DE102019217282A1 - Process for predicting the driving behavior of other road users - Google Patents

Process for predicting the driving behavior of other road users Download PDF

Info

Publication number
DE102019217282A1
DE102019217282A1 DE102019217282.2A DE102019217282A DE102019217282A1 DE 102019217282 A1 DE102019217282 A1 DE 102019217282A1 DE 102019217282 A DE102019217282 A DE 102019217282A DE 102019217282 A1 DE102019217282 A1 DE 102019217282A1
Authority
DE
Germany
Prior art keywords
road users
input data
driving behavior
vehicle
dependent
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.)
Pending
Application number
DE102019217282.2A
Other languages
German (de)
Inventor
Kristof Van Ende
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Volkswagen AG
Original Assignee
Volkswagen AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Volkswagen AG filed Critical Volkswagen AG
Priority to DE102019217282.2A priority Critical patent/DE102019217282A1/en
Publication of DE102019217282A1 publication Critical patent/DE102019217282A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion des Fahrverhaltens anderer Verkehrsteilnehmer. Um ein Verfahren vorzuschlagen, das eine Prädiktion des Fahrverhaltens anderer Verkehrsteilnehmer mit einer hinreichenden Wahrscheinlichkeit erlaubt, ist vorgesehen, dass das eigene Fahrverhalten mit einem Ego-Fahrzeug auf der Grundlage von verkehrssituationsabhängigen Eingangsdaten mittels einer Lernsoftware analysiert wird. Anschließend wird das Fahrverhalten anderer Verkehrsteilnehmer prädiziert wird, indem für die anderen Verkehrsteilnehmer verkehrssituationsabhängige Eingangsdaten ermittelt werden, so dass die Lernsoftware mittels dieser Eingangsdaten eine wahrscheinliche verkehrsabhängige Trajektorie ermittelt.The present invention relates to a method for predicting the driving behavior of other road users. In order to propose a method that allows the driving behavior of other road users to be predicted with a sufficient degree of probability, provision is made for one's own driving behavior with an ego vehicle to be analyzed using learning software on the basis of input data that is dependent on the traffic situation. The driving behavior of other road users is then predicted by determining traffic situation-dependent input data for the other road users, so that the learning software uses these input data to determine a probable traffic-dependent trajectory.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion des Fahrverhaltens anderer Verkehrsteilnehmer.The present invention relates to a method for predicting the driving behavior of other road users.

Die stetig voranschreitende Entwicklung von Fahrassistenzsystemen und Systemen zum automatisierten Fahren erfordern eine immer genaue Vorhersage oder Prädiktion, wie sich andere Verkehrsteilnehmer im Umfeld eines Ego-Fahrzeugs im Straßenverkehr verhalten, oder zumindest mit einer hohen Wahrscheinlichkeit verhalten werden. Hierzu sind bereits unterschiedliche Ansätze bekannt, die eine Vorhersage des Fahrverhaltens anderer Verkehrsteilnehmer jedoch nur unzureichend erlauben. DE 10 2017 212 629 A1 beschreibt beispielsweise ein Verfahren und eine Vorrichtung zur Prädiktion eines zukünftigen Verhaltens eines Verkehrsteilnehmers im Umfeld eines Kraftfahrzeugs, wobei das Kraftfahrzeug hierzu mit einer fahrzeugexternen Lernvorrichtung verknüpft ist. Die Prädiktionsvorrichtung fordert von der externen Lernvorrichtung ein von der Verkehrsteilnehmerklasse des registrierten Verkehrsteilnehmers abhängiges Bewegungsmodell an. Anschließend wird das entgegengenommene Bewegungsmodell von der Prädiktionsvorrichtung in Abhängigkeit von einem beobachteten aktuellen Verhalten des Verkehrsteilnehmers angepasst.The steadily advancing development of driver assistance systems and systems for automated driving require an always accurate prediction or prediction of how other road users in the vicinity of an ego vehicle will behave in road traffic, or at least will behave with a high degree of probability. Various approaches are already known for this purpose, but these only inadequately allow predictions of the driving behavior of other road users. DE 10 2017 212 629 A1 describes, for example, a method and a device for predicting future behavior of a road user in the vicinity of a motor vehicle, the motor vehicle being linked to a learning device external to the vehicle for this purpose. The prediction device requests a movement model that is dependent on the traffic participant class of the registered traffic participant from the external learning device. The movement model received is then adapted by the prediction device as a function of an observed current behavior of the road user.

Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren vorzuschlagen, das eine Prädiktion des Fahrverhaltens anderer Verkehrsteilnehmer mit einer hinreichenden Wahrscheinlichkeit erlaubt.It is therefore the object of the present invention to propose a method which allows the driving behavior of other road users to be predicted with a sufficient degree of probability.

Diese Aufgabe wird durch das Verfahren nach Anspruch 1 gelöst. Hiernach ist zunächst vorgesehen, dass das eigene Fahrverhalten mit einem Ego-Fahrzeug auf der Grundlage von verkehrssituationsabhängigen Eingangsdaten mittels einer Lernsoftware analysiert wird. Anschließend wird das Fahrverhalten anderer Verkehrsteilnehmer prädiziert, indem für die anderen Verkehrsteilnehmer verkehrssituationsabhängige Eingangsdaten ermittelt werden, so dass die Lernsoftware mittels dieser Eingangsdaten eine wahrscheinliche verkehrsabhängige Trajektorie ermittelt.This object is achieved by the method according to claim 1. According to this, it is initially provided that one's own driving behavior with an ego vehicle is analyzed by means of learning software on the basis of input data that is dependent on the traffic situation. The driving behavior of other road users is then predicted by determining traffic situation-dependent input data for the other road users so that the learning software uses these input data to determine a likely traffic-dependent trajectory.

Das erfindungsgemäße Verfahren lässt sich mithin in eine Lernphase und eine anschließende Anwendungsphase unterteilen. Während der Lernphase werden im Straßenverkehr gefahrene Trajektorien verkehrssituationsabhängig analysiert, wozu das Ego-Fahrzeug Eingangsdaten zusammenstellt und der Lernsoftware übermittelt. Als Lernsoftware kann beispielsweise „Generative Adversarial Imitation Learning“ (GAIL) verwendet werden. Zur Erfassung der Eingangsdaten besitzt das Ego-Fahrzeug geeignete Sensoren. Ein Teil der Sensoren sind dabei als Umfelderfassungssensoren ausgebildet und erfassen fahrzeugexterne Daten. Weitere Sensoren sind ausgebildet, um fahrzeuginterne Daten zu erfassen. Alle Sensoren sind zumindest mittelbar mit der Lernsoftware verbunden, um die verkehrssituationsabhängigen Eingangsdaten des Ego-Fahrzeugs an die Lernsoftware weiterleiten zu können.The method according to the invention can therefore be divided into a learning phase and a subsequent application phase. During the learning phase, trajectories driven in road traffic are analyzed depending on the traffic situation, for which purpose the ego vehicle compiles input data and transmits it to the learning software. For example, “Generative Adversarial Imitation Learning” (GAIL) can be used as learning software. The ego vehicle has suitable sensors to record the input data. Some of the sensors are designed as surroundings detection sensors and detect data from outside the vehicle. Further sensors are designed to capture vehicle-internal data. All sensors are at least indirectly connected to the learning software in order to be able to forward the traffic situation-dependent input data of the ego vehicle to the learning software.

In der Anwendungsphase werden mittels der Sensoren des Ego-Fahrzeugs Daten ermittelt, die den Eingangsdaten der anderen Verkehrsteilnehmern entsprechen. Diese Eingangsdaten werden durch das Ego-Fahrzeug an die Lernsoftware gesendet, so dass die Lernsoftware auf der Grundlage des angelernten Verhaltens wahrscheinliche Trajektorien bestimmt, auf denen sich die anderen Verkehrsteilnehmer voraussichtlich bewegen werden.In the application phase, the sensors of the ego vehicle are used to determine data that correspond to the input data of the other road users. These input data are sent by the ego vehicle to the learning software so that the learning software determines probable trajectories on which the other road users are likely to move on the basis of the learned behavior.

