CN110036424B - 用于预测未来的速度轨迹的速度信息的存储 - Google Patents
用于预测未来的速度轨迹的速度信息的存储 Download PDFInfo
- Publication number
- CN110036424B CN110036424B CN201780076736.9A CN201780076736A CN110036424B CN 110036424 B CN110036424 B CN 110036424B CN 201780076736 A CN201780076736 A CN 201780076736A CN 110036424 B CN110036424 B CN 110036424B
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- information
- route
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000005315 distribution function Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
经联网的车辆的速度信息在后端中被聚合并且由此确定速度分布并且由此形成特性数值。根据所存储的特性数值来预测未来的车辆速度。优选地,附加地使用关于个别驾驶行为的信息和车辆内部的信号用于预测。
Description
技术领域
本发明涉及一种用于在后端中存储车辆的速度信息的方法、具有所存储的速度信息的数字地图以及用于预测车辆速度的方法和***。
背景技术
对沿着所规划的路线的车辆的未来速度轨迹的认识对于大量车辆应用而言是必要的。例如可以通过对所期望的车辆速度轨迹的认识来改善混合动力车辆的运行策略,使不同的车辆功能与个别的驾驶行为相适配并且对所规划的路段的能量需求进行评估。为了预测所期望的速度变化过程,根据当前现有技术,尤其是使用环境传感机构、数字地图的属性、诸如速度限制或转弯半径、基础设施数据(例如交通信号灯预测数据)和交通信息。
US 2013/0274956 A1公开一种***,在该***情况下存储用于道路区段的速度曲线。根据这种所存储的曲线,对于在车辆的路线上位于前方的道路区段分别确定用于该道路区段和该车辆的目标速度。估计:是否车辆将以高概率超出所确定的目标速度。在这种情况下,如下车辆***被激活,所述车辆***例如导致车辆的制动或对驾驶员的警告。
此外,已知用于预测沿着位于前方的行驶路段的能量相关的参量、诸如车辆速度的***(Tobias Mauk: „Selbstlernende zuverlässigkeitsorientierte Prädiktionenergetisch relevanter Größen im Kraftfahrzeug" Dissertation, UniversitätStuttgart 2011)。所描述的***并不基于数字地图的使用而是基于用于重复行驶的路段的车辆中的自我学习的***。
在仅仅根据环境传感机构来预测速度轨迹的情况下,由于所使用的传感机构(摄像机、雷达)的有效距离而限制预测范围(Prädiktionshorizont)。基础设施数据(例如交通信号灯)的信息通常仅受限地本地可用。数字地图的属性常常仅仅有条件地适合用于所期望的速度曲线的预测,因为在大量路段区段上由于所需的制动过程而并不能够实现最高速度。这特别适用于市区路段区段。个别的驾驶行为也具有对由驾驶员所选择的速度的影响。地图属性或交通信息通常不容许对驾驶员个别选择的速度的推论。
发明内容
本发明因此基于如下任务:改善对未来的速度轨迹的预测的质量。
所述任务通过下文所述的用于存储速度信息的方法、数字地图以及用于预测车辆速度的预测***和方法来解决。有利的扩展方案也在本发明中说明。
按照根据本发明的用于存储速度信息的方法来在大量经联网的车辆中检测速度信息和地点信息并且传送给后端。在后端中,由此计算速度分布和形成用于表征所确定的速度分布的特性数值。所述特性数值被存储在后端。具体地,根据本发明的用于在后端中存储车辆的速度信息的方法,具有步骤:在大量经联网的车辆中检测速度信息和地点信息;将所述速度信息和所述地点信息传送给后端;在所述后端中根据从大量的经联网的车辆所接收的所述速度信息来确定速度分布;在所述后端中形成用于表征所确定的所述速度分布的特性数值;和将表征所述速度分布的所述特性数值存储在所述后端中。
经联网的车辆优选地是机动车、诸如混合动力车辆、电动车辆或具有内燃机的车辆。其优选具有定位***、例如卫星导航***和通信装置。通信装置被设立用于(无线)发送速度和地点信息给后端。在此情况下,经联网的车辆在一定程度上被使用作为测试车辆,以便记录速度分布并且将其发送给后端。在后端中构建数据库,根据其能够预测未来的车辆速度。但是,经联网的车辆可以在预测其速度轨迹的情况下也从已经存在的数据库中获益。在这种情况下,其也具有接收装置,以便能够从后端接收数据。
后端包括至少一个接收单元、存储单元、评估单元和发送单元。后端可以是中央的后端服务器或者也可以分散地在云中实现。优选地,该后端也包含数字地图数据库,其具有地点和道路信息。
