-
Die Ausführungsbeispiele betreffen allgemein ein Verfahren und eine Vorrichtung für prädiktive Fahrbeanspruchungsmodellierung.
-
Telematikdienste haben der Konnektivität bei den Erfahrungen von Fahrern/Fahrerinnen in einem Fahrzeug eine völlig neue Dimension verliehen. Fahrer/Fahrerinnen können durch verbundene Fahrzeugdienste auf E-Mails, SMS, Medien, Werbeanzeigen, Remoteanwendungen und vielfältige Funktionalitäten zugreifen sowie auf Navigations- und schon länger in Fahrzeugen eingesetzte Dienste zugreifen.
-
Wenngleich dadurch spannende Möglichkeiten geboten und die Fahrerfahrungen verbessert werden, haben Kfz-Erstausrüster auch Schritte unternommen, um Telematikdienste sicher zu gestalten, damit Fahrer/Fahrerinnen von den verfügbaren Diensten nicht zu stark abgelenkt werden. Fahrzeuge, oder mit den Fahrzeugen verbundene Server, sind fähig zu schätzen, wie groß die Arbeitsbelastung eines Fahrers/einer Fahrerin zu einer gegebenen Zeit ist, und diese Informationen zum Einschränken des Zugriffs auf Dienste zu verwenden. Ein einfaches Beispiel ist, dass Navigationsfunktionen gesperrt sind, wenn ein Fahrzeug in Bewegung oder über einer bestimmten Geschwindigkeit ist.
-
Das
US-Patent Nummer 6,092,005 betrifft allgemein eine Fahrzeugantriebsbedingungs-Prädiktionseinrichtung, eine diese Prädiktionseinrichtung verwendende Warneinrichtung und einen Aufzeichnungsträger zur Speicherung von Daten für eine Prädiktion, wobei während der Verwendung der Prädiktionsfunktion einer Annäherungsgeschwindigkeit des Fahrzeugs an eine kommende Kurve die Beschleunigung in dem aktuellen Augenblick für einen Bedingungsbeibehaltungs-Zeitabschnitt beibehalten wird und danach die Fahrzeuggeschwindigkeit mit einer festgelegten Verzögerung verringert wird und unter Verwendung eines derartigen angenommenen Verzögerungsmodells eine zukünftige Fahrzeuggeschwindigkeit vorhergesagt wird, wodurch eine Warnung unter Berücksichtigung der Möglichkeiten einer Verzögerung durch den Fahrer ausgegeben werden kann.
-
Das
US-Patent Nummer 6,487,477 betrifft allgemein ein bordeigenes Navigationssystem zum Bereitstellen einer Energieverwaltung für ein Elektrofahrzeug (EV) und ein Hybridelektrofahrzeug (HEV). Die HEV-Steuerungsstrategie der vorliegenden Erfindung kommt den Zielen der Kraftstoffwirtschaftlichkeit entgegen, während sie dem Strombedarf des Fahrers/der Fahrerin stets gerecht wird und die Funktionalität des Fahrmotor-Batteriesystems unter Verwendung von Batterieparameter-Steuerelementen beibehält. In der bevorzugten Ausführungsform der vorliegenden Strategie integriert ein Fahrzeugsystemsteuerelement die Navigationssysteminformationen auf dem Weg zu einem bekannten Zielort genau in die Energieverwaltung. Der aktuelle Fahrzeugort wird fortwährend überwacht, Fahrerbeanspruchungserwartungen werden bestimmt, und Fahrzeugzugeständnisse werden gemacht. Das System kann derart konfiguriert sein, dass es im Rahmen seines aktuellen Fahrzeugorts Daten über Straßenmodelle, die Geografie mit Datum und Uhrzeit, Höhenlageänderungen, Geschwindigkeitsbegrenzungen, Fahrmuster eines Fahrzeugfahrers/einer Fahrzeugfahrerin und das Wetter beinhaltet. Die Fahrzeugzugeständnisse können derart konfiguriert sein, dass sie diskrete Steuerungsvorschriften, Fuzzy-Logik oder neuronale Netze verwenden.
-
Die US-Anmeldung Nummer 2013/079964 betrifft allgemein ein Kommunikations- und Analysesystem, das Datenvorgänge mit einem fahrzeugzentrierten System mit einem Weg mit geplanter Strecke verwalten kann. Ein Fahrzeug, das in einer Kommunikationsverbindung mit einem Netz ist, kann seine Aktivitäten auch basierend auf Echtzeit, bisherigen und prädiktiven Kenntnissen verwalten, ohne diese ganze Verarbeitung von Kenntnissen an Bord zu haben. Eine solche Datenverarbeitung würde eine Clusteranalyse von georäumlichen, internen Funktionen und den Bediener/die Bedienerin speziell betreffenden Anforderungen beinhalten. Das regelbasierte System würde auch den Verwendungsmustern eines speziellen Fahrzeugs oder eines speziellen Benutzers/einer speziellen Benutzerin Rechnung tragen. Ein Fahrzeugbediener/eine Fahrzeugbedienerin oder mehrere Fahrzeugbediener/-innen könnten Informationen freigeben oder hochladen, die eine effiziente Datenverarbeitung und -anzeige unterstützen würden, einschließlich einer Kraftstoffverbrauchsminderung und der Zeiteinteilung. Clustergewichtungsmuster können basierend auf Aktivitäten wie einem effizienten Betrieb, sicherem Fahren und der Navigation zugewiesen werden.
-
In einem ersten Ausführungsbeispiel beinhaltet ein System einen Prozessor, der konfiguriert ist, um Fahrzeugeingaben während des Fahrens über eine zuvor definierte Entfernung aufzuzeichnen. Der Prozessor ist auch konfiguriert, um Umgebungsvariablen während des Fahrens über die zuvor definierte Entfernung aufzuzeichnen. Weiter ist der Prozessor konfiguriert, um Fahrzeugzustandsänderungen während des Fahrens über die zuvor definierte Entfernung aufzuzeichnen. Der Prozessor ist darüber hinaus konfiguriert, um die Eingaben, Variablen und Zustandsänderungen mit zuvor bestimmten Werten zu vergleichen, um zu bestimmen, ob eine Korrelation, die auf eine zuvor definierte Bedingung verweist, besteht. Auch ist der Prozessor konfiguriert, um die zuvor definierte Bedingung als über die zuvor definierte Entfernung auftretend aufzuzeichnen, falls die Korrelation auf die zuvor definierte Bedingung verweist.
-
In einem zweiten Ausführungsbeispiel beinhaltet ein computerimplementiertes Verfahren Aufzeichnen von Fahrzeugeingaben während des Fahrens über eine zuvor definierte Entfernung. Das Verfahren beinhaltet auch Aufzeichnen von Umgebungsvariablen während des Fahrens über die zuvor definierte Entfernung. Weiter beinhaltet das Verfahren Aufzeichnen von Fahrzeugzustandsänderungen während des Fahrens über die zuvor definierte Entfernung. Das Verfahren beinhaltet auch Vergleichen der Eingaben, Variablen und Zustandsänderungen mit zuvor bestimmten Werten über einen Computer, um zu bestimmen, ob eine Korrelation, die auf eine zuvor definierte Bedingung verweist, besteht, und Aufzeichnen der zuvor definierten Bedingung als über die zuvor definierte Entfernung auftretend, falls die Korrelation auf die zuvor definierte Bedingung verweist.
-
In einem dritten Ausführungsbeispiel speichert ein nicht transienter computerlesbarer Datenträger Anweisungen, die, wenn sie ausgeführt werden, veranlassen, dass der Prozessor ein computerimplementiertes Verfahren durchführt, das Aufzeichnen von Fahrzeugeingaben während des Fahrens über eine zuvor definierte Entfernung umfasst. Das Verfahren beinhaltet auch Aufzeichnen von Umgebungsvariablen während des Fahrens über die zuvor definierte Entfernung. Weiter beinhaltet das Verfahren Aufzeichnen von Fahrzeugzustandsänderungen während des Fahrens über die zuvor definierte Entfernung. Das Verfahren beinhaltet auch Vergleichen der Eingaben, Variablen und Zustandsänderungen mit zuvor bestimmten Werten über einen Computer, um zu bestimmen, ob eine Korrelation, die auf eine zuvor definierte Bedingung verweist, besteht, und Aufzeichnen der zuvor definierten Bedingung als über die zuvor definierte Entfernung auftretend, falls die Korrelation auf die zuvor definierte Bedingung verweist.