Mit anderen Worten, durch die allgemeine und abstrakte Beschreibung der Eingangsdaten kann das angelernte Verhalten auf andere Verkehrsteilnehmer übertragen werden, indem alle Eingangsdaten bezogen auf diesen Verkehrsteilnehmer definiert werden. Durch das selbst angelernte Verhalten können dadurch alle anderen ähnlichen Verkehrsteilnehmer prädiziert und deren Verhalten modelliert und vorhergesagt werden.In other words, through the general and abstract description of the input data, the learned behavior can be transferred to other road users by defining all input data related to this road user. Through the self-learned behavior, all other similar road users can be predicted and their behavior can be modeled and predicted.

Bevorzugte Ausführungsformen der vorliegenden Erfindung werden nachfolgend und in den Unteransprüchen angegeben.Preferred embodiments of the present invention are given below and in the subclaims.

Es wurde bereits beschrieben, dass sowohl während der Lernphase als auch während der Anwendungsphase unterschiedliche Eingangsdaten des Ego-Fahrzeugs und der anderen Verkehrsteilnehmer erfasst werden, die von der Lernsoftware empfangen und verarbeitet werden. Insbesondere erfassen Umfelderfassungssensoren, wie beispielsweise Kameras, Radar- und/oder Lidar-Sensoren, fahrzeugexterne Objekte, insbesondere andere Verkehrsteilnehmer, aber auch Straßenmarkierungen, Hindernisse, Verkehrszeichen und dergleichen, woraus sich ein vollständiges Bild der vorhandenen Verkehrssituation ergibt und woraus ein Umfeldmodell der Verkehrssituation erstellt werden kann. Ferner werden durch fahrzeuginterne Sensoren Eigenbewegungen des Ego-Fahrzeugs registriert, woraus sich ggf. unter Berücksichtigung von Navigationsdaten des Ego-Fahrzeugs die in einer bestimmten Verkehrssituation gefahrenen Trajektorien ergeben. Ergänzend registrieren fahrzeuginterne Sensoren vorzugsweise verkehrssituationsabhängige Wankmomente, Giermomente und/oder das Bremsverhalten des Ego-Fahrzeugs, was das Fahrverhalten insbesondere in kritischen Situationen, wie beispielsweise bei Ausweichmanövern oder einer Vollbremsung, charakterisiert. Während die fahrzeuginternen Eingangsdaten, insbesondere Wankmomente, Giermomente und/oder das Bremsverhalten, während der Lernphase ohne weiteres berücksichtigt werden können, sind diese Eingangsdaten während der Anwendungsphase nicht ohne weiteres durch Sensoren zu bestimmen. Diese Eingangsdaten - sofern sich mit der erforderlichen Genauigkeit nicht durch das Ego-Fahrzeug messbar sind - können beispielsweise durch eine zwischen den Fahrzeugen eingerichtete car2car-Kommunikation abgerufen und der Lernsoftware weitergeleitet werden.It has already been described that different input data from the ego vehicle and the other road users are recorded both during the learning phase and during the application phase, and are received and processed by the learning software. In particular, sensors such as cameras, radar and / or lidar sensors detect objects outside the vehicle, in particular other road users, but also road markings, obstacles, traffic signs and the like, from which a complete picture of the existing traffic situation is obtained and from which an environment model of the traffic situation is created can be. In addition, vehicle-internal sensors register the ego vehicle's own movements, from which, if necessary, taking into account navigation data of the ego vehicle, the trajectories driven in a certain traffic situation result. In addition, vehicle-internal sensors register roll moments, yaw moments and / or the braking behavior of the ego vehicle, which are dependent on the traffic situation, which characterize the driving behavior in particular in critical situations, such as evasive maneuvers or full braking. While the vehicle-internal input data, in particular rolling moments, yawing moments and / or the braking behavior, can easily be taken into account during the learning phase, these input data cannot easily be determined by sensors during the application phase. These input data - if they cannot be measured with the required accuracy by the ego vehicle - can, for example, be called up by a car2car communication set up between the vehicles and forwarded to the learning software.

