DE102021107796A1

DE102021107796A1 - Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeug

Info

Publication number: DE102021107796A1
Application number: DE102021107796.6A
Authority: DE
Inventors: Esther Alberts; Stefan Holder; Irmengard Ditzell
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2021-03-29
Filing date: 2021-03-29
Publication date: 2022-09-29

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung eines höchstwahrscheinlichen Fahrpfades eines Kraftfahrzeuges, wobei das Verfahren (1,20,30) folgende Schritte aufweist:- Erfassen von Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems (2,21);- Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße (3,22);- Erfassen von aktuellen kraftfahrzeugspezifischen Daten (4,23) ;- Bereitstellen von Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und der aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welcher sich das Kraftfahrzeug aktuell befindet, und kraftfahrzeugspezifischen Daten einen höchstwahrscheinlichen Fahrpfad durch künstliche Intelligenz zu ermitteln (5,24); und- Ermitteln eines höchstwahrscheinlich Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten (6,25).

Description

Die Erfindung betrifft ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges und insbesondere ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch künstliche Intelligenz.
Um die Sicherheit beim Führen eines Kraftfahrzeuges zu erhöhen, sollten Fahrerassistenzsysteme von Kraftfahrzeugen, insbesondere von autonom fahrenden Kraftfahrzeugen, nicht nur Informationen über den Nahbereich des Kraftfahrzeuges, das heißt über die unmittelbare Umgebung des Kraftfahrzeuges, sondern auch Informationen über den weiteren, wahrscheinlich bevorstehenden Streckenverlauf berücksichtigen. Beispielsweise kann die Sicherheit beim Führen eines autonom fahrenden Kraftfahrzeuges erhöht werden, wenn ein wahrscheinlich bevorstehender Streckenverlauf bei der Steuerung von Fahrerassistenzfunktionen des autonom fahrenden Kraftfahrzeuges berücksichtigt wird, beispielsweise bei der Steuerung eines Geschwindigkeitslimit-Assistenten beziehungsweise Speed Limit Assist, bei der Steuerung von adaptivem Kurvenlicht, oder beim Schaltverhalten eines Automatikgetriebes. Hierdurch kann die Sicherheit für einen Fahrer des Kraftfahrzeuges sowie weitere Verkehrsteilnehmer erheblich erhöht werden. Zudem resultiert dies in einer Energieersparnis, zumal das Fahrerassistenzsystem immer direkt an die voraussichtlichen Gegebenheiten und den voraussichtlichen Streckenverlauf angepasst werden kann.
Dabei wird für gewöhnlich ein wahrscheinlichster Fahrpfad, welcher auch Most Probable Path (MPP) genannt wird, insbesondere auf Basis von digitalem Kartenmaterial, das heißt einem digitalen Straßennetz, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges durch ein Modul, beispielsweise einen Horizont-Provider beziehungsweise ein Fahrerhorizontsystem, ermittelt.
Aus der Druckschrift DE 10 2014 223 331 A1 sind ein Verfahren und eine Vorrichtung zur Erstellung des wahrscheinlichsten Fahrpfades bekannt, welche ausgebildet sind, einen auf dem wahrscheinlichsten Fahrpfad aufbauenden Fahrhorizont erst nach Erstellung des wahrscheinlichsten Fahrpfades zu erzeugen. Insbesondere sind das Verfahren und die Vorrichtung dabei ausgebildet, die Häufigkeit der Erstellung des wahrscheinlichsten Fahrpfades und Fahrhorizont zu reduzieren.
Aufgabe von Ausführungsformen der Erfindung ist es, ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges anzugeben.
Gelöst wird die Aufgabe durch den Gegenstand der nebengeordneten Ansprüche. Weitere vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
Gemäß einer Ausführungsform der Erfindung wird diese Aufgabe gelöst durch ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges, wobei Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems erfasst werden und die Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße abgebildet werden, sowie aktuelle kraftfahrzeugspezifische Daten erfasst werden, wobei Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und die aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul bereitgestellt beziehungsweise übermittelt werden. Dabei ist das Künstliche-Intelligenz-Modul trainiert um basierend auf einer Straße, auf welcher sich das Kraftfahrzeug aktuell befindet, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad durch künstliche Intelligenz zu ermitteln, wobei der wahrscheinlichste Fahrpfad des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten ermittelt wird.
Absolut-Positionsdaten geben hierbei die gemessene Position des Kraftfahrzeuges zu einem bestimmten Zeitpunkt in absoluten Werten, beispielsweise in einem UTM oder WGS84 Referenzkoordinatensystem an. Optional können die Absolut-Positionsdaten dabei ferner auch mit einer Orientierung versehen sein, welche beispielsweise eine aktuelle Bewegungsrichtung des Kraftfahrzeuges indizieren. Eine Kombination aus Position und Orientierung wird dabei häufig als Pose bezeichnet. Bei entsprechenden Absolut-Positioniersystemen kann es sich dabei beispielswese um auf Satelliten-basierte Techniken, wie zum Beispiel ein Global Positioning System (GPS) oder ein Globales Navigationssatellitensystem (GNSS) handeln.
Unter digitalem Kartenmaterial wird weiter in digitaler Form vorliegendes Kartenmaterial verstanden, welches geometrische, topologische und semantische Informationen über ein Straßenverkehrsnetz enthält und welches beispielsweise durch ein Navigationssystem des Kraftfahrzeuges sowie Fahrerassistenzsysteme des Kraftfahrzeuges verwendet und verarbeitet werden kann. Dabei kann das digitale Kartenmaterial noch mit weiteren Informationen, wie Geschwindigkeitsangaben, beispielsweise Geschwindigkeitsbegrenzungen, oder Warnhinweisen angereichert sein. Das digitale Kartenmaterial ist dabei aktualisierbar. Das Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße kann dabei beispielsweise durch einen Map-Matching-Algorithmus erfolgen, das heißt ein Verfahren, welches die Absolut-Positionsdaten mit Ortsinformationen einer digitalen Karte, das heißt des digitalen Kartenmaterials abgleicht.
Unter kraftfahrzeugspezifischen Daten werden ferner Daten verstanden, welche spezifisch beziehungsweise charakteristisch für die Nutzung, das heißt die Nutzer beziehungsweise Fahrer des Kraftfahrzeuges sind und insbesondere Daten, welche gewisse Eigenschaften, beispielsweise Sitzbelegungen, Fahrzeiten und Gewichtsverteilungen, die Einfluss auf die tatsächliche Routenwahl haben können, kennzeichnen, wobei dieser Einfluss während zurückliegender Fahrten mit dem Kraftfahrzeug erfasst worden sein kann.
Ein Künstliche-Intelligenzmodul bezeichnet ferner ein Modul beziehungsweise ein Steuergerät, welches ausgebildet ist, ein Verhalten des Kraftfahrzeuges zu erlernen und insbesondere zu erlernen, wie sich kraftfahrzeugspezifische Daten auf die Wahl einer zu befahrenden Route beziehungsweise von befahrenen Straßen und somit die Ermittlung des wahrscheinlichsten Fahrpfades auswirken. Die Künstliche Intelligenz wird dabei beispielsweise durch maschinelles Lernen erzeugt, das heißt während (Trainings-)Fahrten mit dem Kraftfahrzeug trainiert. Darüber hinaus oder alternativ dazu kann die Künstliche Intelligenz in einem Backend auf aus dem Stand der Technik bekannte Weise trainiert werden. Eine derartige trainierte Künstliche-Intelligenz kann anschließend verwendet werden, um auf einfache Art und Weise einen wahrscheinlichsten Fahrpfad des Kraftfahrzeuges vorherzusagen beziehungsweise zu ermitteln. Beispielsweise kann eine derartige künstliche Intelligenz dabei auf einem künstlichen (neuronalen) Netz basieren, wobei ein entsprechendes Netz in der Lage ist, Korrelationen zwischen den Eingangsgrößen, auch bei Vorliegen von Nichtlinearitäten verbessert zu modellieren und gleichzeitig den notwenigen Rechenaufwand bei der Ermittlung des höchstwahrscheinlichen Fahrpfades gering zu halten. Zudem muss im System selber kein besonderes Modellwissen vorhanden sein.