-
1 zeigt ein beispielhaftes Fahrzeugcomputersystem;
-
2 zeigt ein beispielhaftes Blockdiagramm für eine prädiktive Fahrbeanspruchungs- und Dienstekoordination;
-
3 zeigt einige Beispiele für prädizierte Bereiche einer Beanspruchung auf einer Strecke;
-
4 zeigt eine Vereinigung der prädizierten Beanspruchungsbereiche;
-
5 zeigt einen beispielhaften Prozess zum Prädizieren einer Fahrerbeanspruchung;
-
6 zeigt einen beispielhaften Prozess zum Integrieren einer prädizierten Beanspruchung in übermittelte Dienste;
-
7 zeigt ein veranschaulichendes Beispiel für ein Fahrbeanspruchungslern- und -prädiktionssystem;
-
8A zeigt ein veranschaulichendes Beispiel für ein Fahrszenario;
-
8B zeigt ein veranschaulichendes Beispiel für einen Fahrbeanspruchungsverfolgungsprozess;
-
die 9A und 9B zeigen veranschaulichende Beispiele für eine Verfolgung eines Falles einer hohen Arbeitsbelastung eines Fahrers/einer Fahrerin;
-
10 zeigt ein veranschaulichendes Beispiel für eine Fahrarbeitsbelastungsverfolgung; und
-
11 zeigt ein veranschaulichendes Beispiel für einen Prozess unter Nutzung einer Fahrbeanspruchungsprädiktion.
-
Wie erforderlich, werden hierin detaillierte Ausführungsformen der vorliegenden Erfindung offenbart; es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich beispielhaft für die Erfindung sind, die in verschiedenen und alternativen Ausbildungen ausgeführt werden kann. Die Figuren sind nicht zwingend maßstabsgetreu; einige Merkmale sind möglicherweise übertrieben oder verkleinert, um Details konkreter Komponenten zu zeigen. Deshalb dürfen spezielle Struktur- und Funktionsdetails, die hierin offenbart werden, nicht als begrenzend ausgelegt werden, sondern lediglich als repräsentative Grundlage, um dem Fachmann zu lehren, wie von der vorliegenden Erfindung unterschiedlich Gebrauch gemacht werden kann.
-
1 veranschaulicht eine beispielhafte Blocktopologie für ein fahrzeugbasiertes Computersystem 1 (Vehicle Based Computing System, VCS) für ein Fahrzeug 31. Ein Beispiel für ein solches fahrzeugbasiertes Computersystem 1 ist das von THE FORD MOTOR COMPANY gefertigte SYNC-System. Ein Fahrzeug, in dem ein fahrzeugbasiertes Computersystem aktiviert ist, enthält möglicherweise eine im Fahrzeug befindliche grafische Front-End-Benutzerschnittstelle 4. Der Benutzer/die Benutzerin kann möglicherweise auch mit der Schnittstelle interagieren, falls sie zum Beispiel mit einem berührungsempfindlichen Bildschirm versehen ist. In einem anderen Ausführungsbeispiel erfolgt die Interaktion durch Drücken von Schaltflächen, akustische Sprache und Sprachsynthese.
-
In dem in 1 gezeigten Ausführungsbeispiel 1 steuert ein Prozessor 3 mindestens teilweise den Betrieb des fahrzeugbasierten Computersystems. Der Prozessor, der innerhalb des Fahrzeugs bereitgestellt ist, ermöglicht eine bordeigene Verarbeitung von Befehlen und Routinen. Weiter ist der Prozessor sowohl mit einem flüchtigen 5 als auch mit einem nicht flüchtigen Speicher 7 verbunden. In diesem Ausführungsbeispiel ist der flüchtige Speicher ein Arbeitsspeicher (RAM) und der nicht flüchtige Speicher ein Festplattenlaufwerk (HDD) oder ein Flash-Speicher.
-
Der Prozessor ist auch mit einigen unterschiedlichen Eingängen ausgestattet, mittels deren der Benutzer/die Benutzerin über eine Schnittstelle mit dem Prozessor kommunizieren kann. In diesem Ausführungsbeispiel sind ein Mikrofon 29, ein Hilfseingang 25 (für den Eingang 33), ein Universal-Serial-Serial(USB)-Eingang 23, ein Global-Positioning-System(GPS)-Eingang 24 und ein BLUETOOTH-Eingang 15 alle bereitgestellt. Ein Eingangswähler 51 ist ebenfalls bereitgestellt, damit ein Benutzer/eine Benutzerin zwischen verschiedenen Eingängen wechseln kann. Der Eingang sowohl zum Mikrofon als auch zum Hilfsanschluss wird vor der Weiterleitung an den Prozessor von einem Umsetzer 27 von analog in digital umgesetzt. Wenngleich dies nicht gezeigt wird, können zahlreiche der Fahrzeugkomponenten und Hilfskomponenten, die mit dem VCS kommunizieren, ein Fahrzeugnetz (wie unter anderem einen Bus eines Controller Area Network (CAN)) verwenden, um Daten zu und von dem VCS (oder Komponenten davon) zu leiten.
-
Ausgänge des Systems können unter anderem eine Sichtanzeige 4 und einen Lautsprecher 13 oder einen Stereosystemausgang beinhalten. Der Lautsprecher ist mit einem Verstärker 11 verbunden und empfängt sein Signal vom Prozessor 3 durch einen Digital-Analog-Umsetzer 9. Der Ausgang kann auch zu einer Remote-BLUETOOTH-Einrichtung wie einer persönlichen Navigationseinrichtung (PND) 54 oder einer USB-Einrichtung wie einer Fahrzeugnavigationseinrichtung 60 entlang den bidirektionalen Datenströmen mit den Bezugszeichen 19 bzw. 21 hergestellt sein.
-
In einem Ausführungsbeispiel verwendet das System 1 den BLUETOOTH-Sendeempfänger 15, um mit dem Nomadic Device 53 eines Benutzers/einer Benutzerin (z. B. Mobiltelefon, Smartphone, Personal Digital Assistant (PDA) oder einer beliebigen anderen Einrichtung mit Drahtlos-Remote-Netzkonnektivität) zu kommunizieren 17. Das Nomadic Device kann dann verwendet werden, um mit einem Netz 61 außerhalb des Fahrzeugs 31 zum Beispiel durch Kommunikation 55 mit einem Mobilfunkmast 57 zu kommunizieren 59. In einigen Ausführungsformen ist der Mast 57 möglicherweise ein WiFi-Zugangspunkt.
-
Eine beispielhafte Kommunikation zwischen dem Nomadic Device und dem BLUETOOTH-Sendeempfänger wird durch das Signal 14 dargestellt.
-
Zum Paaren eines Nomadic Device 53 und des BLUETOOTH-Sendeempfängers 15 kann durch einen Button 52 oder eine ähnliche Eingabe angewiesen werden. Folglich wird der Zentralprozessor (CPU) dazu angewiesen, dass der bordeigene BLUETOOTH-Sendeempfänger mit einem BLUETOOTH-Sendeempfänger in einem Nomadic Device gepaart wird.
-
Daten können zum Beispiel unter Nutzung eines Datentarifs, von Data over Voice oder von mit einem Nomadic Device 53 assoziierten Dual-Tone-Multi-Frequency(DTMF)-Tönen zwischen der CPU 3 und dem Netz 61 kommuniziert werden. Alternativ ist es möglicherweise wünschenswert, ein bordeigenes Modem 63 mit einer Antenne 18 darin aufzunehmen, um Daten zwischen der CPU 3 und dem Netz 61 über das Sprachband zu kommunizieren 16. Das Nomadic Device 53 kann dann verwendet werden, um mit einem Netz 61 außerhalb des Fahrzeugs 31 zum Beispiel durch Kommunikation 55 mit einem Mobilfunkmast 57 zu kommunizieren 59. In einigen Ausführungsformen kann das Modem 63 eine Kommunikation 20 mit dem Mast 57 zum Kommunizieren mit dem Netz 61 aufbauen. Als nicht ausschließliches Beispiel ist das Modem 63 möglicherweise ein USB-Funkmodem und die Kommunikation 20 möglicherweise eine Mobilfunkkommunikation.
-
In einem Ausführungsbeispiel ist der Prozessor mit einem Betriebssystem ausgestattet, das eine API beinhaltet, um mit einer Modemanwendungssoftware zu kommunizieren. Die Modemanwendungssoftware greift möglicherweise auf ein eingebettetes Modul oder eine eingebettete Firmware im BLUETOOTH-Sendeempfänger zu, um eine drahtlose Kommunikation mit einem Remote-BLUETOOTH-Sendeempfänger (wie demjenigen, der in einem Nomadic Device vorzufinden ist) durchzuführen. Bluetooth ist eine Untermenge der Protokolle für IEEE 802 PANs (Personal Area Networks). Protokolle für IEEE 802 LANs (Local Area Networks) beinhalten WiFi und weisen eine sich erheblich mit IEEE 802 PANs deckende Funktionalität auf. Beide sind für drahtlose Kommunikation innerhalb eines Fahrzeugs geeignet. Ein anderes Kommunikationsmittel, das in diesem Bereich verwendet werden kann, sind optische Freiraumnachrichtenübertragung (wie Infrared Data Association (IrDA)) und nicht standardisierte Verbraucher-Infrarot(IR)-Protokolle.
