WO2022207677A1 - Verfahren zum bestimmen einer zukünftigen unfallschwere eines kraftfahrzeugs mit einem objekt mittels eines assistenzsystems des kraftfahrzeugs, computerprogrammprodukt sowie assistenzsystem - Google Patents

Verfahren zum bestimmen einer zukünftigen unfallschwere eines kraftfahrzeugs mit einem objekt mittels eines assistenzsystems des kraftfahrzeugs, computerprogrammprodukt sowie assistenzsystem Download PDF

Info

Publication number
WO2022207677A1
WO2022207677A1 PCT/EP2022/058346 EP2022058346W WO2022207677A1 WO 2022207677 A1 WO2022207677 A1 WO 2022207677A1 EP 2022058346 W EP2022058346 W EP 2022058346W WO 2022207677 A1 WO2022207677 A1 WO 2022207677A1
Authority
WO
WIPO (PCT)
Prior art keywords
accident
severity
motor vehicle
collision
assistance system
Prior art date
Application number
PCT/EP2022/058346
Other languages
English (en)
French (fr)
Inventor
Clemens Markus Hruschka
Jens Jeschke
Nejc DEZELAK
Original Assignee
Volkswagen Aktiengesellschaft
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 Volkswagen Aktiengesellschaft filed Critical Volkswagen Aktiengesellschaft
Publication of WO2022207677A1 publication Critical patent/WO2022207677A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • 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

