WO2023274591A1 - Verfahren zum ausführen einer funktion eines fahrzeugs, computerlesbares medium, system, und fahrzeug - Google Patents

Verfahren zum ausführen einer funktion eines fahrzeugs, computerlesbares medium, system, und fahrzeug Download PDF

Info

Publication number
WO2023274591A1
WO2023274591A1 PCT/EP2022/058981 EP2022058981W WO2023274591A1 WO 2023274591 A1 WO2023274591 A1 WO 2023274591A1 EP 2022058981 W EP2022058981 W EP 2022058981W WO 2023274591 A1 WO2023274591 A1 WO 2023274591A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
function
time window
determined
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2022/058981
Other languages
English (en)
French (fr)
Inventor
Daniel Kotzor
Stefan Holder
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
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 AG filed Critical Bayerische Motoren Werke AG
Priority to US18/560,350 priority Critical patent/US20240230357A1/en
Priority to CN202280024753.9A priority patent/CN117203650A/zh
Publication of WO2023274591A1 publication Critical patent/WO2023274591A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Definitions

  • the invention relates to a method for performing a function of a vehicle.
  • the invention further relates to a computer-readable medium for performing a function of a vehicle, a system for performing a function of a vehicle, and a vehicle comprising the system for performing a function of a vehicle.
  • an object of the invention to efficiently improve performance of a function of the vehicle.
  • an object of the invention is to efficiently improve predicting the start of a next trip with the vehicle and the execution of a function of the vehicle depending on the start of the next trip with the vehicle.
  • the invention is distinguished by a method for executing a function of a vehicle.
  • the method can be a computer-implemented method and/or a controller-implemented method.
  • the function of the vehicle can be a customer function of the vehicle.
  • a customer function of the vehicle can be a function of the vehicle that can be operated and/or experienced by a user of the vehicle.
  • the vehicle can be an automobile.
  • the method includes determining a current vehicle location of the vehicle.
  • the method also includes determining a probability for the start of a next trip within a time window from a set of time windows as a function of the determined current vehicle location.
  • the time window can be a time window with a fixed, predetermined time duration be. For example, the time window can be 30 minutes long and cover the time between 5:00 p.m. and 5:30 p.m.
  • the method also includes predicting a departure time window for the start of the next trip, the departure time window for the start of the next trip being the time window for which the probability determined has the highest value.
  • the method includes executing the function of the vehicle if the probability determined for the predicted departure time window exceeds a predefined threshold value.
  • the method can efficiently predict a departure time window. Furthermore, the method can efficiently control a function of the vehicle depending on the predicted departure time window.
  • the current vehicle location can be determined using a position of the vehicle and/or the position of the vehicle can be determined using a global satellite navigation system.
  • the parameter k can reduce the probability of the start of the next journey.
  • the parameter k can be determined user-specifically. Alternatively, the parameter k can be determined for all users of the vehicle. With this, the probability of the start of the next trip within a time window can be efficiently determined. According to a further advantageous embodiment of the invention, the parameter k can be determined using a cost function. With this, the parameter k can be determined efficiently.
  • the parameter k can be determined using a parameter optimization method. With this, the parameter k can be determined efficiently.
  • the cost function can be determined as a function of two parameters, and/or a first parameter can be representative of a proportion of all trips in which the determined probability exceeds the specified threshold value, and/or the second parameter be representative of a number of journeys for which the probability determined for the predicted departure time window exceeds the specified threshold value and the start of the journey lies within the specified time window, divided by a number of predicted departure time windows for which the probability exceeds the specified threshold value.
  • the parameter k can be determined efficiently with the cost function.
  • the function of the vehicle can be executed with a time delay, and/or the function of the vehicle can be executed with a time delay depending on the function and/or the predicted departure time window, and/or the function of the vehicle can be delayed in time be executed depending on a current traffic situation. This allows the execution of the function to be flexibly controlled.
  • the function of the vehicle can include transmitting a message to a user of the vehicle and/or conditioning and/or preconditioning the vehicle for the next trip. This allows various vehicle functions to be controlled efficiently.
  • the invention is characterized by a computer-readable medium for executing a function of a vehicle, the computer-readable medium comprising instructions which, when executed on a computer and/or a control unit of the vehicle, execute the method described above.
  • the invention is distinguished by a system for carrying out a function of a vehicle, the system being designed to carry out the method described above.
  • the invention is characterized by a vehicle comprising the system described above for executing a function of a vehicle.
  • FIG. 1 schematically shows an exemplary method for performing a function of a vehicle
  • FIG. 2 shows an exemplary curve of two parameters of a cost function
  • FIG. 3 shows an exemplary curve of a dependency of a first parameter on a second parameter of a cost function.
  • FIG. 1 shows an example method 100 for performing a function of a vehicle.
  • a driving behavior of a user of a vehicle can only be predicted to a limited extent. For this reason, a function of a vehicle should only be executed if there is a high probability that it is relevant for the user of the vehicle. For example, a relevance can be quantified and/or evaluated with the parameters precision and hit frequency.
  • the start of a next trip by the user of the vehicle can be predicted.
  • the method 100 is preferably carried out when the vehicle is parked. Additionally or alternatively, the method 100 can be executed while the vehicle is stationary and/or while it is being parked at predetermined times and/or time intervals.
  • the method 100 can be carried out on a control unit and/or be executed on a computer in the vehicle. Additionally or alternatively, the method can be executed on a vehicle-external server, for example a backend server.
  • the method 100 can determine 102 a current vehicle location of the vehicle.
  • the current vehicle location can be determined based on a vehicle position, for example a last vehicle position of a last trip with the vehicle.
  • the vehicle position can be determined using a global satellite navigation system.
  • Vehicle position may vary based on vehicle location.
  • the vehicle position at the vehicle location may vary by 5m,..., 50m,..., 200m.
  • the vehicle position at the vehicle location can vary due to different parking locations of the vehicle at the vehicle location and/or due to inaccuracy in determining the vehicle position.
  • the current vehicle location can be determined by calculating clusters of vehicle positions for all past vehicle positions.
  • clusters of vehicle positions can be calculated using a DBSCAN algorithm and/or agglomerative clustering, with each cluster representing a vehicle location. Using the vehicle's last vehicle position, the cluster of vehicle positions can be determined and thus also the current vehicle location.
  • the method 100 can determine a probability of the start of a next trip within a time window from a set of time windows depending on the determined current vehicle location 104. As soon as the vehicle is parked, the method 100 can determine a probability of the start of a next trip within a Determine time window from a set of time windows depending on the determined current vehicle location using past trips by a user of the vehicle.
  • the probability P for the start of the next trip within a time window F from a set of time windows can be determined as follows:
  • P(start of the next trip in time window F, when the vehicle is at vehicle location A at time t) number of past events in which the vehicle was at vehicle location A at time t and the start of the trip took place in time window F / (number of past events , where the vehicle was at vehicle location A at time t and the start of the journey took place in time window F + parameter k), where the parameter k is a nonnegative real number.
  • the parameter k can be adjusted depending on the number of events, in particular past events, of a user.
