WO2021115918A1 - Verfahren zum erstellen eines verkehrsteilnehmeralgorithmus zur computersimulation von verkehrsteilnehmern, verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug - Google Patents

Verfahren zum erstellen eines verkehrsteilnehmeralgorithmus zur computersimulation von verkehrsteilnehmern, verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug Download PDF

Info

Publication number
WO2021115918A1
WO2021115918A1 PCT/EP2020/084464 EP2020084464W WO2021115918A1 WO 2021115918 A1 WO2021115918 A1 WO 2021115918A1 EP 2020084464 W EP2020084464 W EP 2020084464W WO 2021115918 A1 WO2021115918 A1 WO 2021115918A1
Authority
WO
WIPO (PCT)
Prior art keywords
algorithm
road users
motor vehicle
traffic
data
Prior art date
Application number
PCT/EP2020/084464
Other languages
English (en)
French (fr)
Inventor
Ulrich Eberle
Christoph THIEM
Original Assignee
Psa Automobiles Sa
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 Psa Automobiles Sa filed Critical Psa Automobiles Sa
Priority to CN202080086080.0A priority Critical patent/CN114793460A/zh
Priority to EP20820809.0A priority patent/EP4073778A1/de
Publication of WO2021115918A1 publication Critical patent/WO2021115918A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/162—Decentralised systems, e.g. inter-vehicle communication event-triggered
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Definitions