  • the invention relates to a method for determining the future severity of an accident involving a motor vehicle with an object using an assistance system in the motor vehicle. Furthermore, the invention relates to a computer program product and an assistance system.
  • driving trajectories are determined during behavior planning. For the safety and protection of road users involved, it is important to avoid accidents or collisions or, if this is not possible, to at least reduce the severity of the accident. For this reason, the environment is perceived by, for example, integrated driving sensors and vehicle-to-infrastructure communication, for example, in automated driving using object prediction the behavior of other road users or in assisted driving the driving behavior of your own vehicle is also estimated and on the basis of this knowledge your own driving trajectory planned. In particularly critical situations, the potential severity of an accident becomes more important. This can be used, for example, in determining the risk of trajectories. In addition, a design or adaptation of adaptive restraint systems is also possible.
  • the object of the present invention is to create a method, a computer program product and an assistance system by means of which an accident severity determination in the motor vehicle can be carried out in real time and in particular pre-crash, ie before an accident.
  • One aspect of the invention relates to a method for determining a future accident severity of a motor vehicle with an object using an assistance system of the motor vehicle.
  • An environment of the motor vehicle is detected with at least one piece of information characterizing the object by means of an environment detection device of the assistance system.
  • a geometric representation of the object is determined as a function of the at least one piece of characterizing information.
  • An accident severity model is provided by means of an electronic computing device of the assistance system, the accident severity model being determined on the basis of the approximated geometric representation and on the basis of at least one parameter which is dependent thereon and characterizes the collision between the motor vehicle and the object.
  • the severity of the accident is determined as a function of the specific parameters characterizing the collision, which is influenced in particular by the dynamic and static parameters of the motor vehicle and the object, using a predetermined mathematical model for determining the severity of the accident using the electronic computing device.
  • a method for determining the severity of the accident can thus be carried out in real time, in particular inside the motor vehicle.
  • An efficient calculation method is thus presented, which is suitable for real-time requirements as they are made in critical emergency maneuvers and at the same time provides the necessary quality.
  • the severity of the accident is determined in particular for a potential accident in the future predicted at least one future point in time.
  • the accident severity at each of these points in time can also be predicted for a large number of future points in time.
  • the parameter characterizing the collision can be, for example, a collision point and/or a collision force and/or, for example in the case of a neural network, a weight thereof.
  • the accident severity model can be viewed, for example, as a hyperparameterization for the mathematical model.
  • the invention therefore proposes that, for example, the accident severity model is already made available offline.
  • Offline is to be understood here as meaning that the model was already created before the ferry operation and is made available, for example, on a storage device.
  • the capabilities of the vehicle's own sensor system in other words the environment detection device, are known and, for example, non-measurable parameters such as elasticity can be statistically determined using the environment model, for example based on a reference database.
  • the predefined environment model can then in turn be stored in the motor vehicle, for example on a memory device.
  • the current situation of the motor vehicle is then recorded online by the environment detection device or an environment model is created for it. An approximation of a geometric representation of the object then takes place.
  • corresponding forces can then be determined via the tangential and normal direction of the collision point in the current situation using the environment sensors.
  • the point of collision is to be understood, in particular, as the point of contact of the motor vehicle with the object.
  • the accident severity is then determined again on the basis of the mathematical model.
  • the severity of the accident in turn, can be used to correspondingly control the trajectory planning or in general, for example, an integral safety system.
  • parameters that are unknown or difficult to determine can be determined offline in advance.
  • statistical values for these parameters are determined with the help of an FEM reference database, for example, which can then be stored in the vehicle for the application.
  • these parameters can also be determined on the basis of historical data.
  • the object can be understood to mean, for example, a further motor vehicle.
  • other objects or road users and the term object can also be understood.
  • the object can be both dynamic and static.
  • a stadium shape and/or an elliptical shape and/or a circular shape of the object are determined as the geometric representation.
  • Alternative shapes are also allowed.
  • a contour approximation can thus take place so that in a physically meaningful collision, in particular side-side crashes are excluded, there is always a clear point of contact, i.e. collision point, in which a tangential and normal direction can be clearly defined. According to this tangential and normal direction, the forces can then in turn be applied to this point.
  • the at least one collision point is determined on the basis of a displacement of the approximated geometric representation along a centroid line between the centroids of the motor vehicle and the object.
  • provision can be made, for example, for a change from a rectangular geometric representation, such as is carried out for object detection, to a stadium shape.
  • the accident situation is transformed by shifting along the center of gravity line, which can also be referred to as the center of gravity line (COG line).
  • COG line center of gravity line
  • the mathematical model determines the severity of the accident based on an eccentric impact or on the basis of a centric impact.
  • a corresponding accident corresponds, at least approximately with the physical properties, essentially to an eccentric impact, which can be solved in particular by means of the mathematical model in a way that saves computing capacity.
  • the severity of the accident can be determined on the basis of a centric impact. With the centric impact, the severity of the accident can be determined with even less computing time.
  • the mathematical model using a trainable algorithm in particular using a neural network or a regression method that determines the severity of the accident.
  • the neural network can already have been trained using appropriate databases. The severity of the accident can then be determined accordingly on the basis of the neural network that has been trained in this way.
  • a regression method in particular a so-called random forest regression, can also be carried out. This is a classification and regression method that consists of several uncorrelated decision trees.
  • the accident severity model and/or the mathematical model can be trained using a training process.
  • the training data can be historical data or simulated data.
  • a relative change in speed during the collision is taken into account in order to determine the severity of the accident.
  • a so-called technical accident severity can be taken into account on the basis of the relative speed change.
  • the technical severity of the accident quantifies the mechanical vehicle stress caused by the effects of force, which lead to acceleration a(t), speed v(t) and deformation s(t) over time.
  • it is also possible that other definitions of the accident severity can be used.
  • a trajectory planning for the motor vehicle and/or a setting of a safety system in the motor vehicle is carried out as a function of the determined accident severity.
  • emergency maneuvers can be initiated on the basis of the estimate of the severity of the accident. This can be both an evasive maneuver and a so-called mitigation maneuver, which reduces the consequences of an accident or the severity of the accident.
  • a corresponding safety system such as a restraint system, can be adapted in the motor vehicle according to the determined severity of the accident. The safety on the road for an occupant of the motor vehicle can thus be increased.
  • a further aspect of the invention relates to a computer program product with program code means, which cause an electronic computing device to do so when the program code means of this be processed to carry out a method according to the preceding aspect.
  • a further aspect of the invention therefore also relates to a computer-readable storage medium with a corresponding computer program product.
  • Yet another aspect of the invention relates to an assistance system for a motor vehicle for determining the future severity of an accident involving a motor vehicle with an object, having at least one environment detection device and having an electronic computing device, the assistance system being designed to carry out a method according to the preceding aspect.
  • the method is carried out using the assistance system.
  • the electronic computing device has, in particular, electrical components, for example integrated circuits, processors and other electronic components, in order to be able to carry out a corresponding method.
  • yet another aspect of the invention also relates to a motor vehicle with an assistance system according to the preceding aspect.
  • the motor vehicle can be designed in particular as a motor vehicle that is operated at least partially with assistance.
  • the motor vehicle can also be designed as a fully autonomous motor vehicle.
  • the invention also includes developments of the assistance system according to the invention and of the motor vehicle that have features as have already been described in connection with the developments of the method according to the invention. For this reason, the corresponding developments of the assistance system according to the invention and the motor vehicle according to the invention are not described again here.
  • the invention also includes the combinations of features of the described embodiments.
  • FIG. 1 shows a schematic plan view of an embodiment of a motor vehicle with an embodiment of an assistance system
  • FIG. 2 shows a schematic block diagram of an embodiment of the assistance system and an embodiment of a parameterization process
  • 3 shows a schematic plan view of an accident constellation.
  • the exemplary embodiments explained below are preferred exemplary embodiments of the invention.
  • the described components each represent individual features of the invention that are to be considered independently of one another, which also develop the invention independently of one another and are therefore also to be regarded as part of the invention individually or in a combination other than that shown.
  • the exemplary embodiments described can also be supplemented by further features of the invention already described.
  • FIG. 1 shows a schematic plan view of an embodiment of a motor vehicle 1 with an assistance system 2.
  • the motor vehicle 1 is preferably operated at least partially with assistance.
  • the motor vehicle 1 can also be operated fully automatically, in particular fully autonomously.
  • the assistance system 2 has an electronic computing device 3 and an environment detection device 4 .
  • a future accident severity 5 (FIG. 2) of the motor vehicle 1 with an object 6, which is also shown here as a motor vehicle, can be determined.
  • FIG. 2 shows a schematic block diagram according to an embodiment of the method.
  • Fig. 2 shows a block diagram for the assistance system 2.
  • an area 7 (Fig. 1) of the motor vehicle 1 with at least one piece of information 8 characterizing the object 6 is determined by means of the area detection device 4.
  • weight, shape, speed and the like can be included as motor vehicle-specific information.
  • This information can be, for example, directly measurable variables or indirectly measurable variables.
  • a geometric representation 10 (Fig. 3) of the object 6 and/or the motor vehicle 1 is generated as a function of the at least one characterizing information item 8 definitely.
  • An accident severity model 11 is provided by means of the electronic computing device 3 of the assistance system 2, the accident severity model 11 being based on the approximated geometric representation 10 and on the basis of at least one specific parameter characterizing the collision dependent thereon, for example a collision point 12 (Fig. 3 ) and/or at least one collision force K (FIG. 3) between the motor vehicle 1 and the object 6 is determined.
  • Accident severity 5 is determined as a function of the specific parameters characterizing the collision, for example collision point 12 and collision force K, using a predefined mathematical model 13 for determining accident severity 5 using electronic computing device 3 .
  • the mathematical model 13 is determined on the basis of an eccentric impact or on the basis of a centric impact.
  • parameters for the eccentric impact and/or the centric impact and/or the neural network and/or the regression method can be trained using a training process 14 .
  • the parameters for the accident severity model 11 and/or for the mathematical model 13 can be determined or trained.
  • the neural network or the trainable algorithm already has data on a motor vehicle-external database 15 and has evaluated this accordingly, in particular before the start of the journey.
  • data obtained from the motor vehicle 1, which is formed, for example, in a motor vehicle-internal database 16, can also be used.
  • FIG. 3 shows a schematic top view of a traffic situation with the motor vehicle 1.
  • the collision with the object 6, which is also shown as a motor vehicle is shown here.
  • a so-called stadium shape is used as the geometric representation for the motor vehicles.
  • an elliptical shape or a circular shape can also be used for the object 6 .
  • the at least one collision point 12 is based on a displacement of the approximated geometric representation 10 along a center of gravity line 17 (COG line) between the centers of gravity 18, in this case the motor vehicle 1, and 19, in this case the object 6, is determined.
  • the focal points 18, 19 can be approximated and/or determined using the information from the environment detection device 4 and/or taking into account the accident severity model 11.
  • the center of gravity line 17 correlates in particular with the mass and the shape of the object 6 and/or the motor vehicle 1.
  • the accident severity 5 is determined as a function of, for example, the determined collision point 12 and the collision force K using a predefined mathematical model 13 for determining the accident severity 5 using the electronic computing device.
  • the mathematical model 13 determines on the basis of an eccentric impact or on the basis of a centric impact.
  • the neural network or the trainable algorithm already has data on a database 15 external to the motor vehicle and has evaluated it accordingly.
  • data obtained from motor vehicle 1, which is arranged, for example, in a motor vehicle-internal database 16, can also be used.
  • a feed-forward neural network can be used to propagate the input accident constellation Z input to the severity output, for example Dn.
  • the input Z input must contain the most sensitive dependencies of accident severity 5. These include in particular the point of impact, speeds and masses. It is further provided that all other features are either negligible or can be indirectly covered by the statistically trained function.
  • the number of layers and neurons is determined by hyperparameterization, as explained later. Only one hidden layer is initially defined in order to keep the network topology simple with regard to the real-time application. Furthermore, one hidden layer is also sufficient for arbitrary representations depending on the number of neurons.
  • a network topology with 36 neurons is preferably selected for training with all test data.
  • the hidden and output layer neurons use a "tanh" or linear activation function, respectively.
  • a random forest regression which corresponds to an ensemble learning method, can be used to combine multiple decision trees.
  • the final output is based on the average of these multiple trees, where each tree is only trained on a random subset of the training data, preventing overfitting.
  • the amount of training data decreases for deeper nodes and the distribution to each node depends on a random subset of features.
  • Zinput [v E ; vK ; a E ; a K ; l E ; l K ; w E ; wK ; m E ; mK ; ⁇ E ; ⁇ K ; JE ; J K ] T .
  • the number of trees N t the features per node N v , the data partitioning for each tree N ds , and the data allocation for each node N da are determined.
  • empirical studies show that the performance of the random forest does not increase significantly for forests larger than N t > 100 trees for most problems.
  • the severity prediction function h maps this state Z EK to the desired value, the accident severity y:
  • the predictors h have different modeled dependencies that have to be covered by the state Z EK .
  • the elements of the state Z EK are sorted into the two categories (directly or indirectly) measurable and non-measurable parameters.
  • the assignment of the possible input parameters (dependencies) to these two categories restricts the independent variables.
  • the execution of the prediction function ⁇ in the vehicle, i.e. online, must only depend on variables Z input that can be measured (directly or indirectly) while driving. More precisely, directly measurable means that the sensors can perceive the values directly.
  • Indirectly measurable means that established models f model exist, such as dynamic models t dyn , in order to estimate further values with corresponding uncertainty from the directly measurable values. All other influences (not measurable) must either be determined beforehand or excluded from the modelling. The latter would indirectly change the prediction model.
  • the reference database is used to statistically determine the parameters z train .
  • the focus is on an overall accident severity prediction for the risk assessment and not on the presentation of detailed crash profiles for individual crash types.
  • the dynamic state of the motor vehicle 1 Z E; dyn is measured by internal sensors and predicted to future time steps by a dynamic model.
  • the length I E and the width w E are static over the entire driving process and are therefore determined beforehand.
  • the mass m E and the moment of inertia JE are either measured by internal sensors to record the load or approximated by the nominal data of the vehicle.
  • the internal material properties must be determined before departure.
  • the parameters of object 6 are determined only by exteroceptive sensors. Due to the low market penetration, new technologies, such as V2X communication, are not taken into account in this exemplary embodiment.
  • the dynamic state Z K; dyn current and future time steps based on the dynamic model
  • the object shape I K , w K are determined. All other influences will be determined in a different way.
  • the vehicle shape or the shape representation represents another important aspect. Even if the contact area has a decisive influence on the geometric accident constellation and thus important input parameters such as the point of impact, it is often represented in simplified form by a rectangle with length I and width w.
  • a stadium surface is used for the eccentric impact, which has the following advantages. For one, the stadium covers the vehicle front and rear shape more realistically than a rectangle. Nevertheless, the stadium is also an approximation of the vehicle contour and most likely slightly cuts into the vehicle corners.
  • a collision probability P(C) that uses an over-approximating rectangle, the vehicle shapes used can be determined independently of the vehicle contour for determining the severity of the accident.
  • an initial collision configuration of stadiums contains only one collision point instead of a collision line. This also allows the formulation of a single tangential and normal coordinate system in the contact point for the force application.
  • the stadium represents a suitable compromise between the vehicle contour and the force transmission property and is therefore used preferentially.
  • the mathematical models of the eccentric impact, as well as the trainable algorithms such as the neural network and the regression method use the length l and the width w as input, while the centric impact is applied with a point mass.
  • all prediction functions are related to plane bodies, resulting in an effort in only two dimensions.
  • the degree of severity is divided into two components:
  • the translation of individual points of the rigid body is equal to the motion of the COG.
  • the rotation is based on the change in yaw rate Aw weighted by the distance r from the COG.
  • the eccentric shock model as the mathematical model 13 superimposes the law of conservation of momentum (translation) and the law of angular momentum (rotation).
  • the forces or moments act at the point of contact B, which also corresponds to the point of collision 12 .
  • the direction of the momentum S is deterministically defined.
  • the shapes separate a tangential St and a normal S n component that touch and perpendicularly intersect the two rigid bodies at the point of contact B, respectively.
  • the second hypothesis relates to friction during the collision phase.
  • the coefficient of friction ⁇ relates the momentum in the normal and tangential directions at the point of impact B:
  • the centric impact can also be used in the mathematical model 13.
  • the centric collision model is a simplification of the presented eccentric collision.
  • a centric impact means that the centers of gravity COG E/K of both vehicles must be on a line related to the normal impact vector. In this
  • the parameterization or the training of the mathematical model 13 represents an optimization problem.
  • the goal is to find the optimal parameters z*train for each model, which minimize the cost value E:
  • MSE mean square error
  • the square ensures that the errors do not cancel each other out and that outliers are weighted more heavily compared to associated, well-fitting values.
  • the mathematical models 13 already presented have a mechanical background, so that the boundary conditions are defined with reference to physical plausibility. This should increase the interpretability of the calculations. In the area of vehicle safety, this can be an important property.
  • the restitution and the friction coefficient of the impact models are restricted between 0 and 1.
  • the neural network and the random forest are considered as black box models and therefore no further restrictions are given.
  • the Trust Range Reflective method can be used to obtain the training parameter z* train .
  • the optimization solver must be chosen according to the shape of the underlying mathematical problem.
  • a screening for the shock models revealed that gradient-based optimization is preferred to find the optimal solution.
  • the reference database only provides a sparse representation of the possible accident configurations. Therefore, methods of statistical learning are used to optimize the model accuracy and to evaluate the generalization ability.
  • the problem is related to supervised learning, where the input and output relationship is contained in the reference database.
  • the database is randomly divided into a part for training and testing with a ratio of 80% to 20%.
  • the training data is used to obtain the optimal parameters z* train according to the available data and the test data is used to evaluate the generalization.
  • the input in this exemplary embodiment relates for the most part to the time-variant, dynamic vehicle states and the parameters include all other influences.
  • Impact models represent a commonly used mechanical approach and have a long tradition due to their simplicity.
  • the underlying theory is based on the law of conservation of momentum.
  • the discontinuous process represents a first-order differential equation that neglects the complex constitutive laws of the continuous crash process.
  • the main assumptions include an infinitely small impact time, the dominance of the impact forces over all other forces, the finiteness of the momentum and the persistence of the kinematic and geometric configuration during the impact phase.
  • the types of impact are divided into straight and oblique impact, as well as centric and eccentric impact.
  • the shock models are underdetermined and therefore require further assumptions to solve the mathematical equations. These assumptions relate to the material elasticity, the location and direction of the impact, and the slip or non-slip conditions including the friction parameter.
  • the problem in the prior art focuses on planar objects.
  • the centric and eccentric shock models are used.
  • the centric impact model is used because of its general simplicity and the assumed real-time capability. However, it is unable to distinguish different collision configurations based on impact location. Therefore, the eccentric impact model is also taken into account.
  • a major challenge in the application for integral safety lies in the parameter identification, such as determining the coefficient of restitution and the coefficient of friction.
  • the basic relationships between the coefficient of restitution and the impact speed and the impact position are known.
  • only frontal collisions are considered in known literature sources and it is not guaranteed that the results can be generalized. Rather, it is to be expected that the application is not suitable for other collision types.
  • a first group forms the vehicle and occupant stress, a second group the technical severity, a third group the injury severity and a fourth group the long-term consequences. Based on advantages and disadvantages, the specific application and requirements determine the appropriate severity measure. In addition, the availability of data leads to necessary approximations.
  • the technical severity of the accident quantifies the mechanical vehicle stress caused by the effects of force, which lead to acceleration a(t), speed v(t) and deformation s(t) over time.
  • the technical accident severity depends, among other things, on the type of collision object (mass, shape, compatibility, etc.), the speed and the impact position. Characteristic values of the kinematics are used to indicate the severity by single values. It depends on where and how the data is collected. While FEM simulations, crash tests and event recorders provide detailed information about the course of the crash (e.g. a(t), v(t) and s(t)), police and accident investigators record the incident retrospectively, examining the vehicle found only in the resting position. Nevertheless, various accident severity measures have been established over the years. For example, the deformation energy ⁇ T is obtained by reconstructing the force across the intrusion. Since the intrusion is measured after impact, it only gives the plastic energy exchange.
  • the reconstruction of the accident includes the determination of the velocities at impact, denoted as vrel, and the change in velocity during the crash ⁇ v.
  • the restraint systems are designed in such a way that they distribute the load on the occupants over the crash period according to human load limits.
  • strong impacts can act on the individual occupants. These are measured, for example, by the Head Injury Criterion (HIC) or Neck Injury Criterion (NIC), which indicate the acceleration of the respective body region over a specific time interval.
  • HIC Head Injury Criterion
  • NIC Neck Injury Criterion
  • VRU vulnerable road users
  • AIS Abbreviated Injury Scale
  • the AIS assesses the lethality of single injuries.
  • the maximum AIS represents these individual injuries to body regions or the entire person by their maximum value.
  • the Injury Severity Score (ISS) quadratically aggregates the most severe trauma from three body regions.
  • the long-term consequences can be expressed in monetary terms, such as vehicle damage and medical costs, or in human-related characteristics, such as convalescence, probability of survival or mortality rate.
  • the application must determine the appropriate severity measure. Because of the automated driving with human road users, the aim in the exemplary embodiments mentioned is to protect road users in accordance with ethical guidelines. Therefore, the severity of the injury was taken into account as a measure. However, the severity of injuries is very individual, which makes objective crash assessment difficult, and is very difficult, if not impossible, to predict with sufficient accuracy in real time.
  • the selected application example in this exemplary embodiment is based on the impact of the vehicle structure. It does not necessarily require injury severity and can be expressed in terms of vehicle crash dynamics. Therefore, in these exemplary embodiments, the technical accident severity 11 is selected in order to represent the accident damage. A selection of the technical accident severity via ⁇ v is advantageous for the method presented.
  • a(t), v(t) and s(t) are convertible or redundant, so that it makes sense to consider the considerations to reduce.
  • the restraint systems are mainly dependent on deceleration and speed. The deformation does not provide any information about the run-out behavior and possible multiple collisions.
  • acceleration signals will be noisy in most cases when measured, for example, using an event recorder or in FEM simulations.
  • the value ⁇ v has a long tradition in depth investigations and shows a strong correlation to injury probabilities.
  • the probability of a particular MAIS level is related to the recorded ⁇ v value by logistic regression.
  • N Absolute number of a finite set a b,c Notation means: variable a with the properties b AND c
  • a bold, capital letter indicates a matrix, or vector of random variables
  • a bold symbol indicates a vector or matrix P(e) Probability of event e ( )(t) Time variant value (e.g., a(t), v(t), s(t ))
  • the random vector Z is normally distributed with the expected value vector ⁇ and covariance matrix ⁇
  • the random variable z maps the sample space ⁇ to a scalar value of a real number Real numbers
  • Minkowski Difference D, D' etc.
  • the apostrophe indicates a transformed Minkowski Difference.
  • V Matrix of eigenvectors ⁇ Rotation angle of eigenvectors; Angle to COG line; Accuracy function ⁇ ( ); Slip angle ⁇ Covariance matrix l Length of a vehicle w Width of a vehicle e Restitution coefficient
  • T-score harmonic mean (eg, between F1-score and g(t)) ⁇ standard derivation; Mechanical load ⁇ Deformation / displacement z cm State to the crash motion model ⁇ cm ⁇ Eigenvalue; constraint; Progress on trajectory (eg, ⁇ ego ) k air Constant of the flow resistance k e Engine proportion relating to front and rear axle d Distance (eg distance between current position of the vehicle and the centerline d lat , distance to potential collision objects at the moment of appearance d appear f update update frequency of the planning process

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen einer zukünftigen Unfallschwere (5) eines Kraftfahrzeugs (1), mit den Schritten: Erfassen einer Umgebung (7) mit zumindest einer ein Objekt (6) charakterisierenden Information (8) mittels einer Umgebungserfassungseinrichtung (4) des Assistenzsystems; Bestimmen einer geometrischen Repräsentation (10) des Objekts (6) in Abhängigkeit von der zumindest einen charakterisierenden Information (8); Bereitstellen eines Unfallschweremodells (11) mittels einer elektronischen Recheneinrichtung (3) des Assistenzsystems (2), wobei das Unfallschweremodell (11) auf Basis von der approximierten geometrischen Repräsentation (10) und auf Basis von zumindest einem davon abhängigen die Kollision charakterisierenden Parameter bestimmt; und Bestimmen der Unfallschwere (5) in Abhängigkeit von dem bestimmten die Kollision charakterisierenden Parameter mittels eines vorgegebenen mathematischen Modells (13) zur Bestimmung der Unfallschwere (5) mittels der elektronischen Recheneinrichtung (3). Ferner betrifft die Erfindung ein Computerprogrammprodukt sowie ein Assistenzsystem (2).

