WO2024046657A1 - Verfahren zum clustern von datenobjekten - Google Patents

Verfahren zum clustern von datenobjekten Download PDF

Info

Publication number
WO2024046657A1
WO2024046657A1 PCT/EP2023/070465 EP2023070465W WO2024046657A1 WO 2024046657 A1 WO2024046657 A1 WO 2024046657A1 EP 2023070465 W EP2023070465 W EP 2023070465W WO 2024046657 A1 WO2024046657 A1 WO 2024046657A1
Authority
WO
WIPO (PCT)
Prior art keywords
data objects
data
road map
motor vehicle
computer
Prior art date
Application number
PCT/EP2023/070465
Other languages
English (en)
French (fr)
Inventor
Maxim Sidorov
Felix LATTEMANN
Burkard RENDENBACH
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
Publication of WO2024046657A1 publication Critical patent/WO2024046657A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Definitions

  • the present disclosure relates to a method for clustering data objects based on their position in a digital road map and a data processing device designed to at least partially carry out the method.
  • a computer program is provided which includes instructions which, when the program is executed by a computer, causes it to at least partially carry out the method.
  • a computer-readable medium is provided which includes instructions which, when the instructions are executed by a computer, cause it to at least partially carry out the method.
  • sensor data is used together with geodesics collected from a motor vehicle fleet and sent to the backend, and extensive calculations are performed in the backend, which include preprocessing of the received data, clustering of the preprocessed data and classification of the clustered data.
  • the data or data objects are clustered, among other things. Since the application contains noisy data and the number of clusters is unknown, density-based clustering can be used.
  • the best-known representative of this technique is the so-called DBSCAN (Density Based Spatial Clustering of Applications with Noise) by Ester et al. (Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996).
  • DBSCAN Density Based Spatial Clustering of Applications with Noise
  • DBSCAN Density-based algorithms have been developed to not only identify arbitrarily shaped clusters but also to deal with noise.
  • the goal of the developers of DBSCAN was to develop an algorithm for clustering noisy data of any shape in spatial and non-spatial high-dimensional databases.
  • Eps neighborhood The basic idea of DBSCAN is the so-called Eps neighborhood. The idea is that each point must have a minimum number of points (MinPts) within a radius (Eps).
  • MinPts minimum number of points
  • Eps a radius
  • a key point is defined by its Eps neighborhood.
  • a point is a core point if its density is greater than or equal to the defined threshold MinPts. However, if this criterion is not met, the point does not necessarily have to be an outlier. If a point that is primarily considered noise has a core point in its Eps neighborhood, then the point is relabeled as a so-called boundary point.
  • the DBSCAN searches for clusters by iterating over each point in the data set and examining the Eps neighborhood of the corresponding point. If the neighborhood includes more neighboring points than the predefined threshold MinPts, a new cluster is initialized with the core point p.
  • the regular DBSCAN has disadvantages in various respects, such as different densities as well as large data sets and the inability to take road restrictions into account.
  • the first two have led to the fact that no regular DBSCAN is used for the task of recognizing road conditions from the sensor data, but rather an iterative approach that works on the individual segments, for example a road section arranged between two intersections.
  • this iterative approach works well in many ways, it also has certain disadvantages.
  • One of them that is for the final application or more precisely for the subsequent classification can be very serious, for example behavior at intersections, more precisely when the clusters extend beyond a segment.
  • one of the goals of this disclosure may be to improve the accuracy and overall performance in learning road conditions associated with assisted driving.
  • the task is then solved by a method for clustering data objects based on their position in a digital road map.
  • the method is used to calculate or determine a grouping of data objects and can also be referred to as computer-implemented cluster analysis.
  • the method can be a computer-implemented method, i.e. one, several or all steps of the method can be carried out at least partially by a data processing device or a computer.
  • the method includes selecting all data objects that are arranged in the road map on the same street as a data object from which the starting point is, and from all data objects that are arranged in the road map relative to the data object from which the starting point is, that they can be reached by driving through a single intersection.
  • the method further includes clustering the selected data objects.
  • clustering can be understood as combining several data objects into a group or determining whether a data object forms a group together with other data objects or not.
  • a network space-limited clustering technique for clustering which takes into account not only the restrictions imposed by the road network itself, but also by the task. Among other things, this shortens the calculation time while maintaining the same computing power.
  • the size of a cluster and/or a number of clusters may vary in the road map depending on a number of data objects in an environment of the data object from which it is assumed.
  • the size of the cluster can depend on the density of data objects within the area.
  • the size of the cluster can be adjusted iteratively: If the clusters are too large, parameters are adjusted iteratively in order to divide comparatively large clusters.
  • the size of the area depends on the size of a segment, i.e. a section of road between two intersections, and/or independently of the density of the data objects.
  • the data objects can contain information about the direction of travel of a motor vehicle from which they were recorded. It is conceivable that only those data objects are selected whose direction of travel corresponds to a direction of travel of the data object from which the starting point is.
  • Clustering can be density based.
  • the comments on DBSCAN described above apply analogously to pure clustering.
  • the method may include classifying the clustered data objects and storing the classified, clustered data objects in the road map.
  • the method may include providing the road map with the clustered data objects stored therein to a motor vehicle.
  • the motor vehicle uses the road map provided to issue a warning to a driver of the motor vehicle and/or a transverse and/or longitudinal guidance of the motor vehicle, in particular, depending on a current position of the motor vehicle and the clustered data objects stored in the road map automated, adaptable. This means that parameters relating to the chassis can also be adjusted.
  • the motor vehicle can be a passenger car, in particular an automobile, or a commercial vehicle, such as a truck.
  • the motor vehicle can be designed to at least partially and/or at least temporarily take over longitudinal guidance and/or transverse guidance during automated driving of the motor vehicle. Automated driving can be carried out in such a way that the movement of the motor vehicle is (largely) autonomous.
  • the motor vehicle can be a motor vehicle with autonomy level 0, i.e. the driver takes over the dynamic driving task, even if supporting systems (e.g. ABS or ESP) are present.
  • supporting systems e.g. ABS or ESP
  • the motor vehicle can be a motor vehicle with autonomy level 1, i.e. have certain driver assistance systems that support the driver in operating the vehicle, such as adaptive cruise control (ACC).
