WO2023066559A1 - Verfahren und system zur vermeidung von wildunfällen - Google Patents

Verfahren und system zur vermeidung von wildunfällen Download PDF

Info

Publication number
WO2023066559A1
WO2023066559A1 PCT/EP2022/074591 EP2022074591W WO2023066559A1 WO 2023066559 A1 WO2023066559 A1 WO 2023066559A1 EP 2022074591 W EP2022074591 W EP 2022074591W WO 2023066559 A1 WO2023066559 A1 WO 2023066559A1
Authority
WO
WIPO (PCT)
Prior art keywords
motor vehicle
probability
occurrence
image data
computer
Prior art date
Application number
PCT/EP2022/074591
Other languages
English (en)
French (fr)
Inventor
Michel LANZ
Joe Lallemand
Original Assignee
Bayerische Motoren Werke 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 Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to CN202280062694.4A priority Critical patent/CN117957586A/zh
Publication of WO2023066559A1 publication Critical patent/WO2023066559A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Definitions

  • the present invention relates to a computer-implemented method for determining a probability of occurrence of wildlife in a predetermined area in a main driving direction of an automated motor vehicle, a control device that is designed to carry out the method, an automated motor vehicle with the control device, and a computer program product and a computer-readable storage medium, respectively comprising instructions which, when the program is executed by a control device, cause the latter to carry out the method.
  • Driver assistance systems are known from the prior art, which are built into motor vehicles and which serve to avoid accidents involving wildlife, i.e. collisions between the motor vehicle and wild animals.
  • preventive systems which calculate the probability of a wildlife accident based on input data and try to avoid a wildlife accident independently of any wildlife actually detected in the vicinity of the motor vehicle
  • reactive systems which are intended to avoid a wildlife accident after the wildlife has been detected.
  • DE 102014207 399 A1 discloses as a reactive system a system for dealing with accident risk situations involving living beings, in particular animals.
  • the system comprises at least one sensor that is set up to detect a living being in the area of the probable trajectory in the direction ahead of a vehicle and/or to determine the direction of movement of the living being, at least a first device that is set up to classify the living being, with at least two types are distinguishable from living beings, at least one second device which is set up to determine a strategy for reducing the consequences of an accident or for avoiding an accident on the basis of the classification, and a first control device which is set up for initiating at least one measure for reducing the consequences of an accident or for avoiding an accident.
  • DE 10 2013 200 731 A1 discloses a preventive method for situation-related estimation of a hazard to a vehicle.
  • the method includes receiving a location of the vehicle determined by the vehicle, receiving a current time determined by the vehicle, and searching a database for at least one entry about previously occurring damage to a vehicle at the specific location and/or its surroundings.
  • the database includes entries that each include information about the extent of damage that previously occurred on a vehicle, as well as the location and time the damage occurred. If the search of the database leads to at least one entry, the method includes estimating a value for a risk to the vehicle based on the determined location and time as well as the information about the extent of damage and the location and time of the damage occurrence, which are respectively in which includes at least one entry.
  • the estimation can be performed using statistical or probability-based methods.
  • the method further includes issuing an indication of the hazard if the estimated value exceeds a threshold.
  • a disadvantage of the method described in DE 10 2013 200 731 A1 is that it can only cover situations that are stored as entries in the database. Otherwise, an adequate assignment of the situation recorded by means of sensor data to an entry stored in the database is not possible or only possible with a possibly unsatisfactory result.
  • the object of the present invention is to specify a device and a method which are each suitable for overcoming at least the above-mentioned disadvantages of the prior art.
  • DE 10 2004 050 597 A1 describes a method for warning of living objects, in particular wild animals, on a traffic road, with results from sensor systems for detecting living objects and data from data output systems that are relevant for assessing the probability of the occurrence of living objects are on a traffic road can be linked to one another in such a way that a hazard potential can be determined.
  • the linking can take place via a neural network.
  • the object is achieved by a computer-implemented method for determining a probability of occurrence of wildlife in a predetermined area in a main driving direction of an automated motor vehicle.
  • the main direction of travel can in particular be a current direction of travel of the motor vehicle when it is moving forward, i.e. a direction of movement essentially along a longitudinal direction of the motor vehicle from a rear to a front of the motor vehicle.
  • the predetermined area is then in front of the front of the motor vehicle.
  • the main direction of travel can also be defined on the basis of a trajectory, in particular a planned trajectory, of the motor vehicle, with the trajectory running at least partially through the predetermined area.
  • the game whose probability of occurrence in the predetermined area is determined according to the method can also be referred to as hunting game.
  • wild is thus distinguished from the generic term wild animal, which generally includes all free-living animals. In particular, it can be wild Trade red deer, fallow deer and/or wild boar. It is conceivable that the game is interpreted differently by the procedure, depending on regional differences. For example, the method can have defined different animals as game for different regions, in particular for different countries. This means that in Germany, for example, a deer can be considered game, whereas a moose in Germany does not play a role in the probability of game occurring and is therefore not taken into account.
  • the probability of occurrence is a statistical probability that game is in the predetermined area and/or will be in the area, in particular when the motor vehicle is in the predetermined area.
  • computer-implemented means that all or at least one of the steps of the method are executed by a computing device.
  • This computing device can be in and/or on the motor vehicle, i.e. calculations can be performed locally, and/or external to the motor vehicle, i.e. the computing power of an external computing device, such as a server, can be used additionally or alternatively.
  • the method includes receiving image data from a camera installed in and/or on the motor vehicle, and determining the probability of occurrence based on the received image data.
  • sensor data more precisely image data or camera data
  • an algorithm which is designed to determine the probability of occurrence based on this received image data.
  • a camera not only for detecting game, but also for detecting the environment and for classifying the environment in order to determine a potential for crossing game by means of artificial intelligence.
  • the sensor data can be a temperature in a motor vehicle environment, air humidity in the motor vehicle environment, map data and/or historical data.
  • the image data can be information that was recorded from one or more images by at least one camera installed on the motor vehicle.
  • This information can include a terrain topology of the vehicle environment, a vegetation area (e.g. forest edge, forest, clearing, meadow, etc.) in the vehicle environment, light conditions in the vehicle environment, weather in the vehicle environment, current time, current season, warnings in the vehicle environment (e.g. warning signs with information for possible wild animals) and/or an actual detection of wild animals in the motor vehicle environment, in particular by means of object recognition.
  • a vegetation area e.g. forest edge, forest, clearing, meadow, etc.
  • warnings in the vehicle environment e.g. warning signs with information for possible wild animals
  • an actual detection of wild animals in the motor vehicle environment in particular by means of object recognition.
  • NDVI Normalized Density Vegetation Index or normalized differentiated vegetation index
  • map data can be used, which includes information about the topology of the terrain and/or the vegetation area (eg edge of forest, forest, clearing, meadow, etc., see above) in the vicinity of the motor vehicle.
  • the motor vehicle can be located, for example, with the aid of GPS (Global Positioning System).
  • the method is not limited to data stored locally in the motor vehicle.
  • the above-mentioned historical data which can include, for example, information about current and/or past wildlife detection and/or a collision with wildlife from other vehicles in the motor vehicle environment, can be stored in a backend and used as a basis for determining the probability of occurrence of game.
  • a wild animal biology includes, for example, a seasonal behavior and/or an activity of wild animals according to the time of day.
  • wildlife biology can be subject to regional differences, which can also be taken into account in the method.
  • the method is characterized in that the probability of occurrence is determined based on the received image data using an artificially intelligent system.
  • the artificially intelligent system may comprise, for example, an artificial neural network, such as a convolutional neural network (CNN) and/or a Bayesian network.
  • an artificial neural network such as a convolutional neural network (CNN) and/or a Bayesian network.
  • the use of the artificially intelligent system offers the advantage that it has a statistical model that is based on training data.
  • the system can thus also assess unknown data (so-called learning transfer) and the present method is not limited to certain scenarios or data records stored in a database, unlike the methods known from the prior art for predicting the probability of occurrence of game. It is conceivable, in particular, to have a driver with the artificially intelligent system To simulate local knowledge, which adapts a speed of the motor vehicle to an increased probability of occurrence of wild animals, for example at certain times, seasons and environmental conditions, based on its local knowledge and general driving experience.
  • Determining the probability of occurrence using the artificially intelligent system can determine (S31) a semantic segmentation map based on the image data, determine a depth map based on the bill data and/or 3D sensor data, fuse the semantic segmentation map and the depth map to create a obtain a semantic segmentation map with depth information, determining vegetation in a motor vehicle environment based on the semantic segmentation map with the depth information, determining the probability of occurrence based on the determined vegetation, determining the probability of occurrence based on the determined terrain.
  • determining the probability of occurrence can also take into account other existing data, such as e.g. B. weather data or data on lighting conditions include.
  • the various determination options can be used individually or in combination (in parallel or sequentially).
  • Vegetation which is also referred to as plant cover or plant clothing, can be understood as the entirety of the plant formations of a land area.
  • determining the probability of occurrence using the artificially intelligent system enables a direct sensor-based determination of the terrain in the motor vehicle environment and/or other relevant factors.
  • the method can include outputting a warning signal to a user of the motor vehicle and/or to an area surrounding the motor vehicle as a function of the probability of occurrence determined.
  • the method can include outputting a control signal for influencing a lateral and/or longitudinal guidance of the motor vehicle as a function of the probability of occurrence determined.
  • the driver can be warned by outputting virtual and/or auditory information and/or the speed of the motor vehicle can be automated by intervening in the longitudinal guidance of the motor vehicle be adjusted, in particular be limited to a further predetermined limit value.
  • the game can be targeted with an automated low beam/high beam switchover (so-called headlight flasher) and/or with warning tones ( e.g. horns) are warned or expelled.
  • the method can also include training the artificially intelligent system before and/or during use of the method in the operation of the motor vehicle.
  • the training before using the method in the operation of the motor vehicle can also be used as offline training and training during the Driving or the use of the method during operation of the motor vehicle (ie after the sale of the motor vehicle and operation by a customer/buyer of the motor vehicle) can also be referred to as online training.
  • Monitored and/or unsupervised machine learning is conceivable for both types of training.
  • the artificially intelligent system can be trained before the method is used during operation of the motor vehicle on the basis of first training data.
  • the first training data can include sensor data, in particular image data, which were recorded during a test drive by a sensor arrangement installed in and/or on a motor vehicle, in particular a camera, and which are optionally linked to a probability of occurrence.