  • a past event can be a past trip with the vehicle.
  • the parameter k is preferably adjusted automatically by a cost function. For example, the parameter k can be increased if there are only a few events from the user. As a result, the probability of the start of the next journey in time window F can be reduced. For example, the parameter k can be decreased when there are many user events. As a result, the probability of the start of the next journey in time window F can be increased. The probability is compared against a predetermined threshold. By adapting the parameter k, exceeding or falling below the specified threshold value can be controlled.
  • the number of past events can include all previous days of the week on which a trip with the vehicle took place. Alternatively, the number of past events can be limited to a current day of the week. Additionally or alternatively, the number of past events can be limited to weekdays Monday through Friday, public holidays, and/or days of a weekend.
  • the set of time windows can be predetermined. For example, the set of time windows can include time windows of a predetermined period of time, for example a period of 24 hours after the vehicle is parked. An example time window may include a time period from 8:00 a.m. to 8:30 a.m. on a following day after the vehicle is parked.
  • the method 100 can predict 106 a departure time window for the start of the next trip.
  • the departure time window for the start of the next trip can be the time window for which the determined probability has the highest value.
  • the departure time window can be predicted for a user, for example if a user-specific function of the vehicle is to be carried out.
  • the departure time window can be predicted for all users of the vehicle if a vehicle function that is relevant for all users of the vehicle is to be carried out.
  • Predicting 106 the departure time window can take place by using a time window with a fixed duration, for example 30 minutes, preferably within a prediction horizon. for example within a period of 24 hours, which has the highest probability for the start of the next journey.
  • the departure time window can be determined using fixed time windows from the end of the last journey.
  • the departure time window can be determined on the basis of time windows of fixed duration, which are shifted by small time increments, for example in 5-minute increments, at one end of the last trip. If there are several time windows within the prediction horizon for which the probability is above the specified threshold value, the time window with the highest probability can be predicted or all time windows determined can be predicted.
  • the duration of the time window can be chosen depending on the function of the vehicle that is to be performed.
  • a short-duration time window may more accurately predict a departure time, but the likelihood of the next trip beginning in the short-duration time window may be lower than in a longer-duration time window.
  • an attempt can be made to determine a departure time within a time window of short duration and, if no departure time window was found with a probability that exceeds the specified threshold value, the time window can be gradually extended up to a specified maximum duration. For example, an initial time window of 30 minutes can first be extended to a time window of 60 minutes, then to a time window of 90 minutes, and finally to a time window of a maximum of 120 minutes.
  • the prediction of the departure time window can be carried out again at regular time intervals when the vehicle is not moving.
  • Departure slot probabilities may change over time. For example, if the vehicle was parked at 5:00 p.m. the day before and there is still a chance that another trip will occur in the evening, the next morning to work may be less likely.
  • the vehicle would have to be woken up at a later point in time if the prediction were made again.
  • This can be prevented by already performing the prediction of the departure time window for future points in time when the vehicle is parked, assuming that the vehicle will not move until the future point in time.
  • Will the vehicle parked at 5:00 p.m., for example, the departure time window can be predicted for the future times 5:10 p.m., 5:20 p.m., ..., up to a maximum time horizon of, for example, 24 hours, each assuming that the vehicle has not been moved up to this point.
  • Predicting the departure time slot can end as soon as a time slot is found with a probability above the threshold. If, contrary to the assumption, the vehicle is moved at an earlier point in time, execution of a function that is scheduled for a later point in time is discarded. This procedure can also take place analogously when the departure time window is predicted on a vehicle-external server.
  • the method 100 can execute the function of the vehicle 108 if the determined probability of the predicted departure time window exceeds a predefined threshold value.
  • the predefined threshold value can have a value of 0.6, 0.7, 0.8, or 0.9.
  • the function of the vehicle is preferably only carried out when the probability of the predicted departure time window exceeds a predetermined threshold value. If the probability of the predicted departure time window is above the threshold value, the function can be executed at a later point in time, the later point in time being a point in time between a current point in time and the specific departure time window. Furthermore, the later point in time can depend on the function of the vehicle that is to be carried out. If the function is, for example, checking the traffic situation and/or conditioning the vehicle, the function can be carried out, for example, 30 minutes or 60 minutes before the predicted start of the journey.
  • the parameter k can be determined by means of a parameter optimization.
  • the parameters are preferably optimized using a cost function.
  • different value assignments of the parameter k can be evaluated using two parameters.
  • the parameter k is used in determining the probability P.
  • the parameter optimization can use historical data, for example a departure location and/or a departure time of a trip by a user with the vehicle. The historical data can be used as test data for evaluating the parameter k with the cost function.
  • the cost function is calculated for different value allocations of the parameter k. The value of the parameter k that maximizes the cost function is used.
  • an algorithm for Parameter optimization such as grid search, random search or Bayesian optimization can be used.
  • the parameter optimization can be further accelerated by using a representative sample of users, for example 1000 selected users.
  • the hit frequency parameter is also referred to below as recall.
  • the calculation can be done for the probability thresholds 0, 0.01, 0.02, ..., 1.
  • the recall parameter can be defined as the proportion of all trips where the probability is above the specified threshold and the start of the trip is within the predicted time window.
  • the precision parameter can be defined as follows: number of trips for which the probability is above the threshold and the start of a trip is within the predicted time window, divided by the number of predictions for which the probability is above the specified threshold. In other words, the precision indicates the probability that a journey will actually begin within a predicted departure time window.
  • Fig. 2 shows an exemplary course 200 of the parameters recall 202 and precision 204 of the cost function as a function of the probability threshold 206.
  • the precision 204 is above the diagonal 208 when the estimated probabilities agree with the actual accuracy.
  • FIG. 3 shows a curve 300 of a dependency of a first parameter, the parameter recall 202, on a second parameter, the parameter precision 204, of the cost function.
  • the following can be selected as cost functions, for example:
  • a threshold value for a function can be specified for all users of the vehicle. Additionally or alternatively, a threshold value for a function can be specified for each user of the vehicle.
  • the probability threshold value of the required precision preferably corresponds to the predefined threshold value for the execution of the function of the vehicle. In this way it can be achieved that the required precision will be achieved by all users of the vehicle in the future. If the cost function per user is optimized, an individual minimum threshold value for executing the function is obtained for each user.
  • Variant 2) or 3) of the cost function can be used if, at the time of parameter optimization, it is not yet clear what level of precision will be required later.
  • the precision can be set dynamically by a user.
  • the assignment of threshold value to precision resulting from the calculation - i.e. which precision is achieved with which threshold value - can be used to dynamically change the threshold value and thus achieve a certain precision per user or across all users without having to readjust the parameter k to have to.
  • Variant 1) of the cost function can achieve better results.
  • Variants 2) and 3) of the cost function increase flexibility.