  • ACC adaptive cruise control
  • the motor vehicle can be a motor vehicle of autonomy level 2, that is, it can be partially automated so 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 of autonomy level 3, ie conditionally automated so that the driver does not have to continuously monitor the vehicle system.
  • the motor vehicle independently carries out functions such as triggering the turn signal, changing lanes and/or keeping in lane. The driver can turn his attention to other things, but if necessary the system will ask him to take over within a warning period.
  • the motor vehicle can be a motor vehicle with autonomy level 4, i.e. so highly automated that control 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 over the lead.
  • autonomy level 4 i.e. so highly automated that control 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 over the lead.
  • the motor vehicle can be a motor vehicle with autonomy level 5, i.e. so fully automated that the driver is not required to complete 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.
  • Data processing e.g. comprising a control device for a motor vehicle and/or a backend connected to the motor vehicle, wherein the
  • Data processing device is set up to at least partially carry out or carry out the method described above.
  • the control unit can be part of or represent a driving assistance system.
  • the electronic control unit can be an intelligent processor-controlled unit that can communicate with other modules, for example via a central gateway (CGW) and, if necessary, via field buses such as the CAN bus, LIN bus, MOST bus and FlexRay or via Automotive Ethernet, for example together with telematics control devices, can form the vehicle on-board network. It is conceivable that the control unit has functions relevant to the driving behavior of the motor vehicle, such as engine control Power transmission, the braking system and/or the tire pressure monitoring system controls.
  • driver assistance systems such as a parking assistant, an adapted cruise control (ACC), a lane keeping assistant, a lane change assistant, traffic sign recognition, light signal recognition, a starting assistant, a night vision assistant and/or an intersection assistant, can be controlled by the control unit .
  • ACC adapted cruise control
  • lane keeping assistant lane keeping assistant
  • lane change assistant traffic sign recognition
  • light signal recognition a starting assistant
  • night vision assistant a night vision assistant and/or an intersection assistant
  • the backend can be any data processing device external to the vehicle, e.g. a cloud component.
  • the backend can be designed to communicate wirelessly, for example via Car2X, with the control unit of the motor vehicle.
  • the control device can be designed to determine acceleration values, in particular based on vertical acceleration, speed values and / or positions at which the acceleration values or the speed values were recorded, of the motor vehicle and to send these to the backend.
  • the backend can use this information to create the data objects and insert them into the road map and, based on this, carry out the procedure described above.
  • backend processing can essentially be done in four sequential steps.
  • the data received from the motor vehicle can be preprocessed.
  • Noise can be filtered out and so-called map matching can then be carried out, which describes the process of comparing raw geospatial data received from the motor vehicle with a lanelet network.
  • map matching can then be carried out, which describes the process of comparing raw geospatial data received from the motor vehicle with a lanelet network.
  • map matching maps the process of comparing raw geospatial data received from the motor vehicle with a lanelet network.
  • map matching maps the process of comparing raw geospatial data received from the motor vehicle with a lanelet network.
  • map matching maps the process of comparing raw geospatial data received from the motor vehicle with a lanelet network.
  • the data is then clustered using the method described above to
  • the clusters can be classified to designate not only the type of object, but also to define whether to warn of a particular Class X cluster in the motor vehicle.
  • the results, ie the classified clusters can be saved again in the digital road map so that a vehicle traveling in an area can download the relevant information about the road condition as well as the locations of the events found. Then, when a vehicle passes through such an event, the driver can be alerted to inform them of the upcoming event.
  • a computer program comprising commands which, when the program is executed by a computer, cause it to at least partially execute or carry out the method described above.
  • a program code of the computer program can be in any code, in particular in a code that is suitable for controlling motor vehicles and/or operating a backend.
  • a computer-readable medium in particular a computer-readable storage medium, is provided.
  • the computer-readable medium includes instructions that, when executed by a computer, cause the computer to at least partially carry out the method described above.
  • a computer-readable medium may be provided that includes a computer program as defined above.
  • the computer-readable medium can be any digital data storage device, such as a USB flash drive, hard drive, CD-ROM, SD card, or SSD card.
  • the computer program does not necessarily have to be stored on such a computer-readable storage medium, but can also be obtained externally via the Internet or elsewhere.
  • Fig. 1 shows schematically a motor vehicle and a backend, which exchange data or information bidirectionally, and
  • Fig. 2 shows schematically a road map with data objects to which the method is applied
  • FIG. 3 schematically shows a flowchart of a method for clustering data objects based on their position in a digital road map.
  • the motor vehicle 1 shows a motor vehicle 1 that sends data or data objects 2 to a backend 3 (so-called up-stream), and the backend 3 that sends data or a digital road map 4 to the motor vehicle 1 (so-called down stream).
  • the motor vehicle 1 and the backend 3 together form a data processing device 5, which is designed to execute or carry out a method for clustering the data objects 2 received from the motor vehicle based on their position in a digital road map 4.
  • the method essentially has seven steps S1 - S7, with a third and a fourth step S3, S4 representing the method for clustering in the actual sense and being carried out by the backend 3 .
  • the motor vehicle 1 records sensor data in one or more data objects (comprising information such as a geo-position of the motor vehicle 1, speed information regarding the motor vehicle
  • a so-called map matching or a map comparison or map fitting takes place, in which the position of the motor vehicle 1 measured by a location, which is contained in the data objects 2 received at the backend 3, is included the location information of the digital road map is compared, with the received data objects 2 each being deposited or stored at the location or position determined thereby in the digital road map 4.
  • step S4 of the method clustering takes place using density-based clustering techniques of the selected data objects 2 in order to obtain a cluster 7.
  • step S5 of the method the clustered data objects 2 are classified and the classified, clustered data objects 2 or the information about the class and the cluster 7 to which the data object 2 belongs are stored in the road map 4.
  • a sixth step S6 of the method the road map 4 obtained in the fifth step S5 is provided to the motor vehicle 1.
  • a seventh step S7 of the method the operation of the motor vehicle 1 is controlled based on the road map 4 obtained in the sixth step S6.

