DE102017200180A1

DE102017200180A1 - Verfahren und Testeinheit zur Bewegungsprognose von Verkehrsteilnehmern bei einer passiv betriebenen Fahrzeugfunktion

Info

Publication number: DE102017200180A1
Application number: DE102017200180.1A
Authority: DE
Inventors: Alexander König; Tobias Rehder
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2017-01-09
Filing date: 2017-01-09
Publication date: 2018-07-12

Abstract

Es wird ein Verfahren zur Verifikation und/oder Validierung einer Fahrzeugfunktion beschrieben, die dafür vorgesehen ist, zumindest zeitweise ein Fahrzeug in Längs- und/oder Querrichtung autonom zu führen. Das Verfahren umfasst das Ermitteln, auf Basis von Umfelddaten bezüglich eines Umfelds des Fahrzeugs, einer Test-Steueranweisung der Fahrzeugfunktion an einen Aktuator des Fahrzeugs. Außerdem umfasst das Verfahren das Simulieren, auf Basis von Umfelddaten und unter Verwendung eines Verkehrsteilnehmer-Modells bezüglich zumindest eines Verkehrsteilnehmers im Umfeld des Fahrzeugs, einer fiktiven Verkehrssituation, die vorliegen würde, wenn die Test-Steueranweisung umgesetzt worden wäre. Das Verfahren umfasst ferner das Bereitstellen von Testdaten in Bezug auf die fiktive Verkehrssituation.

