-
HINTERGRUND
-
Die vorliegende Offenbarung bezieht sich im Allgemeinen auf Fahrzeuge, und im Besonderen auf Verfahren und Radarsysteme zum Verfolgen von Informationen basierend auf adaptiven Detektoren.
-
Die vorliegende Anmeldung bezieht sich im Allgemeinen auf Fahrzeugsteuerungssysteme und autonome Fahrzeuge. Im Besonderen lehrt die Anmeldung ein Verfahren und eine Vorrichtung zum Bewerten und Quantifizieren der Komplexität von Ereignissen, Situationen und Szenarien, die im Rahmen der Simulation als Maß entwickelt wurden, um ein kognitives Modell des autonomen Fahrens zu bewerten und anschließend zu trainieren.
-
Hintergrund-Informationen
-
Im Allgemeinen ist ein autonomes Fahrzeug ein Fahrzeug, das in der Lage ist, externe Informationen durch Fahrzeugsensoren zu überwachen, eine Straßensituation als Reaktion auf die externen Informationen zu erkennen und einen Fahrzeughalter zu manipulieren. Autonome Fahrzeugsoftware wird getestet, bewertet und verfeinert, indem die Software anhand verschiedener Testszenarien ausgeführt wird, um die Leistung der Software und die Häufigkeit von Erfolg und Misserfolg zu bestimmen. Einige Szenarien sind jedoch komplexer als andere, weshalb eine 99%ige Erfolgsquote bei einem weniger komplexen Szenario möglicherweise nicht besser ist als eine 98%ige Erfolgsquote bei einem komplexeren Szenario. Daher ist es wünschenswert, ein Komplexitätsmaß für ein Fahrszenario quantifizieren zu können, um eine genaue Leistungsmetrik für ein autonomes Fahrzeugsteuerungssystem zu bestimmen.
-
Die vorstehend in diesem Hintergrundabschnitt offenbarten Informationen dienen nur zum besseren Verständnis des Hintergrunds der Erfindung und können daher Informationen enthalten, die kein Teil des Standes der Technik sind, der in diesem Land bereits einem gewöhnlichen Fachmann bekannt ist.
-
KURZDARSTELLUNG
-
Ausführungsformen gemäß der vorliegenden Offenbarung stellen eine Reihe von Vorteilen bereit. So können beispielsweise Ausführungsformen gemäß der vorliegenden Offenbarung das schnelle Testen von autonomer Fahrzeugsoftware, Subsystemen und dergleichen mit nur periodischen menschlichen Eingriffen ermöglichen. Dieses System kann ferner zum Testen anderer Steuersystem-Software verwendet werden und ist nicht auf autonome Fahrzeuge beschränkt.
-
Gemäß einem Aspekt der vorliegenden Erfindung umfasst eine Vorrichtung eine Sensorschnittstelle zum Erzeugen von Sensordaten zum Koppeln an ein Fahrzeugsteuerungssystem, eine Steuerungssystem-Schnittstelle zum Empfangen von Steuerdaten vom Fahrzeugsteuerungssystem, einen Speicher zum Speichern eines ersten Szenarios mit einer ersten Gesamtkomplexität, worin das erste Szenario in eine erste Teilaufgabe und eine zweite Teilaufgabe unterteilt ist und worin die erste Teilaufgabe eine erste Komplexität und die zweite Teilaufgabe eine zweite Komplexität aufweist und worin die erste Gesamtkomplexität als Reaktion auf die erste Komplexität und die zweite Komplexität bestimmt wird, sowie einen Simulator zum Simulieren einer Fahrumgebung als Reaktion auf das erste Szenario und die Steuerdaten, wobei der Simulator ferner zum Steuern der Sensorschnittstelle und zum Erzeugen von Leistungsdaten als Reaktion auf die Steuerdaten dient.
-
Gemäß einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Verfahren das Empfangen eines Fahrszenarios, Segmentieren des Fahrszenarios in eine erste Aufgabe und eine zweite Aufgabe, Zuweisen einer ersten Komplexität zur ersten Aufgabe und einer zweiten Komplexität zur zweiten Aufgabe, Erzeugen einer Gesamtkomplexität als Reaktion auf die erste Komplexität und die zweite Komplexität, Vergleichen der Gesamtkomplexität mit einer menschlichen Komplexität, Gewichten der ersten Komplexität und der zweiten Komplexität als Reaktion auf den Vergleich, sodass die Gesamtkomplexität mit der menschlichen Komplexität korreliert, um eine aktualisierte Gesamtkomplexität zu erzeugen, sowie Bewerten einer Fahrerleistung als Reaktion auf die aktualisierte Gesamtkomplexität.
-
Die vorstehenden Vorteile und andere Vorteile und Merkmale der vorliegenden Offenbarung werden aus der folgenden ausführlichen Beschreibung der bevorzugten Ausführungsformen in Verbindung mit den zugehörigen Zeichnungen ersichtlich.
-
Figurenliste
-
Die zuvor genannten sowie weitere Eigenschaften und Vorteile dieser Erfindung und die Art und Weise, diese zu erzielen, werden augenscheinlicher, und die Erfindung wird besser verstanden anhand der folgenden Beschreibung von Ausführungsformen der Erfindung in Verbindung mit den zugehörigen Zeichnungen, worin gilt:
- 1 ist ein exemplarisches Linksabbiegeszenario gemäß einer Ausführungsform.
