WO2024110113A1 - VERFAHREN ZUR ERMITTLUNG EINES STRAßENZUSTANDES - Google Patents

VERFAHREN ZUR ERMITTLUNG EINES STRAßENZUSTANDES Download PDF

Info

Publication number
WO2024110113A1
WO2024110113A1 PCT/EP2023/078159 EP2023078159W WO2024110113A1 WO 2024110113 A1 WO2024110113 A1 WO 2024110113A1 EP 2023078159 W EP2023078159 W EP 2023078159W WO 2024110113 A1 WO2024110113 A1 WO 2024110113A1
Authority
WO
WIPO (PCT)
Prior art keywords
road
vehicle
road condition
data
determined
Prior art date
Application number
PCT/EP2023/078159
Other languages
English (en)
French (fr)
Inventor
Andreas Petrovic
Jannis Kiourtsidis
Original Assignee
Mercedes-Benz Group 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 Mercedes-Benz Group AG filed Critical Mercedes-Benz Group AG
Publication of WO2024110113A1 publication Critical patent/WO2024110113A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning

Definitions

  • the invention relates to a method for determining a road condition, wherein vehicles of a vehicle fleet are connected by data technology to a central computer unit.
  • DE 102019 006 384 A1 discloses a method and a device for predictive road condition detection by means of a vehicle's surroundings being detected by at least one camera. Reflections of the road surface are evaluated in captured camera images. The information on reflections obtained from the camera images is transmitted to an external computing unit together with vehicle data from a rain sensor and/or a windshield wiper. This is used to determine characteristic reflections and different road conditions.
  • DE 102020 005 185 A1 describes a method for estimating a road condition of a road in the vicinity of a motor vehicle using an electronic computing device external to the motor vehicle.
  • the road is recorded as road information using a recording device of the motor vehicle and the road information is transmitted to the electronic computing device external to the motor vehicle.
  • the electronic computing device external to the motor vehicle has an artificial intelligence, by means of which the road condition is estimated depending on the transmitted road information, wherein a future road condition is predicted by means of the artificial intelligence depending on at least one parameter.
  • EP 1 273496 A2 discloses a method for road classification in a vehicle, wherein translational movements of a vehicle wheel relative to The forces acting on a vehicle body and/or a vehicle wheel are determined. An evaluation is carried out based on the dynamic components of the movements of the vehicle wheel and/or the forces acting on the vehicle wheel above a predetermined limit frequency. The evaluation is used to differentiate between road types and/or road conditions.
  • the invention is based on the object of specifying a method for determining a road condition.
  • a method for determining a road condition whereby vehicles of a vehicle fleet are connected to a central computer unit for data purposes, provides according to the invention that satellite images of the earth's surface are received by means of the central computer unit.
  • image information of road surfaces is extracted from the received satellite images using digital map data and a learning algorithm is used to calculate the extracted image information of the road surfaces is used to determine the road condition of sections of a particular road.
  • the method enables a comprehensive prediction of road conditions, whereby the prediction is largely independent of locally measured data.
  • the method makes it possible to predict the respective road condition based on satellite images and to enrich it with real fleet data with high precision. This improves coverage for determining road conditions even on comparatively low-traffic roads and provides relatively accurate data even without available fleet data.
  • the robustness of the prediction model is iteratively trained and improved using real vehicle measurements, which can increasingly reduce the need for vehicle data over time. In particular, incorrect measurements based on environmental influences such as shadows, wetness, etc. can be reduced.
  • information about the road conditions of route sections is determined, which can be used to decide whether a particular route section is suitable for automated ferry operation by a vehicle, in particular for highly automated or driverless ferry operation. Based on the information determined about the road conditions of a route section, it can be closed to automated ferry operation at least temporarily due to its road conditions.
  • the information can also be used to adapt the driving dynamics of a vehicle that has this information, particularly in relation to driving speed and/or acceleration, to the road conditions, especially in the case of an automated vehicle. This makes it possible to largely avoid damage to vehicles driving on the section of road.
  • road damage is identified when determining the road condition, this can be reported to the responsible authorities, in particular transmitted. The responsible authority is then informed and can remedy the road damage.
  • the algorithm is controlled using ground truth data provided by the vehicles of the vehicle fleet as the above-mentioned fleet data during Driving on the respective section of road is recorded and transmitted to the central computer unit. This can improve the accuracy of the algorithm for determining the road condition of a particular section of road.
  • a real road condition is determined based on signals recorded by a sensor system of the respective vehicle in the vehicle fleet. These recorded signals are fed to the central computer unit as fleet data and are taken into account when determining the corresponding road condition, since they are real data, so that the accuracy of the determined road conditions can be optimized.
  • a real road condition is determined based on the recorded vehicle system conditions of the respective vehicle in the vehicle fleet. For example, the road condition determined based on the recorded signals from the sensors is checked for plausibility or detailed with the road condition determined based on the vehicle system conditions. In particular, the real road condition is created based on a combination of the road condition determined by the sensors and the road condition determined based on the vehicle system conditions. Elevations and depressions in a surface of the road section can be determined using the recorded vehicle system conditions.
  • a friction coefficient of the respective route section is determined based on a detected slip of a driven vehicle wheel of the respective vehicle in the vehicle fleet.
  • the friction coefficient is used to determine how a trajectory of an automated vehicle is calculated.
  • the friction coefficient can be used to draw conclusions about the condition of a surface on a section of the route, i.e. the surface over which the vehicle in the fleet is driving.
  • the central computer unit has general environmental data, such as information on weather conditions, so that an actual friction coefficient can essentially be determined.
  • a road condition model is created using fleet data from the vehicles in the vehicle fleet and another road condition model is created using satellite images, whereby a synchronized road condition model is created using the road condition models and other data.
  • a comparison is made between the road condition models and, if necessary, additional map data is used as further data to create the synchronized road condition model, which maps the road conditions of sections of the respective road and represents a comparatively robust basis, in particular for the approval of automated ferry operations, in particular highly automated or driverless ferry operations of vehicles.
  • the synchronized road condition model is made available at least to the vehicles in the vehicle fleet by means of the central computer unit, so that, for example, settings for the driving dynamics of the respective vehicle can be adjusted, for example on a stretch of road with road damage. This makes it possible to at least reduce damage to the vehicle, for example due to driving through a pothole.