Unter Informationen über die in dem digitalen Kartenmaterial enthaltene Straße werden ferner Daten verstanden, welche die in dem digitalen Kartenmaterial enthaltene Straße und für gewöhnlich auch eine aktuelle Position des Kraftfahrzeuges kennzeichnen und welche durch das künstliche-Intelligenz-Modul verarbeitet werden können.
Insgesamt wird somit ein Verfahren angegeben, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug bei Vorliegen gewisser kraftfahrzeugspezifischer Daten erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.
Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Nutzern des Kraftfahrzeuges wiederspiegeln, erfolgt.
Der verbesserte beziehungsweise genauere wahrscheinlichste Fahrpfad kann dann anschließend durch Fahrerassistenzfunktionen beziehungsweise Fahrerassistenzsysteme und andere elektronische Komponenten des Kraftfahrzeuges verwendet beziehungsweise verarbeitet werden, um die Sicherheit beim Führen des Kraftfahrzeuges noch weiter zu erhöhen.
Insbesondere kann das Verfahren dabei weiter ein Bereitstellen des ermittelten wahrscheinlichsten Fahrpfades an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges aufweisen. Unter Bereitstellen wird hierbei verstanden, dass der verbesserte beziehungsweise genauere wahrscheinlichste Fahrpfad an die Fahrerassistenzsysteme übermittelt wird, wobei die Übermittlung drahtgebunden oder drahtlos erfolgen kann. Die Fahrerassistenzsysteme, beispielsweise ein Geschwindigkeitslimit-Assistent, eine Steuerung von adaptivem Kurvenlicht, oder eine Steuerung eines Automatikgetriebes, können den ermittelten genaueren wahrscheinlichsten Fahrpfad anschließend verwenden und verarbeiten um die entsprechenden Funktionen des Kraftfahrzeuges entsprechend zu steuern, wodurch die Genauigkeit beim Steuern des entsprechenden Funktionen des Kraftfahrzeuges erhöht werden kann. Hierdurch kann die Sicherheit für einen Fahrer des Kraftfahrzeuges sowie weitere Verkehrsteilnehmer erheblich erhöht werden. Zudem resultiert dies in einer Energieersparnis, zumal das Fahrerassistenzsystem immer direkt an die voraussichtlichen Gegebenheiten angepasst werden kann.
Bei den kraftfahrzeugspezifischen Daten kann es sich weiter um Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten handeln.
Bei den Zeitdaten kann es sich dabei beispielsweise um Tageszeiten, Wochentage und/oder Monate handeln, so dass Informationen über zu gewissen Tageszeiten, Wochentagen und/oder Monaten gewählte Straßen beziehungsweise Routen gewonnen werden können.
Unter Sitzbelegungsdaten werden insbesondere Daten verstanden, welche die Belegung einzelner Sitze des Kraftfahrzeuges angeben, und welche beispielsweise mittels eines Sitzbelegungssensors, beispielsweise eines druckerfassenden Sitzbelegungssensors, erfasst werden können. So kann ein Nutzer des Kraftfahrzeuges für gewöhnlich eine schnelle Route wählen, wenn dieser alleine fährt, jedoch eine andere, ruhigere Route, wenn sich noch andere Personen in dem Kraftfahrzeug befinden.
Unter Beladungsdaten werden wiederum Daten verstanden, welche die Beladung des Kraftfahrzeuges kennzeichnen, beispielsweise was das Kraftfahrzeug geladen hat und/oder das Gesamtgewicht der Ladung, und welche beispielsweise mittels eines Beladungssensors des Kraftfahrzeuges und/oder einem optischen Sensor erfasst werden können. So kann ein Nutzer beispielsweise wiederum für gewöhnlich eine andere Route wählen, wenn keine zusätzliche Beladung im Kraftfahrzeug vorhanden ist, als wenn das Kraftfahrzeug beladen ist, wobei er beispielsweise, insbesondere falls das Kraftfahrzeug voll beladen ist, größere Steigerungen vermeiden würde.
Unter Ladestandsdaten werden insbesondere Daten, welche den Ladestand eines Speichers zum Speichern von elektrischer Energie zum Antreiben eines Elektro- oder eines Hybridfahrzeuges und somit die Reichweite des Elektro- oder Hybridfahrzeuges betreffen, handeln. So kann ein Nutzer insbesondere bei einer geringen noch vorhandenen Reichweite bevorzugt Routen wählen, entlang welcher Elektroladestationen angeordnet sind.
Unter Tankdaten werden weiter Daten, welche die Füllmenge eines Kraftstofftankes des Kraftfahrzeuges kennzeichnen, verstanden und somit Daten, welche angeben, wie weit mit der in dem Kraftstofftank vorhandenen Füllung voraussichtlich noch gefahren werden kann. So kann ein Nutzer des Kraftfahrzeuges bei geringer Füllmenge des Kraftstofftankes bevorzugt eine Route, entlang welcher sich Tankstellen befinden, wählen.
Basierend auf Kalenderdaten kann ferner erfasst werden, ob der Nutzer auf dem Weg zu einem eingetragenen Termin, beispielsweise einem Meeting ist, wobei der Nutzer beispielsweise bevorzugt eine schnellere Route zu dem Ort, an welchem der Termin beziehungsweise das Meeting stattfindet, wählen würde.
Ferner kann der Nutzer des Kraftfahrzeuges je nach Vorliegen unterschiedlicher Witterungen verschiedene Routen bevorzugen.
So kann ein Nutzer beispielsweise bei Schneetreiben Straßen bevorzugen, welche häufiger geräumt werden als andere Straßen.
Dabei, dass die kraftfahrzeugspezifischen Daten Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten aufweisen, handelt es sich jedoch nur um eine nicht einschränkende Ausführungsform. Insbesondere kann es sich bei den kraftfahrzeugspezifischen Daten auch um sämtliche weitere Daten handeln, in Abhängigkeit welcher Nutzer des Kraftfahrzeuges für gewöhnlich unterschiedliche Routen wählen.
Gemäß einer Ausführungsform ist das künstliche-Intelligenz-Modul dabei trainiert, den wahrscheinlichsten Fahrpfad basierend auf erlernten bedingten Wahrscheinlichkeiten, welche abhängig von kraftfahrzeugspezifischen Daten sind, und welche angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer Straße gefolgt sind, zu ermitteln. Dabei weist der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul ein Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten und ein Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten auf.
Unter bedingter Wahrscheinlichkeit wird allgemein die Wahrscheinlichkeit, dass ein spezielles Ereignis eintritt, beispielsweise das Nutzer einer Straße folgen, unter der Voraussetzung, dass ein anderes Ereignis bereits eingetreten ist, beispielsweise gewisse kraftfahrzeugspezifische Daten vorliegen beziehungsweise gegeben sind, verstanden.
Kreuzungspunkt ist weiter ein Punkt in dem digitalem Kartenmaterial, an welchem sich zwei oder mehrere Straßen kreuzen, und insbesondere ein Punkt in dem digitalen Kartenmaterial, ausgehend von welchem Nutzer des Kraftfahrzeuges verschiedene Stra-ßen nehmen oder befahren, das heißt diesen folgen können. Ferner werden auch Punkte, ausgehend von welchen Nutzer des Kraftfahrzeuges in der Vergangenheit in unterschiedliche Richtungen gefahren sind, als Kreuzungspunkte verstanden.