Description

Beschreibung
Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs, Computerprogrammprodukt sowie Assistenzsystem
Die Erfindung betrifft ein Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs. Ferner betrifft die Erfindung ein Computerprogrammprodukt sowie ein Assistenzsystem.
Beim automatisierten Fahren von einem Kraftfahrzeug beziehungsweise bei einem zumindest teilweise assistiert betriebenen Kraftfahrzeug mit entsprechenden Fahrerassistenzsystemen werden bei der Verhaltensausplanung unter anderem Fahrtrajektorien ermittelt. Hierbei gilt es für die Sicherheit und den Schutz beteiligter Verkehrsteilnehmer, Unfälle beziehungsweise Kollisionen zu vermeiden oder, sollte dies nicht möglich sein, zumindest die Unfallschwere zu reduzieren. Daher wird durch zum Beispiel integrierte Fahrtsensorik und beispielsweise einer Kraftfahrzeug-zu-lnfrastruktur- Kommunikation die Umgebung wahrgenommen, im automatisierten Fahren mittels Objektprädiktion das Verhalten anderer Verkehrsteilnehmer beziehungsweise beim assistierten Fahren zusätzlich dazu das Fahrverhalten des eigenen Fahrzeugs abgeschätzt und auf Basis dieses Wissens eine eigene Fahrtrajektorie geplant. In besonders kritischen Situationen gewinnt die potentielle Unfallschwere an Bedeutung. Diese kann zum Beispiel in der Risikobestimmung von Trajektorien genutzt werden. Darüber hinaus ist eine Gestaltung beziehungsweise Anpassung von adaptiven Rückhaltesystemen ebenfalls möglich.
Die Vorhersage der Unfallschwere ist dabei jedoch nicht trivial. Einerseits erschweren Unsicherheiten der Umfeldwahrnehmung und -prädiktion die Ermittlung. Andererseits müssen für Echtzeitanforderungen stark vereinfachte Modelle genutzt werden, um die Unfallschwere im sogenannten Pre-Crash-Fall im Kraftfahrzeug bestimmen zu können. Hierfür eignen sich insbesondere Stoßmodelle. Dabei beeinflusst insbesondere die Wahl der repräsentativen Objektkonturen sowie die Richtung der wirkenden Kräfte die Ergebnisse stark. Die Crash-Schwereberechnung ist dabei bereits aus dem Stand der Technik bekannt. Insbesondere im Feld der Unfallforschung und Fahrzeugkonstruktion werden Modelle genutzt, um Unfälle zu rekonstruieren beziehungsweise die Crashsicherheit zu modellieren. Hierbei sind insbesondere rechenintensive FEM-Simulationen bekannt, welche insbesondere in nicht-echtzeitkritischen Anwendungen durchgeführt werden können.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren, ein Computerprogrammprodukt sowie ein Assistenzsystem zu schaffen, mittels welchen eine Unfallschwerebestimmung im Kraftfahrzeug in Echtzeit und insbesondere pre-crash, also vor einem Unfall, durchgeführt werden kann.
Diese Aufgabe wird durch ein Verfahren, ein Computerprogrammprodukt sowie ein Assistenzsystem gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs. Es erfolgt ein Erfassen einer Umgebung des Kraftfahrzeugs mit zumindest einer das Objekt charakterisierenden Information mittels einer Umgebungserfassungseinrichtung des Assistenzsystems. Es wird eine geometrische Repräsentation des Objekts in Abhängigkeit von der zumindest einen charakterisierenden Information bestimmt. Es wird ein Unfallschweremodell mittels einer elektronischen Recheneinrichtung des Assistenzsystems bereitgestellt, wobei das Unfallschweremodell auf Basis von der approximierten geometrischen Repräsentation und auf Basis von zumindest einem davon abhängigen bestimmten die Kollision charakterisierenden Parameter zwischen dem Kraftfahrzeug und dem Objekt bestimmt wird. Es erfolgt ein Bestimmen der Unfallschwere in Abhängigkeit von den bestimmten die Kollision charakterisierenden Parameter, welcher insbesondere durch die dynamische und statische Parameter des Kraftfahrzeuges und des Objektes beeinflusst wird, mittels eines vorgegebenen mathematischen Modells zur Bestimmung der Unfallschwere mittels der elektronischen Recheneinrichtung.
Insbesondere kann somit ein Verfahren zum Bestimmen der Unfallschwere in Echtzeit, insbesondere innerhalb des Kraftfahrzeugs, durchgeführt werden. Es wird somit eine effiziente Berechnungsmethode vorgestellt, die für Echtzeitanforderungen, wie sie in kritischen Notmanövern gestellt werden, geeignet sind und gleichzeitig die notwendige Güte liefert. Die Unfallschwere wird insbesondere für einen zugkünftigen potentiellen Unfall für zumindest einen zukünftigen Zeitpinkt vorhergesagt. Insbesondere kann auch für eine Vielzahl von zukünftigen Zeitpunkten die Unfallschwere in jedem dieser Zeitpunkte vorhergesagt werden.
Der die Kollision charakterisierende Parameter kann beispielsweise ein Kollisionspunkt und/oder eine Kollisionskraft und/oder beispielsweise im Falle eines neuronalen Netzwerks ein Gewicht dessen sein. Das Unfallschweremodell kann beispielsweise als Hyperparemtrierung für das mathematische Modell angesehen werden.
Insbesondere schlägt somit die Erfindung vor, dass beispielsweise das Unfallschweremodell bereits offline bereitgestellt wird. Unter offline ist hierbei zu verstehen, dass das Modell bereits vor dem Fährbetrieb erstellt wurde und beispielsweise auf einer Speichereinrichtung bereitgestellt wird. Insbesondere ist es hierzu notwendig, dass die Fähigkeiten der eigenen Fahrzeugsensorik, mit anderen Worten der Umgebungserfassungseinrichtung, bekannt sind und beispielsweise nicht messbare Parameter, wie beispielsweise die Elastizität, mithilfe des Umfeldmodells, beispielsweise auf Basis einer Referenzdatenbank, statistisch ermittelt werden können. Das vorgegebene Umfeldmodell kann dann wiederum im Kraftfahrzeug, beispielsweise auf einer Speichereinrichtung, abgespeichert werden. Online wird dann wiederum durch die Umgebungserfassungseinrichtung die aktuelle Situation des Kraftfahrzeugs aufgenommen beziehungsweise ein Umfeldmodell dazu erstellt. Es erfolgt dann eine Approximation einer geometrischen Repräsentation des Objekts. Auf Basis der geometrischen Repräsentation und auf Basis des Unfallschweremodells können dann beispielsweise entsprechende Kräfte über die Tangential- und Normalenrichtung des Kollisionspunktes in der aktuellen Situation durch die Umfeldsensorik bestimmt werden. Unter Kollisionspunkt ist insbesondere vorliegend der Berührungspunkt des Kraftfahrzeugs mit dem Objekt zu verstehen. Es erfolgt dann wiederum die Bestimmung der Unfallschwere auf Basis des mathematischen Modells. Die Unfallschwere wiederum kann dazu genutzt werden, um die Trajektorienplanung oder allgemein beispielsweise ein integrales Sicherheitssystem entsprechend anzusteuern.
Insbesondere können unbekannte beziehungsweise schwer zu ermittelnde Parameter, wie zum Beispiel die Elastizität, vorab offline ermittelt werden. Hierfür werden mithilfe beispielsweise einer FEM-Referenzdatenbank statistische Werte für diese Parameter ermittelt, die dann im Fahrzeug für die Anwendung hinterlegt werden können. Alternativ oder ergänzend können diese Parameter auch auf Basis von historischen Daten bestimmt werden. Unter dem Objekt kann vorliegend beispielsweise ein weiteres Kraftfahrzeug verstanden werden. Es könne jedoch auch andere Objekte beziehungsweise Verkehrsteilnehmer und dem Begriff Objekt verstanden werden. Das Objekt kann dabei sowohl dynamisch als auch statisch sein.
Gemäß einer vorteilhaften Ausgestaltungsform werden als geometrische Repräsentation eine Stadiumform und/oder eine Ellipsenform und/oder eine Kreisform des Objekts bestimmt. Es sind auch alternative Formen ermöglicht. Insbesondere kann somit eine Konturapproximation stattfinden, sodass sich in einer physikalisch sinnvollen Kollision, insbesondere sind dabei Seite-Seite-Crashs ausgenommen, immer ein eindeutiger Berührungspunkt, also Kollisionspunkt, ergibt, in dem sich eine Tangential- und Normalenrichtung eindeutig definieren lässt. Entsprechend dieser Tangential- und Normalenrichtung können dann wiederum die Kräfte in diesem Punkt aufgeprägt werden.
In einer weiteren vorteilhaften Ausgestaltungsform wird der zumindest eine Kollisionspunkt auf Basis einer Verschiebung der approximierten geometrischen Repräsentation entlang einer Schwerpunktlinie zwischen den Schwerpunkten des Kraftfahrzeugs und des Objekts bestimmt. Insbesondere kann beispielsweise dazu vorgesehen sein, dass von einer rechteckigen geometrischen Repräsentation, wie dies beispielsweise zur Objekterfassung durchgeführt wird, auf eine Stadiumform gewechselt wird. Insbesondere beim Wechsel der geometrischen Repräsentation der kollidierenden Fahrzeuge beziehungsweise des Kraftfahrzeugs mit dem Objekt wird die Unfallsituation über das Verschieben entlang der Schwerpunktlinie, welche auch als Center of Gravity line (COG-Linie) bezeichnet werden kann, transformiert. Dadurch werden möglichst viele Eigenschaften der ursprünglichen Unfallkonstellation, insbesondere wie beispielsweise die Schwerpunktlagen, in der Approximation berücksichtigt.
Weiterhin vorteilhaft ist, wenn das mathematische Modell auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes die Unfallschwere bestimmt. Insbesondere entspricht ein entsprechender Unfall zumindest approximiert mit den physikalischen Eigenschaften im Wesentlichen einem exzentrischen Stoß, welcher insbesondere rechenkapazitätseinsparend mittels des mathematischen Modells gelöst werden kann. Alternativ kann auf Basis eines zentrischen Stoßes die Unfallschwere bestimmt werden. Mit dem zentrischen Stoß kann noch rechenzeitsparender die Unfallschwere bestimmt werden.
Ebenfalls vorteilhaft ist, wenn das mathematische Modell mittels eines trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfallschwere bestimmt. Insbesondere kann das neuronale Netzwerk bereits über entsprechende Datenbanken antrainiert worden sein. Auf Basis des somit trainierten neuronalen Netzwerks kann dann wiederum die Unfallschwere entsprechend bestimmt werden. Alternativ zum neuronalen Netz kann auch ein Regressionsverfahren, insbesondere eine sogenannte Random Forrest Regression, durchgeführt werden. Hierbei handelt es sich um ein Klassifikations- und Regressionsverfahren, das aus mehreren unkorrelierten Entscheidungsbäumen besteht.
In einerweiteren vorteilhaften Ausgestaltungsform kann mittels eines Trainingsprozesses das Unfallschweremodell und/oder das mathematische Modell trainiert werden. Bei den Trainingsdaten kann es sich um historische Daten oder auch um simulierte Daten handeln.
Ferner hat es sich als vorteilhaft erwiesen, wenn zum Bestimmen der Unfallschwere eine relative Geschwindigkeitsänderung während der Kollision berücksichtigt wird. Insbesondere kann auf Basis der relativen Geschwindigkeitsänderung eine sogenannte technische Unfallschwere berücksichtigt werden. Die technische Unfallschwere quantifiziert die mechanische Fahrzeugbelastung durch Krafteinwirkungen, die zu Beschleunigung a(t), Geschwindigkeit v(t) und Verformung s(t) im Zeitverlauf führen. Neben der technischen Unfallschwere ist es auch möglich, dass weitere Definitionen der Unfallschwere genutzt werden können.
In einer weiteren vorteilhaften Ausgestaltungsform wird in Abhängigkeit von der bestimmten Unfallschwere eine Trajektorienplanung für das Kraftfahrzeug und/oder eine Einstellung eines Sicherheitssystems im Kraftfahrzeug durchgeführt. Insbesondere, wenn beispielsweise das Kraftfahrzeug zumindest teilweise assistiert betrieben ist, können auf Basis der Unfallschwereschätzung Notmanöver eingeleitet werden. Hierbei kann es sich sowohl um ein Ausweichmanöver als auch um ein sogenanntes Mitigationsmanöver handeln, welches die Folgen eines Unfalls beziehungsweise die Unfallschwere reduziert. Ferner kann, sollte beispielsweise eine Kollision unvermeidbar sein, ein entsprechendes Sicherheitssystem, wie beispielsweise ein Rückhaltesystem, im Kraftfahrzeug entsprechend der bestimmten Unfallschwere angepasst werden. Somit kann die Sicherheit im Straßenverkehr für einen Insassen des Kraftfahrzeugs erhöht werden.