  • information about the road condition is used to make decisions about whether to allow or block sections of the route for automated ferry operation by vehicles. This means that it is determined whether a certain section of the route can be driven on in automated ferry operation without malfunctions of an assistance system for automated ferry operation, in particular for autonomous ferry operation, occurring or the vehicle being damaged when driving on the certain sections of the route, for example due to existing potholes.
  • one embodiment provides that, based on information about the road conditions, the driving dynamics of a vehicle in the vehicle fleet are automatically adjusted accordingly. If, for example, minor road damage is detected and automated ferry operation is still possible, acceleration and/or driving speed are adjusted to the road conditions. This information can also be used for manual ferry operation of the vehicle. For example, if road damage is detected, a warning is issued in the vehicle to reduce driving speed so that the risk of damage to the vehicle can be reduced.
  • Fig. 1 shows a schematic view of a section of track, a vehicle travelling on it, satellites and a central computer unit,
  • Fig. 2 schematically shows a perspective view of a section of the vehicle with various vehicle systems
  • Fig. 3 schematically shows a data and communication model for comparing determined road condition models
  • Fig. 4 shows a schematic of a continuous observation of a road condition.
  • Figure 1 shows a section S of a road on which a vehicle 1 is traveling.
  • the section S has areas B1, B2 of varying surface quality.
  • Figure 1 shows a highly simplified sequence of a method for determining a road condition.
  • Figure 2 shows a perspective section of a vehicle 1 with different chassis systems and Figure 3 shows a data and communication model for comparing determined road condition models S1, S2, S3.
  • Vehicle 1 has an assistance system (not shown in detail) for partially or highly automated ferry operations and is part of a vehicle fleet, for example, of a vehicle manufacturer, whereby all vehicles in the vehicle fleet are linked to the central computer unit 4.
  • assistance system not shown in detail
  • Factors such as a friction coefficient p shown in Figure 2 determine how an automated vehicle 1 calculates its trajectory. In addition, a required brake pressure and other factors for automated ferry operation must be correctly calculated.
  • the existing road conditions are also comparatively important for manual ferry operation of vehicle 1, for example in order to avoid damage to vehicle 1 due to driving over road defects as far as possible.
  • the following describes the method for determining road conditions, whereby the method makes it possible to determine and predict road conditions, i.e. road conditions, relatively comprehensively and with comparatively high frequency and accuracy.
  • the vehicle 1 comprises a chassis sensor system for recording chassis data FD and a device for controlling driving dynamics, by means of which a slip Sp etc. is determined.
  • An active chassis enables a determination of the road condition of a currently travelled section S of a road, whereby the Sensor data SD, chassis data FD and the determined slip Sp are used.
  • the satellites 2 are components of a satellite network, in particular of a LEO satellite system, where LEO is the abbreviation for Low Earth Orbit.
  • the satellites 2 each have a number of image sensors for capturing satellite images B, i.e. optical world data.
  • Satellite images B of the earth's surface and thus of road surfaces are recorded using the satellites 2.
  • the recorded satellite images B are transmitted to the central computer unit 4 via the transmitting and receiving module 3.
  • the central computer unit 4 extracts image information about the respective road condition of sections S of the respective road from the satellite images B.
  • the vehicles 1 of the vehicle fleet and the satellites 2 therefore carry out a recording E, i.e. a measurement, in relation to the respective road conditions, whereby the recorded sensor data SD, the recorded chassis data FD and the recorded satellite images B, in particular the extracted image information, are fed to a learning algorithm M in the form of a so-called deep learning model.
  • a learning algorithm M Using the learning algorithm M, a prediction P can be made with regard to future road conditions if there is a sufficient amount of recorded data SD, FD, B.
  • the vehicle 1 measures the road condition of the currently driven road using its sensors, i.e. the optical sensors, an actuator of the chassis 1.1 and the determined slip Sp of the vehicle wheels 1.2.
  • the vehicle 1 then sends the recorded or determined information to the central computer unit 4.
  • a network of satellites 2 also measures the road conditions of sections of road S.
  • Vehicle system states are measured, whereby the determined chassis data is compared with signals recorded by at least one vehicle-side acceleration sensor. Detection of the vehicle system states provides data on the road condition, particularly with regard to elevations and depressions in the surface.
  • the algorithm M for predicting P the road condition is created based on the extracted image information of the recorded satellite images B.
  • an initial model for example the deep learning model based on reinforcement learning, is set up, which predicts the road condition based on the satellite images B.
  • real measured fleet data Ft shown in Figure 4 from the vehicles 1 of the vehicle fleet with respect to the road conditions are used as ground truth to refine and specify the algorithm M in order to increase the reliability with respect to the prediction P of the road conditions.
  • the certainty of the prediction P increases with each kilometer driven by a vehicle 1 of the vehicle fleet.
  • the real measured data SD, FD, Sp of the vehicles 1 of the vehicle fleet i.e. the real fleet data Ft, can optimize a robustness of the algorithm M and reduce a number of falsely detected road damages of the satellites 2.
  • a road condition model S1 is created based on the sensor data SD, the slip Sp and the chassis data FD, which are compared and verified with each other.
  • the central computer unit 4 Based on these two road condition models S1, S2, the central computer unit 4 creates a synchronized road condition model S3, which is expanded with further data D, for example map data KD.
  • Communication also takes place between the vehicle 1 and the central computer unit 4 with regard to the road condition model S1 and the synchronized road condition model S3.
  • This synchronized road condition model S3 represents the road condition of the respective section S of a road.
  • Figure 4 shows a continuous observation of a route section S based on acquired satellite images B from one or more satellites 2.
  • the road section S is recorded without road damage, in particular without potholes SL1, SL2.
  • a comparatively small pothole SL1 is recorded, whereas at a third point in time t2, this pothole SL1 is comparatively large and a second pothole SL2 has formed on the road section S.
  • Road damage can be detected by comparing the recorded fleet data Ft over time and assigning this to the image information from the satellite images B. This means that future road damage can be predicted using the algorithm M if there is sufficient data.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung eines Straßenzustandes, wobei Fahrzeuge (1) einer Fahrzeugflotte datentechnisch mit einer zentralen Rechnereinheit (4) verbunden sind. Erfindungsgemäß ist vorgesehen, dass - mittels der zentralen Rechnereinheit (4) Satellitenbilder (B) der Erdoberfläche empfangen werden, - in der zentralen Rechnereinheit (4) mittels digitaler Kartendaten (KD) aus den empfangenen Satellitenbildern (B) Bildinformationen von Straßenoberflächen extrahiert werden, - mittels eines lernenden Algorithmus (M) aus den extrahierten Bildinformationen der Straßenoberflächen ein Straßenzustand von Streckenabschnitten (S) einer jeweiligen Straße ermittelt wird.