-
In einer anderen Ausführungsform beinhaltet ein Nomadic Device 53 ein Modem für Sprachband- oder Breitbanddatenkommunikation. In der Data-over-Voice-Ausführungsform kann eine als Frequenzmultiplexverfahren bekannte Technik implementiert werden, wenn der Besitzer/die Besitzerin des Nomadic Device über die Einrichtung reden kann, während Daten transferiert werden. Zu anderen Zeiten, zu denen der Besitzer/die Besitzerin die Einrichtung gerade nicht verwendet, kann beim Datentransfer die ganze Bandbreite (in einem Beispiel 300 Hz bis 3,4 kHz) verwendet werden. Obwohl das Frequenzmultiplexverfahren bei der analogen Mobilfunkkommunikation zwischen dem Fahrzeug und dem Internet üblich sein kann und nach wie vor verwendet wird, wurde es weitgehend abgelöst von Hybriden wie Code Domain Multiple Access (CDMA), Time Domain Multiple Access (TDMA), Space-Domain Multiple Access (SDMA) für digitale Mobilfunkkommunikation. Diese sind je mit ITU IMT-2000 (3G) konforme Standards und bieten Datenraten von bis zu 2 Mbit/s für stationäre oder gehende Benutzer/Benutzerinnen und 385 Kbit/s für Benutzer/Benutzerinnen in einem sich bewegenden Fahrzeug. 3G-Standards werden derzeit abgelöst von IMT-Advanced (4G), der 100 Mbit/s für Benutzer/Benutzerinnen in einem Fahrzeug und 1 Gbit/s für stationäre Benutzer/Benutzerinnen bietet. Falls der Benutzer/die Benutzerin über einen mit dem Nomadic Device assoziierten Datentarif verfügt, ist es möglich, dass der Datentarif eine Breitbandübertragung zulässt und das System eine viel größere Bandbreite verwenden könnte (was den Datentransfer beschleunigt). In noch einer anderen Ausführungsform ist das Nomadic Device 53 ersetzt durch eine Mobilfunkkommunikationseinrichtung (nicht gezeigt), die am Fahrzeug 31 installiert ist. In noch einer anderen Ausführungsform ist das ND 53 möglicherweise eine Einrichtung für ein drahtloses Local Area Network (LAN), die zu Kommunikation zum Beispiel über (unter anderem) ein 802.11g-Netz (d. h. WiFi) oder ein WiMax-Netz fähig ist.
-
In einer Ausführungsform können ankommende Daten durch das Nomadic Device über Data over Voice oder einen Datentarif, durch den bordeigenen BLUETOOTH-Sendeempfänger und in den internen Prozessor 3 des Fahrzeugs geleitet werden. Im Fall bestimmter temporärer Daten zum Beispiel können die Daten im HDD oder in einem anderen Datenträger 7 so lange gespeichert werden, bis die Daten nicht mehr benötigt werden.
-
Zusätzliche Quellen, die über eine Schnittstelle mit dem Fahrzeug kommunizieren können, beinhalten eine persönliche Navigationseinrichtung (Personal Navigation Device) 54, zum Beispiel mit einer USB-Verbindung 56 und/oder einer Antenne 58, eine Fahrzeugnavigationseinrichtung 60 mit einer USB- 62 oder einer anderen Verbindung, eine bordeigene GPS-Einrichtung 24 oder ein Remote-Navigationssystem (nicht gezeigt) mit Konnektivität zu einem Netz 61. USB gehört zu einer Gruppe von Protokollen für serielle Anschlüsse. IEEE 1394 (Firewire), Serienprotokolle der EIA (Electronics Industry Association), IEEE 1284 (Centronics Port), S/PDIF (Sony/Philips Digital Interconnect Format) und USB-IF (USB Implementers Forum) bilden das Rückgrat der seriellen Standards zwischen Einrichtungen. Die meisten Protokolle können entweder für elektrische oder für optische Kommunikation implementiert werden.
-
Weiter könnte die CPU mit verschiedenen anderen Hilfseinrichtungen 65 kommunizieren. Diese Einrichtungen können durch eine drahtlose 67 oder eine drahtgebundene 69 Verbindung verbunden sein. Die Hilfseinrichtung 65 beinhaltet unter anderem möglicherweise Personal Media Player, drahtlose medizinische Geräte, tragbare Computer und dergleichen.
-
Auch oder alternativ könnte die CPU, zum Beispiel unter Nutzung eines Sendeempfängers für WiFi 71, mit einem fahrzeugbasierten Drahtlosrouter 73 verbunden sein. Dadurch könnte ermöglicht werden, dass die CPU mit Remote-Netzen in der Reichweite des lokalen Routers 73 verbunden wird.
-
Zusätzlich dazu, dass beispielhafte Prozesse von einem in einem Fahrzeug befindlichen Fahrzeugcomputersystem ausgeführt werden, können die beispielhaften Prozesse in bestimmten Ausführungsformen von einem mit einem Fahrzeugcomputersystem kommunizierenden Computersystem ausgeführt werden. Ein solches System beinhaltet unter anderem möglicherweise eine drahtlose Einrichtung (z. B. und ohne Begrenzung ein Mobiltelefon) oder ein Remote-Computersystem (z. B. und ohne Begrenzung einen Server), das durch die drahtlose Einrichtung verbunden ist.
-
Gemeinsam können solche Systeme als fahrzeugassoziierte Computersysteme (Vehicle Associated Computing Systems, VACS) bezeichnet werden. In bestimmten Ausführungsformen können konkrete Komponenten der VACS konkrete Abschnitte eines Prozesses abhängig von der konkreten Implementierung des Systems durchführen. Beispielhaft und ohne Begrenzung ist es, falls ein Prozess einen Schritt des Sendens oder des Empfangens von Informationen mit einer gepaarten drahtlosen Einrichtung aufweist, dann wahrscheinlich, dass die drahtlose Einrichtung den Prozess gerade nicht durchführt, weil die drahtlose Einrichtung Informationen mit sich selbst nicht „senden und empfangen“ würde. Für den Durchschnittsfachmann ist ersichtlich, wann es unzweckmäßig ist, ein konkretes VACS auf eine gegebene Lösung anzuwenden. Bei allen Lösungen ist vorgesehen, dass mindestens das innerhalb des Fahrzeugs selbst befindliche Fahrzeugcomputersystem (Vehicle Computing System, VCS) zum Durchführen der beispielhaften Prozesse fähig ist.
-
In jedem der hierin erörterten Ausführungsbeispiele ist ein beispielhaftes, nicht ausschließliches Beispiel für einen von einem Computersystem durchführbaren Prozess gezeigt. Mit Bezug auf jeden Prozess ist es möglich, dass das den Prozess ausführende Computersystem für den begrenzten Zweck des Ausführens des Prozesses als Spezialprozessor zum Durchführen des Prozesses konfiguriert werden kann. Alle Prozesse müssen nicht ganz durchgeführt werden, und es versteht sich, dass sie Beispiele für Arten von Prozessen sind, die durchgeführt werden können, um Elemente der Erfindung umzusetzen. Zusätzliche Schritte können zu den beispielhaften Prozessen nach Wunsch hinzukommen oder wegfallen.
-
Telematikdienste können derart angepasst werden, dass sie eine vielseitige Konnektivität und vielseitige Optionen basierend auf beobachteten Fahrbeanspruchungsszenarios bieten. Die Ausführungsbeispiele stellen eine Prädiktion spezieller Fahrart-Szenarios in diversen Fällen bereit. Neben der Prädiktion von Bereichen mit hoher Fahrbeanspruchung stellen diese Ausführungsformen eine Prädiktion der verschiedenen Ursachen der Beanspruchung basierend auf Szenarios bereit (z. B. und ohne Begrenzung starkes Bremsen, starkes Beschleunigen, häufige Spurwechsel, wahrscheinliche Verkehrseinmündungen etc.). Diese Informationen können weiter verwendet werden, um Telematikdienste anzupassen, sowohl was Einschränkungen bestimmter Dienste als auch was die Übermittlung oder das Vorschlagen von Diensten angeht, die für ein konkretes Fahrszenario möglicherweise geeignet sind.
-
Regionen, in denen die Fahrbeanspruchung und die Arbeitsbelastung tendenziell hoch sind, werden durch Lernen im Lauf der Zeit synergistisch berechnet, indem verfügbare Telematikinformationen in Bezug auf Breite/Länge mit berechneten Echtzeitinformationen in Bezug auf Fahrbeanspruchung und -arbeitsbelastung zusammengeführt werden. Regionen mit hoher Fahrbeanspruchung werden rekursiv gespeichert und basierend auf der Auftretenswahrscheinlichkeit aktualisiert.
