-
Die Erfindung betrifft ein Verfahren zum Trainieren eines Machine-Learning-Modells anhand einer straßengenauen Karte und einer spurgenauen Trainingskarte.
-
Eine Navigationskarte für ein Kraftfahrzeug kann straßengenau oder spurgenau sein. Eine straßengengenaue Karte beinhaltet eine Straßengeometrie, die eine Geometrie der gesamten Straße abbildet. Eine spurgenaue Karte beinhaltet dagegen eine Spurgeometrie, die eine einzelne Fahrspur der Straße abbildet. Die spurgenaue Karte kann dabei je nach der Anzahl von Spuren mehrere Spurgeometrien pro Straße aufweisen. Mit der spurgenauen Karte kann das Kraftfahrzeug genauer navigiert werden. Nachteilig hierbei ist jedoch, dass die spurgenaue Karte einen hohen Speicherplatzbedarf aufweist.
-
Aus der
DE 10 2018 218 043 A1 ist ein Verfahren zum Erstellen von Beobachtungsdaten durch ein Kraftfahrzeug bekannt. Das Kraftfahrzeug ermittelt dabei befahrene Straßenabschnitte und identifiziert die von dem Kraftfahrzeug befahrenen Fahrspuren dieser Stra-ßenabschnitte. Die ermittelten Straßenabschnitte und die befahrenen Fahrspuren werden als Beobachtungsdaten von dem Kraftfahrzeug an eine externe Servereinheit übertragen. Basierend darauf ordnet die externe Servereinheit die Anzahl der befahrbaren Fahrspuren der Straßenabschnitte als Information einer digitalen Karte zu.
-
Die Aufgabe der Erfindung ist es daher, ein verbessertes oder zumindest ein alternatives Verfahren bereitzustellen, das ein Erzeugen einer spurgenauen Karte aus einer straßengenauen Karte ermöglicht.
-
Diese Aufgabe wird erfindungsgemäß durch den Gegenstand des unabhängigen Anspruchs 1 gelöst. Vorteilhafte Ausführungsformen sind Gegenstand der abhängigen Ansprüche.
-
Ein erfindungsgemäßes Verfahren ist zum Trainieren eines Machine-Learning-Modells anhand einer straßengenauen Karte und einer spurgenauen Trainingskarte vorgesehen. Die straßengenaue Karte umfasst dabei eine Straßengeometrie mit mehreren Attributen und mit mehreren Geometriepunkten und die spurgenaue Trainingskarte umfasst eine Trainingsspurgeometrie. Das Machine-Learning-Modell weist dabei eine mathematische Funktion mit wenigstens einem Parameter auf. In dem Verfahren lernt das Machine-Learning-Modell in einer Trainingsphase den wenigstens einen Parameter aus der Straßengeometrie und aus der wenigstens einen Trainingsspurgeometrie. Nach der Trainingsphase erzeugt das Machine-Learning-Modell für die straßengenaue Karte wenigstens eine Spurgeometrie, die die Trainingsspurgeometrie der spurgenauen Trainingskarte approximiert, durch ein Abändern von den Geometriepunkten der Straßengeometrie basierend auf dem wenigstens einen gelernten bzw. erfassten Parameter.
-
Die der Straßengeometrie zugeordneten Attribute bzw. Eigenschaften und die der Straßengeometrie zugeordneten Geometriepunkte sind dabei straßengenau. Die Attribute können vorteilhafterweise Anzahl der Spuren, Funktionsklasse der Straße - beispielweise Autobahn, Schnellstraße oder Hauptstraße - und gegebenenfalls weitere Eigenschaften sein. Die Geometriepunkte können vorteilhafterweise die geografische Breite (Latitude), die geografische Länge (Longitude) und die geografische Höhe (Height) umfassen.
-
Vorteilhafterweise wird die straßengenaue Karte zusammen mit der vorhandenen Trainingskarte - beispielweise einer HD-Karte (HD: High Definition) - zum Trainieren des Machine-Learning-Modells in der Trainingsphase verwendet. Das Machine-Learning-Modell kann beispielweise ein Regressionsmodell oder ein neuronales Netz sein. Anhand der straßengenauen Karte und der spurgenauen Trainingskarte kann das Machine-Learning-Modell in der Trainingsphase den wenigstens einen Parameter lernen. Dazu werden mehrere Iterationen vorgenommen, in denen mehrere Spurgeometrien aus mehreren Stra-ßengeometrien erzeugt und mit den Trainingsspurgeometrien abgeglichen werden. Dadurch kann die mathematische Funktion des Machine-Learning-Modells in der Trainingsphase lernen, die Trainingsspurgeometrie möglichst genau zu approximieren. Die mathematische Funktion weist wenigstens einen Parameter, kann jedoch auch mehrere Parameter aufweisen. Basierend auf dem gelernten Parameter kann nun das Machine-Learning-Modell nach der Trainingsphase die wenigstens eine an die Trainingsspurgeometrie approximierte Spurgeometrie aus einer beliebigen weiteren Straßengeometrie der straßengenauen Karte erzeugen. Dabei können in dem Verfahren die Geometriepunkte der Straßengeometrie geändert werden, so dass die Straßengeometrie in eine Spurgeometrie oder in mehrere Spurgeometrien überführt bzw. transformiert wird. Die erzeugten Spurgeometrien sind dabei den Trainingsspurgeometrien aus der als das Trainingsziel vorgegebenen spurgenauen Trainingskarte möglichst angenähert. Dadurch können auch mit der straßengenauen Karte Funktionen des Kraftfahrzeugs, die die Spurgeometrie benötigen, realisiert werden.