- 2 ist eine exemplarische Vorrichtung zur Implementierung des Verfahrens zum Erzeugen von autonomen Systemleistungsmetriken und Benchmarking gemäß einer Ausführungsform.
- 3 ist ein exemplarisches Verfahren zum Erzeugen von autonomen Systemleistungsmetriken und Benchmarking gemäß einer Ausführungsform.
-
Die hierin dargestellten Beispiele zeigen bevorzugte Ausführungsformen der Erfindung, und solche Beispiele sollen in keiner Weise als einschränkend für den Umfang der Erfindung ausgelegt werden.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Die folgende ausführliche Beschreibung ist ihrer Art nach lediglich exemplarisch und soll die Offenbarung oder die Anwendung und Verwendungen derselben in keiner Weise einschränken. Darüber hinaus besteht keinerlei Verpflichtung zur Einschränkung auf eine der im vorstehenden Hintergrund oder in der folgenden ausführlichen Beschreibung dargestellten Theorien. So weisen beispielsweise die Algorithmen, Software und Systeme der vorliegenden Erfindung eine besondere Anwendung zur Verwendung in einem Fahrzeug auf. Jedoch kann die Erfindung, wie Fachleute auf dem Gebiet erkennen werden, auch andere Anwendungsmöglichkeiten besitzen.
-
Die Fahrkomplexität wird typischerweise in Bezug auf spezifische Szenarien zusammen mit den Verkehrsregeln und den Fahrzielen gemessen. So ist beispielsweise in einem Linksabbiegeszenario der Zeitpunkt der Entscheidung, die Linksabbiegung an einer T-Kreuzung durchzuführen, ein kritischer Moment mit zahlreichen beitragenden Komplexitätsfaktoren, die letztendlich zu den resultierenden Verhaltensweisen und Ergebnissen beitragen. In einem weiteren exemplarischen Szenario kann ein Fahrer oder Fußgänger in oder in der Nähe eines anhaltenden Fahrzeugs den Verkehr vorbeifahren lassen, wenn das Auto einen Teil der Straße blockiert. Eine erfolgreiche Navigation des angehaltenen Fahrzeugs und des Gegenverkehrs erfordert, dass der Fahrer die vielfältigen Faktoren und potenziellen Gefahren basierend auf dem Verhalten anderer Fahrer beobachtet, bewertet und beurteilt, während er diese komplexe Situation durchläuft.
-
Beim Bestimmen und Quantifizieren der Fahrkomplexität ist es wünschenswert, die Entwicklung, parametrische Variationen und Quantifizierung von Szenarien hervorzuheben, bei denen aktuelle A1 oder tief lernende autonome Fahrsysteme die schlechteste Leistung aufweisen. Die Komplexität kann auch theoretisch quantifiziert und auf verschiedene Weise gemessen werden. So ermöglichen beispielsweise bestimmte Verhaltensmaßnahmen es den Forschern, die Fahrleistung zu quantifizieren, wie beispielsweise die Entfernung des Fahrzeugs zur Mitte der Fahrspur oder die Entfernung zu anderen Verkehrsteilnehmern. Darüber hinaus kann die Leistung eines Menschen bei einer Fahraufgabe mit verhaltens- und neurophysiologischen Metriken für Engagement, Leistung und Faktoren, die zu einer geringeren Leistung beitragen, bewertet werden. Die Verhaltensmessungen beinhalten die Reaktionszeit für Entscheidungen und Verhaltensweisen, einschließlich Wahrnehmungserkennung, Diskriminierung und die Zeit zur Durchführung der Aufgabe.
-
Typische Fahrfehler resultieren aus menschlichem Versagen und Verfahrensfehlern. Neuronale Messungen mittels Elektroenzephalogramm und anderen nicht-invasiven Gehirndarstellungstechniken beinhalten kognitive Arbeitsbelastung, Engagement und den kognitiven Zustand des Operators, wie beispielsweise Müdigkeit, räumliche Aufmerksamkeit usw. in den Teilaufgabenprozessen. Die Fahrsteuereingänge können auch verwendet werden, um die Leistung bei einem Soll- oder Idealzustand, einer Entscheidung oder einem Weg (z. B. Motornachlauffehler) zu beurteilen. Die Erfahrung des Fahrers und der Zugang auf die Erfahrung und das Wissen sind ebenfalls entscheidende Faktoren bei der Entscheidungsfindung. Die Entscheidungsprozesse für Fahrer in hochkomplexen Situationen sind ein besonderer Schwerpunkt für die Gestaltung der Szenarien und die Komplexität und die Einstufung von Metriken sowohl von Human-in-Loop (HIL) als auch von autonomen Fahrbeispielen aus diesen Szenarien. Das Ziel besteht darin, das kognitive Modell zunächst unter Verwendung der „besten“ HIL-Beispiele der komplexen Szenarien zu trainieren, dann unter Verwendung eines autonomen Steuersystems gute und schlechte Trainingsdaten zu erzeugen und die nachfolgenden Exemplare über eine ausreichend leistungsfähige Hardware, wie beispielsweise einen Computer-Cluster, schnell parallel zu bewerten.
