-Wert innerhalb eines bestimmten Toleranzbereichs liegt. Bei der zukünftigen Gesetzgebung (Euro 7, ab 2025) ist es wahrscheinlich erforderlich, die Verbrauchswerte im Steuergerät oder im Backend 3 kontinuierlich zu speichern. Eine digitale Karte 1 mit RPA-Werten kann dazu herangezogen werden, ob der Verbrauch für die befahrenen Streckenabschnitte abspeichert werden soll und für die Emissionsgesetzgebung berücksichtigt werden soll.
Der RPA-Wert ist ein guter Indikator zur objektiven Fahrerbewertung. Insbesondere das Beschleunigungsverhalten sowie die energieeffiziente Fahrweise des Fahrers lassen sich damit bewerten. Da die RPA-Werte von allen Fahrern im Backend 3 ortsabhängig gesammelt werden, ist es möglich, den RPA-Wert eines einzelnen Fahrers im Vergleich zu allen anderen Fahrern zu bewerten und somit eine objektive Fahrerbewertung bezüglich Energieeffizienz zu erstellen. Dadurch wird verhindert, dass ein Fahrer auf Strecken mit vielen Beschleunigungsphasen (zum Beispiel bei vielen Kurven) als ineffizient bewertet wird, obwohl er einen effizienten Fahrstil hat. Die objektive Fahrerbewertung kann für alle personalisierten Fahrfunktionen und zur Anpassung des Energiemanagements auf das individuelle Fahrerverhalten verwendet werden. Durch den Vergleich mit dem allgemeinen Fahrer ist eine objektivere Fahrerbewertung möglich. Der absolute RPA-Wert allein ist weniger aussagekräftig.
Bezugszeichenliste
1 digitale Karte
2 Fahrzeug
2.1 Fahrzeug
2.2 Fahrzeug
2.3 Fahrzeug
3 Backend
A...M Streckenabschnitt n Knoten