Description

Verfahren zur Ermittlung eines Straßenzustandes
Die Erfindung betrifft ein Verfahren zur Ermittlung eines Straßenzustandes, wobei Fahrzeuge einer Fahrzeugflotte datentechnisch mit einer zentralen Rechnereinheit verbunden sind.
Aus der DE 102019 006 384 A1 sind ein Verfahren und eine Vorrichtung zur vorausschauenden Straßenzustandserkennung mittels einer Umgebungserfassung eines Fahrzeuges durch zumindest eine Kamera bekannt. Dabei werden in erfassten Kamerabildern Reflexionen der Fahrbahnoberfläche ausgewertet. Die aus den Kamerabildern gewonnenen Informationen über Reflexionen werden gemeinsam mit Fahrzeugdaten eines Regensensors und/oder eines Scheibenwischers an eine externe Recheneinheit übertragen. Damit werden charakteristische Reflexionen und unterschiedliche Straßenbedingungen bestimmt.
Darüber hinaus beschreibt die DE 102020 005 185 A1 ein Verfahren zum Abschätzen eines Straßenzustandes einer Straße in einer Umgebung eines Kraftfahrzeuges mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung. Dabei wird mittels einer Erfassungseinrichtung des Kraftfahrzeuges die Straße als Straßeninformation erfasst und die Straßeninformation wird an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen. Die kraftfahrzeugexterne elektronische Recheneinrichtung weist eine künstliche Intelligenz auf, mittels welcher in Abhängigkeit von der übertragenen Straßeninformation der Straßenzustand abgeschätzt wird, wobei mittels der künstlichen Intelligenz ein zukünftiger Straßenzustand in Abhängigkeit von zumindest einem Parameter prognostiziert wird.
Weiterhin offenbart die EP 1 273496 A2 ein Verfahren zur Fahrbahnklassifizierung in einem Fahrzeug, wobei translatorische Bewegungen eines Fahrzeugrades relativ zu einem Fahrzeugkörper und/oder auf ein Fahrzeugrad wirkende Kräfte bestimmt werden. Eine Auswertung erfolgt anhand der dynamischen Anteile der Bewegungen des Fahrzeugrades und/oder der auf das Fahrzeugrad wirkenden Kräfte oberhalb einer vorbestimmten Grenzfrequenz. Mittels Auswertung wird eine Unterscheidung zwischen Fahrbahntypen und/oder Fahrbahnzuständen getroffen.
Aus der DE 102019 133 536 A1 ist ein Verfahren bekannt, bei dem eine Korrektur von Kartendaten und Satellitenbildern anhand von Bildinformationen von Fahrzeugen vorgesehen ist.
Aus der DE 102019214628 A1 ist ein Verfahren bekannt, bei dem vorgesehen ist, zur Erkennung eines Straßenverlaufs eine Fusion aus Satellitenbilddaten und Radardaten vorzunehmen und auf Daten aus einer Fahrzeugsensorik zurückzugreifen.
Aus der DE 102006 051 539 A1 ist ein Verfahren bekannt, bei dem vorgesehen ist, fahrzeugbezogene Bildaufnahmen durch Luftbildaufnahmen aus Satellitendaten zu ergänzen.
Aus der DE US 2020/0 023 835 A1 ist ein Verfahren bekannt, bei dem Trajektorien von Fahrzeugen auf einer Fahrbahn oder an einem Knotenpunkt aus Satellitenbildern und Kartendaten erlernt werden.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Ermittlung eines Straßenzustandes anzugeben.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die in Anspruch 1 angegebenen Merkmale aufweist.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Ein Verfahren zur Ermittlung eines Straßenzustandes, wobei Fahrzeuge einer Fahrzeugflotte datentechnisch mit einer zentralen Rechnereinheit verbunden sind, sieht erfindungsgemäß vor, dass mittels der zentralen Rechnereinheit Satellitenbilder der Erdoberfläche empfangen werden. In der zentralen Rechnereinheit werden mittels digitaler Kartendaten aus den empfangenen Satellitenbildern Bildinformationen von Straßenoberflächen extrahiert und mittels eines lernenden Algorithmus wird aus den extrahierten Bildinformationen der Straßenoberflächen ein Straßenzustand von Streckenabschnitten einer jeweiligen Straße ermittelt.
Mittels des Verfahrens ist eine flächendeckende Vorhersage von Straßenzuständen möglich, wobei die Vorhersage weitestgehend unabhängig von lokal gemessenen Daten ist. Das Verfahren ermöglicht es, anhand der Satellitenbilder den jeweiligen Straßenzustand zu prädizieren und mit realen Flottendaten hochgenau anzureichern. Dadurch wird eine Abdeckung zur Straßenzustandsermittlung auch auf vergleichsweise gering befahrene Straßen verbessert und liefert relativ genaue Daten auch ohne zur Verfügung stehende Flottendaten. Zusätzlich wird die Robustheit des Prädiktionsmodells durch reale Fahrzeugmessungen iterativ trainiert und verbessert, wodurch über einen zeitlichen Verlauf zunehmend die Notwendigkeit von Fahrzeugdaten verringert werden kann. Insbesondere können Falschmessungen, die auf Umwelteinflüssen, wie zum Beispiel Schatten, Nässe etc. beruhen, verringert werden.
Durch Anwendung des Verfahrens werden also Informationen über den Straßenzustand von Streckenabschnitten ermittelt, die dazu genutzt werden können, um zu entscheiden, ob ein jeweiliger Streckenabschnitt für einen automatisierten Fährbetrieb eines Fahrzeuges, insbesondere für einen hochautomatisierten oder fahrerlosen Fährbetrieb, geeignet ist. Auf Grundlage der ermittelten Informationen über den Straßenzustand eines Streckenabschnittes kann dieser wegen seines Straßenzustandes zumindest zeitweise für den automatisierten Fährbetrieb gesperrt werden.