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Ausführen einer Funktion eines Fahrzeugs, das Verfahren umfassend: Ermitteln eines aktuellen Fahrzeugorts des Fahrzeugs; Bestimmen einer Wahrscheinlichkeit für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfensters aus einer Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts; Prädizieren eines Abfahrtszeitfensters für den Beginn der nächsten Fahrt, wobei das Abfahrtszeitfenster für den Beginn der nächsten Fahrt das Zeitfenster ist, für das die bestimmte Wahrscheinlichkeit den höchsten Wert aufweist; und Ausführen der Funktion des Fahrzeugs, falls die bestimmte Wahrscheinlichkeit des prädizierten Abfahrtszeitfenster einen vorgegebenen Schwellwert überschreitet.

Description

Verfahren zum Ausführen einer Funktion eines Fahrzeugs, computerlesbares Medium, System, und Fahrzeug
Die Erfindung betrifft ein Verfahren zum Ausführen einer Funktion eines Fahrzeugs. Die Erfindung betrifft ferner ein computerlesbares Medium zum Ausführen einer Funktion eines Fahrzeugs, ein System zum Ausführen einer Funktion eines Fahrzeugs, sowie ein Fahrzeug umfassend das System zum Ausführen einer Funktion eines Fahrzeugs.
Aus dem Stand der Technik sind Verfahren bekannt, die eine Treffergenauigkeit, engl accuracy, einer prädizierten Abfahrtszeit maximieren. Die prädizierte Abfahrtzeit entspricht dadurch möglichst häufig einer tatsächlichen Abfahrtzeit. Weiter ist aus dem Stand der Technik bekannt, mit jeder prädizierten Abfahrtszeit eine Aktion zu verknüpfen und/oder auszuführen.
Es ist daher eine Aufgabe der Erfindung, ein Ausführen einer Funktion des Fahrzeugs effizient zu verbessern. Insbesondere ist eine Aufgabe der Erfindung, ein Prädizieren eines Beginns einer nächsten Fahrt mit dem Fahrzeug und das Ausführen einer Funktion des Fahrzeugs in Abhängigkeit des Beginns der nächsten Fahrt mit dem Fahrzeug effizient zu verbessern.
Gelöst wird diese Aufgabe durch die Merkmale der unabhängigen Ansprüche. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.
Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zum Ausführen einer Funktion eines Fahrzeugs. Das Verfahren kann ein computerimplementiertes Verfahren und/oder ein steuergeräteimplementiertes Verfahren sein. Die Funktion des Fahrzeugs kann eine Kundenfunktion des Fahrzeugs sein. Eine Kundenfunktion des Fahrzeugs kann eine von einem Nutzer des Fahrzeugs bedienbare und/oder erlebbare Funktion des Fahrzeugs sein. Das Fahrzeug kann ein Kraftfahrzeug sein. Das Verfahren umfasst ein Ermitteln eines aktuellen Fahrzeugorts des Fahrzeugs. Weiter umfasst das Verfahren ein Bestimmen einer Wahrscheinlichkeit für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfensters aus einer Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts. Das Zeitfenster kann ein Zeitfenster mit einer festen, vorgegebenen Zeitdauer sein. Beispielsweise kann das Zeitfenster 30 min lang sein und die Zeit zwischen 17:00 Uhr und 17:30 Uhr umfassen.
Das Verfahren umfasst weiter ein Prädizieren eines Abfahrtszeitfensters für den Beginn der nächsten Fahrt, wobei das Abfahrtzeitfensters für den Beginn der nächsten Fahrt das Zeitfenster ist, für das die bestimmte Wahrscheinlichkeit den höchsten Wert aufweist.
Schließlich umfasst das Verfahren ein Ausführen der Funktion des Fahrzeugs, falls die bestimmte Wahrscheinlichkeit des prädizierten Abfahrtszeitfenster einen vorgegebenen Schwellwert überschreitet.
Vorteilhafterweise kann das Verfahren effizient ein Abfahrtzeitfenster prädizieren. Weiter kann das Verfahren effizient eine Funktion des Fahrzeugs in Abhängigkeit des prädizierten Abfahrtszeitfensters steuern.
Gemäß einer ersten, vorteilhaften Ausgestaltung der Erfindung kann der aktuelle Fahrzeugort unter Verwendung einer Position des Fahrzeugs ermittelt werden, und/oder kann die Position des Fahrzeugs mittels eines globalen Satellitennavigationssystems ermittelt werden.
Gemäß einerweiteren, vorteilhaften Ausgestaltung kann die Wahrscheinlichkeit P für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfenster aus der Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts wie folgt bestimmt werden: P(Beginn der nächsten Fahrt in Zeitfenster F, wenn Fahrzeug zu einem Zeitpunkt t am Fahrzeugort A steht) = Anzahl vergangener Ereignisse, bei denen Fahrzeug zum Zeitpunkt t am Fahrzeugort A stand und der Beginn der Fahrt im Zeitfenster F stattfand / (Anzahl vergangener Ereignisse, bei denen Fahrzeug zum Zeitpunkt t am Fahrzeugort A stand und der Beginn der Fahrt im Zeitfenster F stattfand + Parameter k), wobei der Parameter k eine nichtnegative reelle Zahl ist. Der Parameter k kann die Wahrscheinlichkeit für den Beginn der nächsten Fahrt verringern.
Dadurch kann verhindert werden, dass die Wahrscheinlichkeit für den Beginn der nächsten Fahrt zu hoch geschätzt wird. Dies kann beispielsweise auftreten, wenn nur wenige Daten zu vergangenen Fahrten des Nutzers des Fahrzeugs vorliegen. Der Parameter k kann nutzerspezifisch bestimmt werden. Alternativ kann der Parameter k für alle Nutzer des Fahrzeugs bestimmt werden. Hiermit kann die Wahrscheinlichkeit für den Beginn der nächsten Fahrt innerhalb eines Zeitfenster effizient bestimmt werden. Gemäß einerweiteren, vorteilhaften Ausgestaltung der Erfindung kann der Parameter k unter Verwendung einer Kostenfunktion ermittelt werden. Hiermit kann der Parameter k effizient bestimmt werden.
Gemäß einerweiteren, vorteilhaften Ausgestaltung der Erfindung kann der Parameter k unter Verwendung eines Parameteroptimierungsverfahren ermittelt werden. Hiermit kann der Parameter k effizient bestimmt werden.
Gemäß einerweiteren, vorteilhaften Ausgestaltung der Erfindung kann die Kostenfunktion in Abhängigkeit von zwei Kenngrößen ermittelt werden, und/oder kann eine erste Kenngröße repräsentativ für einen Anteil aller Fahrten sein, bei denen die bestimmte Wahrscheinlichkeit den vorgegebenen Schwellwert überschreitet, und/oder kann die zweite Kenngröße repräsentativ für eine Anzahl von Fahrten sein, bei denen die bestimmte Wahrscheinlichkeit des prädizierten Abfahrtszeitfensters den vorgegebenen Schwellwert überschreitet und der Beginn der Fahrt im bestimmten Zeitfenster liegt, geteilt durch eine Anzahl von prädizierten Abfahrtszeitfenstern, bei denen die Wahrscheinlichkeit den vorgegebenen Schwellwert überschreitet. Mit der Kostenfunktion kann der Parameter k effizient bestimmen werden.