-
In der Forschung zum HIL-Fahrerverhalten und zur Verkehrssicherheit werden häufig Maßnahmen zur Komplexität abgeleitet, um die Schwierigkeit von Verkehrssituationen zu quantifizieren und die Leistung zu bewerten. Dies hängt von einer Reihe von Umweltfaktoren und Metriken ab, wie beispielsweise der Verkehrsdichte, dem Verhalten des Fahreragenten, der Belegung und Durchschnittsgeschwindigkeit, wie sie durch Verkehrsleitkameras erzeugt werden, sowie der Gesamtkonfiguration von Verkehr, Straßen und Wahrnehmungsqualität. Um das kognitive Antriebssystem zu schulen, müssen alle diese Variablen auf automatisierte Weise manipuliert werden, um eine umfangreiche Sammlung von Szenarien zu erstellen, aus denen genaue semantische Informationen und neuartige Verhaltensweisen erzeugt werden können, die die Fähigkeiten menschlicher Fahrer erfüllen oder übertreffen. Ein Beispiel für ein derartiges System würde einen Sweep dieser Parameter nutzen, um Szenarien unterschiedlicher Komplexität zu erzeugen und schnelle Iterationen und Variationen von Szenarien bereitzustellen, die in realen Fahrkontexten nicht realisierbar sind.
-
Obwohl dieser Ansatz ein schnelles Testen und Simulieren einer Vielzahl von Fahrsituationen ermöglichen würde, die für das Training eines kognitiven Modells von Vorteil sind, stellt er auch einzigartige Herausforderungen dar. Da Szenarien unbeaufsichtigt und in großer Menge erzeugt werden, ist es nicht mehr möglich, die Schwierigkeit und Komplexität eines gegebenen Szenarios zu bestimmen, wenn herkömmliche menschliche Scoring-Verfahren verwendet werden. Bei potenziell Zehntausenden von Szenarien, die durch diese Verfahren erzeugt werden können, wird die Fähigkeit zur automatischen Messung der Komplexität, vergleichbar mit der vom Menschen wahrgenommenen Komplexität, entscheidend für das Bestimmen der objektiven Leistung des kognitiven Systems im Verhältnis zum HIL-Fahrerverhalten. Dies ist nicht das einzige Problem, das mit dem schnellen Training kognitiver Systeme durch massiv parallele Simulationen verbunden ist; mit zunehmender Realisierbarkeit und Praxisnähe der Fahrszenarien wird auch das Mittel, mit dem die Komplexität bestimmt wird, schwieriger.
-
In einem Szenario ist eine „Episode“ definiert als ein diskreter Satz von „Ereignissen“ und stellt die oberste Ebene der Hierarchie des kognitiven Systems dar. Die Episode kann als grundlegende Speichereinheit innerhalb des kognitiven Systems betrachtet werden, die Sequenzen von kontinuierlichen Phänomen definiert, die eine Instanz eines Fahrzeugszenarios beschreiben, z. B. ein Linksabbiegen an einer belebten Kreuzung. Eine komplette Episode besteht aus kleineren Sequenzen, die als „Ereignisse“ bezeichnet werden, die spezifische, stereotypisierte Ereignisse sind, die über mehrere Episoden verteilt werden können. Im vorstehenden Beispiel können einige Ereignisse, die die Episode umfassen, Elemente wie die Geschwindigkeit des Querverkehrs, verfügbare Lücken innerhalb des Verkehrs, die Traj ektorie anderer Fahrzeuge/Fußgänger oder die aktuelle Fahrspurposition des selbstfahrenden Fahrzeugs beinhalten. Derartige diskretisierte Phänomene sind nicht notwendigerweise einzigartig für die Umstände des Linksabbiegeereignisses und können auch in anderen Episoden vorhanden sein; beispielsweise können Fußgänger in einer Episode anwesend sein, die ein Parkszenario beschreibt. Darüber hinaus können diese Untereinheiten eines Szenarios mit einem Komplexitätswert erreicht oder bewertet werden, wobei diese Werte jedoch nicht statisch sein dürfen oder austauschbar auf das gleiche Ereignis übertragen werden, das in einem anderen Szenario enthalten ist; als ein Beispiel kann die Kritikalität eines Ereignisses in der Mitte des Linksabbiegens durch das Vorhandensein von starkem Verkehr unmittelbar nach dem Abbiegen geändert werden. Das heißt, je nach Kontext eines Ereignisses kann sich die Komplexität des Ereignisses oder des Gesamtszenarios ändern. Verfahren zur automatischen Bewertung derartiger Szenarien müssen daher notwendigerweise in der Lage sein, diese Abweichungen und die Gewichtung zu berücksichtigen und entsprechende Untereinheiten der Szenarien zu bewerten.
-
Jedes Ereignis wird durch Wahrnehmungen oder Beobachtungen aus der Umgebung definiert, die von Daten aus internen und externen Sensorsystemen bereitgestellt werden. Diese Wahrnehmungen werden als „Token“ gesammelt und bestehen aus einem Paket von Daten, die von Sensorsystemen in Echtzeit übertragen werden. Diese Daten werden dann verarbeitet und zum Definieren von Ereignissen verwendet. Die Wahrnehmungen beinhalten kritische Informationen in Bezug auf das Umfeld wie beispielsweise Fahrspurpositionen, Abbiegefahrspuren und andere Umgebungsbedingungen, die für den Fahrvorgang entscheidend sind. Integral sind ebenfalls Eigenschaften von Agenten innerhalb dieses Umfelds, wie beispielsweise Objektdefinition, Geschwindigkeit, Kurs usw. sowie Aspekte des selbstfahrenden Fahrzeugs, wie beispielsweise Eigengeschwindigkeit, Kurs, usw. Token sind einströmende Wahrnehmungen, die zusammengeführt werden, um diskrete Einheiten von Szenariozuständen, sogenannte Ereignisse, zu definieren. Dann wird eine Sammlung von beobachteten Ereignissen durch reales Fahren und Simulation gelernt, um End-to-End-Szenarien zu erzeugen, die sogenannten Episoden, die als die wichtigsten Speichereinheiten gespeichert werden.