Bei dem vorgestellten Verfahren handelt es sich insbesondere um ein computerimplementiertes Verfahren. Hierzu betrifft ein weiterer Aspekt der Erfindung ein Computerprogrammprodukt mit Programmcodemitteln, welche eine elektronische Recheneinrichtung dazu veranlassen, wenn die Programmcodemittel von dieser abgearbeitet werden, ein Verfahren nach dem vorhergehenden Aspekt durchzuführen. Daher betrifft ein weiterer Aspekt der Erfindung auch ein computerlesbares Speichermedium mit einem entsprechenden Computerprogrammprodukt.
Ein nochmals weiterer Aspekt der Erfindung betrifft ein Assistenzsystem für ein Kraftfahrzeug zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt, mit zumindest einer Umgebungserfassungseinrichtung und mit einer elektronischen Recheneinrichtung, wobei das Assistenzsystem zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels des Assistenzsystems durchgeführt.
Die elektronische Recheneinrichtung weist insbesondere elektrische Bauteile, beispielsweise integrierte Schaltkreise, Prozessoren und weitere elektronische Bauteile auf, um ein entsprechendes Verfahren durchführen zu können.
Ferner betrifft ein nochmals weiterer Aspekt der Erfindung auch ein Kraftfahrzeug mit einem Assistenzsystem nach dem vorhergehenden Aspekt. Das Kraftfahrzeug kann dabei insbesondere als zumindest teilweise assistiert betriebenes Kraftfahrzeug ausgebildet sein. Ferner kann das Kraftfahrzeug auch als vollautonomes Kraftfahrzeug ausgebildet sein.
Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Assistenzsystems sowie des Kraftfahrzeugs, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Assistenzsystems und des erfindungsgemäßen Kraftfahrzeugs hier nicht noch einmal beschrieben.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
Fig. 1 eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems;
Fig. 2 ein schematisches Blockschaltbild einer Ausführungsform des Assistenzsystems sowie einer Ausführungsform eines Parametrisierungsprozesses; und Fig. 3 eine schematische Draufsicht auf eine Unfallkonstellation.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
Fig. 1 zeigt eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs 1 mit einem Assistenzsystem 2. Das Kraftfahrzeug 1 ist bevorzugt zumindest teilweise assistiert betrieben. Alternativ kann das Kraftfahrzeug 1 auch vollautomatisiert, insbesondere vollautonom, betrieben sein. Das Assistenzsystem 2 weist vorliegend eine elektronische Recheneinrichtung 3 sowie eine Umgebungserfassungseinrichtung 4 auf. Mit dem Assistenzsystem 2 kann insbesondere eine zukünftige Unfallschwere 5 (Fig. 2) des Kraftfahrzeugs 1 mit einem Objekt 6, welches vorliegend ebenfalls als Kraftfahrzeug dargestellt ist, bestimmt werden.
Fig. 2 zeigt ein schematisches Blockschaltbild gemäß einer Ausführungsform des Verfahrens. Insbesondere zeigt die Fig. 2 ein Blockschaltbild für das Assistenzsystem 2. Insbesondere ist vorgesehen, dass zum Bestimmen der Unfallschwere 5 eine Umgebung 7 (Fig. 1) des Kraftfahrzeugs 1 mit zumindest einer das Objekt 6 charakterisierenden Information 8 mittels der Umgebungserfassungseinrichtung 4 bestimmt wird. Es kann ebenfalls vorgesehen sein, dass auch kraftfahrzeugspezifische Informationen 9 des Kraftfahrzeugs 1 mit einfließen. Beispielsweise können Gewicht, Form, Geschwindigkeit und ähnliches als kraftfahrzeugspezifische Informationen mit einfließen. Bei diesen Informationen kann es sich beispielsweise um direkt messbare Größen oder auch um indirekt messbare Größen handeln.
Es wird eine geometrische Repräsentation 10 (Fig. 3) des Objekts 6 und/oder des Kraftfahrzeugs 1 in Abhängigkeit von der zumindest einen charakterisierenden Information 8 bestimmt. Es erfolgt ein Bereitstellen eines Unfallschweremodells 11 mittels der elektronischen Recheneinrichtung 3 des Assistenzsystems 2, wobei das Unfallschweremodell 11 auf Basis von der approximierten geometrischen Repräsentation 10 und auf Basis von zumindest einem davon abhängigen bestimmten die Kollision charakterisierenden Parameter, beispielsweise ein Kollisionspunkt 12 (Fig. 3) und/oder zumindest eine Kollisionskraft K (Fig. 3) zwischen dem Kraftfahrzeug 1 und dem Objekt 6, bestimmt wird. Die Unfallschwere 5 wird in Abhängigkeit von dem bestimmten die Kollision charakterisierenden Parameter, beispielsweise dem Kollisionspunkt 12 und der Kollisionskraft K, mittels eines vorgegebenen mathematischen Modells 13 zur Bestimmung der Unfallschwere 5 mittels der elektronischen Recheneinrichtung 3 bestimmt.
Insbesondere kann vorgesehen sein, dass das mathematische Modell 13 auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes bestimmt wird. Alternativ kann vorgesehen sein, dass das mathematische Modell 13 mittels eines trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfallschwere 5 bestimmt. Insbesondere können Parameter für den exzentrischen Stoß und/oder den zentrischen Stoß und/oder das neuronale Netzwerk und/oder das Regressionsverfahren mittels eines Trainingsprozesses 14 trainiert werden. Hierbei könne die Parameter für das Unfallschweremodell 11 und/oder für das Mathematische Modell 13 bestimmt beziehungsweise trainiert werden.
Hierzu kann insbesondere vorgesehen sein, dass beispielsweise das neuronale Netz beziehungsweise der trainierbare Algorithmus auf einer kraftfahrzeugexternen Datenbank 15 bereits über Daten verfügt und diese entsprechend, insbesondere vor Fahrtantritt, ausgewertet hat. Alternativ oder ergänzend können auch vom Kraftfahrzeug 1 gewonnene Daten, welche beispielsweise auf einer kraftfahrzeuginternen Datenbank 16 ausgebildet sind, genutzt werden.
Fig. 3 zeigt eine schematische Draufsicht auf eine Verkehrssituation mit dem Kraftfahrzeug 1. Insbesondere ist hierbei die Kollision mit dem Objekt 6, welches ebenfalls als Kraftfahrzeug dargestellt ist, gezeigt. Vorliegend ist insbesondere gezeigt, dass als geometrische Repräsentation eine sogenannte Stadiumform für die Kraftfahrzeuge genutzt wird. Alternativ oder ergänzend kann auch eine Ellipsenform oder eine Kreisform für das Objekt 6 genutzt werden. Insbesondere ist vorgesehen, dass der zumindest eine Kollisionspunkt 12 auf Basis einer Verschiebung der approximierten geometrischen Repräsentation 10 entlang einer Schwerpunktlinie 17 (COG-Line) zwischen den Schwerpunkten 18, vorliegend des Kraftfahrzeugs 1, und 19, vorliegend des Objekts 6, bestimmt wird. Die Schwerpunkte 18, 19 können dabei mit Hilfe der Informationen der Umgebungserfassungseinrichtung 4 und/oder unter Beachtung des Unfallschweremodells 11 approximiert und/oder bestimmt werden. Die Schwerpunktlinie 17 korreliert insbesondere mit der Masse und der Form des Objekts 6 und/oder des Kraftfahrzeugs 1.
Die Unfallschwere 5 wird in Abhängigkeit von beispielsweise dem bestimmten Kollisionspunkt 12 und er Kollisionskraft K mittels eines vorgegebenen mathematischen Modells 13 zur Bestimmung der Unfallschwere 5 mittels der elektronischen Recheneinrichtung bestimmt.
Insbesondere kann vorgesehen sein, dass das mathematische Modell 13 auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes bestimmt. Alternativ kann vorgesehen sein, dass das mathematische Modell 13 mittels eine trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfall schwere bestimmt.
Hierzu kann insbesondere vorgesehen sein, dass beispielsweise das neuronale Netz beziehungsweise der trainierbare Algorithmus auf einer kraftfahrzeugexternen Datenbank 15 bereits Daten verfügt und diese entsprechend ausgewertet hat. Alternativ oder ergänzend können auch von Kraftfahrzeug 1 gewonnene Daten, welche beispielsweise auf einer kraftfahrzeuginternen Datenbank 16 angeordnet sind, genutzt werden.
Es kann ein neuronales Netz mit Vorwärtskopplung verwendet werden, um die Eingangs- Unfallkonstellation Zinput auf den Schweregrad-Ausgang, beispielsweise Dn, zu propagieren.
Der Eingang Zinput muss die sensitivsten Abhängigkeiten der Unfallschwere 5 enthalten. Dazu gehören insbesondere der Auftreffpunkt, Geschwindigkeiten und Massen. Weiter ist vorgesehen, dass alle anderen Merkmale entweder zu vernachlässigen sind oder indirekt durch die statistisch trainierte Funktion abgedeckt werden können. Die Eingabeschicht basiert daher auf messbaren Daten aus der Unfallkonstellation: Zinput = [vE; vK; aE; aK; lE; lK; wE; wK; mE; mK; ωE; ωK; JE; JK]T.
Darin sind die Geschwindigkeiten VE/K, die Winkel zur Linie zwischen den COGs aE/K, die Maße IE/K und WE/K und die Massen mE/K enthalten. Dabei fällt auf, dass die geometrische Konstellation der beiden Objekte g~ E/K = [XE/K; YE/K; JE/K]T ZU zwei Winkeln aE/K zusammengefasst wird. Das reduziert zum einen die Anzahl der unabhängigen Variablen und damit die Komplexität der Netztopologie. Andererseits wird dadurch die Objektposition unabhängig von der Fahrzeugform beschrieben, was es kompatibel zu anderen Darstellungen macht. Dennoch wird der Aufprallpunkt indirekt mit einbezogen. Er kann mit Hilfe der beiden Winkel, einer Fahrzeugform und der Definition, dass das Ego-Fahrzeug immer auf der linken Seite gegenüber dem Objektfahrzeug bleibt, rekonstruiert werden. Die Anzahl der Schichten und Neuronen wird durch eine Hyperparametrisierung bestimmt, wie später erläutert. Es wird zunächst nur eine versteckte Schicht definiert, um die Netztopologie im Hinblick auf die Echtzeitanwendung einfach zu halten. Ferner ist auch eine versteckte Schicht für beliebige Darstellungen in Abhängigkeit von der Anzahl der Neuronen ausreichend. Bevorzugt wird eine Netztopologie mit 36 Neuronen für das Training mit allen Testdaten gewählt. Die Neuronen der versteckten und der Ausgabeschicht verwenden eine "tanh"- bzw. lineare Aktivierungsfunktion.
Alternativ kann auch eine Random-Forest-Regression verwendet werden, welches einer Methode des Ensemble-Lernens entspricht, um mehrere Entscheidungsbäume zu kombinieren. Die endgültige Ausgabe basiert auf dem Durchschnitt dieser mehreren Bäume, wobei jeder Baum nur mit einer zufälligen Teilmenge der Trainingsdaten trainiert wird, was ein Overfitting verhindert. Außerdem verringert sich die Menge der Trainingsdaten für tiefere Knoten und die Aufteilung auf jeden Knoten hängt von einer zufälligen Teilmenge von Features ab. Die Auswahl der Eingabe-Features folgt der Diskussion obigen Diskussion mit Zinput = [vE; vK; aE; aK; lE; lK; wE; wK; mE; mK; ωE; ωK; JE; JK]T.
In der Hyperparametrisierung werden die Anzahl der Bäume Nt, die Merkmale pro Knoten Nv, die Datenaufteilung für jeden Baum Nds und die Datenzuweisung für jeden Knoten Nda bestimmt. Außerdem zeigen empirische Untersuchungen, dass die Performance des Random Forests bei größeren Wäldern als Nt > 100 Bäumen für die meisten Probleme nicht signifikant ansteigt. Die Ergebnisse der Hyperparametrisierung haben dabei gezeigt, dass der Zufallsforst mit Nt = 2000 Entscheidungsbäumen etwas besser abschneidet als der kleinere Zufallsforst mit Nt= 100. Allerdings übersteigt die größere Instanz die verfügbare Rechenzeit. Aus diesem Grund wird die Anzahl der Entscheidungsbäume auf Nt = 100 in einem bevorzugten Ausführungsbeispiel verwendet. Die systematische Suche nach den anderen Hyperparametern ergibt die vollen Eingangsmerkmale pro Knoten Nv = 10, fast alle Daten in jedem Entscheidungsbaum Nds = 0:99 und eine Knotengröße von Nda ≥ 2.