  • the artificially intelligent system can, additionally or alternatively, be trained while the method is being used in the operation of the motor vehicle, based on second training data.
  • the second training data can include sensor data, in particular image data, recorded by the sensor arrangement installed in and/or on the motor vehicle, in particular a camera, in a situation in which game is detected using the sensor data, in particular image data, and which is optionally linked to a probability of occurrence are.
  • a wildlife accident pre-warning system that executes the method described above can have an algorithm that captures the above-mentioned input data and relates it to a probability of wildlife occurring.
  • the correlation between input data and the probability of occurrence can be initially calculated/trained using statistical methods (e.g. machine learning) using training data.
  • the system can improve itself by correlating its own sightings and/or sightings of other/other vehicles (so-called swarm intelligence) with the recorded input data and thus optimizing the parameters of the algorithm.
  • a control device is provided which is characterized in that it is designed to at least partially carry out the method described above.
  • the control device can be, for example, an electronic control unit (ECU) installed in and/or on the motor vehicle.
  • ECU electronice control unit
  • the control device can also be referred to as a device for data processing and can be connected, in particular wirelessly, to a backend.
  • the control device can be designed to send sensor data recorded by an on-board sensor system of the motor vehicle to the backend.
  • the backend can be designed to determine the probability of occurrence in the manner described above and to output it to the control device.
  • the control device can be designed to automatically control a lateral and/or longitudinal guidance of the motor vehicle depending on the probability of occurrence, in particular received from the backend.
  • an automated motor vehicle which is characterized in that the motor vehicle has the control device described above and a sensor arrangement installed in and/or on the motor vehicle, in particular a camera, which is designed to transmit the sensor data described above, in particular image data, to the output control device.
  • the motor vehicle can be an automobile.
  • the motor vehicle can be an automated automobile.
  • the automated motor vehicle can be designed to at least partially and/or temporarily assume transverse and/or longitudinal guidance during automated driving of the motor vehicle.
  • Automated driving can take place in such a way that the motor vehicle moves (largely) autonomously.
  • the motor vehicle can be a motor vehicle of autonomy level 1, ie it can have specific driver assistance systems that support the driver in operating the vehicle, such as an adaptive cruise control (ACC).
  • ACC adaptive cruise control
  • the motor vehicle can be a motor vehicle with autonomy level 2, i.e. it can be partially automated in such a way that functions such as automatic parking, lane keeping or lateral guidance, general longitudinal guidance, acceleration and/or braking are taken over by driver assistance systems.
  • the motor vehicle can be a motor vehicle with autonomy level 3, i.e. conditionally automated in such a way that the driver does not have to constantly monitor the vehicle system.
  • the motor vehicle independently performs functions such as triggering the turn signal, changing lanes and/or staying in lane.
  • the driver can turn to other things, but if necessary the system will prompt the system to take over the lead within a warning period.
  • the motor vehicle can be a motor vehicle with autonomy level 4, i.e. so highly automated that the driving of the vehicle is permanently taken over by the vehicle system. If the system can no longer handle the driving tasks, the driver can be asked to take control.
  • autonomy level 4 i.e. so highly automated that the driving of the vehicle is permanently taken over by the vehicle system. If the system can no longer handle the driving tasks, the driver can be asked to take control.
  • the motor vehicle can be a motor vehicle with autonomy level 5, i.e. fully automated in such a way that the driver is not required to perform the driving task. No human intervention is required other than setting the target and starting the system.
  • the motor vehicle can do without a steering wheel and pedals.
  • a computer program product and a computer-readable storage medium each comprising instructions that, when executed of the program by a control device causing it to at least partially carry out the method described above.
  • the control device and the motor vehicle also applies analogously to the computer program product and the computer-readable storage medium and vice versa.
  • FIGS. 1 and 2 An embodiment with reference to FIGS. 1 and 2 is described below.
  • Fig. 1 schematically shows the motor vehicle, which executes a method whose flowchart is shown in Figure 2,
  • FIG. 2 schematically shows the flow chart of the computer-implemented method for determining a probability of occurrence of wildlife in a predetermined area in a main driving direction of an automated motor vehicle
  • FIG. 3 schematically shows a flow chart of a third step of the method.
  • FIG. 1 shows an automated motor vehicle 1 in a plan view, which is moving on a road 5 in a (main) direction F of travel.
  • Motor vehicle 1 has a control device 2 and a sensor arrangement 3 connected to control device 2 .
  • the sensor arrangement 3 includes various sensors, such as a camera to visually capture an area surrounding the motor vehicle 1 and a GPS sensor to determine a position of the motor vehicle 1 .
  • the sensor data recorded by the sensor arrangement 3 are output by the sensor arrangement to the control device 2, which receives them in order to carry out the computer-implemented method described below, also with reference to FIG.
  • the computer-implemented method is used to determine a probability of occurrence of wild in a predetermined area 4 (see FIG. 1), which is located in front of the automated motor vehicle 1 in the main direction of travel F.
  • the method essentially comprises four steps S1, S2, S3, S4.
  • the method is carried out at least partially by the control device 2 .
  • an artificially intelligent system is trained, which is used in a subsequent step S3 of the method to determine the probability of occurrence.
  • the artificially intelligent system can be trained, for example, during a development process of the motor vehicle 1, i.e. before it is delivered to a customer.
  • the artificial intelligent system is trained before the method is used when the motor vehicle 1 is in operation.
  • This training in the first step S1 can be carried out by the control device 2 .
  • the artificially intelligent system it is also conceivable for the artificially intelligent system to be trained in the first step S1 with the aid of an external computing device and for the already trained artificially intelligent system to be loaded onto the control device 2 before the method is used when the motor vehicle 1 is in operation (e.g. in the Assembly/production of the motor vehicle 1 ).
  • the artificially intelligent system is trained on the basis of so-called first training data.
  • This first training data which can also be referred to as the first training data record, includes sensor data that was recorded during one or more test drives. It is conceivable that a motor vehicle of identical construction or the motor vehicle 1 itself is used for the test drive or for the multiple test drives. The method is not limited to this, however, and once the training data has been collected, it can also be used for motor vehicles of other model series and thus across model series.
  • the training data includes a corresponding probability of occurrence, which was added manually, for example (so-called manually labeled data).
  • the artificially intelligent system can be trained using the first training data and machine learning.
  • the artificially intelligent system learns from the examples contained in the training data and can generalize these after the end of the learning phase, ie after the first step S1 of the method.
  • machine learning algorithms build a statistical model based on the first training data. This means that the examples are not simply learned by heart, but that patterns and regularities are recognized in the first training data. In this way, the system can also assess unknown data (so-called learning transfer).
  • the first step S1 is followed by a second and a third step S2, S3 of the method, which can also be referred to as the method for determining the probability of occurrence in the narrower sense and which take place while the method is being used when the motor vehicle 1 is in operation.
  • control device 2 receives sensor data from the sensor arrangement 3 installed in and/or on the motor vehicle in the manner described above.
  • the control device determines the probability of game occurring in the predetermined area 4 based on the sensor data received in the second step S2. For this purpose, the control device enters this sensor data as input data into the artificially intelligent system trained in the first step S1 of the method and subsequently determines the probability of occurrence based on the received sensor data using the artificially intelligent system.
  • Method is in a fourth step S4 of the method, a control signal from the Control device 2 is output to motor vehicle 1 as a function of the probability of occurrence determined in third step S3 of the method.
  • the control signal causes the motor vehicle 1 to send a warning signal to a user of the motor vehicle, e.g. by means of a display installed in a motor vehicle interior and/or a loudspeaker system installed in the motor vehicle interior, and/or in an environment of the motor vehicle, e.g. by means a lighting system of the motor vehicle and/or a horn of the motor vehicle.
  • control signal can be used to intervene or influence a lateral and/or longitudinal guidance of the motor vehicle depending on the probability of occurrence determined in the third step S3 of the method.
  • the method can also include training the artificially intelligent system while the method is being used in the operation of the motor vehicle 1, e.g. during steps or at least partially simultaneously with steps S2, S3, S4 , include.
  • the training can be based on so-called second training data, with this second training data comprising sensor data recorded by the sensor arrangement 3 installed in and/or on the motor vehicle 1 in a situation in which game is detected using the sensor data and which can then optionally be linked to a probability of occurrence.
  • a predetermined probability value can be used to link the sensor data with the probability of occurrence.
  • the third step S3 of the method ie the determination of the occurrence probability of game in the predetermined area 4 based on the sensor data received from the camera in the second step S2 or the camera images or image data, is described in more detail below with reference to FIG .
  • the third step S3 includes five sub-steps S31-S35.
  • the camera images are semantically segmented into a number of classes, for example including a class for terrain, water, vegetation, road and/or deer crossing area, using deep artificial neural networks in order to obtain a semantic segmentation map.
  • Semantic (image) segmentation means the simultaneous clustering/segmentation of an image into image segments and classification of these image segments into a fixed number of classes. Deep artificial neural networks or deep learning methods are used for this purpose.
  • the problem of semantic segmentation can be formulated as a classification problem for each individual pixel of the image or the image data.
  • a depth map is determined, in particular calculated, based on sensor data from 3D sensors, such as a LiDAR sensor, and/or the camera images using deep learning methods.
  • a depth map is an image or image data that contains information about a distance of surfaces of scene objects from a viewpoint, here the camera.
  • a third sub-step S33 the semantic segmentation map determined in the first sub-step S31 is merged with the depth map determined in the second sub-step S32 in order to obtain a semantic segmentation map with depth information.
  • vegetation in the area surrounding the motor vehicle is determined based on the semantic segmentation map with depth information determined in the third sub-step S33.
  • the NDVI Normalized Density Vegetation Index or standardized differentiated vegetation index
  • an index based on it can be used for this purpose.
  • the terrain in the area surrounding the motor vehicle can be determined based on the semantic segmentation map with depth information determined in the third sub-step S33.
  • the probability of game occurrence is determined based on the vegetation and/or the terrain in the motor vehicle environment determined in the fourth sub-step S34.
  • a direct sensor-based detection of game e.g. based on the image data, can also be taken into account when determining the probability of occurrence of game, in particular based on the vegetation and/or the terrain determined in the fourth sub-step S34.
  • information about a time of day, a season, weather, humidity, temperature, brightness, light conditions, buildings in the area and/or forest areas in the area, in particular in the form of a statistical probability calculation can be taken into account. This information can be obtained at least partially from a vehicle-internal and/or vehicle-external database.
  • An artificially intelligent system can also be used for the third, the fourth and/or the fifth partial step S33-S35, in particular in each case. reference list

