DE102018008024A1 - Verfahren zur Bewertung einer Verkehrssituation - Google Patents
Verfahren zur Bewertung einer Verkehrssituation Download PDFInfo
- Publication number
- DE102018008024A1 DE102018008024A1 DE102018008024.3A DE102018008024A DE102018008024A1 DE 102018008024 A1 DE102018008024 A1 DE 102018008024A1 DE 102018008024 A DE102018008024 A DE 102018008024A DE 102018008024 A1 DE102018008024 A1 DE 102018008024A1
- Authority
- DE
- Germany
- Prior art keywords
- traffic situation
- vehicle
- predicted
- sensor system
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0014—Adaptive controllers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/05—Big data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug. Erfindungsgemäß wird ein künstliches neuronales Netzwerk (2) mit während einer unkritischen Verkehrssituation (V), welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels einer fahrzeugeigenen Umgebungssensorik (3) erfassten Daten (D) trainiert. Mittels des trainierten künstlichen neuronalen Netzwerks (2) wird eine zukünftige Verkehrssituation (V) prädiziert, wobei bei einer signifikanten Abweichung einer real auftretenden Verkehrssituation (V) von der prädizierten Verkehrssituation (V) auf eine kritische Verkehrssituation (V) geschlossen wird und bei Vorliegen einer kritischen Verkehrssituation (V) eine Intensität einer mittels der fahrzeugeigenen Umgebungssensorik (3) durchgeführten Überwachung zumindest eines Verkehrsteilnehmers, dessen Verhalten von einem prädizierten Verhalten signifikant abweicht, erhöht wird.
Description
- Die Erfindung betrifft ein Verfahren zur Bewertung einer Verkehrssituation gemäß dem Oberbegriff des Anspruchs 1.
- Aus der
DE 10 2016 007 899 A1 ist ein Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, welche auf ein teilautonom betreibbares Kraftfahrzeug bezogene Eingangsdaten verarbeitet, bekannt. Die Eingangsdaten umfassen eine Umgebung des Kraftfahrzeugs beschreibende geografische Kartendaten und Positionen und Bewegungsrichtungen weiterer Verkehrsteilnehmer in der Umgebung des Kraftfahrzeugs beschreibende Umgebungsdaten. Das Verfahren weist folgende Schritte auf: - - Ermitteln einer einen prädizierten Bewegungsraum des Kraftfahrzeugs beschreibenden Bewegungsrauminformation aus den Kartendaten;
- - Ermitteln einer einen prädizierten Bewegungsweg eines Verkehrsteilnehmers beschreibenden Bewegungsweginformation durch Anwenden eines Bewegungsprädiktionsmodells auf die Umgebungsdaten;
- - Ermitteln einer die Relevanz für eine Verkehrssituationsanalyse eines Teilbewegungsraums beschreibenden Bewertungsinformation in Abhängigkeit der Bewegungsrauminformation und der Bewegungsweginformation; und
- - Durchführen der Verkehrssituationsanalyse für den Teilbewegungsraum in Abhängigkeit der Bewertungsinformation.
- Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Bewertung einer Verkehrssituation anzugeben.
- Die Aufgabe wird erfindungsgemäß durch ein Verfahren gelöst, welches die im Anspruch 1 angegebenen Merkmale aufweist.
- Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
- In dem Verfahren zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug wird erfindungsgemäß ein künstliches neuronales Netzwerk mit während einer unkritischen Verkehrssituation, welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels einer fahrzeugeigenen Umgebungssensorik erfassten Daten trainiert. Durch das Training wird das neuronale Netzwerk in die Lage versetzt, eine zukünftige Verkehrssituation zu prädizieren.
- Mittels des trainierten künstlichen neuronalen Netzwerks wird die zukünftige Verkehrssituation prädiziert, wobei bei einer signifikanten Abweichung einer real auftretenden Verkehrssituation von der prädizierten Verkehrssituation auf eine kritische Verkehrssituation geschlossen wird und bei Vorliegen einer kritischen Verkehrssituation eine Intensität einer mittels der fahrzeugeigenen Umgebungssensorik durchgeführten Überwachung zumindest eines Verkehrsteilnehmers, dessen Verhalten von einem prädizierten Verhalten signifikant abweicht, erhöht wird.
- Vorteilhafterweise wird das Training des neuronalen Netzwerks zunächst anhand von generischen Daten durchgeführt, die von der Umgebungssensorik vorab in unkritischen Verkehrssituationen erfasst worden sind, und erst anschließend anhand der Daten durchgeführt, die während des Betriebs des Fahrzeugs von der Umgebungssensorik erfasst werden.