Insgesamt kann der wahrscheinlichste Fahrpfad somit auf hinterlegten erlernten Werten ermittelt werden, wodurch die Genauigkeit und die Schnelligkeit bei der Bestimmung des wahrscheinlichsten Fahrpfades signifikant erhöht werden kann, was insbesondere bei sicherheitskritischen Bedingungen, beispielsweise beim Benutzen von autonom fahrenden Kraftfahrzeugen, von Vorteil ist.
Dabei kann der Schritt des Bereitstellens von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten ein Bereitstellen von einem oder mehreren entsprechend trainierten ML-Modellen, beispielsweise von einem oder mehreren entsprechend trainierten künstlichen (neuronalen Netzen) umfassen.
Insbesondere kann das künstliche-Intelligenz-Modul somit ausgebildet sein, den wahrscheinlichsten Fahrpfad basierend auf einem oder mehreren künstlichen (neuronalen) Netz(en) zu ermitteln. Ein künstliches Netz ist insbesondere ein in einem Rechenprogramm nachgebildetes Netz aus künstlichen Neuronen. Das künstliche neuronale Netz basiert dabei typischerweise auf einer Vernetzung von mehreren künstlichen Neuronen. Die künstlichen Neuronen sind dabei typischerweise auf verschiedenen Schichten (layers) angeordnet. Üblicherweise umfasst das künstliche neuronale Netz eine Eingangsschicht und eine Ausgabeschicht (output layer), deren Neuronenausgabe als einzige des künstlichen neuronalen Netzes sichtbar wird. Zwischen der Eingangsschicht und der Ausgabeschicht liegende Schichten werden typischerweise als verdeckte Schichten (hidden layer) bezeichnet. Typischerweise wird zunächst eine Architektur und/oder Topologie eines künstlichen neuronalen Netzes initiiert und dann in einer Trainingsphase für eine spezielle Aufgabe oder für mehrere Aufgaben trainiert. Das Training des künstlichen neuronalen Netzes umfasst dabei typischerweise eine Veränderung einer Gewichtung einer Verbindung zwischen zwei künstlichen Neuronen des künstlichen neuronalen Netzes. Das Training des künstlichen neuronalen Netzes kann auch eine Entwicklung von neuen Verbindungen zwischen künstlichen Neuronen, ein Löschen von bestehenden Verbindungen zwischen künstlichen Neuronen, ein Anpassen von Schwellwerten der künstlichen Neuronen und/oder ein Hinzufügen oder ein Löschen von künstlichen Neuronen umfassen.
Ein derartiges künstliches Netz hat dabei den Vorteil, dass mit diesem auch große Datenmengen auf einfache Art und Weise verarbeitet werden können, wobei ein derartiges künstliches Netz in der Lage ist, Korrelationen zwischen den Eingangsgrö-ßen, das heißt der in dem digitalen Kartenmaterial enthaltenen Straße und den aktuellen kraftfahrzeugspezifischen Daten, auch bei Vorliegen von Nichtlinearitäten verbessert zu modellieren und gleichzeitig den notwenigen Rechenaufwand gering zu halten, sodass das Verfahren auch mit gewöhnlichen Recheneinheiten und entsprechenden Prozessoren, beispielsweise auch in das Kraftfahrzeug integrierten Steuereinheiten ausgeführt werden kann. Dabei kann ausgehend von jedem Kreuzungspunkt oder von jedem Punkt, ausgehend von welchem Nutzer in der Vergangenheit verschiedenen Straßen gefolgt sind beziehungsweise in verschiedenen Fahrtrichtungen losgefahren sind, ein separates künstliches Netz trainiert sein. Ferner kann aber auch ein einziges künstliches Netz für das gesamte in dem digitale Kartenmaterial enthaltene Straßennetz trainiert sein.
Ferner können die bedingten Wahrscheinlichkeiten, das heißt die relativen Häufigkeiten, mit denen Nutzer des Kraftfahrzeuges in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischer Daten ausgehend von einem Kreuzungspunkt unterschiedlichen Straßen gefolgt sind, aber beispielsweise auch basierend auf Markov-Modellen erster oder n-ter Ordnung, oder auch basierend auf einem Clustering beziehungsweise einer Clusteranalyse unter Verwendung weiterer Attribute sowie unter Verwendung eines Markov-Modells ermittelt beziehungsweise erlernt werden.
Dabei können beim Bereitstellen der entsprechenden erlernten bedingten Wahrscheinlichkeiten Straßen, welche eine erlernte bedingte Wahrscheinlichkeit aufweisen, welche kleiner als ein vorgegebener Schwellenwert ist, nicht berücksichtigt werden. Dies bedeutet, dass Straßen, welche Nutzer des Kraftfahrzeuges in der Vergangenheit bei Vorliegen derselben kraftfahrzeugspezifischen Daten nur selten befahren haben, nicht berücksichtigt beziehungsweise nicht bereitgestellt werden. Somit hat dies den Vorteil, dass die Menge an während der Ermittlung des wahrscheinlichsten Fahrpfades zu verarbeitenden Daten reduziert wird, sodass insbesondere sichergestellt werden kann, dass das Verfahren auch durch ein Steuergerät eines Kraftfahrzeuges, welches für gewöhnlich eine geringere Rechenleistung und geringere Speicherkapazitäten als vergleichbare Steuergeräte außerhalb des Kraftfahrzeuges aufweist, ausgeführt werden kann und somit auch keine Daten, insbesondere keine persönlichen Daten an ein externes Steuergerät beziehungsweise einen externen Server übermittelt werden müssen. Der Schwellenwert kann dabei durch einen Hersteller des Kraftfahrzeuges voreingestellt sein und beispielsweise 0,05 betragen. Ferner kann der Schwellwert aber auch durch einen Nutzer des Kraftfahrzeuges selber ausgewählt und eingestellt werden.
Auch kann das künstliche-Intelligenz-Modul ausgebildet sein, die erlernten bedingten Wahrscheinlichkeiten stetig zu aktualisieren, wobei kürzer zurückliegende Fahrten mit dem Kraftfahrzeug beim Erlernen beziehungsweise Aktualisieren der bedingten Wahrscheinlichkeiten stärker gewichtet werden als länger zurückliegende Fahrten mit dem Kraftfahrzeug. Hierdurch kann sichergestellt werden, dass die bedingte Wahrscheinlichkeiten derart erlernt und aktualisiert werden, dass diese immer an die aktuellen Gepflogenheiten und Gewohnheiten der Fahrer beziehungsweise Nutzer des Kraftfahrzeuges angepasst sind. Bei kürzer zurückliegenden Fahrten kann es sich dabei zum Beispiel um während der letzten Monate, beispielsweise im letzten Halbjahr gemachte Trainingsfahrten beziehungsweise Fahrten mit dem Kraftfahrzeug handeln.
In einer Ausführungsform weist der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten weiter ein Auswählen einer Fahrstrecke beziehungsweise einer Straße, welche ausgehend von einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades auf, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird. Somit wird zu jeder Zeit die Straße beziehungsweise die Fahrstrecke ausgewählt, welche basierend auf den aktuellen kraftfahrzeugspezifischen Daten die größte bedingte Wahrscheinlichkeit aller von einem entsprechenden Kreuzungspunkt abgehenden Straßen aufweist, wobei der wahrscheinlichste Fahrpfad durch die entsprechend ausgewählten Fahrstrecken beziehungsweise Straßen gebildet wird. Dies hat den Vorteil, dass die zum Ermitteln des wahrscheinlichsten Fahrpfades erforderliche Rechenleistung und Rechenzeit äußerst geringgehalten werden kann und somit die Anforderung an eine Datenverarbeitungsanlage, auf welcher das Verfahren ausgeführt wird, noch weiter minimiert werden können und das Verfahren beispielsweise vollständig auf in das Kraftfahrzeug selber integrierten Steuereinheiten ausgeführt werden kann.