Claims

Patentansprüche
1 . Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA, RNA) mittels Crowdsourcing mit den folgenden Schritten: a) Generieren einer digitalen Karte (1), in der verschiedene Streckenabschnitte (A, B, C, ... , M) durch Knoten (n) miteinander verbunden sind; b) Berechnen einer relativen positiven oder negativen Beschleunigung (RPA, RNA) von einem in einem Streckenabschnitt (A, B, C, ... , M) fahrenden Fahrzeug (2.1 , 2.2) für diesen Streckenabschnitt (A, B, C, ... , M), wobei die relative positive oder negative Beschleunigung (RPA, RNA) im Fahrzeug (2.1 , 2.2) berechnet und an ein Backend (3) gesendet wird oder wobei das Fahrzeug (2.1 , 2.2) Daten, die gegenwärtige Geokoordinaten, gegenwärtige Fahrzeuggeschwindigkeiten und/oder gegenwärtige Fahrzeugbeschleunigungen aufweisen, zu einem Backend (3) sendet, das daraus die relative positive oder negative Beschleunigung (RPA, RNA) von dem Fahrzeug (2.1 , 2.2) für diesen Streckenabschnitt (A, B, C, ... , M) berechnet; und c) Berechnen eines Mittelwerts oder einer Verteilung der berechneten relativen positiven oder negativen Beschleunigungen (RPA, RNA) von mehreren Fahrzeugen (2.1 , 2.2) für diesen Streckenabschnitt (A, B, C, ... , M) in dem Backend (3).
2. Verfahren gemäß dem vorherigen Anspruch, wobei der Mittelwert oder die Verteilung für den jeweiligen Streckenabschnitt (A, B, C, ... , M) in dem Backend (3) iterativ aktualisiert wird, wobei vorzugsweise veraltete Mittelwerte oder Verteilungen für den jeweiligen Streckenabschnitt (A, B, C, ..., M) ignoriert werden.
3. Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA, RNA) mittels Crowdsourcing mit den folgenden Schritten: d) Generieren einer digitalen Karte (1), in der verschiedene Streckenabschnitte (A, B, C, ..., M) durch Knoten (n) miteinander verbunden sind; e) Vorberechnen von relativen positiven oder negativen Beschleunigungen (RPA-, RNA-) für die jeweiligen Streckenabschnitte (A, B, C, ..., M); f) Anpassen der relativen positiven oder negativen Beschleunigungen (RPA, RNA) für die jeweiligen Streckenabschnitte (A, B, C, ... , M) auf der Grundlage von aktuellen Umgebungsbedingungen, der aktuellen Fahrweise eines Fahrers eines Fahrzeugs (2) und/oder Verkehrsflussinformationen im jeweiligen Streckenabschnitt (A, B, C, ... , M).
4. Verfahren gemäß dem vorherigen Anspruch, wobei der Schritt e) auf der Grundlage von historischen Fahrprofilen erfolgt.
5. Verfahren gemäß Anspruch 3, wobei der Schritt e) folgende Unterschritte aufweist: e1 ) Zuweisen einer Fahrtrajektorienklasse zu jedem Streckenabschnitt (A, B,
C, ... , M) auf der Grundlage von Kartenattributen; e2) Vorberechnen der relativen positiven oder negativen Beschleunigung (RPA , RNA-) für den jeweiligen Streckenabschnitt (A, B, C, ... , M) unter Berücksichtigung der zugewiesenen Fahrtrajektorienklasse und gesammelten Fahrprofilen; und wobei der Schritt f) folgende Unterschritte aufweist: f1 ) Speichern von relativen positiven oder negativen Beschleunigungen (RPA*, RNA*), die ein Fahrzeug (2) in vorherigen Streckenabschnitten (A, B, C, ..., M) berechnet hat; f2) Berechnen von Abweichungen zwischen den im Schritt e2) vorberechneten relativen positiven oder negativen Beschleunigungen (RPA-, RNA-) für die jeweiligen Streckenabschnitte (A, B, C, ... , M) und den im Schritt f 1 ) gespeicherten relativen positiven oder negativen Beschleunigungen (RPA*, RNA*) für die jeweiligen Streckenabschnitte (A, B, C, ... , M); und f3) Anpassen der vorberechneten relativen positiven oder negativen Beschleunigungen (RPA-, RNA-) für zumindest einen zukünftigen Streckenabschnitt (A, B, C, ... , M) auf der Grundlage der aktuellen Umgebungsbedingungen, der aktuellen Fahrweise des Fahrers des Fahrzeugs und/oder Verkehrsflussinformationen sowie der bei dem Schritt f2) berechneten Abweichungen, so dass eine angepasste relative positive oder negative Beschleunigung (RPAA, RNAA) für den zumindest einen zukünftigen Streckenabschnitt (A, B, C, ... , M) erhalten wird.
6. Verfahren gemäß dem vorherigen Anspruch, wobei die Schritte f1), f2) und f3) durch ein Steuergerät des Fahrzeugs (2) durchgeführt werden.
7. Verfahren gemäß dem vorherigen Anspruch, wobei die angepasste relative positive oder negative Beschleunigung (RPAA, RNAA) von dem Fahrzeug (2) zu einem Backend (3) gesendet werden.
8. Verfahren gemäß einem der vorherigen Ansprüche, wobei der Mittelwert oder die Verteilung, die bei dem Schritt c) berechnet wird, oder die bei dem Schritt f) angepasste relative positive oder negative Beschleunigung (RPAA, RNAA) von dem Backend (3) zu einem beliebigen Fahrzeug (2; 2.1 , 2.2, 2.3) gesendet wird; und/oder der Mittelwert oder die Verteilung, die bei dem Schritt c) berechnet wird, oder die bei dem Schritt f) angepasste relative positive oder negative Beschleunigung (RPAA, RNAA) von dem Backend (3) zu einem Fahrzeug (2.3) für bestimmte Streckenabschnitte (A, B, C, ... , M) gesendet wird, die von dem Fahrzeug (2.3) an dem Backend (3) angefragt werden.
9. Verfahren gemäß einem der vorherigen Ansprüche, wobei einzelne Streckenabschnitte (A, B, C, ..., M) oder aufeinanderfolgende
Streckenabschnitte (A, B, C, ... , M) mit gleicher Fahrtrajektorienklasse nur dann berücksichtigt werden, wenn sie länger als eine vorbestimmte Mindestlänge sind.
10. Verfahren gemäß einem der vorherigen Ansprüche, wobei der Mittelwert oder die Verteilung, die bei dem Schritt c) berechnet wird, oder die bei dem Schritt f) angepasste relative positive oder negative Beschleunigung (RPAA, RNAA) als ein Parameter für den dazugehörigen Streckenabschnitt (A, B, C, ... , M) in die digitale Karte (1 ) gespeichert wird.
11 . Verfahren gemäß dem vorherigen Anspruch, wobei die digitale Karte (1 ) für mindestens eine der folgenden Anwendungen verwendet wird:
- Erstellen einer prädiktiven Betriebsstrategie für Fahrzeuge (2, 2.1 , 2.2, 2.3), die Elektro- oder Flybridfahrzeuge sind, um eine Leistung eines Nebenverbrauchers des Fahrzeugs (2, 2.1 , 2.2, 2.3) in Streckenabschnitten (A, B, C, ... , M) mit relativ hohen relativen positiven Beschleunigungen (RPA) zu reduzieren und/oder die Leistung des Nebenverbrauchers in Streckenabschnitten (A, B, C, ... , M) mit relativ hohen relativen negativen Beschleunigungen (RNA) zu erhöhen;
- Prädiktives Ansteuern einer Komponente eines Antriebsstrangs des Fahrzeugs (2, 2.1 , 2.2, 2.3), insbesondere eines Abgasnachbehandlungssystems, vor oder in Streckenabschnitten (A, B, C, ... , M) mit relativ hohen relativen positiven Beschleunigungen (RPA);
- Erstellen einer prädiktiven Strategie für eine elektrische Antriebsmaschine des Fahrzeugs (2, 2.1, 2.2, 2.3), um deren Derating-Verlustleistung zu verringern, insbesondere in Streckenabschnitten (A, B, C, ... , M) mit relativ hohen relativen positiven oder negativen Beschleunigungen (RPA, RNA);
- Erstellen von fahrzeugunabhängigen, normierten Verbrauchskarten auf der Grundlage der digitalen Karte (1);
- Plausibilisieren von Emissions- und Verbrauchswerten des Fahrzeugs (2, 2.1, 2.2, 2.3) im Falle eines On-Board-Monitoring Verfahrens für Emissions- und
Verbrauchswerte, insbesondere mit einer Überprüfung, ob Streckenabschnitte (A, B, C, ... , M) für eine Emissionsgesetzgebung relevant sind;
- Bewerten eines individuellen Fahrerverhaltens durch Vergleich von individuellen, relativen positiven oder negativen Beschleunigungen (RPA, RNA) mit durch Crowdsourcing erhaltenen, allgemeinen relativen positiven oder negativen Beschleunigungen (RPA, RNA).
PCT/EP2020/078282 2019-10-10 2020-10-08 Verfahren zum berechnen von relativen positiven oder negativen beschleunigungen mittels crowdsourcing Ceased WO2021069592A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019215587.1 2019-10-10
DE102019215587.1A DE102019215587A1 (de) 2019-10-10 2019-10-10 Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing

Publications (1)

Publication Number Publication Date
WO2021069592A1 true WO2021069592A1 (de) 2021-04-15

Family

ID=72885517

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/078282 Ceased WO2021069592A1 (de) 2019-10-10 2020-10-08 Verfahren zum berechnen von relativen positiven oder negativen beschleunigungen mittels crowdsourcing

Country Status (2)

Country Link
DE (1) DE102019215587A1 (de)
WO (1) WO2021069592A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230340916A1 (en) * 2017-04-27 2023-10-26 Transportation Ip Holdings, Llc Vehicle control system

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023003976B3 (de) 2023-10-02 2025-01-30 Mercedes-Benz Group AG Verfahren zur Bestimmung eines lndikatorwertes zur statistischen Charakterisierung ortsbezogen von Fahrzeugen erfassten Ereignisbeschreibungen
DE102023004987A1 (de) 2023-12-04 2025-06-05 Mercedes-Benz Group AG Verfahren zur Ermittlung einer Auslösewahrscheinlichkeit eines Hotspots
DE102024002875A1 (de) 2024-09-07 2026-03-12 Mercedes-Benz Group AG Verfahren zur Bestimmung sicherheitskritisch relevanter Regionen entlang autobahnähnlicher Straßen

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2221581A1 (de) * 2009-02-18 2010-08-25 Harman Becker Automotive Systems GmbH Verfahren zur Schätzung eines antriebsbezogenen Betriebsparameters
EP2354762A1 (de) * 2010-02-05 2011-08-10 Harman Becker Automotive Systems GmbH Navigationssystem und Verfahren zur Bestimmung der Parameter in einem Navigationssystem
EP2610817A2 (de) * 2011-12-29 2013-07-03 Clarion Co., Ltd. Informationssystem für ein Kraftfahrzeug, fahrzeuginterne und Server-Vorrichtung
DE102015003766A1 (de) * 2015-03-24 2015-10-29 Daimler Ag Verfahren und System zur verbrauchsoptimalen Routenberechnung für ein Fahrzeug
DE102015218809A1 (de) * 2015-09-29 2017-03-30 Continental Teves Ag & Co. Ohg Verfahren zum Aktualisieren einer elektronischen Karte eines Fahrzeugs
DE102017209667A1 (de) * 2016-12-12 2018-06-14 Continental Automotive Gmbh Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
US20190179980A1 (en) * 2017-12-08 2019-06-13 Jaguar Land Rover Limited Apparatus and method for determining a predicted energy usage of a vehicle