Description

Die Erfindung betrifft ein Verfahren und eine entsprechende Testeinheit zur Validierung, Überprüfung und/oder Verifizierung der Funktionen eines Fahrerassistenzsystems (FAS) eines Kraftfahrzeugs und/oder eines Systems, das hochautomatisiertes Fahren (HAF) eines Kraftfahrzeugs ermöglicht. Insbesondere betrifft die Erfindung die Prognose der Bewegung eines benachbarten Verkehrsteilnehmers des Kraftfahrzeugs.
Fahrerassistenzsysteme (FAS), wie z.B. ein Stauassistent oder ein adaptiver Geschwindigkeitsregler (ACC), und/oder Funktionen für das hochautomatisierte Fahren (HAF) können mit Hilfe von diversen Überprüfungsmethoden verifiziert bzw. validiert werden. Dabei können insbesondere Hardware-in-the-Loop Verfahren, Software-in-the-Loop Verfahren, Simulationen und/oder Testfahrten verwendet werden.
Der Aufwand (insbesondere der Zeit- und/oder Kostenaufwand) zum Testen von derartigen Fahrzeugfunktionen unter Verwendung der oben genannten Überprüfungsmethoden ist dabei typischerweise sehr hoch, da eine große Anzahl von potentiell möglichen Fahrsituationen getestet werden muss. Dies kann insbesondere zu einem hohen Aufwand für Testfahrten führen. Anderseits kann mit Simulationen das tatsächliche Verhalten von unterschiedlichen Fahrzeug-Führern in realen Verkehrssituationen nur bedingt abgebildet werden.
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, ein Verfahren und eine entsprechende Testeinheit bereitzustellen, durch die eine Kosten- und Zeit-effektive und gleichzeitig zuverlässige Verifikation und/oder Validierung von Fahrzeugfunktionen ermöglicht wird, insbesondere eine Verifikation und/oder Validierung von Fahrzeugfunktionen, bei denen über einen relativ langen Zeitraum (z.B. von ein oder mehreren Sekunden) eine autonome Längs- und/oder Querführung des Fahrzeugs erfolgt.
Die Aufgabe wird durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben.
Gemäß einem Aspekt wird ein Verfahren zur Verifizierung und/oder Validierung einer Fahrzeugfunktion beschrieben. Die Fahrzeugfunktion ist dafür vorgesehen, zumindest zeitweise ein Fahrzeug (insbesondere ein, ggf. mehrspuriges, Straßenkraftfahrzeug) in Läng- und/oder Querrichtung autonom zu führen. Insbesondere kann die Fahrzeugfunktion dafür vorgesehen sein, die Längs- und/oder Querführung des Fahrzeugs über einen Zeitraum von mindestens 1, 2, 5, 10 oder mehr Sekunden autonom zu führen. Beispielsweise kann die Fahrzeugfunktion eine teil-automatisierte-Fahren (TAF) oder eine hochautomatisiertes-Fahren (HAF)-Funktion umfassen.
Das Verfahren umfasst das Ermitteln, auf Basis von Umfelddaten bezüglich eines Umfelds des Fahrzeugs, einer Test-Steueranweisung der Fahrzeugfunktion an (zumindest) einen Aktuator des Fahrzeugs. Die Test-Steueranweisung kann derart sein, dass sie an einem ersten Zeitpunkt t₀ durch den Aktuator umzusetzen wäre.
Die Test-Steueranweisung kann auf Basis von Umfelddaten ermittelt werden, die in einem Vor-Zeitraum vor dem ersten Zeitpunkt durch ein oder mehrere Umfeldsensoren des Fahrzeugs erfasst wurden. Dabei kann der Vor-Zeitraum eine vorbestimmte Dauer (z.B. ein oder mehrere Sekunden) aufweisen. Die Umfelddaten, die die Fahrzeugfunktion veranlasst haben, die Test-Steueranweisung zu ermitteln, können in einer Speichereinheit des Fahrzeugs zwischengespeichert (und ggf. als Testdaten bereitgestellt) werden.
Die Umfelddaten können anhand von ein oder mehreren Umfeldsensoren des Fahrzeugs (z.B. von einer Kamera, einem Radarsensor, einem Ultraschallsensor, einem LIDAR-Sensor, etc.) erfasst werden. Alternativ oder ergänzend können die Umfelddaten auf Basis von ein oder mehreren V2X- Nachrichten, d.h. Vehicle-to-Infrastructure bzw. Vehicle-to-Vehicle Nachrichten, ermittelt werden. Der (zumindest) eine Aktuator kann eine Lenkvorrichtung des Fahrzeugs, einen Antriebsmotor und/oder eine Bremse (z.B. eine Reibbremse oder eine elektrische Maschine) umfassen. Die Test-Steueranweisung kann darauf ausgerichtet sein, eine Längs- und/oder Querbeschleunigung bzw. Verzögerung des Fahrzeugs zu bewirken.
Die Fahrzeugfunktion kann zum Ermitteln der Test-Steueranweisung passiv im Fahrzeug betrieben werden, so dass durch den Aktuator keine Test-Steueranweisung der Fahrzeugfunktion umgesetzt werden kann. Insbesondere kann das Fahrzeug derart eingerichtet sein, dass die ein oder mehreren Funktionen der zu verifizierenden Fahrzeugfunktion manuell durch einen Fahrer des Fahrzeugs übernommen werden (und nicht durch die zu verifizierende Fahrzeugfunktion). Die Test-Steueranweisungen zeigen somit an, wie sich die Fahrzeugfunktion in einer bestimmten Verkehrssituation auf Basis der Umfelddaten verhalten hätte. Die tatsächlichen Steueranweisungen an die ein oder mehreren Aktuatoren des Fahrzeugs werden hingegen durch Eingaben des Fahrers des Fahrzeugs bewirkt. Der passive Betrieb einer Fahrzeugfunktion kann typischerweise in Kosten-effizienter Weise in einem Fahrzeug umgesetzt werden.
Das Verfahren kann weiter umfassen, das Ermitteln, dass der Fahrer des Fahrzeugs eine, von der Test-Steueranweisung abweichende, tatsächliche Steueranweisung tätigt, die von dem Aktuator tatsächlich umgesetzt wird. Mit anderen Worten, es kann ermittelt werden, dass der Fahrer des Fahrzeugs das Fahrzeug anders in Längs- und/oder in Querrichtung führt, als dies die Fahrzeugfunktion tun würde. Dies kann ein Anzeichen dafür sein, dass die Fahrzeugfunktion möglicherweise einen Fehler aufweist.
Das Ermitteln, dass ein Fahrer des Fahrzeugs eine, von der Test-Steueranweisung abweichende, tatsächliche Steueranweisung tätigt, kann z.B. umfassen, das Ermitteln einer fiktiven Trajektorie des Fahrzeugs, die durch die Test-Steueranweisung bewirkt worden wäre, sowie das Ermitteln einer tatsächlichen Trajektorie des Fahrzeugs, die durch die tatsächliche Steueranweisung bewirkt wird. Es kann dann die fiktive Trajektorie mit der tatsächlichen Trajektorie verglichen werden. Ergibt sich eine Abweichung der fiktiven Trajektorie von der tatsächlichen Trajektorie (eine Abweichung, die z.B. außerhalb eines vordefinierten Toleranzbereichs liegt), so kann daraus geschlossen werden, dass der Fahrer des Fahrzeugs eine, von der Test-Steueranweisung abweichende, tatsächliche Steueranweisung tätigt.
Alternativ oder ergänzend kann das Ermitteln, dass der Fahrer des Fahrzeugs eine, von der Test-Steueranweisung abweichende, tatsächliche Steueranweisung tätigt, umfassen, das Ermitteln, ob sich für zumindest einen Verkehrsteilnehmer in der Umgebung des Fahrzeugs bei Umsetzung der Test-Steueranweisung eine (signifikant) andere Situation ergeben würde als bei Umsetzung der tatsächlichen Steueranweisung. Mit anderen Worten, es kann ermittelt werden, ob das Fahrzeug (d.h. das Ego-Fahrzeug) einen anderen Verkehrsteilnehmer bei Durchführung der Test-Steueranweisung anders beeinflussen würde als bei Durchführung der tatsächlichen Steueranweisung. Zu diesem Zweck kann die tatsächliche Situation für einen Verkehrsteilnehmer (bei Umsetzung der tatsächlichen Steueranweisung) mit einer fiktiven Situation für den Verkehrsteilnehmer (bei Umsetzung der Test-Steueranweisung) verglichen werden. Insbesondere kann ein Abstandsmaß zwischen der tatsächlichen Situation und der fiktiven Situation ermittelt werden.
Beispielsweise kann die tatsächliche Situation die tatsächliche Position und/oder die tatsächliche Fahrgeschwindigkeit des Fahrzeugs nach Umsetzung der tatsächlichen Steueranweisung umfassen. Die fiktive Situation kann die Position und/oder die Fahrgeschwindigkeit anzeigen, die das Fahrzeug nach Umsetzung der Test-Steueranweisung aufweisen würde. Nach Ermittlung des Abstandsmaßes kann ermittelt werden, ob das Abstandsmaß gleich wie oder größer als ein vordefinierter Abstands-Schwellenwert ist. Wenn dies der Fall ist, so kann bestimmt werden, dass sich für diesen Verkehrsteilnehmer bei Umsetzung der Test-Steueranweisung eine (signifikant) andere Situation bzw. eine (signifikant) andere Form der Beeinflussung ergeben hätte.
Liegt eine (signifikante) Abweichung der Beeinflussung eines anderen Verkehrsteilnehmers vor, so kann bestimmt werden, dass der Fahrer des Fahrzeugs eine, von der Test-Steueranweisung abweichende, tatsächliche Steueranweisung tätigt. Der andere Verkehrsteilnehmer in der Umgebung des Fahrzeugs kann z.B. ein anderes Fahrzeug oder einen Fußgänger umfassen.
Das Verfahren umfasst weiter, das Simulieren, auf Basis von Umfelddaten, einer fiktiven Verkehrssituation, die vorliegen würde, wenn anstelle der tatsächlichen Steueranweisung die Test-Steueranweisung umgesetzt worden wäre. Diese Simulation kann insbesondere in Bezug auf die ein oder mehreren Verkehrsteilnehmer erfolgen, für die die Test-Steueranweisung eine veränderte Beeinflussung bewirkt hätte. Zu diesem Zweck kann (auf Basis der Umfelddaten) ein Verkehrsteilnehmer in der Umgebung des Fahrzeugs detektiert und identifiziert werden. Des Weiteren kann das fiktive Verhalten des Verkehrsteilnehmers simuliert werden (insbesondere anhand eines Verkehrsteilnehmer-Modells), das (mit einer bestimmten Wahrscheinlichkeit) vorliegen würde, wenn das Fahrzeug die Test-Steueranweisung umgesetzt hätte. Aus dem simulierten fiktiven Verhalten der ein oder mehreren detektieren (und ggf. identifizierten) Verkehrsteilnehmer in der Umgebung des Fahrzeugs kann sich dann die fiktive Verkehrssituation ergeben.
Die fiktive Verkehrssituation kann auf Basis von Umfelddaten ermittelt werden, die in einem Nach-Zeitraum nach dem ersten Zeitpunkt t₀ erfasst wurden. Der Nach-Zeitraum kann dabei eine vorbestimmte Dauer (von ein oder mehreren Sekunden) aufweisen. Die vorbestimmte Dauer kann von der Fahrgeschwindigkeit des Fahrzeugs abhängen. Dabei wird die vorbestimmte Dauer bevorzugt so gewählt, dass die ermittelte fiktive Verkehrssituation einen unmittelbaren Zusammenhang mit der Test-Steueranweisung hat. Insbesondere wird die vorbestimmte Dauer typischerweise ausreichend kurz gewählt, um nur solche fiktiven Verkehrs situationen zu ermitteln, die direkt auf das mit der Test-Steueranweisung zusammenhängende Verhalten des Fahrzeugs zurückzuführen sind.
Es kann somit insbesondere unter Verwendung eines Verkehrsteilnehmer-Modells bezüglich zumindest eines Verkehrsteilnehmers im Umfeld des Fahrzeugs eine fiktive Verkehrssituation ermittelt werden. Dabei kann anhand des Verkehrsteilnehmer-Modells eines Verkehrsteilnehmers insbesondere das fiktive Verhalten des Verkehrsteilnehmers in Reaktion auf die durch die Test-Steueranweisung bewirkte Aktion des Fahrzeugs prädiziert bzw. prognostiziert werden. Das Verkehrsteilnehmer-Modell kann insbesondere ein künstliches neuronales Netz und/oder ein Bayes'sches Netz umfassen. Das Verkehrsteilnehmer-Modell kann im Rahmen einer Trainingsphase mit Trainingsdaten angelernt worden sein. Durch die Berücksichtigung von Verkehrsteilnehmer-Modellen für die ein oder mehreren benachbarten Verkehrsteilnehmer des Fahrzeugs kann das fiktive Verhalten der Verkehrsteilnehmer und damit die fiktive Verkehrssituation in effizienter und präziser Weise ermittelt werden. Es wird somit eine zuverlässige Verifikation von Fahrzeugfunktionen ermöglicht.