- Das Verfahren ermöglicht eine Verbesserung der Bewertung einer Verkehrssituation aufgrund der Erhöhung der Intensität der Überwachung. Hieraus resultiert die Möglichkeit, eine Unfallgefahr frühzeitig zu erkennen und somit eine Verkehrssicherheit zu erhöhen.
- Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.
- Dabei zeigt:
-
1 schematisch ein Blockschaltbild einer Vorrichtung zur Bewertung einer Verkehrssituation. - In der einzigen
1 ist ein Blockschaltbild eines möglichen Ausführungsbeispiels einer Vorrichtung1 zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug dargestellt. - Die Vorrichtung
1 umfasst ein künstliches neuronales Netzwerk2 , eine fahrzeugeigene Umgebungssensorik3 mit einer Anzahl von Sensoren3.1 bis3.n , beispielsweise einer Kamera, einem Radarsensor, einem Lidarsensor, einem Ultraschallsensor und/oder anderen Sensoren, eine Auswerteinheit4 und eine Steuereinheit5 zur Steuerung der Umgebungssensorik3 . - Für einen zuverlässigen autonomen oder teilautonomen Betrieb des Fahrzeugs ist es förderlich, Kenntnis über zukünftig auftretende Verkehrssituationen
V zu haben. Hierzu ist es erforderlich, eine künftige VerkehrssituationV zu prädizieren. - Dies erfolgt mittels eines trainierten künstlichen neuronalen Netzwerks
2 , welches mit während einer unkritischen VerkehrssituationV , welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels der fahrzeugeigenen Umgebungssensorik3 erfassten DatenD trainiert wird. Dabei werden die DatenD der Sensoren3.1 bis3.n , welche als Input zur Ausführung des zumindest teilautonomen Fahrbetriebs erforderlich sind, von dem künstlichen neuronalen Netzwerk2 dahingehend ausgewertet, das dieses eine Prädiktion einer Bewegung von in der Umgebung des Fahrzeugs detektierten Verkehrsteilnehmern in die Zukunft durchführen kann. Ergebnis dieser Prädiktion ist eine prädizierte zukünftige VerkehrssituationVpraed . - Die prädizierte zukünftige Verkehrssituation
Vpraed wird gemeinsam mit einer ebenfalls anhand der mittels der Umgebungssensorik3 erfassten DatenD ermittelten realen VerkehrssituationV verglichen, wobei hierzu Informationen über die prädizierte zukünftige VerkehrssituationVpraed und die reale VerkehrssituationV einer Auswerteeinheit4 zugeführt werden. Dabei kann die Auswerteeinheit4 in einer möglichen Ausgestaltung der Vorrichtung1 Bestandteil des künstlichen neuronalen Netzwerks2 sein. In diesem Vergleich wird ein reales Verhalten anderer Verkehrsteilnehmer kontinuierlich zu einem Zeitpunkt t + Δt, wobeiΔt einem Prädiktionszeitraum bzw. Vorhersageintervall entspricht, mit einem zum Zeitpunktt vorhergesagtem Verhalten verglichen. - Wird in dem Vergleich eine signifikante Abweichung der real auftretenden Verkehrssituation
V von der prädizierten VerkehrssituationVpraed ermittelt, wird auf eine kritische VerkehrssituationVkrit geschlossen. Das heißt, kommt es zu einer signifikanten Abweichung zwischen dem realen Verhalten und dem vorhergesagtem Verhalten, welches vollständig auf Informationen der anhand von unkritischen VerkehrssituationenV prädizierten VerkehrssituationVpraed basiert, dann wird von einem anormalen Verhalten des beobachteten Verkehrsteilnehmers ausgegangen und auf die kritische VerkehrssituationVkrit geschlossen. - In diesem Fall wird eine Information über die kritische Verkehrssituation
Vkrit an die Steuereinheit5 gesendet, welche die Umgebungssensorik3 derart ansteuert, dass eine Intensität einer mittels der Umgebungssensorik3 durchgeführten Überwachung des zumindest einen Verkehrsteilnehmers, dessen Verhalten von dem prädizierten Verhalten signifikant abweicht, erhöht wird. Das heißt, die Umgebungssensorik3 kann größere Rechenressourcen zur Beobachtung des Verkehrsteilnehmers verwenden, um eine Unfallgefahr möglichst schnell zu detektieren und um durch Ansteuerung von Fahrzeugfunktionen gegebenenfalls frühzeitig Sicherheitsmaßnahmen zur Reduzierung der Unfallgefahr und/oder von Unfallfolgen zu aktivieren. Hierbei kann beispielsweise zumindest ein beweglich am Fahrzeug angeordneter hochauflösender Sensor3.1 bis3.n mit geringem Öffnungswinkel, beispielsweise eine Kamera, ein Radarsensor oder Lidarsensor, der fahrzeugeigenen Umgebungssensorik3 gezielt auf den Verkehrsteilnehmer gerichtet werden oder ein Rastermaß eines örtlichen und zeitlichen Rahmens in einer Berechnung einer Bewegung des Verkehrsteilnehmers verringert wird, d. h. ein feinerer örtlicher und zeitlicher Rahmen, auch als Grid bezeichnet, in der Berechnung der Bewegung des Verkehrsteilnehmers genutzt wird. - Weiterhin wird ein optimaler Prädiktionszeitraum