-
In einem beispielhaften PDDS finden sich folgende Komponenten: ein Driver Input Interaction Subsystem; ein Intervallic Driving Demand and Workload Subsystem; Driving Demand Likelihood Learning; Self-Tuning Predictive Driving Demand; und iHAC & DND Driver Personalized Interaction. Das PDDS stellt einen prädiktiven kontinuierlichen Indexwert für bevorstehende Fahrbeanspruchungsbedingungen zur Verwaltung von Informationen zu verbundenen Diensten bereit. Die iHAC-Echtzeiterinnerungsmerkmale lassen Fahrern/Fahrerinnen Empfehlungen zu prädiktiven Fahrbeanspruchungssituationen basierend auf einem Lernsystem zukommen.
-
Unter Verwendung der Ausführungsbeispiele und dergleichen kann VCS Do Not Disturb (DND) vor beanspruchenden Fahrbedingungen automatisch aktiviert werden, um potenziellen Ablenkungen beim Fahren entgegenzuwirken. Für das iHAC-System kann ein Hinweis unter Nutzung bestehender Fahrzeugausgaben bereitgestellt werden. Dieser kann verwendet werden, um den Fahrer/die Fahrerin auf bevorstehende prädizierte Situationen mit hoher Beanspruchung hinzuweisen, falls gewünscht. Durch die hierin präsentierten Lernansätze muss für Echtzeitanwendungen nur sehr wenig Speicherplatz in Anspruch genommen werden. Das PDDS und das iHAC stellen direkte Fahrereingaben für individuelle Voreinstellungen für Konnektivitätsdienste und die Informationsverwaltung bereit. Anwendungsentwickler können auch konfigurierbare Nachrichten nutzen, die für iDND und iHAC zum benutzerspezifischen Anpassen von Nachrichten bereitgestellt werden.
-
Die Ausführungsbeispiele präsentieren Systeme und Verfahren für Fahrbeanspruchungsszenarioprädiktionen basierend auf dem Verhalten eines Fahrers/einer Fahrerin, früheren Szenarios und Wahrscheinlichkeitslernen für Fahrerkonnektivitätsübermittlung (Driver Connectivity Delivery, DCD). Die Ausführungsformen kennzeichnen und prognostizieren bevorstehende Szenarios (z. B. Kurven, Kreuzungen etc.) und Straßenbedingungen durch Erkennen, Auswählen und Aufzeichnen von sich häufig wiederholenden Erfahrungen am selben Ort/an denselben Orten. Basierend auf prognostizierten Szenarioregionen können Konnektivitätsinformationen frühzeitig koordiniert werden. Die prädiktive Berechnung lässt sich durchführen, indem verfügbare GPS-Informationen mit einer Echtzeitfahrbeanspruchungs- und -szenarioerkennung zusammengeführt werden. Regionen mit hoher Beanspruchung können rekursiv gespeichert und basierend auf der Wahrscheinlichkeit des Auftretens eines konkreten Szenarios (zum Beispiel basierend auf Beobachtungen) aktualisiert werden.
-
2 zeigt ein beispielhaftes Blockdiagramm für eine prädiktive Fahrbeanspruchungs- und Dienstekoordination. Hierbei handelt es sich um ein veranschaulichendes Beispiel einer Ausführungsform eines Systems für PDDS. Das System beinhaltet ein Modul für intervallische Aufmerksamkeitsbeanspruchungs- und Arbeitsbelastungsberechnung (Attention Demand and Workload Computation, ADWC) 211. Dieses Modul empfängt Eingaben aus der Umgebung 217, Fahrzeugreaktionen 215 und Fahreraktionseingaben 203 von einem Fahrer/einer Fahrerin 201. Dank dieser Eingaben lässt sich besser demonstrieren und messen, wie stark ein Fahrer/eine Fahrerin zu einer gegebenen Zeit beansprucht ist. Umgebungsinformationen können unter anderem beobachtete Fahrzeuge in der Nähe des Fahrzeugs des Fahrers/der Fahrerin, Entfernungen zu beobachteten Fahrzeugen, Straßenbedingungen und andere Informationen zum Bereich um das Fahrzeug herum beinhalten. Fahreraktionseingaben können unter anderem Wenden, die Häufigkeit von Lenkberichtigungen, Spurwechsel, Bremsen, Beschleunigen und andere Steuereingaben beinhalten. Fahrzeugreaktionsinformationen können Informationen zur Anstellung der Antriebsschlupfregelung, zur Geschwindigkeit, zum Abstand, zum Schlupf und andere ähnliche Informationen beinhalten.
-
Das System beinhaltet auch ein Driving-Demand-Likelihood(DDLL)-Modul, das Angleichungen und Konfigurationen der Wahrscheinlichkeit der Beanspruchung an einem gegebenen Ort ermöglicht. Dieses Modul empfängt Eingaben von der Telematik, etwa GPS-Informationen 219, um Orte zu bestimmen, an denen die ADWC Situationen mit hoher Beanspruchung kalkuliert. Die ADWC stellt auch Eingaben für dieses System bereit, sodass die Beanspruchung an einem gegebenen Ort gemessen und beobachtet werden kann.
-
Diese Informationen werden in ein selbst abstimmendes und prädiktives Modul für Fahrbeanspruchungsarbeitsbelastung (Self-Tuning and Predictive Driving Demand Workload, STDD) 221 aufgenommen. Das STDD-Modul kann die prädizierten Informationen für Funktionen wie iDND und iHAC 207, 205 bereitstellen. Die intelligenten Systeme und Funktionen können dann Dienste zum Reduzieren der Unaufmerksamkeit eines Fahrers/einer Fahrerin bereitstellen und die Konzentration des Fahrers/der Fahrerin steigern, wenn Bereiche mit einer wahrscheinlich hohen Fahrbeanspruchung bevorstehen. Konnektivitätsdienste 223 werden in ein personalisiertes adaptives Fahrerkommunikationssystem 209 aufgenommen, das zum Steuern der Konnektivität verwendet werden kann, wenn Bereiche mit hoher Fahrbeanspruchung bevorstehen. Basierend auf den Informationen zu der prädizierten Fahrbeanspruchung und verbundenen Diensten kann eine personalisierte Fahrerkommunikation bereitgestellt werden. Das iHAC-Echtzeiterinnerungsmodul kann Fahrern/Fahrerinnen Empfehlungen basierend auf bevorstehenden Situationen mit einer prädizierten Fahrbeanspruchung, wie aus dem Lernsystem übermittelt, zukommen lassen. Funktionen wie Do Not Disturb (DND) können vor beanspruchenden Fahrbedingungen aus einem iDND-Modul intelligent aktiviert werden.
-
Das Lernen im Zusammenhang mit möglichen Situationen mit hoher Fahrbeanspruchung und das Speichern dieser Situationen können für die Funktionalität der PDDS-Systeme und -Verfahren nützlich sein. Situationen mit hoher Fahrbeanspruchung werden gemeinhin mit einer hohen Verkehrsdichte, Spurwechseln oder der Straßengeometrie assoziiert. Andere Situationen mit hoher Fahrbeanspruchung werden möglicherweise mit Extremwetter assoziiert, und das System könnte beobachten, dass aus einer mit einem Bereich mit mittlerer Beanspruchung kombinierten Wetterbedingung wahrscheinlich ein Bereich mit hoher Fahrbeanspruchung resultieren kann. Da der Verkehr, das Wetter und Spurwechsel im Lauf der Zeit und bei anderen Fahrern/Fahrerinnen Änderungen unterworfen sind, hat die am häufigsten wiederkehrende prädizierbare Situation mit der Straßengeometrie zu tun, da sich diese außer bei größeren Bautätigkeiten in der Regel nicht ändert.
-
Die ADWC identifiziert Fahrbeanspruchungssituationen, während sich ein Fahrer/eine Fahrerin auf einer Strecke fortbewegt. Unter anderem kann die ADWC nicht nur die Fahrbeanspruchung bestimmen, sondern auch mögliche Ursachen der Beanspruchung. Falls bestimmte Situationen mit hoher Fahrbeanspruchung eine hinreichend hohe Wiederholungswahrscheinlichkeit aufweisen, kann das DDLL-System diese Situationen automatisch aufzeichnen. Wenn danach auf den Fahrer/die Fahrerin aufgezeichnete Situationen mit hoher Fahrbeanspruchung zukommen, kann das STDD die Aktivität des Fahrers/der Fahrerin vorwegnehmen.