Gemäß einerweiteren, vorteilhaften Ausgestaltung der Erfindung kann die Funktion des Fahrzeugs zeitlich verzögert ausgeführt werden, und/oder kann die Funktion des Fahrzeugs zeitlich verzögert in Abhängigkeit der Funktion und/oder des prädizierten Abfahrtszeitfensters ausgeführt werden, und/oder kann die Funktion des Fahrzeugs zeitlich verzögert in Abhängigkeit einer aktuellen Verkehrssituation ausgeführt werden. Hiermit kann das Ausführen der Funktion flexibel gesteuert werden.
Gemäß einerweiteren, vorteilhaften Ausgestaltung der Erfindung kann die Funktion des Fahrzeugs ein Übermitteln einer Nachricht an einen Nutzer des Fahrzeugs, und/oder ein Konditionieren und/oder ein Vorkonditionieren des Fahrzeugs für die nächste Fahrt umfassen. Hiermit können effizient verschiedene Fahrzeugfunktionen gesteuert werden.
Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein computerlesbares Medium zum Ausführen einer Funktion eines Fahrzeugs, wobei das computerlesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Rechner und/oder einem Steuergerät des Fahrzeugs, das oben beschriebene Verfahren ausführen. Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein System zum Ausführen einer Funktion eines Fahrzeugs, wobei das System dazu ausgebildet ist, das oben beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein Fahrzeug umfassend das oben beschriebene System zum Ausführen einer Funktion eines Fahrzeugs.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Alle vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren allein gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder aber in Alleinstellung verwendbar.
Im Folgenden wird anhand der beigefügten Zeichnungen ein bevorzugtes Ausführungsbeispiel der Erfindung beschrieben. Daraus ergeben sich weitere Details, bevorzugte Ausgestaltungen und Weiterbildungen der Erfindung. Im Einzelnen zeigen schematisch Fig. 1 ein beispielhaftes Verfahren zum Ausführen einer Funktion eines Fahrzeugs,
Fig. 2 einen beispielhaften Verlauf von zwei Kenngrößen einer Kostenfunktion, und Fig. 3 einen beispielhaften Verlauf einer Abhängigkeit einer ersten Kenngröße von einer zweiten Kenngröße einer Kostenfunktion.
Im Detail zeigt Fig. 1 ein beispielhaftes Verfahren 100 zum Ausführen einer Funktion eines Fahrzeugs. Ein Fahrverhalten eines Nutzers eines Fahrzeugs kann nur bedingt prädiziert werden. Aus diesem Grund soll eine Funktion eines Fahrzeugs nur ausgeführt werden, wenn diese auch mit einer hohen Wahrscheinlichkeit relevant für den Nutzer des Fahrzeugs ist. Beispielsweise kann eine Relevanz mit den Kenngrößen Präzision und Trefferhäufigkeit quantifiziert und/oder evaluiert werden. Um das Fahrverhalten eines Nutzers des Fahrzeugs prädizieren zu können, kann ein Beginn einer nächsten Fahrt des Nutzers des Fahrzeugs prädiziert werden. Vorzugsweise wird das Verfahren 100 zu einem Abstellzeitpunkt des Fahrzeugs ausgeführt. Zusätzlich oder alternativ kann das Verfahren 100 während einem Stand und/oder während einem Parken des Fahrzeugs zu vorgegebenen Zeitpunkten und/oder Zeitintervallen ausgeführt werden. Das Verfahren 100 kann auf einem Steuergerät und/oder einem Rechner des Fahrzeugs ausgeführt werden. Zusätzlich oder alternativ kann das Verfahren auf einem fahrzeugexternen Server, beispielsweise einem Backend-Server, ausgeführt werden.
Das Verfahren 100 kann einen aktuellen Fahrzeugort des Fahrzeugs ermitteln 102. Der aktuelle Fahrzeugort kann auf Basis einer Fahrzeugposition, beispielsweise einer letzten Fahrzeugposition einer letzten Fahrt mit dem Fahrzeug, ermittelt werden. Die Fahrzeugposition kann mittels eines globalen Satellitennavigationssystems bestimmt werden. Die Fahrzeugposition kann an dem Fahrzeugort variieren. Beispielsweise kann die Fahrzeugposition an dem Fahrzeugort um 5m, ... , 50m, ..., 200m variieren. Die Fahrzeugposition an dem Fahrzeugort kann durch unterschiedliche Abstellorte des Fahrzeugs an dem Fahrzeugort und/oder durch eine Ungenauigkeit beim Bestimmen der Fahrzeugposition variieren. Beispielsweise kann der aktuelle Fahrzeugort ermittelt werden, indem für alle vergangenen Fahrzeugpositionen Cluster von Fahrzeugpositionen berechnet werden. Beispielsweise können mittel eines DBSCAN-Algorithmus und/oder agglomeratives Clustering Cluster von Fahrzeugpositionen berechnet werden, wobei jeder Cluster einen Fahrzeugort repräsentiert. Unter Verwendung der letzten Fahrzeugposition des Fahrzeugs kann der Cluster von Fahrzeugpositionen ermittelt werden und damit auch der aktuelle Fahrzeugort.
Weiter kann das Verfahren 100 eine Wahrscheinlichkeit für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfensters aus einer Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts bestimmen 104. Sobald das Fahrzeug abgestellt wird, kann das Verfahren 100 eine Wahrscheinlichkeit für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfensters aus einer Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts unter Verwendung vergangener Fahrten eines Nutzers des Fahrzeugs bestimmen. Die Wahrscheinlichkeit P für den Beginn der nächsten Fahrt innerhalb eines Zeitfensters F aus einer Menge von Zeitfenstern kann wie folgt bestimmt werden:
P(Beginn der nächsten Fahrt in Zeitfenster F, wenn Fahrzeug zu einem Zeitpunkt t am Fahrzeugort A steht) = Anzahl vergangener Ereignisse, bei denen Fahrzeug zum Zeitpunkt t am Fahrzeugort A stand und der Beginn der Fahrt im Zeitfenster F stattfand / (Anzahl vergangener Ereignisse, bei denen Fahrzeug zum Zeitpunkt t am Fahrzeugort A stand und der Beginn der Fahrt im Zeitfenster F stattfand + Parameter k), wobei der Parameter k eine nichtnegative reelle Zahl ist.