根据由经联网的车辆所发送的速度和地点信息,在后端的评估单元中首先计算统计学的速度分布。为了速度分布来确定适合的特性数值,所述特性数值表征统计学的速度分布。这种特性数值可以是由分布函数所推导的统计学特性数值,诸如平均值、梯度、散射、标准差或分位数。
可以利用所述特性数值来不仅描述所有经联网的车辆的速度的分布而且描述由各个驾驶员所行驶的各个速度与普遍速度分布相比的个别偏差。
优选地,这种速度分布与地点数据相关联。速度分布例如再现由经联网的车辆在确定的地点固定的点处所行驶的速度的分布。
为此,根据所述方法的优选变型方案在经联网的车辆中分别检测和传送如下速度信息,所述速度信息包含在所规定的、地点固定的(地理参考的)点处的经联网的车辆的瞬时行驶速度。速度信息的传送优选在所述所规定的、地点固定的点处进行。速度信息与地点数据的关联可以已经在经联网的车辆中发生。在后端中,形成关于在地点固定处、所行驶的速度的分布函数或特性数值并且于所述地点信息相关联。
所述速度分布或所述特性数值可以作为附加属性来在数字地图数据库中保存。为了定义所述点,将数字地图的道路网络划分成地点固定的点。这些点可以例如等距地分布。也可能的是,根据道路类型和平均的速度或容许的最高速度来使点的间距变化。如果车辆经过地点固定的点,则在相应点处的该当前速度值被传输到后端。
根据特别优选的变型方案,由经联网的车辆附加地检测所述经联网的车辆自经过在前规定的地点固定的点起已经达到的最小和/或最大的速度值并且传送给后端。如果例如所规定的、地点固定的点位于具有交通信号灯的道路交叉口处,则所述车辆规律地在该交叉口处停靠。但是,车辆的精确的停车点常常并不直接位于交叉口处而是从该交叉口位移一个或多个车辆长度。车辆的这种规律出现的和常见的停止可能并不完全地仅仅通过在所规定的、地点固定的点处的速度自身来检测。通过也传送自经过最后的地点固定的点起的最小速度,其他停车点可以因此也无关于其精确的位置地来检测。
根据另一优选的变型方案,经检测的和传送给后端的速度信息也包含车辆的路线信息。这种路线信息包含例如如下信息:车辆继续直行还是转弯。根据车辆继续直行还是转弯而定地,也即应假设在速度方面的明显差异。所收集的转弯车辆的和直行车辆的速度可以优选地在后端中在不同分布和特性数值中总结。因此可以提高速度分布和特性数值的精确性,其方式为:进行在转弯车辆和直行车辆之间的情况区分。
只要相应的条件和信息被检测,也可以对于其他可能影响速度分布的条件来创建这样的单独的速度分布或特性数值。为此的示例是不同的一天中的时间、季节、气候状况或星期中的日子。这些条件可以在车辆中被检测并且传送给后端,或者以直接在后端中收集的方式被检测并且与速度信息相关联。
在后端中所确定的速度分布和特性数值优选地持续被更新。这意味着:一旦经联网的车辆将速度值传送给后端,该速度值就被考虑用于重新计算速度分布并且相应地存储经更新的特性数值。数据库的更新因此通过在统计学的或机器的学习方法中迭代计算速度分布和特性数值来进行。新检测的速度值因此被分别包括在内。
优选地,也可以检测和存储分布和特性数值的计算中的趋势。因此也可以考虑具有对所行驶的速度的影响的交通管理的持久改变或暂时的改变(例如施工点)。
通过根据本发明的用于在后端中存储机动车的速度信息的方法,创建所收集的行驶曲线的数据表示,所述数据表示可以被使用用于大量的车辆功能。特性数值的使用尤其具有如下优点:相对完全的速度分布的存储减小数据量。但是,根据可用的存储容量而定,可以附加地在后端中存储总的速度分布和/或由经联网的车辆所接收的各个速度和地点信息。为了利用所述数据,可以再次将地图中所存放的与地点有关的速度特性数值传输回到车辆中。尤其是,在此情况下,特性数值的更小的数据体(Datenvolume)是特别有利的。
用于预测车辆速度的方法是本发明的另一方面。该方法包括对车辆路线的预测和按照利用根据本发明的方法在后端中所确定的和存储的特性数值来对沿着所预测的路线的车辆速度的预测,其中所述特性数值表征沿着所预测的路线在地点固定的点处的速度分布。所述预测可以在后端中或者车辆中进行。
车辆路线的预测在此例如以已知的方式通过由驾驶员在导航仪器中的目标输入或者路线输入来进行。另一可能性在于,根据统计学方法来识别常常重复行驶的路段、诸如在工作场所和居住地点之间的路径。对于这种路段,通常并不使用导航仪器。为了这种行驶,可以给车辆例如装备自我学习的***。
根据所预测的路线,识别所规定的、地点固定的如下点,在所述点处,在后端中存储速度曲线或相应的特性数值。由特性数值和经预测的路线来预测车辆的未来速度轨迹。路线和/或速度轨迹的预测可以要么在车辆中进行要么在后端中进行。根据路线的或速度轨迹的预测在哪里进行而定,相应数据从车辆被发送给后端或者从后端被发送给车辆。用于表征速度分布的特性数值的根据本发明的使用在此具有大的优点:待传输的数据量是小的。由于待传输的小的数据体,所述方法是低成本的和快速的。此外,还呈现出如下可能性:传输用于更大预测范围的信息。
只要在后端中进行预测,就将表征所预测的路线的数据首先发送给后端。在后端中,根据路线信息和所存储的特性数值来计算车辆的速度变化过程并且发送给车辆。最终,通过车辆来接收所述速度变化过程。
一旦在车辆中发生预测,就由后端仅仅将表征速度分布的特性数值发送并且由车辆来接收所述特性数值。在此,优选地传输所有如下特性数值,所述特性数值位于沿着由驾驶员所意图的路线。