-
Hohe Fahrbeanspruchungen aufgrund der Straßengeometrie wiederholen sich mit hoher Wahrscheinlichkeit jedes Mal, wenn der Fahrer/die Fahrerin an dem Ort ist, an dem sie auftreten. Falls daneben die Arbeitsbelastung eines Fahrers/einer Fahrerin an demselben Ort jedes Mal hoch ist, handelt es sich hierbei äußerst wahrscheinlich um einen Ort mit hoher Fahrbeanspruchung. Basierend auf der Häufigkeit des Auftretens einer hohen Beanspruchung werden die Orte mit hoher Beanspruchung identifiziert. Sobald die Wahrscheinlichkeit eines Orts im Lauf der Zeit eine abstimmbare Schwelle überschreitet, kann dieser Ort als Ort mit hoher Fahrbeanspruchung für eine personalisierte an den Fahrer/die Fahrerin angeglichene Kommunikation gekennzeichnet werden.
-
Die ADWC-Workload-Estimator(WLE)-Algorithmen können während Fahrzeugfahrten in Echtzeit laufen, um einen WLE-Index bereitzustellen, der die Beanspruchung während einer gegebenen Fahrt an gegebenen Orten misst. Falls der WLE-Index eine Schwelle an einem konkreten Ort überschreitet, können die GPS-Koordinaten bezüglich dieses Orts gespeichert und eine anfängliche Wahrscheinlichkeit einer hohen Fahrbeanspruchung bereitgestellt werden. Für jeden von n Orten i können die GPS-Koordinaten L mit Bezug auf eine anfängliche Wahrscheinlichkeit p
0 gespeichert werden. Dies lässt sich folgendermaßen beschreiben:
-
Während jeder Fahrt, falls das Fahrzeug durch einen ähnlichen Bereich von GPS-Koordinaten Li fährt und das Fahrzeug einen anderen hohen WLE über einem Schwellenwert aufweist, gilt Folgendes: Li+1(GPSBreite, GPSLänge)
= α·Li + (1 – α)·p0
-
Ansonsten, falls der WLE unter der Schwelle liegt, gilt Folgendes: Li+1(GPSBreite, GPSLänge)
= α·Li wobei α ein abnehmender Faktor ist. Mithin gilt, falls p0 der WLE_Index ist, für die WLE_above_threshold-Gleichung dann Folgendes: Li+1(GPSBreite, GPSLänge)
= α·Li + (1 – α)
·WLE_Index(i) während WLE_below_threshold den Wert im Lauf der Zeit verringert, was darauf verweist, dass der beobachtete hohe WLE_Index nicht häufig wiederkehrt.
-
In einem anderen Ausführungsbeispiel können für p
0 in der WLE_above_threshold-Gleichung Wahrscheinlichkeitskonstanten gewählt werden, sodass Folgendes gilt:
-
3 zeigt einige Beispiele für prädizierte Bereiche einer Beanspruchung auf einer Strecke. Die Strecke besteht möglicherweise aus kleineren Straßen vor Ort, innerstädtischen Hauptverkehrsstraßen und Fernstraßen. Ein instrumentiertes Fahrzeug kann zum Beziehen von Echtzeitdaten zur Bewertung verwendet werden. 3 zeigt zwei Fahrten auf der Strecke mit hervorgehobenen Orten mit einem hohen WLE.
-
Die Fahrt fängt am Ort 301 an und verläuft hin zum Ort 307. Die Strecke 309 ist zwischen den Stellen eingezeichnet. Die Elemente 312 und 308 markieren Bereiche mit einem hohen WLE-Index. Ein Gitter definiert die Orte entlang der Straße und kann auf einer Breite 303 und einer Länge 305 basieren.
-
Bei der zweiten Fahrt definieren die Elemente 311 und 313 die Bereiche mit einem hohen WLE-Index. Wie ersichtlich ist, treten 311 und 313 bei der zweiten Fahrt an anderen Stellen auf als die Bereiche 308 und 312 bei der ersten Fahrt. Wenn der Fahrer/die Fahrerin wiederholt auf diesen Strecken fährt, aggregiert dieser Prozess Bereiche mit hohen WLE-Indizes und diese können so kombiniert werden, dass häufig wiederkehrende Bereiche mit einem hohen WLE-Index bestimmt werden können.
-
4 zeigt eine Vereinigung der prädizierten Beanspruchungsbereiche. In dieser Abbildung 401 sind die in 3 gezeigten Abbildungen zusammengelegt. Die Bereiche 313 und 308 überlappen bei 401, und die Bereiche 311 und 312 überlappen bei 403. Die Bereiche der Überlappung 401, 403 legen Bereiche fest, in denen hohe WLE-Indizes mit einer erhöhten berechneten Auftretenswahrscheinlichkeit auf beiden Fahrten aufgetreten sind. Je mehr Fahrten dabei zusammenkommen, desto mehr ist der Prozess in der Lage, diese Bereiche mit immer größeren Unterscheidungsgraden zu differenzieren.
-
Immer wenn die Wahrscheinlichkeit Li einen festgelegten abstimmbaren Empfindlichkeitsgrad erreicht, wird der entsprechende Ort als eine hohe Wahrscheinlichkeit für eine Fahrbeanspruchung aufweisend angesehen. Wenn dahingegen Li unter einen Schwellenwert absinkt, kann ein Bereich wegfallen, um Speicherplatz zu sparen, oder in den Fokus aufgrund von Merkmalen rücken, für welche Informationen bezüglich potenzieller Szenarios mit geringer Beanspruchung benötigt werden.
-
Das STDD- und -Arbeitsbelastungsmodul stellt erweiterte Informationen zu bevorstehenden Situationen mit hoher Beanspruchung bereit. Immer wenn die Wahrscheinlichkeit Li einen festgelegten abstimmbaren Empfindlichkeitsgrad erreicht, wird der entsprechende Ort als Ort mit hoher Fahrbeanspruchung für die Fahrer- und Merkmalanforderungen angesehen.
-
Basierend auf den Informationen zu der prädizierten Fahrbeanspruchung und verbundenen Diensten kann eine personalisierte adaptive Fahrerkommunikation (Personalized Adaptive Driver Communication, PADC) bereitgestellt werden. Das iHAC-Merkmal übermittelt personalisierte Echtzeiterinnerungen für Fahrer/Fahrerinnen mit Empfehlungen zu bevorstehenden Fahrbeanspruchungssituationen. Das VCS-DND-Merkmal kann vor beanspruchenden Fahrbedingungen für ausgewählte verbundene Dienste automatisch angestellt werden.
-
5 zeigt einen veranschaulichenden Prozess zum Prädizieren einer Fahrerbeanspruchung. In diesem Ausführungsbeispiel dient der Prozess zum Erfassen von Informationen und zum Prädizieren von Bereichen mit hoher Fahrerbeanspruchung. Während der Fahrer/die Fahrerin auf der Straße fährt, bezieht der Prozess Echtzeiteingaben in Bezug auf den Fahrer/die Fahrerin, Fahrzeugreaktionen und die Umgebung 501. Diese Informationen können verwendet werden, um die prädiktiven Kalkulationen für Bereiche auf der Strecke zu aktualisieren, sodass künftige Informationen mit einem höheren Genauigkeitsgrad übermittelt werden können.
-
Der Prozess bestimmt durch die Nutzung von Fahrzeugtelematikinformationen und die Kalkulation einer kurzfristigen Arbeitsbelastung 503 Echtzeitbeanspruchungen für den aktuellen Ort des Fahrzeugs. Diese Informationen werden zur Sammlung hinzugefügt, immer wenn der kalkulierte WLE_index über einer bestimmten Schwelle liegt. Wenn der WLE_index unter der Schwelle liegt, nimmt der Wahrscheinlichkeitsfaktor für einen gegebenen Ort ab.
-
Durch Driving Demand Likelihood Learning (DDLL) lassen sich Wahrscheinlichkeitswerte für bevorstehende Orte mit potenzieller hoher Arbeitsbelastung berechnen und speichern 505. Diese Informationen basieren auf den vorher beobachteten Informationen von vorherigen Fahrten auf der Strecke. Falls Li über einem Schwellenwert β liegt, sendet der Prozess den Wahrscheinlichkeitswert und den Telemetrieort an das STDD 509.
-
6 zeigt einen veranschaulichenden Prozess zum Integrieren einer prädizierten Beanspruchung in übermittelte Dienste. In diesem Beispiel empfängt das STDD Li, wenn Li über dem Schwellenwert liegt. Das STDD überwacht momentane Telematikorte, die momentane berechnete Fahrbeanspruchung und DDLL-Werte. Das STDD kann auch momentane und künftige merkmalabhängige Fahrbeanspruchungs- und -arbeitsbelastungswerte basierend auf von den anderen Modulen empfangenen Informationen bereitstellen 601.
-
Falls für einen gegebenen Ort ein hoher Indexwert vorliegt, bestimmt der Prozess, ob der Fahrer/die Fahrerin iHAC ausgewählt hat. Wie bereits angemerkt, stellt iHAC Warnungen und Hinweise für Fahrer/Fahrerinnen für bevorstehende Bereiche mit hoher Wahrscheinlichkeit bereit 603.