Um die Genauigkeit der vorhergesagten Trajektorien anderer Verkehrsteilnehmer zu verbessern, ist nach einer bevorzugten Ausgestaltung der Erfindung vorgesehen, dass die verkehrsabhängigen Trajektorien in Abhängigkeit von unterschiedlichen Fahrzeuggruppen ermittelt werden, so dass das Fahrverhalten anderer Verkehrsteilnehmer fahrzeuggruppenabhängig prädizierbar ist. Fahrzeuggruppen können dabei in unterschiedlicher Weise gebildet werden, wobei sich eine Gruppierung nach der Leistung der Fahrzeuge, Fahrzeugtypen, Fahrzeuggröße und/oder Fahrzeugmasse als bevorzugt erwiesen hat, da feststellbar ist, dass sich charakteristische Verhaltensweisen der Fahrzeugteilnehmer ähneln, sofern die Verkehrsteilnehmer Fahrzeuge derselben Gruppe verwenden.In order to improve the accuracy of the predicted trajectories of other road users, a preferred embodiment of the invention provides that the traffic-dependent trajectories are determined as a function of different vehicle groups, so that the driving behavior of other road users can be predicted as a function of the vehicle group. Vehicle groups can be formed in different ways, whereby a grouping according to the performance of the vehicles, vehicle types, vehicle size and / or vehicle mass has proven to be preferred, since it can be determined that characteristic behaviors of the vehicle participants are similar if the road users use vehicles from the same group .

Konkrete Ausführungsformen der vorliegenden Erfindung werden nachfolgend mit Bezug auf die Figuren erläutert. Dabei zeigen:

  • 1 ein Flussdiagramm des Verfahrens und
  • 2 einen schematisch dargestelltes Anwendungsbeispiel des Verfahrens.
Concrete embodiments of the present invention are explained below with reference to the figures. Show:
  • 1 a flow chart of the method and
  • 2 a schematically illustrated application example of the method.

1 zeigt eine Lernphase A und eine Anwendungsphase B des Verfahrens. Bei der Lernphase A erfasst ein Ego-Fahrzeug 1 verkehrssituationsabhängige Eingangsdaten 2, insbesondere Objektdaten 3, Eigenbewegungen 4, verkehrssituationsabhängige Umfeldmodelle 5 und Navigationsdaten 6 des Ego-Fahrzeugs 1. Darüber hinaus werden auch fahrzeuginterne Daten, insbesondere Wankmomente 7, Giermomente 8, Beschleunigungswerte 9 und das Bremsverhalten 10, erfasst. Die Eingangsdaten 2 werden einer Lernsoftware 11 übermittelt, der das Fahrverhalten des Ego-Fahrzeugs 1 verkehrssituationsabhängig angelernt werden kann. 1 shows a learning phase A. and an application phase B. of the procedure. During the learning phase A. captures an ego vehicle 1 Traffic situation-dependent input data 2 , especially property data 3rd , Proper movements 4th , traffic situation-dependent environment models 5 and navigation data 6th of the ego vehicle 1 . In addition, vehicle-internal data, in particular rolling moments, are also recorded 7th , Yaw moments 8th , Acceleration values 9 and the braking behavior 10 , detected. The input data 2 become an educational software 11 transmitted that the driving behavior of the ego vehicle 1 can be learned depending on the traffic situation.

In der Anwendungsphase B ermittelt das Ego-Fahrzeug 1 die Eingangsdaten 2' eines anderen Verkehrsteilnehmers 12 und leitet die ermittelten Eingangsdaten 2' ggf. zusammen mit Eingangsdaten 2 des Ego-Fahrzeugs 1 an die Lernsoftware 11 weiter. Die Lernsoftware 11 berechnet aufgrund des angelernten Verhaltens die wahrscheinliche Trajektorie 13 des anderen Verkehrsteilnehmers 12 und übermittelt diese Trajektorie 13 dem Ego-Fahrzeug 1, so dass sich das Ego-Fahrzeug 1 entsprechend vorbereiten kann und - sofern erforderlich - in die automatische Fahrzeugführung eingreifen kann.In the application phase B. determines the ego vehicle 1 the input data 2 ' another road user 12th and forwards the determined input data 2 ' possibly together with input data 2 of the ego vehicle 1 to the learning software 11 further. The learning software 11 calculates the probable trajectory based on the learned behavior 13th of the other road user 12th and transmits this trajectory 13th the ego vehicle 1 so that the ego vehicle 1 can prepare accordingly and - if necessary - intervene in the automatic vehicle guidance.