根据特别优选的变型方案,在根据本发明的用于预测车辆速度的方法中,考虑驾驶员的个别驾驶行为和/或车辆内部的信号。所述个别的驾驶行为可以例如表示为与普遍速度分布的偏差。这种偏差也可以以特性数值的形式来表述。
按照根据本发明的用于预测车辆速度的方法的有利的扩展方案,所预测的车辆路线根据其与瞬时的车辆位置的距离来被划分。利用短的预见范围(Vorausschauhorizont)(例如小于200m)来对于邻近的部分路线的车辆速度的预测(尤其)在考虑车辆内部的信号情况下来进行。相反,利用更大的预见范围(例如>800m)来对于远离的部分路线的预测基本上根据在后端中所存储的数据来进行。预见范围、也即离车辆的当前位置的距离越大,对于速度预测就越少地考虑车辆内部的信号。除了车辆内部的信号以外,还为了预测而使用例如地图数据、个人驾驶行为和所存储的特性数值。然而,对于短的预见范围,车辆内部的信号比对于大的预见范围而言更强地被加权。
利用根据本发明的方法所计算的和在后端中所存储的特性数值可以此外被使用用于评价车辆的驾驶员的驾驶行为的方法。为此,将由驾驶员(例如在地点固定的点处)所行驶的速度值与所存储的特性数值比较。通过将由驾驶员所驾驶的速度与在不同的地点固定的点处的特性数值比较,可以对于各个驾驶员产生自己的数据库并且将其存储,所述数据库表征:该驾驶员与普遍相比(或与在速度分布中被检测的经联网的车辆相比)如何快速地进行驾驶。个别驾驶行为与普遍的偏差可以在其侧通过特性数值、例如通过分位数来描述。表示“驾驶员”在该总申请中应理解为是性别中性的并且涉及男驾驶员和女驾驶员。
本发明的另一独立方面是具有所存储的用于表征在地点固定的点处所行驶的速度分布的特性数值的数字地图,其中所述速度分布利用根据本发明的方法来确定和/或更新。数字地图是具有所存储的地点和道路信息的数据库,如其例如被使用用于(卫星)导航仪器那样。数字地图可以在车辆中或者优选地在后端中被存储。
优选地,数字地图是用于预测车辆速度的预测***的组成部分,其表示本发明的另一方面。根据本发明的用于预测车辆速度的预测***包括后端,所述后端能够中央地位于服务器上或者例如能够分散地在云中被实现。该后端具有至少一个接收装置,用于从经联网的车辆接收速度信息。此外,该后端具有评估装置,用于评估从经联网的车辆所接收的速度信息,用于计算分布函数和表征分布函数的特性数值。后端还包括至少一个用于存储分布函数的至少一个特性数值的存储装置以及用于传送所存储的特性数值或所计算的信息到经联网的车辆的发送装置。存储装置优选地包括上文所描述的、根据本发明的数字地图的数据库。
优选地,该评估装置此外被设立用于,将速度信息、分布函数和/或特性数值与地点数据相关联。
预测***优选地包括路线预测装置,所述括路线预测装置用于预测由车辆未来所行驶的路线。该路线预测装置可以在车辆中或后端中被实现。
此外,该预测***包括速度预测装置,所述速度预测装置用于沿着利用路线预测装置所预测的车辆路线来预测车辆速度。如路线预测装置那样,速度预测装置也可以或者在经联网的车辆中或者在后端中被实现。
附图说明
在下文中应该根据图1至5来示例性地进一步阐述本发明。其中示意性地:
图1示出根据本发明的预测***的***构造的示例性示图;
图2示出按照根据本发明的方法的一种实施方式的数据收集的图解;
图3示出按照根据本发明的方法的一种实施方式的数据聚合的图解;
图4示出具有特性数值的速度曲线的示例性描述;和
图5示出用于预测车辆速度的方法和***的图解。
具体实施方式
经联网的车辆10通过无线连接11来将车辆10的速度信息、时间戳和车辆的地理位置传输给后端12。所述数据通过在车辆中的适合的电子单元101(例如OBD加密狗、远程信息处理单元)来被检测。在后端12中,由接收装置121来接收数据。
在后端12中的评估装置122中,速度数据被收集和聚合。借助于统计学方法和机器的学习方法,在后端12中为了确定的地点固定的位置来形成关于所收集的速度信息的分布函数以及用于描述速度分布20的适合的特性数值Q并且存储在存储装置124中。
速度分布和/或特性数值被与地点数据相关联并且可以作为附加信息被存放在数字地图14中。因为速度分布20和特性数值Q持续地被更新,其可以优选地作为动态的附加数据来被存放。
为了利用所述数据,可以将数字地图14中所存放的与地点有关的速度特性数值Q再次传输回到车辆10中。
按照根据本发明的用于预测速度轨迹的方法的第一变型方案,所有如下特性数值Q被传输,其中所述特性数值位于沿着由驾驶员所意图的路线。所意图的路线已经在此例如在车辆10中通过在导航仪器102中的目标输入来被确定。速度轨迹的预测在该情况下在预测装置103中在车辆10中根据所预测的路线和从后端12接收的特性数值Q来进行。
此外,所述特性数值Q可以被使用用于诸如用于驾驶员评价的其他应用。特性数值Q的使用尤其具有如下优点:为了相应使用而必须传输与对于完全分布函数而言相比明显更少的数据。
按照根据本发明的用于预测速度轨迹的方法的第二变型方案,在后端12中进行速度轨迹的预测。所意图的路线可以在车辆10中或后端12中被预测。但是,在该情况下,并不将沿着路线的特性数值Q从后端12的发送装置125发送给车辆10,而是已经将沿着该路线的在地点固定的点15处的所预测的速度发送给车辆。速度的预测在此在后端12的预测单元123中进行。