-
Falls iHAC aktiviert ist, kann die PADC personalisierte Fahrerbeanspruchungserinnerungen bereitstellen 607. Diese Erinnerungen können auf Informationen zu der prädizierten Fahrbeanspruchung und verbundenen Diensten basieren. Das System weist einen Fahrer/eine Fahrerin zum Beispiel möglicherweise darauf hin, dass bestimmte verbundene Dienste in einem bevorstehenden Bereich nicht verfügbar sein werden, damit der Fahrer/die Fahrerin die verbundenen Dienste nutzen könnte, solange sie noch verfügbar sind. Das iHAC kann auch Erinnerungen an verbundene Dienste bereitstellen, etwa Warnungen, dass möglicherweise keine Touch-Funktion verfügbar ist 609.
-
Ebenso kann der Prozess prüfen, ob iDND aktiviert ist 605. Auch hier kann die PADC personalisierte Fahrerbeanspruchungserinnerungen bereitstellen 611. iDND kann automatisch die Do-Not-Disturb-Funktionalität für Bereiche mit hoher Beanspruchung aktivieren 613.
-
Obgleich die iHAC- und iDND-Dienste als beispielhafte Dienste gezeigt werden, die in Fällen einer hohen Beanspruchung eingesetzt werden können, lassen sich beliebig viele Dienste implementieren. In der Regel betreffen diese Dienste das Reduzieren einer möglichen Unaufmerksamkeit des Fahrers/der Fahrerin, das Steigern der Konzentration des Fahrers/der Fahrerin, das Gewährleisten von Komfort für den Fahrer/die Fahrerin und die Erhöhung von Sicherheit.
-
7 zeigt ein veranschaulichendes Beispiel für ein Fahrbeanspruchungslern- und -prädiktionssystem. In diesem Ausführungsbeispiel beinhaltet das System einen Fahrer/eine Fahrerin 701, der/die mit dem Fahrzeug interagiert, um Fahreraktionseingaben 703 bereitzustellen. Diese können unter anderem Beschleunigen, Bremsen, Lenken etc. beinhalten. Sie können auch die Verwendung eines oder mehrerer Fahrzeugtelematikdienste beinhalten.
-
Diese Eingaben werden im Rahmen eines Fahrbeanspruchungsszenarios gesammelt, bei dem es sich um eine Momentaufnahme (gegebenenfalls über irgendeinen begrenzten Zeitraum) der Faktoren handelt, welche die Arbeitsbelastung des Fahrers/der Fahrerin verstärken 705. Ebenfalls ein Teil des Szenarios sind Umgebungsinformationen 709 (z. B. unter anderem das Wetter, der Verkehr, die Straßenbedingungen und Merkmale etc.) und Fahrzeugreaktionen 707. Telematikinformationen wie zum Beispiel GPS-Informationen 713 können auch verwendet werden, um zu identifizieren, wo das Szenario abläuft.
-
Das beobachtete Szenario wird in einen Wahrscheinlichkeitslernalgorithmus 711 aufgenommen, der über einen gegebenen Koordinatensatz die Wahrscheinlichkeit eines Szenarios lernen kann. Das heißt, falls das Szenario (oder ein Szenario im Rahmen von Schwellenparametern des beobachteten Szenarios) an bestimmten Koordinaten häufig auftritt, beginnt der Prozess die Wahrscheinlichkeit des Auftretens im Lauf der Zeit zu erkennen. Statt dass nur prädiziert wird, dass ein Fahrer/eine Fahrerin an einem gegebenen Ort wahrscheinlich einer hohen Arbeitsbelastung ausgesetzt sein wird, kann dies dazu dienen, dass prädiziert wird, warum ein Fahrer/eine Fahrerin der hohen Arbeitsbelastung ausgesetzt sein wird. Diese Information kann in einen selbst abstimmenden Szenarioprädiktionsprozess 715 aufgenommen werden, damit sich die Szenarios langfristig verfolgen lassen, und die Verwendung des Prozesses, wenn der Ort und die Faktoren später wieder angetroffen werden, kann eine personalisierte Fahrerkonnektivitätsübermittlungslösung 717 bereitstellen.
-
8A zeigt ein veranschaulichendes Beispiel für ein Fahrszenario 801. In diesem Ausführungsbeispiel wird ein Satz von Koordinaten untersucht, die von einer Anfangsstelle 803 zu einer Endstelle 807 reichen. Das Fahrverhalten, Umgebungsfaktoren und andere Daten stellen ein beobachtetes Szenario im Verlauf des Abschnitts der untersuchten Strecke bereit 805.
-
8B zeigt ein veranschaulichendes Beispiel für einen Fahrbeanspruchungsverfolgungsprozess. Mit Bezug auf die in dieser Figur beschriebenen Ausführungsbeispiele wird angemerkt, dass ein Mehrzweckprozessor temporär als Spezialprozessor für den Zweck der Ausführung einiger oder aller der hierin gezeigten beispielhaften Verfahren aktiviert werden kann. Wenn Code ausgeführt wird, der Anweisungen zum Durchführen einiger oder aller Schritte des Verfahrens bereitstellt, kann der Prozessor temporär zu einem anderen Zweck, nämlich als Spezialprozessor, eingesetzt werden, bis das Verfahren ganz durchgeführt ist. In einem anderen Beispiel, soweit zweckmäßig, kann Firmware, die gemäß einem vorkonfigurierten Prozessor arbeitet, verursachen, dass der Prozessor als Spezialprozessor arbeitet, der für den Zweck des Durchführens des Verfahrens oder irgendeiner angemessenen Variante davon bereitgestellt ist.
-
In diesem Ausführungsbeispiel beobachtet der Prozess, dass der Fahrer/die Fahrerin in einen neuen Streckenteilabschnitt hineingefahren ist 811. Bei den Ausführungsbeispielen werden Fahrszenarios über begrenzte Koordinatensätze beobachtet, die eine Gesamtstrecke darstellen. Koordinaten können, wie zweckmäßig, abhängig davon geteilt werden, wie fein abgestimmt das System wunschgemäß werden soll. Aus kleineren Bereichen zwischen Anfangs- und Endstellen für Koordinaten resultieren kleinere Momentaufnahmen, sodass feiner abgestimmte Daten für eine gegebene Strecke bereitgestellt werden.
-
Sobald der Fahrer/die Fahrerin in den neuen Teilabschnitt hineingefahren ist, verfolgt der Prozess für diesen Teilabschnitt Aktivitäten des Fahrers/der Fahrerin 813. Der Prozess verfolgt auch Umgebungsbedingungen und Fahrzeugzustände 815. Diese werden zusammen mit eventuellen anderen zweckmäßigen Informationen verwendet, um ein umfassendes Bild sowohl von den Bedingungen, die zu einem Szenario führen, als auch von den Reaktionen des Fahrers/der Fahrerin auf diese Bedingungen zu liefern. Sobald der Fahrer/die Fahrerin aus dem Teilabschnitt herausfährt 817, kann der Prozess die Aktivität über den Koordinatensatz analysieren 819.
-
Diese Informationen können verwendet werden, um die Beanspruchung über den Koordinatensatz für das beobachtete Szenario zu erkennen 821 sowie um zu erkennen, welche Art von Fahrerverhalten und welche Umgebungsbedingungen zur erhöhten Beanspruchung führen. Diese Informationen können dann verwendet werden, um das Fahrerbeanspruchungslernen zu aktualisieren 823, damit künftige Szenarios an diesem Ort prädiziert werden können.
-
Die 9A und 9B zeigen Ausführungsbeispiele für eine Verfolgung des Falles einer hohen Arbeitsbelastung eines Fahrers/einer Fahrerin. Anders als in den 3 und 4 zeigen diese Figuren nicht nur Bereiche mit hoher Beanspruchung, sondern auch warum die Beanspruchung größer wird. Falls also zum Beispiel auf einer Strecke sieben unterschiedliche Beanspruchungsszenarios aufgetreten sind, könnten die 3 und/oder 4 verwendet werden, um die Strecke mit „irgendeiner“ prädizierten Beanspruchung zu zeigen, während Figuren wie 9A und 9B kleinere Fälle einer Beanspruchung basierend auf konkreten Bedingungen und Gründen für eine Beanspruchung zeigen könnten.