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

Bereitgestellt wird ein Verfahren zum Clustern von Datenobjekten basierend auf deren Position in einer digitalen Straßenkarte. Das Verfahren umfasst ein Auswählen von allen Datenobjekten, die in der Straßenkarte auf derselben Straße wie ein Datenobjekt, von dem ausgegangen wird, angeordnet sind und von allen Datenobjekten, die in der Straßenkarte relativ zu dem Datenobjekt, von dem ausgegangen wird, so angeordnet sind, dass sie durch Überfahren einer einzigen Kreuzung erreichbar sind, und ein Clustern der ausgewählten Datenobjekte.

Description

VERFAHREN ZUM CLUSTERN VON DATENOBJEKTEN
Die vorliegende Offenbarung betrifft ein Verfahren zum Clustern von Datenobjekten basierend auf deren Position in einer digitalen Straßenkarte und eine Datenverarbeitungsvorrichtung, die ausgestaltet ist, um das Verfahren zumindest teilweise auszuführen. Zusätzlich oder alternativ wird ein Computerprogramm bereitgestellt, das Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen veranlasst, das Verfahren zumindest teilweise auszuführen. Zusätzlich oder alternativ wird ein computerlesbares Medium bereitgestellt, das Befehle umfasst, die bei der Ausführung der Befehle durch einen Computer diesen veranlassen, das Verfahren zumindest teilweise auszuführen.
Bei einer Erkennung von Schlaglöchern oder allgemeiner beim Erlernen eines Straßenzustands können verschiedene Sensoren eines Kraftfahrzeugs verwendet werden. Ein Ansatz ist die Verwendung von Daten, die von diesen Sensoren gewonnen werden, die die Umgebung erfassen, wie Kamera, Lidar und/oder Radar, und die Verarbeitung der Daten an Bord des Kraftfahrzeugs. Diese Technik ist jedoch weder skalierbar noch für eine gesamte Kraftfahrzeugflotte anwendbar, da die Sensorik und die Rechenleistung in den Kraftfahrzeugen begrenzt sind. Folglich ist der wünschenswertere Ansatz im Hinblick auf die oben genannten Nachteile, Flottendaten (d.h. Sensordaten von einer Vielzahl von Kraftfahrzeugen) an ein Backend zu senden und diese im Backend zu verarbeiten.
Daher werden Sensordaten zusammen mit Geodäten, die von einer Kraftfahrzeugflotte gesammelt und an das Backend gesendet werden, verwendet und umfangreiche Berechnungen im Backend durchgeführt, die eine Vorverarbeitung der empfangenen Daten, ein Clustering bzw. Cluster der vorverarbeiteten Daten und eine Klassifizierung der geclusterten Daten umfassen.
In dem Backend werden die Daten bzw. Datenobjekte also unter anderem geclustert. Da die Anwendung verrauschte Daten enthält und die Anzahl der Cluster unbekannt sind, kann das dichtebasierte Clustering verwendet werden. Der bekannteste Vertreter dieser Technik ist der so genannte DBSCAN (engl. für Density Based Spatial Clustering of Applications with Noise) von Ester et al. (Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters. https://doi.org/10.1016/B978-044452701 -1.00067-3), der in der Lage ist, beliebig geformte Cluster zu bilden. Dies ist ein grundlegender Unterschied zu z.B. K-means, mit dem nur kreisförmige Cluster finden gefunden werden kann und dabei nur einen einzigen Parameter (den Mittelwert) verwendet. Dichtebasierte Algorithmen wurden entwickelt, um nicht nur beliebig geformte Cluster zu identifizieren, sondern auch mit Rauschen umzugehen. Das Ziel der Entwickler des DBSCAN war es, einen Algorithmus für das Clustering verrauschter Daten beliebiger Form in räumlichen und nicht-räumlichen hochdimensionalen Datenbanken zu entwickeln. Grundidee des DBSCANs ist die so genannte Eps-Nachbarschaft. Die Idee dahinter ist, dass jeder Punkt eine Mindestanzahl von Punkten (MinPts) innerhalb eines Radius (Eps) haben muss. Außerdem gibt es beim DBSCAN verschiedene Arten von Punkten, nämlich Kernpunkte, Randpunkte und Ausreißer (auch Rauschen genannt). Ein Kernpunkt wird durch seine Eps-Nachbarschaft definiert. Genauer gesagt ist ein Punkt ein Kernpunkt, wenn seine Dichte größer oder gleich dem definierten Schwellenwert MinPts ist. Wenn dieses Kriterium nicht erfüllt ist, muss der Punkt jedoch nicht unbedingt ein Ausreißer sein. Wenn ein Punkt, der in erster Linie als Rauschen betrachtet wird, einen Kernpunkt in seiner Eps-Nachbarschaft hat, dann wird der Punkt zu einem so genannten Grenzpunkt umetikettiert. Der DBSCAN sucht nach Clustern, indem er über jeden Punkt im Datensatz iteriert und die Eps-Nachbarschaft des entsprechenden Punktes untersucht. Wenn die Nachbarschaft mehr benachbarte Punkte umfasst als der vordefinierte Schwellenwert MinPts, wird ein neuer Cluster mit dem Kernpunkt p initialisiert.
Der reguläre DBSCAN weist in verschiedener Hinsicht Nachteile auf, wie z.B. bei unterschiedlichen Dichten sowie bei großen Datensätzen und der fehlenden Möglichkeit, Straßenbeschränkungen zu berücksichtigen. Die ersten beiden haben dazu geführt, dass für die Aufgabe der Erkennung von Straßenzuständen aus den Sensordaten kein regulärer DBSCAN verwendet wird, sondern ein iterativer Ansatz, der auf den einzelnen Segmenten, also beispielsweise einem zwischen zwei Kreuzungen angeordneten Straßenabschnitt, arbeitet. Doch auch wenn dieser iterative Ansatz in vielerlei Hinsicht gut funktioniert, hat er auch gewisse Nachteile. Einer davon, der für die endgültige Anwendung oder genauer gesagt für die nachfolgende Klassifizierung sehr schwerwiegend sein kann, ist das z.B. Verhalten an Kreuzungen, genauer gesagt, wenn die Cluster über ein Segment hinausgehen.