Δt ermittelt, der klein genug ist, um eine möglichst exakte Prädiktion zu erzeugen, jedoch nicht zu klein ist, um mögliche Abweichungen des realen Verhaltens von der Prädiktion zu erkennen. Die Größe des PrädiktionszeitraumsΔt wird variabel in Abhängigkeit mittels der fahrzeugeigenen Umgebungssensorik3 erfassten Umgebungsbedingungen eingestellt. Das heißt, der PrädiktionszeitraumΔt wird variabel ausgelegt, so dass dieser den äußeren Bedingungen, beispielsweise einer Geschwindigkeit des Fahrzeugs und/oder einer Sichtweite der Sensoren3.1 bis3.n , angepasst wird. - Bezugszeichenliste
-
- 1
- Vorrichtung
- 2
- Netzwerk
- 3
- Umgebungssensorik
- 3.1 bis 3.n
- Sensor
- 4
- Auswerteeinheit
- 5
- Steuereinheit
- D
- Daten
- V
- Verkehrssituation
- Vkrit
- Verkehrssituation
- Vpraed
- Verkehrssituation
- 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
-
- DE 102016007899 A1 [0002]
Claims (4)
- Verfahren zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug, dadurch gekennzeichnet, dass - ein künstliches neuronales Netzwerk (2) mit während einer unkritischen Verkehrssituation (V), welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels einer fahrzeugeigenen Umgebungssensorik (3) erfassten Daten (D) trainiert wird, - mittels des trainierten künstlichen neuronalen Netzwerks (2) eine zukünftige Verkehrssituation (Vpraed) prädiziert wird, - bei einer signifikanten Abweichung einer real auftretenden Verkehrssituation (V) von der prädizierten Verkehrssituation (Vpraed) auf eine kritische Verkehrssituation (Vkrit) geschlossen wird und - bei Vorliegen einer kritischen Verkehrssituation (Vkrit) eine Intensität einer mittels der fahrzeugeigenen Umgebungssensorik (3) durchgeführten Überwachung zumindest eines Verkehrsteilnehmers, dessen Verhalten von einem prädizierten Verhalten signifikant abweicht, erhöht wird.
- Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass die Intensität der Überwachung erhöht wird, indem zumindest ein beweglich am Fahrzeug angeordneter hochauflösender Sensor (3.1 bis 3.n) der fahrzeugeigenen Umgebungssensorik (3) auf den Verkehrsteilnehmer gerichtet wird. - Verfahren nach
Anspruch 1 oder2 , dadurch gekennzeichnet, dass die Intensität der Überwachung erhöht wird, indem ein Rastermaß eines örtlichen und zeitlichen Rahmens in einer Berechnung einer Bewegung des Verkehrsteilnehmers verringert wird. - Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Größe eines Prädiktionszeitraums variabel in Abhängigkeit mittels der fahrzeugeigenen Umgebungssensorik (3) erfassten Umgebungsbedingungen eingestellt wird.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018008024.3A DE102018008024A1 (de) | 2018-10-10 | 2018-10-10 | Verfahren zur Bewertung einer Verkehrssituation |
PCT/EP2019/074070 WO2020074195A1 (de) | 2018-10-10 | 2019-09-10 | Verfahren zur bewertung einer verkehrssituation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018008024.3A DE102018008024A1 (de) | 2018-10-10 | 2018-10-10 | Verfahren zur Bewertung einer Verkehrssituation |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018008024A1 true DE102018008024A1 (de) | 2019-04-11 |
Family
ID=65817387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018008024.3A Withdrawn DE102018008024A1 (de) | 2018-10-10 | 2018-10-10 | Verfahren zur Bewertung einer Verkehrssituation |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102018008024A1 (de) |