  • a computer-implemented method for creating a traffic user algorithm for computer simulation of traffic users a computer-implemented method for training at least one algorithm for a control unit of a motor vehicle, a computer program product and a motor vehicle are described here.
  • the first partially automated vehicles (corresponding to SAE Level 2 in accordance with SAE J3016) have reached series production readiness in recent years.
  • the disadvantage of the known method is that the simulation has so far been carried out with rule-compliant road users. In reality, however, it often happens that road users do not behave in accordance with the rules, e.g. drive too fast, drive over lane markings for no apparent reason, are inattentive, overtake to the right or move on non-obvious trajectories, etc.
  • the algorithm is therefore less prepared for human driving behavior. This leads to an unnatural driving behavior of a motor vehicle equipped with a suitably trained algorithm, since the motor vehicle can react less flexibly and critical situations can arise if the algorithm did not correctly anticipate the behavior of the other road user.
  • a traffic simulation is known from JP 2009 019920 A which generates a realistic route based on the prediction of pedestrian or bicycle behavior.
  • the route is optimized from the perspective of the pedestrian or the cyclist and also includes the risk of a collision with another vehicle and possibly other parameters such as weather.
  • the resulting models integrate a large number of routes, depending on the overall risk, with which real traffic conditions are simulated.
  • the task arises of computer-implemented methods for training at least one algorithm for a control unit of a motor vehicle, computer program products and motor vehicles of the type mentioned at the beginning Road user algorithm for computer simulation of road users, computer-implemented methods for training at least one algorithm for a control device of a motor vehicle, computer program products and motor vehicles of the type mentioned above to the effect that they are better set up to map real traffic conditions.
  • the object is achieved by a computer-implemented method for creating a road user algorithm for computer simulation of road users according to claim 1, a computer-implemented method for training at least one algorithm for a control unit of a motor vehicle according to the independent claim 6, a computer program product according to the independent claim 9 and a motor vehicle according to the independent claim 10. Further designs and developments are the subject of the dependent claims.
  • the following is a computer-implemented method for creating a traffic participant algorithm for computer simulation of road users, the road users belonging to a class of poorly protected road users, with data from a plurality of different, real existing road users of the class in a real traffic environment with the help of sensors attached to the road users are detected during the implementation of at least one mission, with movement trajectories of the road users being determined from the data, with an average movement trajectory for the mission and bandwidths for deviations from the average movement trajectory being calculated from the movement trajectories.
  • Badly protected road users are those whose passive safety equipment offers no, marginal or only little protection, e.g. through safety clothing and / or body-worn protectors and / or helmets.
  • This class includes, for example, pedestrians, skateboarders, roller skaters, cyclists, motorcyclists, quad riders, scooter riders, wheelchair users and the like.
  • the mission can, among other things, be a mission presented to actually existing road users, or the mission can be derived from data obtained from movement data of the road users who move between a common starting point or area and a common end point or end without an explicit mission. move area.
  • a corresponding mission can also be formulated in a more complex manner, for example to take a certain one of several possible routes or it can have intermediate destinations.
  • Possible sources can be, for example, position recording devices such as cell phones or smart watches. Many road users carry around cell phones, which are usually suitable for recording relevant data.
  • the bandwidths can cover, for example, 95 or 99% of the individual trajectories, so that only trajectories that are very far away from the mean trajectory are excluded.
  • the mean value can be determined using various known mean value methods, e.g. as a geometric mean.
  • a corresponding road user algorithm can thus generate different trajectories for a given mission within the bandwidths, which are closer to a real behavior of road users than a fixed trajectory for the same mission.
  • the differences can be achieved in a possible embodiment through various parameters.
  • the traffic user algorithm can be designed in such a way that it generates randomized trajectories within the bandwidths. Such randomized trajectories lead to different behavioral patterns in different training cycles or in different road users within a simulation that are simulated using the same algorithm. As a result, new and unpredictable situations can be created that are closer to reality than uniformly repetitive situations.
  • the traffic participants represent vehicles of a given, poorly protected vehicle class, with at least one sensor for recording data being attached to the vehicles or assigned to the vehicles, the data being evaluated by the traffic participant algorithm become.
  • sensors are often arranged on or in the corresponding motor vehicles anyway, e.g. acceleration sensors. If the data generated from this are evaluated, the number of additionally required sensors can be reduced or additional sensors can be completely avoided.
  • the data Before the data is evaluated by the traffic user algorithm, it can be converted and / or converted according to a further development so that more usable sensor data, e.g. acceleration, can be generated from raw sensor data, e.g. voltage values.
  • more usable sensor data e.g. acceleration
  • raw sensor data e.g. voltage values
  • the at least one sensor arranged on the road user or the vehicle is a camera, a GPS sensor, a lidar and / or a radar sensor.
  • At least one sensor which detects the road users is arranged in the traffic environment, the data being evaluated and incorporated into the road user algorithm.
  • a sensor arranged in the infrastructure which can be static, for example, for A traffic surveillance camera, for example, can record the entire traffic situation and thus provide additional data for checking the plausibility of the behavior of road users. In this way, among other things, anticipatory behavior of the road users concerned can be derived.
  • provision can be made for a self-learning neural network to be provided, the data being provided to the self-learning neural network, the traffic user algorithm being trained by the self-learning neural network.
  • a traffic user algorithm can be created that can react to unknown situations in a human-like manner. It is thus possible to create a universally replaceable algorithm for traffic simulations, with the aid of which a simulation of a corresponding traffic participant who belongs to a poorly protected class can be generated.
  • a first independent subject relates to a computer-implemented method for training at least one algorithm for a control unit of a motor vehicle, the control unit being provided for implementing an automated or autonomous driving function by intervening in units of the motor vehicle on the basis of input data using the at least one algorithm , the algorithm being trained by a self-learning neural network, comprising the following steps: a) providing a computer program product module for the automated or autonomous driving function, the computer program product module containing the algorithm to be trained and the self-learning neural network, b) providing a simulation environment with simulation parameters , wherein the simulation environment contains map data of a real existing operational area, the motor vehicle and, as an agent, at least one further simulated road user, where e in the behavior of the at least one other road user is determined by a road user algorithm that was generated according to the type described above; c) providing a mission for the motor vehicle, and d) carrying out the mission and training the algorithm.
  • At least one of the further simulated road users generates a trajectory that is randomized or stochastically parameter-varied.
  • a randomized or stochastically parameter-varied trajectory is newly generated in situ for each simulation so that the behavior of the relevant road user or agent is not determined in advance. This leads to particularly complex challenges for the algorithm to be trained and to a more robust algorithm.
  • provision can be made for a plurality of further simulated road users to be provided, who move at least partly along the central trajectory and partly within the bandwidths.
  • Another independent subject relates to a device for creating a traffic user algorithm for computer simulation of road users, the road users belonging to a class of poorly protected road users, with sensors being attached to a plurality of different, real existing road users of the class, with which data is transferred to a real Traffic environment can be detected during the implementation of at least one mission, means for determining movement trajectories from the data are provided, with the means being set up to generate a mean movement trajectory from the movement trajectories. torie for the mission and bandwidths for deviations from the mean movement trajectory.
  • the traffic participants represent vehicles of a given, poorly protected vehicle class, with at least one sensor for recording data being attached to the vehicles or assigned to the vehicles, the traffic participant algorithm being designed to do this To evaluate data from the at least one sensor.
  • the at least one sensor arranged on the road user or the vehicle is a camera, a GPS sensor, a lidar and / or a radar sensor.
  • At least one sensor which detects the road users is arranged in the traffic environment, with means for evaluating the data and for introducing it into the road user algorithm.
  • a self-learning neural network can be provided, the data being provided to the self-learning neural network, the self-learning neural network being set up to train the road user algorithm.
  • Another independent subject matter relates to a device for training at least one algorithm for a control unit of a motor vehicle, the control unit being provided for implementing an automated or autonomous driving function by intervening in units of the motor vehicle on the basis of input data using the at least one algorithm , wherein a self-learning neural network is provided for training the algorithm, wherein: a) a computer program product module for the automated or autonomous driving function is available, the computer program product module containing the algorithm to be trained and the self-learning neural network, b) a simulation environment with simulation parameters stands, wherein the simulation environment contains map data of a real existing operational area, the motor vehicle and, as an agent, at least one further simulated road user, with a behavior of the at least one further road users are determined by a road user algorithm that was generated according to the type described above; c) a mission is ready for the motor vehicle, and d) means for performing the mission and training the algorithm are provided.
  • provision can be made for means for randomizing or for stochastically varying parameters of the trajectory of the at least one of the further simulated road users to be provided.
  • means for providing a plurality of further simulated road users can be provided, which are set up to move at least partially along the central trajectory, partially within the bandwidths.
  • Another independent subject matter relates to a computer program product with a computer-readable storage medium on which instructions are embedded which, when executed by at least one processing unit, have the effect that the at least one processing unit is set up to execute the method of the type described above.
  • the method can be carried out on one or more processing units distributed so that certain method steps are carried out on one processing unit and other process steps are carried out on at least one other processing unit, with calculated data being able to be transmitted between the processing units if necessary.
  • Another independent subject matter relates to a motor vehicle with a computer program product of the type described above.
  • 1 shows a motor vehicle which is set up for autonomous driving
  • FIG. 2 shows a computer program product for the motor vehicle from FIG. 1;
  • FIG. 3 shows a location with the motor vehicle from FIG. 1 and other traffic participants
  • FIG. 7 shows a schematic diagram of the generation of a virtual agent, as well as
  • FIG. 8 shows a schematic diagram of the generation of an algorithm for controlling a
  • FIG. 1 shows a motor vehicle 2 which is set up for autonomous driving.
  • the motor vehicle 2 has a motor vehicle control device 4 with a computing unit 6 and a memory 8.
  • a computer program product is stored in the memory 8 and is described in more detail below in particular in connection with FIGS. 2, 3 and 8.
  • the motor vehicle control device 4 is connected, on the one hand, to a series of environmental sensors which allow the current position of the motor vehicle 2 and the respective traffic situation to be recorded. These include environmental sensors 10, 12 at the front of the motor vehicle 2, environmental sensors 14, 16 at the rear of the motor vehicle 2, a camera 18 and a GPS module 20. Depending on the configuration, further sensors can be provided, for example wheel speed sensors, acceleration sensors, etc., which are connected to the motor vehicle control unit 4.
  • the computing unit 6 has loaded the computer program product stored in the memory 8 and executes it. On the basis of an algorithm and the input signals, the computing unit 6 decides on the control of the motor vehicle 2, which the computing unit 6 can achieve by intervening in the steering 22, engine control 24 and brakes 26, which are each connected to the motor vehicle control unit 4.
  • FIG. 2 shows a computer program product 28 with a computer program product module 30.
  • the computer program product 30 has a self-learning neural network 32 that trains an algorithm 34.
  • the self-learning neural network 32 learns according to methods of reinforcement learning, d. H.
  • the algorithm 34 By varying the algorithm 34, the neural network 32 tries to obtain rewards for improved behavior in accordance with one or more criteria or standards, i.e. for improvements to the algorithm 34.
  • known learning methods of monitored and unsupervised learning and combinations can also be used this learning method can be used.
  • the algorithm 34 can essentially consist of a complex filter with a matrix of values, often called weights, which define a filter function that determines the behavior of the algorithm 34 as a function of input variables that are presently recorded by the environmental sensors 10 to 20 and control signals for controlling the motor vehicle 2 are generated.
  • the quality of the algorithm 34 is monitored by a further computer program product module 36, which monitors input variables and output variables, determines metrics therefrom and controls compliance with the quality by the functions on the basis of the metrics.
  • the computer program product module 36 can give negative as well as positive rewards for the neural network 32.
  • the motor vehicle 2 travels on a road 38 which intersects with a road 40 at a street intersection 42.
  • motorcyclists such as motorcyclist 44 shown in FIG. 3 have a mission 50 to drive from a starting point 46 on the road 40 to a destination point 48 on the road 38.
  • the route requires turning from road 40 onto road 38.
  • Motorcyclist 44 will drive a certain trajectory 52.1 during mission 50.
  • Mission 50 is repeated several times by different motorcyclists who all have the task of driving from starting point 46 to destination point 48.
  • the start and finish points can be defined as areas or corridors, e.g. as a two-dimensional area or as start and finish lines.
  • a mean trajectory 54 and bandwidth limits 56.1, 56.2 are generated therefrom, which describe a usual behavior and usual deviations from the mean trajectory 54.
  • the bandwidth limits 56.1, 56.2 cover most of the trajectories driven in each section, i.e. it is not necessary for a single one of the trajectories 52.1 to 52.4 to lie completely within the bandwidth limits 56.1, 56.2 from start to finish.
  • a stationary traffic surveillance camera 58 can also be provided at the intersection 42, which observes the traffic situation and thus records the behavior of the motorcyclist 44 and his driven trajectory 52.1 as well as other traffic events, for example the movement of a pedestrian 60.
  • the algorithm 34 for the control unit 4 of the motor vehicle 2 is trained in a simulation of the location 36, the motorcyclist 44 being simulated as an agent who can have the same mission 50 as part of the simulation.
  • the motorcyclist 44 has a GPS sensor 62 which continuously records data about the position of the motorcyclist 44.
  • the GPS sensor 62 can be installed, for example, in a mobile phone carried by the motorcyclist 44.
  • a controller 64 which, for example, controls a motorcycle 65 of the motorcyclist 44 and which can acquire data.
  • a camera 66 is connected to the controller 64 and records the traffic happening in front of the motorcyclist 44.
  • the controller 64 can also acquire data about the motorcycle, for example a throttle valve position, gear engaged, speed, lean angle and the like.
  • 5 shows a flow chart for generating the traffic user algorithm.
  • the software is provided.
  • a neural network and an algorithm are then provided.
  • a mission is then determined, for example the mission 50 shown in FIG. 3, to drive as a motorcyclist from the starting point 46 to the destination point 48.
  • each sensor data is recorded, for example from the GPS sensor 62, the controller 64 as well as the camera 66 and the traffic surveillance camera 58.
  • the sensor data is fed into the neural network, there an average trajectory and bandwidths determined.
  • FIG. 6 shows a flow chart of the method for training the algorithm 34.
  • a computer program product module (software) to be trained is provided for the control device 4 of the motor vehicle 2.
  • map data of the location 38 are provided.
  • a mission is then defined for the algorithm 34, for example as a motor vehicle 2 to get from a starting point to a destination in a certain traffic situation.
  • the algorithm is then trained in the control unit of the motor vehicle on the basis of the situations posed.
  • the relevant information can be used to influence the simulation.
  • a large number of different road users can be mapped, for example cars, trucks, motorcycles, cyclists, pedestrians.
  • Real infrastructure for example signs, traffic lights, street symbols, guidelines, etc. can also be displayed.
  • complex traffic maneuvers can be realistically examined within the framework of cooperative mobility, for example driving at an intersection where there are several road users and communication between road users, for example so as not to endanger any road user.
  • FIG. 7 shows a further schematic diagram of the generation of an agent 70, here a simulation of the motorcyclist 44.
  • the algorithm 72 which runs in a computer 74, is supplied with the data from the GPS sensor 62, the controller 64, the camera 66 and the traffic monitoring camera 58.
  • a self-learning neural network 76 optimizes the algorithm 62 by varying the same and specifying an algorithm 72 'and checking whether the modified algorithm 72' works better than the original algorithm 72. As soon as certain quality metrics are met, the algorithm 72 is frozen and used a compiler 78, the virtual agent 70 is created, which can be used in simulation environments.
  • the simulation environment 80 is provided by map data of the location 34 as well as simulations of the motor vehicle 2 and other road users such as the pedestrian 60 and the virtual agent 70.
  • a mission is then set up, which algorithm 34, which controls motor vehicle 2, is to carry out. This is, as described in connection with FIG. 7, processed by the neural network 32, which varies the algorithm 34 until certain quality standards are met.
  • the computer program product module 30 for the control device 4 of the motor vehicle 2 is then generated with the aid of a compiler 82.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Beschrieben wird ein computerimplementiertes Verfahren zum Erstellen eines Verkehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, wobei die Verkehrsteilnehmer einer Klasse von schlecht geschützten Verkehrsteilnehmern angehören, wobei Daten einer Mehrzahl verschiedener, real existierender Verkehrsteilnehmer der Klasse in einer realen Verkehrsumgebung mithilfe von an den Verkehrsteilnehmern angebrachten Sensoren während der Durchführung wenigstens einer Mission erfasst werden, wobei aus den Daten Bewegungstrajektorien der Verkehrsteilnehmer ermittelt werden, wobei aus den Bewegungstrajektorien eine mittlere Bewegungstrajektorie für die Mission und Bandbreiten für Abweichungen von der mittleren Bewegungstrajektorien berechnet werden. Beschrieben werden des Weiteren ein computerimplementiertes Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, ein Computerprogrammprodukt sowie ein Kraftfahrzeug beschrieben.