Zur Verdeutlichung zeigt 2 eine Verkehrssituation während der Lernphase A, bei der ein Ego-Fahrzeug 1 auf einer dreispurigen Autobahn 14 mit einer Differenzgeschwindigkeit vDiff zwei Fahrzeuge 151,2 überholt, die mit unterschiedlichen aber konstanten Geschwindigkeiten v1,2 auf den beiden rechten Fahrspuren fahren. Das Ego-Fahrzeug 1 erfasst über geeignete Sensoren Eingangsdaten, also insbesondere die Positionen und Geschwindigkeiten v1, v2 der anderen Fahrzeuge 151,2 und die Eigenbewegung des Ego-Fahrzeugs 1, so dass ein Umfeldmodell der gegebenen Verkehrssituation erstellt werden kann. Die ermittelten Eingangsdaten werden der Lernsoftware in der bereits beschriebenen Weise übergeben, die das vorgegebene bzw. beobachtete Verhalten verkehrssituationsabhängig anlernt.For clarity shows 2 a traffic situation during the learning phase A. in which an ego vehicle 1 on a three-lane highway 14th with a differential speed v Diff two vehicles 15 1.2 overtakes those with different but constant speeds v 1.2 Drive in the two right-hand lanes. The ego vehicle 1 detects input data via suitable sensors, that is to say in particular the positions and speeds v 1 , v 2 of the other vehicles 15 1.2 and the proper movement of the ego vehicle 1 so that an environment model of the given traffic situation can be created. The determined input data are transferred to the learning software in the manner already described, which learns the predefined or observed behavior depending on the traffic situation.

2 zeigt darüber hinaus die Anwendungsphase B, bei der das Ego-Fahrzeug 1 mit konstanter Geschwindigkeit v1' auf der mittleren Spur der dreispurigen Autobahn 14 fährt. Auf der rechten Spur fährt ein weiteres Fahrzeug 151 ebenfalls mit einer konstanten Geschwindigkeit v2'. Weil das Ego-Fahrzeug 1 die vergleichsweise hohe Differenzgeschwindigkeit vDiff' eines von hinten sich annähernden Fahrzeugs 152 feststellt und alles zur Verfügung stehenden Eingangsdaten 2, 2' an die Lernsoftware übermittelt, kann durch die Lernsoftware die strichliniert dargestellte Trajektorie 13 des Fahrzeugs 152 vorhergesagt und mithin prädiziert werden, so dass sich das Ego-Fahrzeug 1 entsprechend vorbereiten kann und - sofern erforderlich - in die automatische Fahrzeugführung eingreifen kann, was in der dargestellten Verkehrssituation nicht erforderlich ist. 2 also shows the application phase B. where the ego vehicle 1 at constant speed v 1 'in the middle lane of the three-lane motorway 14th moves. Another vehicle 15 1 is also traveling in the right-hand lane at a constant speed v 2 '. Because the ego vehicle 1 the comparatively high differential speed v Diff 'of a vehicle 15 2 approaching from behind is determined and all available input data 2 , 2 ' transmitted to the learning software, the trajectory shown in dashed lines can be used by the learning software 13th of the vehicle 15 2 are predicted and therefore predicted, so that the ego vehicle 1 can prepare accordingly and - if necessary - can intervene in the automatic vehicle guidance, which is not necessary in the traffic situation shown.