所述速度信息在如下固定的、地点固定的(可地理参考的)点15被收集,其中所述点例如具有彼此的固定间距(图2)。为了定义点15,将数字地图14的道路网络16划分成地点固定的点15(图2A)和B))。也可能的是,根据道路类型和最高速度来使点15的间距变化。如果车辆10经过地点固定的点15,则在相应点15处的当前速度值17和优选地自最后的点15起的最大和/或最小速度值18被传输给后端12(图2C)。
由所收集的速度值(17、18),对于每个地点固定的点15在后端12中迭代地计算分布函数20。对此应用到统计学方法,例如核密度估计器。对于所有值(17、18),也即当前的、最大和/或最小速度值形成自己的分布20。
图4示出例如在地点固定的点16处的速度分布20。为了描述所述分布而在后端中计算多个分位数Q(例如15%/35%/50%/65%/85% 分位数)。也即例如15%的在该地点所行驶的(和检测的)速度位于15%分位数Q15之下。35%位于35%分位数Q35之下,以此类推。由此,分布20的变化过程能够通过受限的数目的特性数值Q来描述。分位数Q也适合用于描述普遍的、与地点无关的、驾驶员的个别驾驶行为30。例如,在所有的地点固定的点15处的在平均水平以上地快速的驾驶员的速度值17是在50%分位数Q50的值以上。同样地,借助于分位数Q不仅可以描述驾驶行为30的与地点无关的影响而且也可以描述对速度曲线的其他影响因子31的影响、例如可见度、交通状况、气候条件。对于其中每个影响条件(30、31)创建附加数据库,与平均值(50%分位数)的偏差被存储在所述附加数据库中。
对于确定的地点固定的点15、例如交叉口,也可以根据所行驶的路线变化过程而定地创建不同的速度分布20和相应特性数值Q。也即,可以例如在转弯车辆10的和直行车辆10的速度17之间进行区分。
对于在车辆10的速度预测装置103、123中的速度轨迹的预测,借助于根据本发明的预测方法对于确定的预见范围(例如关于当前车辆位置而言500m)预测所期望的速度值。(图5)对此,由后端来对于待预测的路段来使用速度分布的分位数Q和必要时对于待预测的路段来使用与所期望的平均变化过程的平均的驾驶员特定的偏差30和状况特定的偏差31。此外,也使用车辆内部的数据源:在当前位置处的车辆信号33(例如油门踏板位置、当前扭矩、制动踏板位置、与前面的人的间距……)以及与在后端中所存储的速度分布20或特性数值Q相比过去的路段的速度变化过程34的偏差。对此,在行驶期间连续地将当前速度值与在后端12中所收集的速度分布20或特性数值Q比较。
为了预测未来的速度轨迹,优选地使用机器学习的方法和统计学模型。针对不同预见范围来使用不同的预测模型。因此,具有短的预见范围(例如200m)的预测模型例如还使用车辆内部的参量,而用于更大预见范围(例如800m)的预测模型则几乎仅使用在后端12中所收集的数据。
通过在后端12中的特性数值Q(分位数),不仅可以描述最常见的值而是也可以描述总的速度分布。分位数Q适合用于以无关于地点的方式来描述驾驶员特定的影响因子和状况特定的影响因子。通过用于基于在后端12中所收集的速度分布20和特性数值Q来预测速度轨迹的***和方法可以相对于已知方法显著地扩展预测范围。
利用根据本发明的预测方法所预测的速度值可以被应用作为用于混合动力车辆的(可能也用于电动车辆的和具有内燃机的车辆的)运行策略的输入参量。其他应用示例是根据所收集的行驶配置文件来对当前数字地图的改善或高精度地图的创建(MapRefinement)或者对驾驶行为的评价(与普遍相比的单个驾驶员的比较)、对交通流的预测、对导航算法或用于电动车辆的有效距离算法的改善;以及在数据地图中附加特征(例如转弯概率)的创建。
此外,根据本发明的方法和***可以被使用用于基于所预测的速度曲线的所有车辆功能(例如自动驾驶、ACC、分段式交通灯助理(Grüne Welle Assistent))。
Claims (15)
1.用于在后端(12)中存储车辆(10)的速度信息的方法,所述方法具有步骤:
-在大量经联网的车辆(10)中检测速度信息(17、18)和地点信息;
- 将所述速度信息(17、18)和所述地点信息传送给后端(12);
- 在所述后端(12)中根据从大量的经联网的车辆(10)所接收的所述速度信息(17、18)来确定速度分布(20);其特征在于以下步骤:
- 在所述后端(12)中形成用于表征所确定的所述速度分布(20)的特性数值(Q);和
-将表征所述速度分布(20)的所述特性数值(Q)存储在所述后端(12)中。
2.根据权利要求1所述的方法,其中,分别由所述经联网的车辆(10)来检测速度信息(17、18)并且传送给所述后端(12),所述速度信息包含在所规定的、地点固定的点(15)处由所述经联网的车辆(10)瞬时行驶的速度(17)。
3.根据权利要求2所述的方法,其中附加地检测并传送所述经联网的车辆(10)自经过在前的所述所规定的地点固定的点(15)起已经达到的最小和/或最大的速度值(18)。
4.根据权利要求1-3中任意一项所述的方法,其中,经检测的和传送的所述速度信息(17、18)也包含路线信息。
5.根据权利要求1-3中任意一项所述的方法,其中,所述经联网的车辆(10)的所述速度信息(17、18)在所述后端(12)中被聚合并且所述速度分布(20)以及所述特性数值(Q)由此持续地被更新。
6.用于预测车辆速度的方法,所述方法具有步骤:
- 预测车辆路线;和