In einer weiteren Ausführungsform weist der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten für eine oder mehrere mögliche Zielpositionen jeweils ein Ermitteln aller möglichen Routen zwischen einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition und der entsprechenden Zielposition auf, wobei anschließend die Route zwischen der Startposition und einer Zielposition der einen oder mehreren möglichen Zielpositionen als wahrscheinlichster Fahrpfad ausgewählt wird, welche insgesamt die größte Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist.
Als Route wird hierbei ein möglicher Weg zwischen der Startposition und einer Zielposition verstanden, wobei sich dieser Weg aus einer Kombination einzelnen Fahrstrecken beziehungsweise einzelner Straßen zusammensetzt.
Gesamtwahrscheinlichkeit bezeichnet ferner die Wahrscheinlichkeit, mit welcher Nutzer des Kraftfahrzeuges genau dieser Kombination einzelner Fahrstrecken beziehungsweise Straßen folgt beziehungsweise die relative Häufigkeit, mit welcher Nutzer des Kraftfahrzeuges in der Vergangenheit bei Vorliegen derselben kraftfahrzeugspezifischen Daten genau dieser Kombination einzelner Fahrstrecken beziehungsweise Straßen gefolgt sind, das heißt genau diese Straßen entsprechend nacheinander befahren haben.
Hierdurch kann auf effiziente Art und Weise und mit geringer Rechenleistung die Genauigkeit bei der Ermittlung des höchstwahrscheinlichen Fahrpfades zwischen einem, durch die aktuellen Absolut-Positionsdaten gekennzeichneten Startpunkt und einer möglichen Zielposition noch weiter verbessert werden.
Bei der einen oder den mehreren möglichen Zielpositionen kann es sich hierbei um einen oder mehrere vorbestimmte Zielpunkte, einen oder mehrere basierend auf dem digitalen Kartenmaterial nach einer gewissen Zeit erreichbare Positionen, oder einen oder mehrere basierend auf dem digitalen Kartenmaterial nach Zurücklegen einer gewissen Entfernung erreichbare Positionen handeln. Die vorbestimmten Zielpunkte können dabei durch ein Nutzer des Kraftfahrzeuges beispielsweise mittels eines Navigationssystems des Kraftfahrzeuges vorgegeben werden. Ferner kann der vorbestimmte Zielpunkt aber auch aus zurückliegenden Fahrten mit dem Kraftfahrzeug ermittelt werden, indem beispielsweise ermittelt wird, dass Nutzer des Kraftfahrzeuges zu einer bestimmten Uhrzeit an einem gewissen Wochentag immer zu demselben Zielpunkt gefahren sind. Die gewisse Zeit und/oder die gewisse Entfernung kann dabei durch einen Hersteller des Kraftfahrzeuges voreingestellt sein, oder aber auch durch Nutzer des Kraftfahrzeuges frei gewählt werden. Dabei kann die gewisse Zeit und/oder die gewisse Entfernung insbesondere derart voreingestellt sein, dass Systemanforderungen eingehalten werden und das Verfahren insbesondere auf einem Steuergerät innerhalb des Kraftfahrzeuges, das heißt vollständig auf in das Kraftfahrzeug integrierten Steuereinheiten ausgeführt werden kann.
In einer Ausführungsform ist das Künstliche-Intelligenz-Modul zudem ausgebildet und trainiert, den wahrscheinlichsten Fahrpfad basierend auf einer Straße, auf welche Absolut-Positionsdaten des Kraftfahrzeuges abgebildet werden, kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, wobei das Verfahren weiter ein Ermitteln eines Fahrers des Kraftfahrzeuges, ein Bestimmen von dem Fahrer des Kraftfahrzeuges zugeordneten nutzerspezifischen Daten, und ein Ermitteln des wahrscheinlichsten Fahrpfades für das Kraftfahrzeug durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße, den aktuellen kraftfahrzeugspezifischen Daten und den nutzerspezifischen Daten, aufweist.
Während kraftfahrzeugspezifische Daten Informationen beziehungsweise Daten, welche auf sämtlichen Fahrten mit dem Kraftfahrzeug beruhen, das heißt unabhängig davon sind, welcher Nutzer das Kraftfahrzeug tatsächlich genutzt hat, bezeichnen, werden als nutzerspezifische Daten Daten bezeichnet, welche gesondert für jeden einzelnen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges erfasst wurden.
Dass das künstliche-Intelligenz-Modul dabei ausgebildet und trainiert ist, den höchstwahrscheinlichen Fahrpfad basierend auf einer Straße, auf welche Absolut-Positionsdaten des Kraftfahrzeuges abgebildet werden, kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, kann dabei beispielsweise bedeuten, dass für jeden individuellen Nutzer beziehungsweise Fahrer des Kraftfahrzeug ein separates künstliches Netz trainiert und in dem künstliche-Intelligenzmodul hinterlegt ist.
Somit kann das Verfahren weiter auch derart ausgebildet sein, dass das künstliche-Intelligenz-Modul für jeden individuellen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges separat trainiert ist, wodurch die Ermittlung des wahrscheinlichsten Fahrpfades an die Gepflogenheiten beziehungsweise Gewohnheiten des individuellen Fahrers beziehungsweise Nutzers angepasst werden kann und somit die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades noch weiter erhöht werden kann.
Die Ermittlung eines Fahrers beziehungsweise Nutzers des Kraftfahrzeuges kann dabei auf sämtliche gängige Arten und Weisen erfolgen, beispielsweise indem sich ein Nutzer vor der Nutzung eines autonom fahrenden Fahrzeuges in ein entsprechendes System einloggt.
Mit einer weitere Ausführungsform der Erfindung wird auch ein Steuergerät zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben, welches ausgebildet ist, ein oben beschriebenes Verfahren auszuführen.
Ein derartiges Steuergerät hat den Vorteil, dass dieses ausgebildet ist, ein Verfahren auszuführen, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch das Steuergerät ausgeführt und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.
Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Fahrern des Kraftfahrzeuges wiederspiegeln, erfolgt.
Mit einer weiteren Ausführungsform der Erfindung wird ferner auch ein Kraftfahrzeug angegeben, welches ein derartiges Steuergerät aufweist.
Ein derartiges Kraftfahrzeug hat den Vorteil, dass dieses ein Steuergerät aufweist, welches ausgebildet ist, ein Verfahren auszuführen, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch das Steuergerät ausgeführt und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.
Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Fahrern des Kraftfahrzeuges wiederspiegeln, erfolgt.
Der verbesserte beziehungsweise genauere wahrscheinlichste Fahrpfad kann dann anschließend durch Fahrerassistenzfunktionen beziehungsweise Fahrerassistenzsysteme und andere elektronische Komponenten des Kraftfahrzeuges verwendet beziehungsweise verarbeitet werden, um die Sicherheit beim Führen des Kraftfahrzeuges noch weiter zu erhöhen.
Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein Computerprogrammprodukt angegeben, welches Instruktionen umfasst, die durch einen Computer ausführbar sind, um ein oben beschriebenes Verfahren auszuführen.
Ein derartiges Computerprogrammprodukt hat den Vorteil, dass dieses implementiert ist, ein Verfahren auszuführen, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges ausgeführt und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.
Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Fahrern des Nutzfahrzeuges wiederspiegeln, erfolgt.
Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben wird und insbesondere ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch künstliche Intelligenz.
Durch das Verwenden eines entsprechend trainierten künstliche-Intelligenz-Moduls, können dabei auch große Datenmengen auf einfache Art und Weise und mit geringem Rechenaufwand verarbeitet werden, sodass das Verfahren auch durch gewöhnliche Recheneinheiten beziehungsweise Datenverarbeitungsanlagen ausgeführt werden kann.
Dabei kann das Verfahren insbesondere auch derart ausgebildet sein, dass das Verfahren vollständig auf einem Steuergerät eines Kraftfahrzeuges ausgeführt werden kann, ohne das Daten zur Verarbeitung nach extern gesendet werden müssen.