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

Bereitgestellt wird ein computerimplementiertes Verfahren zum Bestimmen einer Auftretenswahrscheinlichkeit von Wild in einem vorbestimmten Bereich in einer Hauptfahrrichtung eines automatisierten Kraftfahrzeugs. Das Verfahren umfasst ein Empfangen von Bilddaten von einer in und/oder am Kraftfahrzeug verbauten Kamera, und ein Bestimmen der Auftretenswahrscheinlichkeit basierend auf den empfangenen Bilddaten. Das Bestimmen der Auftretenswahrscheinlichkeit basierend auf den empfangenen Bilddaten erfolgt mittels einem künstlich intelligenten System.

Description

VERFAHREN UND SYSTEM ZUR VERMEIDUNG VON WILDUNFÄLLEN
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zum Bestimmen einer Auftretenswahrscheinlichkeit von Wild in einem vorbestimmten Bereich in einer Hauptfahrrichtung eines automatisierten Kraftfahrzeugs, eine Steuervorrichtung, die ausgestaltet ist, das Verfahren auszuführen, ein automatisiertes Kraftfahrzeug mit der Steuervorrichtung, sowie ein Computerprogrammprodukt und ein computerlesbares Speichermedium jeweils umfassend Befehle, die bei der Ausführung des Programms durch eine Steuervorrichtung diese veranlassen, das Verfahren auszuführen.
Aus dem Stand der Technik sind Fahrassistenzsysteme bekannt, welche in Kraftfahrzeugen verbaut sind und die zur Vermeidung von Wildunfällen, d.h. von Kollisionen des Kraftfahrzeugs mit Wildtieren, dienen.
Dabei können präventive Systeme, die basierend auf Eingangsdaten eine Wahrscheinlichkeit für einen Wildunfall berechnen und versuchen unabhängig von einem tatsächlich erkannten Wild in der Kraftfahrzeugumgebung einen Wildunfall zu vermeiden, und reaktive Systeme, die einen Wildunfall nach Erkennen des Wilds vermeiden sollen, unterschieden werden.
Als reaktives System ist aus der DE 102014207 399 A1 ein System zur Bewältigung von Unfallrisikosituationen mit Lebewesen, insbesondere Tieren, bekannt. Das System umfasst zumindest einen Sensor, der zum Aufspüren eines Lebewesens im Bereich der voraussichtlichen Trajektorie in Vorausrichtung eines Fahrzeugs und/oder zum Feststellen der Bewegungsrichtung des Lebewesens eingerichtet ist, zumindest eine erste Einrichtung, die zur Klassifizierung des Lebewesens eingerichtet ist, wobei zumindest zwei Arten von Lebewesen unterscheidbar sind, zumindest eine zweite Einrichtung die zum Ermitteln einer Strategie zur Unfallfolgenminderung oder zur Unfallvermeidung auf der Grundlage der Klassifizierung eingerichtet ist, und eine erste Steuereinrichtung, die zur Einleitung zumindest einer Maßnahme zur Unfallfolgenminderung oder zur Unfallvermeidung eingerichtet ist. Diese reaktiven Systeme stoßen insbesondere in Situationen, wie auf Landstraßen, an ihre Grenzen, bei denen sich das Kraftfahrzeug mit relativ hoher Geschwindigkeit in einem unübersichtlichen Gelände bewegt. So kann das Wild beispielsweise mittels einer Kamera teilweise erst erkannt werden, wenn ein Bremsweg bezogen auf einen Abstand zwischen dem Kraftfahrzeug und dem Wild für eine Kollisionsvermeidung bereits zu lang ist.
Aus der DE 10 2013 200 731 A1 ist ein präventives Verfahren zum situationsbezogenen Schätzen einer Gefährdung eines Fahrzeugs bekannt. Das Verfahren umfasst ein Empfangen eines durch das Fahrzeug bestimmten Ortes des Fahrzeugs, ein Empfangen einer durch das Fahrzeug bestimmten aktuellen Zeit, und ein Durchsuchen einer Datenbank nach mindestens einem Eintrag über einen vorhergehend aufgetretenen Schaden an einem Fahrzeug am bestimmten Ort und/oder dessen Umgebung. Die Datenbank umfasst Einträge, die jeweils Informationen über das vorhergehend aufgetretene Schadensmaß an einem Fahrzeug sowie den Ort und die Zeit des Schadenseintritts umfassen. Falls das Durchsuchen der Datenbank zu mindestens einem Eintrag führt, umfasst das Verfahren ein Schätzen eines Wertes für eine Gefährdung des Fahrzeugs basierend auf dem bestimmten Ort und der bestimmten Zeit sowie den Informationen über das Schadensmaß und den Ort und die Zeit des Schadenseintritts, die jeweils in dem mindestens einen Eintrag umfasst sind. Das Schätzen kann mithilfe statistischer oder auf Wahrscheinlichkeiten basierender Verfahren ausgeführt werden. Das Verfahren umfasst ferner ein Ausgeben eines Hinweises auf die Gefährdung, wenn der geschätzte Wert einen Schwellwert überschreitet.
Ein Nachteil, an dem in der DE 10 2013 200 731 A1 beschriebenen Verfahren, ist, dass dabei nur Situationen abgedeckt werden können, welche als Einträge in der Datenbank hinterlegt sind. Andernfalls ist eine adäquate Zuordnung der mittels Sensordaten erfassten Situation zu einem in der Datenbank hinterlegten Eintrag nicht oder nur mit einem ggf. unbefriedigenden Ergebnis möglich. Vor dem Hintergrund dieses Standes der Technik besteht die Aufgabe der vorliegenden Erfindung darin, eine Vorrichtung und ein Verfahren anzugeben, welche jeweils geeignet sind, zumindest die oben genannten Nachteile des Standes der Technik zu überwinden.
Die DE 10 2004 050 597 A1 beschreibt ein Verfahren zur Warnung vor lebenden Objekten, insbesondere Wild, auf einer Verkehrsstraße, wobei Ergebnisse von Sensorsystemen zur Detektion von lebenden Objekten sowie Daten von Datenausgabesystemen, die relevant für die Beurteilung einer Wahrscheinlichkeit für das Auftreten von lebenden Objekten auf einer Verkehrsstraße sind, miteinander derart verknüpft werden, so dass ein Gefahrenpotenzial bestimmt werden kann. Die Verknüpfung kann über ein neuronales Netzwerk erfolgen.
Gelöst wird die Aufgabe durch die Merkmale des unabhängigen Anspruchs. Die Unter- und Nebenansprüche haben bevorzugte Weiterbildungen der Erfindung zum Inhalt.
Danach wird die Aufgabe durch ein computerimplementiertes Verfahren zum Bestimmen einer Auftretenswahrscheinlichkeit von Wild in einem vorbestimmten Bereich in einer Hauptfahrrichtung eines automatisierten Kraftfahrzeugs gelöst.
Die Hauptfahrrichtung kann insbesondere eine aktuelle Fahrtrichtung des Kraftfahrzeugs sein, wenn sich dieses nach vorne bewegt, d.h. eine Bewegungsrichtung im Wesentlichen entlang einer Längsrichtung des Kraftfahrzeugs von einem Heck zu einer Front des Kraftfahrzeugs zeigt. Der vorbestimmte Bereich liegt dann vor der Front des Kraftfahrzeugs. Die Hauptfahrrichtung kann auch anhand einer, insbesondere geplanten, Trajektorie, des Kraftfahrzeugs definiert sein, wobei die Trajektorie zumindest teilweise durch den vorbestimmten Bereich verläuft.