- 根据利用根据权利要求1-5中任意一项所述的方法所确定的、在后端(12)中所存储的特性数值(Q)来预测沿着所预测的所述路线的车辆速度,其中所述特性数值表征在沿着所述所预测的路线的地点固定的点(15)处的速度分布(20)。
7.根据权利要求6所述的用于预测车辆速度的方法,其中所述车辆速度的所述预测在所述后端(12)中或在所述车辆(10)中进行。
8.根据权利要求6至7中任意一项所述的用于预测车辆速度的方法,其中考虑驾驶员(30)的个别驾驶行为和/或车辆内部的信号(33)。
9.根据权利要求8所述的用于预测车辆速度的方法,其中所述所预测的车辆路线根据其与瞬时的车辆位置的距离来被划分,并且其中对于邻近的部分路线的速度的所述预测在考虑车辆内部的信号(33)的情况下来进行,而对于更远离的部分路线的所述预测则较少地考虑或者根本并不考虑车辆内部的信号(33)。
10.用于评价车辆的驾驶员的驾驶行为的方法,其中由所述驾驶员所行驶的速度值被与特性数值比较,所述特性数值利用根据权利要求1至5中任意一项所述的方法已经被生成并且已经被存储在后端中。
11.数字地图(14),所述数字地图具有所存储的特性数值(Q),所述特性数值用于表征在地点固定的点(15)处所行驶的速度分布(20),其中所述速度分布按照根据权利要求1至5中任意一项所述的方法来确定和/或更新。
12.用于预测车辆速度的预测***,其中所述预测***包括:
后端(12),所述后端具有:
- 至少一个接收装置(121),用于从经联网的车辆(10)接收速度信息;
- 至少一个评估装置(122),用于评估从所述经联网的车辆所接收的所述速度信息,用于根据从所述经联网的车辆(10)所接收的信息来计算速度分布(20)和表征所述速度分布(20)的特性数值(Q);
- 至少一个存储装置(124),用于至少存储所述速度分布(20)的所述特性数值(Q);
- 至少一个发送装置(125),用于将所存储的特性数值或所计算的信息传送给所述经联网的车辆(10)。
13.根据权利要求12所述的预测***,其中所述评估装置(122)此外被设立用于,将所述速度信息、速度分布(20)或特性数值(Q)与地点数据相关联。
14.根据权利要求12或13中任意一项所述预测***,所述预测***具有路线预测装置(102),所述路线预测装置用于预测由车辆(10)未来所行驶的路线。
15.根据权利要求14所述的预测***,所述预测***具有速度预测装置(123、103),所述速度预测装置用于按照根据权利要求6至9中任意一项所述的方法沿着利用所述路线预测装置(102)所预测的车辆路线来预测车辆速度。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016224710 | 2016-12-12 | ||
DE102016224710.7 | 2016-12-12 | ||
DE102017209667.5 | 2017-06-08 | ||
DE102017209667.5A DE102017209667A1 (de) | 2016-12-12 | 2017-06-08 | Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie |
PCT/EP2017/081068 WO2018108559A2 (de) | 2016-12-12 | 2017-11-30 | Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110036424A CN110036424A (zh) | 2019-07-19 |
CN110036424B true CN110036424B (zh) | 2021-12-07 |
Family
ID=62201918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780076736.9A Active CN110036424B (zh) | 2016-12-12 | 2017-11-30 | 用于预测未来的速度轨迹的速度信息的存储 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190295412A1 (zh) |
CN (1) | CN110036424B (zh) |
DE (1) | DE102017209667A1 (zh) |
WO (1) | WO2018108559A2 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200168094A1 (en) * | 2017-07-18 | 2020-05-28 | Pioneer Corporation | Control device, control method, and program |
DE102017220420B3 (de) * | 2017-11-16 | 2019-04-18 | Continental Automotive Gmbh | Verfahren zum Erzeugen einer Verkehrsinformationssammlung, Verkehrsinformationssammlung, Sammeleinrichtung mit einer Verkehrsinformationssammlung und Fahrerassistenzeinrichtung |