Description

VERFAHREN ZUM ERSTELLEN EINES VERKEHRSTEILNEHMERALGORITHMUS ZUR COMPUTERSIMULATION VON VERKEHRSTEILNEHMERN, VERFAHREN ZUM TRAINIEREN WENIGSTENS EINES ALGORITHMUS FÜR EIN STEUERGERÄT EINES KRAFTFAHRZEUGS, COMPUTERPROGRAMMPRODUKT SOWIE KRAFTFAHRZEUG
Vorliegend werden ein computerimplementierte Verfahren zum Erstellen eines Verkehrs teilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, ein computerim plementiertes Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, ein Computerprogrammprodukt sowie ein Kraftfahrzeug beschrie ben.
Verfahren zum Erstellen eines Verkehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukte sowie Kraftfahrzeuge der eingangs genannten Art sind im Stand der Technik bekannt.
Die ersten teilautomatisiert fahrenden Kraftfahrzeuge (entsprechend SAE Level 2 gemäß SAE J3016) sind in den vergangenen Jahren zur Serienreife gelangt. Automatisiert fah rende (entspricht SAE Level >=3 gemäß SAE J3016) bzw. autonom fahrende (entspricht SAE Level 4/5 gemäß SAE J3016) Kraftfahrzeuge müssen anhand vielfältiger Vorgaben, zum Beispiel Fahrziel und Einhaltung gängiger Verkehrsregeln, mit maximaler Sicherheit auf unbekannte Verkehrssituationen selbständig reagieren können. Da die Verkehrswirk lichkeit aufgrund der Unvorhersehbarkeit des Verhaltens anderer Verkehrsteilnehmer, ins besondere anderer menschlicher Verkehrsteilnehmer, hoch komplex ist, gilt es als nahezu unmöglich, entsprechende Steueralgorithmen und -geräte von Kraftfahrzeugen mit her kömmlichen Methoden und auf der Grundlage von menschengemachten Regeln zu pro grammieren.
Zur Bewältigung hochkomplexer Probleme mittels Computern ist es darüber hinaus be kannt, mit Methoden des maschinellen Lernens bzw. der künstlichen Intelligenz Algorith men zu entwickeln bzw. durch selbstlernende neuronale Netze entwickeln zu lassen. Sol che Algorithmen können einerseits maßvoller auf komplexe Verkehrssituationen reagieren als traditionelle Algorithmen. Andererseits ist es mithilfe künstlicher Intelligenz prinzipiell möglich, die Algorithmen während des Entwicklungsprozesses und im Alltag durch ständi ges Lernen weiterzuentwickeln und kontinuierlich zu verbessern. Alternativ kann ein Stand des Algorithmus nach der Beendigung einer Trainingsphase im Entwicklungspro zess und einer Validierung durch den Hersteller eingefroren werden und in entsprechen den Steuergeräten in Kraftfahrzeugen in Einsatz gebracht werden.
Nachteilig an den bekannten Verfahren ist, dass die Simulation bislang mit regelkonfor men Verkehrsteilnehmern durchgeführt wurde. In der Realität kommt es hingegen häufig vor, dass Verkehrsteilnehmer sich nicht regelkonform verhalten, z.B. zu schnell fahren, Spurmarkierungen scheinbar grundlos überfahren, unaufmerksam sind, rechts überholen oder sich auf nicht naheliegenden Trajektorien bewegen etc. Ein nur mit sich regelkon form verhaltenden anderen Verkehrsteilnehmern trainierter Algorithmus ist daher schlech ter auf menschliches Fahrverhalten vorbereitet. Dies führt zu einem unnatürlichen Fahr verhalten eines mit einem entsprechend trainierten Algorithmus ausgestatteten Kraftfahr zeugs, da das Kraftfahrzeug weniger flexibel reagieren kann und es kann zu kritischen Si tuationen kommen, wenn der Algorithmus das Verhalten des anderen Verkehrsteilneh mers nicht richtig antizipiert hat.
Aus der JP 2009 019920 A ist eine Verkehrssimulation bekannt, die eine realistische Route basierend auf der Vorhersage eines Fußgänger- oder eines Fahrradverhaltens zu generieren. Die Route ist aus Sicht des Fußgängers oder des Fahrradfahrers optimiert und beinhaltet auch das Risiko einer Kollision mit einem Fremdfahrzeug und eventuell weitere Parameter wie z.B. Wetter. Die resultierenden Modelle integrieren eine Vielzahl von Routen in Abhängigkeit vom Gesamtrisiko, mit denen reale Verkehrsverhältnisse si muliert werden.
Hiermit eine Situation beschrieben, in der ein Fußgänger oder ein Fahrradfahrer auf wei tere Parameter reagiert. Die Route basiert jedoch auf Simulationsdaten. Nachteilig daran ist, dass die dadurch erzeugten Routen nicht das Verhalten von echten Verkehrsteilneh mern simulieren können.
Somit stellt sich die Aufgabe, computerimplementierte Verfahren zum Trainieren wenigs tens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammpro dukte sowie Kraftfahrzeuge der eingangs genannten Art Verfahren zum Erstellen eines Verkehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, com puterimplementierte Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steu ergerät eines Kraftfahrzeugs, Computerprogrammprodukte sowie Kraftfahrzeuge der ein gangs genannten Art dahingehend weiterzubilden, dass diese besser dazu eingerichtet sind, reale Verkehrsverhältnisse abzubilden.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zum Erstellen ei nes Verkehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern ge mäß Anspruch 1 , ein computerimplementiertes Verfahren zum Trainieren wenigstens ei nes Algorithmus für ein Steuergerät eines Kraftfahrzeugs gemäß dem nebengeordneten Anspruch 6, ein Computerprogrammprodukt gemäß dem nebengeordneten Anspruch 9 sowie ein Kraftfahrzeug gemäß dem nebengeordneten Anspruch 10. Weiterführende Aus gestaltungen und Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
Nachfolgend wird ein computerimplementiertes Verfahren zum Erstellen eines Verkehrs teilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, wobei die Ver kehrsteilnehmer einer Klasse von schlecht geschützten Verkehrsteilnehmern angehören, wobei Daten einer Mehrzahl verschiedener, real existierender Verkehrsteilnehmer der Klasse in einer realen Verkehrsumgebung mithilfe von an den Verkehrsteilnehmern ange brachten Sensoren während der Durchführung wenigstens einer Mission erfasst werden, wobei aus den Daten Bewegungstrajektorien der Verkehrsteilnehmer ermittelt werden, wobei aus den Bewegungstrajektorien eine mittlere Bewegungstrajektorie für die Mission und Bandbreiten für Abweichungen von der mittleren Bewegungstrajektorie berechnet werden.
Schlecht geschützte Verkehrsteilnehmer sind solche, deren passive Sicherheitseinrich tung keinen, marginalen oder nur geringen Schutz bieten, z.B. durch Sicherheitskleidung und/oder am Körper getragene Protektoren und/oder Helme. Zu dieser Klasse zählen bei spielsweise Fußgänger, Skateboarder, Rollschuhfahrer, Fahrradfahrer, Motorradfahrer, Quadfahrer, Rollerfahrer, Rollstuhlfahrer und dergleichen mehr.
Die Mission kann unter anderem eine den real existierenden Verkehrsteilnehmern gestell ten Mission sein oder die Mission kann aus Daten abgeleitet sein, die aus Bewegungsda ten der Verkehrsteilnehmer gewonnen werden, die sich ohne explizite Mission zwischen einem gemeinsamen Startpunkt oder -bereich und einem gemeinsamen Endpunkt oder - bereich bewegen. Eine entsprechende Mission kann auch komplexer formuliert sein, bei spielsweise eine bestimmte von mehreren möglichen Routen einzuschlagen oder sie kann Zwischenziele aufweisen.
Mögliche Quellen können zum Beispiel positionsaufzeichnende Geräte wie Mobiltelefone oder Smart Watches sein. Viele Verkehrsteilnehmer tragen Mobiltelefone mit sich herum, die in der Regel dazu geeignet sind, entsprechende Daten aufzeichnen.
Die Mehrzahl von Verkehrsteilnehmern ist idealerweise so groß, dass die dadurch gewon nenen Trajektoriendaten statistisch signifikant sind, sodass sich zuverlässige Aussagen über die Trajektorien und Bandbreiten ableiten lassen. Von statistischer Signifikanz kann man ab 15 Verkehrsteilnehmern ausgehen.
Die Bandbreiten können beispielsweise 95 oder 99 % der einzelnen Trajektorien abde cken, sodass nur sehr weit von der mittleren Trajektorie entfernte Trajektorien ausge schlossen werden.
Der Mittelwert kann nach verschiedenen bekannten Mittelwertmethoden ermittelt werden, z.B. als geometrisches Mittel.
Ein entsprechender Verkehrsteilnehmeralgorithmus kann somit innerhalb der Bandbreiten unterschiedliche Trajektorien für eine gegebene Mission erzeugen, die einem realen Ver halten von Verkehrsteilnehmern näherkommen als eine feste Trajektorie für die gleiche Mission. Die Unterschiede können in einer möglichen Ausgestaltung durch verschiedene Parameter erreicht werden.