Auch können die Informationen dazu genutzt werden, eine Fahrdynamik eines Fahrzeuges, dem diese Informationen vorliegen, insbesondere in Bezug auf eine Fahrgeschwindigkeit und/oder Beschleunigung, an den Straßenzustand anzupassen, insbesondere bei einem automatisiert fahrenden Fahrzeug. Somit ist es möglich, Beschädigungen an Fahrzeugen, welche den Streckenabschnitt befahren, weitestgehend zu vermeiden.
Darüber hinaus kann, sofern bei der Ermittlung des Straßenzustandes Straßenschäden erkannt werden, diese an verantwortliche Stellen gemeldet, insbesondere übermittelt werden. Somit ist die verantwortliche Stelle informiert und kann die Straßenschäden beseitigen.
In einer Ausführung des Verfahrens wird der Algorithmus mittels Ground-Truth-Daten, die von den Fahrzeugen der Fahrzeugflotte als die oben genannten Flottendaten beim Befahren des jeweiligen Streckenabschnittes erfasst werden und an die zentrale Rechnereinheit übermittelt werden, trainiert. Dadurch kann eine Genauigkeit des Algorithmus zur Ermittlung des Straßenzustandes eines jeweiligen Streckenabschnittes verbessert werden.
In einer weiteren Ausführung wird anhand erfasster Signale einer Sensorik des jeweiligen Fahrzeuges der Fahrzeugflotte ein realer Straßenzustand ermittelt. Diese erfassten Signale werden der zentralen Rechnereinheit als Flottendaten zugeführt und bei der Ermittlung des entsprechenden Straßenzustandes berücksichtigt, da es sich um reale Daten handelt, so dass die Genauigkeit der ermittelten Straßenzustände optimiert werden kann.
Anhand erfasster Fahrzeugsystemzustände des jeweiligen Fahrzeuges der Fahrzeugflotte wird in einer Weiterbildung des Verfahrens ein realer Straßenzustand ermittelt. Beispielsweise wird der anhand der erfassten Signale der Sensorik ermittelte Straßenzustand mit dem anhand der Fahrzeugsystemzuständen ermittelte Straßenzustand plausibilisiert oder detailliert. Insbesondere wird der reale Straßenzustand anhand einer Kombination des sensorisch ermittelten und des anhand der Fahrzeugsystemzustände ermittelten Straßenzustandes erstellt. Mittels der erfassten Fahrzeugsystemzustände können Erhöhungen und Vertiefungen in einem Belag des Streckenabschnittes ermittelt werden.
Eine weitere mögliche Ausführung sieht vor, dass ein Reibungskoeffizient des jeweiligen Streckenabschnittes anhand eines erfassten Schlupfes eines angetriebenen Fahrzeugrades des jeweiligen Fahrzeuges der Fahrzeugflotte ermittelt wird.
Beispielsweise wird anhand des Reibungskoeffizienten bestimmt, wie eine Trajektorie eines automatisiert fahrenden Fahrzeuges berechnet wird. Insbesondere kann anhand des Reibungskoeffizienten ein Rückschluss auf eine Beschaffenheit einer Oberfläche des Streckenabschnittes, also des Belages, welchen das Fahrzeug der Fahrzeugflotte überfährt, gezogen werden. Der zentralen Rechnereinheit liegen allgemeine Umweltdaten, wie beispielsweise Informationen zu Witterungsverhältnissen vor, so dass im Wesentlichen ein tatsächlicher Reibungskoeffizient ermittelt werden kann.
In einer möglichen Ausbildung des Verfahrens wird ein Straßenzustandsmodell anhand von Flottendaten der Fahrzeuge der Fahrzeugflotte und ein weiteres Straßenzustandsmodell anhand der Satellitenbilder erstellt, wobei anhand der Straßenzustandsmodelle und weiterer Daten ein synchronisiertes Straßenzustandsmodell erstellt wird. Das heißt, dass ein Abgleich zwischen den Straßenzustandsmodellen erfolgt und gegebenenfalls zusätzlich Kartendaten als weitere Daten herangezogen werden, um das synchronisierte Straßenzustandsmodell zu erstellen, welches die Straßenzustände von Streckenabschnitten der jeweiligen Straße abbildet und eine vergleichsweise robuste Basis, insbesondere zur Freigabe für einen automatisierten Fährbetrieb, insbesondere hochautomatisierten oder fahrerlosen Fährbetrieb von Fahrzeugen darstellt.
In einer weiteren Ausführung wird das synchronisierte Straßenzustandsmodell zumindest den Fahrzeugen der Fahrzeugflotte mittels der zentralen Rechnereinheit zur Verfügung gestellt, so dass beispielsweise Einstellungen einer Fahrdynamik des jeweiligen Fahrzeuges, beispielsweise auf einem Streckenabschnitt mit Straßenschäden, angepasst werden können. Somit ist es möglich, Beschädigungen am Fahrzeug, beispielsweise aufgrund eines Durchfahrens eines Schlagloches, zumindest zu verringern.
In einer Ausführung werden ermittelte Informationen über den Straßenzustand zur Entscheidungsfindung einer Freigabe oder Sperrung von Streckenabschnitten für einen automatisierten Fährbetrieb von Fahrzeugen herangezogen. Das heißt, dass ermittelt wird, ob auf einem bestimmten Streckenabschnitt im automatisierten Fährbetrieb gefahren werden kann, ohne dass Fehlfunktionen eines Assistenzsystems zum automatisieren Fährbetrieb, insbesondere zum autonomem Fährbetrieb, auftreten, oder das Fahrzeug bei Befahren der bestimmten Streckenabschnitte beschädigt wird, beispielsweise wegen vorhandener Schlaglöcher.