US10676088B2 (en) * | 2018-06-08 | 2020-06-09 | GM Global Technology Operations LLC | Powertrain control system and method of operating the same |
US11794757B2 (en) * | 2018-06-11 | 2023-10-24 | Colorado State University Research Foundation | Systems and methods for prediction windows for optimal powertrain control |
US11572079B2 (en) * | 2019-04-25 | 2023-02-07 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
DE102019215376A1 (de) * | 2019-10-08 | 2021-04-08 | Continental Automotive Gmbh | Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs |
DE102019215380A1 (de) * | 2019-10-08 | 2021-04-08 | Continental Automotive Gmbh | Verfahren zur Prädiktion einer Geschwindigkeit eines Fahrzeugs |
DE102019215587A1 (de) * | 2019-10-10 | 2021-04-15 | Continental Automotive Gmbh | Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing |
US11561543B2 (en) * | 2019-12-11 | 2023-01-24 | Baidu Usa Llc | Speed planning using a speed planning guideline for idle speed of autonomous driving vehicles |
CN116368544A (zh) | 2020-10-16 | 2023-06-30 | 格步计程车控股私人有限公司 | 用于检测超速的方法、电子装置及*** |
CN116348935A (zh) * | 2020-10-16 | 2023-06-27 | 格步计程车控股私人有限公司 | 用于预测未来超速的方法、电子装置及*** |
DE102021201063B4 (de) | 2021-02-04 | 2024-07-11 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben eines Systems für ein zumindest teilweise assistiert betriebenes Kraftfahrzeug, Computerprogrammprodukt sowie System |
DE102021211405A1 (de) | 2021-10-11 | 2023-04-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Steuergerät zum Absichern von Messdaten zumindest eines Sensors eines Fahrzeugs |
DE102022002337B3 (de) | 2022-06-28 | 2023-11-02 | Mercedes-Benz Group AG | Verfahren zur Ermittlung und Bereitstellung einer zulässigen Höchstgeschwindigkeit für Fahrzeuge und Verwendung des Verfahrens |
DE102022206914A1 (de) | 2022-07-06 | 2024-01-11 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Bestimmung einer geeigneten Kurvengeschwindigkeit von Fahrzeugen, Vorrichtung zur Durchführung desselben und dessen Verwendung |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707544A (zh) * | 2005-05-26 | 2005-12-14 | 上海交通大学 | 城市路网交通流状态估计方法 |
US20080071465A1 (en) * | 2006-03-03 | 2008-03-20 | Chapman Craig H | Determining road traffic conditions using data from multiple data sources |