Die Fahrzeugkonfiguration w ist durch den Zustandsvektor (Sample) zEK = (zE; zK)T spezifiziert. Hierbei ist es notwendig geeignete Schwerevorhersagefunktionen h zu finden. Die Schwerevorhersagefunktion h bildet diesen Zustand ZEK auf den gewünschten Wert, die Unfall schwere y, ab:
Figure imgf000013_0001
Die kollisionsfreien Fahrzeug-Objektkonstellationen wcoll führen zu einem trivialen Schwereergebnis ψ = η (wcoll) = 0 ms . Daher werden diese Fälle in diesem Kapitel nicht weiter betrachtet und der Fokus liegt auf den Kollisionskonfigurationen wcoll. Aus Sicht der Ausgabe muss der Zustand ZEK die empfindlichsten Abhängigkeiten der Unfallschwere y enthalten. Bei Frontalcrashs sind dies der Aufprallpunkt, die Fahrzeugabmessungen, Geschwindigkeiten und Massen. Bei anderen Unfallkonstellationen, insbesondere bei Rotationen mit großen Hebeln, gewinnen die Gierraten und Trägheitsmomente an Bedeutung.
Aus Sicht der Schwerevorhersage haben die Prädiktoren h unterschiedliche modellierte Abhängigkeiten, die durch den Zustand ZEK abgedeckt werden müssen. Aus Sicht der Fahrfunktion und mit Bezug auf die verwendeten Prüfmittel werden die Elemente des Zustands ZEK in die beiden Kategorien (direkt oder indirekt) messbare und nicht messbare Parameter sortiert. Die Zuordnung der möglichen Eingangsparameter (Abhängigkeiten) zu diesen beiden Kategorien schränkt die unabhängigen Variablen ein. Mit anderen Worten: Die Ausführung der Vorhersagefunktion η im Fahrzeug, also online, darf nur von Variablen Zinput abhängen, die während der Fahrt (direkt oder indirekt) messbar sind. Genauer gesagt, direkt messbar bedeutet, dass die Sensoren die Werte direkt wahrnehmen können. Indirekt messbar bedeutet, dass etablierte Modelle fmodel existieren, wie zum Beispiel dynamische Modelle tdyn, um aus den direkt messbaren Werten weitere Werte mit entsprechender Unsicherheit zu schätzen. Alle anderen Einflüsse (nicht messbar) müssen entweder vorher ermittelt oder aus der Modellierung ausgeschlossen werden. Letzteres würde das Vorhersagemodell indirekt verändern. Mit anderen Worten: Die Referenzdatenbank wird verwendet, um die Parameter ztrain statistisch zu ermitteln.
Dabei liegt der Fokus auf einer Gesamtunfallschwerevorhersage für die Risikobewertung und nicht auf der Darstellung von detaillierten Crashverläufen für einzelne Crasharten.
Der messbare Input ist approximiert durch die folgenden Gleichung darstellbar: zinput = [Δx, Δy, Δφ, vE/K, ωE/K, lE/K , wE/K , mE/K,JE/K]T , die die relative Lage [Δx; Δy; Δj], Geschwindigkeiten vE/K, Gierraten wE/K, Fahrzeugabmessungen [IE/K; wE/K], Massen m E/K und Trägheitsmomente JE/K umfasst.
Der dynamische Zustand des Kraftfahrzeugs 1 ZE; dyn wird durch interne Sensoren gemessen und durch ein dynamisches Modell auf zukünftige Zeitschritte vorhergesagt. Die Länge IE und die Breite wE sind über den gesamten Fahrprozess statisch und werden daher vorher bestimmt. Die Masse m E und das Trägheitsmoment JE werden entweder durch interne Sensoren zur Erfassung der Belastung gemessen oder durch die Nenndaten des Fahrzeugs approximiert. Ebenso müssen die internen Materialeigenschaften vor der Abfahrt ermittelt werden. Im Gegensatz zum Kraftfahrzeug 1 werden die Parameter des Objekts 6 nur durch exterozeptive Sensoren ermittelt. Aufgrund der geringen Marktdurchdringung sind in diesem Ausführungsbeispiel neue Technologien, wie zum Beispiel V2X-Kommunikation, nicht berücksichtigt. Als Ergebnis werden nur der dynamische Zustand ZK; dyn (momentane und zukünftige Zeitschritte aufgrund des dynamischen Modells) und die Objektform IK, wK ermittelt. Alle anderen Einflüsse werden auf andere Weise ermittelt werden.
Eine Ausnahme bilden die Masse mK und das Trägheitsmoment JK. ES kann eine starke Korrelation dieser Parameter mit der Objektform angenommen werden. Daher werden diese als indirekt messbar betrachtet und unabhängig vom Tuning-Prozess ermittelt. Aus dem Stand der Technik sind Methoden zu Bestimmung des Trägheitsmoments bekannt. Vorliegend wird es berechnet durch: JK = 0:0863ml2. Die Masse mK basiert auf einer Kleinste-Quadrate-Anpassung einer linearen Funktion.
Darüber hinaus stellt die Fahrzeugform beziehungsweise die Formdarstellung einen weiteren wichtigen Aspekt dar. Auch wenn die Aufstandsfläche die geometrische Unfallkonstellation und damit wichtige Eingangsparameter wie den Aufprallpunkt entscheidend beeinflusst, wird sie oft vereinfacht durch ein Rechteck mit der Länge I und der Breite w dargestellt. In diesem Ausführungsbeispiel wird für den exzentrischen Stoß eine Stadionfläche verwendet, die folgende Vorteile hat. Zum einen deckt das Stadion die Fahrzeugfront- und -heckform realistischer ab als ein Rechteck. Dennoch ist auch das Stadion eine Annäherung an die Fahrzeugkontur und schneidet die Fahrzeugecken höchstwahrscheinlich leicht an. Zusätzlich ist zu beachten, dass für die Berechnung einer Kollisionswahrscheinlichkeit P(C), die ein überapproximierendes Rechteck verwendet, die verwendeten Fahrzeugformen unabhängig von der Fahrzeugkontur für die Unfallschwerbestimmung bestimmt werden können. Vernachlässigt man die unrealistischen Seitencrashs aufgrund holonomer Beschränkungen, so enthält eine anfängliche Kollisionskonfiguration von Stadien nur einen Kollisionspunkt statt einer Kollisionslinie. Das ermöglicht zudem die Formulierung eines einzigen tangentialen und normalen Koordinatensystems im Kontaktpunkt für die Krafteinleitung. Zusammenfassend lässt sich sagen, dass das Stadion einen geeigneten Kompromiss zwischen der Fahrzeugkontur und der Krafteinleitungseigenschaft darstellt und daher bevorzugt genutzt wird. Die mathematischen Modelle des exzentrischen Stoßes als auch die trainierbaren Algorithmen, wie beispielsweise das neuronale Netz und das Regressionsverfahren, verwenden die Länge I und die Breite w als Eingabe, während der zentrische Stoß mit einer Punktmasse angesetzt wird. Außerdem beziehen sich alle Vorhersagefunktionen auf ebene Körper, was zu einem Kraftaufwand nur in zwei Dimensionen führt.
Darüber hinaus ist beim Wechsel der Fahrzeugkontur von einer Darstellung in eine andere (z.B. Rechteck zu Stadion, Rechteck zu Kreis) folgendes Problem zu beachten. Ausgehend von einer Crash-Konstellation Wcoll kann es Vorkommen, dass sich die Fahrzeuge beim Wechsel zentriert auf dem COG nicht mehr berühren. Da es sich immer noch um einen momentanen Teilzustand handelt, sollen sich die Fahrzeugformen nicht entsprechend der zugrundeliegenden Dynamik bewegen, sondern nur entlang der Verbindungslinie zwischen den Schwerpunkten 18, 19 (COG-Linie) verschoben werden. Damit wird angenommen, dass der Krafteintrag angemessen dargestellt wird.
Das Schweremaß wird in der nachfolgenden Betrachtung als der Absolutwert der vektorisierten Geschwindigkeitsänderung eingeführt, die sich aus ψ = Δv = |Δv| ergibt. Bei starren Körpern überlagern sich bei einem Fahrzeugaufprall Translation und Rotation, so dass der Schwereg radwert in zwei Komponenten unterteilt wird:
Figure imgf000015_0001
Die Translation einzelner Punkte des starren Körpers ist gleich der Bewegung des COG. Die Rotation basiert auf der Änderung der Gierrate Aw gewichtet mit dem Abstand r vom COG. Als Bezugspunkt wird die Tunnelmitte TM gewählt und damit der Abstand r = rTM bestimmt. Nachteilig in Bezug auf die Normierung ist, dass das Schweremaß ψ = Δv nicht in die Sättigung geht. Das heißt, je mehr kinetische Energie in den Crash involviert ist, desto mehr steigt das Schweremaß ψ an. Andererseits ist es durch die möglichen Fahrgeschwindigkeiten näherungsweise begrenzt. Dennoch kann der Skalarwert Δv mit Verletzungsrisikofunktionen in einen Wahrscheinlichkeitswert bekannter Grenzen überführt werden.
Das exzentrische Stoßmodell als das mathematische Modell 13 überlagert den Impulserhaltungssatz (Translation) und den Drehimpulssatz (Rotation). Die Kräfte beziehungsweise Momente wirken im Berührungspunkt B, welcher auch dem Kollisionspunkt 12 entspricht. Aufgrund der Stadionform der Objekte und holonomischer Zwänge der Fahrzeuge ist die Richtung des Impulses S deterministisch definiert. Die Formen trennen eine tangentiale St- und eine normale Sn-Komponente, die die beiden Starrkörper im Berührungspunkt B berühren beziehungsweise senkrecht schneiden. Die Zustandsvektoren zE/K umfassen dabei die Geschwindigkeiten vE/K, die Gierrate w, Massen mE/K, Trägheitsmomente JE/K und Abstände rt=n zwischen COG und Berührungspunkt B.
Als Ergebnis beschreiben folgende Gleichungen den Stoß:
Figure imgf000016_0001
Aufgrund von 6 Gleichungen, aber 8 Unbekannten, ist das System unterbestimmt und somit sind weitere Hypothesen zur Ableitung der nachträglichen Geschwindigkeiten erforderlich. Daher werden Annahmen zur Elastizität und Reibung nach getroffen. Es wird angenommen, dass die Crash-Gegner nach dem Crash nicht verhakt bleiben und somit die Elastizität nur in der Normalenrichtung wirkt. Der Restitutionskoeffizient e ε [0; 1] beschreibt den Zusammenhang zwischen der Kompressionsphase mit der Impulsänderung AScom und der Restitutionsphase mit der Impulsänderung ΔSres:
Figure imgf000016_0002
In der Kompressionsphase konvergieren die beiden Geschwindigkeiten VE/K,B im Punkt B. Danach versucht die Energie im Material, die Ausgangssituation wieder herzustellen. Wenn keine kinetische Energie verloren geht, beträgt der Restitutionskoeffizient e = 1, was auch als perfekt elastischer Stoß bezeichnet wird. Mit anderen Worten: Der Impuls der Kompression ist gleich dem Impuls der Restitution:
ΔScom = ΔSres.
Wenn Teile der kinetischen Energie in andere Energieformen umgewandelt werden, zum Beispiel in Verformungsenergie, ist der Restitutionskoeffizient e < 1. Bei einem perfekt unelastischen Stoß sind die beiden Objekte nach dem Stoß verklebt und es findet keine Restitution statt: ΔSres = 0.
Somit ist der Kollisionskoeffizient e = 0. Damit wird die Gleichung (8) äquivalent durch die Relativgeschwindigkeiten im Kontaktpunkt B vor und nach der Kollision ausgedrückt:
Figure imgf000017_0001
Die zweite Hypothese bezieht sich auf die Reibung während der Kollisionsphase. Der Reibungskoeffizient μ setzt den Impuls in normaler und tagentialer Richtung im Auftreffpunkt B in Beziehung:
Figure imgf000017_0002
Somit sind alle Eingangsparameter messbar bis auf den Restitutionskoeffizienten e und den Reibungskoeffizienten μ. Diese werden daher datengetrieben ermittelt und bilden somit die Trainingsparameter ztrain = (e; μ)T.
Alternativ kann im mathematischen Modell 13 auch der zentrische Stoß genutzt werden. Das zentrische Stoßmodell ist eine Vereinfachung des vorgestellten exzentrischen Stoßes. Ein zentrischer Stoß bedeutet, dass die Schwerpunkte COGE/K beider Fahrzeuge auf einer Linie liegen müssen, die sich auf den normalen Stoßvektor bezieht. In diesem
Figure imgf000017_0003
Ausführungsbeispiel wird dies dadurch erzwungen, dass die Crash-Gegner auf Punktmasse und damit die Form auf Punkte mit rE = 0 und rK= 0 reduziert werden, sodass kein Abstand mehr zwischen COG und dem Aufprallpunkt B besteht und somit die Aufprallvektoren S kein Drehmoment ergeben. Der Drehimpulssatz kann daher vernachlässigt werden. Als Ergebnis reduzieren sich die Gleichungen des exzentrischen Stoßes zu:
Figure imgf000018_0001
Die beiden verbleibenden Bedingungen werden durch den Restitutionskoeffizienten e und den Reibungskoeffizienten m analog zum exzentrischen Stoß bestimmt. Beide Parameter sind die Trainingsparameter ztrain = (e; μ)T im datengetriebenen Ansatz.
Die Parametrierung beziehungsweise das Training des mathematischen Modells 13 stellt ein Optimierungsproblem dar. Ziel ist es, für jedes Modell die optimalen Parameter z*train zu finden, die den Kostenwert E minimieren:
Figure imgf000018_0002