-
In 9A werden Bereiche mit starker Beschleunigung 901 gezeigt. Entlang den Koordinaten für die Breite 903 und die Länge 905 werden individuelle Abschnitte der Strecke mit Bereichen mit stärkerer Beschleunigung 907, 909, 911 beobachtet. Diese Informationen können verwendet werden, um basierend auf einer empfohlenen Aktion für Bereiche mit starker Beschleunigung Dienste bereitzustellen und/oder den Zugriff auf Dienste zu begrenzen. Falls bekannt wäre, dass sich an einer Strecke Verkehrskameras befinden, die Vorfälle von Geschwindigkeitsüberschreitungen aufgezeichnet haben, und eine Anwendung Fahrer/Fahrerinnen über das Vorhandensein dieser Kameras benachrichtigt hat, könnte eine solche Anwendung in Bereichen mit beobachteten starken Beschleunigungen eingesetzt werden, um sicherzustellen, dass Fahrer/Fahrerinnen die Geschwindigkeitsbegrenzung in diesen Bereichen nicht überschritten haben, wobei es sich um ein nicht ausschließliches Beispiel handelt.
-
In 9B werden Bereiche mit starkem Bremsen 921 gezeigt. Dies könnte zum Beispiel aus Verkehrseinmündungsbereichen 425, Bereichen mit starkem Verkehr 423 oder scharfen Kurven 427, 429 resultieren. Da Daten bezüglich des Verkehrs, Verkehrseinmündungen und Straßenformen und -bedingungen bekannt sind, können diese Daten in Verbindung mit den Szenarios nicht nur eine Beanspruchung prädizieren, sondern auch prädizieren, dass die Beanspruchung auf Bremsvorfälle in diesen Bereichen zurückführbar ist, und sogar prädizieren, warum Bremsvorfälle auftreten werden. In Bereichen, in denen die Bremsvorfälle auf die Straßenform zurückführbar sind, ist die Beanspruchung wahrscheinlich allgemein konstant, auch wenn geringere Einfahrgeschwindigkeiten zu einer Reduzierung der Bremsvorfälle führen könnten. In Bereichen, in denen die Bremsvorfälle auf den Verkehr zurückführbar sind, kann der Prozess erkennen, dass der Verkehr vorhanden sein muss, damit die Beanspruchung größer werden kann. Mithin können die Szenarios sowohl auf konstanten als auch auf veränderbaren Faktoren basieren.
-
10 zeigt ein veranschaulichendes Beispiel für einen Fahrarbeitsbelastungsverfolgungsprozess. Mit Bezug auf die in dieser Figur beschriebenen Ausführungsbeispiele wird angemerkt, dass ein Mehrzweckprozessor temporär als Spezialprozessor für den Zweck der Ausführung einiger oder aller der hierin gezeigten beispielhaften Verfahren aktiviert werden kann. Wenn Code ausgeführt wird, der Anweisungen zum Durchführen einiger oder aller Schritte des Verfahrens bereitstellt, kann der Prozessor temporär zu einem anderen Zweck, nämlich als Spezialprozessor, eingesetzt werden, bis das Verfahren ganz durchgeführt ist. In einem anderen Beispiel, soweit zweckmäßig, kann Firmware, die gemäß einem vorkonfigurierten Prozessor arbeitet, veranlassen, dass der Prozessor als Spezialprozessor arbeitet, der für den Zweck des Durchführens des Verfahrens oder irgendeiner angemessenen Variante davon bereitgestellt ist.
-
In diesem Ausführungsbeispiel zeichnet der Prozess Daten auf, wenn der Fahrer/die Fahrerin Koordinatensätze auf einer Strecke durchquert, wodurch Analysen und Aktualisierungen von Szenariomodellen pro Koordinatensatz ermöglicht werden. Dies kann mittels einer Abnahmefunktion erfolgen, die eine Abnahme von Vorfällen mit hoher Häufigkeit zulässt, falls sie im Lauf der Zeit weniger werden. Falls zum Beispiel eine Straße von zwei Spuren auf vier verbreitert wurde, kann die Fahrbeanspruchung aufgrund des Verkehrs im Lauf der Zeit abnehmen.
-
Fahrbeanspruchungs- und Szenarioerkennungsprozesse können Aktivitäten eines Fahrers/einer Fahrerin (z. B. Lenkradwinkel, Pedale etc.) und Fahrzeugzustände (Beschleunigung, Gierrate) über einen Satz von Koordinaten überwachen. Sobald die Aktivitäten und Zustände zu einem zuvor definierten Fahrszenario passen (z. B. unter anderem starkes Bremsen, plötzliches Wenden, starkes Beschleunigen), kann der GPS-Ort markiert und an ein Lernmodul gesendet werden. Zu einigen nicht ausschließlichen Beispielen für Szenarios, die aufgezeichnet werden können, zählen unter anderem starkes Beschleunigen (zum Beispiel erkannt durch das Herunterdrücken des Gaspedals mit einem bestimmten Ausschlag und/oder eine Längsbeschleunigung über einer Schwelle), starkes Bremsen (zum Beispiel erkannt durch das Herunterdrücken des Bremspedals mit einem bestimmten Ausschlag und/oder eine Längsabbremsung über einer Schwelle), Kreuzungen (zum Beispiel erkennbar durch eine integrierte Gierrate entlang einem Verlauf des Streckenabschnitts, die annähernd 90 Grad beträgt), Verkehrseinmündungssituationen (zum Beispiel erkennbar durch eine seitliche Bewegung und die Geschwindigkeit beim Hinausfahren aus dem Streckenteilabschnitt abzüglich der Geschwindigkeit beim Hineinfahren in den Streckenteilabschnitt über einer Schwelle), die Straßenrauigkeit über einer Schwelle, scharfe Kurven etc.
-
Fahrbeanspruchungs- und Szenariowahrscheinlichkeitslernalgorithmen können während Fahrten in Echtzeit laufen und eine Szenarioerkennung bereitstellen. Falls an einem konkreten Ort (i) ein Leistungsfahrbeanspruchungsszenario oder eine Straßenbedingung erkannt wird, können die GPS-Koordinaten L mit Bezug auf eine anfängliche Wahrscheinlichkeit p
0 gespeichert werden. Dies lässt sich folgendermaßen beschreiben:
wobei n die Anzahl der erkannten Orte ist.
-
Während jeder Fahrt, falls das Fahrzeug durch einen ähnlichen Bereich von GPS-Koordinaten Li fährt und dasselbe Szenario erkannt wurde, gilt Folgendes: Li+1(GPSBreite, GPSLänge)
= α·Li + (1 – α)·p0,
= 1, ... n
-
Ansonsten, falls der WLE unter der Schwelle liegt, gilt Folgendes:
wobei ein abnehmender Faktor ist. In einem anderen Ausführungsbeispiel können für p
0 in der WLE_above_threshold-Gleichung Wahrscheinlichkeitskonstanten gewählt werden, sodass Folgendes gilt:
-
Bei dem in 10 gezeigten beispielhaften Prozess beginnt eine Datenaufzeichnung für einen gegebenen Teilabschnitt 1001. Der GPS-Bereich wird festgesetzt, über welchen die Daten aufgezeichnet werden 1003 (wobei ein Streckenteilabschnitt mit Einfahrts- und Ausfahrtsstellen definiert wird), und die Aufzeichnung beginnt 1005. Eine Fahrzeugfahrtrichtung kann ebenfalls aufgezeichnet werden, sodass zum Beispiel die Informationen mit Bezug auf ein in eine konkrete Richtung fahrendes Fahrzeug abgespeichert werden können. Das heißt, falls Verkehr das Szenario verursacht, kann der Verkehr zu einer konkreten Tageszeit nur in einer Richtung auftreten.
-
Solange sich das Fahrzeug noch innerhalb eines konkreten Koordinatenbereichs befindet, zeichnet der Prozess weiterhin Daten für diesen Koordinatenbereich auf 1009. Sobald das Fahrzeug den Koordinatenbereich verlassen hat, beendet der Prozess die Aufzeichnung 1011 und geht zum nächsten Koordinatensatz über 1013.
-
In diesem Ausführungsbeispiel werden für den Koordinatensatz etliche beispielhafte Fälle von Daten aufgezeichnet. Diese Daten können zum Identifizieren konkreter Szenarios verwendet werden. Sie können auch zum Definieren neuer Szenarios verwendet werden, zum Beispiel falls eine hohe Beanspruchung erkannt wird und für eine solche Beanspruchung momentan kein konkretes Paradigma definiert ist. In diesem Beispiel zeichnet der Prozess die Aktivität eines Fahrers/einer Fahrerin als einen Datensatz auf 1015. Diese kann unter anderem die Lenkung und die Pedalverwendung beinhalten. Zum Beispiel können häufige Verwendungen eines Gas- oder Bremspedals sowie häufige Änderungen der Lenkradrichtung oder eine starke Änderung einer einzelnen Lenkradrichtung auf bestimmte Szenarios mit Schwellen für diese zuvor bestimmten Bedingungen verweisen. Diese Daten können auch verwendet werden, um eine verallgemeinerte hohe Fahrerbeanspruchung zu erkennen.