Darüber hinaus sieht eine Ausführung vor, dass basierend auf ermittelten Informationen über den Straßenzustand eine Fahrdynamik im Betrieb eines Fahrzeuges der Fahrzeugflotte automatisch entsprechend angepasst wird. Werden beispielsweise geringe Straßenschäden erkannt und ein automatisierter Fährbetrieb ist dennoch möglich, so werden beziehungsweise wird zum Beispiel eine Beschleunigung und/oder Fahrgeschwindigkeit an den Straßenzustand angepasst. Auch für einen manuellen Fährbetrieb des Fahrzeuges können diese Informationen genutzt werden. Beispielsweise wird bei ermittelten Straßenschäden ein Warnhinweis im Fahrzeug ausgegeben, die Fahrgeschwindigkeit zu verringern, so dass ein Beschädigungsrisiko für das Fahrzeug verringert werden kann.
Weiterhin wird bei erkannten Straßenschäden auf einem Streckenabschnitt eine verantwortliche Stelle zur Beseitigung der Straßenschäden informiert. Durch Vorliegen dieser Information kann die verantwortliche Stelle handeln. Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen:
Fig. 1 schematisch einen Streckenabschnitt, ein auf diesem fahrendes Fahrzeug, Satelliten und eine zentrale Rechnereinheit,
Fig. 2 schematisch eine perspektivische Ansicht eines Ausschnittes des Fahrzeuges mit verschiedenen Fahrzeugsystemen,
Fig. 3 schematisch ein Daten- und Kommunikationsmodell zum Abgleichen ermittelter Straßenzustandsmodelle und
Fig. 4 schematisch eine kontinuierliche Beobachtung eines Straßenzustandes.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Figur 1 zeigt einen Streckenabschnitt S einer Straße, auf welcher ein Fahrzeug 1 fährt. Der Streckenabschnitt S weist Bereiche B1, B2 unterschiedlicher Qualität eines Belages auf. Weiterhin sind zwei Satelliten 2, ein Sende- und Empfangsmodul 3 und eine mit dem Fahrzeug 1 datentechnisch gekoppelte zentrale Rechnereinheit 4, wobei eine Kommunikation des Fahrzeuges 1 mit der zentralen Rechnereinheit 4 und eine Kommunikation der Satelliten 2 mit der zentralen Rechnereinheit 4 über das Sende- und Empfangsmodul 3 erfolgt.
Zudem zeigt die Figur 1 stark vereinfacht einen Ablauf eines Verfahrens zur Ermittlung eines Straßenzustandes.
In Figur 2 ist ein perspektivischer Ausschnitt eines Fahrzeuges 1 mit verschiedenen Fahrwerkssystemen dargestellt und Figur 3 zeigt ein Daten- und Kommunikationsmodell zum Abgleichen ermittelter Straßenzustandsmodelle S1, S2, S3.
Das Fahrzeug 1 weist ein nicht näher gezeigtes Assistenzsystem zum teil- oder hochautomatisierten Fährbetrieb auf und ist Bestandteil einer Fahrzeugflotte, beispielweise eines Fahrzeugherstellers, wobei alle Fahrzeuge der Fahrzeugflotte datentechnisch mit der zentralen Rechnereinheit 4 gekoppelt sind.
Insbesondere für einen hochautomatisierten Fährbetrieb ist es essentiell, dass Straßenbedingungen befahrener oder zu befahrener Streckenabschnitte S einer Straße exakt bestimmt werden können.
Faktoren, wie zum Beispiel ein in Figur 2 gezeigter Reibungskoeffizient p bestimmen, wie ein automatisiert fahrendes Fahrzeug 1 seine Trajektorie berechnet. Zudem müssen ein erforderlicher Bremsdruck und weitere Faktoren für den automatisierten Fährbetrieb richtig berechnet werden.
Auch für einen manuellen Fährbetrieb des Fahrzeuges 1 ist ein vorliegender Straßenzustand vergleichsweise wichtig, beispielsweise um Beschädigungen am Fahrzeug 1 wegen überfahrener Straßenschäden weitestgehend zu vermeiden.
Im Allgemeinen profitieren Gemeinden und Autobahnmeistereien, wenn ihnen bekannt ist, an welchen Orten das Vorherrschen von Glatteis und an welchen Orten Straßenschäden zu verzeichnen sind oder auftreten können.
Im Folgenden wird das Verfahren zur Ermittlung von Straßenzuständen beschrieben, wobei das Verfahren ermöglicht, relativ flächendeckend und mit vergleichsweise hoher Frequenz und Genauigkeit Straßenverhältnisse, also Straßenzustände, zu bestimmen und zu prognostizieren.
Das Fahrzeug 1 , das heißt die Fahrzeuge 1 der Fahrzeugflotte weisen eine Sensorik mit einer Anzahl von im und/oder am Fahrzeug 1 angeordneten Sensoren, die beispielsweise als Kamera, lidarbasierte, radarbasierte und/oder ultraschallbasierte Sensoren ausgebildet sind. Diese Sensoren erfassen insbesondere optische Signale, also optische Sensordaten SD.
Darüber hinaus umfasst das Fahrzeug 1 eine Fahrwerkssensorik zur Erfassung von Fahrwerksdaten FD und eine Vorrichtung zur Fahrdynamikregelung, mittels welcher ein Schlupf Sp etc. ermittelt wird.
Ein aktives Fahrwerk ermöglicht eine Bestimmung eines Straßenzustandes eines momentan befahrenen Streckenabschnittes S einer Straße, wobei dazu die Sensordaten SD, die Fahrwerksdaten FD sowie der ermittelte Schlupf Sp herangezogen werden.