Daher kann eines der Ziele dieser Offenbarung darin bestehen, die Genauigkeit und die Gesamtleistung beim Erlernen von Straßenbedingungen im Zusammenhang mit dem assistierten Fahren zu verbessern.
Gelöst wird die Aufgabe durch die Merkmale des unabhängigen Anspruchs. Die Unteransprüche haben bevorzugte Weiterbildungen der Erfindung zum Inhalt.
Danach wird die Aufgabe durch ein Verfahren zum Clustern von Datenobjekten basierend auf deren Position in einer digitalen Straßenkarte gelöst.
Das Verfahren dient zur Berechnung bzw. Bestimmung einer Gruppierung von Datenobjekten und kann auch als computer-implementierte Clusteranalyse bezeichnet werden.
Bei dem Verfahren kann es sich um ein computer-implementiertes Verfahren handeln, d.h. einer, mehrere oder alle Schritte des Verfahrens können zumindest teilweise von einer Vorrichtung zur Datenverarbeitung bzw. einem Computer durchgeführt werden.
Das Verfahren umfasst ein Auswahlen von allen Datenobjekten, die in der Straßenkarte auf derselben Straße wie ein Datenobjekt, von dem ausgegangen wird, angeordnet sind und von allen Datenobjekten, die in der Straßenkarte relativ zu dem Datenobjekt, von dem ausgegangen wird, so angeordnet sind, dass sie durch Überfahren einer einzigen Kreuzung erreichbar sind.
Das Verfahren umfasst ferner ein Clustern der ausgewählten Datenobjekte.
Unter Clustern kann vorliegend das Zusammenfassen mehrere Datenobjekte in eine Gruppe verstanden werden bzw. das Feststellen, dass ein Datenobjekt zusammen mit anderen Datenobjekte eine Gruppe bildet oder nicht. Um die oben mit Bezug zum im Stand der Technik verwendeten Clustering-Techniken beschriebenen Nachteile zu überwinden, wird offenbarungsgemäß vorgeschlagen, zum Clustern eine netzwerkraumbeschränkten Clustering-Technik zu verwenden, die nicht nur die Beschränkungen durch das Straßennetz selbst, sondern auch durch die Aufgabe berücksichtigt. Dadurch wird unter anderem die Berechnungszeit bei gleichbleibender Rechenleistung verkürzt.
Nachfolgend werden mögliche Weiterbildungen des oben beschriebenen Verfahrens weiter im Detail erläutert.
Denkbar ist, dass nur solche Datenobjekte ausgewählt werden, die sich in der Straßenkarte in einem Bereich einer vorbestimmten Größe um das Datenobjekt, von dem ausgegangen wird, befinden.
Die Größe eines Clusters und/oder eine Anzahl von Cluster kann in Abhängigkeit einer Anzahl von Datenobjekten in einer Umgebung des Datenobjekts, von dem ausgegangen wird, in der Straßenkarte variieren. Dabei kann die Größe des Clusters abhängig von der Dichte der Datenobjekte innerhalb des Bereichs sein. Dabei kann die Größe des Clusters iterativ angepasst werden: Sind die Cluster zu groß, werden Parameter iterativ angepasst, um vergleichsweise große Cluster zu teilen. Die Größe des Bereichs ist dabei abhängig von einer Größe eines Segments, also eines Fahrbahnabschnitts zwischen zwei Kreuzungen, und/oder unabhängig von der Dichte der Datenobjekte.
Die Datenobjekte können eine Information über eine Fahrtrichtung von einem Kraftfahrzeug aufweisen, von dem sie aufgenommen wurden. Denkbar ist, dass nur solche Datenobjekte ausgewählt werden, deren Fahrtrichtung mit einer Fahrtrichtung des Datenobjekts, von dem ausgegangen wird, übereinstimmen.
Das Clustern kann dichtebasiert erfolgen. Die Ausführungen zum oben beschriebenen DBSCAN gelten für das reine Clustern an sich analog. Das Verfahren kann ein Klassifizieren der geclusterten Datenobjekte und ein Speichern der klassifizierten, geclusterten Datenobjekte in der Straßenkarte umfassen.
Das Verfahren kann ein Bereitstellen der Straßenkarte mit den darin gespeicherten, geclusterten Datenobjekte an ein Kraftfahrzeug umfassen.
Denkbar ist, dass das Kraftfahrzeug die bereitgestellte Straßenkarte nutzt, um in Abhängigkeit einer aktuellen Position des Kraftfahrzeugs und der in der Straßenkarte gespeicherten, geclusterten Datenobjekte einen Warnhinweis an einen Fahrer des Kraftfahrzeugs auszugeben und/oder eine Quer- und/oder Längsführung des Kraftfahrzeugs, insbesondere automatisiert, anzupassen. Damit können auch das Fahrwerk betreffende Parameter angepasst werden.
Bei dem Kraftfahrzeug kann es sich um einen Personenkraftwagen, insbesondere ein Automobil, oder ein Nutzfahrzeug, wie einen Lastkraftwagen, handeln. Das Kraftfahrzeug kann ausgestaltet sein, um eine Längsführung und/oder eine Querführung bei einem automatisierten Fahren des Kraftfahrzeugs zumindest teilweise und/oder zumindest zeitweise zu übernehmen. Das automatisierte Fahren kann so erfolgen, dass die Fortbewegung des Kraftfahrzeugs (weitgehend) autonom erfolgt.
Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 0 sein, d.h. der Fahrer übernimmt die dynamische Fahraufgabe, auch wenn unterstützende Systeme (z. B. ABS oder ESP) vorhanden sind.
Das Kraftfahrzeug kann ein Kraftfahrzeug der Autonomiestufe 1 sein, d.h. bestimmte Fahrerassistenzsysteme aufweisen, die den Fahrer bei der Fahrzeugbedienung unterstützen, wie beispielsweise der 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.
Ferner wird eine Datenverarbeitungsvorrichtung bzw. ein System zur
Datenverarbeitung, z.B. umfassend ein Steuergerät für ein Kraftfahrzeug und/oder ein zum Kraftfahrzeug verbundenes Backend, bereitgestellt, wobei die
Datenverarbeitungsvorrichtung dazu eingerichtet ist, das oben beschriebene Verfahren zumindest teilweise aus- bzw. durchzuführen.
Das Steuergerät kann Teil eines Fahrassistenzsystems sein oder dieses darstellen. Bei dem Steuergerät kann es sich beispielsweise um eine elektronische Steuereinheit bzw. ein elektronisches Steuergerät (engl. ECU = electronic control unit) handeln. Das elektronische Steuergerät kann eine intelligente prozessor-gesteuerte Einheit sein, die z.B. über ein Central Gateway (CGW) mit anderen Modulen kommunizieren kann und die ggf. über Feldbusse, wie den CAN-Bus, LIN-Bus, MOST-Bus und FlexRay oder über Automotive-Ethernet, z.B. zusammen mit Telematiksteuergeräten das Fahrzeugbordnetz bilden kann. Denkbar ist, dass das Steuergerät für das Fahrverhalten des Kraftfahrzeugs relevante Funktionen, wie die Motorsteuerung, die Kraftübertragung, das Bremssystem und/oder das Reifendruck-Kontrollsystem, steuert. Außerdem können Fahrerassistenzsysteme, wie beispielsweise ein Parkassistent, eine angepasste Geschwindigkeitsregelung (ACC, engl. Adaptive cruise control), ein Spurhalteassistent, ein Spurwechselassistent, eine Verkehrszeichenerkennung, eine Lichtsignalerkennung, ein Anfahrassistent, ein Nachtsichtassistent und/oder ein Kreuzungsassistent, von dem Steuergerät gesteuert werden.
Bei dem Backend kann es sich um jegliche kraftfahrzeugexterne Datenverarbeitungsvorrichtung, z.B. eine Cloudkomponente, handeln. Das Backend kann ausgestaltet sein, um drahtlos, z.B. über Car2X, mit dem Steuergerät des Kraftfahrzeugs zu kommunizieren.
Das Steuergerät kann ausgestaltet sein, um Beschleunigungswerte, insbesondere bezogen auf eine Vertikalbeschleunigung, Geschwindigkeitswerte und/oder Positionen, an denen die Beschleunigungswerte bzw. die Geschwindigkeitswerte erfasst wurden, des Kraftfahrzeugs zu ermitteln und diese an das Backend zu senden.
Das Backend kann diese Informationen nutzen, um daraus die Datenobjekte zu erstellen und in die Straßenkarte einzufügen und basierend darauf das oben beschriebene Verfahren auszuführen.
Genauer gesagt kann die Verarbeitung im Backend im Wesentlichen in vier aufeinanderfolgende Schritte erfolgen. In einem ersten Schritt können die vom Kraftfahrzeug empfangenen Daten vorverarbeitet werden. Dabei kann ein Rauschen herausgefiltert werden und dann ein sog. Map Matching durchgeführt werden, das den Prozess des Abgleichens von dem Kraftfahrzeug empfangenen Georaum-Rohdaten mit einem Lanelet-Netzwerk beschreibt. Danach liegt eine digitale Straßenkarte vor, in der die Daten bzw. die Datenobjekte entsprechend deren Georaum-Rohdaten bzw. Position, an der diese von dem Kraftfahrzeug erfasst wurden, abgespeichert bzw. enthalten sind. Anschließend werden die Daten mit dem oben beschriebenen Verfahren geclustert, um Cluster zu erzeugen, die Daten bzw. Datenobjekte enthalten, die wahrscheinlich von demselben Objekt (z.B. von einem Schlagloch) stammen bzw. bedingt wurden. Im dritten Schritt kann eine Klassifizierung der Cluster vorgenommen werden, um nicht nur die Art des Objekts zu bezeichnen, sondern auch zu definieren, ob vor einem bestimmten Cluster der Klasse X in dem Kraftfahrzeug gewarnt werden soll. Schließlich können die Ergebnisse, d.h. die klassifizierten Cluster, in dem vierten Schritt wieder in der digitalen Straßenkarte gespeichert werden, so dass ein Fahrzeug, das ein Gebiet befährt, die relevanten Informationen über den Straßenzustand sowie die Standorte der gefundenen Ereignisse herunterladen kann. Wenn ein Fahrzeug dann ein solches Ereignis durchfährt, kann der Fahrer gewarnt werden, um ihn über das bevorstehende Ereignis zu informieren.
Das oben mit Bezug zum Verfahren Beschriebene gilt analog auch für die Datenverarbeitungsvorrichtung und umgekehrt.
Ferner wird ein Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das oben beschriebene Verfahren zumindest teilweise aus- bzw. durchzuführen, bereitgestellt.
Ein Programmcode des Computerprogramms kann in einem beliebigen Code vorliegen, insbesondere in einem Code, der für Steuerungen von Kraftfahrzeugen und/oder einem Betrieb eines Backends geeignet ist.
Das oben mit Bezug zum Verfahren und zur Datenverarbeitungsvorrichtung Beschriebene gilt analog auch für das Computerprogramm und umgekehrt.