-
Fahrzeugumgebungsdaten können aufgezeichnet werden 1017, um basierend auf Innenfahrzeugumgebungen zu bestimmen, ob der Fahrer/die Fahrerin wahrscheinlich abgelenkt wird. Dies könnte zum Beispiel darauf zurückführbar sein, dass eine Zahl von Fahrgästen über einer Schwelle liegt oder eine Zahl junger Fahrgäste über einer Schwelle liegt.
-
Außenumgebungsdaten wie unter anderem die Straßenbedingungen, das Wetter, der Verkehr etc. können ebenfalls aufgezeichnet werden 1019. Diese Daten können tendenziell darauf verweisen, ob das Szenario wahrscheinlich konstant (z. B. scharfe Kurve) oder veränderbar (z. B. verkehrsbasiert) ist. Die Daten können auch verwendet werden, um vorherzusagen, ob das Szenario in Zukunft noch einmal auftreten wird oder nicht. Fahrzeugzustände können weiter aufgezeichnet werden, die auf Gierraten, Beschleunigungen, Abbremsungen etc. verweisen können 1021. Diese Daten können auch mit vorher beobachteten Szenarios verglichen werden, um zu bestimmen, ob sich ein gegebenes Szenario demnächst wiederholen wird oder nicht.
-
Falls ein Fahrzeug während dieses Teilabschnitts 523 in einen Parkzustand eintritt, wird auch angenommen, dass die Fahrt vorbei ist. An dieser Stelle werden alle erfassten Daten zur Analyse gesendet 525. In anderen Fällen können die Daten in Echtzeit gesendet werden, oder wenn ein Teilabschnitt geendet hat. Infolge der Erfassung dieser Daten über die Teilabschnitte können wahrscheinliche Szenarios für den Teilabschnitt besser differenziert werden. Eine rekursive Erfassung stellt ein Modell der Daten im Lauf der Zeit bereit. Und Abnahmefaktoren können eingeführt werden, um diese Wahrscheinlichkeit zu verringern, falls die beobachtete Szenariowahrscheinlichkeit geringer wird.
-
11 zeigt ein veranschaulichendes Beispiel für einen Prozess unter Nutzung einer Fahrbeanspruchungsprädiktion. Mit Bezug auf die in dieser Figur beschriebenen Ausführungsbeispiele wird angemerkt, dass ein Mehrzweckprozessor temporär als Spezialprozessor für den Zweck der Ausführung einiger oder aller der hierin gezeigten beispielhaften Verfahren aktiviert werden kann. Wenn Code ausgeführt wird, der Anweisungen zum Durchführen einiger oder aller Schritte des Verfahrens bereitstellt, kann der Prozessor temporär zu einem anderen Zweck, nämlich als Spezialprozessor, eingesetzt werden, bis das Verfahren ganz durchgeführt ist. In einem anderen Beispiel, soweit zweckmäßig, kann Firmware, die gemäß einem vorkonfigurierten Prozessor arbeitet, veranlassen, dass der Prozessor als Spezialprozessor arbeitet, der für den Zweck des Durchführens des Verfahrens oder irgendeiner angemessenen Variante davon bereitgestellt ist.
-
In diesem Ausführungsbeispiel wird der Prozess verwendet, um basierend auf einer bevorstehenden Beanspruchung zu bestimmen, ob die Verwendung einer Anwendung erlaubt werden soll oder nicht. Da eine konkrete Anwendung möglicherweise ein bestimmtes Maß an Aufmerksamkeit eines Fahrers/einer Fahrerin erfordert, über einen bestimmten Zeitraum verwendet wird und bestimmte Dienste erfordert, möchte der Prozess möglicherweise wissen, welche Szenarios bevorstehen.
-
Falls zum Beispiel eine Situation mit hoher Beanspruchung näher kommt, kann der Prozess die Verwendung von Anwendungen einschränken, deren Verwendung allgemein mit der Zeit während der Fahrerbeanspruchung zusammenfallen kann. In anderen Fällen, die nicht gezeigt sind, können basierend auf der vorweggenommenen Beanspruchung bestimmte Dienste implementiert oder Ressourcen zugewiesen werden. Wie bereits gezeigt, können auch Do-Not-Disturb-Funktionen automatisch aktiviert werden.
-
In diesem veranschaulichenden Beispiel empfängt der Prozess eine Anforderung zum Nutzen einer konkreten Anwendung 1101. Basierend auf dieser Anforderung wird eine Schätzung der für die Anwendung erforderlichen Fahrerbeanspruchung bestimmt 1103. Diese könnte zum Beispiel auf einem Grad einer beobachteten Interaktion eines Fahrers/einer Fahrerin (Häufigkeit des Drückens auf einen Button, Menge ausgegebener Informationen etc.) mit der Anwendung bei vorherigen Fällen basieren. Eine Schätzung der Zeit für die Verwendung der Anwendung kann ebenfalls bestimmt werden 1105. Diese kann zum Beispiel auf vorher beobachteten Verwendungsdauern basieren.
-
Basierend auf der Fahrzeuggeschwindigkeit, dem Verkehr, der Fahrtrichtung und/oder der Strecke kann der Prozess auch die wahrscheinlichen Orte des Fahrzeugs während der Verwendungsdauer bestimmen 1107. Diese können verwendet werden, um zu bestimmen, welche Orte für Prädiktionen einer Fahrerbeanspruchung beobachtet werden sollen. Veränderbare Faktoren wie der Verkehr können an diesen Orten präemptiv berücksichtigt werden, und Schätzungen konkreter Szenarios können vorgenommen werden. Mithin können Vorfälle einer wahrscheinlichen hohen Beanspruchung erkannt werden, bevor sie tatsächlich eintreten.
-
In diesem Beispiel greift der Prozess auf gespeicherte Prädiktionsdaten für die identifizierten Orte zu, während die angeforderte Anwendung wahrscheinlich in Verwendung ist 1109. Die Prädiktionsdaten liefern die Grundlage dafür, welche Szenarios für einen gegebenen bevorstehenden Ort mit möglicher hoher Beanspruchung zu berücksichtigen sind. Es kann auch auf Echtzeitdaten zugegriffen werden 1111, welche die Identität des Fahrers/der Fahrerin, Fahrverhaltensdaten, die Fahrzeugumgebung, die Außenumgebung und beliebige andere bekannte Daten, die beim Identifizieren des Szenarios möglicherweise nützlich sind, beinhalten können. Diese Daten können mit den gespeicherten Prädiktionsdaten verglichen werden, um festzustellen, ob eine wahrscheinliche Situation, die eine erhöhte Aufmerksamkeit des Fahrers/der Fahrerin erfordern wird, bevorsteht.
-
Falls zwischen bestehenden Bedingungen und beliebigen der modellierten Szenarios keine Übereinstimmung besteht (z. B. nicht genug positive Daten vorliegen, die auf ein Szenario, wie vorher beobachtet, verweisen), kann der Prozess die Anwendung zulassen 1117. Falls eine Übereinstimmung besteht 1113, kann der Prozess bestimmen, ob eine erhöhte Wahrscheinlichkeit der Aufmerksamkeit des Fahrers/der Fahrerin über einem Schwellenwert liegt 1115. Zum Beispiel kann es angesichts eines momentanen Satzes von Variablen der Fall sein, dass unter diesen Bedingungen nur in 5% der Zeit eine erhöhte Aufmerksamkeit erkannt wird. In einem solchen Fall kann die Anwendung ebenfalls zugelassen werden.
-
Falls hingegen eine Schwellenwahrscheinlichkeit erhöhter Aufmerksamkeitsbeanspruchungen gegeben ist 1115, kann der Prozess die Verwendung der Anwendung verhindern 1119. Oder der Prozess kann in einem anderen Beispiel basierend auf einer prädizierten Szenario-Art bestimmte Ressourcen blockieren oder freigeben, bestimmte Verbindungen vorbereiten oder nach einem anderen zweckmäßigen Verhalten vorgehen. Der Fahrer/die Fahrerin kann auch darüber benachrichtigt werden, welche Aktion ausgeführt wird 1121, damit der Fahrer/die Fahrerin versteht, warum ein bestimmtes Merkmal verhindert oder angestellt wurde.
-
Wenngleich oben beispielhafte Ausführungsformen beschrieben werden, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Ausbildungen der Erfindung beschreiben. Vielmehr sind die in der Patentschrift genutzten Begriffe beschreibende und keine begrenzenden Begriffe, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne vom Gedanken und vom Schutzbereich der Erfindung abzuweichen. Darüber hinaus können die Merkmale verschiedener implementierender Ausführungsformen so kombiniert werden, dass sie weitere Ausführungsformen der Erfindung ausbilden.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- US 6092005 [0004]
- US 6487477 [0005]
-
Zitierte Nicht-Patentliteratur
-
- IEEE 802 PANs [0031]
- IEEE 802 LANs [0031]
- IEEE 802 PANs [0031]
- IEEE 1394 (Firewire) [0034]
- IEEE 1284 (Centronics Port) [0034]