Die Erfindung wird nun anhand der beigefügten Figuren näher erläutert.

1 zeigt ein Flussdiagramm eines Verfahrens zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß Ausführungsformen der Erfindung;
2 zeigt ein Flussdiagramm eines Verfahrens zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung;
3 illustriert ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung;
4 zeigt ein Blockschaltbild eines Steuergerätes, welches ausgebildet ist, einen wahrscheinlichsten Fahrpfad eines Kraftfahrzeuges zu ermitteln, gemäß Ausführungsformen der Erfindung.

1 zeigt ein Flussdiagramm eines Verfahrens 1 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß Ausführungsformen der Erfindung.
Wie 1 zeigt, weist das Verfahren dabei einen Schritt 2 eines Erfassens von Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems und einen Schritt 3 eines Abbildens der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße basierend auf einem Map-Matching Algorithmus auf.
Um die Sicherheit beim Führen eines Kraftfahrzeuges zu erhöhen, sollten Fahrerassistenzsysteme von Kraftfahrzeugen, insbesondere von autonom fahrenden Kraftfahrzeugen, nicht nur Informationen über den Nahbereich des Kraftfahrzeuges, das heißt über die unmittelbare Umgebung des Kraftfahrzeuges, sondern auch Informationen über den weiteren, wahrscheinlich bevorstehenden Streckenverlauf berücksichtigen. Beispielsweise kann die Sicherheit beim Führen eines autonom fahrenden Kraftfahrzeuges erhöht werden, wenn ein wahrscheinlich bevorstehender Streckenverlauf bei der Steuerung von Fahrerassistenzfunktionen des autonom fahrenden Kraftfahrzeuges berücksichtigt wird, beispielsweise bei der Steuerung eines Geschwindigkeitslimit-Assistenten beziehungsweise Speed Limit Assist, bei der Steuerung von adaptivem Kurvenlicht, oder beim Schaltverhalten eines Automatikgetriebes erhöht werden. Hierdurch kann die Sicherheit für einen Fahrer des Kraftfahrzeuges sowie weitere Verkehrsteilnehmer erheblich erhöht werden. Zudem resultiert dies in einer Energieersparnis, zumal das Fahrerassistenzsystem immer direkt an die voraussichtlichen Gegebenheiten angepasst werden kann.
Dabei wird für gewöhnlich ein wahrscheinlichster Fahrpfad, welcher auch Most Probable Path (MPP) genannt wird, insbesondere auf Basis von digitalem Kartenmaterial, das heißt einem digitalen Straßennetz, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges durch ein Modul, beispielsweise einen Horizont-Provider beziehungsweise ein Fahrerhorizontsystem, ermittelt.
Das Verfahren 1 gemäß der ersten Ausführungsform weist dabei weiter einen Schritt 4 eines Erfassens von aktuellen kraftfahrzeugspezifischen Daten auf, wobei in einem folgenden Schritt 5 Information über die in dem digitalen Kartenmaterial enthaltene Straße und die aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul bereitgestellt werden, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welche Absolut-Positionsdaten des Kraftfahrzeuges abgebildet werden, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad durch künstliche Intelligenz zu ermitteln, und wobei in einem anschließenden Schritt 6 ein wahrscheinlichster Fahrpfad des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten ermittelt wird.
Unter kraftfahrzeugspezifischen Daten werden dabei wiederum Daten verstanden, welche spezifisch beziehungsweise charakteristisch für Nutzung, das heißt die Nutzer beziehungsweise Fahrer des Kraftfahrzeuges sind und insbesondere Daten, welche gewisse Eigenschaften, beispielsweise Sitzbelegungen, Fahrzeiten und Gewichtsverteilungen, die Einfluss auf die tatsächliche Routenwahl haben können, kennzeichnen, und wobei dieser Einfluss während zurückliegender Fahrten mit dem Kraftfahrzeug erfasst worden sein kann.
Gemäß den Ausführungsformen der 1 wird somit ein Verfahren 1 angegeben, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren 1 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.
Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Fahrern des Nutzfahrzeuges wiederspiegeln, erfolgt.
Die Absolut-Positionsdaten können dabei stetig, beispielsweise alle 10s, erfasst und auf eine in dem digitalen Kartenmaterial enthaltene Straße abgebildet werden, wobei die erfassten Absolut-Positionsdaten jeweils die Basis für die Bestimmung eines wahrscheinlichsten Fahrpfades bilden können.
Bei dem künstliche-Intelligenz-Modul kann es sich dabei beispielsweise um auf einem externen Server oder Host ausgebildetes Modul beziehungsweise auf diesem installierte Software handeln, an welchen die Absolut-Positionsdaten des Kraftfahrzeuges und/oder die Informationen über die in dem digitalen Kartenmaterial enthaltene Straße sowie die aktuellen kraftfahrzeugspezifischen Daten übermittelt werden. Ferner kann das künstliche-Intelligenz-Modul aber auch in einem in das Kraftfahrzeug integriertem Steuergerät implementiert sein, falls das entsprechende Steuergerät die notwendigen Rechenkapazitäten aufweist.
Gemäß den Ausführungsformen der 1 wird dabei zudem zunächst überprüft, ob genug kraftfahrzeugspezifische Daten vorliegen, sodass das künstliche-Intelligenz-Modul den wahrscheinlichsten Fahrpfad basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße sowie den aktuellen kraftfahrzeugspezifischen Daten ermitteln kann 7. Falls dies der Fall ist, wird der wahrscheinlichste Fahrpfad entsprechend durch künstliche Intelligenz basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße sowie den aktuellen kraftfahrzeugspezifischen Daten ermittelt. Falls diesem jedoch nicht der Fall ist, so werden Flottenmodelle, das heißt durch den Hersteller hinterlegte Daten, für die Ermittlung des wahrscheinlichsten Fahrpfades verwendet oder dieser basierend auf Schätzwerten ermittelt 8.
Wie 1 weiter zeigt, weist das Verfahren 1 zudem einen Schritt 9 eines Bereitstellens des ermittelten wahrscheinlichsten Fahrpfades an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges auf. Dies hat den Vorteil, dass Fahrerassistenzsysteme, beispielsweise ein Geschwindigkeitslimit-Assistent, eine Steuerung von adaptivem Kurvenlicht, oder eine Steuerung eines Automatikgetriebes direkt den genaueren ermittelten wahrscheinlichen Fahrpfad verarbeiten können, um die entsprechenden Funktionen des Kraftfahrzeuges entsprechend zu steuern, wodurch die Sicherheit und die Genauigkeit beim Steuern des entsprechenden Funktionen des Kraftfahrzeuges erhöht werden kann. Dabei kann der ermittelte wahrscheinlichste Fahrpfad drahtlos oder drahtgebunden, beispielsweise über einen Fahrzeug-Bus beziehungsweise einen CAN-Bus an die Fahrerassistenzsysteme übermittelt werden.
Gemäß den Ausführungsformen der 1 weisen die kraftfahrzeugspezifischen Daten weiter Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten auf.
Gemäß den Ausführungsformen der 1 ist das Künstliche-Intelligenz-Modul zudem trainiert, den wahrscheinlichsten Fahrpfad basierend auf einer Straße, auf welche Absolut-Positionsdaten eines Kraftfahrzeuges abgebildet werden, kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, wobei das Verfahren, wie 1 zeigt, einen Schritt 10 eines Ermitteln eines Fahrers des Kraftfahrzeuges aufweist, wobei in einem folgenden Schritt 11 dem Fahrer des Kraftfahrzeuges zugeordnete nutzerspezifischen Daten ermittelt werden, und wobei in einem anschließenden Schritt 12 der wahrscheinlichste Fahrpfad für das Kraftfahrzeug durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße, den aktuellen kraftfahrzeugspezifischen Daten und den nutzerspezifischen Daten ermittelt wird.