Die Satelliten 2 sind Komponenten eines Satellitennetzwerkes, insbesondere eines LEO- Satellitensystems, wobei LEO die Abkürzung für Low Earth Orbit ist. Die Satelliten 2 weisen jeweils eine Anzahl von Bildsensoren zur Erfassung von Satellitenbildern B, das heißt von optischen Weltdaten, auf.
Mittels der Satelliten 2 werden Satellitenbilder B der Erdoberfläche und somit von Straßenoberflächen aufgenommen. Die erfassten, also die aufgenommenen Satellitenbilder B werden über das Sende- und Empfangsmodul 3 an die zentrale Rechnereinheit 4 übermittelt. Die zentrale Rechnereinheit 4 extrahiert aus den Satellitenbildern B Bildinformationen eines jeweiligen Straßenzustandes von Streckenabschnitten S der jeweiligen Straße.
Die Fahrzeuge 1 der Fahrzeugflotte und die Satelliten 2 führen also eine Erfassung E, das heißt eine Messung, in Bezug auf den jeweiligen Straßenzustand durch, wobei die erfassten Sensordaten SD, die erfassten Fahrwerksdaten FD und die erfassten Satellitenbilder B, insbesondere die extrahierten Bildinformationen, einem lernenden Algorithmus M in Form eines sogenannten Deep Learning Models zugeführt werden. Anhand des lernenden Algorithmus M kann bei ausreichender Menge erfassten Daten SD, FD, B eine Prädiktion P in Bezug auf zukünftige Straßenzustände erfolgen.
Mit anderen Worten misst das Fahrzeug 1 mittels seiner Sensorik, das heißt der optischen Sensoren, einer Aktuatorik des Fahrwerkes 1.1 und des ermittelten Schlupfes Sp der Fahrzeugräder 1.2 den Straßenzustand des momentan befahrenen
Streckenabschnittes S. Das Fahrzeug 1 sendet dann die erfassten oder ermittelten Informationen an die zentrale Rechnereinheit 4. Ein Netzwerk von Satelliten 2 misst ebenfalls die Straßenzustände von Streckenabschnitten S.
Fahrzeugsystemzustände werden gemessen, wobei ermittelte Fahrwerksdaten mit erfassten Signalen zumindest eines fahrzeugseitigen Beschleunigungssensors abgeglichen werden. Eine Erkennung der Fahrzeugsystemzustände liefert Daten über den Straßenzustand, insbesondere in Bezug auf Erhöhungen und Vertiefungen im Belag.
Insbesondere wird der Algorithmus M zur Prädiktion P des Straßenzustandes anhand der extrahierten Bildinformationen der aufgenommenen Satellitenbilder B erstellt. Hierbei wird ein initiales Modell, beispielsweise das Deep Learning Model, basierend auf Reinforcement Learning, aufgesetzt, welches den Straßenzustand anhand der Satellitenbilder B prädiziert. In einem iterativen Prozess werden von den Fahrzeugen 1 der Fahrzeugflotte in Figur 4 gezeigte real gemessene Flottendaten Ft in Bezug auf die Straßenzustände als Ground-Truth verwendet, um den Algorithmus M zu verfeinern, zu präzisieren, um eine Zuverlässigkeit in Bezug auf die Prädiktion P der Straßenzustände zu erhöhen. Eine Sicherheit der Prädiktion P erhöht sich dabei bei jedem von einem Fahrzeug 1 der Fahrzeugflotte gefahrenen Kilometer.
Die real gemessenen Daten SD, FD, Sp der Fahrzeuge 1 der Fahrzeugflotte, das heißt die realen Flottendaten Ft, können eine Robustheit des Algorithmus M optimieren und eine Anzahl falsch detektierter Straßenschäden der Satelliten 2 verringern.
Gemäß Figur 3 wird anhand der Sensordaten SD, des Schlupfes Sp und der Fahrwerksdaten FD, die miteinander abgeglichen und verifiziert werden, ein Straßenzustandsmodell S1 erstellt.
Anhand der aufgenommen Satellitenbilder B und digitaler Kartendaten KD, die zugeordnet und miteinander abgeglichen werden, wird ein weiteres Straßenmodell S2 erstellt.
Anand dieser beiden Straßenzustandsmodelle S1 , S2 erstellt die zentrale Rechnereinheit 4 ein synchronisiertes Straßenzustandsmodell S3, welches mit weiteren Daten D, beispielsweise Kartendaten KD, erweitert wird.
Zwischen Satelliten 2 und zentraler Rechnereinheit 4 erfolgt hierzu eine entsprechende Kommunikation und Verifizierung in Bezug auf das weitere Straßenzustandsmodell S2 und das synchronisierte Straßenzustandsmodell S3.
Auch zwischen dem Fahrzeug 1 und der zentralen Rechnereinheit 4 erfolgt eine Kommunikation in Bezug auf das Straßenzustandsmodell S1 und das synchronisierte Straßenzustandsmodell S3.
Dieses synchronisierte Straßenzustandsmodell S3 bildet den Straßenzustand des jeweiligen Streckenabschnittes S einer Straße ab.
Figur 4 zeigt eine kontinuierliche Beobachtung eines Streckenabschnittes S anhand erfasster Satellitenbilder B eines Satelliten 2 oder mehrerer Satelliten 2. Zu einem Zeitpunkt tO wird der Streckenabschnitt S ohne Straßenschäden, insbesondere ohne Schlagloch SL1 , SL2 erfasst. Zu einem zweiten Zeitpunkt t1 wird ein vergleichsweise gering ausgeprägtes Schlagloch SL1 erfasst, wohingegen dieses Schlagloch SL1 zu einem dritten Zeitpunkt t2 vergleichsweise groß ist und sich ein zweites Schlagloch SL2 auf dem Streckenabschnitt S ausgebildet hat.
Über einen zeitlichen Verlauf der erfassten Flottendaten Ft und einer Zuordnung dieser zu den Bildinformationen der Satellitenbilder B können Straßenschäden erkannt werden. Dadurch können mittels des Algorithmus M bei ausreichender Datenlage zukünftige Straßenschäden prädiziert werden.