-
Vorteilhafterweise kann vorgesehen sein, dass das Machine-Learning-Modell als den wenigstens einen Parameter einen lateralen Versatz der Straßengeometrie zu einem linken Straßenrand und/oder zu einem rechten Straßenrand lernt. Die Begriffe „links“ und „rechts“ können dabei auf die Fahrtrichtung im Rechtsverkehr oder im Linksverkehr bezogen sein. Vorteilhafterweise kann vorgesehen sein, dass das Machine-Learning-Modell als den wenigstens einen Parameter eine Anzahl von Spuren der Straßengeometrie lernt.
-
Vorteilhafterweise kann beim Erzeugen der wenigstens einen Spurgeometrie die Straßengeometrie der straßengenauen Karte repliziert werden. Die Geometriepunkte der replizierten Straßengeometrie können dann basierend auf dem wenigstens einen gelernten Parameter abhängig von dem Versatz und/oder von der Anzahl der Spuren um eine Summe von Spurenbreiten zum linken Straßenrand oder zum rechten Straßenrand verschoben werden. Dadurch kann nun die wenigstens eine Spurgeometrie für die straßengenaue Karte erzeugt werden.
-
Vorteilhafterweise kann vorgesehen sein, dass die wenigstens eine Spurgeometrie von dem Machine-Learning-Modell offline erzeugt und die straßengenaue Karte mit der wenigstens einen erzeugten Spurgeometrie offline ergänzt wird. Vorteilhafterweise kann die wenigstens eine Spurgeometrie beim Erstellen der straßengenauen Karte erzeugt werden und in die straßengenaue Karte integriert werden. Dadurch ist nun die straßengenaue Karte an die spurgenaue Trainingskarte approximiert bzw. angenähert. Die straßengenaue Karte, die mit der wenigstens einen Spurgeometrie ergänzt ist, entspricht einer spurgenauen Karte.
-
Alternativ kann die straßengenaue Karte mit dem wenigstens einen gelernten Parameter ergänzt werden und die wenigstens eine Spurgeometrie für die straßengenaue Karte von dem Machine-Learning-Modell während der Fahrt erzeugt werden. Dadurch wird nun die straßengenaue Karte an die spurgenaue Trainingskarte während der Fahrt approximiert bzw. angenähert. Mit anderen Worten kann aus der straßengenauen Karte eine spurgenaue Karte während der Fahrt erzeugt werden. Hier kann der Speicherbedarf vorteilhafterweise reduziert werden, da in der straßengenauen Karte nur der wenigstens eine gelernte Parameter und nicht die wenigstens eine Spurgeometrie gespeichert wird. Es versteht sich, dass zum Berechnen der wenigstens einen Spurgeometrie während der Fahrt eine Rechenkapazität benötigt wird.
-
Vorteilhafterweise kann vorgesehen sein, dass das Machine-Learning-Modell mit wenigstens einem handkodierten Vorbearbeitungsschritt und/oder mit wenigstens einem handkodierten Nachbearbeitungsschritt kombiniert wird. Der handkodierte Vorbearbeitungsschritt und/oder der handkodierte Nachbearbeitungsschritt können in dem Verfahren bei Bedarf ergänzt werden, um möglicherweise vorhandenen Schwachstellen des Machine-Learning-Modells zu eliminieren.
-
Im Folgenden werden beispielhaft zwei mögliche Ansätze zum Ausführen des Verfahrens beschrieben. Es sind jedoch auch weitere Ansätze möglich. Ein Link bzw. die Straßengeometrie repräsentiert dabei in der straßengenauen Karte einen Straßenabschnitt mit einer variablen Länge. Der Link bzw. die Straßengeometrie umfasst dabei mit dem Straßenabschnitt assoziierte Geometriepunkte zum Modellieren des Straßenverlaufs und Attribute wie die Anzahl der Spuren in dem Straßenabschnitt, den Vorgänger-Link und den Nachfolger-Link. Der Link bzw. die Straßengeometrie kann dabei als Sequenz der Geometriepunkte modelliert werden, wobei die Geometriepunkte die geografische Breite (Latitude), die geografische Länge (Longitude) und die geografische Höhe (Height) umfassen können.