Als Kostenfunktion wird in hier der mittlere quadratische Fehler (MSE) zwischen der vorhergesagten Unfallschwere ψˆ, also der zukünftigen Unfallschwere 5, und den zugehörigen Referenzwerten ψ verwendet.
Das Quadrat sorgt dafür, dass sich die Fehler nicht gegenseitig aufheben und Ausreißer im Vergleich zu zugehörigen, gut passenden Werten stärker gewichtet werden. Theoretisch spielt es keine Rolle, welche Zahlenwerte die Parameter z*train haben, solange die Modelle die Unfallschwere ψˆ mit ausreichender Genauigkeit Vorhersagen. Andererseits haben die bereits vorgestellten mathematischen Modelle 13 einen mechanischen Hintergrund, sodass die Randbedingungen mit Bezug auf die physikalische Plausibilität definiert werden. Das soll die Interpretierbarkeit der Berechnungen erhöhen. Im Bereich der Fahrzeugsicherheit kann das eine wichtige Eigenschaft sein. Entsprechend der Modellierung werden die Restitution und der Reibungskoeffizient der Aufprallmodelle zwischen 0 und 1 eingeschränkt. Das neuronale Netz und der Random Forest werden als Black-Box-Modelle betrachtet und daher werden keine weiteren Beschränkungen angegeben. Es kann die Trust-Range-Reflective- Methode verwendet werden, um den Trainingsparameter z*train zu erhalten.
Der Optimierungslöser muss entsprechend der Form des zugrunde liegenden mathematischen Problems gewählt werden. Ein Screening für die Stoß-Modelle hat ergeben, dass eine gradientenbasierte Optimierung bevorzugt genutzt wird, um die optimale Lösung zu finden.
Die Referenzdatenbank stellt nur eine spärliche Repräsentation der möglichen Unfallkonfigurationen dar. Daher werden Verfahren des statistischen Lernens eingesetzt, um die Modellgenauigkeit zu optimieren sowie die Generalisierungsfähigkeit zu bewerten. Die Problemstellung bezieht sich auf das überwachte Lernen, bei dem die Eingangs- und Ausgangsbeziehung in der Referenzdatenbank enthalten ist. Die Datenbank wird zufällig in einen Teil für das Training und den Test mit einem Verhältnis von 80 % zu 20 % aufgeteilt. Die Trainingsdaten werden verwendet, um die optimalen Parameter z*train entsprechend den verfügbaren Daten zu erhalten und die Testdaten werden verwendet, um die Generalisierung zu bewerten.
Wie bereits erwähnt wird in diesem Ausführungsbeispiel die technische Unfallschwere y (Output) auf Basis der Fahrzeug-Unfallkonfiguration wcoll (Input) genutzt:
Figure imgf000019_0001
Dabei kann unter Bezugnahme auf die zur Verfügung stehenden Messgeräte zwischen unterschiedlichen Input gewählt werden, insbesondere der direkt (Sensoren) oder indirekt (etablierte Modelle, wie zum Beispiel Dynamikmodell), die während der Fahrt messbar sind (zum Beispiel Lage [x; y; j]T, Geschwindigkeit v, Gierrate w und Fahrzeugabmessungen [I; w]), und Parameter, die nicht messbar sind (zum Beispiel Rückstellkoeffizient e, Steifigkeit k) und somit eine eigenständige Bestimmungsstrategie erfordern. Entsprechend der oben vorgestellten Modellierung bezieht sich der Input in diesem Ausführungsbeipsiel zum größten Teil auf die zeitvarianten, dynamischen Fahrzeugzustände und die Parameter umfassen alle anderen Einflüsse.
Stoßmodelle stellen einen häufig verwendeten mechanischen Ansatz dar und haben aufgrund der Einfachheit eine lange Tradition. Die zugrundeliegende Theorie basiert auf dem Impulserhaltungssatz. Der diskontinuierliche Prozess stellt eine Differentialgleichung erster Ordnung dar, die die komplexen Stoffgesetze des kontinuierlichen Crash- Prozesses vernachlässigt. Dieser Informationsverlust muss mit zusätzlichen Annahmen aufgefüllt werden. Zu den Hauptannahmen gehören eine unendlich kleine Stoßzeit, die Dominanz der Stoßkräfte gegenüber allen anderen Kräften, die Endlichkeit des Impulses und das Verbleiben der kinematischen sowie der geometrischen Konfiguration während der Stoßphase. Außerdem werden die Stoßarten in geraden und schrägen Stoß, sowie zentrischen und exzentrischen Stoß unterteilt. Im Allgemeinen sind die Stoßmodelle unterbestimmt und erfordern daher weitere Annahmen zur Lösung der mathematischen Gleichungen. Diese Annahmen beziehen sich auf die Materialelastizität, die Lage und Richtung des Stoßes sowie die Gleit- beziehungsweise Nicht-Gleitbedingungen einschließlich des Reibungsparameters. Außerdem konzentriert sich die Problemstellung im Stand der Technik auf planare Objekte.
In dem vorgestellten Ausführungsbeispiel werden das zentrische und das exzentrische Stoßmodell verwendet. Das zentrische Stoßmodell wird aufgrund der allgemeinen Einfachheit und der angenommenen Echtzeitfähigkeit verwendet. Es ist jedoch nicht in der Lage, verschiedene Kollisionskonfigurationen basierend auf der Aufprallposition zu unterscheiden. Daher wird zusätzlich das exzentrische Aufprallmodell berücksichtigt. Eine wesentliche Herausforderung bei der Anwendung für die integrale Sicherheit liegt in der Parameteridentifikation, wie zum Beispiel der Bestimmung des Restitutionskoeffizienten und des Reibungskoeffizienten. Hierbei sind grundlegende Zusammenhänge zwischen dem Restitutionskoeffizienten und der Aufprallgeschwindigkeit sowie der Aufprallposition bekannt. Allerdings sind ausschließlich Frontalzusammenstöße in bekannten Literaturquellen berücksichtigt und es ist nicht sichergestellt, dass die Ergebnisse verallgemeinert werden können. Vielmehr ist zu erwarten, dass die Anwendung bei anderen Kollisionstypen nicht geeignet ist.
Zur Quantifizierung des Grads der Unfallschwere von Crash-Folgen können verschiedene Maße definiert werden. Die Kennwerte variieren je nach Forschungsgebiet und spezifischem Interessenbereich. Ein Unfall liegt im Allgemeinen dann vor, wenn ungewollte Kräfte auf die Karosserie einwirken, die zu gesundheitlichen Beeinträchtigungen oder Schäden führen. Darüber hinaus wirken eine Vielzahl von Einflüssen auf den Crash-Ausgang, was eine objektive Quantifizierung der Unfallschwere, insbesondere durch wenige Einzelwerte, erschwert. So kann zum Beispiel der gleiche technische Unfallablauf zu völlig unterschiedlichen kurzfristigen Folgen für vitale und nicht-vitale Verkehrsteilnehmer führen, wobei die langfristigen Auswirkungen noch unsicherer sind. Daher wird der Bereich der Unfallschwere im Folgenden in vier Gruppen unterteilt,
Ein erste Gruppe bildet dabei die Fahrzeug- und Insassenbelastung, eine zweite Gruppe die technische Schwere, eine dritte Gruppe die Verletzungsschwere und eine vierte Gruppe die Langzeitfolgen. Aufgrund von Vor- und Nachteilen bestimmen die jeweilige Anwendung und die Anforderungen das geeignete Schweregradmaß. Darüber hinaus führt die Verfügbarkeit von Daten zu notwendigen Näherungen.
Die technische Unfallschwere quantifiziert die mechanische Fahrzeugbelastung durch Krafteinwirkungen, die zu Beschleunigung a(t), Geschwindigkeit v(t) und Verformung s(t) im Zeitverlauf führen.
Die technische Unfallschwere ist unter Anderem abhängig von der Art der Kollisionsobjekte (Massen, Formen, Kompatibilität, etc.), der Geschwindigkeit und der Aufprallposition. Charakteristische Werte der Kinematik werden verwendet, um die Schwere durch Einzelwerte anzugeben. Dabei kommt es darauf an, wo und wie die Daten gewonnen werden. Während FEM-Simulationen, Crashtests und Event- Recordern detaillierte Informationen über den Crashverlauf (z. B. a(t), v(t) und s(t)) liefern, nehmen Polizei und Unfallermittler den Vorfall retrospektiv auf, wobei sie das Fahrzeug nur in der Ruheposition vorfinden. Dennoch haben sich im Laufe der Jahre verschiedene Unfallschweremaße etabliert. So wird zum Beispiel die Deformationsenergie ΔT durch Rekonstruktion der Kraft über die Intrusion gewonnen. Da die Intrusion nach dem Aufprall gemessen wird, gibt sie nur den plastischen Energieaustausch an. Die Äquivalentenergie Geschwindigkeit (EES) setzt die Deformationsenergie ΔT als kinetische Energie in Beziehung zur Fahrzeugmasse m: ΔT = 0:5mEES2. Die Rekonstruktion des Unfalls beinhaltet die Bestimmung der Geschwindigkeiten beim Aufprall, bezeichnet als vrel, sowie der Geschwindigkeitsänderung während des Crashs Δv.
Bezogen auf das eigene Fahrzeug belastet die äußere Krafteinwirkung den Fahrzeugaufbau und damit indirekt die Insassen. Folglich sind der Crashimpuls a(t) und die Intrusion s(t) die Hauptursachen für Verletzungen. Um den Schaden zu mindern, wird durch die Fahrzeugdeformation Energie aus der Fahrgastzelle entnommen.
Zusätzlich sind die Rückhaltesysteme so konstruiert, dass sie die Belastung der Insassen über die Crashzeit entsprechend der menschlichen Belastungsgrenzen verteilen. Trotzdem können auf den einzelnen Insassen starke Stöße einwirken. Diese werden zum Beispiel durch das Head Injury Criterion (HIC) oder Neck Injury Criterion (NIC) gemessen, die die Beschleunigung der jeweiligen Körperregion über ein bestimmtes Zeitintervall angeben. Das Gleiche gilt für andere Verkehrsteilnehmer, wie zum Beispiel gefährdete Verkehrsteilnehmer (VRU). Der einzige Unterschied liegt wahrscheinlich im Fehlen eines geeigneten Aufprallschutzes.
Die Verletzungsschwere hängt neben der Krafteinwirkung und dem Rückhaltesystem von den insassenbezogenen Merkmalen, wie Vitalität, Größe oder Geschlecht, und der Insassenposition im Fahrzeug ab. Die Abbreviated Injury Scale (AIS) ist ein in der Unfallforschung ein häufig verwendetes Maß zur Angabe und zum Vergleich des medizinischen Schweregrades.
Der AIS bewertet die Letalität von Einzelverletzungen. Der maximale AIS (MAIS) repräsentiert diese Einzelverletzungen von Körperregionen oder der gesamten Person durch ihren Maximalwert. Alternativ aggregiert der Injury Severity Score (ISS) die schwersten Traumata von drei Körperregionen quadratisch.
Darüber hinaus können die langfristigen Folgen in monetären Größen ausgedrückt werden, wie zum Beispiel Fahrzeugschäden und medizinische Kosten, oder in menschenbezogenen Eigenschaften, wie zum Beispiel Rekonvaleszenz, Überlebenswahrscheinlichkeit oder Letalitätsrate.
Zusammenfassend lässt sich sagen, dass es nach diesem Überblick keine All-in-One- Lösung gibt, um den Schaden einer Kollision auszudrücken. Vielmehr muss die Anwendung das geeignete Schweregradmaß bestimmen. Aufgrund des automatisierten Fahrens mit menschlichen Verkehrsteilnehmern ist in den genannten Ausführungsbeispielen der Schutz der Verkehrsteilnehmer nach ethischen Richtlinien das Ziel. Daher ist die Verletzungsschwere als Maß berücksichtigt worden. Allerdings sind die Verletzungsschweregrade sehr individuell, was eine objektive Crashbeurteilung erschwert, und lassen sich nur sehr schwer, wenn überhaupt, mit ausreichender Genauigkeit in Echtzeit Vorhersagen. Darüber hinaus basiert das gewählte Anwendungsbeispiel in diesem Ausführungsbeispiel auf dem Aufprall der Fahrzeugstruktur. Sie erfordert nicht unbedingt eine Verletzungsschwere und kann durch die Fahrzeug-Crashdynamik ausgedrückt werden. Daher wird in diesen Ausführungsbeispielen die technische Unfallschwere 11 gewählt, um den Unfallschaden darzustellen. Vorteilhaft für das vorgestellte Verfahren ist eine Auswahl der technischen Unfallschwere über Δv.
Auch bei beispielsweise einem frontalen Unfall sind mehrere Kennwerte möglich, um die Schwere anzugeben. Außerdem sind die einzelnen Fahrzeugdynamiken a(t), v(t) und s(t) konvertierbar beziehungsweise redundant, so dass es sinnvoll erscheint, die Betrachtungen zu reduzieren. Die Rückhaltesysteme sind hauptsächlich von der Verzögerung und der Geschwindigkeit abhängig. Die Verformung gibt keinen Aufschluss über das Auslaufverhalten und mögliche Mehrfachkollisionen.
Außerdem werden die Beschleunigungssignale bei Messung zum Beispiel mittels eines Event Recorder oder bei FEM-Simulationen in den meisten Fällen verrauscht sein.