Ferner wird ein computerlesbares Medium, insbesondere ein computerlesbares Speichermedium, bereitgestellt. Das computerlesbare Medium umfasst Befehle, die bei der Ausführung der Befehle durch einen Computer diesen veranlassen, das oben beschriebene Verfahren zumindest teilweise auszuführen.
Das heißt, es kann ein computerlesbares Medium bereitgestellt werden, das ein oben definiertes Computerprogramm umfasst.
Bei dem computerlesbaren Medium kann es sich um ein beliebiges digitales Datenspeichergerät handeln, wie zum Beispiel einen USB-Stick, eine Festplatte, eine CD-ROM, eine SD-Karte oder eine SSD-Karte. Das Computerprogramm muss nicht zwingend auf einem solchen computerlesbaren Speichermedium gespeichert sein, sondern kann auch über das Internet oder anderweitig extern bezogen werden.
Das oben mit Bezug zum Verfahren, zur Datenverarbeitungsvorrichtung und zum Computerprogramm Beschriebene gilt analog auch für das computerlesbare Medium und umgekehrt.
Nachfolgend wird eine Ausführungsform mit Bezug zu Figuren 1 und 2 beschrieben.
Fig. 1 zeigt schematisch ein Kraftfahrzeug und ein Backend, die bidirektional Daten bzw. Informationen austauschen, und
Fig. 2 zeigt schematisch eine Straßenkarte mit Datenobjekten, auf die das Verfahren angewandt wird, und
Fig. 3 zeigt schematisch ein Ablaufdiagramm eines Verfahrens zum Clustern von Datenobjekten basierend auf deren Position in einer digitalen Straßenkarte.
In Figur 1 ist ein Kraftfahrzeug 1 dargestellt, das Daten bzw. Datenobjekte 2 an ein Backend 3 sendet (sog. Up-Stream), und das Backend 3, das Daten bzw. eine digitale Straßenkarte 4 an das Kraftfahrzeug 1 sendet (sog. Down-Stream). Das Kraftfahrzeug 1 und das Backend 3 bilden zusammen eine Datenverarbeitungsvorrichtung 5, welche ausgestaltet ist, um ein Verfahren zum Clustern der von dem Kraftfahrzeug empfangenen Datenobjekte 2 basierend auf deren Position in einer digitalen Straßenkarte 4 auszuführen bzw. durchzuführen.
Wie sich aus dem in Figur 3 dargestellten Ablaufdiagramm des Verfahrens ergibt, weist das Verfahren im Wesentlichen sieben Schritte S1 - S7 auf, wobei ein dritter und ein vierter Schritt S3, S4 das Verfahren zum Clustern im eigentlichen Sinne darstellen und von dem Backend 3 ausgeführt werden. In dem ersten Schritt S1 des Verfahrens erfasst das Kraftfahrzeug 1 Sensordaten in einem oder mehreren Datenobjekten (umfassend Informationen wie eine Geo-Position des Kraftfahrzeugs 1 , eine Geschwindigkeitsinformation betreffend des Kraftahrzeug
1 und/oder eine (optional Vertikal-) Beschleunigung) zusammen und sendet das bzw. die Datenobjekte 2 an das Backend 3.
In einem zweiten Schritt S2 des Verfahrens erfolgt ein sog. Map Matching bzw. ein Kartenabgleich oder Karteneinpassung, bei dem bzw. der die durch eine Ortung gemessene Position des Kraftfahrzeugs 1 , die jeweils in den an dem Backend 3 empfangenen Datenobjekten 2 enthalten ist, mit den Ortsinformationen der digitalen Straßenkarte abgeglichen wird, wobei die empfangenen Datenobjekte 2 jeweils an der dadurch ermittelten Stelle bzw. Position in der digitalen Straßenkarte 4 hinterlegt bzw. gespeichert werden.
In dem dritten Schritt S3 des Verfahrens erfolgt ein Auswahlen von allen Datenobjekten 2, die in der Straßenkarte 4 auf derselben Straße wie ein Datenobjekt
2 (in Figur 2 schwarz ausgefüllt dargestellt), von dem ausgegangen wird, angeordnet sind und von allen Datenobjekten 2, die in der Straßenkarte 4 relativ zu dem Datenobjekt 2, von dem ausgegangen wird, so angeordnet sind, dass sie durch Überfahren einer einzigen Kreuzung 5 erreichbar sind. Dabei werden nur solche Datenobjekte 2 ausgewählt werden, die sich in der Straßenkarte 4 in einem Bereich bzw. Fenster 6 einer vorbestimmten Größe um das Datenobjekt 2, von dem ausgegangen wird, befinden. Die Größe des Bereichs 6 variiert dabei in Abhängigkeit einer Anzahl von Datenobjekten 2 in einer Umgebung des Datenobjekts 2, von dem ausgegangen wird, in der Straßenkarte 4. Weiterhin werden nur die Datenobjekte 2 ausgewählt, deren Information über eine Fahrtrichtung von einem Kraftfahrzeug 1 , von dem sie aufgenommen wurden, dieselbe ist, wie die Fahrtrichtung des Datenobjekts 2, von dem ausgegangen wird.
In dem vierten Schritt S4 des Verfahrens erfolgt ein Clustern unter Nutzung dichtebasierter Clustertechniken der ausgewählten Datenobjekte 2, um so ein Cluster 7 zu erhalten. In einem fünften Schritt S5 des Verfahrens erfolgt ein Klassifizieren der geclusterten Datenobjekte 2 und ein Speichern der klassifizierten, geclusterten Datenobjekte 2 bzw. der Information über die Klasse und dem Cluster 7, dem das Datenobjekt 2 angehört, in der Straßenkarte 4.
In einem sechsten Schritt S6 des Verfahrens wird die in dem fünften Schritt S5 erhaltene Straßenkarte 4 dem Kraftfahrzeug 1 bereitgestellt.
In einem siebten Schritt S7 des Verfahrens erfolgt ein Steuern des Betriebs des Kraftfahrzeugs 1 basierend auf der in dem sechsten Schritt S6 erhaltenen Straßenkarte 4.
Bezugszeichenliste
1 Kraftfahrzeug 2 Datenobjekt(e)
3 Backend
4 digitale Straßenkarte
5 Kreuzung
6 Fenster bzw. Bereich 7 Cluster
S1 - S7 Schritte des Verfahrens