Während kraftfahrzeugspezifische Daten Informationen beziehungsweise Daten über spezifische Daten, welche auf sämtlichen Fahrten mit dem Kraftfahrzeug beruhen, das heißt unabhängig davon sind, welcher Fahrer tatsächlich mit dem Kraftfahrzeug gefahren ist beziehungsweise welcher Nutzer tatsächlich das Kraftfahrzeug genutzt hat, bezeichnen, werden als nutzerspezifische Daten Daten bezeichnet, welche gesondert für jeden einzelnen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges erfasst wurden. Somit kann das Verfahren weiter auch derart ausgebildet sein, dass das künstliche-Intelligenz-Modul für jeden individuellen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges separat trainiert ist, wodurch die Ermittlung des höchstwahrscheinlichen Fahrpfades an die Gepflogenheiten beziehungsweise Gewohnheiten des individuellen Fahrers beziehungsweise Nutzers angepasst werden kann und somit die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades noch weiter erhöht werden kann. Die nutzerspezifischen Daten können dabei in einzelnen Fahrerprofilen hinterlegt sein.
Die Ermittlung eines Fahrers beziehungsweise Nutzers des Kraftfahrzeuges kann dabei gemäß den Ausführungsformen der 1 auf sämtliche gängige Arten und Weisen erfolgen, beispielsweise indem sich ein Nutzer vor der Nutzung eines autonom fahrenden Fahrzeuges in das System einloggt.
Falls das Kraftfahrzeug ferner während der Fahrt von dem ermittelten wahrscheinlichsten Fahrpfad abweicht, wird zudem gemäß den Ausführungsformen der 1 basierend von auf der aktuellen Position des Kraftfahrzeuges basierenden Absolut-Positionsdaten ein neuer wahrscheinlichster Fahrpfad ermittelt.
2 zeigt ein Flussdiagramm eines Verfahrens 20 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung.
Wie 2 zeigt, weist das Verfahren 20 dabei wiederum ein Erfassen von Absolut-Positionsdaten eines Kraftfahrzeuges 21, ein Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße basierend 22, ein Erfassen von aktuellen kraftfahrzeugspezifischen Daten 23, ein Bereitstellen von Informationen über die erste Straße und der aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul 24, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welche Absolut-Positionsdaten eines Kraftfahrzeuges abgebildet werden, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad zu ermitteln, und ein Ermitteln eines wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die erste Straße und den aktuellen kraftfahrzeugspezifischen Daten 25 auf.
Gemäß der Ausführungsform der 2 ist das künstliche-Intelligenz-Modul dabei trainiert, den wahrscheinlichsten Fahrpfad basierend auf erlernten bedingten Wahrscheinlichkeiten, welche abhängig von kraftfahrzeugspezifischen Daten sind, und welche angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer Straße gefolgt sind, zu ermitteln.
Der Schritt 25 des Ermittelns des wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul weist dabei ein Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten 26 und ein Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten 27 auf.
Das Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten 26 umfasst dabei ein Bereitstellen von einem oder mehreren entsprechend trainierten ML-Modellen, wobei gemäß der Ausführungsform der 2 ein oder mehrere künstliche (neuronale) Netze bereitgestellt werden.
Ein derartiges künstliches Netz orientiert sich an biologischen neuronalen Netzen und erlaubt es ein unbekanntes Systemverhalten aus vorhandenen Trainingsdaten anzulernen und anschließend das angelernte Systemverhalten auch auf unbekannte Eingangsgrößen anzuwenden. Dabei besteht das neuronale Netz aus Schichten mit idealisierten Neuronen, welche gemäß einer Topologie des Netzes in unterschiedlicher Weise miteinander verbunden sind. Die erste Schicht, welche auch als Eingangsschicht bezeichnet wird, erfasst und überträgt dabei die Eingangswerte, wobei die Anzahl der Neuronen in der Eingangsschicht der Anzahl an Eingangssignalen, welche verarbeitet werden sollen, entspricht. Die letzte Schicht wird auch als Ausgangsschicht bezeichnet und weist für gewöhnlich genauso viele Neuronen auf, wie Ausgabewerte bereitgestellt werden sollen. Zwischen der Eingangsschicht und der Ausgangsschicht befindet sich zudem wenigstens eine Zwischenschicht, welche oftmals auch als verborgene Schicht bezeichnet wird, wobei die Anzahl der Zwischenschichten und die Anzahl der Neuronen in diesen Schichten abhängig von der konkreten Aufgabe, welche durch das künstliche Netz gelöst werden soll, ist.
Ein idealisiertes Neuron kann dabei durch seine gewichteten Verbindungen, welche als Eingänge dienen und eine Übertragungsfunktion, welche beschreibt, wie die Anregungen durch die Eingänge in dem Neuron verarbeitet werden sollen, definiert werden. Die Übertragungsformen können dabei beispielsweise in Form von Sigmoid-Funktionen bereitgestellt werden. Zudem kann über jeweils eine Konstantgröße des Neurons eingestellt werden, wie die entsprechenden Eingänge in einen angestrebten Referenzwert übertragen werden. Derartige Konstantgrößen bilden dabei einen weiteren Freiheitsgrad und haben einen positiven Einfluss darauf Näherungen von Systemverhalten vornehmen zu können.
Alternativ zu neuronalen Netzen können dabei aber auch durch andere ML-Algorithmen, beispielsweise eine K-Nearest-Neighbor-Algorithmus oder eine Support-Vector-Machine, klassifizierte, einem angelernten Verhalten entsprechende Daten bereitgestellt werden. Ein derartiger Klassifikationsalgorithmus kann dabei für jeden Entscheidungspunkt separat trainiert werden oder aber auch für eine Gruppe von verschiedenen Startpunkten, ausgehend von welchen das Kraftfahrzeug in der Vergangenheit losgefahren ist.
Ferner können die bedingten Wahrscheinlichkeiten aber auch beispielsweise basierend auf Markov-Ketten ermittelt werden, beispielsweise Markov-Ketten erster Ordnung, das heißt nur durch das aktuell befahrene Straßensegment bedingt, ohne durch vergangene befahrene Straßensegmente beeinflusst zu sein. Die bedingten Wahrscheinlichkeiten können aber beispielsweise auch durch Markov-Ketten n-ter Ordnung ermittelt werden, wobei die n zuletzt befahren Straßensegmente mitberücksichtigt werden.
Zudem kann die Ermittlung der bedingten Wahrscheinlichkeiten aber auch durch ein Clustering beziehungsweise eine Clusteranalyse erfolgen, wobei einzelne Cluster beispielsweise verschiedenen Tageszeiten entsprechen können, wobei für jedes Cluster eine separate Markov-Kette ermittelt werden kann, und wobei hierbei ein dichtenbasierter Algorithmus zur Clusteranalyse, beispielsweise DSBCAN, OPTICS, HDBSCAN, oder eine Mean-Shift Clusterbildung verwendet werden kann.
Gemäß der Ausführungsform der 2 werden dabei zudem Stra-ßen beim Bereitstellen der entsprechenden erlernten bedingten Wahrscheinlichkeiten 25, welche eine erlernte bedingte Wahrscheinlichkeit, welche kleiner als ein vorgegebener Schwellenwert ist, aufweisen beziehungsweise denen eine entsprechende Wahrscheinlichkeit zugeordnet ist, nicht berücksichtigt. Der Schwellenwert kann dabei durch einen Hersteller des Kraftfahrzeuges voreingestellt sein und beispielsweise 0,05 betragen. Ferner kann der Schwellwert aber auch durch einen Nutzer des Kraftfahrzeuges selber ausgewählt und eingestellt werden.