In einer ersten weiterführenden Ausgestaltung kann der Verkehrsteilnehmeralgorithmus derart ausgebildet sein, dass er innerhalb der Bandbreiten randomisierte Trajektorien er zeugt. Solche randomisierten Trajektorien führen bei unterschiedlichen Trainingszyklen oder bei unterschiedlichen Verkehrsteilnehmern innerhalb einer Simulation, die mithilfe des gleichen Algorithmus simuliert werden, zu unterschiedlichen Verhaltensmustern. Im Ergebnis lassen sich damit stets neue und unvorhersehbare Situationen erzeugen, die der Realität näherkommen als sich gleichförmig wiederholende Situationen. In einer anderen weiterführenden Ausgestaltung kann vorgesehen sein, dass die Ver kehrsteilnehmer Fahrzeuge einer gegebenen, schlecht geschützten Fahrzeugklasse dar stellen, wobei an den Fahrzeugen jeweils wenigstens ein Sensor zur Erfassung von Daten angebracht oder den Fahrzeugen zugeordnet wird, wobei die Daten von dem Verkehrs teilnehmeralgorithmus ausgewertet werden.
Für den Fall, dass die Verkehrsteilnehmer Fahrzeuge sind, die von Menschen gesteuert werden, sind häufig ohnehin Sensoren an oder in den entsprechenden Kraftfahrzeugen angeordnet, z.B. Beschleunigungssensoren. Wenn die hieraus erzeugten Daten ausge wertet werden, kann die Anzahl an zusätzlich notwendigen Sensoren reduziert werden o- der zusätzliche Sensoren können vollständig vermieden werden.
Bevor die Daten von dem Verkehrsteilnehmeralgorithmus ausgewertet werden, können Sie gemäß einer Weiterbildung konvertiert und/oder umgerechnet werden, sodass aus Sensorrohdaten, z.B. Spannungswerte, besser verwendbare Sensordaten, z.B. Beschleu nigungen, erzeugt werden.
In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass der wenigs tens eine an dem Verkehrsteilnehmer oder dem Fahrzeug angeordnete Sensor eine Ka mera, ein GPS-Sensor, ein Lidar- und/oder ein Radarsensor ist.
Mithilfe von GPS-Sensoren können absolute Positionen erfasst werden, aus denen sich Bewegungsmuster und Trajektorien ableiten lassen. Mithilfe von Beschleunigungssenso ren lassen sich relative Bewegungsdaten ermitteln. Kameras, Lidar- oder Radarsensoren können zur Erfassung der Umgebung dienen und können daher die Trajektorien ausge hend von einem bekannten Startpunkt erzeugen oder zumindest plausibilisieren. Dies kann beispielsweise hilfreich sein, um zu erkennen, dass eine bestimmte Trajektorie eine Ausweichbewegung in Reaktion auf ein stehendes oder bewegtes Hindernis beinhaltet. Eine solche Trajektorie kann dann entsprechend klassifiziert werden.
In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass in der Ver kehrsumgebung wenigstens ein die Verkehrsteilnehmer erfassender Sensor angeordnet ist, wobei die Daten ausgewertet und in den Verkehrsteilnehmeralgorithmus eingebracht werden.
Ein in der Infrastruktur angeordneter Sensor, der beispielsweise statisch sein kann, zum Beispiel eine Verkehrsüberwachungskamera, kann das gesamte Verkehrsgeschehen er fassen und somit zusätzliche Daten zur Plausibilisierung des Verhaltens der Verkehrsteil nehmer liefern. Hierdurch kann unter anderem antizipierendes Verhalten der betreffenden Verkehrsteilnehmer abgeleitet werden.
In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass ein selbst lernendes neuronales Netz bereitgestellt wird, wobei die Daten dem selbstlernenden neu ronalen Netz bereitgestellt werden, wobei der Verkehrsteilnehmeralgorithmus von dem selbstlernenden neuronalen Netz trainiert wird.
Mithilfe eines selbstlernenden neuronalen Netzes kann ein Verkehrsteilnehmeralgorith mus geschaffen werden, der auf unbekannte Situationen in menschenähnlicher Art rea gieren kann. Es ist somit möglich, einen universell ersetzbaren Algorithmus für Verkehrs simulationen zu schaffen, mithilfe dessen eine Simulation eines entsprechenden Ver kehrsteilnehmers, der einer schlecht geschützten Klasse angehört, erzeugt werden kann.
Ein erster unabhängiger Gegenstand betrifft ein computerimplementiertes Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, wobei das Steuergerät zur Umsetzung einer automatisierten bzw. autonomen Fahrfunktion unter Eingriff in Aggregate des Kraftfahrzeugs auf der Grundlage von Eingangsdaten unter Ver wendung des wenigstens einen Algorithmus vorgesehen ist, wobei der Algorithmus durch ein selbstlernendes neuronales Netz trainiert wird, umfassend folgende Schritte: a) Bereitstellen eines Computerprogrammproduktmoduls für die automatisierte bzw. autonome Fahrfunktion, wobei das Computerprogrammproduktmodul den zu trainierenden Algorithmus und das selbstlernende neuronale Netz enthält, b) Bereitstellen einer Simulationsumgebung mit Simulationsparametern, wobei die Simulationsumgebung Kartendaten eines real existierenden Einsatzge biets, das Kraftfahrzeug sowie als Agenten wenigstens einen weiteren simu lierten Verkehrsteilnehmer enthält, wobei ein Verhalten des wenigstens einen weiteren Verkehrsteilnehmer durch einen Verkehrsteilnehmeralgorithmus be stimmt ist, der nach der zuvor beschriebenen Art erzeugt wurde; c) Bereitstellen einer Mission für das Kraftfahrzeug, und d) Durchführen der Mission und Trainieren des Algorithmus.
Dadurch, dass der Algorithmus des Steuergeräts mithilfe von Agenten trainiert wird, die ein natürlicheres Verhalten von Verkehrsteilnehmern einer schlecht geschützten Klasse, beispielsweise Fußgängern, Fahrradfahrern, Motorradfahrern oder dergleichen, simulie ren als herkömmlich programmierte Agenten, kann eine naturgetreuere Simulationsumge bung angegeben werden, sodass ein entsprechender Algorithmus bereits in einer reinen Simulation zu einer hohen Reife gelangen kann.
In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass wenigstens einer der weiteren simulierten Verkehrsteilnehmer eine Trajektorie erzeugt, die randomi- siert oder stochastisch parametervariiert ist.
Eine randomisierte oder stochastisch parametervariierte Trajektorie wird bei jeder Simula tion in situ neu erzeugt, sodass das Verhalten des entsprechenden Verkehrsteilnehmers bzw. Agenten nicht im Vorhinein determiniert ist. Dies führt zu besonders komplexen Her ausforderungen für den zu trainierenden Algorithmus und zu einem robusteren Algorith mus.
In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass eine Mehr zahl von weiteren simulierten Verkehrsteilnehmern bereitgestellt werden, die sich zumin dest teilweise entlang der mittleren Trajektorie, teilweise innerhalb der Bandbreiten bewe gen.
Wenn die Verkehrsteilnehmer unterschiedliche Verhaltensweisen an den Tag legen, also sich manche ‘normal' und andere sich anormal verhalten, kann hieraus eine Vielzahl von Agenten geschaffen werden, die zur Simulation sehr realistischer Verkehrsgeschehen in der Lage sind.
Ein weiterer unabhängiger Gegenstand betrifft eine Vorrichtung zum Erstellen eines Ver kehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, wobei die Verkehrsteilnehmer einer Klasse von schlecht geschützten Verkehrsteilnehmern angehö ren, wobei an einer Mehrzahl verschiedener, real existierender Verkehrsteilnehmer der Klasse Sensoren angebracht sind, mit denen Daten in einer realen Verkehrsumgebung während der Durchführung wenigstens einer Mission erfassbar sind werden, wobei Mittel zur Ermittlung von Bewegungstrajektorien aus den Daten vorgesehen sind, wobei die Mit tel dazu eingerichtet sind, aus den Bewegungstrajektorien eine mittlere Bewegungstrajek- torie für die Mission und Bandbreiten für Abweichungen von der mittleren Bewegungs- trajektorie zu berechnen.
In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass die Verkehrs teilnehmer Fahrzeuge einer gegebenen, schlecht geschützten Fahrzeugklasse darstellen, wobei an den Fahrzeugen jeweils wenigstens ein Sensor zur Erfassung von Daten ange bracht oder den Fahrzeugen zugeordnet ist, wobei der Verkehrsteilnehmeralgorithmus dazu ausgebildet ist, die Daten von dem wenigstens einen Sensor auszuwerten.