Der Parameter k kann in Abhängigkeit der Anzahl von Ereignissen, insbesondere von vergangenen Ereignissen, eines Nutzers angepasst werden. Ein vergangenes Ereignis kann ein eine vergangene Fahrt mit dem Fahrzeug sein. Der Parameter k wird vorzugsweise durch eine Kostenfunktion automatisiert angepasst. Beispielsweise kann der Parameter k erhöht werden, wenn nur wenige Ereignisse des Nutzers vorhanden sind. Dadurch kann die Wahrscheinlichkeit für den Beginn der nächsten Fahrt in Zeitfenster F erniedrigt werden. Beispielsweise kann der Parameter k erniedrigt werden, wenn viele Ereignisse des Nutzers vorhanden sind. Dadurch kann die Wahrscheinlichkeit für den Beginn der nächsten Fahrt in Zeitfenster F erhöht werden. Die Wahrscheinlichkeit wird gegen einen vorgegebenen Schwellwert verglichen. Durch ein Anpassen des Parameters k kann, kann ein Überschreiten oder ein Unterschreiten des vorgegebenen Schwellwerts gesteuert werden.
Die Anzahl vergangener Ereignisse kann alle bisherigen Wochentage umfassen, an denen einen Fahrt mit dem Fahrzeug stattfand. Alternativ kann die Anzahl vergangener Ereignisse auf einen aktuellen Wochentag beschränkt werden. Zusätzlich oder alternativ kann die Anzahl vergangener Ereignisse auf Wochentage Montag bis Freitag, Feiertage, und/oder Tage eines Wochenendes eingegrenzt werden. Die Menge von Zeitfenstern kann vorgegeben sein. Beispielsweise kann die Menge von Zeitfenstern Zeitfenster eines vorgegebenen Zeitraums, beispielsweise einen Zeitraum von 24 nach dem Abstellen des Fahrzeugs umfassen. Ein beispielhaftes Zeitfenster kann einen Zeitraum 8:00 Uhr bis 8:30 Uhr an einem Folgetag, nachdem das Fahrzeugabgestellt wurde, umfassen.
Das Verfahren 100 kann ein Abfahrtszeitfensters für den Beginn der nächsten Fahrt prädizieren 106. Das Abfahrtzeitfensters für den Beginn der nächsten Fahrt kann das Zeitfenster sein, für das die bestimmte Wahrscheinlichkeit den höchsten Wert aufweist. Das Abfahrtszeitfenster für einen Nutzer prädiziert werden, beispielsweise, wenn eine nutzerindividuelle Funktion des Fahrzeugs ausgeführt werden soll. Alternativ kann das Abfahrtszeitfenster für alle Nutzer des Fahrzeugs prädiziert werden, wenn eine für alle Nutzer des Fahrzeugs relevante Funktion des Fahrzeugs ausgeführt werden soll.
Das Prädizieren 106 des Abfahrtszeitfensters kann erfolgen, indem ein Zeitfenster mit fester Dauer, beispielsweise 30 min, vorzugsweise innerhalb eines Prädiktionshorizonts, beispielsweise innerhalb einem Zeitraum von 24 h, gesucht wird, welches die höchste Wahrscheinlichkeit für den Beginn der nächsten Fahrt aufweist. Beispielsweise kann das Abfahrtzeitfenster unter Verwendung fester Zeitfenster ab einem Ende der letzten Fahrt ermittelt werden. Alternativ kann das Abfahrtzeitfenster auf Basis von Zeitfenstern fester Dauer ermittelt werden, die um kleine Zeitschritte, beispielsweise in 5 min-Schritten, an einem Ende der letzten Fahrt verschoben werden. Gibt es mehrere Zeitfenster innerhalb des Prädiktionshorizonts, bei denen die Wahrscheinlichkeit über dem vorgegebenen Schwellwert liegt, kann das Zeitfenster mit der höchsten Wahrscheinlichkeit prädiziert werden oder können alle ermittelten Zeitfenster prädiziert werden.
Die Dauer des Zeitfensters kann in Abhängigkeit der Funktion des Fahrzeugs, die ausgeführt werden soll, gewählt werden. Ein Zeitfenster von kurzer Dauer kann eine Abfahrtzeit präziser prädizieren, jedoch kann die Wahrscheinlichkeit für den Beginn der nächsten Fahrt in dem Zeitfenster von kurzer Dauer geringer sein als in einem Zeitfenster von längerer Dauer. Zusätzlich oder alternativ kann in einem ersten Schritt eine Abfahrtszeit innerhalb einem Zeitfenster von kurzer Dauer versucht werden zu ermitteln und, falls kein Abfahrtzeitfenster mit einer Wahrscheinlichkeit gefunden wurde, welches den vorgegebenen Schwellwert überschreitet, das Zeitfenster schrittweise bis zu einer vorgegebenen maximalen Dauer zu erweitern. Beispielsweise kann ein initiales Zeitfenster von 30 min zunächst auf ein Zeitfenster von 60 min, dann auf ein Zeitfenster von 90 min, und schließlich auf ein Zeitfenster von maximal 120 min erweitert werden.
Das Prädizieren des Abfahrtszeitfensters kann in regelmäßigen Zeitabständen erneut durchgeführt werden, wenn das Fahrzeug nicht bewegt wird. Die Wahrscheinlichkeiten für Abfahrtszeitfenster können sich im zeitlichen Verlauf ändern. Beispielsweise kann die Wahrscheinlichkeit dafür, dass die nächste Fahrt am nächsten Morgen zur Arbeit stattfindet geringer sein, wenn das Fahrzeug um 17:00 Uhr am Vortag abgestellt wurde und es noch eine Möglichkeit besteht, dass eine weitere Fahrt am Abend stattfindet.
Wird das Prädizieren des Abfahrtszeitfensters im Fahrzeug ausgeführt, müsste das Fahrzeug bei einem erneuten Prädizieren zu einem späteren Zeitpunkt geweckt werden. Dies kann verhindert werden, indem das Prädizieren des Abfahrtszeitfensters für zukünftigen Zeitpunkte bereits ausgeführt wird, wenn das Fahrzeug abgestellt wird, unter der Annahme, dass das Fahrzeug bis zu dem zukünftigen Zeitpunkt nicht bewegt wird. Wird das Fahrzeug beispielsweise um 17:00 Uhr abgestellt, kann ein Prädizieren des Abfahrtszeitfensters für die zukünftigen Zeitpunkte 17:10 Uhr, 17:20 Uhr, ..., bis zu einem maximalen Zeithorizont von beispielsweise 24 h erfolgen, jeweils unter der Annahme, dass das Fahrzeug bis zu diesem Zeitpunkt noch nicht bewegt wurde. Das Prädizieren des Abfahrtszeitfensters kann enden, sobald ein Zeitfenster gefunden wird, dessen Wahrscheinlichkeit über dem Schwellwert liegt. Wird das Fahrzeug entgegen der Annahme zu einem früheren Zeitpunkt bewegt, so wird eine für einen späteren Zeitpunkt vorgemerktes Ausführen einer Funktion verworfen. Analog kann dieses Vorgehen auch bei einem Prädizieren des Abfahrtszeitfensters auf einem fahrzeugexternen Server erfolgen.