Claims

Patentansprüche Verfahren zum Clustern von Datenobjekten (2) basierend auf deren Position in einer digitalen Straßenkarte (4), dadurch gekennzeichnet, dass das Verfahren umfasst:
- Auswahlen (S3) von allen Datenobjekten (2), die in der Straßenkarte (4) auf derselben Straße wie ein Datenobjekt (2), von dem ausgegangen wird, angeordnet sind und von allen Datenobjekten (2), die in der Straßenkarte (4) relativ zu dem Datenobjekt (2), von dem ausgegangen wird, so angeordnet sind, dass sie durch Überfahren einer einzigen Kreuzung (5) erreichbar sind, und
-Clustern (S4) der ausgewählten Datenobjekte (2). Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass nur solche Datenobjekte (2) ausgewählt werden, die sich in der Straßenkarte (4) in einem Bereich (6) einer vorbestimmten Größe um das Datenobjekt (2), von dem ausgegangen wird, befinden. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Größe eines Clusters (7) und/oder eine Anzahl von Cluster (7) in Abhängigkeit einer Anzahl von Datenobjekten (2) in einer Umgebung des Datenobjekts (2), von dem ausgegangen wird, in der Straßenkarte (4) variiert. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Datenobjekte (2) eine Information über eine Fahrtrichtung von einem Kraftfahrzeug (1 ) aufweisen, von dem sie aufgenommen wurden, und nur solche Datenobjekte (2) ausgewählt werden, deren Fahrtrichtung mit einer Fahrtrichtung des Datenobjekts (2), von dem ausgegangen wird, übereinstimmt. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass das Clustern (S3) dichtebasiert erfolgt. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass das Verfahren umfasst:
- Klassifizieren (S5) der geclusterten Datenobjekte, und
- Speichern (S5) der klassifizierten, geclusterten Datenobjekte (2) in der Straßenkarte (4). Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das Verfahren ein Bereitstellen (S6) der Straßenkarte (4) mit den darin gespeicherten, geclusterten Datenobjekten (2) an ein Kraftfahrzeug (1 ) umfasst. Datenverarbeitungsvorrichtung (1 , 3), wobei die
Datenverarbeitungsvorrichtung (1 , 3) dazu eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen. Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer (1 , 3) diesen veranlassen, das Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen. Computerlesbares Medium, umfassend Befehle, die bei der Ausführung der Befehle durch einen Computer (1 , 3) diesen veranlassen, das Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen.
PCT/EP2023/070465 2022-09-02 2023-07-24 Verfahren zum clustern von datenobjekten WO2024046657A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022122259.4 2022-09-02
DE102022122259.4A DE102022122259A1 (de) 2022-09-02 2022-09-02 Verfahren zum clustern von datenobjekten

Publications (1)

Publication Number Publication Date
WO2024046657A1 true WO2024046657A1 (de) 2024-03-07