In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass der wenigs tens eine an dem Verkehrsteilnehmer oder dem Fahrzeug angeordnete Sensor eine Ka mera, ein GPS-Sensor, ein Lidar- und/oder ein Radarsensor ist.
In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass in der Ver kehrsumgebung wenigstens ein die Verkehrsteilnehmer erfassender Sensor angeordnet ist, wobei Mittel zum Auswerten der Daten und zum Einbringen in den Verkehrsteilnehme ralgorithmus vorgesehen sind.
In einer weiteren weiterführenden Ausgestaltung kann selbstlernendes neuronales Netz vorgesehen sein, wobei die Daten dem selbstlernenden neuronalen Netz bereitgestellt werden, wobei das selbstlernende neuronale Netz dazu eingerichtet ist, den Verkehrsteil nehmeralgorithmus zu trainieren.
Ein weiterer unabhängiger Gegenstand betrifft eine Vorrichtung zum Trainieren wenigs tens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, wobei das Steuergerät zur Umsetzung einer automatisierten bzw. autonomen Fahrfunktion unter Eingriff in Ag gregate des Kraftfahrzeugs auf der Grundlage von Eingangsdaten unter Verwendung des wenigstens einen Algorithmus vorgesehen ist, wobei ein selbstlernendes neuronales Netz zum Trainieren des Algorithmus vorgesehen ist, wobei: a) ein Computerprogrammproduktmodul für die automatisierte bzw. autonome Fahrfunktion bereit steht, wobei das Computerprogrammproduktmodul den zu trainierenden Algorithmus und das selbstlernende neuronale Netz enthält, b) eine Simulationsumgebung mit Simulationsparametern bereit steht, wobei die Simulationsumgebung Kartendaten eines real existierenden Einsatzge biets, das Kraftfahrzeug sowie als Agenten wenigstens einen weiteren simu lierten Verkehrsteilnehmer enthält, wobei ein Verhalten des wenigstens einen weiteren Verkehrsteilnehmer durch einen Verkehrsteilnehmeralgorithmus be stimmt ist, der nach der zuvor beschriebenen Art erzeugt wurde; c) eine Mission für das Kraftfahrzeug bereitsteht, und d) Mittel zum Durchführen der Mission und Trainieren des Algorithmus vorge sehen sind.
In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass Mittel zum Randomisieren oder zum stochastischen Variieren von Parametern der Trajektorie des wenigstens einer der weiteren simulierten Verkehrsteilnehmer vorgesehen sind.
In einer weiteren weiterführenden Ausgestaltung können Mittel zum Bereitstellen einer Mehrzahl von weiteren simulierten Verkehrsteilnehmern vorgesehen sein, die dazu einge richtet sind, sich zumindest teilweise entlang der mittleren Trajektorie, teilweise innerhalb der Bandbreiten zu bewegen.
Ein weiterer unabhängiger Gegenstand betrifft Computerprogrammprodukt, mit einem computerlesbaren Speichermedium, auf dem Befehle eingebettet sind, die, wenn sie von wenigstens einer Recheneinheit ausgeführt werden, bewirken, dass die wenigstens eine Recheneinheit dazu eingerichtet ist, das Verfahren der zuvor beschriebenen Art auszufüh ren.
Das Verfahren kann auf einer oder auf mehreren Recheneinheiten verteilt ausgeführt wer den, sodass bestimmte Verfahrensschritte auf der einen Recheneinheit und andere Ver fahrensschritte auf wenigstens einer weiteren Recheneinheit ausgeführt werden, wobei berechnete Daten sofern notwendig zwischen den Recheneinheiten übermittelt werden können.
Ein weiterer unabhängiger Gegenstand betrifft Kraftfahrzeug mit einem Computerpro grammprodukt der zuvor beschriebenen Art.
Weitere Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbei spiel im Einzelnen beschrieben ist. Beschriebene und/oder bildlich dargestellte Merkmale bilden für sich oder in beliebiger, sinnvoller Kombination den Gegenstand, gegebenenfalls auch unabhängig von den Ansprüchen, und können insbesondere zusätzlich auch Gegen- stand einer oder mehrerer separater Anmeldung/en sein. Gleiche, ähnliche und/oder funk tionsgleiche Teile sind mit gleichen Bezugszeichen versehen. Dabei zeigen schematisch:
Fig. 1 ein Kraftfahrzeug, das zum autonomen Fahren eingerichtet ist;
Fig. 2 ein Computerprogrammprodukt für das Kraftfahrzeug aus Fig. 1;
Fig. 3 einen Ort mit dem Kraftfahrzeug aus Fig. 1 und weiteren Verkehrsteilneh mern;
Fig. 4 einen Repräsentanten eines Verkehrsteilnehmers einer Klasse schlecht ge schützter Verkehrsteilnehmer;
Fig. 5 ein Ablaufdiagramm eines Verfahrens;
Fig. 6 ein Ablaufdiagramm eines weiteren Verfahrens;
Fig. 7 eine Prinzipskizze der Generierung eines virtuellen Agenten, sowie
Fig. 8 eine Prinzipskizze der Generierung eines Algorithmus zur Steuerung eines
Kraftfahrzeugsteuergeräts des Kraftfahrzeugs aus Fig. 1.
Fig. 1 zeigt ein Kraftfahrzeug 2, das zum autonomen Fahren eingerichtet ist.
Das Kraftfahrzeug 2 weist ein Kraftfahrzeugsteuergerät 4 mit einer Recheneinheit 6 und einem Speicher 8 auf. Im Speicher 8 ist ein Computerprogrammprodukt gespeichert, das im Nachfolgenden insbesondere im Zusammenhang Fig. 2, Fig. 3 und Fig. 8 eingehender beschrieben ist.
Das Kraftfahrzeugsteuergerät 4 ist einerseits mit einer Reihe von Umgebungssensoren verbunden, die eine Erfassung der aktuellen Lage des Kraftfahrzeugs 2 sowie der jeweili gen Verkehrssituation erlauben. Hierzu zählen Umgebungssensoren 10, 12 an der Front des Kraftfahrzeugs 2, Umgebungssensoren 14, 16 am Heck des Kraftfahrzeugs 2, eine Kamera 18 sowie ein GPS-Modul 20. Je nach Ausgestaltung können weitere Sensoren vorgesehen sein, zum Beispiel Raddrehzahlsensoren, Beschleunigungssensoren etc., die mit dem Kraftfahrzeugsteuergerät 4 verbunden sind. Während des Betriebs des Kraftfahrzeugs 2 hat die Recheneinheit 6 das im Speicher 8 abgelegte Computerprogrammprodukt geladen und führt dieses aus. Auf der Grundlage eines Algorithmus und der Eingangssignale entscheidet die Recheneinheit 6 über die Steuerung des Kraftfahrzeugs 2, die die Recheneinheit 6 über Eingriff in die Lenkung 22, Motorsteuerung 24 sowie Bremsen 26 erreichen kann, die jeweils mit dem Kraftfahrzeug steuergerät 4 verbunden sind.
Fig. 2 zeigt ein Computerprogrammprodukt 28 mit einem Computerprogrammproduktmo dul 30.
Das Computerprogrammprodukt 30 weist ein selbstlernendes neuronales Netz 32 auf, das einen Algorithmus 34 trainiert. Das selbstlernende neuronale Netz 32 lernt nach Me thoden des bestärkenden Lernens, d. h. das neuronale Netz 32 versucht durch Variation des Algorithmus 34, Belohnungen für ein verbessertes Verhalten entsprechend einer oder mehrerer Kriterien oder Maßstäbe, also für Verbesserungen des Algorithmus 34 zu erhal ten. Alternativ können aber auch bekannte Lernverfahren des überwachten und unüber- wachten Lernens, sowie Kombinationen dieser Lernverfahren verwendet werden.
Der Algorithmus 34 kann im Wesentlichen ein aus einem komplexen Filter mit einer Matrix aus Werten, oft Gewichte genannt, bestehen, die eine Filterfunktion definieren, die das Verhalten des Algorithmus 34 abhängig von Eingangsgrößen, welche vorliegend über die Umgebungssensoren 10 bis 20 aufgenommen werden, bestimmt und Steuersignale zur Steuerung des Kraftfahrzeugs 2 generiert.
Die Überwachung der Güte des Algorithmus 34 wird von einem weiteren Computerpro grammproduktmodul 36 vorgenommen, das Eingangsgrößen und Ausgangsgrößen über wacht, daraus Metriken ermittelt und die Einhaltung der Güte durch die Funktionen an hand der Metriken kontrolliert. Gleichzeitig kann das Computerprogrammproduktmodul 36 negative wie positive Belohnungen für das neuronale Netz 32 geben.
Fig. 3 zeigt einen Ort 36.
Das Kraftfahrzeug 2 fährt auf einer Straße 38, die sich mit einer Straße 40, an einer Stra ßenkreuzung 42 kreuzt.
Mehrere Motorradfahrer wie der in Fig. 3 dargestellte Motorradfahrer 44 hat eine Mission 50, von einem Startpunkt 46 auf der Straße 40 zu einem Zielpunkt 48 auf der Straße 38 zu fahren. Die Route erfordert das Einbiegen von der Straße 40 kommend auf die Straße 38 Der Motorradfahrer 44 wird während der Mission 50 eine bestimmte Trajektorie 52.1 fahren.
Die Mission 50 wird mehrfach von unterschiedlichen Motorradfahrern wiederholt, die alle die Aufgabe haben, vom Startpunkt 46 sind Zielpunkt 48 zu fahren. Praktisch können die Start- und Zielpunkte als Bereiche oder Korridore definiert sein, z.B. als zweidimensiona ler Bereich oder als Start- und Ziellinien.