Das Wild, dessen Auftretenswahrscheinlichkeit in dem vorbestimmten Bereich gemäß dem Verfahren bestimmt wird, kann auch als Jagdwild bezeichnet werden. Der Begriff Wild grenzt sich damit gegen den des Oberbegriffs Wildtier ab, der allgemein alle freilebenden Tiere umfasst. Insbesondere kann es sich bei Wild um Rotwild, Damwild und/oder Schwarzwild handeln. Dabei ist denkbar, dass das Wild je nach regionalen Unterschieden von dem Verfahren unterschiedlich aufgefasst wird. So kann das Verfahren beispielsweise für verschiedene Regionen, insbesondere für verschiedene Länder, verschiedene Tiere als Wild definiert haben. Das heißt, in Deutschland kann beispielsweise ein Reh als Wild gelten, wohingegen ein Elch in Deutschland für die Auftretenswahrscheinlichkeit von Wild keine Rolle spielt und daher nicht berücksichtigt wird. In bestimmten Regionen Skandinaviens kann die Beurteilung der Relevanz eines Elchs zu einem abweichenden Ergebnis kommen und dieser bei der Auftretenswahrscheinlichkeit von Wild berücksichtigt werden. Denkbar ist folglich, dass für verschiedene Länder bzw. Regionen verschiedene Arten von Tieren bei der Bestimmung der Auftretenswahrscheinlichkeit von Wild berücksichtigt werden.
Die Auftretenswahrscheinlichkeit ist dabei eine statistische Wahrscheinlichkeit dafür, dass sich Wild in dem vorbestimmten Bereich befindet und/oder sich in dem Bereich befinden wird, insbesondere wenn das Kraftfahrzeug sich in dem vorbestimmten Bereich befindet.
Computerimplementiert bedeutet vorliegend, dass alle oder zumindest einer der Schritte des Verfahrens von einer Rechenvorrichtung ausgeführt werden. Diese Rechenvorrichtung kann sich in und/oder am Kraftfahrzeug befinden, d.h. es kann lokal gerechnet werden, und/oder extern vom Kraftfahrzeug angeordnet sein, d.h. es kann zusätzlich oder alternativ auf die Rechenleistung einer externen Rechenvorrichtung, wie z.B. eines Servers, zurückgegriffen werden.
Das Verfahren umfasst ein Empfangen von Bilddaten von einer in und/oder am Kraftfahrzeug verbauten Kamera, und ein Bestimmen der Auftretenswahrscheinlichkeit basierend auf den empfangenen Bilddaten.
Mit anderen Worten, es werden Sensordaten, genauer gesagt Bilddaten bzw. Kameradaten, als Eingangsdaten für einen Algorithmus empfangen, der ausgestaltet ist, die Auftretenswahrscheinlichkeit basierend auf diesen empfangenen Bilddaten zu bestimmen. Damit wird im Unterschied zu herkömmlichen Verfahren vorgeschlagen, eine Kamera nicht nur zur Detektion von Wild zu nutzen, sondern sowohl zur Umfelderfassung als auch Umfeldklassifikation zur Bestimmung eines Wildwechselpotentials mittels künstlicher Intelligenz.
Bei den Sensordaten kann es sich zusätzlich zu den Bilddaten um eine Temperatur in einer Kraftfahrzeugumgebung, eine Luftfeuchtigkeit in der Kraftfahrzeugumgebung, Kartendaten und/oder historische Daten handeln.
Bei den Bilddaten kann es sich um Informationen handeln, die aus einem oder mehreren Bildern von zumindest einer am Kraftfahrzeug installierten Kamera aufgenommen wurden.
Diese Informationen können eine Geländetopologie des Kraftfahrzeugumfelds, einen Vegetationsraum (z.B. Waldrand, Wald, Lichtung, Wiese etc.) im Kraftfahrzeugumfeld, Lichtbedingung im Kraftfahrzeugumfeld, ein Wetter im Kraftfahrzeugumfeld, eine aktuelle Uhrzeit, eine aktuelle Jahreszeit, Warnhinweise im Kraftfahrzeugumfeld (z.B. Warnschilder mit Hinweisen auf mögliches Wildvorkommen) und/oder eine tatsächliche Erkennung von Wild im Kraftfahrzeugumfeld, insbesondere mittels Objekterkennung, umfassen.
Denkbar ist, dass zur Bestimmung der Vegetation im Kraftfahrzeugumfeld zusätzlich zu den Kameradaten oder alternativ dazu der NDVI (Normalized Density Vegetation Index bzw. normierter differenzierter Vegetationsindex) herangezogen wird.
Denkbar ist, dass zusätzlich oder alternativ Daten von weiteren Sensoren, die beispielsweise eine Temperatur und/oder eine Luftfeuchtigkeit im Kraftfahrzeugumfeld umfassen, herangezogen werden.
Zusätzlich oder alternativ können Kartendaten verwendet werden, welche Informationen über die Geländetopologie und/oder den Vegetationsraum (z.B. Waldrand, Wald, Lichtung, Wiese etc., s. oben) im Kraftfahrzeugumfeld umfassen. Ein Orten des Kraftfahrzeugs kann beispielsweise GPS- (Global Positioning System bzw. Globales Positionsbestimmungssystem) gestützt erfolgen.
Das Verfahren ist darüber hinaus nicht auf lokal im Kraftfahrzeug gespeicherte Daten limitiert. Die oben erwähnten historischen Daten, welche beispielsweise eine Information über eine aktuelle und/oder in der Vergangenheit erfolgte Wilderkennung und/oder eine Kollision mit Wild von weiteren Fahrzeugen in der Kraftfahrzeugumgebung umfassen können, können in einem Backend gespeichert sein und als Grundlage für die Bestimmung der Auftretenswahrscheinlichkeit von Wild dienen.
Denkbar ist auch, dass zusätzlich oder alternativ zur Bestimmung der Auftretenswahrscheinlichkeit von Wild eine Information über eine Wildtierbiologie herangezogen wird, die beispielsweise ein jahreszeitliches Verhalten und/oder eine Aktivität von Wild nach Tageszeit umfasst. Wie oben beschrieben, kann die Wildtierbiologie regionalen Unterschieden unterliegen, was ebenfalls bei dem Verfahren berücksichtigt werden kann.
Das Verfahren zeichnet sich dadurch aus, dass das Bestimmen der Auftretenswahrscheinlichkeit basierend auf den empfangenen Bilddaten mittels einem künstlich intelligenten System erfolgt.
Das künstlich intelligente System kann beispielsweise ein künstliches neuronales Netz, wie z.B. ein faltendes neuronales Netzt (Convolutional Neural Network, CNN) und/oder ein Bayes’sches Netz umfassen.
Die Verwendung des künstlich intelligenten Systems bietet dabei den Vorteil, dass dieses ein statistisches Modell aufweist, das auf Trainingsdaten beruht. Damit kann das System auch unbekannte Daten beurteilen (sog. Lerntransfer) und das vorliegende Verfahren ist nicht wie die aus dem Stand der Technik bekannten Verfahren zur Vorhersage der Auftretenswahrscheinlichkeit von Wild auf bestimmte in einer Datenbank hinterlegte Szenarien bzw. Datensätze begrenzt. Denkbar ist insbesondere mit dem künstlich intelligenten System einen Fahrer mit Ortskenntnissen zu simulieren, der aufgrund seiner Ortskenntnis und genereller Fahrerfahrung beispielsweise zu bestimmten Uhrzeiten, Jahreszeiten und Umweltbedingungen eine Geschwindigkeit des Kraftfahrzeugs an eine gesteigerte Auftretenswahrscheinlichkeit von Wild anpasst.
Nachfolgend werden bevorzugte Weiterbildungen des oben beschriebenen Verfahrens erläutert.
Das Bestimmen der Auftretenswahrscheinlichkeit mittels dem künstlich intelligenten System kann ein Bestimmen (S31 ) einer semantischen Segmentierungskarte basierend auf den Bilddaten, ein Bestimmen einer Tiefenkarte basierend auf den Billdaten und/oder 3D-Sensordaten, ein Fusionieren der semantischen Segmentierungskarte und der Tiefenkarte, um so eine semantische Segmentierungskarte mit Tiefeninformationen zu erhalten, ein Bestimmen einer Vegetation in einem Kraftfahrzeugumfeld basierend auf der semantischen Segmentierungskarte mit den Tiefeninformationen, ein Bestimmen der Auftretenswahrscheinlichkeit basierend auf der bestimmten Vegetation, ein Bestimmen der Auftretenswahrscheinlichkeit basierend auf dem bestimmten Terrain umfassen. Zusätzlich oder alternativ kann das Bestimmen der Auftretenswahrscheinlichkeit auch eine Berücksichtigung weiterer vorhandener Daten, wie z. B. Wetterdaten oder Daten zu Lichtverhältnissen, umfassen. Die verschiedenen Bestimmungsmöglichkeiten können einzeln oder in Kombination (parallel oder sequenziell) herangezogen werden.
Dies ermöglicht eine direkte sensorbasierte Klassifikation der Umgebung, insbesondere eine direkte sensorbasierte Bestimmung der Vegetation im Kraftfahrzeugumfeld (z.B. unter Nutzung des bereits oben beschriebenen NDVI bzw. Normalized Density Vegetation Index). Daraus lässt sich z.B. die Artenverteilung und Gesundheit der Vegetation ableiten sowie, direkt und/oder indirekt, die Auftretenswahrscheinlichkeit für das Wild.
Unter Vegetation, die auch als Pflanzendecke oder Pflanzenkleid bezeichnet wird, kann die Gesamtheit der Pflanzenformationen einer Landfläche verstanden werden. Alternativ oder zusätzlich ermöglicht das Bestimmen der Auftretenswahrscheinlichkeit mittels dem künstlich intelligenten System eine direkte sensorbasierte Bestimmung des Terrains im Kraftfahrzeugumfeld und/oder weiterer relevanter Faktoren.
Das Verfahren kann ein Ausgeben eines Warnsignals an einen Nutzer des Kraftfahrzeugs und/oder in eine Umgebung des Kraftfahrzeugs in Abhängigkeit der bestimmten Auftretenswahrscheinlichkeit umfassen.
Zusätzlich oder alternativ kann das Verfahren ein Ausgeben eines Steuersignals zur Beeinflussung einer Quer- und/oder Längsführung des Kraftfahrzeugs in Abhängigkeit der bestimmten Auftretenswahrscheinlichkeit umfassen.
Mit anderen Worten und konkreter ausgedrückt: Bei einer entsprechend hohen Auftretenswahrscheinlichkeit, die z.B. einen vorbestimmten Grenzwert übersteigt, kann der Fahrer durch Ausgabe einer virtuellen und/oder auditiven Information gewarnt und/oder die Geschwindigkeit des Kraftfahrzeugs kann durch einen Eingriff in die Längsführung des Kraftfahrzeugs automatisiert angepasst werden, insbesondere auf einen weiteren vorbestimmten Grenzwert limitiert werden. Im Fall einer automatisierten Erkennung von Wild, z.B. mittels Kameradaten, bei der die Auftretenswahrscheinlichkeit nahezu 100% beträgt (sog. tatsächliche Erkennung), kann das Wild gezielt mit einer automatisierten Abblendlicht/Fernlicht-Umschaltung (sog. Lichthupe) und/oder mit Warntönen (z.B. Hupen) gewarnt bzw. vertrieben werden.
Das Verfahren kann auch ein Trainieren des künstlichen intelligenten Systems vor und/oder während einem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs umfassen.
Das Trainieren vor dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs (d.h. vor dem Verkauf des Kraftfahrzeugs und Betrieb durch einen Kunden/Käufer des Kraftfahrzeugs) kann auch als offline Trainieren und das Trainieren während der Fahrt bzw. dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs (d.h. nach dem Verkauf des Kraftfahrzeugs und Betrieb durch einen Kunden/Käufer des Kraftfahrzeugs) kann auch als online Trainieren bezeichnet werden. Für beide Arten des Trainierens ist ein überwachtes und/oder ein nicht überwachtes maschinelles Lernen denkbar.
Das Trainieren des künstlich intelligenten Systems vor dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs kann basierend auf ersten Trainingsdaten erfolgen. Die ersten Trainingsdaten können Sensordaten, insbesondere Bilddaten, umfassen, die bei einer Testfahrt von einer in und/oder an einem Kraftfahrzeug verbauten Sensoranordnung, insbesondere einer Kamera, aufgenommen wurden und die optional mit einer Auftretenswahrscheinlichkeit verknüpft sind.
Das Trainieren des künstlich intelligenten Systems kann, zusätzlich oder alternativ, während dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs basierend auf zweiten Trainingsdaten erfolgen. Die zweiten Trainingsdaten können von der in und/oder an dem Kraftfahrzeug verbauten Sensoranordnung, insbesondere einer Kamera, in einer Situation aufgenommene Sensordaten, insbesondere Bilddaten, umfassen, bei denen Wild mittels der Sensordaten, insbesondere Bilddaten, erkannt wird und die optional mit einer Auftretenswahrscheinlichkeit verknüpft sind.
Mit anderen Worten, ein Wildunfallvorwarnsystem, das oben beschriebenes Verfahren ausführt, kann einen Algorithmus aufweisen, welcher die oben genannten Eingangsdaten erfasst und mit einer Auftretenswahrscheinlichkeit von Wild in Verhältnis setzt. Die Korrelation zwischen Eingangsdaten und Auftretenswahrscheinlichkeit kann durch statistische Methoden (z.B. maschinelles Lernen) mithilfe von Trainingsdaten initial berechnet/antrainiert werden. Im Betrieb kann sich das System selbstständig verbessern, indem es eigene Sichtungen und/oder Sichtungen weitere/anderen Kraftfahrzeuge (sog. Schwarm Intelligenz) von Wild mit den erfassten Eingangsdaten in Korrelation setzt und die Parameter des Algorithmus so optimiert. Ferner wird eine Steuervorrichtung bereitgestellt, die sich dadurch auszeichnet, dass sie ausgestaltet ist, das oben beschriebene Verfahren zumindest teilweise auszuführen. Bei der Steuervorrichtung kann es sich beispielsweise um eine in und/oder am Kraftfahrzeug verbaute electronic control unit (ECU) handeln.
Die Steuervorrichtung kann auch als Vorrichtung zur Datenverarbeitung bezeichnet werden und kann, insbesondere drahtlos, mit einem Backend verbunden sein. Die Steuervorrichtung kann ausgestaltet sein, um von einer Bordsensorik des Kraftfahrzeugs erfasste Sensordaten an das Backend zu senden. Das Backend kann ausgestaltet sein, um die Auftretenswahrscheinlichkeit in oben beschriebener Weise zu bestimmen und an die Steuervorrichtung auszugeben. Die Steuervorrichtung kann ausgestaltet sein, um eine Quer- und/oder Längsführung des Kraftfahrzeugs in Abhängigkeit der, insbesondere vom dem Backend empfangenen, Auftretenswahrscheinlichkeit automatisiert zu steuern.
Das oben mit Bezug zum Verfahren Beschriebene gilt analog auch für die Steuervorrichtung und umgekehrt.
Ferner wird ein automatisiertes Kraftfahrzeug bereitgestellt, das sich dadurch auszeichnet, dass das Kraftfahrzeug die oben beschriebene Steuervorrichtung und eine in und/oder am Kraftfahrzeug verbaute Sensoranordnung, insbesondere Kamera, aufweist, die ausgestaltet ist, um die oben beschriebenen Sensordaten, insbesondere Bilddaten, an die Steuervorrichtung auszugeben.
Bei dem Kraftfahrzeug kann es sich um ein Automobil handeln. Bei dem Kraftfahrzeug kann es sich um ein automatisiertes Automobil handeln.
Das automatisierte Kraftfahrzeug kann ausgestaltet sein, um eine Quer- und/oder eine Längsführung bei einem automatisierten Fahren des Kraftfahrzeugs zumindest teilweise und/oder zeitweise zu übernehmen.
Das automatisierte Fahren kann so erfolgen, dass die Fortbewegung des Kraftfahrzeugs (weitgehend) autonom erfolgt. Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 1 sein, d.h. bestimmte Fahrerassistenzsysteme aufweisen, die den Fahrer bei der Fahrzeugbedienung unterstützen, wie beispielsweise einen Abstandsregeltempomat (ACC).
Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 2 sein, d.h. so teilautomatisiert sein, dass Funktionen wie automatisches Einparken, Spurhalten bzw. Querführung, allgemeine Längsführung, Beschleunigen und/oder Abbremsen von Fahrerassistenzsystemen übernommen werden.
Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 3 sein, d.h. so bedingungsautomatisiert, dass der Fahrer das System Fahrzeug nicht durchgehend überwachen muss. Das Kraftfahrzeug führt selbstständig Funktionen wie das Auslösen des Blinkers, Spurwechsel und/oder Spurhalten durch. Der Fahrer kann sich anderen Dingen zuwenden, wird aber bei Bedarf innerhalb einer Vorwarnzeit vom System aufgefordert die Führung zu übernehmen.
Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 4 sein, d.h. so hochautomatisiert, dass die Führung des Fahrzeugs dauerhaft vom System Fahrzeug übernommen wird. Werden die Fahraufgaben vom System nicht mehr bewältigt, kann der Fahrer aufgefordert werden, die Führung zu übernehmen.
Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 5 sein, d.h. so vollautomatisiert, dass der Fahrer zum Erfüllen der Fahraufgabe nicht erforderlich ist. Außer dem Festlegen des Ziels und dem Starten des Systems ist kein menschliches Eingreifen erforderlich. Das Kraftfahrzeug kann ohne Lenkrad und Pedale auskommen.
Das oben mit Bezug zum Verfahren und zur Steuervorrichtung Beschriebene gilt analog auch für das Kraftfahrzeug und umgekehrt.
Ferner wird ein Computerprogrammprodukt und ein computerlesbares Speichermedium bereitgestellt, die jeweils Befehle umfassen, die bei der Ausführung des Programms durch eine Steuervorrichtung diese veranlassen, das oben beschriebene Verfahren zumindest teilweise auszuführen. Das oben mit Bezug zum Verfahren, zur Steuervorrichtung und zum Kraftfahrzeug Beschriebene gilt analog auch jeweils für das Computerprogrammprodukt und das computerlesbare Speichermedium und umgekehrt.
Nachfolgend wird eine Ausführungsform mit Bezug zu Figuren 1 und 2 beschrieben.
Fig. 1 zeigt schematisch das Kraftfahrzeug, welches ein Verfahren, dessen Ablaufdiagramm in Figur 2 dargestellt ist, ausführt,
Fig. 2 zeigt schematisch das Ablaufdiagramm des computerimplementierten Verfahrens zum Bestimmen einer Auftretenswahrscheinlichkeit von Wild in einem vorbestimmten Bereich in einer Hauptfahrrichtung eines automatisierten Kraftfahrzeugs, und
Fig. 3 zeigt schematisch ein Ablaufdiagramm eines dritten Schritts des Verfahrens.
In Figur 1 ist ein automatisiertes Kraftfahrzeug 1 in einer Draufsicht dargestellt, welches sich auf einer Straße 5 in einer (Haupt-) Fahrtrichtung F bewegt. Das Kraftfahrzeug 1 weist eine Steuervorrichtung 2 und eine zu der Steuervorrichtung 2 verbundene Sensoranordnung 3 auf. Die Sensoranordnung 3 umfasst verschiedene Sensoren, wie beispielsweise eine Kamera, um eine Umgebung des Kraftfahrzeugs 1 visuell zu erfassen, und einen GPS-Sensor, um eine Position des Kraftfahrzeugs 1 zu bestimmen. Die von der Sensoranordnung 3 erfassten Sensordaten werden von der Sensoranordnung zu der Steuervorrichtung 2 ausgegeben, welche diese empfängt, um das nachfolgend auch mit Bezug zu Figur 2 beschriebene computerimplementierte Verfahren auszuführen.
Das computerimplementierte Verfahren, dessen Ablaufdiagramm in Figur 2 dargestellt ist, dient zum Bestimmen einer Auftretenswahrscheinlichkeit von Wild in einem vorbestimmten Bereich 4 (s. Figur 1 ), der sich in der Hauptfahrrichtung F vor dem automatisierten Kraftfahrzeug 1 befindet.
Das Verfahren umfasst, wie Figur 2 zu entnehmen ist, im Wesentlichen vier Schritte S1 , S2, S3, S4. Das Verfahren wird zumindest teilweise von der Steuervorrichtung 2 ausgeführt.
In einem ersten Schritt S1 des Verfahrens erfolgt ein Trainieren eines künstlich intelligenten Systems, welches in einem nachfolgenden Schritt S3 des Verfahrens zum Bestimmen der Auftretenswahrscheinlichkeit verwendet wird. Das Trainieren des künstlich intelligenten Systems kann beispielsweise während einem Entwicklungsprozess des Kraftfahrzeugs 1 , d.h. vor dessen Auslieferung an einen Kunden, erfolgen.
Mit anderen Worten, in einem initialen Schritt S1 des Verfahrens erfolgt das Trainieren des künstlichen intelligenten Systems vor einem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs 1. Dieses Trainieren im ersten Schritt S1 kann von der Steuervorrichtung 2 ausgeführt werden. Denkbar ist aber auch, dass das Trainieren des künstlich intelligenten Systems in dem ersten Schritt S1 unter Zuhilfenahme einer externen Rechenvorrichtung erfolgt und das bereits trainierte künstlich intelligente System vor dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs 1 auf die Steuervorrichtung 2 geladen wird (z.B. bei der Montage/Produktion des Kraftfahrzeugs 1 ).
Das Trainieren des künstlich intelligenten Systems erfolgt in dem ersten Schritt S1 des Verfahrens basierend auf sog. ersten Trainingsdaten. Diese ersten Trainingsdaten, welche auch als erster Trainingsdatensatz bezeichnet werden können, umfassen Sensordaten, die bei einer oder mehreren Test- bzw. Probefahrten aufgezeichnet wurden. Denkbar ist, dass bei der Testfahrt bzw. bei den mehreren Testfahrten ein baugleiches Kraftfahrzeug oder das Kraftfahrzeug 1 selbst verwendet wird. Das Verfahren ist darauf aber nicht limitiert und einmal gesammelte Trainingsdaten können auch für Kraftfahrzeuge anderer Baureihen und damit baureihenübergreifend verwendet werden. Neben den aufgezeichneten Sensordaten umfassen die Trainingsdaten eine jeweils korrespondierende Auftretenswahrscheinlichkeit, die beispielsweise manuell hinzugefügt wurde (sog. händisch gelabelte Daten). So kann mittels der ersten Trainingsdaten und maschinellem Lernen das künstlich intelligente System angelernt werden. Das künstlich intelligente System lernt dabei aus den in den Trainingsdaten enthaltenen Beispielen und kann diese nach Beendigung der Lernphase, d.h. nach dem ersten Schritt S1 des Verfahrens, verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf den ersten Trainingsdaten beruht. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den ersten Trainingsdaten erkannt. So kann das System auch unbekannte Daten beurteilen (sog. Lerntransfer).
Nach dem ersten Schritt S1 folgen ein zweiter und ein dritter Schritt S2, S3 des Verfahrens, welche auch als das Verfahren zum Bestimmen der Auftretenswahrscheinlichkeit im engeren Sinne bezeichnet werden können und die während dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs 1 ablaufen.
In dem zweiten Schritt S2 des Verfahrens empfängt die Steuervorrichtung 2 in oben beschriebener Weise Sensordaten von der in und/oder am Kraftfahrzeug verbauten Sensoranordnung 3.
In dem dritten Schritt S3 des Verfahrens bestimmt die Steuervorrichtung die Auftretenswahrscheinlichkeit von Wild in dem vorbestimmten Bereich 4 basierend auf den im zweiten Schritt S2 empfangenen Sensordaten. Dazu gibt die Steuervorrichtung diese Sensordaten als Eingangsdaten in das im ersten Schritt S1 des Verfahrens trainierte künstlich intelligenten System ein und bestimmt die Auftretenswahrscheinlichkeit nachfolgend basierend auf den empfangenen Sensordaten mittels des künstlich intelligenten Systems.
Nach dem Bestimmen der Auftretenswahrscheinlichkeit in dem dritten Schritt S3 des
Verfahrens wird in einem vierten Schritt S4 des Verfahrens ein Steuersignal von der Steuervorrichtung 2 an das Kraftfahrzeug 1 in Abhängigkeit der im dritten Schritt S3 des Verfahrens bestimmten Auftretenswahrscheinlichkeit ausgegeben.
Je nach Höhe der Auftretenswahrscheinlichkeit veranlasst das Steuersignal das Kraftfahrzeug 1 dazu, ein Warnsignal an einen Nutzer des Kraftfahrzeugs, z.B. mittels eines in einem Kraftfahrzeuginnenraum verbauten Displays und/oder einem in dem Kraftfahrzeuginnenraum verbauten Lautsprechersystems, und/oder in eine Umgebung des Kraftfahrzeugs, z.B. mittels einer Lichtanlage des Kraftfahrzeugs und/oder einer Hupe des Kraftfahrzeugs, abzugeben bzw. auszugeben.
Zusätzlich oder alternativ kann mittels des Steuersignals in eine Quer- und/oder Längsführung des Kraftfahrzeugs in Abhängigkeit der im dritten Schritt S3 des Verfahrens bestimmten Auftretenswahrscheinlichkeit eingegriffen werden bzw. diese beeinflusst werden.
Zusätzlich oder alternativ zu dem oben beschriebenen Anlernen des künstlich intelligenten Systems kann das Verfahren auch ein Trainieren des künstlichen intelligenten Systems während dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs 1 , z.B. während der Schritte bzw. zumindest teilweise simultan zu den Schritten S2, S3, S4, umfassen.
Das oben mit Bezug zum ersten Schritt S1 beschriebene gilt dabei analog auch für das Tainieren des künstlich intelligenten Systems während dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs 1 . Das heißt basierend auf sog. zweiten Trainingsdaten kann das Trainieren erfolgen, wobei diese zweiten Trainingsdaten von der in und/oder an dem Kraftfahrzeug 1 verbauten Sensoranordnung 3 in einer Situation aufgenommene Sensordaten umfassen, bei denen Wild mittels der Sensordaten erkannt wird und die dann optional mit einer Auftretenswahrscheinlichkeit verknüpft werden. Für das Verknüpfen der Sensordaten mit der Auftretenswahrscheinlichkeit kann beispielsweise ein vorbestimmter Wahrscheinlichkeitswert verwendet werden. Nachfolgend wird der dritte Schritt S3 des Verfahrens, d.h. das Bestimmen der Auftretenswahrscheinlichkeit von Wild in dem vorbestimmten Bereich 4 basierend auf den im zweiten Schritt S2 von der Kamera empfangenen Sensordaten bzw. der Kamerabilder bzw. Bilddaten, weiter im Detail mit Bezug zu Figur 3 beschrieben.
Der dritte Schritt S3 umfasst fünf Teilschritte S31 - S35. In einem ersten Teilschritt S31 erfolgt eine semantische Segmentierung der Kamerabilder in eine Vielzahl von Klassen, beispielsweise umfassend eine Klasse für Terrain, Wasser, Vegetation, Straße und/oder Wildwechselgebiet, mittels tiefer künstlicher neuronaler Netze, um so eine semantische Segmentierungskarte zu erhalten.
Unter der semantischen (Bild-) Segmentierung versteht man die gleichzeitige Clusterung/Segmentierung eines Bildes in Bildsegmente und Klassifikation dieser Bildsegmente in eine feste Anzahl von Klassen. Dazu werden tiefe künstliche neuronale Netze bzw. Deep-Learning-Verfahren eingesetzt. Das Problem der semantischen Segmentierung kann als ein Klassifikationsproblem für jeden einzelnen Pixel des Bildes bzw. der Bilddaten formuliert werden.
In einem zweiten Teilschritt S32 erfolgt eine Bestimmung, insbesondere eine Berechnung, einer Tiefenkarte basierend auf Sensordaten von 3D-Sensoren, wie z.B. einem LiDAR-Sensor, und/oder den Kamerabildern mit Deep Learning Verfahren.
Eine Tiefenkarte ist ein Bild oder Bilddaten, das bzw. die Informationen über eine Entfernung von Oberflächen von Szenenobjekten von einem Blickpunkt, hier von der Kamera, enthält.
Anschließend erfolgt in einem dritten Teilschritt S33 eine Fusion der in dem ersten Teilschritt S31 bestimmten semantischen Segmentierungskarte mit der in dem zweiten Teilschritt S32 bestimmten Tiefenkarte, um so eine semantische Segmentierungskarte mit Tiefeninformationen zu erhalten. In einem vierten Teilschritt S34 erfolgt eine Bestimmung einer Vegetation im Kraftfahrzeugumfeld basierend auf der in dem dritten Teilschritt S33 bestimmten semantischen Segmentierungskarte mit Tiefeninformationen. Dazu kann der NDVI (Normalized Density Vegetation Index bzw. normierter differenzierter Vegetationsindex) oder ein daran angelehnter Index genutzt werden. Alternativ oder zusätzlich kann in dem vierten Teilschritt S34 ein Bestimmung des Terrains im Kraftfahrzeugumfeld basierend auf der in dem dritten Teilschritt S33 bestimmten semantischen Segmentierungskarte mit Tiefeninformationen erfolgen.
In einem fünften Teilschritt S35 erfolgt das Bestimmen der Auftretenswahrscheinlichkeit von Wild basierend auf der in dem vierten Teilschritt S34 bestimmten Vegetation und/oder des Terrains im Kraftfahrzeugumfeld. Bei der Bestimmung der Auftretenswahrscheinlichkeit von Wild, insb. basierend auf der in dem vierten Teilschritt S34 bestimmten Vegetation und/oder des Terrains, kann auch eine direkte sensorbasierte Detektion von Wild, z.B. basierend auf den Bilddaten, berücksichtigt werden. Zusätzlich oder alternativ kann eine Information über eine Tageszeit, eine Jahreszeit, ein Wetter, eine Luftfeuchtigkeit, eine Temperatur, eine Helligkeit, Lichtverhältnisse, eine Bebauung der Umgebung und/oder Waldgebiete in der Umgebung, insbesondere in Form einer statistischen Wahrscheinlichkeitsberechnung, berücksichtigt werden. Diese Informationen können zumindest teilweise aus einer kraftfahrzeuginternen und/oder kraftfahrzeugexternen Datenbank gewonnen werden.
Auch für den dritten, den vierten und/oder den fünften Teilschritt S33 - S35 kann, insbesondere jeweils, ein künstlich intelligentes System genutzt werden. Bezugszeichenliste
1 Kraftfahrzeug 2 Steuervorrichtung
3 Sensoranordnung
4 vorbestimmter Bereich
5 Straße
F Hauptfahrrichtung des Kraftfahrzeugs S1-S4 Schritte des Verfahrens
S31 - S35 Teilschritte des dritten Schritts des Verfahrens

Claims

Patentansprüche Computerimplementiertes Verfahren zum Bestimmen einer Auftretenswahrscheinlichkeit von Wild in einem vorbestimmten Bereich (4) in einer Hauptfahrrichtung (F) eines automatisierten Kraftfahrzeugs (1 ), wobei das Verfahren umfasst:
- Empfangen (S2) von Bilddaten von einer in und/oder am Kraftfahrzeug (1 ) verbauten Sensoranordnung (3), und
- Bestimmen (S3) der Auftretenswahrscheinlichkeit basierend auf den empfangenen Bilddaten, dadurch gekennzeichnet, dass
- das Bestimmen (S3) der Auftretenswahrscheinlichkeit basierend auf den empfangenen Bilddaten mittels einem künstlich intelligenten System erfolgt. Computerimplementiertes Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das Bestimmen (S3) der Auftretenswahrscheinlichkeit mittels dem künstlich intelligenten System umfasst:
- Bestimmen (S31 ) einer semantischen Segmentierungskarte basierend auf den Bilddaten,
- Bestimmen (S32) einer Tiefenkarte basierend auf den Billdaten und/oder 3D-Sensordaten,
- Fusionieren (S33) der semantischen Segmentierungskarte und der Tiefenkarte, um so eine semantische Segmentierungskarte mit Tiefeninformationen zu erhalten,
- Bestimmen (S34) einer Vegetation und/oder eines Terrains in einem Kraftfahrzeugumfeld basierend auf der semantischen Segmentierungskarte mit den Tiefeninformationen, und
- Bestimmen (S35) der Auftretenswahrscheinlichkeit basierend auf der bestimmten Vegetation und/oder des bestimmten Terrains. Computerimplementiertes Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Verfahren ein Ausgeben (S4) eines Warnsignals an einen Nutzer des Kraftfahrzeugs (1 ) und/oder in eine Umgebung des Kraftfahrzeugs (1 ) in Abhängigkeit der bestimmten Auftretenswahrscheinlichkeit umfasst. Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das Verfahren ein Ausgeben (S4) eines Steuersignals zur Beeinflussung einer Quer- und/oder Längsführung des Kraftfahrzeugs (1 ) in Abhängigkeit der bestimmten Auftretenswahrscheinlichkeit umfasst. Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass das Verfahren ein Trainieren (S1 ) des künstlichen intelligenten Systems vor und/oder während einem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs (1 ) umfasst. Computerimplementiertes Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass das Trainieren (S1 ) des künstlich intelligenten Systems vor dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs (1) basierend auf ersten Trainingsdaten erfolgt, die Bilddaten umfassen, die bei einer Testfahrt von einer in und/oder an einem Kraftfahrzeug verbauten Kamera aufgenommen wurden und die optional mit einer
Auftretenswahrscheinlichkeit verknüpft sind. Computerimplementiertes Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass das Trainieren des künstlich intelligenten Systems während dem Einsatz des Verfahrens im Betrieb des Kraftfahrzeugs (1) basierend auf zweiten Trainingsdaten erfolgt, die von der in und/oder an dem Kraftfahrzeug (1 ) verbauten Kamera (3) in einer Situation aufgenommene Bilddaten umfassen, bei denen Wild mittels der Bilddaten erkannt wird und die optional mit einer Auftretenswahrscheinlichkeit verknüpft sind.
8. Steuervorrichtung (2), dadurch gekennzeichnet, dass die Steuervorrichtung (2) ausgestaltet ist, das Verfahren nach einem der Ansprüche 1 bis 7 auszuführen. 9. Automatisiertes Kraftfahrzeug (1 ), dadurch gekennzeichnet, dass das
Kraftfahrzeug (1 ) die Steuervorrichtung (2) nach Anspruch 8 und eine in und/oder am Kraftfahrzeug (1 ) verbaute Kamera (3) aufweist, die ausgestaltet ist, um Bilddaten an die Steuervorrichtung (2) auszugeben. 10. Computerprogrammprodukt und/oder computerlesbares Speichermedium, umfassend Befehle, die bei der Ausführung des Programms bzw. der Befehle durch eine Steuervorrichtung (2) diese veranlassen, das Verfahren nach einem der Ansprüche 1 bis 7 auszuführen.
PCT/EP2022/074591 2021-10-18 2022-09-05 Verfahren und system zur vermeidung von wildunfällen WO2023066559A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202280062694.4A CN117957586A (zh) 2021-10-18 2022-09-05 用于避免野兽事故的方法和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021126952.0 2021-10-18
DE102021126952.0A DE102021126952A1 (de) 2021-10-18 2021-10-18 Verfahren und system zur vermeidung von wildunfällen

Publications (1)

Publication Number Publication Date
WO2023066559A1 true WO2023066559A1 (de) 2023-04-27

Family

ID=83398176

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/074591 WO2023066559A1 (de) 2021-10-18 2022-09-05 Verfahren und system zur vermeidung von wildunfällen

Country Status (3)

Country Link
CN (1) CN117957586A (de)
DE (1) DE102021126952A1 (de)
WO (1) WO2023066559A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004050597A1 (de) 2004-10-15 2006-04-27 Daimlerchrysler Ag Wildwechselwarnvorrichtung und Verfahren zur Warnung vor lebenden Objekten auf einer Verkehrsstraße
DE102013200731A1 (de) 2013-01-18 2014-07-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum situationsbezogenen Schätzen einer Gefährdung eines Fahrzeugs
DE102014207399A1 (de) 2014-04-17 2015-10-22 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zur Bewältigung von Unfallrisikosituationen mit Lebewesen

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012025364A1 (de) 2012-12-28 2014-07-03 Volkswagen Aktiengesellschaft Verfahren zur Wiedergabe einer auf einen Wildwechsel bezogenen Warnung an den Fahrer eines Kraftfahrzeuges und Wildwarnsystem

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004050597A1 (de) 2004-10-15 2006-04-27 Daimlerchrysler Ag Wildwechselwarnvorrichtung und Verfahren zur Warnung vor lebenden Objekten auf einer Verkehrsstraße
DE102013200731A1 (de) 2013-01-18 2014-07-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum situationsbezogenen Schätzen einer Gefährdung eines Fahrzeugs
DE102014207399A1 (de) 2014-04-17 2015-10-22 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zur Bewältigung von Unfallrisikosituationen mit Lebewesen

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ACVC A COMPUTER VISION COMPANY: "Mask R CNN on Lidar", 22 March 2021 (2021-03-22), XP093002797, Retrieved from the Internet <URL:https://www.youtube.com/watch?v=_ayO6PqbFeo> [retrieved on 20221129] *
ACVC A COMPUTER VISION COMPANY: "PSPNet on Lidar", 22 March 2021 (2021-03-22), XP093002796, Retrieved from the Internet <URL:https://www.youtube.com/watch?v=yNXTAxhB-Ds> [retrieved on 20221128] *
ACVC: "aCVC, a Computer Vision Company", 5 September 2021 (2021-09-05), XP093002731, Retrieved from the Internet <URL:https://a-cvc.com/DE/Softwarepacket/> [retrieved on 20221128] *
ANONYMOUS: "Class Names of MS-COCO classes in order of Detectron dict", 5 March 2018 (2018-03-05), XP093002795, Retrieved from the Internet <URL:https://gist.github.com/AruniRC/7b3dadd004da04c80198557db5da4bda> [retrieved on 20221129] *
KAIMING HE ET AL: "Mask R-CNN", 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV), 1 October 2017 (2017-10-01), pages 2980 - 2988, XP055745836, ISBN: 978-1-5386-1032-9, DOI: 10.1109/ICCV.2017.322 *
REN SHAOQING ET AL: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 6 January 2016 (2016-01-06), pages 1 - 14, XP055821951, Retrieved from the Internet <URL:https://arxiv.org/abs/1506.01497> [retrieved on 20210707] *

Also Published As

Publication number Publication date
CN117957586A (zh) 2024-04-30
DE102021126952A1 (de) 2023-04-20

Similar Documents

Publication Publication Date Title
EP3160813B1 (de) Verfahren zur erstellung eines umfeldmodells eines fahrzeugs
EP3155603B1 (de) Verfahren zur ermittlung von positionsdaten zur nutzung beim betrieb eines fahrzeugsystems eines kraftfahrzeugs und positionsdatenermittlungs- und -verteilungssystem
DE102014109936B4 (de) Interaktives automatisiertes Fahrsystem
DE102019205223A1 (de) Einfädelverhaltenssysteme und Verfahren zum Einfädeln von Fahrzeugen
DE102019205228A1 (de) Einfädelverhaltenssysteme und Verfahren für Fahrzeuge auf einer Hauptspur
DE102016212700A1 (de) Verfahren und System zur Steuerung eines Fahrzeugs
DE102018117380A1 (de) Bremsvorhersage und -eingriff
DE102019127229A1 (de) System und verfahren zum bestimmen einer vertrautheit eines fahrzeugdatensatzes
EP3543985A1 (de) Simulieren verschiedener verkehrssituationen für ein testfahrzeug
DE102007037610A1 (de) Verfahren zum Bestimmen eines wahrscheinlichen Bewegungs-Aufenthaltsbereichs eines Lebewesens
DE102020124755A1 (de) Intelligente eskalationsstrategie für ein autonomes fahrzeug
WO2016096330A1 (de) Unterstützung beim führen eines fahrzeugs
EP3627386A1 (de) Verfahren und vorrichtung zum bereitstellen eines umfeldabbildes eines umfeldes einer mobilen einrichtung und kraftfahrzeug mit einer solchen vorrichtung
DE102019127190A1 (de) System und verfahren zum beurteilen des bekanntseins eines gelernten fahrzeugdatensatzes eines fahrerassistenzsystems
DE102021128041A1 (de) Verbesserung eines neuronalen fahrzeugnetzwerks
DE102020124633A1 (de) Kontextsensitive anpassung einer geländeblickzeit
DE102019216206A1 (de) Vorrichtung und Verfahren zum Bestimmen einer Kehrtwendestrategie eines autonomen Fahrzeugs
DE102014212216A1 (de) Verfahren und Fahrerassistenzsystem zur Erfassung eines Fahrzeugumfel-des
EP2964503B1 (de) Schätzung der zukünftigen geschwindigkeit und/oder entfernung eines fahrzeugs von einem referenzpunkt und schätzung der zukünftigen beschleunigung
EP4064238A1 (de) Verfahren und warneinrichtung zur warnung eines nutzers eines fahrzeugs vor einer gefahrensituation
DE102016224576A1 (de) Verhaltensmodell von Verkehrsteilnehmern für ein Fahrerassistenzsystem umfassend Statistiken zu Abweichungen vom Normverhalten
DE102020129802A1 (de) Fahrzeugbetriebskennzeichnung
DE102016002232A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs
DE102017205245A1 (de) Freibereichsfusion für Fahrerassistenzsysteme
WO2023066559A1 (de) Verfahren und system zur vermeidung von wildunfällen

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: 22773470

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280062694.4

Country of ref document: CN