Zusätzlich muss erwähnt werden, dass ein einzelner Wert eine grobe Näherung darstellt und in diesem Fall wichtige zeitliche Merkmale vernachlässigt, wie zum Beispiel die maximale oder mittlere Verzögerung
Andererseits hat der Wert Δv eine lange Tradition bei Tiefenuntersuchungen und erweist eine starke Korrelation zu Verletzungswahrscheinlichkeiten auf. Die Wahrscheinlichkeit einer bestimmten MAIS-Stufe wird durch logistische Regression mit dem erfassten Δv-Wert in Beziehung gesetzt.
Nomenklaturliste und Symbolliste
Die nachfolgende Nomenklaturliste und Symbolliste ist aufgrund der hauptsächlich genutzten Sprache im Bereich des autonomen Fahrens und aus Konsistenzgründen zu entsprechenden genutzten Abkürzungen auf Englisch verfasst. Diese dient der Vollständigkeit halber insbesondere für die Interpretation und Auslegung der in der Beschreibung genutzten Formeln. Eventuell nicht ausgeschriebene Abkürzungen und/oder nicht erklärte Formelzeichen/-symbole können also der nachfolgenden Liste entnommen werden. Der Fachmann erhält aus den nachfolgenden Abkürzungen und Symbolnutzungen die entsprechenden Hinweise zur Berechnung der einzelnen Formeln beziehungsweise zu entsprechenden Zusammenhängen.
GDP Gross domestic product
SAE Society of Automotive Engineers
EgoOwn (ego) vehicle
TTC Time-To-Collision
NCAP New Car Assessment Programme
AIS Abbreviated Injury Scale
MAIS Maximal Abbreviated Injury Scale
Gl DAS German In-Depth Accident Study
GPU Graphics Processing Unit
FRG Federal Republic of Germany
ADAS Advanced Driver Assistance Systems
I I HS Institute for Highway Safety
ABS Anti-Iock Braking System
ESC Electronic Stability Control
AACN Advanced Automatic Crash Notification eCall Emergency call E911
TPS Third Party Services
MKB Multi collision brake
ATMS Advanced Traffic Management Systems
DMS Dynamic Message Sign
HMI Human Machine Interface
FE(M) Finit Element (Method) NASS-CDS National Automotive Sampling System - Crashworthiness
Data System
ICS Inevitable collision state
TM Tunnel Middle
TTX Time to x
TTR Time to react
TTB Time to brake
TTS Time to steer
CA Collision avoidance
CM Collision mitigation
ASIL Automotive Safety Integrity Level
TTCCP Time-to-critical-collision-probability
OEM Original Equipment Manufacturer
MPC Model Predictive Control
RK3 Runge-Kutta Integrator third order
AEB Automatic Emergency Braking
VRU Vulnerable Road User
MDP Markov Decision Process
PDF Probability density function
DOF Degree of freedom
CDF Cumulative density function
PCA Principal Component Analysis
COG Center of Gravity
SUV Sports utility vehicle
MSE Mean squared error
TP / FP True / false positives
TN / FN True / false negatives
FFNN Feed forward neuronal network
RF Random forest
CIM Centric impact model
EIM Eccentric impact model Kelvin modelTwo masses are connect by a parallel spring and damper
NOC Number of Conflicts
CV Constant velocity
CTR Constant turn rate
LHS Latin hypercube sampling
FS Functional scenario
FES Functional evaluation scenario
LS Logical scenario Concrete scenario
GA Genetic algorithm
GPSA Generalized Pattern Search Algorithm
UTYPGIDAS accident type
HIL Hardware-in-the-loop
INS Inertial Navigation System
GNSS Global Navigation Satellite System
PCM Pre-Crash-Matrix
V2I Veh i cl e-to- i nf rastru ctu re
LPTB Last point to brake
LPTS Last point to steer
SIL Software in the loop
(·) Placeholder for a variable n arbitrary counter
N Absolute number of a finite set ab,c Notation means: variable a with the properties b AND c
(e.g. ego velocity in longitudinal direction: vE,long) ab/c Notation means: variable a with the property b AND variable a with the property c (e.g., velocity v for the ego vehicle E and velocity for the target vehicle K: vE/K) a|b Event a under the condition b (e.g., accident severity under the condition of collision: |coll)
A bold, Capital letter indicates a matrix, or vector of random variables
A, a bold symbol indicates a vector or matrix P(e) Probability of event e (·)(t) Time variant value (e.g., a(t), v(t), s(t ))
(·)long Value in longitudinal direction (e.g., along)
( ·)lat Value in lateral direction (e.g., alat) pZ(z) Probability density function to the random variable
Z sample
(·) E, (·) K, (·) EK The bidirectional relation between ego vehicle E and one target object K is emphasised by the identifiers E / K / EK Z ~ N(μ, σ ) The random variable Z is normal distributed with the expected value m and Standard derivation
Z ~ N(μ,Σ) The random vector Z is normal distributed with the expected value vector μ and covariance matrix Σ The random variable z maps the sample space Ω to a
Figure imgf000027_0001
scalar value of a real number Real numbers
Figure imgf000027_0002
E(·) Expected value
(·)* Optimal value
( · )n, ( ·) t Normal and tangential direction
(·)f, (·)r Front and rear axle of the non-linear single track model
(·) and (·)' Betöre and afterwards Δ(·) Relative values (e.g., relative pose such as Δx, Δy, and Δφ)
(·) Estimated value in relation to the reference value (·)
Figure imgf000027_0003
f(·) Function in general; t time t0 Time at the moment 0 (begin of a sequence); tp, ti, tm Different time t discretisation levels (tp. between States s, ti: reward generation, tm: Integration steps dynamic model) i Index of time Step ti for the reward generation of the MDP
Figure imgf000027_0004
F Force a Acceleration; ain Input acceleration and deceleration due to the engine and brake, respectively, according to the motion planning v Velocity vrel Relative velocity vego , vE Velocity of ego vehicle vtarget, vK Velocity of target vehicle sDisplacement;
Ekin Kinetic energy p Momentum;
ΔT Deformation energy s Displacement on a trajectory; State in the MDP s ∈S; empirical Standard derivation
{S, A, T, R e, γ } 5-tupel which defines the Markov Decision Process
(MDP) with the set of States S, the set of actions A, the set of transitions T, set of rewards R e, and discount factor γ As Set of available actions a in state s aaction s' Future state in the MDP s' ∈ S with reference to state s
T (s, a, s') Transition in the MDP between the state s and s' according to the action a Re(s, a, s') Reward in the MDP between the state s and s' according to the action a f(s, a, s') Feature in the MDP which is derived between the state s and s' according to the action a θ Weight of the reward function π Policy (sample of P) π* Optimal policy π s Selected policy
Π Set of possible policies
ΔtE,dyn Step size to integrate the dynamic model τE,dyn (ΔtE,dyn = tm+1 - tm) V(s)Value in the MDP of the state s
TH Time horizon of the planning process ψ∈Ψ Accident severity as part of risk
R (criticality feature)
R,f Risk (criticality feature) - in general terms and as feature in the motion planning (partly aggregated)
Δv velocity change during crash / technical acccident severity
P(C) Collision probability
Ψ impact Severity in the moment of impact
Rthr Risk threshold for the graceful degradation
M Environment model η Accident severity prediction function ω Label for the instantaneous vehicle object (collision) configuration (ω: = zEK); Yaw rate
Instantaneous vehicle object configuration which is in
Figure imgf000028_0001
collision or not in collision
Figure imgf000028_0002
Most probable collision configuration
Ω Sample space; Random variable to the yaw rate ω Ωdyn Sample space of dynamic elements
Ωstat Sample space of static elements
Ωvoc Sample space of vehicle object constellations τ Dynamic model (e.g., τE d,yn represents the ego vehicle dynamic with a non-linear single track model) x Position in x direction y Position in y direction φ Orientation ok ∈ O The sample target vehicles ok are summarised by the set
Figure imgf000028_0004
The sample intentions of target vehicle o
Figure imgf000028_0003
k are summarised by the set H k of the target vehicle EK Bidirectional event between ego vehicle E and one target object ok= K· It relates to the substate zEK of one time Step tj of object ok with intention hj and thus is equal to
Figure imgf000029_0003
C Event collision z ∈ Z State vector as sample vector and random vector(e.g., zE ∈ ZE, zK ∈ ZK) xc ∈ Xc Object Classification as sample and random variable zE K ∈ ZE K State vector of bidirectional substate between ego E and one target object K as sample vector and random vector with
State vector with dynamic, time variant elements of z as
Figure imgf000029_0001
sample vector and random vector zstat ∈ Z stat State vector with static, time invariant elements of z as sample vector and random vector g ∈ G State vector with geometric elements of z as sample vector and random vector
Figure imgf000029_0004
Reduced state vector with geometric elements of z as sample vector and random vector p ∈ P Reduced state vector excluding geometric elements of z as sample vector and random vector zinput ∈ Zinput Reduced state vector with directly and indirectly measureable elements of z as sample vector and random vector ztrain ∈ Z train Reduced state vector with non-measureable elements of z as sample vector and random vector fcrit(s, a, s') Feature for the criticality estimation fcomfort (s, a, s' ) Feature for the comfort estimation fp rogress (s,a,s' ) Feature for the progress estimation ψ Pmax Accident severity at the most probable collision configuration
Figure imgf000029_0002
D, D’ etc. Minkowski Difference. The apostrophe indicates a transformed Minkowski Difference. δ Confidence interval for the angle probability; Steering angle
Λ Matrix of eigenvalues
V Matrix of eigenvectors α Rotation angle of eigenvectors; Angle to COG line; Accuracy function α(·); Slip angle Σ Covariance matrix l Length of a vehicle w Width of a vehicle e Restitution coefficient
M Mass matrix of multi-body System mMass; Index of time step tm for the Integration of a dynamic model
C Damper matrix of multi-body System cDamper coefficient of a damper
K Stiffness matrix of multi-body System k Stiffness of a spring, Index of objects ok ξ Additional static feature
J Moment of inertia; fmodel Established models (e.g., dynamic model τ) to map direct measreable Parameters ϱ Correlation coefficient q Weighting factor between seif and target protection
S Momentum (impact drive)
B Impact point μ Friction; Expected value r Distance vector r F Distance vector to force insertion e Error (defined as difference between the estimated and reference value such as ; Restitution
Figure imgf000030_0001
coefficient α Rotation angle of eigenvectors; angle to COG line; accuracy function α(·)
Φ( ·) Relevance function
F1 -score harmonic mean (e.g., between precision and recall) g(t) Execution time value
T-score harmonic mean (e.g., between F1-score and g(t )) σ Standard derivation; Mechanical load ϵ Deformation / displacement zcm State to the crash motion model τcm λ Eigenvalue; Constraint; Progress on trajectory (e.g., λego) kair Constant of the flow resistance ke Engine proportion relating to front and rear axle d Distance (e.g. distance between current position of the vehicle and the centerline dlat, distance to potential collision objects at the moment of appearance dappear fupdate Update frequency of the planning process
Bezugszeichenliste
1 Kraftfahrzeug
2 Assistenzsystem
3 elektronische Recheneinrichtung
4 Umgebungserfassungseinrichtung
6 Objekt
7 Umgebung
8 charakterisierende Information
9 kraftfahrzeugspezifischer Parameter
10 geometrische Repräsentation
11 Unfallschweremodell
12 Kollisionspunkt
13 mathematisches Modell
14 Trainingsprozess
15 kraftfahrzeugexterne Datenbank
16 kraftfahrzeuginterne Datenbank
17 Schwerpunktlinie
18 Schwerpunkt
19 Schwerpunkt
K Kollisionspunkt