Dabei werden andere Motorradfahrer andere Trajektorien 52.2,52.3 und 52.4 fahren, die jeweils voneinander abweichen und die einerseits in dem Fahrverhalten der entsprechen den Verkehrsteilnehmer, andererseits in den jeweils vorherrschenden, unterschiedlichen Verkehrsbedingungen bzw. konkreten Situationen begründet sind.
Mithilfe des hierin beschriebenen Verfahrens zum Erzeugen eines Verkehrsteilnehmeral gorithmus für die Klasse von Motorradfahrern wird daraus eine mittlere Trajektorie 54 so wie Bandbreitengrenzen 56.1, 56.2 erzeugt, die ein übliches Verhalten sowie übliche Ab weichungen von der mittleren Trajektorie 54 beschreiben.
Die Bandbreitengrenzen 56.1, 56.2 decken die meisten der gefahrenen Trajektorien in je dem Abschnitt ab, d.h., es ist nicht erforderlich, dass eine einzelne der Trajektorien 52.1 bis 52.4 vollständig von Start bis Ziel innerhalb der Bandbreitengrenzen 56.1, 56.2 liegen.
An der Straßenkreuzung 42 kann des Weiteren eine stationär angebrachte Verkehrsüber wachungskamera 58 vorgesehen sein, die das Verkehrsgeschehen beobachtet und damit das Verhalten des Motorradfahrers 44 und seine gefahrene Trajektorie 52.1 sowie weite res Verkehrsgeschehen, beispielsweise die Bewegung eines Fußgängers 60 aufzeichnet.
Später wird, wie nachfolgend beschrieben, der Algorithmus 34 für das Steuergerät 4 des Kraftfahrzeugs 2 in einer Simulation des Orts 36 trainiert, wobei eine Simulation des Mo torradfahrers 44 als Agent erfolgt, der im Rahmen der Simulation die gleiche Mission 50 haben kann.
Fig. 4 zeigt den Motorradfahrer 44. Der Motorradfahrer 44 weist einen GPS-Sensor 62 auf, der laufend Daten über die Posi tion des Motorradfahrers 44 erfasst. Der GPS-Sensor 62 kann beispielsweise in einem vom Motorradfahrer 44 mitgeführten Mobiltelefon verbaut sein.
Des Weiteren ist eine Steuerung 64 vorgesehen, die beispielsweise ein Motorrad 65 des Motorradfahrers 44 steuert und das Daten erfassen kann.
Mit der Steuerung 64 ist darüber hinaus eine Kamera 66 verbunden, die das Verkehrsge schehen vor dem Motorradfahrer 44 aufzeichnet. Die Steuerung 64 kann des Weiteren Daten über das Motorrad erfassen, zum Beispiel eine Drosselklappensstellung, eingeleg ter Gang, Geschwindigkeit, Schräglage und dergleichen mehr.
Fig. 5 zeigt ein Ablaufdiagramm zum Erzeugen des Verkehrsteilnehmeralgorithmus.
In einem ersten Schritt wird die Software bereitgestellt.
Anschließend werden ein neuronales Netz und ein Algorithmus bereitgestellt.
Danach wird eine Mission bestimmt, beispielsweise die in Fig. 3 gezeigte Mission 50, als Motorradfahrer von den Startpunkt 46 zum Zielpunkt 48 zu fahren.
Dann werden von dem Motorradfahrer 44 und den anderen Motorradfahrern jeweils Sens ordaten erfasst, beispielsweise von den GPS-Sensor 62, der Steuerung 64 sowie der Ka mera 66 und der Verkehrsüberwachungskamera 58. Die Sensordaten werden in das neu ronale Netz eingespeist, dort eine durchschnittliche Trajektorie und Bandbreiten ermittelt.
Anschließend wird ein Stochastikmodul hinzugefügt, mithilfe dessen eine Trajektorie in der Simulation zufällig variiert werden kann.
Hieraus wird ein Algorithmus erzeugt und ausgegeben, der in einer weiteren Verkehrssi mulation verwendet werden kann.
Fig. 6 zeigt ein Ablaufdiagramm des Verfahrens zum Trainieren des Algorithmus 34. In einem ersten Schritt wird ein zu trainierendes Computerprogrammproduktmodul (Soft ware) für das Steuergerät 4 des Kraftfahrzeugs 2 bereitgestellt.
In einem darauffolgenden Schritt werden Kartendaten des Orts 38 bereitgestellt.
Anschließend wird eine Mission für den Algorithmus 34 definiert, z.B. als Kraftfahrzeug 2 von einem Startort zu einem Zielort in einer bestimmten Verkehrssituation zu gelangen.
In der Verkehrssituation gibt es andere Verkehrsteilnehmer, z.B. einen Motorradfahrer. Dazu werden virtuelle Objekte und Agenten definiert und bereitgestellt. Wenigstens einer der Agenten verhält sich gemäß dem in Fig. 5 erzeugten Algorithmus. Der betreffende Agent kann die Mission 50 haben.
Sodann werden eine oder mehrere verschiedene Verkehrssituationen mit den virtuellen Objekten und Agenten simuliert.
Sodann wird der Algorithmus im Steuergerät des Kraftfahrzeugs auf der Grundlage der gestellten Situationen trainiert.
Durch Beobachtung des zu trainierenden Fahrzeuges und Rückkopplung an die Simulati onsumgebung können die entsprechenden Informationen verwertet werden, um die Simu lation zu beeinflussen.
Mithilfe des hier beschriebenen Verfahrens können eine Vielzahl von unterschiedlichen Verkehrsteilnehmern abgebildet werden, zum Beispiel Autos, Lkws, Motorräder, Fahrrad fahrer, Fußgänger. Ebenso kann reale Infrastruktur, zum Beispiel Schilder, Ampeln, Stra ßensymbolen, Leitlinien etc. dargestellt werden.
Mithilfe des Verfahrens können komplexe Verkehrsmanöver im Rahmen der kooperativen Mobilität realistisch untersucht werden, zum Beispiel Fahren an einer Kreuzung, an der sich mehrere Verkehrsteilnehmer befinden und Kommunikation zwischen den Verkehrs teilnehmern, um zum Beispiel keinen Verkehrsteilnehmer zu gefährden.
Fig. 7 zeigt eine weitere Prinzipskizze der Generierung eines Agenten 70, hier eine Simu lation des Motorradfahrers 44.
Dabei wird davon ausgegangen, dass ein Agent 50 durch einen mittels selbstlernender Verfahren verfeinerten Algorithmus 72 erzeugt wird. Den Algorithmus 72, der in einem Computer 74 läuft, wird mit den Daten des GPS Sensors 62, der Steuerung 64, der Ka mera 66 sowie der Verkehrsüberwachungskamera 58 versorgt.
Ein selbstlernendes neuronales Netz 76 optimiert den Algorithmus 62 durch Variation des selben und Angabe eines Algorithmus 72‘ und Prüfung, ob der modifizierte Algorithmus 72‘ besser arbeitet als der ursprüngliche Algorithmus 72. Sobald gewisse Qualitätsmetri ken erfüllt sind, wird der Algorithmus 72 eingefroren und mittels eines Compilers 78 der virtuelle Agent 70 geschaffen, der in Simulationsumgebungen eingesetzt werden kann.
Fig. 8 zeigt eine Simulationsumgebung 80
Die Simulationsumgebung 80 wird durch Kartendaten des Orts 34 sowie Simulationen des Kraftfahrzeugs 2 und anderer Verkehrsteilnehmer wie den Fußgängers 60 sowie den vir tuellen Agenten 70 bereitgestellt.
Sodann wird eine Mission aufgestellt, die der Algorithmus 34, der das Kraftfahrzeug 2 steuert, durchführen soll. Dies wird, wie im Zusammenhang mit Fig. 7 beschrieben, von dem neuronalen Netz 32 verarbeitet, die den Algorithmus 34 variiert, bis gewisse Quali tätsstandards erfüllt sind.
Sodann wird mithilfe eines Compilers 82 das Computerprogrammproduktmodul 30 für das Steuergerät 4 des Kraftfahrzeugs 2 erzeugt.
Obwohl der Gegenstand im Detail durch Ausführungsbeispiele näher illustriert und erläu tert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass bei spielhaft genannte Ausführungsformen nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Be schreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbar ten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Ele mente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa einer weitergehenden Erläuterung in der Beschreibung, definiert wird.
Bezugszeichenliste
2 Kraftfahrzeug
4 Steuergerät
6 Recheneinheit
8 Speicher
10 Umgebungssensor
11 Umgebungssensor
12 Umgebungssensor
13 Umgebungssensor
14 Kamera
15 GPS-Modul
16 Raddrehzahlsensor
18 Beschleunigungssensor
20 Pedalsensor
22 Lenkung
24 Motorsteuerung
26 Bremsen
28 Computerprogrammprodukt
30 Computerprogrammproduktmodul
32 neuronales Netz
34, 34‘ Algorithmus
36 Ort
38 Straße
40 Straße
42 Straßenkreuzung
44 Motorradfahrer
46 Startpunkt
48 Zielpunkt
50 Mission
52.1 - 52.4 Trajektorie
54 mittlere Trajektorie
56.1, 56.2 Bandbreitengrenze 58 Verkerhsüberwachungskamera
60 Fußgänger
62 GPS-Sensor
64 Steuerung 65 Motorrad
66 Kamera
70 virtueller Agent
72, 72‘ Algorithmus
72‘ modifizierter Algorithmus 74 Computer
76 selbstlernendes neuronales Netz
78 Compiler
80 Simulationsumgebung
82 Compiler