-
Es ist wünschenswert, so viele Episoden wie möglich zu lernen, was durch passives Sammeln durch reale Fahrsituationen aufgrund der Art des kognitiven Prozessors besser möglich ist. Infolgedessen wurden Szenarien erstellt, die eine schnelle Iteration verschiedener Zustände des Umfelds ermöglichen, wie beispielsweise Fahrspurkonfiguration, Verkehrsszenarien, selbstfahrende Eigenschaften und Verhaltensweisen von nichtselbstständigen Agenten, um Episoden schneller als in der Echtzeit zu speichern. Dies ermöglicht eine viel umfangreichere episodische Speicherbank und stellt eine umfangreichere Sammlung von Szenarien zur Verfügung, aus denen das kognitive System maschinelles Lernen durchlaufen und semantische Beziehungen erzeugen kann, die für generative, nicht reuidenbasierte Handlungen entscheidend sind.
-
Während der Simulation können Token in Echtzeit durch das Streamen von Wahrnehmungen über eine Schnittstelle erzeugt werden. Fahrzeug- und Umgebungsdaten werden pro Simulationsschritt gesammelt und an einen Ausgangssockel gestreamt, um sie in das kognitive Modell zu übertragen, das dann die gesammelten Token-Daten in Ereignisse umwandelt. Wahrnehmungen können aus fahrzeugbezogenen „Self Port“-Daten gesammelt und fahrzeugindividuell tokenisiert werden, wodurch eine allozentrische Position/Geschwindigkeitsanordnung für jeden Agenten innerhalb des Szenarios bereitgestellt wird. Umgebungszustände, wie beispielsweise Straßenkonfigurationen, werden im kognitiven Modell durch Daten von Spurhaltesensoren rekonstruiert, welche die Grenzen gültiger Fahrspuren definieren und Informationen in Bezug auf Kreuzungen oder Durchfahrtskonfigurationen bereitstellen, die vom kognitiven System als Komponenten von Episoden gelernt werden. Nicht erdgebundene Wahrheitsvorrichtungen können gerätespezifisch tokenisiert werden. Die „Sensorwelt“ tritt dann an die Stelle von grundlegenden Self-Port-Daten und unterliegt realistischen Störungen des Wahrnehmungsstroms, wie beispielsweise der Sensorverdeckung, Fehlfunktion oder Signaldämpfung aufgrund von Umwelteinflüssen wie Regen oder Nebel. Die Abgrenzung einzelner Ereignisse und Episoden wird zunächst durch das Erstellen von Szenarien in der Simulation erleichtert. Mit der schnellen Sammlung und Automatisierung unterschiedlicher Ereignisse durch Parameter-Sweeps von Simulationsvariablen (z. B. Fahrspuranzahl) definiert das kognitive System schließlich die zeitlichen Randbedingungen von Ereignissen durch den Einsatz von Grammatikalgorithmen und hierarchischen Clustering-Techniken.
-
Wendet man sich nun 1 zu, so ist ein exemplarisches Linksabbiegeszenario dargestellt. Um eine genaue und aussagekräftige Komplexitätsmetrik zu erzeugen, wird das Szenario in Teilaufgaben unterteilt. Die Fahrbahnoberfläche 110 der t-Kreuzung ist dargestellt, wobei sich ein Fahrzeug von der unteren Straße S1 nähert und nach links über eine Fahrspur fährt. Die Einführung einer Komplexitätsmetrik ermöglicht es, während einer autonomen Fahraufgabe einen Komplexitätswert auf Teilaufgabenebene zu berechnen. Durch die Übernahme von Daten, die während der Simulation entstehen, und die Extraktion eines Maßes für die Komplexität schafft das autonome Fahrzeug eine Grundlage für den Szenarienvergleich und eine Grundlage für Maßnahmen basierend auf früheren Situationen mit ähnlichen Komplexitätsbewertungen. Die Aufmerksamkeitsanforderung an das autonome System kann dann basierend auf der Komplexität erfolgen. Das Maß an Komplexität speist sich letztendlich aus dem kognitiven Modell und den Bewertungsergebnissen, um die Entscheidungsfindung zu steuern. In dieser exemplarischen Ausführungsform wird die Bewertung an einem Linksabbiege-Szenario durchgeführt. In diesem Szenario gibt es viele Iterationen, die aufgrund von zum Beispiel Verkehrsdichte, Anzahl der Fußgänger, Wetterbedingungen usw. auftreten können. Um die Komplexität zu messen, wird die Hauptaufgabe des Linksabbiegens in Teilaufgaben zerlegt. In dieser exemplarischen Ausführungsform ist die Hauptaufgabe des Linksabbiegens in vier Teilaufgaben S1, S2, S3 und S4 unterteilt. Um die Skalierbarkeit für andere Szenarien zu ermöglichen, werden Merkmale der Teilaufgaben herangezogen, um eine Reihe von Richtlinien zu erstellen, die die Daten in Teilaufgaben aufteilen. Der S1-Endpunkt der Teilaufgabe 1 wird bestimmt, indem der Zeitpunkt ermittelt wird, an dem die Geschwindigkeit des Fahrzeugs unter eine bestimmte akzeptable Haltegeschwindigkeit fällt. Der S2-Endpunkt der Teilaufgabe 2 wird dann ermittelt, wenn das Fahrzeug eine bestimmte Beschleunigungsgeschwindigkeit überschreitet. Der S3-Endpunkt der Teilaufgabe 3 wird durch das Betrachten ermittelt, wann die x-Koordinate des Fahrzeugs nicht mehr geändert wird. Es wird davon ausgegangen, dass der Endpunkt einer Teilaufgabe der Anfangspunkt der nächsten Teilaufgabe ist. Diese Merkmale, die das Ende der jeweiligen Teilaufgaben bestimmen, sollten für die meisten einfachen Linksabbiegeszenarien skalierbar sein, jedoch abhängig von der Aggressivität des Fahrers, der Vertrautheit mit der Straße und der Einfachheit der Linksabbiegeaufgabe.