Claims

Patentansprüche Verfahren zur Ermittlung eines Straßenzustandes, wobei Fahrzeuge (1) einer Fahrzeugflotte datentechnisch mit einer zentralen Rechnereinheit (4) verbunden sind, dadurch gekennzeichnet, dass
- mittels der zentralen Rechnereinheit (4) Satellitenbilder (B) der Erdoberfläche empfangen werden,
- in der zentralen Rechnereinheit (4) mittels digitaler Kartendaten (KD) aus den empfangenen Satellitenbildern (B) Bildinformationen von Straßenoberflächen extrahiert werden,
- mittels eines lernenden Algorithmus (M) aus den extrahierten Bildinformationen der Straßenoberflächen ein Straßenzustand von Streckenabschnitten (S) einer jeweiligen Straße ermittelt wird. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Algorithmus (M) mittels Ground-Truth-Daten, die von den Fahrzeugen (1) der Fahrzeugflotte beim Befahren des jeweiligen Streckenabschnittes (S) erfasst werden und an die zentrale Rechnereinheit (4) übermittelt werden, trainiert wird. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass anhand erfasster Signale einer Sensorik des jeweiligen Fahrzeuges (1) der Fahrzeugflotte ein realer Straßenzustand ermittelt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass anhand erfasster Fahrzeugsystemzustände des jeweiligen Fahrzeuges (1) der Fahrzeugflotte ein realer Straßenzustand ermittelt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Reibungskoeffizient (p) des jeweiligen Streckenabschnittes (S) anhand eines erfassten Schlupfes (Sp) eines angetriebenen Fahrzeugrades (1.2) des jeweiligen Fahrzeuges (1) der Fahrzeugflotte ermittelt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Straßenzustandsmodell (S1) anhand von Flottendaten (Ft) der Fahrzeuge (1) der Fahrzeugflotte und ein weiteres Straßenzustandsmodell (S2) anhand der Satellitenbilder (B) erstellt wird, wobei anhand der Straßenzustandsmodelle (S1, S2) und weiterer Daten (D) ein synchronisiertes Straßenzustandsmodell (S3) erstellt wird. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das synchronisierte Straßenzustandsmodell (S3) zumindest den Fahrzeugen (1) der Fahrzeugflotte mittels der zentralen Rechnereinheit (4) zur Verfügung gestellt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ermittelte Informationen über den Straßenzustand zur Entscheidungsfindung einer Freigabe oder Sperrung von Streckenabschnitten (S) für einen automatisierten Fährbetrieb von Fahrzeugen (1) herangezogen werden. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass basierend auf ermittelten Informationen über den Straßenzustand eine Fahrdynamik im Betrieb eines Fahrzeuges (1) der Fahrzeugflotte automatisch entsprechend angepasst wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei erkannten Straßenschäden auf einem Streckenabschnitt (S) eine verantwortliche Stelle zur Beseitigung der Straßenschäden informiert wird.
PCT/EP2023/078159 2022-11-21 2023-10-11 VERFAHREN ZUR ERMITTLUNG EINES STRAßENZUSTANDES WO2024110113A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022004338.6A DE102022004338B3 (de) 2022-11-21 2022-11-21 Verfahren zur Ermittlung eines Straßenzustandes
DE102022004338.6 2022-11-21

Publications (1)

Publication Number Publication Date
WO2024110113A1 true WO2024110113A1 (de) 2024-05-30

Family

ID=88412457

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/078159 WO2024110113A1 (de) 2022-11-21 2023-10-11 VERFAHREN ZUR ERMITTLUNG EINES STRAßENZUSTANDES

Country Status (2)

Country Link
DE (1) DE102022004338B3 (de)
WO (1) WO2024110113A1 (de)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1273496A2 (de) 2001-07-07 2003-01-08 DaimlerChrysler AG Verfahren zur Fahrbahnklassifizierung
DE102006051539A1 (de) 2006-10-18 2008-04-24 Daimler Ag Verfahren und Vorrichtung zur luftbildgestützten Umgebungserfassung bei Kraftfahrzeugen
DE102013225011A1 (de) * 2013-12-05 2015-06-11 Bayerische Motoren Werke Aktiengesellschaft Freigabe oder Sperrung eines Straßenabschnittes für das hochautomatisierte Fahren eines Kraftfahrzeuges
DE102014210770A1 (de) * 2014-06-05 2015-12-17 Conti Temic Microelectronic Gmbh Verfahren und system zur bestimmung einer fahrzeugposition eines fahrzeuges
DE102015119495A1 (de) * 2014-11-12 2016-05-12 GM Global Technology Operations LLC Verwenden von partizipativen Sensorsystemen zum Ermöglichen einer verbesserten Abschätzung einer Fahrbahnhaftung
US20200023835A1 (en) 2018-07-20 2020-01-23 Volvo Car Corporation System and method for avoiding a collision course
DE102019006384A1 (de) 2019-09-10 2020-03-26 Daimler Ag Verfahren zur vorausschauenden Straßenzustandserkennung
DE102019133536A1 (de) 2019-01-17 2020-07-23 GM Global Technology Operations LLC Verfahren und Vorrichtung zum Ermöglichen der sequentiellen Bodenansichts-Bildprojektionssynthese und der komplizierten Szenenrekonstruktion an Kartenanomalie-Hotspots
DE102020005185A1 (de) 2020-08-25 2020-12-03 Daimler Ag Verfahren zum Abschätzen eines Straßenzustands einer Straße mittels einer elektronischen Recheneinrichtung, sowie elektronische Recheneinrichtung
DE102019214628A1 (de) 2019-09-25 2021-03-25 Zf Friedrichshafen Ag Validierung von Umfelderfassung mittels Satelitenbildern und SAR-Radardaten
DE102021129426A1 (de) * 2021-01-20 2022-07-21 GM Global Technology Operations LLC Verfahren und System zum Lernen eines neuralen Netzes zur Bestimmung eines Pose eines Fahrzeugs in einer Umgebung