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Erstellen eines Verkehrsteilnehmeralgo rithmus (72) zur Computersimulation von Verkehrsteilnehmern (44, 60), wobei die Verkehrsteilnehmer einer Klasse von schlecht geschützten Verkehrsteilnehmern (44, 60) angehören, wobei Daten einer Mehrzahl verschiedener, real existierender Verkehrsteilnehmer (44, 60) der Klasse in einer realen Verkehrsumgebung (36) mit hilfe von an den Verkehrsteilnehmern (44, 60) angebrachten Sensoren (62, 64, 66, 58) während der Durchführung wenigstens einer Mission erfasst werden, wobei aus den Daten Bewegungstrajektorien (52.1 - 52.4) der Verkehrsteilnehmer (44, 60) er mittelt werden, wobei aus den Bewegungstrajektorien (52.1 - 52.4) eine mittlere Be- wegungstrajektorie (54) für die Mission und Bandbreiten (56.1, 56.2) für Abweichun gen von der mittleren Bewegungstrajektorie (54) berechnet werden.
2. Verfahren nach Anspruch 1 , wobei die Verkehrsteilnehmer Fahrzeuge (44) einer ge gebenen, schlecht geschützten Fahrzeugklasse darstellen, wobei an den Fahrzeu gen (44) jeweils wenigstens ein Sensor (62, 64, 66) zur Erfassung von Daten ange bracht oder den Fahrzeugen (44) zugeordnet wird, wobei die Daten von dem Ver kehrsteilnehmeralgorithmus (72) ausgewertet werden.
3. Verfahren nach Anspruch 1 oder 2, wobei der wenigstens eine an dem Verkehrsteil nehmer (44, 60) oder dem Fahrzeug (65) angeordnete Sensor (62, 64, 66) eine Ka mera (66), ein GPS-Sensor (62), ein Beschleunigungssensor, ein Lidar- und/oder ein Radarsensor ist.
4. Verfahren nach einem der vorangegangenen Ansprüche, wobei in der Verkehrsum gebung (36) wenigstens ein die Verkehrsteilnehmer (44, 60) erfassender Sensor (58) angeordnet ist, wobei die Daten ausgewertet und in den Verkehrsteilnehmeral gorithmus (72) eingebracht werden.
5. Verfahren nach einem der vorangegangenen Ansprüche, wobei ein selbstlernendes neuronales Netz (76) bereitgestellt wird, wobei die Daten dem selbstlernenden neu ronalen Netz (76) bereitgestellt werden, wobei der Verkehrsteilnehmeralgorithmus (72) von dem selbstlernenden neuronalen Netz (76) trainiert wird.
6. Computerimplementiertes Verfahren zum Trainieren wenigstens eines Algorithmus (34) für ein Steuergerät (4) eines Kraftfahrzeugs (2), wobei das Steuergerät (4) zur Umsetzung einer automatisierten bzw. autonomen Fahrfunktion unter Eingriff in Ag gregate (22, 24, 26) des Kraftfahrzeugs (2) auf der Grundlage von Eingangsdaten unter Verwendung des wenigstens einen Algorithmus (34) vorgesehen ist, wobei der Algorithmus (34) durch ein selbstlernendes neuronales Netz (32) trainiert wird, um fassend folgende Schritte: a) Bereitstellen eines Computerprogrammproduktmoduls (30) für die automatisierte bzw. autonome Fahrfunktion, wobei das Computerprogrammproduktmodul (30) den zu trainierenden Algorithmus (34) und das selbstlernende neuronale Netz (32) ent hält, b) Bereitstellen einer Simulationsumgebung (36) mit Simulationsparametern, wobei die Simulationsumgebung (36) Kartendaten (38) eines real existierenden Einsatzge biets, das Kraftfahrzeug (2) sowie als Agenten wenigstens einen weiteren simulier ten Verkehrsteilnehmer (48, 50) enthält, wobei ein Verhalten wenigstens eines wei teren Verkehrsteilnehmers (48, 50) durch einen Verkehrsteilnehmeralgorithmus (72) bestimmt ist, der nach einem der Ansprüche 1 bis 5 erzeugt wurde; c) Bereitstellen einer Mission für das Kraftfahrzeug (2), und d) Durchführen der Mission und Trainieren des Algorithmus (34).
7. Verfahren nach Anspruch 6, wobei wenigstens einer der weiteren simulierten Ver kehrsteilnehmer (44, 60) eine Trajektorie (54, 56.1, 56.2) erzeugt, die randomisiert oder stochastisch parametervariiert ist.
8. Verfahren nach Anspruch 6 oder 7, wobei eine Mehrzahl von weiteren simulierten Verkehrsteilnehmern (44, 60) bereitgestellt werden, die sich zumindest teilweise ent lang der mittleren Trajektorie (54), teilweise innerhalb der Bandbreiten (56.1, 56.2) bewegen.
9. Computerprogrammprodukt, mit einem computerlesbaren Speichermedium (8), auf dem Befehle eingebettet sind, die, wenn sie von wenigstens einer Recheneinheit (6) ausgeführt werden, bewirken, dass die wenigstens eine Recheneinheit (6) dazu ein gerichtet ist, das Verfahren nach einem der vorangegangenen Ansprüche auszufüh ren.
10. Kraftfahrzeug mit einem Computerprogrammprodukt nach Anspruch 9.
PCT/EP2020/084464 2019-12-10 2020-12-03 Verfahren zum erstellen eines verkehrsteilnehmeralgorithmus zur computersimulation von verkehrsteilnehmern, verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug WO2021115918A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080086080.0A CN114793460A (zh) 2019-12-10 2020-12-03 用于创建用于对交通参与者进行计算机模拟的算法的方法、用于训练至少一个用于机动车的控制设备的算法的方法、计算机程序产品及机动车
EP20820809.0A EP4073778A1 (de) 2019-12-10 2020-12-03 Verfahren zum erstellen eines verkehrsteilnehmeralgorithmus zur computersimulation von verkehrsteilnehmern, verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019219241.6A DE102019219241A1 (de) 2019-12-10 2019-12-10 Verfahren zum Erstellen eines Verkehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
DE102019219241.6 2019-12-10