WO (1) | WO2020074195A1 (de) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231820A (zh) * | 2019-05-31 | 2019-09-13 | 辽宁工业大学 | 一种基于物联网的车辆行驶控制方法 |
DE102019002790A1 (de) * | 2019-04-16 | 2020-08-06 | Daimler Ag | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug |
CN111775929A (zh) * | 2020-06-11 | 2020-10-16 | 南京邮电大学 | 一种危险液移动车载装置的动态安全预警方法 |
WO2020224910A1 (en) * | 2019-05-09 | 2020-11-12 | LGN Innovations Limited | Method and system for detecting edge cases for use in training a vehicle control system |
DE102019114737A1 (de) * | 2019-06-03 | 2020-12-03 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Vorhersage des Verhaltens eines Verkehrsteilnehmers |
WO2021061180A1 (en) * | 2019-09-27 | 2021-04-01 | Gm Cruise Holdings Llc | Intent-based dynamic change of resolution and region of interest of vehicle perception system |
WO2021061181A1 (en) * | 2019-09-27 | 2021-04-01 | Gm Cruise Holdings Llc | Intent-based dynamic change of compute resources of vehicle perception system |
US20220227379A1 (en) * | 2019-05-09 | 2022-07-21 | LGN Innovations Limited | Network for detecting edge cases for use in training autonomous vehicle control systems |
WO2022184363A1 (de) * | 2021-03-04 | 2022-09-09 | Psa Automobiles Sa | Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016007899A1 (de) | 2016-06-28 | 2017-12-28 | Audi Ag | Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, Kraftfahrzeug und Datenverarbeitungseinrichtung |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10065562B2 (en) * | 2013-12-31 | 2018-09-04 | International Business Mahcines Corporation | Vehicle collision avoidance |
US9764736B2 (en) * | 2015-08-14 | 2017-09-19 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autonomous vehicle operation relative to unexpected dynamic objects |
US9889859B2 (en) * | 2015-12-21 | 2018-02-13 | Intel Corporation | Dynamic sensor range in advanced driver assistance systems |
-
2018
- 2018-10-10 DE DE102018008024.3A patent/DE102018008024A1/de not_active Withdrawn
-
2019
- 2019-09-10 WO PCT/EP2019/074070 patent/WO2020074195A1/de active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016007899A1 (de) | 2016-06-28 | 2017-12-28 | Audi Ag | Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, Kraftfahrzeug und Datenverarbeitungseinrichtung |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019002790A1 (de) * | 2019-04-16 | 2020-08-06 | Daimler Ag | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug |
US11945450B2 (en) | 2019-04-16 | 2024-04-02 | Mercedes-Benz Group AG | Method for predicting a traffic situation for a vehicle |
WO2020212061A1 (de) * | 2019-04-16 | 2020-10-22 | Daimler Ag | Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug |
DE102019002790B4 (de) | 2019-04-16 | 2023-05-04 | Mercedes-Benz Group AG | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug |
US20220227379A1 (en) * | 2019-05-09 | 2022-07-21 | LGN Innovations Limited | Network for detecting edge cases for use in training autonomous vehicle control systems |
WO2020224910A1 (en) * | 2019-05-09 | 2020-11-12 | LGN Innovations Limited | Method and system for detecting edge cases for use in training a vehicle control system |
CN110231820B (zh) * | 2019-05-31 | 2022-08-05 | 江苏亿科达科技发展有限公司 | 一种基于物联网的车辆行驶控制方法 |
CN110231820A (zh) * | 2019-05-31 | 2019-09-13 | 辽宁工业大学 | 一种基于物联网的车辆行驶控制方法 |
DE102019114737A1 (de) * | 2019-06-03 | 2020-12-03 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Vorhersage des Verhaltens eines Verkehrsteilnehmers |
WO2021061181A1 (en) * | 2019-09-27 | 2021-04-01 | Gm Cruise Holdings Llc | Intent-based dynamic change of compute resources of vehicle perception system |
US11037001B2 (en) | 2019-09-27 | 2021-06-15 | Gm Cruise Holdings Llc | Intent-based dynamic change of region of interest of vehicle perception system |
US11037000B2 (en) | 2019-09-27 | 2021-06-15 | Gm Cruise Holdings Llc | Intent-based dynamic change of resolution and region of interest of vehicle perception system |