CN101344937A (zh) * | 2007-11-16 | 2009-01-14 | 武汉理工大学 | 基于地理信息***的水上交通风险评价及预测方法 |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
US20110301802A1 (en) * | 2010-06-07 | 2011-12-08 | Ford Global Technologies, Llc | System and Method for Vehicle Speed Monitoring Using Historical Speed Data |
US20110313633A1 (en) * | 2010-06-18 | 2011-12-22 | Nath Gary M | Device for navigating a motor vehicle and a method of navigating the same |
DE102012212740A1 (de) * | 2012-07-19 | 2014-05-22 | Continental Automotive Gmbh | System und Verfahren zum Aktualisieren einer digitalen Karte eines Fahrerassistenzsystems |
KR20140065567A (ko) * | 2012-11-16 | 2014-05-30 | 한국전기연구원 | 가변속 풍력터빈의 특성 파라미터를 산출하기 위한 장치 및 그 방법 |
CN103942950A (zh) * | 2014-04-26 | 2014-07-23 | 张兴 | 一种干线公路冰雪环境下交通运行可靠度预测方法 |
JP2014143646A (ja) * | 2013-01-25 | 2014-08-07 | Nippon Telegr & Teleph Corp <Ntt> | 動きベクトル検出装置及び動きベクトル検出プログラム |
WO2016017358A1 (ja) * | 2014-07-28 | 2016-02-04 | 古野電気株式会社 | 信号処理装置、トランスポンダ装置、レーダ装置、および、信号処理方法 |
CN106022239A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种基于循环神经网络的多目标跟踪方法 |
-
2017
- 2017-06-08 DE DE102017209667.5A patent/DE102017209667A1/de active Pending
- 2017-11-30 US US16/464,968 patent/US20190295412A1/en not_active Abandoned
- 2017-11-30 CN CN201780076736.9A patent/CN110036424B/zh active Active
- 2017-11-30 WO PCT/EP2017/081068 patent/WO2018108559A2/de active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707544A (zh) * | 2005-05-26 | 2005-12-14 | 上海交通大学 | 城市路网交通流状态估计方法 |
US20080071465A1 (en) * | 2006-03-03 | 2008-03-20 | Chapman Craig H | Determining road traffic conditions using data from multiple data sources |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
CN101344937A (zh) * | 2007-11-16 | 2009-01-14 | 武汉理工大学 | 基于地理信息***的水上交通风险评价及预测方法 |
US20110301802A1 (en) * | 2010-06-07 | 2011-12-08 | Ford Global Technologies, Llc | System and Method for Vehicle Speed Monitoring Using Historical Speed Data |
US20110313633A1 (en) * | 2010-06-18 | 2011-12-22 | Nath Gary M | Device for navigating a motor vehicle and a method of navigating the same |
DE102012212740A1 (de) * | 2012-07-19 | 2014-05-22 | Continental Automotive Gmbh | System und Verfahren zum Aktualisieren einer digitalen Karte eines Fahrerassistenzsystems |