Claims

Patentansprüche
1. Verfahren zum Bestimmen einer zukünftigen Unfallschwere (5) eines Kraftfahrzeugs (1) mit einem Objekt (6) mittels eines Assistenzsystems (2) des Kraftfahrzeugs (1), mit den Schritten:
- Erfassen einer Umgebung (7) des Kraftfahrzeugs (1) mit zumindest einer das Objekt (6) charakterisierenden Information (8) mittels einer Umgebungserfassungseinrichtung (4) des Assistenzsystems;
- Bestimmen einer geometrischen Repräsentation (10) des Objekts (6) in Abhängigkeit von der zumindest einen charakterisierenden Information (8);
- Bereitstellen eines Unfallschweremodells (11) mittels einer elektronischen Recheneinrichtung (3) des Assistenzsystems (2), wobei das Unfallschweremodell (11) auf Basis von der approximierten geometrischen Repräsentation (10) und auf Basis von zumindest einem davon abhängigen die Kollision charakterisierenden Parameter bestimmt; und
- Bestimmen der Unfallschwere (5) in Abhängigkeit von dem bestimmten die Kollision charakterisierenden Parameter mittels eines vorgegebenen mathematischen Modells (13) zur Bestimmung der Unfallschwere (5) mittels der elektronischen Recheneinrichtung (3).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als geometrischen Repräsentation (10) eine Stadiumform und/oder eine Ellipsenform und/oder eine Kreisform des Objekts bestimmt wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass zumindest ein Kollisionspunkt (12) als der die Kollision charakterisierende Parameter auf Basis einer Verschiebung der approximierten geometrischen Repräsentation (10) entlang einer Schwerpunktlinie (17) zwischen Schwerpunkten (18, 19) des Kraftfahrzeugs (1) und des Objekts (6) bestimmt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das mathematische Modell (13) auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes die Unfallschwere (5) bestimmt und/oder das mathematische Modell (13) mittels eines trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfall schwere (5) bestimmt.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das mathematische Modell (13) und/oder das Unfallschweremodell (11) mittels eines Trainingsprozesses (14) trainiert wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Bestimmen der Unfallschwere (5) eine relative Geschwindigkeitsänderung während der Kollision berücksichtigt wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in Abhängigkeit von der bestimmten Unfallschwere (5) eine Trajektorienplanung für das Kraftfahrzeug (1) und/oder eine Einstellung eines Sicherheitssystems im Kraftfahrzeug (1) durchgeführt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als charakterisierende Information (8) ein direkt messbarer Parameter des Objekts (6) und/oder ein indirekt messbarer Parameter des Objekts (6) und/oder ein in einer Datenbank (16) hinterlegter Parameter genutzt wird.
9. Computerprogrammprodukt mit Programmcodemitteln, welche eine elektronische Recheneinrichtung (3) dazu veranlassen, wenn die Programmcodemittel von dieser abarbeitet werden, ein Verfahren nach einem der Ansprüche 1 bis 8 durchzuführen.
10. Assistenzsystem (2) für ein Kraftfahrzeug (1) zum Bestimmen einer zukünftigen
Unfallschwere (5) eines Kraftfahrzeugs (1) mit einem Objekt (6), mit zumindest einer Umgebungserfassungseinrichtung (4) und mit einer elektronischen Recheneinrichtung (3), wobei das Assistenzsystem (2) zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 8 ausgebildet ist.
PCT/EP2022/058346 2021-04-01 2022-03-30 Verfahren zum bestimmen einer zukünftigen unfallschwere eines kraftfahrzeugs mit einem objekt mittels eines assistenzsystems des kraftfahrzeugs, computerprogrammprodukt sowie assistenzsystem WO2022207677A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021203354.7 2021-04-01
DE102021203354.7A DE102021203354B4 (de) 2021-04-01 2021-04-01 Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs, Computerprogrammprodukt sowie Assistenzsystem

Publications (1)

Publication Number Publication Date
WO2022207677A1 true WO2022207677A1 (de) 2022-10-06

Family

ID=81387268

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/058346 WO2022207677A1 (de) 2021-04-01 2022-03-30 Verfahren zum bestimmen einer zukünftigen unfallschwere eines kraftfahrzeugs mit einem objekt mittels eines assistenzsystems des kraftfahrzeugs, computerprogrammprodukt sowie assistenzsystem

Country Status (2)

Country Link
DE (1) DE102021203354B4 (de)
WO (1) WO2022207677A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011115875A1 (de) * 2011-10-12 2013-04-18 Volkswagen Aktiengesellschaft Verfahren für ein Fahrerassistenzsystem eines Fahrzeugs
DE102013215472A1 (de) * 2013-08-06 2015-02-12 Volkswagen Aktiengesellschaft Planung einer Auslauftrajektorie zur Kollisionsfolgenverminderung
EP2509828B1 (de) * 2009-12-10 2016-03-16 Robert Bosch GmbH Verfahren und steuergerät zur ermittlung eines typs einer kollision eines fahrzeugs
EP3633528A1 (de) * 2017-05-30 2020-04-08 IUCF-HYU (Industry-University Cooperation Foundation Hanyang University) Verfahren zur vorhersage einer kollision und vermeidung von konflikten zwischen mehreren beweglichen körpern

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10235414A1 (de) 2002-08-02 2004-02-12 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung des Bevorstehens einer unausweichbaren Kollision
DE102008005310A1 (de) 2008-01-21 2009-07-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Beeinflussung der Bewegung eines Fahrzeugs bei vorzeitigem Erkennen einer unvermeidbaren Kollision mit einem Hindernis
DE102017216061A1 (de) 2017-09-12 2019-03-14 Zf Friedrichshafen Ag Situationsabhängige Entscheidungsfindung für Fahrzeuge

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2509828B1 (de) * 2009-12-10 2016-03-16 Robert Bosch GmbH Verfahren und steuergerät zur ermittlung eines typs einer kollision eines fahrzeugs
DE102011115875A1 (de) * 2011-10-12 2013-04-18 Volkswagen Aktiengesellschaft Verfahren für ein Fahrerassistenzsystem eines Fahrzeugs
DE102013215472A1 (de) * 2013-08-06 2015-02-12 Volkswagen Aktiengesellschaft Planung einer Auslauftrajektorie zur Kollisionsfolgenverminderung
EP3633528A1 (de) * 2017-05-30 2020-04-08 IUCF-HYU (Industry-University Cooperation Foundation Hanyang University) Verfahren zur vorhersage einer kollision und vermeidung von konflikten zwischen mehreren beweglichen körpern

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BRAEUCHLE C. RUENZ ET AL: "Situation analysis and decision making for active pedestrian protection using Bayesian networks", 17 December 2013 (2013-12-17), XP055911940, Retrieved from the Internet <URL:https://mediatum.ub.tum.de/doc/1187195/1187195.pdf> [retrieved on 20220412] *
MULLER MARCUS ET AL: "A statistical learning approach for estimating the reliability of crash severity predictions", 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, 1 November 2016 (2016-11-01), pages 2199 - 2206, XP033028689, DOI: 10.1109/ITSC.2016.7795911 *
MULLER MARCUS ET AL: "Real-Time Crash Severity Estimation with Machine Learning and 2D Mass-Spring-Damper Model", 2018 21ST INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, 4 November 2018 (2018-11-04), pages 2036 - 2043, XP033470161, ISBN: 978-1-7281-0321-1, [retrieved on 20181207], DOI: 10.1109/ITSC.2018.8569471 *

Also Published As

Publication number Publication date
DE102021203354A1 (de) 2022-10-06
DE102021203354B4 (de) 2022-11-10

Similar Documents

Publication Publication Date Title
DE102021203353A1 (de) Verfahren zum Bestimmen einer Trajektorie eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogramm sowie Assistenzsystem
DE102006038151B4 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102020106262A1 (de) Vorrichtung und Verfahren zum Steuern eines autonomen Fahrzeugs
Zhao et al. Accelerated evaluation of automated vehicles using extracted naturalistic driving data
DE112009002530T5 (de) Fahrzeug und Verfahren zum Beraten eines Fahrers von selbigen
DE102019121717A1 (de) Interaktionsbewusste entscheidungsfindung
DE10353650A1 (de) System zum Analysieren eines Fahrzeug- und Fahrerverhaltens
DE102020209680B3 (de) Signalverarbeitungspfad, Vorrichtung zur Umfelderkennung und Verfahren zur Validierung eines automatisiert betreibbaren Fahrsystems
WO2020094279A1 (de) Prädiktion eines voraussichtlichen fahrverhaltens
DE102019111368A1 (de) Bestimmen des fahrzeugfahrverhaltens
DE102020108127A1 (de) Interpretieren von daten einer reinforcement-learning-agent-steuerung
DE112021006846T5 (de) Systeme und Verfahren zur szenarioabhängigen Trajektorienbewertung
Müller et al. Real-time crash severity estimation with machine learning and 2d mass-spring-damper model
DE112017007213T5 (de) Fahrzeuginsassenerkennung
DE102017219365B4 (de) Vorrichtung und Verfahren zur adaptiven Fahrzeugregelung
DE102018219760A1 (de) Kollisionsprädiktionssystem
DE102018211726A1 (de) Verfahren zum automatischen maschinellen Trainieren eines elektronischen Fahrzeugführungssystems, sowie Kraftfahrzeug
DE102021203354B4 (de) Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs, Computerprogrammprodukt sowie Assistenzsystem
DE102020105783A1 (de) Verfahren zur Erzeugung eines reduzierten neuronalen Netzes
DE102019217533A1 (de) Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien
DE102018113518A1 (de) Fahrzeugfahrer-Arbeitsbelastungsmanagement
DE102021203355A1 (de) Verfahren zum Bestimmen einer szenarioabhängigen Parametereinstellung für eine zumindest teilweise assistierte Fahrt eines Kraftfahrzeugs, Computerprogrammprodukt sowie elektronische Recheneinrichtung
DE102020127051A1 (de) Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten mittels einer Datenanalyseeinrichtung für eine technische Entität
Pickering Systems modelling and ethical decision algorithms for autonomous vehicle collisions
DE102019119168A1 (de) Fahrzeugradaufprallerkennung

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: 22718979

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 22718979

Country of ref document: EP

Kind code of ref document: A1