Das Verfahren kann umfassen, das Detektieren, auf Basis von Umfelddaten, eines ersten Verkehrsteilnehmers im Umfeld des Fahrzeugs. Insbesondere kann ein erster Verkehrsteilnehmer detektiert werden, der sich am ersten Zeitpunkt t₀ oder im Nach-Zeitraum im Umfeld des Fahrzeugs befindet. Es kann dann auf Basis von Umfelddaten, ein Verkehrsteilnehmer-Modell für den ersten Verkehrsteilnehmer aus einer Mehrzahl von unterschiedlichen Verkehrsteilnehmer-Modellen ausgewählt werden. Dabei kann die Mehrzahl von unterschiedlichen Verkehrsteilnehmer-Modellen im Vorfeld trainiert worden sein. Die Mehrzahl von unterschiedlichen Verkehrsteilnehmer-Modellen kann eine entsprechende Mehrzahl von unterschiedlichen Typen von Verkehrsteilnehmern beschreiben. Mit anderen Worten, ein Verkehrsteilnehmer-Modell kann das (Fahr-) Verhalten eines Verkehrsteilnehmers beschreiben, wobei ein Modell typischerweise Modellunsicherheiten gemäß der Trainingsdaten aufweist, die zur Erstellung eines Modells verwendet wurden. Des Weiteren kann ein allgemeines (gemitteltes) Verkehrsteilnehmer-Modell für eine Mischung der Typen von Verkehrsteilnehmern bereitgestellt werden. Beispielhafte Typen von Verkehrsteilnehmern sind: ein Fahrzeug mit einem Fahrer mit passivem Fahrverhalten, ein Fahrzeug mit einem sportlichen Fahrer, ein Fußgänger, ein Motorrad, ein Fahrrad, etc.
Das Verkehrsteilnehmer-Modell für den ersten Verkehrsteilnehmer kann derart ausgewählt werden, dass das Verkehrsteilnehmer-Modell möglichst gut das tatsächliche Verhalten des ersten Verkehrsteilnehmers beschreibt, wobei das tatsächliche Verhalten auf Basis von Umfelddaten des Fahrzeugs ermittelt werden kann. Es kann dann auf Basis des ausgewählten Verkehrsteilnehmer-Modells das fiktive Verhalten des ersten Verkehrsteilnehmers für den Fall prädiziert bzw. prognostiziert werden, dass die Test-Steueranweisung umgesetzt worden wäre. So wird eine präzise Prognose der (fiktiven) Bewegung eines benachbarten (ersten) Verkehrsteilnehmers ermöglicht.
Das Verkehrsteilnehmer-Modell für einen Verkehrsteilnehmer kann eingerichtet sein, Eingangsdaten (z.B. einem Eingangsvektor) entsprechende Ausgangsdaten (z.B. einen Ausgangsvektor) zuzuordnen. Die Eingangsdaten können dabei Werte von ein oder mehrere Messgrößen zur Beschreibung einer Verkehrssituation anzeigen, in der sich der Verkehrsteilnehmer befindet. Die Messgrößen können Information in Bezug auf eine absolute Fahrgeschwindigkeit des Verkehrsteilnehmers; in Bezug auf eine relative Fahrgeschwindigkeit des Verkehrsteilnehmers relativ zu einem anderen Verkehrsteilnehmer; in Bezug auf einen Abstand des Verkehrsteilnehmers zu einem anderen Verkehrsteilnehmer; und/oder in Bezug auf eine Geschwindigkeitsbegrenzung anzeigen.
Die von dem Verkehrsteilnehmer-Modell für einen Verkehrsteilnehmer bereitgestellten Ausgangsdaten können ein Verhalten des Verkehrsteilnehmers bei der durch die Eingangsdaten beschriebenen Verkehrssituation anzeigen. Das Verhalten des Verkehrsteilnehmers kann z.B. ein Verbleiben auf einer Fahrspur und/oder ein Wechseln der Fahrspur umfassen. Somit kann durch ein Verkehrsteilnehmer-Modell in präziser und robuster Weise die Bewegung eines Verkehrsteilnehmers prognostiziert werden.
Das Auswählen eines Verkehrsteilnehmer-Modells für den ersten Verkehrsteilnehmer kann umfassen, das Ermitteln, auf Basis von Umfelddaten, zumindest eines Verkehrsteilnehmer-Datensatzes, der ein tatsächliches Verhalten des ersten Verkehrsteilnehmers bei einer tatsächlichen Verkehrssituation beschreibt. Dabei umfasst ein Verkehrsteilnehmer-Datensatz ein Paar aus tatsächlichen Eingangsdaten und tatsächlichen Ausgangsdaten. Die tatsächlichen Eingangsdaten und die tatsächlichen Ausgangsdaten für eine tatsächliche Verkehrssituation können auf Basis von Umfelddaten des Fahrzeugs ermittelt werden. Insbesondere können tatsächliche Werte für die ein oder mehrere Messgrößen ermittelt werden. Des Weiteren kann ermittelt werden, wie sich der erste Verkehrsteilnehmer tatsächlich verhalten hat.
Es kann dann ein Gütemaß für jedes der Mehrzahl von Verkehrsteilnehmer-Modellen ermittelt werden. Das Gütemaß für ein Verkehrsteilnehmer-Modell kann die Wahrscheinlichkeit dafür anzeigen, das das Verkehrsteilnehmer-Modell den tatsächlichen Eingangsdaten die tatsächlichen Ausgangsdaten des zumindest einen Verkehrsteilnehmer-Datensatzes zugeordnet hätte. Alternativ oder ergänzend kann das Gütemaß für ein Verkehrsteilnehmer-Modell einen Abstand von prädizierten Ausgangsdaten, die das Verkehrsteilnehmer-Modell den tatsächlichen Eingangsdaten zuordnet, zu den tatsächlichen Ausgangsdaten anzeigen.
Es kann dann auf Basis der Werte des Gütemaßes für die Vielzahl von Verkehrsteilnehmer-Modellen ein Verkehrsteilnehmer-Modell für den ersten Verkehrsteilnehmer ausgewählt werden. Insbesondere kann das Verkehrsteilnehmer-Modell ausgewählt werden, das einen optimalen Wert des Gütemaßes liefert. Durch die Auswahl eines geeigneten Verkehrsteilnehmer-Modells wird eine präzise Prognose der fiktiven Bewegung der ein oder mehreren benachbarten Verkehrsteilnehmer eines Fahrzeugs bei Umsetzung einer Test-Steueranweisung ermöglicht.
Wie bereits oben dargelegt, kann die Test-Steueranweisung für einen ersten Zeitpunkt t₀ ermittelt werden. Zumindest ein Verkehrsteilnehmer-Datensatz (der für die Auswahl eines Verkehrsteilnehmer-Modells verwendet wird) kann auf Basis von Umfelddaten für den Vor-Zeitraum vor dem Zeitpunkt t₀ ermittelt werden. Des Weiteren kann zumindest ein Verkehrsteilnehmer-Datensatz (der für die Auswahl eines Verkehrsteilnehmer-Modells verwendet wird) auf Basis von Umfelddaten für den Nach-Zeitraum nach dem Zeitpunkt t₀ ermittelt werden. Durch die Berücksichtigung einer Vielzahl von Verkehrsteilnehmer-Datensätzen über einen relativ langen Zeitraum kann die Güte des ausgewählten Verkehrsteilnehmer-Modells zur Beschreibung des Verhaltens eines Verkehrsteilnehmers erhöht werden, was wiederum die Qualität von prognostizierten (fiktiven) Bewegungen des Fahrzeugs erhöht.
Das Simulieren einer fiktiven Verkehrssituation kann umfassen, das Ermitteln von fiktiven Werten der ein oder mehreren Messgrößen als fiktive Eingangsdaten, für den Fall, dass die Test-Steueranweisung umgesetzt worden wäre. Die fiktive Verkehrs situation, insbesondere das fiktive Verhalten und/oder die fiktive Trajektorie des Fahrzeugs, kann durch fiktive Eingangsdaten beschrieben werden. Es können dann auf Basis des Verkehrsteilnehmer-Modells eines Verkehrsteilnehmers und auf Basis der fiktiven Eingangsdaten fiktive Ausgangsdaten ermittelt werden. Dabei beschreiben die fiktiven Ausgangsdaten das fiktive Verhalten des Verkehrsteilnehmers im Rahmen der fiktiven Verkehrs situation.
Außerdem kann das Verfahren umfassen, das Bestimmen, ob die fiktive Verkehrssituation ein relevantes Ereignis für einen Verkehrsteilnehmer in der Umgebung des Fahrzeugs oder für das Fahrzeug darstellt. Insbesondere kann bestimmt werden, ob die fiktive Verkehrssituation innerhalb des Nach-Zeitraums nach dem ersten Zeitpunkt ein relevantes Ereignis für einen Verkehrsteilnehmer in der Umgebung des Fahrzeugs oder für das Fahrzeug selbst darstellt. Das relevante Ereignis kann insbesondere eine Gefahrensituation und/oder eine kritische Situation für einen Verkehrsteilnehmer und/oder für das Fahrzeug selbst umfassen. Es kann somit ermittelt werden, ob die Test-Steueranweisung (innerhalb eines Nach-Zeitraums nach Ausführung der Test-Steueranweisung) zu einem relevanten Ereignis für einen Verkehrsteilnehmer oder für das Fahrzeug selbst geführt hätte.
Das Verfahren kann weiter umfassen, das Bereitstellen von Testdaten in Bezug auf die fiktive Verkehrssituation, insbesondere dann wenn bestimmt wurde, dass die fiktive Verkehrssituation ein relevantes Ereignis für einen Verkehrsteilnehmer in der Umgebung des Fahrzeugs oder für das Fahrzeug selbst darstellt. Die Testdaten können dabei insbesondere die Umfelddaten umfassen, die im Vor-Zeitraum und im Nach-Zeitraum erfasst wurden. Dabei kann das Bereitstellen der Testdaten umfassen, das Speichern der Testdaten auf einer Speichereinheit des Fahrzeugs (so dass die Testdaten z.B. bei einer Wartung des Fahrzeugs, ausgelesen werden können). Alternativ oder ergänzend kann das Bereitstellen der Testdaten umfassen, das Senden der Testdaten über eine drahtlose Kommunikationseinheit des Fahrzeugs an einen Server.
Das beschriebene Verfahren ermöglicht somit die Verifizierung und/oder Validierung einer Fahrzeugfunktion im normalen (manuellen) Betrieb eines Fahrzeugs. Somit kann eine Kosten- und Zeit-effiziente Verifizierung und/oder Validierung der Fahrzeugfunktion erfolgen, da keine dedizierten Testfahrten erforderlich sind. Vielmehr kann das Verifizierungs- und/oder Validierungs-Verfahren in Fahrzeugen ausgeführt werden, die sich im normalen Betrieb befinden. Des Weiteren kann insbesondere bei Berücksichtigung von Verkehrsteilnehmer-Modellen eine zuverlässige, präzise und umfassende Verifizierung und/oder Validierung einer Fahrzeugfunktion mit realen Verkehrsdaten erfolgen.
Die Testdaten können bevorzugt nur dann bereitgestellt werden, wenn bestimmt wurde, dass die fiktive Verkehrssituation ein relevantes Ereignis für einen Verkehrsteilnehmer in der Umgebung des Fahrzeugs oder für das Fahrzeug selbst darstellt. Insbesondere können keine Testdaten bereitgestellt werden (d.h. die Testdaten können verworfen werden), wenn bestimmt wurde, dass die fiktive Verkehrs situation kein relevantes Ereignis für einen Verkehrsteilnehmer in der Umgebung des Fahrzeugs oder für das Fahrzeug selbst darstellt. Es werden somit nur dann Testdaten bereitgestellt, wenn Anzeichen dafür bestehen, dass eine Fehlfunktion der Fahrzeugfunktion vorliegt. Somit kann die Menge an Testdaten substantiell reduziert werden, wodurch die Kosten für die Verifizierung und/oder Validierung der Fahrzeugfunktion weiter reduziert werden können. Insbesondere kann so eine effiziente Bereitstellung des beschriebenen Verifizierungs-und/oder Validierungs-Verfahrens in einer normal genutzten Fahrzeug-Flotte ermöglicht werden.
Gemäß einem weiteren Aspekt wird eine Testeinheit (z.B. ein Steuergerät) für ein Fahrzeug beschrieben. Die Testeinheit ist eingerichtet, auf Basis von Umfelddaten bezüglich eines Umfelds des Fahrzeugs eine Test-Steueranweisung einer Fahrzeugfunktion für (zumindest) einen Aktuator des Fahrzeugs zu ermitteln. Dabei ist die Fahrzeugfunktion dafür vorgesehen, zumindest zeitweise das Fahrzeug in Läng- und/oder Querrichtung autonom zu führen. Die Testeinheit ist weiter eingerichtet, auf Basis von Umfelddaten und unter Verwendung eines Verkehrsteilnehmer-Modells bezüglich zumindest eines Verkehrsteilnehmers im Umfeld des Fahrzeugs, eine fiktive Verkehrssituation zu simulieren, die vorliegen würde, wenn die Test-Steueranweisung umgesetzt worden wäre. Außerdem ist die Testeinheit eingerichtet, Testdaten in Bezug auf die fiktive Verkehrs situation bereitzustellen.
Gemäß einem weiteren Aspekt wird ein Fahrzeug (insbesondere ein Straßenkraftfahrzeug z.B. ein Personenkraftwagen, ein Lastkraftwagen oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Testeinheit umfasst.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen

1 beispielhafte Komponenten eines Fahrzeugs;
2 eine beispielhafte Fahrsituation, für die Testdaten bereitgestellt werden;
3 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Verifizierung und/oder Validierung einer autonomen Fahrzeugfunktion;
4a ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung von Verkehrsteilnehmer-Modellen; und
4b ein Ablaufdiagramm eines beispielhaften Verfahrens zur Prognose des Verhaltens bzw. der Bewegung eines Verkehrsteilnehmers.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der technischen Aufgabe, Fahrzeugfunktionen, die zumindest zeitweise eine autonome Quer- und/oder Längsführung eines Fahrzeugs übernehmen, (in diesem Dokument auch als autonome Fahrzeugfunktionen bezeichnet) in effizienter und umfassender Weise zu verifizieren. In diesem Zusammenhang zeigt 1 beispielhafte Komponenten eines Fahrzeugs 100 (in diesem Dokument auch als Ego-Fahrzeug 100 bezeichnet).
Das Ego-Fahrzeug 100 umfasst eine autonome Fahrzeugfunktion 105, die eingerichtet ist, zumindest für ein bestimmtes Zeitintervall die Querführung und/oder die Längsführung des Fahrzeugs 100 in autonomer Weise zu übernehmen. Zu diesem Zweck ermittelt die autonome Fahrzeugfunktion 105 Umfelddaten 112 von ein oder mehreren Umfeldsensoren 102 (z.B. ein oder mehrere Kameras, ein oder mehrere Radarsensoren, ein oder mehrere Ultraschallsensoren, ein oder mehrere LIDAR-Sensoren, etc.) des Ego-Fahrzeugs 100. Des Weiteren ermittelt die autonome Fahrzeugfunktion 105 Steueranweisungen 115 für ein oder mehrere Aktuatoren 106 (z.B. für eine Lenkvorrichtung, für einen Antriebsmotor, für eine Bremse, etc.) des Ego-Fahrzeugs 100.
In dem dargestellten Ego-Fahrzeug 100 wird die Fahrzeugfunktion 105 in passiver Weise betrieben. Das heißt, dass die Fahrzeugfunktion 105 zwar Steueranweisungen 115 für ein oder mehrere Aktuatoren 106 des Fahrzeugs 100 ermittelt, diese Steueranweisungen 115 jedoch nicht zur Steuerung der ein oder mehreren Aktuatoren 106 verwendet werden. Stattdessen werden die Steueranweisungen 115 an eine Testeinheit 101 (die z.B. einen Prozessor umfasst) weitergeleitet. Diese, nicht umgesetzten, Steueranweisungen 115 werden in diesem Dokument auch als Test-Steueranweisungen 115 bezeichnet.
Das Ego-Fahrzeug 100 wird somit ohne die Fahrzeugfunktion 105 geführt. Die Funktion der passiv ablaufenden Fahrzeugfunktion 105 wird stattdessen von dem Fahrer des Fahrzeugs 100 übernommen. Zu diesem Zweck kann der Fahrer Eingaben über Steuermittel 103 (z.B. über ein Lenkrad, über ein Fahrpedal, über ein Bremspedal, etc.) des Fahrzeugs 100 tätigen. Diese Eingaben über die Steuermittel 103 bewirken Steueranweisungen 113, die an die ein oder mehreren Aktuatoren 106 des Fahrzeugs 100 geleitet werden, um das Fahrzeug 100 zu führen. Diese Steueranweisungen 113 werden in diesem Dokument auch als tatsächliche Steueranweisungen bezeichnet. Auch die tatsächlichen Steueranweisungen 113 werden der Testeinheit 101 bereitgestellt.
Die Testeinheit 101 kann zu jedem Zeitpunkt t₀ eine Test-Steueranweisung 115 der passiven Fahrzeugfunktion 105 mit einer entsprechenden tatsächlichen Steueranweisung 113 des Fahrers vergleichen. Wenn die Test-Steueranweisung 115 mit der tatsächlichen Steueranweisung 113 übereinstimmt (bzw. eine Abweichung innerhalb eines vordefinierten Toleranzbereichs liegt), so kann davon ausgegangen werden, dass sich die Fahrzeugfunktion 105 Fahrer-konform verhält. Andererseits kann eine Abweichung der Test-Steueranweisung 115 von der tatsächlichen Steueranweisung 113 (die ggf. außerhalb des vordefinierten Toleranzbereichs liegt) auf ein mögliches Fehlverhalten der Fahrzeugfunktion 105 hindeuten.
Die Testeinheit 101 ist eingerichtet, insbesondere bei Vorliegen einer abweichenden Test-Steueranweisung 115 eine fiktive Verkehrssituation zu simulieren, die vorliegen würde, wenn die ein oder mehreren Aktuatoren 106 des Ego-Fahrzeugs 100 die Test-Steueranweisung 115 umgesetzt hätten. Die fiktive Verkehrs situation kann auf Basis der Umfelddaten 112 ermittelt werden, die nach dem Zeitpunkt t₀ durch die ein oder mehreren Umfeldsensoren 102 erfasst werden.
2 zeigt eine beispielhafte Verkehrssituation. Das Ego-Fahrzeug 100 fährt auf einer zweispurigen Fahrbahn 200 (z.B. auf einer Autobahn) und nähert sich einem relativ langsam fahrenden Vorder-Fahrzeug 201 (als Beispiel für einen anderen Verkehrsteilnehmer). Die Fahrzeugfunktion 105 kann diese Situation auf Basis der Umfelddaten 102 erkennen und zum Zeitpunkt t₀ eine Test-Steueranweisung 115 ermitteln. In dem dargestellten Beispiel würde durch die Test-Steueranweisung 115 ein Spurwechsel 215 des Ego-Fahrzeugs 100 auf die Überholspur der Fahrbahn 200 bewirkt.
Zum gleichen Zeitpunkt t₀ veranlasst der Fahrer des Ego-Fahrzeugs 100 eine tatsächliche Steueranweisung 113, durch die bewirkt wird, dass das Ego-Fahrzeug 100 auf der gleichen Fahrspur verbleibt und hinter dem Vorder-Fahrzeug 201 abbremst (Pfeil 213). Die Testeinheit 101 erkennt, dass die tatsächliche Steueranweisung 113 von der Test-Steueranweisung 115 abweicht. In Folge daraus, beginnt die Testeinheit 101 mit der Simulation einer fiktiven Verkehrssituation, die vorliegen würde, wenn das Ego-Fahrzeug 100 zum Zeitpunkt t₀ der Test-Steueranweisung 115 gefolgt wäre.
Auf der Überholspur fährt in dem in 2 dargestellten Szenario ein überholendes Fahrzeug 202 (als weiteres Beispiel für einen anderen Verkehrsteilnehmer). Die Testeinheit 101 kann auf Basis der Umfelddaten 112 das überholende Fahrzeug 202 detektieren. Insbesondere kann z.B. eine Fahrgeschwindigkeit des überholenden Fahrzeugs 202 ermittelt werden. Des Weiteren kann durch die Testeinheit 101 simuliert werden, wie sich das überholende Fahrzeug 202 ab dem Zeitpunkt t₀ verhalten hätte, wenn das Ego-Fahrzeug 100 gemäß der Test-Steueranweisung 115 auf die Überholspur gewechselt wäre. Beispielsweise könnte ermittelt werden, dass das Ego-Fahrzeug 100 das überholende Fahrzeug 202 aufgrund des Spurwechsels zu einem relativ starken Abbremsmanöver gezwungen hätte. Dies könnte z.B. durch Betrachtung der relativen Fahrgeschwindigkeiten des Ego-Fahrzeugs 100 und des überholenden Fahrzeugs 202 ermittelt werden.
Es kann somit simuliert werden, ob die Umsetzung der Test-Steueranweisung 115 nach dem Zeitpunkt t₀ (ggf. unmittelbar) zu einer Gefahrensituation für das Ego-Fahrzeug 100 und/oder für einen anderen Verkehrsteilnehmer 202 geführt hätte. Ist dies nicht der Fall, so kann davon ausgegangen werden, dass die Fahrzeugfunktion 105 eine alternative, aber sichere und korrekte, Test-Steueranweisung 115 ermittelt hat.
Wird andererseits ermittelt, dass die Test-Steueranweisung 115 (unmittelbar) zu einer Gefahrensituation geführt hätte, so kann dies ein Hinweis auf eine mögliche Fehlfunktion der Fahrzeugfunktion 105 sein. Die Testeinheit 101 ist eingerichtet, insbesondere in diesem Fall Testdaten 114 bereitzustellen, die es ermöglichen, in Nachgang (d.h. offline) das Verhalten der Fahrzeugfunktion 105 in Bezug auf die kritische Verkehrssituation zu überprüfen. Die Testdaten 114 können dabei umfassen:

• Umfelddaten 112 für ein bestimmtes Zeitintervall (in diesem Dokument auch als Vor-Zeitraum bezeichnet) vor dem Zeitpunkt t₀, die die Fahrzeugfunktion 105 dazu verwendet hat, die Test-Steueranweisung 115 zu ermitteln;
• Fahrzeugdaten bzgl. des Ego-Fahrzeugs 100 für das bestimmte Zeitintervall vor dem Zeitpunkt t₀ (z.B. die Fahrgeschwindigkeit); und/oder
• Umfelddaten 112 für ein bestimmtes Zeitintervall (in diesem Dokument auch als Nach-Zeitraum bezeichnet) ab dem Zeitpunkt t₀, wobei die Umfelddaten 112 von der Testeinheit 101 dazu verwendet wurden, das Vorliegen eines relevanten Ereignisses (z.B. einer Gefahrensituation) zu simulieren.

Die Testdaten 114 können auf einer Speichereinheit 104 des Ego-Fahrzeugs 100 gespeichert und so für Testzwecke der Fahrzeugfunktion 105 bereitgestellt werden. Der passive Betrieb einer Fahrzeugfunktion 105 kann dabei auch in Ego-Fahrzeugen 100 durchgeführt werden, die sich im Normalbetrieb befinden. Das Auslesen der Testdaten 114 kann dann im Rahmen einer regelmäßigen (z.B. jährlichen) Wartung eines Ego-Fahrzeugs 100 erfolgen. Somit kann der Aufwand für dedizierte Testfahrten mit einer aktiven Fahrzeugfunktion 105 für die umfassende Verifikation einer Fahrzeugfunktion 105 reduziert werden.
Des Weiteren ermöglicht es die Simulation einer fiktiven Verkehrssituation bei Vorliegen einer Abweichung zwischen Test-Steueranweisung 115 und tatsächlicher Steueranweisung 113, (vereinzelte) relevante Verkehrssituationen zu identifizieren und nur für diese relevanten Verkehrssituationen Testdaten 114 bereitzustellen (z.B. zu speichern). So kann die Menge an Testdaten 114 substantiell reduziert werden.
In diesem Dokument wird somit ein Verfahren zur passiven Absicherung von FAS- oder HAF-Funktionen beschrieben. Dabei erfolgt der Test einer FAS- oder HAF-Funktion 105 während der Fahrt in einem entsprechend ausgestatteten Ego-Fahrzeug 100 (mit den notwendigen Sensoren 102) ohne aktives Eingreifen der FAS- oder HAF-Funktion 105 und nur in einer passiven Recheneinheit des Ego-Fahrzeugs 100.
Im Rahmen dieses (passiven) Tests werden zunächst die umliegenden Verkehrsteilnehmer 201, 202 und deren Trajektorien für einen bestimmten Zeitraum erfasst, beobachtet und zwischengespeichert. Aus diesen Umfelddaten 112 werden die Fahrziele und Wünsche, beispielsweise Wunschgeschwindigkeit, Wunschabstand, Auffahrwunsch oder Abfahrwunsch, für die umliegenden Verkehrsteilnehmer 201, 202 identifiziert. Weichen nun eine Manöverentscheidung des menschlichen Fahrers (d.h. die tatsächliche Steueranweisung 113) und eine Manöverentscheidung der passiv mitlaufenden Fahrzeugfunktion 105 (d.h. die Test-Steueranweisung 115) voneinander ab und würde durch das fiktive Manöver (d.h. durch die Test-Steueranweisungen 115) eine entscheidende Situationsänderung für zumindest einen das Ego-Fahrzeug 100 umgebenden Verkehrsteilnehmer 201, 202 erfolgen, simuliert das beschriebene Verfahren das Verhalten der ein oder mehreren anderen Verkehrsteilnehmer 201, 202, für die sich die Situation auf relevante Weise geändert hätte. Hierbei werden die im ersten Schritt ermittelten Fahrerziele der anderen Verkehrsteilnehmer 201, 202 genutzt, um die Reaktionen der anderen Verkehrsteilnehmer 201, 202 möglichst realistisch simulieren zu können. Wenn ermittelt wird, dass das Verhalten der FAS- oder HAF-Funktion zu einer insgesamt kritischen simulierten Verkehrssituation geführt hätte, werden die aufgenommenen Sensor-und Funktionssignale als Testdaten 114 an einen Fahrzeug-externen Server gesendet und/oder für einen späteren Auslesevorgang nicht-flüchtig gespeichert. Ist dies nicht der Fall, können die zwischengespeicherten Daten verworfen werden.
Die Simulation der fiktiven Verkehrs situation kann auf Basis von ein oder mehreren Verkehrsteilnehmer-Modellen für ein oder mehrere Verkehrsteilnehmer 201, 202 im Umfeld des Ego-Fahrzeugs 100 erfolgen. Dabei kann das Verkehrsteilnehmer-Modell für einen Verkehrsteilnehmer 201, 202 das Verhalten, insbesondere die Bewegungs-Trajektorie, des Verkehrsteilnehmers 201, 202 prädizieren. Es kann somit anhand eines Verkehrsteilnehmer-Modells ermittelt werden, wie sich ein Verkehrsteilnehmer 201, 202 verhalten hätte, wenn das Ego-Fahrzeug 100 die Test-Steueranweisung 215 umgesetzt hätte.
Es kann somit für den Zeitpunkt t₀ eine Test-Steueranweisung 215 ermittelt werden. Des Weiteren kann den ein oder mehreren Verkehrsteilnehmern 201, 202 im Umfeld des Ego-Fahrzeugs 100 am Zeitpunkt t₀ oder an einem nachfolgenden Zeitpunkt jeweils ein Verkehrsteilnehmer-Modell zugeordnet werden. Die Zuordnung eines Verkehrsteilnehmer-Modells kann dabei auf Basis der Umfelddaten 112 erfolgen, die bis zu dem Zeitpunkt t₀ oder bis zu einem nachfolgenden Zeitpunkt verfügbar sind. Des Weiteren kann die Zuordnung eines Verkehrsteilnehmer-Modells auf Basis von Fahrdaten des Ego-Fahrzeugs 100 (die Fahrgeschwindigkeit und/oder die Beschleunigung des Ego-Fahrzeugs 100) erfolgen.
Somit kann für jeden Verkehrsteilnehmer 201, 202 im Umfeld des Ego-Fahrzeugs 100 ein Verkehrsteilnehmer-Modell bereitgestellt werden, das die Bewegung des jeweiligen Verkehrsteilnehmers 201, 202 vorhersagt. So kann eine fiktive Verkehrssituation in präziser Weise prädiziert werden. Die einzelnen Verkehrsteilnehmer-Modelle können z.B. jeweils ein neuronales Netz und/oder ein Bayes'sches Netz umfassen. Die Verkehrsteilnehmer-Modelle können dabei in einer Trainingsphase auf Basis von Trainingsdaten angelernt worden sein. Dabei können für unterschiedliche Typen von Verkehrsteilnehmern 201, 202 unterschiedliche Verkehrsteilnehmer-Modelle bereitgestellt werden. Beispielhafte Typen sind: Fahrzeuge mit einem zurückhaltenden Fahrer, Fahrzeuge mit einem sportlichen Fahrer, Motorradfahrer, Fahrradfahrer, Fußgänger, etc.
Im Rahmen einer Trainingsphase können Trainingsdaten für ein oder mehrere Verkehrsteilnehmer 201, 202 bereitgestellt werden. Die Trainingsdaten für einen ersten Verkehrsteilnehmer 201, 202 umfassen dabei ein oder mehrere Trainings-Datensätze, wobei ein Trainings-Datensatz Eingangsdaten und Ausgangsdaten umfasst. Die Eingangsdaten zeigen dabei Werte von ein oder mehreren Messgrößen in Bezug auf ein Ego-Fahrzeug 100, in Bezug auf den ersten Verkehrsteilnehmer 201, 202 und/oder in Bezug auf ein oder mehrere weitere Verkehrsteilnehmer 201, 202 an. Mit anderen Worten, die Eingangsdaten beschreiben eine vorliegende Verkehrssituation, in der sich der erste Verkehrsteilnehmer 201, 202 befindet. Andererseits beschreiben die Ausgangsdaten das Verhalten, insbesondere die Bewegungs-Trajektorie, des ersten Verkehrsteilnehmers 201, 202 in der vorliegenden Verkehrssituation.
Beispielhafte Eingangsdaten bzw. Messgrößen sind:

• eine Fahrgeschwindigkeit des ersten Verkehrsteilnehmers 201, 202;
• eine relative Fahrgeschwindigkeit des ersten Verkehrsteilnehmers 201, 202 zu einem anderen Verkehrsteilnehmer 201, 202 und/oder zu dem Ego-Fahrzeug 100;
• einen relativen Abstand (auf der gleichen Fahrspur vorne bzw. hinten, oder zu einer benachbarten Fahrspur) des ersten Verkehrsteilnehmers 201, 202 zu einem anderen Verkehrsteilnehmer 201, 202 und/oder zu dem Ego-Fahrzeug 100; und/oder
• eine Geschwindigkeitsbegrenzung auf der aktuell befahrenen Fahrbahn.

Beispielhafte Ausgangsdaten sind:

• ein Spurwechsel; und/oder
• ein Verbleiben auf der aktuellen Fahrspur.

Anhand der Trainingsdaten für ein oder mehrere Verkehrsteilnehmer 201, 202 (des gleichen Typs) kann ein Verkehrsteilnehmer-Modell angelernt werden, das eingerichtet ist, auf Basis von Eingangsdaten, die eine aktuelle Verkehrs situation beschreiben, Ausgangsdaten bereitzustellen, die ein vorausliegendes Verhalten des Verkehrsteilnehmers 201, 202 beschreiben.
4a zeigt ein Verfahren 400 zur Ermittlung einer Mehrzahl von Verkehrsteilnehmermodellen für unterschiedliche Typen von Verkehrsteilnehmern 201, 202. In einem ersten Schritt 401 können die Trainingsdaten für einen ersten Verkehrsteilnehmer 201, 202 mit ein oder mehreren Verkehrsteilnehmer-Modellen aus einer Modell-Datenbank verglichen werden. Insbesondere kann mittels eines Gütemaßes ermittelt werden, inwieweit die ein oder mehreren bereits vorliegenden Verkehrsteilnehmer-Modelle das durch die Trainingsdaten beschriebene Verhalten des ersten Verkehrsteilnehmers 201, 202 beschreiben. Es kann dann ein Verkehrsteilnehmer-Modell mit einem optimalen Gütemaß ausgewählt werden (Schritt 402), und die Trainingsdaten des ersten Verkehrsteilnehmers 201, 202 können diesem Verkehrsteilnehmer-Modell zugeordnet werden (Schritt 405) und dazu verwendet werden, das ausgewählte Verkehrsteilnehmer-Modell weiter zu verbessern.
Andererseits kann ggf. kein passendes Verkehrsteilnehmer-Modell (mit einem ausreichend guten Gütemaß) in der Modell-Datenbank gefunden werden. Es kann dann anhand der Trainingsdaten des ersten Verkehrsteilnehmers 201, 202 ein neues Verkehrsteilnehmer-Modell angelernt werden (Schritt 403) und in die Modell-Datenbank aufgenommen werden (Schritt 404). So können in automatischer Weise Verkehrsteilnehmer-Modelle für unterschiedliche Typen von Verkehrsteilnehmern 201, 202 bereitgestellt werden.
Es können somit unterschiedliche Verkehrsteilnehmer-Modelle aus den Trainingsdaten von realen oder virtuellen Testfahrten gewonnen werden. Dabei soll durch die unterschiedlichen Verkehrsteilnehmer-Modelle ein möglichst großes Spektrum an unterschiedlichen Verhaltens-Charakteristiken (insbesondere Fahrcharakteristiken) abgedeckt werden. Zunächst kann aus allen vorhandenen Trainingsdaten (für eine Vielzahl von unterschiedlichen Verkehrsteilnehmern 201, 202) ein allgemeines Verkehrsteilnehmer-Modell trainiert werden. Des Weiteren kann für jeden bereits vorhandenen und/oder für zukünftige Trainings-Datensätze überprüft werden (Schritte 401, 402), ob bereits ein Modell in der Modell-Datenbank existiert, welches das aufgezeichnete Verhalten des Trainings-Datensatzes hinreichend genau wiedergibt. Mittels eines Schwellwertes bzw. Gütemaßes kann bestimmt werden, ob sich eines der Modelle aus der Modell-Datenbank hinreichend mit dem Verhalten des Trainings-Datensatzes überdeckt. Sollte dies der Fall sein, so kann der Trainings-Datensatz diesem Modell zugeordnet und als Trainingsdaten für ebendieses Modell verwendet werden. Liegt keine hinreichende Übereinstimmung mit einem der bereits trainierten Modelle vor, so kann ein neues Modell auf Grundlage des am Anfang erzeugten, allgemeinen Modells generiert und der Datenbank hinzugefügt werden (Schritte 403, 404).
Die gewonnen Modelle können in einer Onlinephase (in einem Ego-Fahrzeug 100 mit einer passiv betriebenen Fahrzeugfunktion) einem benachbarten Verkehrsteilnehmer 201, 202 eines Ego-Fahrzeugs 100 zugeordnet werden. Zur Zuordnung eines Verkehrsteilnehmer-Modells zu einem benachbarten Verkehrsteilnehmer 201, 202 können insbesondere folgende Messgrößen des Ego-Fahrzeugs 100 und der Fahrzeugumgebung durch Umfeldsensorik 102 als Eingangsdaten bestimmt werden:

• ein aktuelles Geschwindigkeitslimit;
• eine aktuelle Geschwindigkeit des benachbarten Verkehrsteilnehmers 201, 202;
• eine relative Geschwindigkeit der benachbarten Fahrzeuge des benachbarten Verkehrsteilnehmers 201, 202;
• relative Abstände vor/hinter dem benachbarten Verkehrsteilnehmers 201, 202; und/oder
• relative Abstände der ein oder mehreren Verkehrsteilnehmer auf der Nachbarspur des benachbarten Verkehrsteilnehmers 201, 202.

Bei den Messwerten der Messgrößen (d.h. den Eingangsdaten) können zukünftige und vergangene Messwerte berücksichtigt werden. So können Verkehrsteilnehmer-Modelle mit erhöhter Genauigkeit ausgewählt werden. Des Weiteren kann so das Verhalten von Verkehrsteilnehmern 201, 202 mit erhöhter Genauigkeit prädiziert werden.
Nach Abschluss der Trainingsphase kann somit auf eine Modell-Datenbank zugegriffen werden, die eine Mehrzahl von unterschiedlichen Verkehrsteilnehmer-Modellen für eine entsprechende Mehrzahl von unterschiedlichen Typen von Verkehrsteilnehmern 201, 202 umfasst. In einer Onlinephase kann zu einem Zeitpunkt t₀ eine Test-Steueranweisung 215 ermittelt werden. Des Weiteren können tatsächliche Eingangsdaten für einen benachbarten Verkehrsteilnehmer 201, 202 ermittelt werden. Dabei können Umfelddaten 112 aus dem Vor-Zeitraum (vor dem Zeitpunkt t₀) und aus dem Nach-Zeitraum (nach dem Zeitpunkt t₀) berücksichtigt werden. Außerdem können tatsächliche Ausgangsdaten für den benachbarten Verkehrsteilnehmer 201, 202 ermittelt werden. Dabei können auch Umfelddaten 112 aus dem Vor-Zeitraum (vor dem Zeitpunkt t₀) und aus dem Nach-Zeitraum (nach dem Zeitpunkt t₀) berücksichtigt werden.
Aus den tatsächlichen Eingangsdaten 421 und den tatsächlichen Ausgangsdaten 422 können ein oder mehrere Verkehrsteilnehmer-Datensätze erstellt werden, die dazu verwendet werden können, ein Verkehrsteilnehmer-Modell 423 aus der Modell-Datenbank 420 auszuwählen (Schritt 411 des in 4b dargestellten Verfahrens 410 zur Auswahl eines Verkehrsteilnehmer-Modells 423). Insbesondere kann das Verkehrsteilnehmer-Modell 423 aus der Modell-Datenbank 420 ausgewählt werden, das ein optimales Gütemaß liefert, d.h. das das tatsächliche Verhalten des benachbarten Verkehrsteilnehmers 201, 202 (dargestellt durch die tatsächlichen Ausgangsdaten 422) bei Vorliegen der tatsächlichen Verkehrssituation (dargestellte durch die tatsächlichen Eingangsdaten 421) bestmöglich beschreibt.
Das ausgewählte Verkehrsteilnehmer-Modell 423 kann dann dazu verwendet werden, das fiktive Verhalten, insbesondere die fiktive Bewegungs-Trajektorie, des benachbarten Verkehrsteilnehmers 201, 202 für die fiktive Verkehrssituation zu prädizieren, unter der Annahme, dass das Ego-Fahrzeug 100 an dem Zeitpunkt t₀ die Test-Steueranweisung 215 umgesetzt hat (Schritt 412). Zu diesem Zweck können fiktive Eingangsdaten ermittelt werden, die die Auswirkungen der Test-Steueranweisung 215 berücksichtigen. Insbesondere können die fiktiven Eingangsdaten dabei fiktive Fahrdaten wie z.B. eine fiktive Trajektorie des Ego-Fahrzeugs 100 umfassen. Auf Basis der fiktiven Eingangsdaten und des ausgewählten Verkehrsteilnehmer-Modells 423 können dann fiktive Ausgangsdaten ermittelt werden, die das fiktive Verhalten des benachbarten Verkehrsteilnehmers 201, 202 bei der fiktiven Verkehrssituation beschreiben.
In einer Onlinephase können somit anhand der o.g. Messgrößen den benachbarten Verkehrsteilnehmern 201, 202 jeweils ein Verkehrsteilnehmer-Modell 423 zugeordnet werden, um anhand der Verkehrsteilnehmer-Modelle 423 die zukünftige (fiktive) Bewegung des jeweiligen Verkehrsteilnehmers 201, 202 prognostizieren bzw. eine alternative Bewegung des jeweiligen Verkehrsteilnehmers 201, 202 simulieren zu können. Mit steigendem Beobachtungszeitraum für einen Verkehrsteilnehmer 201, 202, d.h. mit steigender Anzahl von Verkehrsteilnehmer-Datensätzen, steigt typischerweise die Güte des Verkehrsteilnehmer-Modells 423, das einem Verkehrsteilnehmer 201, 202 zugeordnet werden kann. Bei einem relativ kurzen Beobachtungszeitraum kann ggf. das allgemeine Verkehrsteilnehmer-Modell 423 zugeordnet werden.
Für die Zuordnung eines Verkehrsteilnehmer-Modells 423 und/oder für die anschließende Vorhersage können neuronale oder Bayes'sche Netze herangezogen werden. Beispielsweise kann ein Variational Auto-Encoder (VAE) als Gütemaß genutzt werden. Dabei berechnet ein Algorithmus für eine gegebene Menge von Datensätzen die Wahrscheinlichkeit, mit der die Datensätze durch ein bestimmtes Verkehrsteilnehmer-Modell 423 hätten erzeugt werden können. Es kann dann das Modell 423 mit der höchsten Wahrscheinlichkeit ausgewählt werden. Alternativ oder ergänzend kann ein Feed Forward neuronales Netz und/oder ein Bayes'sches Netz als Gütemaß verwendet werden. Dabei wird das Modell 423 ausgewählt, das am Nächsten an dem in den Datensätzen beschriebenen Verhalten eines Verkehrsteilnehmers 201, 202 liegt.
Es wird somit eine automatisierbare Parametrierung des Verhaltens von benachbarten Verkehrsteilnehmern 201, 202 auf Basis von Trainingsdaten von künstlichen neuronalen Netzen oder Bayes'schen Netzen ermöglicht. Insbesondere kann eine flexible Zuordnung von Modellen 423 gemäß der beobachteten Charakteristik eines Verkehrsteilnehmers 201, 202 erfolgen. Die Nutzung von VAE und Bayes'schen Netzen ermöglicht dabei wahrscheinlichkeitsbasierte Aussagen darüber, wie gut ein Modell 423 zu einem Verkehrsteilnehmer 201, 202 passt.
3 zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 300 zur Verifikation einer Fahrzeugfunktion 105, die dafür vorgesehen ist, zumindest zeitweise ein Ego-Fahrzeug 100 in Läng- und/oder Querrichtung autonom zu führen. Das Verfahren (300) kann durch eine Testeinheit 101 (z.B. durch ein Steuergerät) des Ego-Fahrzeugs 100 ausgeführt werden.
Das Verfahren 300 umfasst das Ermitteln 301, auf Basis von Umfelddaten 112 bezüglich eines Umfelds des Ego-Fahrzeugs 100, einer Test-Steueranweisung 115 der Fahrzeugfunktion 105 an (zumindest) einen Aktuator 106 des Ego-Fahrzeugs 100. Dabei wird die Test-Steueranweisung 115 nicht durch den Aktuator 106 umgesetzt. Vielmehr läuft die Fahrzeugfunktion 105 in passiver Weise im Ego-Fahrzeug 100 ab, ohne aktiv in den Fahrbetrieb des Ego-Fahrzeugs 100 einzugreifen.
Des Weiteren kann das Verfahren 300 umfassen, das Ermitteln, dass der Fahrer des Ego-Fahrzeugs 100 eine, von der Test-Steueranweisung 115 abweichende, tatsächliche Steueranweisung 113 tätigt, die von dem Aktuator 106 tatsächlich umgesetzt wird. Die tatsächliche Steueranweisung 113 kann durch den Fahrer über Steuermittel 103 des Ego-Fahrzeugs 100 getätigt werden.
Außerdem umfasst das Verfahren 300 das Simulieren 302, auf Basis von Umfelddaten 112 und auf Basis eines Verkehrsteilnehmer-Modells 423 für zumindest einen Verkehrsteilnehmer 201, 202 im Umfeld des Ego-Fahrzeugs 100, einer fiktiven Verkehrssituation, die vorliegen würde, wenn anstelle der tatsächlichen Steueranweisung 113 die Test-Steueranweisung 115 umgesetzt worden wäre. Es kann dann bestimmt werden, ob die fiktive Verkehrssituation ein relevantes Ereignis (z.B. eine kritische und/oder gefährliche Situation) für einen Verkehrsteilnehmer 201, 202 in der Umgebung des Ego-Fahrzeugs 100 oder für das Ego-Fahrzeug 100 selbst darstellt. Des Weiteren können (ggf. nur dann) Testdaten 114 in Bezug auf die fiktive Verkehrssituation bereitgestellt werden (Schritt 303). Dies kann insbesondere kann erfolgen, wenn bestimmt wurde, dass die fiktive Verkehrssituation ein relevantes Ereignis für einen Verkehrsteilnehmer 201, 202 in der Umgebung des Ego-Fahrzeugs 100 oder für das Ego-Fahrzeug 100 selbst darstellt.
Durch das beschriebene Testverfahren von FAS- oder HAF-Funktionen 105 kann jedes entsprechend ausgestattete Ego-Fahrzeug 100 im manuellen Betrieb als Testfahrzeug agieren. Dadurch ist es möglich, viele alltägliche Fahrsituationen zu testen, ohne speziell dafür vorgesehene Testfahrzeuge bereitzustellen. So können gleichzeitig (Zusatz-) Kosten- und Zeitaufwand für den Test einer FAS- oder HAF-Funktion 105 reduziert, und die Qualität eines Tests durch Verwendung von realen Verkehrsdaten erhöht werden. Im Rahmen des beschriebenen Testverfahrens werden bevorzugt nur Testdaten 114 für potentiell kritische Situationen gespeichert, so dass die Menge an Testdaten 114 und damit die Kosten für den Test einer FAS- oder HAF-Funktion 105 weiter reduziert werden können. Durch die Berücksichtigung eines Verkehrsteilnehmer-Modells 423 kann das Verhalten der ein oder mehreren benachbarten Verkehrsteilnehmer 201, 202 eines Ego-Fahrzeugs 100 in präziser Weise prädiziert werden.
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.

Claims

Verfahren (300) zur Verifizierung und/oder Validierung einer Fahrzeugfunktion (105), die dafür vorgesehen ist, zumindest zeitweise ein Fahrzeug (100) in Längs- und/oder Querrichtung autonom zu führen, wobei das Verfahren (300) umfasst, - Ermitteln (301), auf Basis von Umfelddaten (112) bezüglich eines Umfelds des Fahrzeugs (100), einer Test-Steueranweisung (115) der Fahrzeugfunktion (105) an einen Aktuator (106) des Fahrzeugs (100); wobei die Test-Steueranweisung (115) nicht durch den Aktuator (106) umgesetzt wird; - Simulieren (302), auf Basis von Umfelddaten (112) und unter Verwendung eines Verkehrsteilnehmer-Modells (423) bezüglich zumindest eines Verkehrsteilnehmers (201, 202) im Umfeld des Fahrzeugs (100), einer fiktiven Verkehrs situation, die vorliegen würde, wenn die Test-Steueranweisung (115) umgesetzt worden wäre; und - Bereitstellen (303) von Testdaten (114) in Bezug auf die fiktive Verkehrssituation.
Verfahren (300) gemäß Anspruch 1, wobei das Verfahren (300) umfasst, - Detektieren, auf Basis von Umfelddaten (112), eines ersten Verkehrsteilnehmers (201) im Umfeld des Fahrzeugs (100); - Auswählen, auf Basis von Umfelddaten (112), eines Verkehrsteilnehmer-Modells (423) für den ersten Verkehrsteilnehmer (201) aus einer Mehrzahl von unterschiedlichen Verkehrsteilnehmer-Modellen (423); und - Prädizieren eines Verhaltens des ersten Verkehrsteilnehmers (201) anhand des ausgewählten Verkehrsteilnehmer-Modells (423), für den Fall, dass die Test-Steueranweisung (115) umgesetzt worden wäre.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei - das Verkehrsteilnehmer-Modell (423) eingerichtet ist, Eingangsdaten (421) entsprechende Ausgangsdaten (422) zuzuordnen; - die Eingangsdaten Werte von ein oder mehrere Messgrößen zur Beschreibung einer Verkehrssituation anzeigen; und - die Ausgangsdaten ein Verhalten des Verkehrsteilnehmers (201, 202) bei der durch die Eingangsdaten beschriebenen Verkehrssituation beschreiben.
Verfahren (300) gemäß Anspruch 3, wobei - die Messgrößen Information in Bezug auf ein oder mehrere anzeigen, von: - eine absolute Fahrgeschwindigkeit des Verkehrsteilnehmers (201, 202); - eine relative Fahrgeschwindigkeit des Verkehrsteilnehmers (201, 202) relativ zu einem anderen Verkehrsteilnehmer (201, 202); - einen Abstand des Verkehrsteilnehmers (201, 202) zu einem anderen Verkehrsteilnehmer (201, 202); und/oder - eine Geschwindigkeitsbegrenzung; und/oder - das Verhalten des Verkehrsteilnehmers (201, 202) ein oder mehrere umfasst von, - ein Verbleiben auf einer Fahrspur; und/oder - ein Wechseln der Fahrspur.
Verfahren (300) gemäß einem der Ansprüche 3 bis 4 mit Rückbezug auf Anspruch 2, wobei das Auswählen eines Verkehrsteilnehmer-Modells (423) für den ersten Verkehrsteilnehmer (201) umfasst, - Ermitteln, auf Basis von Umfelddaten (112), zumindest eines Verkehrsteilnehmer-Datensatzes, der ein tatsächliches Verhalten des ersten Verkehrsteilnehmers (201) bei einer tatsächlichen Verkehrssituation beschreibt; wobei ein Verkehrsteilnehmer-Datensatz ein Paar aus tatsächlichen Eingangsdaten und tatsächlichen Ausgangsdaten umfasst; - Ermitteln eines Gütemaßes für die Mehrzahl von Verkehrsteilnehmer-Modellen (423); wobei das Gütemaß für ein Verkehrsteilnehmer-Modell (423) eine Wahrscheinlichkeit dafür anzeigt, dass das Verkehrsteilnehmer-Modell (423) den tatsächlichen Eingangsdaten die tatsächlichen Ausgangsdaten des zumindest einen Verkehrsteilnehmer-Datensatzes zugeordnet hätte, und/oder wobei das Gütemaß für ein Verkehrsteilnehmer-Modell (423) einen Abstand von prädizierten Ausgangsdaten, die das Verkehrsteilnehmer-Modell (423) den tatsächlichen Eingangsdaten zuordnet, zu den tatsächlichen Ausgangsdaten anzeigt; und - Auswählen eines Verkehrsteilnehmer-Modells (423) auf Basis des Gütemaßes.
Verfahren (300) gemäß Anspruch 5, wobei - die Test-Steueranweisung (115) für einen Zeitpunkt t₀ ermittelt wird; - zumindest ein Verkehrsteilnehmer-Datensatz auf Basis von Umfelddaten (112) für einen Vor-Zeitraum vor dem Zeitpunkt t₀ ermittelt wird; und - zumindest ein Verkehrsteilnehmer-Datensatz auf Basis von Umfelddaten (112) für einen Nach-Zeitraum nach dem Zeitpunkt t₀ ermittelt wird.
Verfahren (300) gemäß einem der Ansprüche 3 bis 6, wobei das Simulieren (302) einer fiktiven Verkehrssituation umfasst, - Ermitteln von fiktiven Werten der ein oder mehreren Messgrößen als fiktive Eingangsdaten, für den Fall, dass die Test-Steueranweisung (115) umgesetzt worden wäre; und - Ermitteln von fiktiven Ausgangsdaten, auf Basis des Verkehrsteilnehmer-Modells (423) bezüglich des zumindest einen Verkehrsteilnehmers (201, 202) und auf Basis der fiktiven Eingangsdaten; wobei die fiktiven Ausgangsdaten ein Verhalten des Verkehrsteilnehmers (201, 202) bei der fiktiven Verkehrs situation beschreiben.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Verkehrsteilnehmer-Modell (423) umfasst, - ein künstliches neuronales Netz; und/oder - ein Bayes'sches Netz.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei - die Fahrzeugfunktion (105) passiv im Fahrzeug (100) betrieben wird, so dass durch den Aktuator (106) keine Test-Steueranweisung (115) der Fahrzeugfunktion (105) umgesetzt werden kann; und/oder - die fiktive Verkehrssituation nur dann simuliert wird, wenn bestimmt wird, dass ein Fahrer des Fahrzeugs (100) eine, von der Test-Steueranweisung (115) abweichende, tatsächliche Steueranweisung (113) tätigt, die von dem Aktuator (106) tatsächlich umgesetzt wird.
Testeinheit (101) für ein Fahrzeug (100), wobei die Testeinheit (101) eingerichtet ist, - auf Basis von Umfelddaten (112) bezüglich eines Umfelds des Fahrzeugs (100) eine Test-Steueranweisung (115) einer Fahrzeugfunktion (105) für einen Aktuator (106) des Fahrzeugs (100) zu ermitteln; wobei die Fahrzeugfunktion (105) dafür vorgesehen ist, zumindest zeitweise das Fahrzeug (100) in Läng- und/oder Querrichtung autonom zu führen; wobei die Test-Steueranweisung (115) nicht durch den Aktuator (106) umgesetzt wird; - auf Basis von Umfelddaten (112) und unter Verwendung eines Verkehrsteilnehmer-Modells (423) bezüglich zumindest eines Verkehrsteilnehmers (201, 202) im Umfeld des Fahrzeugs (100), eine fiktive Verkehrs situation zu simulieren, die vorliegen würde, wenn die Test-Steueranweisung (115) umgesetzt worden wäre; und - Testdaten (114) in Bezug auf die fiktive Verkehrssituation bereitzustellen.