Publications (1)

Publication Number Publication Date
WO2021115918A1 true WO2021115918A1 (de) 2021-06-17

Family

ID=73748039

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/084464 WO2021115918A1 (de) 2019-12-10 2020-12-03 Verfahren zum erstellen eines verkehrsteilnehmeralgorithmus zur computersimulation von verkehrsteilnehmern, verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug

Country Status (4)

Country Link
EP (1) EP4073778A1 (de)
CN (1) CN114793460A (de)
DE (1) DE102019219241A1 (de)
WO (1) WO2021115918A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021104077B3 (de) 2021-02-22 2022-05-25 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt zur automatisierten Generierung von Verkehrsdaten
DE102021213538A1 (de) 2021-11-30 2023-06-01 Psa Automobiles Sa Simulation zur Validierung einer automatisierenden Fahrfunktion für ein Fahrzeug
DE102022203422A1 (de) 2022-04-06 2023-10-12 Psa Automobiles Sa Test einer automatischen Fahrsteuerfunktion mittels semi-realer Verkehrsdaten
DE102022206238A1 (de) 2022-06-22 2023-12-28 Psa Automobiles Sa Auslegen eines automatischen Fahrsteuersystems in massiv parallelen Simulationen
DE102022131178B3 (de) 2022-11-24 2024-02-08 Cariad Se Verfahren zum automatisierten Führen eines Fahrzeugs sowie Verfahren zum Erzeugen eines hierzu fähigen Modells des Maschinellen Lernens sowie Prozessorschaltung und Fahrzeug

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009019920A (ja) 2007-07-10 2009-01-29 Toyota Central R&D Labs Inc 経路探索装置、交通シミュレーション装置、歩行者挙動予測装置、及びプログラム
DE102016212700A1 (de) * 2016-07-13 2018-01-18 Robert Bosch Gmbh Verfahren und System zur Steuerung eines Fahrzeugs
DE102017007136A1 (de) * 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5895926B2 (ja) * 2013-12-09 2016-03-30 トヨタ自動車株式会社 移動案内装置及び移動案内方法
DE102014008353B4 (de) * 2014-06-04 2016-09-15 Audi Ag Verfahren zum Betrieb eines Fahrerassistenzsystems zur automatisierten Führung eines Kraftfahrzeugs sowie zugeordnetes Kraftfahrzeug
DE102016215314A1 (de) * 2016-08-17 2018-02-22 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenzsystem, Fortbewegungsmittel und Verfahren zur Prädiktion einer Verkehrssituation
CN107247961B (zh) * 2017-05-10 2019-12-24 西安交通大学 一种应用模糊轨迹序列的轨迹预测方法
DE102017114876A1 (de) * 2017-07-04 2019-01-10 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Fahrerassistenzsystem zur Kollisionsvermeidung mittels Warn- und Interventionskaskade
CN108389430B (zh) * 2018-01-12 2021-02-26 南京理工大学 一种基于视频检测的交叉口行人与机动车碰撞预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009019920A (ja) 2007-07-10 2009-01-29 Toyota Central R&D Labs Inc 経路探索装置、交通シミュレーション装置、歩行者挙動予測装置、及びプログラム
DE102016212700A1 (de) * 2016-07-13 2018-01-18 Robert Bosch Gmbh Verfahren und System zur Steuerung eines Fahrzeugs
DE102017007136A1 (de) * 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DE NICOLAO G ET AL: "Onboard Sensor-Based Collision Risk Assessment to Improve Pedestrians' Safety", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 56, no. 5, 1 September 2007 (2007-09-01), pages 2405 - 2413, XP011192609, ISSN: 0018-9545, DOI: 10.1109/TVT.2007.899209 *

Also Published As

Publication number Publication date
CN114793460A (zh) 2022-07-26
DE102019219241A1 (de) 2021-06-10
EP4073778A1 (de) 2022-10-19

Similar Documents

Publication Publication Date Title
EP3970077B1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt, kraftfahrzeug sowie system
WO2021115918A1 (de) Verfahren zum erstellen eines verkehrsteilnehmeralgorithmus zur computersimulation von verkehrsteilnehmern, verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug
DE102006044086B4 (de) System und Verfahren zur Simulation von Verkehrssituationen, insbesondere unfallkritischen Gefahrensituationen, sowie ein Fahrsimulator
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
EP4052178A1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug
DE102007053501A1 (de) Verfahren zur Entwicklung und/oder zum Testen wenigstens eines Sicherheits- und/oder Fahrerassistenzsystems für ein Kraftfahrzeug und Simulationsumgebung
DE102017217444B4 (de) Verfahren und System zum Aktualisieren eines Steuerungsmodells für eine automatische Steuerung zumindest einer mobilen Einheit
DE102014216257A1 (de) Verfahren zum Bestimmen einer Fahrstrategie
DE102018220865A1 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
DE102016214574A1 (de) Verfahren und Vorrichtung zum Schätzen von Reibwerten eines Rades eines Fahrzeugs gegenüber einem Untergrund
EP4214607A1 (de) Verfahren und system zum testen eines fahrerassistenzsystems
EP4111438A1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt sowie kraftfahrzeug
EP4107590A1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, verfahren zur optimierung eines verkehrsflusses in einer region, computerprogrammprodukt sowie kraftfahrzeug
AT524822A1 (de) Verfahren zum Testen eines Fahrerassistenzsystems eines Fahrzeugs
EP4022589A1 (de) Automatisierte erkennung eines anormalen verhaltens eines verkehrsteilnehmers
DE102022102501B3 (de) Verfahren, System und Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs
DE102022108677B3 (de) Verfahren, System und Computerprogrammprodukt zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion
DE102019208233A1 (de) Verfahren und Vorrichtung zum automatischen Ausführen einer Steuerfunktion eines Fahrzeugs
DE102019212830A1 (de) Analyse und Validierung eines neuronalen Netzes für ein Fahrzeug
DE102021206014A1 (de) Bewegungsvorhersage für Verkehrsteilnehmer
DE102021202083A1 (de) Computerimplementiertes Verfahren zum Trainieren wenigstens eines Algorithmus für eine Steuereinheit eines Kraftfahrzeugs, Computerprogrammprodukt, Steuereinheit sowie Kraftfahrzeug
DE102023000578A1 (de) Verfahren zum Ermitteln von potentiellen, zukünftigen Positionen eines potentiellen Kollisionsobjekts mittels eines lernfähigen Systems, sowie Verfahren zum Trainieren eines entsprechenden lernfähigen Systems
DE102021208191A1 (de) Verfahren zum zumindest teilautomatisierten Führen eines Kraftfahrzeugs
WO2023094071A1 (de) Soziale-kräfte-modelle zur trajektorien-prädiktion anderer verkehrsteilnehmer
DE102022126555A1 (de) Verfahren, System und Computerprogrammprodukt zur Prädiktion von gruppenspezifischen Bewertungen eines ADAS/ADS-Systems

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: 20820809

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020820809

Country of ref document: EP

Effective date: 20220711