-
Vorteilhafterweise kann das Verfahren auf einer Link-Ebene bzw. auf einer Straßengeometrie-Ebene durchgeführt werden. Bei diesem Ansatz lernt das Machine Learning-Modell aus dem Link bzw. der Straßengeometrie für jede Spur den lateralen Versatz der Spur gegenüber dem eingangs vorgegeben Straßenverlauf. Basierend darauf können die Geometriepunkte des Links bzw. der Straßengeometrie verschoben und daraus die wenigstens eine Spurgeometrie erzeugt werden. Alternativ kann das Verfahren auf einer Geometriepunkt-Ebene durchgeführt werden. Bei diesem Ansatz lernt das Machine Learning-Modell für jeden Geometriepunkt des Links bzw. der Straßengeometrie einen zugehörigen Geometriepunkt für die wenigstens eine Spurgeometrie für jede zu dem Link bzw. zu der Straßengeometrie zugeordneten Spur.
-
Weitere wichtige Merkmale und Vorteile der Erfindung ergeben sich aus den Unteransprüchen, aus der Zeichnung und aus der zugehörigen Figurenbeschreibung anhand der Zeichnung.
-
Es versteht sich, dass die vorstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
-
Ein bevorzugtes Ausführungsbeispiel der Erfindung ist in der Zeichnung dargestellt und wird in der nachfolgenden Beschreibung näher erläutert.
-
Die einzige 1 zeigt eine Draufsicht auf eine Straße 1. In 1 sind auf die Straße 1 zu Vergleichszwecken eine straßengenaue Karte 2, eine spurgenaue Trainingskarte 3 und eine in einem erfindungsgemäßen Verfahren erzeugte spurgenaue Karte 4 projiziert. Die straßengenaue Karte 2 ist mit einer dünnen gepunkteten Linie dargestellt. Die spurgenaue Trainingskarte 3 ist mit einer dünnen unterbrochenen Linie dargestellt. Die in dem erfindungsgemäßen Verfahren erzeugte spurgenaue Karte 4 ist mit einer dicken gepunkteten Linie gekennzeichnet. Die straßengenaue Karte 2 und die spurgenaue Trainingskarte 3 sind mit aus dem Stand der Technik bekannten Verfahren erzeugt. Die straßengenaue Karte 2 beinhaltet dabei eine Straßengeometrie 2a mit mehreren der Straßengeometrie 2a zugeordneten Attributen und mehreren der Straßengeometrie 2a zugeordneten Geometriepunkten. Die spurgenaue Trainingskarte 3 beinhaltet dabei Trainingsspurgeometrien 3a und 3b.
-
Das erfindungsgemäße Verfahren wird basierend auf der straßengenauen Karte 2 und der spurgenauen Trainingskarte 3 durchgeführt. Dabei lernt ein Machine-Learning-Modell in einer Trainingsphase für wenigstens einen Parameter aus der Straßengeometrie 2a und den Trainingsspurgeometrien 3a und 3b einen lateralen Versatz zu einem linken Straßenrand 5a und zu einem rechten Straßenrand 5b. Nach der Trainingsphase werden die Straßengeometrie 2a repliziert und aus der replizierten Straßengeometrie die Spurgeometrien 4a und 4b erzeugt. Dazu werden die Geometriepunkte der Straßengeometrie 2a abhängig von dem Versatz um eine Summe von Spurenbreiten zum linken Straßenrand 5a und zum rechten Straßenrand 5b verschoben. Das Verfahren wird also auf einer Link-Ebene bzw. auf einer Straßengeometrie-Ebene durchgeführt. Alternativ kann das Verfahren auf einer Geometriepunkt-Ebene durchgeführt werden. Hier erzeugt das Machine Learning-Modell für jeden Geometriepunkt der Straßengeometrie 2a einen zugehörigen Geometriepunkt für die Spurgeometrien 4a und 4b.
-
Die Spurgeometrien 4a und 4b können dabei nach der Trainingsphase offline erzeugt werden und die straßengenaue Karte 2 kann mit den erzeugten Spurgeometrien 4a und 4b zu der in dem Verfahren erzeugten spurgenauen Karte 4 ergänzt werden. Alternativ kann die straßengenaue Karte 2 mit dem gelernten Parameter ergänzt und die Spurgeometrien 4a und 4b und die spurgenaue Karte 4 während der Fahrt erzeugt werden.
-
Wie aus 1 ersichtlich, unterscheidet sich die in dem erfindungsgemäßen Verfahren erzeugte spurgenaue Karte 4 nur unwesentlich von der spurgenauen Trainingskarte 3 aus dem Stand der Technik.
-
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 102018218043 A1 [0003]