Das Verfahren 100 kann die Funktion des Fahrzeugs ausführen 108, falls die bestimmte Wahrscheinlichkeit des prädizierten Abfahrtszeitfenster einen vorgegebenen Schwellwert überschreitet. Beispielsweise kann der vorgegebene Schwellwert einen Wert von 0,6, 0,7, 0,8, oder 0,9 umfassen. Die Funktion des Fahrzeugs wird vorzugsweise nur dann ausgeführt, wenn die Wahrscheinlichkeit des prädizierten Abfahrtszeitfensters einen vorgegebenen Schwellwert überschreitet. Liegt die Wahrscheinlichkeit des prädizierten Abfahrtszeitfensters über dem Schwellwert, kann die Funktion zu einem späteren Zeitpunkt ausgeführt werden, wobei der spätere Zeitpunkt ein Zeitpunkt zwischen einem aktuellen Zeitpunkt und dem bestimmten Abfahrtszeitfensters ist. Weiter kann der spätere Zeitpunkt abhängig von der Funktion des Fahrzeugs sein, die ausgeführt werden soll. Ist die Funktion beispielsweise ein Überprüfen der Verkehrslage und/oder ein Konditionieren des Fahrzeugs, kann die Funktion beispielsweise 30 min oder 60 min vor dem prädizierten Fahrtbeginn ausgeführt werden.
Der Parameter k kann mittels einer Parameteroptimierung ermittelt werden. Vorzugsweise erfolgt die Parameteroptimierung mittels einer Kostenfunktion. Mittels der Kostenfunktion können anhand von zwei Kenngrößen verschiedene Wertebelegungen des Parameters k evaluiert werden. Wie oben beschrieben wird der Parameter k bei dem Bestimmen der Wahrscheinlichkeit P verwendet. Die Parameteroptimierung kann historische Daten, beispielsweise ein Abfahrtsort und/oder eine Abfahrtszeit einer Fahrt eines Nutzers mit dem Fahrzeug verwenden. Die historischen Daten können als Testdaten für die Evaluierung des Parameters k mit der Kostenfunktion verwendet werden. Bei der Parameteroptimierung wird für verschiedene Wertebelegungen des Parameters k jeweils die Kostenfunktion berechnet. Es wird diejenige Wertebelegung des Parameters k verwendet, welche die Kostenfunktion maximiert. Um den Parameter k möglichst effizient zu ermitteln, kann ein Algorithmus zur Parameteroptimierung wie beispielsweise Rastersuche, Zufallssuche oder Bayessche Optimierung eingesetzt werden. Die Parameteroptimierung kann weiter beschleunigen werden, indem eine repräsentative Stichprobe von Nutzern, beispielsweise 1000 ausgewählte Nutzer, verwendet wird.
Um die Kostenfunktion zu berechnen, kann zunächst eine Berechnung von zwei Kenngrößen, Präzision und Trefferhäufigkeit, für verschiedene Wahrscheinlichkeitsschwellwerte erfolgen. Die Kenngröße Trefferhäufigkeit wird im Folgenden auch mit Recall bezeichnet. Beispielsweise kann die Berechnung für die Wahrscheinlichkeitsschwellwerte 0, 0.01, 0.02, ..., 1 erfolgen.
Die Kenngröße Recall kann definiert werden als der Anteil aller Fahrten bei denen die Wahrscheinlichkeit über dem vorgegebenen Schwellwert ist und der Fahrtbeginn im prädizierten Zeitfenster liegt. Die Kenngröße Präzision kann wie folgt definiert werden: Anzahl der Fahrten, bei denen die Wahrscheinlichkeit über dem Schwellwert liegt und ein Fahrtbeginn im prädizierten Zeitfenster liegt, geteilt durch die Anzahl der Prädiktionen, bei die Wahrscheinlichkeit über dem vorgegebenen Schwellwert liegt. In anderen Worten gibt die Präzision die Wahrscheinlichkeit dafür an, dass innerhalb eines prädizierten Abfahrtszeitfensters tatsächlich eine Fahrt beginnt.
Im Detail zeigt Fig. 2 einen beispielhaften Verlauf 200 der Kenngrößen Recall 202 und Präzision 204 der Kostenfunktion in Abhängigkeit des Wahrscheinlichkeitsschwellwerts 206.
Wie in Fig. 2 dargestellt befindet sich die Präzision 204 oberhalb der Diagonalen 208, sofern die geschätzten Wahrscheinlichkeiten mit der tatsächlichen Genauigkeit übereinstimmen.
Im Detail zeigt Fig. 3 einen Verlauf 300 einer Abhängigkeit einer ersten Kenngröße, der Kenngröße Recall 202, von einer zweiten Kenngröße, der Kenngröße Präzision 204, der Kostenfunktion. Als Kostenfunktionen können beispielsweise gewählt werden:
1) Recall für eine definierte Präzision, beispielsweise eine Präzision von 0,7,
2) Die Fläche unter der Recall / Präzision-Kurve 302. Die gestrichelten Linien in Fig. 3 dienen zur Verdeutlichung wie der Flächeninhalt berechnet wird, wenn die Kurve nicht den gesamten Bereich von 0 bis 1 bei dem Recall und/oder der Präzision abdeckt.
3) Wie unter 2) beschrieben, jedoch wird der Flächeninhalt nicht über den gesamten Präzisionswertebereich von 0 bis 1, sondern über ein Intervall wie beispielsweise 0,5 bis 0,8 berechnet. io
Weiterhin kann ein Schwellwert für eine Funktion für alle Nutzer des Fahrzeugs vorgebeben sein. Zusätzlich oder alternativ kann ein Schwellwert für eine Funktion für jeden Nutzer des Fahrzeugs vorgegeben werden. Bei der Verwendung der Kostenfunktion 1) entspricht vorzugsweise der Wahrscheinlichkeitsschwellwert der geforderten Präzision dem vorgegebenen Schwellwert für das Ausführen der Funktion des Fahrzeugs. Damit kann erreicht werden, dass die geforderte Precision zukünftig bei allen Nutzern des Fahrzeugs erreicht wird. Bei einer Optimierung der Kostenfunktion pro Nutzer erhält man so für jeden Nutzer einen individuellen minimalen Schwellwert für das Ausführen der Funktion.
Die Variante 2) oder 3) der Kostenfunktion kann verwendet werden, wenn zum Zeitpunkt der Parameteroptimierung noch nicht genau feststeht, welche Präzision später gefordert wird. Beispielsweise kann die Präzision durch einen Nutzer dynamisch eingestellt werden. Die bei der Berechnung resultierende Zuordnung von Schwellwert zu Präzision - also mit welchem Schwellwert wird welche Präzision erreicht - kann genutzt werden, um den Schwellwert dynamisch zu ändern und damit eine bestimmte Präzision pro Nutzer oder über alle Nutzer zu erreichen, ohne der Parameter k neu anpassen zu müssen. Variante 1) der Kostenfunktion kann bessere Ergebnisse erzielen. Varianten 2) und 3) der Kostenfunktion erhöhen die Flexibilität.
Bezugszeichenliste
100 Verfahren
102 Ermitteln eines aktuellen Fahrzeugorts
104 Bestimmen einer Wahrscheinlichkeit
106 Prädizieren eines Abfahrtszeitfensters
108 Ausführen einer Funktion des Fahrzeugs
200 Verlauf von zwei Kenngrößen
202 Recall
204 Präzision
206 Wahrscheinlichkeitsschwellwerte
208 Diagonale
300 Verlauf
302 Recall/Präzision-Kurve