-
Der Zweck der Aufteilung der Linksabbiegeaufgabe in Teilaufgaben besteht darin, Komplexitätsänderungen zu bestimmen, basierend darauf, wo in der Aufgabe die Komplexität gemessen wird. Durch die Aufteilung der Aufgabe in Teilaufgaben ist es möglich zu erkennen, wie sich die Komplexität zwischen verschiedenen Teilen der Aufgabe ändert, sowie auch wie sich die Komplexität im Laufe der Zeit ändert. Durch die Aufteilung der Aufgabe in Teilaufgaben kann die Komplexität innerhalb jeder Teilaufgabe und die Komplexität zwischen Teilaufgaben als Funktion der Zeit berechnet werden. Die Komplexität ändert sich von Teilaufgabe 1 S1 zu Teilaufgabe 2 S2 und demonstriert einen Unterschied in der Komplexität im Laufe der Zeit. Innerhalb einer Teilaufgabe sind die Merkmale jedoch im Allgemeinen gleich, sodass das Messen von Unterschieden zwischen den Teilaufgaben einen nicht-trivialen zeitlichen Unterschied in der Komplexität ergibt. Im Allgemeinen werden Teilaufgaben basierend auf dem Unterschied der Merkmale bestimmt, was einen natürlichen zeitlichen Komplexitätsvergleich zwischen Teilaufgaben ermöglicht. Sicherlich können sich einige Merkmale innerhalb einer Teilaufgabe ändern, aber grundlegend für die Aufteilung der Teilaufgaben ist eine Minimierung dieser Merkmalsänderungen. Je nach Anwendung kann es von Interesse sein, zu messen, wie sich die Komplexität während der gesamten Aufgabe oder ausschließlich in einer Teilaufgabe zeitlich ändert. Da Teilaufgaben kontinuierlich sind (der Endpunkt von einer ist der Ausgangspunkt der nächsten), kann sowohl die große (während einer Aufgabe) als auch die kleine (während einer Teilaufgabe) zeitliche Komplexität berechnet werden, wobei wir davon ausgehen, dass unsere zukünftigen Bemühungen diese Komplexitätsmaße auf einen kontinuierlichen oder diskreten ereignisbezogenen Zeitbereich extrapolieren werden.
-
Aus den Daten der Simulationen berechnete spezifische Merkmale werden zur Abbildung der Komplexitätsparameter herangezogen. So kann beispielsweise das Wetter eine sehr wichtige Rolle beim Bestimmen der Wahrnehmungskomplexität und in geringerem Maße bei der Geschwindigkeit der Entscheidungsfindung spielen. Ein direkter Weg, die Anzahl der Alternativen zu messen und damit die Komplexität einzuschätzen, ist das Messen der durchschnittlichen Anzahl der Fahrspuren in jeder Teilaufgabe. Das Zählen der Anzahl der Fahrspuren kann ein direktes Maß für die Komplexität in diesem Linksabbiegeszenario sein, da es die Annäherung an eine Kreuzung anzeigt, an der sich zahlreiche Alternativen ergeben. Die Anzahl der Fahrspuren kann jedoch in anderen Situationen nicht so komplex sein, wie beispielsweise bei einer mehrspurigen Autobahn, die vier Fahrspuren in jede Richtung aufweist, doch sie kann nicht so komplex sein wie eine Kreuzung in zwei Richtungen. Die Anzahl der Fahrspuren kann nur bei niedrigeren Geschwindigkeiten wichtig sein, was bedeutet, dass das Zusammenwirken zwischen dem Geschwindigkeitsmerkmal und dem Merkmal für die Anzahl der Fahrspuren zukünftig möglicherweise berücksichtigt werden muss. Die Grundidee, die hinter der Verwendung der Anzahl der Fahrspuren in diesem Szenario steht, ist, dass sie (1) eine Kreuzung in diesem Szenario anzeigt und (2) eine Auswahl an Fahrspuren, in die man einmünden kann, angibt. Auf diese Weise kann durch Zählen der Anzahl der Fahrspuren die Komplexität berechnet werden. Ein weiteres Maß für die Anzahl der Alternativen kann in einer zeitlichen Dimension und nicht in einer räumlichen Dimension erhoben werden. In dieser Hinsicht kann die Anzahl der Verkehrslücken verwendet werden, um Alternativen zu ermitteln. Die Idee hinter dem Messen der Anzahl der Verkehrslücken in einer bestimmten Teilaufgabe ist, dass sie ein Maß dafür ist, wie viele Möglichkeiten es für das Linksabbiegen gegeben hat. Diese Informationen können in Verbindung mit den Daten der Anzahl der Fahrspuren verwendet werden, um ein vollständigeres Maß an Alternativen zu erhalten. Im Hinblick auf die Skalierbarkeit kann es jedoch sein, dass die Anzahl der Alternativen nicht immer mit den Verkehrslücken in allen Szenarien, in denen das Fahren im Querverkehr nicht erforderlich ist, übereinstimmt. In diesem Fall muss ein weiteres zeitliches alternatives Merkmal gefunden werden. Es ist wichtig, die Anzahl der Alternativen sowohl räumlich als auch zeitlich unabhängig von der Fahrsituation zu messen.