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1273496A2 (de) 2001-07-07 2003-01-08 DaimlerChrysler AG Verfahren zur Fahrbahnklassifizierung
DE102006051539A1 (de) 2006-10-18 2008-04-24 Daimler Ag Verfahren und Vorrichtung zur luftbildgestützten Umgebungserfassung bei Kraftfahrzeugen
DE102013225011A1 (de) * 2013-12-05 2015-06-11 Bayerische Motoren Werke Aktiengesellschaft Freigabe oder Sperrung eines Straßenabschnittes für das hochautomatisierte Fahren eines Kraftfahrzeuges
DE102014210770A1 (de) * 2014-06-05 2015-12-17 Conti Temic Microelectronic Gmbh Verfahren und system zur bestimmung einer fahrzeugposition eines fahrzeuges
DE102015119495A1 (de) * 2014-11-12 2016-05-12 GM Global Technology Operations LLC Verwenden von partizipativen Sensorsystemen zum Ermöglichen einer verbesserten Abschätzung einer Fahrbahnhaftung
US20200023835A1 (en) 2018-07-20 2020-01-23 Volvo Car Corporation System and method for avoiding a collision course
DE102019133536A1 (de) 2019-01-17 2020-07-23 GM Global Technology Operations LLC Verfahren und Vorrichtung zum Ermöglichen der sequentiellen Bodenansichts-Bildprojektionssynthese und der komplizierten Szenenrekonstruktion an Kartenanomalie-Hotspots
DE102019006384A1 (de) 2019-09-10 2020-03-26 Daimler Ag Verfahren zur vorausschauenden Straßenzustandserkennung
DE102019214628A1 (de) 2019-09-25 2021-03-25 Zf Friedrichshafen Ag Validierung von Umfelderfassung mittels Satelitenbildern und SAR-Radardaten
DE102020005185A1 (de) 2020-08-25 2020-12-03 Daimler Ag Verfahren zum Abschätzen eines Straßenzustands einer Straße mittels einer elektronischen Recheneinrichtung, sowie elektronische Recheneinrichtung
DE102021129426A1 (de) * 2021-01-20 2022-07-21 GM Global Technology Operations LLC Verfahren und System zum Lernen eines neuralen Netzes zur Bestimmung eines Pose eines Fahrzeugs in einer Umgebung

Also Published As

Publication number Publication date
DE102022004338B3 (de) 2023-12-28

Similar Documents

Publication Publication Date Title
EP2054869B1 (de) Verfahren und vorrichtung zur fahrerassistenz durch erzeugung von spurinformationen zur unterstützung oder zum ersatz von spurinformationen einer videobasierten spurinformationseinrichtung
DE102013209575B4 (de) Verfahren zum steuern eines fahrzeugs
DE102016212326A1 (de) Verfahren zur Verarbeitung von Sensordaten für eine Position und/oder Orientierung eines Fahrzeugs
DE102010049091A1 (de) Verfahren zum Betreiben zumindest eines Sensors eines Fahrzeugs und Fahrzeug mit zumindest einem Sensor
EP2889583A1 (de) Verfahren und Vorrichtung zum Erstellen einer angepassten Safety Map für ein Kraftfahrzeug
DE102018101105A1 (de) Diagnose für eine kamera und reinigungssprühvorrichtung
DE102017222017A1 (de) Verfahren und System zum Ermitteln und Bereitstellen eines Bodenprofils
DE102018212629A1 (de) Verfahren zur Bestimmung von Fahrbahnzuständen
DE102011088164A1 (de) Verfahren zum Anpassen eines Parameters eines Fahrzeuges in Abhängigkeit von einer auftretenden Luftströmung
DE102013019264B4 (de) Steuergerät und Verfahren zum Bereitstellen von Sensordaten
DE102022120968A1 (de) Vernetzte fahrzeuggestützte ermittlung der strassenoberflächenqualität
WO2020224853A1 (de) Verfahren und computer-programm-produkt zum erkennen von signalzeichen zur verkehrssteuerung spurgebundener fahrzeuge sowie signalzeichenerkennungssystem und spurgebundenes fahrzeug, insbesondere schienenfahrzeug
DE102008021380B4 (de) Verfahren und Vorrichtung zum Vorhersagen eines Verlaufs einer Fahrbahn und Fahrerassistenzsystem
DE102021100794A1 (de) Verfahren zur Verarbeitung von Messdaten eines Umfeldsensors eines Fahrzeugs mit Kompensation von latenzbehafteten Fahrzeugdaten, Recheneinrichtung sowie Computerprogramm
DE102012213485A1 (de) Verfahren und Vorrichtung zum Überprüfen einer in einem Fahrempfehlungsspeicher gespeicherten Fahrempfehlungsinformation für Fahrzeuge sowie Verfahren und Vorrichtung zum Bereitstellen einer Fahrempfehlungsnachricht
DE102018002514A1 (de) Verfahren zum Betrieb eines Assistenzsystems
DE102022004338B3 (de) Verfahren zur Ermittlung eines Straßenzustandes
DE102020110730A1 (de) Verfahren und Vorrichtung zur Erhöhung der Verfügbarkeit einer automatisierten Fahrfunktion oder eines Fahrerassistenzsystems
DE19939468A1 (de) Verfahren zur Steuerung einer Aufzeichnung eines Unfalldatenrekorders in Kraftfahrzeugen und Unfalldatenrekorder
DE102017008605A1 (de) Verfahren und System zum Vorhersagen des Kraftstoffverbrauchs für ein Fahrzeug
DE102019130298B3 (de) Verfahren zum Nachweis eines spezifischen Fahrverhaltens sowie ein System und ein Kraftfahrzeug hierzu
EP3673234A1 (de) Verfahren und vorrichtung zum bestimmen einer hochgenauen position und zum betreiben eines automatisierten fahrzeugs
DE102020215649A1 (de) Infrastrukturgestützte Trajektorienermittlung für autonome Fahrzeuge
EP4081827A1 (de) Verfahren und vorrichtung zum bestimmen von mindestens einem knickwinkel eines fahrzeuggespanns
DE102010018333A1 (de) Verfahren und Auswertevorrichtung zum Auswerten von Informationen zumindest eines von zumindest einer optischen Kamera aufgenommenen Bildes