BezugszeichenlisteList of reference symbols

11
Ego-FahrzeugEgo vehicle
2, 2'2, 2 '
EingangsdatenInput data
33
ObjektdatenObject data
44th
EigenbewegungenOwn movements
55
UmfeldmodelleEnvironment models
66th
NavigationsdatenNavigation data
77th
WankmomenteRolling moments
88th
GiermomenteYaw moments
99
BeschleunigungswerteAcceleration values
1010
BremsverhaltenBraking behavior
1111
LernsoftwareEducational software
1212th
VerkehrsteilnehmerRoad users
1313th
TrajektorieTrajectory
1414th
dreispurige Autobahnthree lane highway
151,2151.2
Fahrzeuge vehicles
AA.
LernphaseLearning phase
BB.
AnwendungsphaseApplication phase
v1,2v1.2
Geschwindigkeitspeed
v1,2'v1.2 '
Geschwindigkeitspeed
vDiffvDiff
DifferenzgeschwindigkeitDifferential speed
vDiff'vDiff '
DifferenzgeschwindigkeitDifferential speed

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

  • DE 102017212629 A1 [0002]DE 102017212629 A1 [0002]

Claims (3)

Verfahren zur Prädiktion des Fahrverhaltens anderer Verkehrsteilnehmer (12), wobei - das eigene Fahrverhalten mit einem Ego-Fahrzeug (1) auf der Grundlage von verkehrssituationsabhängigen Eingangsdaten (2) mittels einer Lernsoftware (11) analysiert wird und - das Fahrverhalten anderer Verkehrsteilnehmer (12) prädiziert wird, indem für die anderen Verkehrsteilnehmer (12) verkehrssituationsabhängige Eingangsdaten (2) ermittelt werden, so dass die Lernsoftware (11) mittels dieser Eingangsdaten (2) eine wahrscheinliche verkehrsabhängige Trajektorie (13) ermittelt.Method for predicting the driving behavior of other road users (12), wherein - one's own driving behavior with an ego vehicle (1) is analyzed on the basis of input data (2) dependent on the traffic situation by means of learning software (11), and - The driving behavior of other road users (12) is predicted by determining traffic situation-dependent input data (2) for the other road users (12) so that the learning software (11) uses these input data (2) to determine a likely traffic-dependent trajectory (13). Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Eingangsdaten (2) - Objektdaten (3) und/oder - Eigenbewegungen (4) und/oder - Umfeldmodelle (5) von Verkehrssituationen und/oder - Navigationsdaten (6) und/oder - Wankmomente (7) und/oder - Giermomente (8) und/oder - Beschleunigungswerte (9) und/oder - das Bremsverhalten (10) sind.Procedure according to Claim 1 , characterized in that the input data (2) - object data (3) and / or - own movements (4) and / or - environment models (5) of traffic situations and / or - navigation data (6) and / or - rolling moments (7) and / or - yaw moments (8) and / or - acceleration values (9) and / or - the braking behavior (10). Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass die verkehrsabhängigen Trajektorien (13) in Abhängigkeit von unterschiedlichen Fahrzeuggruppen ermittelt werden, so dass das Fahrverhalten anderer Verkehrsteilnehmer (12) fahrzeuggruppenabhängig prädizierbar ist.Method according to one of the Claims 1 or 2 , characterized in that the traffic-dependent trajectories (13) are determined as a function of different vehicle groups, so that the driving behavior of other road users (12) can be predicted as a function of the vehicle group.
DE102019217282.2A 2019-11-08 2019-11-08 Process for predicting the driving behavior of other road users Pending DE102019217282A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019217282.2A DE102019217282A1 (en) 2019-11-08 2019-11-08 Process for predicting the driving behavior of other road users

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019217282.2A DE102019217282A1 (en) 2019-11-08 2019-11-08 Process for predicting the driving behavior of other road users

Publications (1)

Publication Number Publication Date
DE102019217282A1 true DE102019217282A1 (en) 2021-05-12

Family

ID=75583946

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019217282.2A Pending DE102019217282A1 (en) 2019-11-08 2019-11-08 Process for predicting the driving behavior of other road users

Country Status (1)

Country Link
DE (1) DE102019217282A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021209541A1 (en) 2021-08-31 2023-03-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method of operating a connected vehicle

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011083677A1 (en) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Method for predicting traffic conditions for e.g. electric car, involves determining future information for traffic conditions of vehicle based on current state of vehicle and historical data
DE102014220427B3 (en) * 2014-10-08 2016-02-11 Bayerische Motoren Werke Aktiengesellschaft Model-based cancellation of automatic braking
DE102014225804A1 (en) * 2014-12-15 2016-06-16 Bayerische Motoren Werke Aktiengesellschaft Assistance in driving a vehicle
DE102016005580A1 (en) * 2016-05-06 2017-11-09 Audi Ag Method and system for predicting a driving behavior of a vehicle
DE102017212629A1 (en) * 2017-07-24 2019-01-24 Bayerische Motoren Werke Aktiengesellschaft Predicting the behavior of a road user

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011083677A1 (en) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Method for predicting traffic conditions for e.g. electric car, involves determining future information for traffic conditions of vehicle based on current state of vehicle and historical data
DE102014220427B3 (en) * 2014-10-08 2016-02-11 Bayerische Motoren Werke Aktiengesellschaft Model-based cancellation of automatic braking
DE102014225804A1 (en) * 2014-12-15 2016-06-16 Bayerische Motoren Werke Aktiengesellschaft Assistance in driving a vehicle
DE102016005580A1 (en) * 2016-05-06 2017-11-09 Audi Ag Method and system for predicting a driving behavior of a vehicle
DE102017212629A1 (en) * 2017-07-24 2019-01-24 Bayerische Motoren Werke Aktiengesellschaft Predicting the behavior of a road user

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021209541A1 (en) 2021-08-31 2023-03-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method of operating a connected vehicle

Similar Documents

Publication Publication Date Title
DE102017203838A1 (en) Method and system for environment detection
DE102014216257A1 (en) Method for determining a driving strategy
DE102016220583A1 (en) Method for checking an overtaking condition
DE102015121353A1 (en) Method for detecting a possible collision between a motor vehicle and an object taking into account a spatial uncertainty, control device, driver assistance system and motor vehicle
DE102018215008A1 (en) Method for operating a motor vehicle system of a motor vehicle, driver assistance device, and motor vehicle
DE102010052129A1 (en) Method for operating a motor vehicle and motor vehicle
DE102018105163A1 (en) Automated driving system
DE102017209533A1 (en) Lane change assistance system and lane change assistance method with increased safety for the driver and other road users
DE102015110969A1 (en) Method for outputting a driving instruction relating to a lane change of a motor vehicle, control device, driver assistance system and motor vehicle
DE102013219023A1 (en) Method and device for assisting a driver of a vehicle when changing lanes
DE102008011655A1 (en) Method for operating vehicle, involves determining momentary traffic situation on basis of detected traffic-relevant data, and speed of vehicle is automatically steered as function of momentary traffic situations
EP3521132B1 (en) Method for detecting a vehicle path for rail-bound vehicles
DE102013212360A1 (en) Prediction of the future travel path of a vehicle
DE102014222836A1 (en) Method for operating a driver assistance system and driver assistance system
DE102016208774A1 (en) Driver assistance device and driver assistance method
WO2018188846A1 (en) Driver assistance system for a vehicle
WO2018134026A1 (en) Method for navigating a motor vehicle along a prescribable route
DE102013003219A1 (en) Method for assisting driver of motor car on fast lane of two-lane road, involves driving preceding vehicle longer than preset time on fast lane, without having recognizable overhauling intent or avoidance intent
DE202013008112U1 (en) Driver assistance system for a motor vehicle
DE102019100318A1 (en) Device and method for improving assistance systems for lateral vehicle movements
DE102018215509A1 (en) Method and device for operating an at least partially automated first vehicle
DE102021000792A1 (en) Method for operating a vehicle
DE102018002239A1 (en) Procedure for issuing a warning
DE102019217282A1 (en) Process for predicting the driving behavior of other road users
DE102020211971A1 (en) VEHICLE TRAJECTORY PREDICTION USING ROAD TOPOLOGY AND TRAFFIC PARTICIPANT OBJECT STATES

Legal Events

Date Code Title Description
R163 Identified publications notified
R012 Request for examination validly filed