Auch ist das künstliche-Intelligenz-Modul ausgebildet, die erlernten bedingten Wahrscheinlichkeiten stetig zu aktualisieren, wobei kürzer zurückliegende Fahrten mit dem Kraftfahrzeug beim Aktualisieren der bedingten Wahrscheinlichkeiten stärker gewichtet werden als länger zurückliegende Fahrten mit dem Kraftfahrzeug. Bei kürzer zurückliegenden Fahrten kann es sich dabei zum Beispiel um während der letzten Monate, beispielsweise im letzten Halbjahr gemachte Trainingsfahrten beziehungsweise Fahrten mit dem Kraftfahrzeug handeln.
Der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten 26 weist weiter ein Auswählen einer Fahrstrecke, welche ausgehend von einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition in dem digitalen Kartenmaterial die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird, auf. Dabei kann zur entsprechenden Bestimmung des wahrscheinlichen Fahrpfades insbesondere ein Greedy-Algorithmus verwendet werden.
Zudem ist das künstliche-Intelligenz-Modul weiter ausgebildet, beim Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten wahlweise auch, für einen oder mehrere Zielpositionen jeweils alle möglichen Routen zwischen einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition in dem digitalen Kartenmaterial und der entsprechenden Zielposition zu ermitteln und anschließend die Route zwischen der Startposition und einer Zielposition der einen oder mehreren möglichen Zielpositionen als wahrscheinlichsten Fahrpfad, welche insgesamt die größte Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist, auszuwählen. Dies kann insbesondere durch Verwendung des Algorithmus von Dijkstra erfolgen, wobei negativ logarithmische Übergangswahrscheinlichkeiten (negative logarthmic conditional transition probabilities) verwendet werden können.
Bei dem einen oder den mehreren möglichen Zielpunkten handelt es sich dabei insbesondere um einen oder mehrere vorbestimmte Zielpunkte. Ferner kann es sich bei dem einen oder den mehreren Zielpunkten aber auch um einen oder mehrere basierend auf dem digitalen Kartenmaterial nach einer gewissen Zeit erreichbare Zielpunkte, oder um einen oder mehrere basierend auf dem digitalen Kartenmaterial nach Zurücklegen einer gewissen Entfernung erreichbare Zielpunkte handeln.
3 illustriert ein Verfahren 30 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung.
Insbesondere zeigt 3 dabei mehrere Kreuzungspunkte, welche über entsprechend gerichtete Straßen miteinander verbunden sind, wobei die Richtung der Straße dabei auf der Fahrtrichtung, in welcher Nutzer des Kraftfahrzeuges die entsprechende Straße in der Vergangenheit befahren haben, basiert. Von einem Kreuzungspunkt abgehende Straßen kennzeichnen somit Straßen, welche Nutzer des Kraftfahrzeuges in der Vergangenheit ausgehend von dem entsprechenden Kreuzungspunkt befahren haben. An einem Kreuzungspunkt eingehende Straßen kennzeichnen wiederum Straßen, welche die Nutzer in der Vergangenheit hin zu dem entsprechenden Kreuzungspunkt genutzt haben.
Als Kreuzungspunkt wird dabei ein Punkt in dem digitalem Kartenmaterial bezeichnet, an welchem sich zwei oder mehrere Straßen kreuzen, und insbesondere ein Punkt in dem digitalen Kartenmaterial, ausgehend von welchem Nutzer des Kraftfahrzeuges verschiedene Straßen nehmen oder befahren, das heißt diesen folgen können. Dabei kann man allgemein zwischen Aufteilungspunkten (split points), ausgehend von welchen Nutzer des Kraftfahrzeuges verschiedenen Straßen folgen können, Verschmelzungspunkten (merge points), an welchen mehrere Straße eingehen jedoch in Fahrtrichtung nur eine Straße abgeht, das heißt ausgehend von welchen die Nutzer des Kraftfahrzeuges bei Weiterfahrt in derselben Fahrtrichtung nur einer Straße folgen können, und Aufteilungs-Verschmelzungs-Punkten (split-merge points), das heißt Kombinationen aus Aufteilungs- und Verschmelzungspunkten und insbesondere Punkte, an denen in Fahrtrichtung jeweils mehrere Straßen eingehen und mehrere Straßen abgehen, unterscheiden. Gemäß der Ausführungsform der 3 umfassen die Aufteilungspunkte auch Startpunkte, ausgehend von welchen Nutzer des Kraftfahrzeuges in der Vergangenheit in verschiedene Richtungen beziehungsweise Fahrtrichtungen losgefahren sind.
Dabei werden zudem aktuelle Absolut-Positionsdaten erfasst und auf digitales Karftenmaterial abgebildet, wobei ermittelt wird, dass sich das Kraftfahrzeug aktuell an der mit Bezugszeichen 31 versehenen Startposition befindet.
Auch werden aktuelle kraftfahrzeugspezifische Daten erfasst.
Zu erkennen ist zudem, dass den einzelnen Straßen beziehungsweise Fahrtstrecken dabei jeweils eine bedingte Wahrscheinlichkeit zugeordnet ist, wobei die bedingten Wahrscheinlichkeiten jeweils abhängig von den aktuellen kraftfahrzeugspezifischen Daten sind, und wobei die bedingten Wahrscheinlichkeiten angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer entsprechenden Straße gefolgt ist.
Ausgehend von der Startposition 31 soll nunmehr der in den nächsten 15 km voraussichtlich zurückgelegte wahrscheinlichste Fahrpfad ermittelt werden, wobei die mit Bezugszeichen 32,33 und 34 gekennzeichneten möglichen Zielpunkte basierend auf dem in dem digitalen Kartenmaterial enthaltenen Straßennetz jeweils nach einer 15km langen Fahrt erreichbar sind.
Dabei kann der wahrscheinlichste Fahrpfad nun dadurch ermittelt werden, indem eine Fahrstrecke, welche ausgehend von der Startposition 31 die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird.
Wie 3 zeigt, würde somit ausgehend von der Startposition 31 zunächst eine nach links abgehende Fahrstrecke als Teil des wahrscheinlichsten Fahrpfades ausgewählt werden, da diese die größte bedingte Wahrscheinlichkeit aller von der Startposition abgehenden Fahrstrecken aufweist. Folgt man nun dieser Fahrstrecke gelangt man zu einem mit Bezugszeichen 35 gekennzeichneten Kreuzungspunkt. Hier würde nunmehr die von dem Kreuzungspunkt 35 abgehende Straße als Teil des wahrscheinlichsten Fahrpfades ausgewählt, welche die größte bedingte Wahrscheinlichkeit aller von dem Kreuzungspunkt abgehender Straßen aufweist. Gemäß der Ausführungsform der 3 würde somit eine nach oben abgehende Straße, welche mit Bezugszeichen 36 gekennzeichnet ist, als Teil des wahrscheinlichsten Fahrpfades ausgewählt werden. Dieses Verfahren wird anschließend solange wiederholt, bis man zu einer der nach 15km erreichbaren möglichen Zielpositionen 32,33,34 gelangt. Sobald man zu einer der nach 15 km erreichbaren möglichen Zielpositionen 32,33,34 gelangt ist, bricht das Verfahren ab und wird ein aus den einzelnen ausgewählten Fahrstrecken und Straßen zusammengesetzter Fahrpfad als wahrscheinlichster Fahrpfad ausgegeben.
Anzumerken ist dabei, dass, falls mehrere von einem Kreuzungspunkt abgehende Straßen dieselbe bedingte Wahrscheinlichkeit aufweisen, bestimmte Regeln festgelegt sind, welche herangezogen werden können, um eine dieser Straßen als Teil des wahrscheinlichsten Fahrpfades auszuwählen. Beispielsweise kann dabei festgelegt sein, dass in einem derartigen Fall die Straße, welche die wenigsten Kurven aufweist und somit am längsten geradeaus führt, als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird.
Alternativ kann der wahrscheinlichste Fahrpfad aber auch durch Ermitteln jeweils aller möglicher Routen zwischen der Startposition 31 und einer der möglichen Zielpositionen 32,33,34 und anschließendes Bestimmen einer Gesamtwahrscheinlichkeit für jede der ermittelten Routen basierend auf den einzelnen den Straßen zugeordneten bedingten Wahrscheinlichkeit erfolgen, wobei die Gesamtwahrscheinlichkeit einer Route die relative Häufigkeit, mit welcher Nutzer in der Vergangenheit bei Vorliegen derselben kraftfahrzeugspezifischen Daten genau dieser Route gefolgt sind. Anschließend wird die Route, welche die höchste Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist, als wahrscheinlichster Fahrpfad ausgewählt.
4 zeigt ein Blockschaltbild eines Steuergerätes 40, welches ausgebildet ist, einen wahrscheinlichsten Fahrpfad eines Kraftfahrzeuges zu bestimmen, gemäß Ausführungsformen der Erfindung.
Wie 4 zeigt, weist das Steuergerät 40 dabei einen Empfänger 41, welcher ausgebildet ist, von einem Absolut-Positioniersystem erfasste Absolut-Positionsdaten des Kraftfahrzeuges und von Sensoren oder anderen Steuergeräten erfasste kraftfahrzeugspezifische Daten zu erfassen, auf. Bei dem Empfänger 41 kann es sich dabei insbesondere um einen Transceiver handeln.
Zudem weist das Steuergerät 40 ein künstliche-Intelligenz-Modul 42 auf, welches trainiert ist, um basierend auf einer aktuellen Position des Kraftfahrzeugs und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad zu ermitteln.
Insbesondere ist das künstliche-Intelligenz-Modul 42 dabei ausgebildet, basierend auf den durch den Empfänger 41 empfangenen Daten einen wahrscheinlichsten Fahrpfad zu ermitteln.
Gemäß den Ausführungsformen der 4 weist das Steuergerät zudem einen Transmitter 43 auf, welcher den durch das künstliche-Intelligenz-Modul ermittelten wahrscheinlichsten Fahrpfad an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges übermittelt, sodass diese den ermittelten wahrscheinlichsten Fahrpfad anschließend entsprechend verwenden und verarbeiten können.
Wie 4 zeigt, weist das Steuergerät 40 weiter einen Speicher 44 auf, in welchem digitales Kartenmaterial gespeichert ist.
Dabei weist das künstliche-Intelligenz-Modul 42 weiter auch eine Ermittlungseinheit 45 auf, welche ausgebildet ist, basierend auf den durch den Empfänger 41 empfangenen Daten und den, in dem Speicher 44 hinterlegten Daten einen wahrscheinlichsten Fahrpfad für das Kraftfahrzeug zu ermitteln. Bei der Ermittlungseinheit 45 kann es sich dabei beispielsweise um eine Recheneinheit, auf der entsprechender Code gespeichert ist, beispielsweise einen Server oder ein Steuergerät des Kraftfahrzeuges, das heißt eine in das Kraftfahrzeug selber integrierte Recheneinheit handeln.
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 102014223331 A1 [0004]

Claims

Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges, wobei das Verfahren (1,20,30) folgende Schritte aufweist: - Erfassen von Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems (2,21); - Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße (3,22); - Erfassen von aktuellen kraftfahrzeugspezifischen Daten (4,23) ; - Bereitstellen von Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und der aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welcher sich das Kraftfahrzeug aktuell befindet, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad durch künstliche Intelligenz zu ermitteln (5,24); und - Ermitteln des wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten (6,25).
Verfahren nach Anspruch 1, wobei das Verfahren (1) weiter folgenden Schritt aufweist: - Bereitstellen des ermittelten wahrscheinlichsten Fahrpfades an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges (9).
Verfahren nach Anspruch 1 oder 2, wobei die kraftfahrzeugspezifischen Daten Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten aufweisen.
Verfahren nach einem der Ansprüche 1 bis 3, wobei das künstliche-Intelligenz-Modul trainiert ist, den wahrscheinlichsten Fahrpfad basierend auf erlernten bedingten Wahrscheinlichkeiten, welche abhängig von kraftfahrzeugspezifischen Daten sind, und welche angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer Straße gefolgt sind, zu ermitteln, und wobei der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul (25) folgende Schritte aufweist: - Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten (26); und - Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten (27).
Verfahren nach Anspruch 4, wobei der Schritt des Bereitstellens von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten (26)ein Bereitstellen von einem oder mehreren entsprechend trainierten ML-Modellen umfasst.
Verfahren nach Anspruch 4 oder 5, wobei beim Bereitstellen der entsprechenden erlernten bedingten Wahrscheinlichkeiten (26) Straßen, welche eine erlernte bedingte Wahrscheinlichkeit, welche kleiner als ein vorgegebener Schwellenwert ist, nicht berücksichtigt werden.
Verfahren nach einem der Ansprüche 4 bis 6, wobei das künstliche-Intelligenz-Modul ausgebildet ist, die erlernten bedingten Wahrscheinlichkeiten stetig zu aktualisieren, und wobei kürzer zurückliegende Fahrten mit dem Kraftfahrzeug beim Aktualisieren der bedingten Wahrscheinlichkeiten stärker gewichtet werden als länger zurückliegende Fahrten mit dem Kraftfahrzeug.
Verfahren nach einem der Ansprüche 4 bis 7, wobei der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten (27) weiter folgenden Schritt aufweist: - Auswählen einer Fahrstrecke, welche ausgehend von einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition in dem digitalen Kartenmaterial die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der basierend auf den aktuellen kraftfahrzeugspezifischen Daten größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird.
Verfahren nach einem der Ansprüche 4 bis 7, wobei der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten weiter folgende Schritte aufweist: - Für eine oder mehrere mögliche Zielpositionen, jeweils Ermitteln aller möglichen Routen zwischen einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition in dem digitalen Kartenmaterial und der entsprechenden Zielposition; - Auswählen der Route zwischen der Startposition und einer Zielposition der einen oder mehreren möglichen Zielpositionen als wahrscheinlichsten Fahrpfad, welche insgesamt die größte Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist.
Verfahren nach Anspruch 9, wobei es sich bei dem einen oder den mehreren möglichen Zielpunkten um einen oder mehrere vorbestimmte Zielpunkte, einen oder mehrere basierend auf dem digitalen Kartenmaterial nach einer gewissen Zeit erreichbare Zielpunkte, oder einen oder mehrere basierend auf dem digitalen Kartenmaterial nach Zurücklegen einer gewissen Entfernung erreichbare Zielpunkte handelt.
Verfahren nach einem der Ansprüche 1 bis 10, wobei das Künstliche-Intelligenz-Modul trainiert ist, den höchstwahrscheinlichen Fahrpfad basierend auf einer Straße, auf welcher sich das Kraftfahrzeug aktuell befindet, den aktuellen kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, und wobei das Verfahren weiter folgende Schritte aufweist: - Ermitteln eines Fahrers des Kraftfahrzeuges (10); - Bestimmen von dem Fahrer des Kraftfahrzeuges zugeordneten nutzerspezifischen Daten (11); und - Ermitteln eines höchstwahrscheinlich Fahrpfades für das Kraftfahrzeug durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße, den aktuellen kraftfahrzeugspezifischen Daten und den nutzerspezifischen Daten (12).
Steuergerät zur Ermittlung eines höchstwahrscheinlichen Fahrpfades eines Kraftfahrzeuges, wobei das Steuergerät (40) ausgebildet ist ein Verfahren nach einem der Ansprüche 1 bis 11 auszuführen.
Kraftfahrzeug, welches ein Steuergerät nach Anspruch 12 aufweist.
Computerprogrammprodukt, umfassend Instruktionen, die durch einen Computer ausführbar sind, um ein Verfahren nach einem der Ansprüche 1 bis 11 auszuführen.