-
Grundsätzlich ist Kritikalität ein subjektives Maß und kann als der erwartete Wert des Risikos, keine Entscheidung zu treffen, angesehen werden. Das heißt, wenn das Risiko in einer Teilaufgabe im Vergleich zu den anderen Teilaufgaben hoch ist, wie beispielsweise beim Durchqueren einer Kreuzung, ist die Kritikalität in dieser Teilaufgabe hoch. Im spezifischen Fall des Linksabbiegens ist die Kritikalität beim Annähern an das Stoppschild und beim Linksabbiegen hoch. In diesem Fall ist die Kritikalität hoch, wenn die Geschwindigkeit niedrig ist, wie beispielsweise das Anhalten an einem Stoppschild und der Beginn eines Abbiegevorgangs. In dieser Hinsicht kann die Kritikalität in diesem spezifischen Szenario als Umkehrung der Geschwindigkeit gemessen werden. Allerdings ist die Kritikalität das szenariospezifischste Maß für die Komplexität, und im Falle von Autobahnfahrten kann die Kritikalität mit zunehmender Geschwindigkeit zunehmen oder sie kann zunehmen, wenn sie beim Verlangsamen der Ausfahrt von der Autobahn zunimmt. Daher ist die Kritikalität in jeder Situation und sogar in jeder Situation in jeder Teilaufgabe sehr unterschiedlich.
-
Ein direktes Maß für die wahrnehmbare Komplexität ist das Wetter. Die wahrnehmbare Komplexität erhöht sich drastisch bei starkem Schnee oder starkem Nebel. Ein weiteres Maß für die wahrnehmbare Komplexität ist die Anzahl der Objekte, die die Sensoren erfassen. Die Idee hinter dem Messen der Anzahl der Objekte, die das Auto in einer bestimmten Teilaufgabe sieht, ist, dass je mehr Objekte, mit denen das Auto interagieren muss, desto komplexer die Wahrnehmung durch das Auto sein muss. Diese Funktion sollte relativ skalierbar sein, obwohl sich die Gewichtung je nach Szenario ändern kann. So kann beispielsweise die Anzahl der Objekte wichtiger sein als das Wetter, wenn man an einem klaren Tag eine belebte Kreuzung überquert, aber die Anzahl der Objekte kann weniger wichtig sein, wenn man bei verschneiten Bedingungen auf einer kurvenreichen, trostlosen Straße fährt.
-
Letztlich kann die Geschwindigkeit der Entscheidung als Umkehrung der Gesamtlänge der Teilaufgabe angesehen werden. Je größer die Zeitspanne, in der sich der Fahrer in einer bestimmten Teilaufgabe befindet, desto länger ist die Geschwindigkeit der Entscheidung. Dies ist auch an die Geschwindigkeit des Fahrers gebunden, wobei je größer die Geschwindigkeit, desto geringer die Geschwindigkeit der Entscheidung, da der Fahrer weniger Zeit in der spezifischen Teilaufgabe verbringt. Im Rahmen der Komplexitätsberechnung für die Entscheidungsgeschwindigkeit wird die Anzahl der Sekunden in jeder Teilaufgabe berechnet. Dieser Berechnung liegt die Geschwindigkeit zugrunde, sodass sie nicht explizit in der Geschwindigkeit der Entscheidung berücksichtigt wird. Diese Funktion ist skalierbar: Die Entscheidungsgeschwindigkeit wird grundsätzlich ermittelt, indem die Umkehrung der Länge der Teilaufgabe berücksichtigt wird, je länger die Teilaufgabe, desto langsamer die Entscheidungsgeschwindigkeit, da die Teilaufgaben korrekt partitioniert sind.
-
Der nächste Schritt ist das Vergleichen der berechneten Komplexitätswerte mit den subjektiven Komplexitätswerten, die von einem Menschen erstellt wurden. Vom Menschen erstellte Komplexitätswerte beinhalten Fehlerwahrscheinlichkeiten und Vertrautheit, die in den berechneten Komplexitätswerten nicht berücksichtigt werden. Es ist wünschenswert, die berechneten Komplexitätswerte zunächst mit den vom Menschen erstellten Komplexitätswerten abzugleichen, um eine Baseline zu erstellen. Um somit die berechneten und erstellten Komplexitätswerte abzugleichen, werden die verschiedenen Teilaufgabenkomplexitäten gewichtet und angepasst, um die menschlichen Werte besser abzugleichen. Dieser Prozess zum Vergleichen der algorithmisch berechneten Komplexitätswerte mit subjektiven menschlichen Komplexitätswerten findet weiterhin statt, wenn Daten erzeugt werden, wobei der Prozess wieder eigenständig zurückkehrt, um den Algorithmus weiter zu verfeinern. Viele von Menschen erstellten Komplexitätswerte werden aggregiert und normiert, um den Algorithmus zu verallgemeinern.