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9909641B2 (en) * 2016-04-14 2018-03-06 Raytheon Company Isolation mount for shock attenuation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2221581A1 (de) * 2009-02-18 2010-08-25 Harman Becker Automotive Systems GmbH Verfahren zur Schätzung eines antriebsbezogenen Betriebsparameters
EP2354762A1 (de) * 2010-02-05 2011-08-10 Harman Becker Automotive Systems GmbH Navigationssystem und Verfahren zur Bestimmung der Parameter in einem Navigationssystem
EP2610817A2 (de) * 2011-12-29 2013-07-03 Clarion Co., Ltd. Informationssystem für ein Kraftfahrzeug, fahrzeuginterne und Server-Vorrichtung
DE102015003766A1 (de) * 2015-03-24 2015-10-29 Daimler Ag Verfahren und System zur verbrauchsoptimalen Routenberechnung für ein Fahrzeug
DE102015218809A1 (de) * 2015-09-29 2017-03-30 Continental Teves Ag & Co. Ohg Verfahren zum Aktualisieren einer elektronischen Karte eines Fahrzeugs
DE102017209667A1 (de) * 2016-12-12 2018-06-14 Continental Automotive Gmbh Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
US20190179980A1 (en) * 2017-12-08 2019-06-13 Jaguar Land Rover Limited Apparatus and method for determining a predicted energy usage of a vehicle

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FRANK FÖRSTERLING: "Electronic Horizon How the Cloud improves the connected vehicle", 6 May 2015 (2015-05-06), XP055781086, Retrieved from the Internet <URL:https://gsv.co.at/wp-content/uploads/2015_05_06_Foersterling.pdf> [retrieved on 20210302] *
ZHAO YIRAN ET AL: "CityDrive: A map-generating and speed-optimizing driving system", IEEE INFOCOM 2014 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS, IEEE, 27 April 2014 (2014-04-27), pages 1986 - 1994, XP032613618, DOI: 10.1109/INFOCOM.2014.6848139 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230340916A1 (en) * 2017-04-27 2023-10-26 Transportation Ip Holdings, Llc Vehicle control system

Also Published As

Publication number Publication date
DE102019215587A1 (de) 2021-04-15

Similar Documents

Publication Publication Date Title
EP3913329B1 (de) Verfahren zur vorhersage zukünftiger fahrbedingungen für ein fahrzeug
DE102016218070B4 (de) Bestimmung des optimalen Beginns der Verzögerungsphase im Backend
EP2731822B1 (de) Verfahren zur ermittlung der restreichweite eines kraftfahrzeugs
DE102016100427B4 (de) Fahrzeugsteuerung
DE102017209667A1 (de) Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie
DE102014205252B4 (de) Verfahren zum Steuern eines Hybridantriebs eines Fahrzeugs
EP3625785B1 (de) Verfahren zum erzeugen einer überholwahrscheinlichkeitssammlung, verfahren zum betreiben einer steuereinrichtung eines kraftfahrzeugs, überholwahrscheinlichkeitssammeleinrichtung und steuereinrichtung
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
DE102019215587A1 (de) Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing
WO2009098071A1 (de) Vorrichtung und verfahren zur bereitstellung von informationen über fahrsituationen
DE102013225558A1 (de) Verfahren zum Ermitteln eines Fahrzustandes eines Hybridfahrzeuges für Streckensegmente einer vorausliegenden Fahrstrecke und Hybridfahrzeug
DE102020119861A1 (de) Verfahren und Assistenzeinrichtung zum iterativ optimierten Betreiben eines Kraftfahrzeugs und Kraftfahrzeug
DE102014214489A1 (de) Verfahren zur Verkehrssteuerung von Kraftfahrzeugen
DE102014205246B4 (de) Verfahren zum Steuern eines Hybridantriebs eines Fahrzeugs
DE102008025852A1 (de) Fahrzeugsystem
WO2021069418A1 (de) Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs
DE102013009945A1 (de) Ansteuerung eines Triebstrangs eines Fahrzeugs auf Basis einer digitalen Straßenkarte
DE102018212256A1 (de) Verfahren und Vorrichtung zur Reichweitenschätzung für ein Fahrzeug
EP3206928B1 (de) Verfahren zum ermitteln einer fahrtreichweite eines kraftfahrzeugs und kraftfahrzeug
WO2018228906A1 (de) Verfahren zur optimierung der fahrt eines kraftfahrzeugs auf einer fahrstrecke
DE102020121696A1 (de) Steuervorrichtung und Verfahren zum prädiktiven Betreiben eines Energiebordnetzes
AT524003A1 (de) Verfahren zum prädiktiven regeln eines antriebssystems
AT524868B1 (de) Verfahren zum vorausschauenden abschätzen eines verlaufes
DE102018202498B4 (de) Verfahren und Steuergerät zum Betreiben eines Antriebsstrangs

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: 20792324

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: 20792324

Country of ref document: EP

Kind code of ref document: A1