KR20140065567A (ko) * | 2012-11-16 | 2014-05-30 | 한국전기연구원 | 가변속 풍력터빈의 특성 파라미터를 산출하기 위한 장치 및 그 방법 |
JP2014143646A (ja) * | 2013-01-25 | 2014-08-07 | Nippon Telegr & Teleph Corp <Ntt> | 動きベクトル検出装置及び動きベクトル検出プログラム |
CN103942950A (zh) * | 2014-04-26 | 2014-07-23 | 张兴 | 一种干线公路冰雪环境下交通运行可靠度预测方法 |
WO2016017358A1 (ja) * | 2014-07-28 | 2016-02-04 | 古野電気株式会社 | 信号処理装置、トランスポンダ装置、レーダ装置、および、信号処理方法 |
CN106022239A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种基于循环神经网络的多目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018108559A3 (de) | 2018-08-16 |
CN110036424A (zh) | 2019-07-19 |
WO2018108559A2 (de) | 2018-06-21 |
US20190295412A1 (en) | 2019-09-26 |
DE102017209667A1 (de) | 2018-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110036424B (zh) | 用于预测未来的速度轨迹的速度信息的存储 | |
CN110888426B (zh) | 用于多车道分离和路段轨线提取的车辆导航***、方法和逻辑 | |
JP7425608B2 (ja) | 変化する道路条件に関し乗り物を支援する技術 | |
CN108263382B (zh) | 基于目标车辆的驾驶样式的协同自适应巡航控制*** | |
US10838423B2 (en) | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits | |
CN106891893B (zh) | 车辆模式确定 | |
US10215572B2 (en) | Map update determination system | |
CN104648284B (zh) | 自主车辆模式 | |
CN104044593B (zh) | 利用最佳速度曲线的路线导航 | |
US10442429B2 (en) | Wrong-way vehicle detection | |
JP5045210B2 (ja) | 走行情報収集装置 | |
MX2015001842A (es) | Control autonomo para vehiculo en entorno de intensa circulacion. | |
CN103347757A (zh) | 通过使用预测环境和驾驶员行为信息来优化燃油经济性的***和方法 | |
CN107111938B (zh) | 用于确定拥堵末端位置的服务器、***和方法 | |
US11454504B2 (en) | Method for mapping a route section | |
CN111984018A (zh) | 自动驾驶方法及装置 | |
JP7173990B2 (ja) | 追越確率コレクションを生成する方法、自動車の制御装置を動作させる方法、追越確率コレクション装置および制御装置 | |
JP6716708B2 (ja) | 車載電子制御装置 | |
CN114475627A (zh) | 增强的车辆操作 | |
US11648938B2 (en) | Braking data mapping | |
WO2021198791A1 (en) | Vehicle efficiency prediction and control | |
CN116443046A (zh) | 具有用于并道轨迹中的自动车辆的领先者确定模块的辅助*** | |
CN116974865A (zh) | 自主驾驶评测*** | |
Carlsson | A system for the provision and management of route characteristic information to facilitate predictive driving strategies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230423 Address after: Regensburg, Germany Patentee after: WeiPai Technology Co.,Ltd. Address before: Hannover Patentee before: CONTINENTAL AUTOMOTIVE GmbH |