-
Um die Korrelation zwischen Teilaufgaben oder Komplexitätskategorien und menschlichen Komplexitätswerten zu bestimmen, werden die Daten aus einer anderen Perspektive analysiert. Innerhalb eines gegebenen Szenarios wird die Gesamtkomplexität zwischen den Komplexitätskategorien für die Teilaufgabe 1 berechnet. In einer exemplarischen Ausführungsform wird der Gesamtkomplexitätswert dann durch den Gesamtalgorithmuskomplexitätswert über alle Teilaufgaben geteilt und dann mit 100 multipliziert. Dies ergibt eine skalierte Funktion, die darstellt, wie viel Teilaufgabe 1 zur Gesamtkomplexität für Szenario 1 beiträgt. Nachdem die skalierten Komplexitätsbeiträge für jede Teilaufgabe berechnet wurden, werden die Ergebnisse innerhalb jeder Teilaufgabe weiter skaliert. Das heißt, alle Teilaufgabenwerte werden dann durch die höchste Punktzahl einer Teilaufgabe unter allen Szenarien dividiert, um die Ergebnisse innerhalb der gegebenen Teilaufgabe zu skalieren. Die berechneten Komplexitätsergebnisse werden dann mit den menschlichen Komplexitätswerten verglichen. Ähnlich wie bei den Teilaufgabenwerten werden alle menschlichen Komplexitätswerte durch den größten menschlichen Komplexitätswert unter den Teilaufgaben aufgeteilt, was einen Vergleich durch eine vergleichbare Skalierung ermöglicht.
-
Teilaufgaben mit einer negativen Korrelation mit menschlichen Komplexitätswerten, wie beispielsweise das Annähern an das Stoppschild und das Verlangsamen, werden als einfache Teilaufgaben erwartet, die nicht wesentlich zur Gesamtkomplexität beitragen. Es wird daher erwartet, dass es sich um eine komplexere Teilaufgabe handelt, da der Komplexitätsumfang einer Teilaufgabe zur Gesamtkomplexität beiträgt. Wenn beispielsweise das Verlangsamen beim Annähern an ein Stoppschild 1, das die einfachste Teilaufgabe beim Linksabbiegen ist, der Hauptfaktor für die Gesamtkomplexität ist, war die Aufgabe selbst im Vergleich zu anderen Aufgaben nicht sehr schwierig.
-
Die gleiche Analyse wird über alle Komplexitätskategorien hinweg wiederholt. Die Gesamtbewertung jeder Komplexitätskategorie findet sich unter allen Teilaufgaben in einem bestimmten Szenario. Dieser Wert wird dann durch den Gesamtkomplexitätswert für das Szenario dividiert und dann mit 100 multipliziert. Diese Berechnung berechnet den relativen Prozentsatz, den die Komplexitätskategorie zur Gesamtkomplexität in einem bestimmten Szenario beiträgt. Diese Berechnung wird für jede Komplexitätskategorie wiederholt.
-
Durch die Verwendung der verteilten Simulation kann das Komplexitätsmaß eines Verkehrsszenarios automatisiert und schnell wiederholt werden, um so den Umfang der dem kognitiven System zur Verfügung stehenden Szenariodaten zu maximieren. Parameter innerhalb der Simulation, wie beispielsweise die Verkehrsdichte, können bei Bedarf manipuliert werden, und die Parametersuche kann genutzt werden, um Verkehrsszenarien in einem breiten Spektrum von Komplexitätswerten schnell zu erzeugen. Viele tausend Variationen von Komplexitätsszenarien können dann gleichzeitig auf einer verteilten Cluster-Hardware ausgeführt werden, um das episodische Gedächtnis des kognitiven Lernmodells zu füllen und es einer breiten Vielfalt von Episoden auszusetzen, die das Fahrverhalten lenken.
-
Rückblickend auf die exemplarische Ausführungsform, gibt es vier Phasen eines Linksabbiegeszenarios, in dem sich das Maß an Komplexität mit dem Fortschreiten des Selbstfahrzeugs während der Abfahrt ändert. In der S1-Phase steht das Fahrzeug still und die Handlungen sind auf Fahren/Nicht-Fahren beschränkt. In diesem Stadium kann die Kritikalität und wahrnehmbare Schwierigkeit der Aufgabe durch Hinzufügen oder Subtrahieren von Simulationsanlagen, wie beispielsweise Fußgänger oder geparkte Autos, die kritische Elemente der Verhinderungsmaßnahme darstellen, oder sichtbare Behinderung / Verblendung, die zusätzliche Komplexität im Verfahren zu S2 erzeugt, verändert werden. Diese Elemente können schriftlich festgehalten werden, um automatisch viele situative Instanzen zu erzeugen, die die Bedingungen von S1 stark variieren. Ebenso kann die Komplexität von S2 geändert werden, indem die Geschwindigkeit des Querverkehrs, die Verkehrsdichte oder die Art des Verkehrs, wie beispielsweise Arten von LKWs, die die Sichtweite einschränken, automatisch geändert werden. S3 kann durch dasselbe modifiziert werden, enthält aber auch eine Automatisierung, die die Aggressivität des Querverkehrs oder die Konsistenz des Querverkehrs anpasst. Abschließend kann die Komplexität von S4 durch Faktoren wie plötzliches Bremsen, Straßentyp, Verschmelzungsverhalten von nicht selbstfahrenden Fahrzeugen und das Vorhandensein von „überraschenden“ Hindernissen, wie beispielsweise Straßenschutt, Sichtbarkeit der Fahrspur, usw. verändert werden. Parameter, die die globale Entscheidungsfindung beeinflussen, wie beispielsweise das Vorhandensein zusätzlicher Fahrspuren, Sonderfahrspuren, Bauvorhaben oder andere wahrscheinliche Straßenszenarien, sind allesamt zusätzliche Elemente, die für die Automatisierung geeignet sind. Durch die Modifikation dieser experimentellen Variablen besteht das Potenzial, Tausende von Permutationen einer bestimmten Verkehrssituation zu erzeugen, die umfangreiche Trainingsdaten für das kognitive System bereitstellen. Diese schnelle Iteration von Verkehrsvariablen und die parallelisierte, Cluster-basierte Simulation von selbst- und nicht selbstfahrenden Fahrzeugbewegungen ist der Schlüssel, um dem kognitiven Modell umfangreiche Trainingsdaten zur Verfügung zu stellen, die über das hinausgehen, was allein durch das Fahren in der realen Welt möglich ist. Die Vorteile dieses Ansatzes liegen in der vollständigen parametrischen Steuerung von Umgebungs- und Fahrzeugsituationen sowie des Verkehrsverhaltens. Dies erleichtert das sichere Testen von Randbedingungen und ermöglicht gleichzeitig eine systematische Modifikation der Modellparameter, um zu beobachten, ob die kognitive Architektur die Fähigkeiten der besten menschlichen Fahrer erreicht oder übertrifft.