Claims

Patentansprüche
1. Verfahren zum Ausführen einer Funktion eines Fahrzeugs, das Verfahren umfassend:
Ermitteln eines aktuellen Fahrzeugorts des Fahrzeugs;
Bestimmen einer Wahrscheinlichkeit für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfensters aus einer Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts;
Prädizieren eines Abfahrtszeitfensters für den Beginn der nächsten Fahrt, wobei das Abfahrtzeitfensters für den Beginn der nächsten Fahrt das Zeitfenster ist, für das die bestimmte Wahrscheinlichkeit den höchsten Wert aufweist; und
Ausführen der Funktion des Fahrzeugs, falls die bestimmte Wahrscheinlichkeit des prädizierten Abfahrtszeitfenster einen vorgegebenen Schwellwert überschreitet.
2. Verfahren nach Anspruch 1, wobei der aktuelle Fahrzeugort unter Verwendung einer Position des Fahrzeugs ermittelt wird; und/oder wobei die Position des Fahrzeugs mittels eines globalen Satellitennavigationssystems ermittelt wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Wahrscheinlichkeit für einen Beginn einer nächsten Fahrt innerhalb eines Zeitfenster aus der Menge von Zeitfenstern in Abhängigkeit des ermittelten aktuellen Fahrzeugorts wie folgt bestimmt wird:
P(Beginn der nächsten Fahrt in Zeitfenster F, wenn Fahrzeug zu einem Zeitpunkt t am Fahrzeugort A steht) = Anzahl vergangener Ereignisse, bei denen Fahrzeug zum Zeitpunkt t am Fahrzeugort A stand und der Beginn der Fahrt im Zeitfenster F stattfand / (Anzahl vergangener Ereignisse, bei denen Fahrzeug zum Zeitpunkt t am Fahrzeugort A stand und der Beginn der Fahrt im Zeitfenster F stattfand + Parameter k), wobei der Parameter k eine nichtnegative reelle Zahl ist.
4. Verfahren nach Anspruch 3, wobei der Parameter k unter Verwendung einer Kostenfunktion ermittelt wird.
5. Verfahren nach einem der Ansprüche 3 bis 4, wobei der Parameter k unter Verwendung eines Parameteroptimierungsverfahren ermittelt wird.
6. Verfahren nach Anspruch 4 bis 5, wobei die Kostenfunktion in Abhängigkeit von zwei Kenngrößen ermittelt wird, wobei eine erste Kenngröße repräsentativ für einen Anteil aller Fahrten ist, bei denen die bestimmte Wahrscheinlichkeit den vorgegebenen Schwellwert überschreitet, und wobei die zweite Kenngröße repräsentativ für eine Anzahl von Fahrten ist, bei denen die bestimmte Wahrscheinlichkeit des prädizierten Abfahrtszeitfensters den vorgegebenen Schwellwert überschreitet und der Beginn der Fahrt im bestimmten Zeitfenster liegt, geteilt durch eine Anzahl von prädizierten Abfahrtszeitfenstern, bei denen die Wahrscheinlichkeit den vorgegebenen Schwellwert überschreitet.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Funktion des Fahrzeugs zeitlich verzögert ausgeführt wird; und/oder wobei die Funktion des Fahrzeugs zeitlich verzögert in Abhängigkeit der Funktion und/oder des prädizierten Abfahrtszeitfensters ausgeführt wird; und/oder wobei die Funktion des Fahrzeugs zeitlich verzögert in Abhängigkeit einer aktuellen Verkehrssituation ausgeführt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Funktion des Fahrzeugs ein Übermitteln einer Nachricht an einen Nutzer des Fahrzeugs, und/oder ein Konditionieren und/oder ein Vorkonditionieren des Fahrzeugs für die nächste Fahrt umfasst.
9. Computerlesbares Medium zum Ausführen einer Funktion eines Fahrzeugs, wobei das computerlesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Rechner und/oder einem Steuergerät des Fahrzeugs, das Verfahren nach einem der Ansprüche 1 bis 8 ausführen.
10. System zum Ausführen einer Funktion eines Fahrzeugs, wobei das System dazu ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 8 auszuführen.
11. Fahrzeug umfassend ein System zum Ausführen einer Funktion eines Fahrzeugs nach Anspruch 10.
PCT/EP2022/058981 2021-06-30 2022-04-05 Verfahren zum ausführen einer funktion eines fahrzeugs, computerlesbares medium, system, und fahrzeug Ceased WO2023274591A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/560,350 US20240230357A1 (en) 2021-06-30 2022-04-05 Method For Carrying Out a Function of a Vehicle, Computer-Readable Medium, System, and Vehicle
CN202280024753.9A CN117203650A (zh) 2021-06-30 2022-04-05 用于执行车辆功能的方法、计算机可读介质、系统和车辆

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021116781.7A DE102021116781A1 (de) 2021-06-30 2021-06-30 Verfahren zum Ausführen einer Funktion eines Fahrzeugs, computerlesbares Medium, System, und Fahrzeug
DE102021116781.7 2021-06-30

Publications (1)

Publication Number Publication Date
WO2023274591A1 true WO2023274591A1 (de) 2023-01-05

Family

ID=81580100

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/058981 Ceased WO2023274591A1 (de) 2021-06-30 2022-04-05 Verfahren zum ausführen einer funktion eines fahrzeugs, computerlesbares medium, system, und fahrzeug

Country Status (4)

Country Link
US (1) US20240230357A1 (de)
CN (1) CN117203650A (de)
DE (1) DE102021116781A1 (de)
WO (1) WO2023274591A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016102618A1 (de) * 2015-02-20 2016-08-25 Ford Global Technologies, Llc Verfahren und Vorrichtung für voraussagende Fahrzeug-Vorkonditionierung
DE102017100398A1 (de) * 2016-01-13 2017-07-13 Ford Global Technologies, Llc System zum identifizieren eines fahrers vor seiner annäherung an ein fahrzeug unter verwendung von drahtlosen kommunikationsprotokollen
CN112380906A (zh) * 2020-10-19 2021-02-19 上汽通用五菱汽车股份有限公司 一种基于行车数据确定用户住址的方法
DE112018007858T5 (de) * 2018-07-27 2021-04-15 Bayerische Motoren Werke Aktiengesellschaft Computerimplementiertes Verfahren und Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5897848B2 (ja) 2011-08-31 2016-04-06 トヨタ自動車株式会社 充放電支援装置
DE102016215388A1 (de) 2016-08-17 2018-02-22 Bayerische Motoren Werke Aktiengesellschaft Steuerung eines Ruhebetriebs eines Kraftfahrzeugs
US20190215378A1 (en) * 2018-01-05 2019-07-11 Cisco Technology, Inc. Predicting vehicle dwell time to optimize v2i communication

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016102618A1 (de) * 2015-02-20 2016-08-25 Ford Global Technologies, Llc Verfahren und Vorrichtung für voraussagende Fahrzeug-Vorkonditionierung
DE102017100398A1 (de) * 2016-01-13 2017-07-13 Ford Global Technologies, Llc System zum identifizieren eines fahrers vor seiner annäherung an ein fahrzeug unter verwendung von drahtlosen kommunikationsprotokollen
DE112018007858T5 (de) * 2018-07-27 2021-04-15 Bayerische Motoren Werke Aktiengesellschaft Computerimplementiertes Verfahren und Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug
CN112380906A (zh) * 2020-10-19 2021-02-19 上汽通用五菱汽车股份有限公司 一种基于行车数据确定用户住址的方法

Also Published As

Publication number Publication date
CN117203650A (zh) 2023-12-08
DE102021116781A1 (de) 2023-01-05
US20240230357A1 (en) 2024-07-11

Similar Documents

Publication Publication Date Title
DE112012000797B4 (de) Mehrfach-Modellierungsparadigma für eine Vorhersageanalytik
DE102019124018B4 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
WO2009037042A2 (de) Verfahren und vorrichtung zur ermittlung einer eintrittswahrscheinlichkeit
DE102017210955A1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zum auflösen einer redundanz von zwei oder mehr redundanten modulen
AT523850B1 (de) Computergestütztes Verfahren und Vorrichtung zur wahrscheinlichkeitsbasierten Geschwindigkeitsprognose für Fahrzeuge
DE102018128890A1 (de) Verfahren und Testvorrichtung zum Testen eines Fahrassistenzsystems für ein Kraftfahrzeug
DE102020120141A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme mittels probabilistisch prädizierter Systemantworten
EP1470459B1 (de) Frühzeitige prognose der zuverlässigkeit einer technischen anordnung
WO2023274591A1 (de) Verfahren zum ausführen einer funktion eines fahrzeugs, computerlesbares medium, system, und fahrzeug
DE102022107338B3 (de) Verfahren zum Testen von automatisierten Fahrzeugfunktionen
DE102022105138B4 (de) Verfahren und System zum Überwachen eines Spannungsnetzes, Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes, Computerprogramm sowie computerlesbarer Datenträger
WO2023274600A1 (de) Bereitstellen eines routenspezifischen dienstes an einen nutzer eines fahrzeugs in abhängigkeit einer prädizierten navigationsroute
WO2023274585A1 (de) Verfahren zum bereitstellen eines prädizierten, aktuellen fahrziels an einen nutzer eines fahrzeugs, computerlesbares medium, system, fahrzeug, und mobiles endgerät
DE102015205901A1 (de) Verfahren zur Berechnung einer Route für ein Landfahrzeug
DE102015222683A1 (de) Verfahren zum rechnergestützten Ermitteln von Parametern eines elektrochemischen Energiespeichers
EP1929402B1 (de) Verfahren und vorrichtung zur rechnergestützten analyse der zuverlässigkeit eines technischen systems
EP3813034B1 (de) Verfahren zum bestimmen eines angepassten aktuellen restzeitwerts für eine anlage
DE102013223022A1 (de) Vorhersage der Signale einer Ampel
DE102021100424A1 (de) Verfahren zum Prädizieren eines Fahrerfehlers, insbesondere eines menschlichen Versagens in einem Fahrzeug
DE102020206325A1 (de) Computerimplementiertes Verfahren zum Testen eines technischen Systems
DE102024131454A1 (de) Verfahren zum Bereitstellen eines oder mehrerer Navigationszielvorschläge durch ein Fahrzeug, computerlesbares Medium, System, und Fahrzeug
WO2026092891A1 (de) Bereitstellen von navigationszielvorschlägen
EP1882901B1 (de) Verfahren und Vorrichtung zur Verarbeitung von Fahrtinformationen in einem Fahrzeug
EP2607140B1 (de) Verfahren zum Erzeugen und Auslösen einer Pausenempfehlung
DE102009047409A1 (de) Verfahren und Rechnersystem zur Routenbestimmung unter Berücksichtigung von Störungswahrscheinlichkeiten

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: 22720968

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280024753.9

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 18560350

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22720968

Country of ref document: EP

Kind code of ref document: A1