Family

ID=87514396

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/070465 WO2024046657A1 (de) 2022-09-02 2023-07-24 Verfahren zum clustern von datenobjekten

Country Status (2)

Country Link
DE (1) DE102022122259A1 (de)
WO (1) WO2024046657A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074193A1 (en) * 2018-08-29 2020-03-05 Here Global B.V. Method and system for learning about road signs using hierarchical clustering

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005014761A1 (de) 2005-03-31 2006-10-05 Siemens Ag Verfahren zum Anordnen von Objektdaten in elektronischen Karten
WO2014173455A1 (de) 2013-04-26 2014-10-30 Siemens Aktiengesellschaft Verfahren zum zuordnen eines objekts zu einer gruppe
DE102015209055A1 (de) 2015-05-18 2016-11-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Bestimmen von Signalgruppen an Kreuzungseingängen einer Kreuzung mit einer Lichtsignalanlage zur Verwendung in Fahrerassistenzsystemen
DE102017116360A1 (de) 2016-07-20 2018-01-25 Harman Becker Automotive Systems Gmbh Clustering von erfassungen von gegenständen entlang strassen für navigationsbezogene vorgänge
DE102020118629B4 (de) 2020-07-15 2022-12-29 Bayerische Motoren Werke Aktiengesellschaft Computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs
DE102020211017B3 (de) 2020-09-01 2021-09-16 Volkswagen Aktiengesellschaft Zuordnung von Ampeln zu zugehörigen Fahrspuren

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074193A1 (en) * 2018-08-29 2020-03-05 Here Global B.V. Method and system for learning about road signs using hierarchical clustering

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ESTER, M.KRIEGEL, H.-P.SANDER, J.XU, X, A DENSITY-BASED ALGORITHM FOR DISCOVERING CLUSTERS, 1996, Retrieved from the Internet <URL:https://doi.org/10.1016/B978-044452701-1.00067-3>

Also Published As

Publication number Publication date
DE102022122259A1 (de) 2024-03-07

Similar Documents

Publication Publication Date Title
DE102015105206B4 (de) Verfahren und System zum Detektieren, Verfolgen und Abschätzen von stationären Straßenrandobjekten
DE102021101426A1 (de) Erkennung von fahrzeugbetriebsbedingungen
DE102019111368A1 (de) Bestimmen des fahrzeugfahrverhaltens
DE102020117340A1 (de) Verfahren zur Umgebungserfassung mit wenigstens zwei unabhängigen bildgebenden Umgebungserfassungssensoren, Vorrichtung zur Durchführung des Verfahrens, Fahrzeug sowie entsprechend ausgelegtes Computerprogramm
DE102013207905A1 (de) Verfahren zum effizienten Bereitstellen von Belegungsinformationen über Abschnitte des Umfeldes eines Fahrzeugs
DE102010004057B4 (de) Verfahren und Systeme zum Überwachen einer Fahrzeugbewegung
WO2024046657A1 (de) Verfahren zum clustern von datenobjekten
WO2021001460A1 (de) Ermittlung des zustandes von karosseriekomponenten
DE102019217586A1 (de) Bestimmung einer diskreten Repräsentation eines Fahrbahnabschnitts vor einem Fahrzeug
WO2021093955A1 (de) Bestimmung einer diskreten repräsentation eines fahrbahnabschnitts vor einem fahrzeug
DE102022111324A1 (de) Verfahren zur Datenfusion für ein Kraftfahrzeug, Computerprogramm, Datenverarbeitungsvorrichtung und Kraftfahrzeug
DE102022115463A1 (de) Verfahren und vorrichtung zum betreiben eines kraftfahrzeugs
DE102022114449A1 (de) Verfahren und vorrichtung zum einstellen eines betriebszustands eines fahrassistenzsystems
AT524759B1 (de) Verfahren zur Fahrassistenz und Fahrassistenzsystem
DE102020107282B4 (de) Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs
DE102022110269A1 (de) Verfahren zum Einstellen eines Sollabstands eines Kraftfahrzeugs zu einem vorausfahrenden Vorderfahrzeug, Computerprogramm, Steuergerät und Kraftfahrzeug
DE102022129912A1 (de) Steuervorrichtung und verfahren zum steuern eines betriebs eines kraftfahrzeugs
DE102022112377A1 (de) Verfahren zum Einstellen eines Sollabstands eines Kraftfahrzeugs zu einem vorausfahrenden Vorderfahrzeug, Computerprogramm, Steuergerät und Kraftfahrzeug
DE102022118054A1 (de) Verfahren und vorrichtung zum betreiben eines kraftfahrzeugs
DE102022111182A1 (de) Verfahren und vorrichtung zur steuerung eines sammelns von fahrzeug-umfelddaten, die mittels einem an einem fahrzeug verbauten sensorsystem gesammelt werden
DE102022108182A1 (de) Verfahren zum Betreiben eines automatisierten Kraftfahrzeugs, Computerprogramm, Steuergerät und Kraftfahrzeug
DE102022104930A1 (de) Verfahren und vorrichtung zur geschwindigkeitssteuerung eines automatisierten kraftfahrzeugs
DE102022104931A1 (de) Verfahren zum betreiben eines notbremsassistenten eines automatisierten kraftfahrzeugs
WO2023208478A1 (de) Verfahren und vorrichtung zum betreiben einer hands-off- fahrunktion eines automatisierten kraftfahrzeugs
DE102022116993A1 (de) Verfahren zum bestimmen eines zustands eines fahrzeugs

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: 23748043

Country of ref document: EP

Kind code of ref document: A1