-
Bezogen nun auf 2 ist eine exemplarische Vorrichtung 200 zur Implementierung des Verfahrens für das Erzeugen und Vergleichen von autonomen Systemleistungsmetriken dargestellt. Die Vorrichtung 200 ist funktionsfähig, um ein Fahrszenario zum Bewerten und Quantifizieren der Leistung eines Antriebssystems, einschließlich eines autonomen Antriebssystems, zu simulieren. Die Vorrichtung wird verwendet, um die kognitiven Kosten und den Aufwand zu quantifizieren, die ein Fahrer oder ein Fahrsystem benötigt, um das Szenario erfolgreich abzuschließen. Die Vorrichtung umfasst einen Simulator 220, eine Sensorschnittstelle 210, eine Steuersystemschnittstelle 240 und einen Speicher 250. Die Sensorschnittstelle 210 und die Steuersystemschnittstelle 240 sind für die Interaktion mit der Fahrzeugsteuerung entscheidend. Die Vorrichtung kann in Hardware, Software oder einer Kombination aus beidem implementiert werden.
-
Der Simulator 220 ist funktionsfähig, um die Fahrumgebung und das Fahrszenario zu simulieren und um Steuersignale zum Steuern der Sensorschnittstelle 210 zu erzeugen. Die Sensorschnittstelle 210 ist funktionsfähig, um Sensorsignale zu erzeugen, die von der Fahrzeugsteuerung 230 lesbar sind. Der Sensor signalisiert eine Schnittstelle mit dem Fahrzeugsteuerungssystem 230, sodass dem Fahrzeugsteuerungssystem vermittelt wird, dass es in der tatsächlichen Umgebung betrieben wird. Die Steuersystemschnittstelle 240 empfängt Steuersignale, die vom Fahrzeugsteuerungssystem 230 erzeugt werden. Die Steuersystemschnittstelle 240 übersetzt diese Steuersignale in Daten, die vom Simulator 220 als Rückmeldung aus dem Szenario verwendet werden. Die Szenarien werden im Speicher 250 gespeichert, auf den der Simulator zugreift. Der Simulator ist ferner funktionsfähig, um zusätzliche Informationen und Aktualisierungen der Szenarien und Komplexitätsmetriken im Speicher 250 zu speichern.
-
Bezogen nun auf 3 ist ein exemplarisches Verfahren für das Erzeugen und Vergleichen 300 von autonomen Systemleistungsmetriken dargestellt. Das Verfahren ist zunächst funktionsfähig, um ein Fahrszenario 310 zu empfangen. Das Szenario kann als Reaktion auf ein vom Simulator erzeugtes Steuersignal oder von einer separaten Steuerungsquelle empfangen werden. Das Verfahren ist dann funktionsfähig, um das Fahrszenario in eine Vielzahl von Aufgaben 320 zu unterteilen. So wird beispielsweise im zuvor beschriebenen Linksabbiegeszenario das Szenario in vier Teilaufgaben unterteilt. Das Verfahren ist dann funktionsfähig, um jeder der Teilaufgabe 330 eine Komplexität zuzuweisen. Der nächste Schritt ist das Erzeugen einer Gesamtkomplexität als Reaktion auf die zugewiesenen Aufgabenkomplexitäten 30. Die Gesamtkomplexität wird dann mit einer menschlichen Komplexität 340 verglichen, um eine Vergleichsmetrik zu erzeugen. Das Verfahren gewichtet dann die verschiedenen Teilaufgabenkomplexitäten 350 als Reaktion auf das Vergleichen derart, dass die die Gesamtkomplexität mit der menschlichen Komplexität korreliert, um eine aktualisierte Gesamtkomplexität zu erzeugen. Schließlich bewertet das Verfahren die Fahrerleistung als Reaktion auf die aktualisierte Gesamtkomplexität 360. Auch hier kann der Fahrer ein menschlicher Fahrer, ein teilunterstütztes autonomes Fahrsystem oder ein völlig autonomes Fahrsystem sein.