US11070721B2 (en) | 2019-09-27 | 2021-07-20 | Gm Cruise Holdings Llc | Intent-based dynamic change of compute resources of vehicle perception system |
WO2021061180A1 (en) * | 2019-09-27 | 2021-04-01 | Gm Cruise Holdings Llc | Intent-based dynamic change of resolution and region of interest of vehicle perception system |
US11594039B2 (en) | 2019-09-27 | 2023-02-28 | Gm Cruise Holdings Llc | Intent-based dynamic change of region of interest of vehicle perception system |
CN111775929B (zh) * | 2020-06-11 | 2024-03-19 | 南京邮电大学 | 一种危险液移动车载装置的动态安全预警方法 |
CN111775929A (zh) * | 2020-06-11 | 2020-10-16 | 南京邮电大学 | 一种危险液移动车载装置的动态安全预警方法 |
WO2022184363A1 (de) * | 2021-03-04 | 2022-09-09 | Psa Automobiles Sa | Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug |
Also Published As
Publication number | Publication date |
---|---|
WO2020074195A1 (de) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018008024A1 (de) | Verfahren zur Bewertung einer Verkehrssituation | |
DE102013019424B4 (de) | Verfahren zum Betrieb eines Fahrzeugsystems zur Überwachung eines Fahrers und Kraftfahrzeug | |
WO2018177484A1 (de) | Verfahren und system zur vorhersage von sensorsignalen eines fahrzeugs | |
DE102009006336A1 (de) | Verfahren zur Überwachung eine Einparkvorgangs | |
DE102009046913A1 (de) | Verfahren und Steuergerät zur Müdigkeitserkennung | |
WO2014194898A1 (de) | Verfahren und fahrerassistenzsystem zur beurteilung und/oder aufrechterhaltung der aufmerksamkeit eines fahrzeugführers | |
EP3616180B1 (de) | Verfahren zur datenerhebung | |
DE102017205508A1 (de) | Verfahren zur automatischen Bewegungssteuerung eines Fahrzeugs | |
EP3505414B1 (de) | Kraftfahrzeug-steuervorrichtung und verfahren zum betreiben der steuervorrichtung zum autonomen führen eines kraftfahrzeugs | |
DE102016007899A1 (de) | Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, Kraftfahrzeug und Datenverarbeitungseinrichtung | |
WO2020083962A1 (de) | Vorrichtung und steuereinheit zur automatisierung einer zustandsänderung einer fensterscheibe eines fahrzeugs | |
DE102018213600A1 (de) | - Gestenerkennungsvorrichtung für ein Fahrzeug - | |
DE102020113611A1 (de) | Verfahren und Sicherheitssystem zum Absichern einer automatisierten Fahrzeugfunktion und Kraftfahrzeug | |
DE102018213378B4 (de) | Fahrassistenzsystem für ein Fahrzeug, Fahrzeug mit demselben und Fahrassistenzverfahren für ein Fahrzeug | |
DE102019217723A1 (de) | Fahrsicherheits-steuersystem unter verwendung von umgebungsgeräuschen und steuerverfahren dafür | |
DE102018212266A1 (de) | Anpassung eines auswertbaren Abtastbereichs von Sensoren und angepasste Auswertung von Sensordaten | |
DE102017223621A1 (de) | Verfahren und Steuereinheit zur Steuerung einer Funktion eines zumindest teilweise automatisiert fahrenden Fahrzeugs | |
DE102018204883A1 (de) | Verfahren zum Betrieb eines Steuergeräts, Kraftfahrzeug und Computerprogramm | |
DE102017217986A1 (de) | Verfahren und vorrichtung zum vorhersagen potenzieller kollisionen, fahrerassistenzsystem und fahrzeug | |
EP3727981B1 (de) | Verfahren zur durchführung einer eigendiagnose bei einem autonomen fahrzeug | |
DE102018119834A1 (de) | Verfahren zum Betrieb eines autonom fahrenden Fahrzeuges | |
DE102020114609B4 (de) | Verfahren zum Bereitstellen eines introspektiven Fehlervorhersagemodells, Assistenzsystem und Kraftfahrzeug | |
DE102017004114A1 (de) | Verfahren und Vorrichtung zum Betrieb eines vollautonom oder zumindest teilautonom fahrenden Fahrzeugs | |
DE102019130298B3 (de) | Verfahren zum Nachweis eines spezifischen Fahrverhaltens sowie ein System und ein Kraftfahrzeug hierzu | |
DE102021201539A1 (de) | Erzeugung von Trainingsdaten für einen Algorithmus des maschinellen Lernens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R230 | Request for early publication | ||
R012 | Request for examination validly filed | ||
R081 | Change of applicant/patentee |
Owner name: DAIMLER AG, DE Free format text: FORMER OWNER: DAIMLER AG, 70327 STUTTGART, DE |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |