DE102021120043A1 - Method and control circuit for monitoring a permissibility condition for an automated driving mode of a motor vehicle and motor vehicle with the control circuit - Google Patents
Method and control circuit for monitoring a permissibility condition for an automated driving mode of a motor vehicle and motor vehicle with the control circuit Download PDFInfo
- Publication number
- DE102021120043A1 DE102021120043A1 DE102021120043.1A DE102021120043A DE102021120043A1 DE 102021120043 A1 DE102021120043 A1 DE 102021120043A1 DE 102021120043 A DE102021120043 A DE 102021120043A DE 102021120043 A1 DE102021120043 A1 DE 102021120043A1
- Authority
- DE
- Germany
- Prior art keywords
- road
- class
- road class
- motor vehicle
- driving mode
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 230000000903 blocking effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 7
- 230000006386 memory function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 description 13
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000004807 localization Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- 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
- B60W60/005—Handover processes
- B60W60/0051—Handover processes from occupants to vehicle
-
- 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
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved 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
-
- 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
- B60W2556/20—Data confidence level
-
- 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
- B60W2556/35—Data fusion
-
- 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
- B60W2556/40—High definition maps
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Überwachen einer Zulässigkeitsbedingung (21) für einen automatisierten Fahrmodus eines Kraftfahrzeugs (10), wobei die Zulässigkeitsbedingung (21) umfasst, dass der Fahrmodus nur bei einer Fahrt auf Straßen (16) einer vorbestimmten zugelassenen Straßenklasse (29, 31) aktiv sein darf. In einem ersten Signalpfad (19) werden aus einer digitalen Straßenkarte (27) zu einem vorausliegenen Straßensegment (17) Kartendaten daraufhin überprüft, ob sie die zugelassene Straßenklasse (29, 31) angeben. Die Erfindung sieht vor, dass unabhängig von dem ersten Signalpfad (19) in einem zweiten Signalpfad (20) aus einem Umfeldsensor (32) Umfelddaten (33) empfangen werden und anhand der Umfelddaten (33) geprüft wird, ob eine Existenzwahrscheinlichkeit (30, 41) eines Vorhandenseins der zugelassenen Straßenklasse (29, 31) größer als eine vorbestimmter Schwellwert ist. Nur falls sowohl der erste Signalpfad (19) und auch der zweite Signalpfad (20) die Existenz der Straßenklasse (29, 31) bestätigen, ist die Zulässigkeitsbedingung (21) erfüllt.The invention relates to a method for monitoring an admissibility condition (21) for an automated driving mode of a motor vehicle (10), the admissibility condition (21) comprising that the driving mode is only activated when driving on roads (16) of a predetermined authorized road class (29, 31 ) may be active. In a first signal path (19), map data from a digital road map (27) for a road segment (17) lying ahead are checked to determine whether they indicate the permitted road class (29, 31). The invention provides that, independently of the first signal path (19), environmental data (33) are received in a second signal path (20) from an environmental sensor (32) and the environmental data (33) are used to check whether there is a probability of existence (30, 41 ) a presence of the approved road class (29, 31) is greater than a predetermined threshold. The admissibility condition (21) is only met if both the first signal path (19) and the second signal path (20) confirm the existence of the road class (29, 31).
Description
Die Erfindung betrifft ein Verfahren zum Überwachen einer Zulässigkeitsbedingung für einen automatisierten Fahrmodus eines Kraftfahrzeugs. Die Zulässigkeitsbedingung umfasst, dass der Fahrmodus nur bei einer Fahrt auf Straßen aktiv sein darf, die zu zumindest einer vorbestimmten zugelassenen Straßenklasse gehören. Die Erfindung betrifft auch eine Steuerschaltung, die das Verfahren in einem Kraftfahrzeug durchführen kann, sowie ein Kraftfahrzeug mit der Steuerschaltung.The invention relates to a method for monitoring a permissibility condition for an automated driving mode of a motor vehicle. The admissibility condition includes that the driving mode may only be active when driving on roads that belong to at least one predetermined authorized road class. The invention also relates to a control circuit that can carry out the method in a motor vehicle, and a motor vehicle with the control circuit.
Bei automatisierten Fahrzeugen ab SAE-Level 3 (SAE - Society of Automotive Engineers) übergibt der Fahrer zeitweise die Verantwortung an das Fahrzeug indirekt an den Fahrzeughersteller. Der dafür zulässige Einsatzraum wird durch die sogenannte Operational Design Domain (ODD) definiert, d.h. der Fahrzeugherstellt kann festlegen, wo ein solcher automatisierter Fahrmodus aktiviert werden darf. Die ODD wird unter anderem durch die Straßenklasse festgelegt oder beschränkt. Straßenklassen, die hierbei unterschieden werden, sind zum Beispiel Autobahnen, autobahnähnliche Straßen, Landstraßen oder Stadtstraßen. Einige automatisierte Fahrmodi, wie z.B. der Autobahnpilot, sind nur für den Einsatz auf Autobahnen oder autobahnähnlichen Straßen ausgelegt und dürfen deshalb ausschließlich in diesen Fahrsituationen aktivierbar sein. Zudem müssen sie automatisch eine Änderung der Straßenklasse erkennen und bevorzugt vorausschauend die Fahrzeugkontrolle an den Fahrer übergeben, bevor sie deaktivieren. Dadurch sind hohe Sicherheitsanforderungen an das System zu stellen, die entsprechenden Straßenklassen zuverlässig zu erkennen.In the case of automated vehicles from SAE Level 3 (SAE - Society of Automotive Engineers), the driver temporarily hands over responsibility for the vehicle indirectly to the vehicle manufacturer. The permissible area of use for this is defined by the so-called Operational Design Domain (ODD), i.e. the vehicle manufacturer can specify where such an automated driving mode may be activated. The ODD is determined or limited by the road class, among other things. Road classes that are differentiated here are, for example, motorways, roads similar to motorways, country roads or city streets. Some automated driving modes, such as the highway pilot, are only designed for use on freeways or roads similar to freeways and may therefore only be activated in these driving situations. In addition, they must automatically recognize a change in the road class and preferably proactively hand over control of the vehicle to the driver before deactivating. As a result, high security requirements are placed on the system to reliably recognize the relevant road classes.
Nach aktuellem Stand der Technik erfolgt die Erkennung der Straßenklasse meist auf Basis von sogenannten digitalen HD-Karten (Straßenkarten mit Einträgen für z.B. Randbebauung und Fahrspurverläufen). Hierbei wird die Straßenklasse a-priori in der HD-Karte oder allgemein einer digitalen Straßenkarte hinterlegt und anschließend mittels Lokalisierung des Kraftfahrzeugs (z.B. per GNSS - Global Navigation Satellite System, z.B. GPS - Global Positioning System) auf der Karte ausgelesen.According to the current state of the art, the road class is usually recognized on the basis of so-called digital HD maps (road maps with entries for e.g. peripheral buildings and lane courses). The road class is stored a-priori in the HD map or generally a digital road map and then read out on the map by localizing the vehicle (e.g. via GNSS - Global Navigation Satellite System, e.g. GPS - Global Positioning System).
Die Erkennung der Straßenklasse ausschließlich basierend auf digitalen Straßenkarten bringt einige Herausforderungen mit sich. Zum einen kann es zu Fehlern in der Lokalisierung, zum Beispiel aufgrund von GPS-Ungenauigkeiten, kommen. Zum anderen muss eine kontinuierliche Aktualität der Karteninhalte gewährleistet werden, was schwer umzusetzen ist. Hochautomatisierte Systeme mit SAE-Level größer als 2 fordern in der Regel ein Sicherheitsintegritätslevel ASIL-D (ASIL - automotive safety level) auf die Erkennung der ODD (gemäß ISO 26262). Die resultierenden technischen Anforderungen wären bei einer alleinigen Umsetzung mittels Straßenkarte allein mit hohem Aufwand und Kosten verbunden.Road class detection based solely on digital road maps brings with it some challenges. On the one hand, localization errors can occur, for example due to GPS inaccuracies. On the other hand, the map content must be continuously up-to-date, which is difficult to implement. Highly automated systems with SAE level greater than 2 usually require a safety integrity level ASIL-D (ASIL - automotive safety level) for the detection of the ODD (according to ISO 26262). The resulting technical requirements would be associated with great effort and costs if implemented solely using a road map.
Alternativ kann auf Basis von Sensormessdaten die Straßenklasse ermittelt werden. Dabei wird gemäß der
Aus der
Aus der
Der Erfindung liegt die Aufgabe zugrunde, in einem Kraftfahrzeug für den Betrieb eines automatisierten Fahrmodus zu überprüfen, ob eine zulässige Straßenklasse vorliegt, für welche der Betrieb der automatisierten Fahrfunktion zugelassen ist.The invention is based on the object of checking in a motor vehicle for the operation of an automated driving mode whether a permissible road class is present for which the operation of the automated driving function is permitted.
Die Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Weiterbildungen ergeben sich durch technische Merkmale, die in den abhängigen Patentansprüchen, in der folgenden Beschreibung sowie in den Figuren beschrieben sind.The object is solved by the subject matter of the independent patent claims. Advantageous developments result from technical Features described in the dependent claims, in the following description and in the figures.
Als eine Lösung umfasst die Erfindung ein Verfahren zum Überwachen einer Zulässigkeitsbedingung für einen automatisierten Fahrmodus eines Kraftfahrzeugs durch eine Steuerschaltung. Die Zulässigkeitsbedingung umfasst, dass der Fahrmodus nur bei einer Fahrt auf Straßen zumindest einer vorbestimmten zugelassenen Straßenklasse aktiv sein darf. Zum Überprüfen einer aktuellen Straßenklasse eines in Fahrtrichtung vorausliegenden Straßensegments einer aktuell befahrenen Straße werden in einem ersten Signalpfad aus einer digitalen Straßenkarte zu dem Straßensegment Kartendaten, welche die Straßenklasse des Straßensegments angeben, aus einem Datenspeicher ausgelesen und daraufhin überprüft, ob sie eine solche Straßenklasse angeben, die der zumindest einen für den Fahrmodus zugelassenen Straßenklasse entspricht. Die Zulässigkeitsbedingung wird insbesondere dazu geprüft, um im Falle eines bereits aktivierten Fahrmodus zu überprüfen, ob der Fahrmodus deaktiviert werden muss, weil das vorausliegende Straßensegment nicht mehr der zumindest einen zugelassenen Straßenklasse entspricht. Als Fahrmodus kann in an sich bekannter Weise beispielsweise eine Fahrerassistenz für eine Autobahnfahrt, ein ACC (Automatic Cruise Control), ein Abstandsregelautomat, ein Überholassistent vorgesehen sein, um nur Beispiele zu nennen. Allgemein kann durch den automatisierten Fahrmodus vorgesehen sein, dass im aktivierten Fahrmodus eine Längsführung (Beschleunigen und/oder Bremsen) und/oder eine Querführung (Lenken) automatisiert durch zumindest ein Steuergerät des Kraftfahrzeugs ohne ein Zutun eines Fahrers durchgeführt wird.As a solution, the invention includes a method for monitoring a permission condition for an automated driving mode of a motor vehicle by a control circuit. The admissibility condition includes that the driving mode may only be active when driving on roads of at least one predetermined authorized road class. To check a current road class of a road segment ahead in the direction of travel of a road currently being traveled on, in a first signal path from a digital road map to the road segment, map data which indicate the road class of the road segment are read from a data memory and then checked whether they indicate such a road class, which corresponds to the at least one road class permitted for the driving mode. The admissibility condition is checked in particular to check, in the case of an already activated driving mode, whether the driving mode has to be deactivated because the road segment ahead no longer corresponds to the at least one permitted road class. In a manner known per se, driver assistance for driving on the freeway, an ACC (automatic cruise control), an automatic distance control system, an overtaking assistant, for example, can be provided as a driving mode, to name just a few examples. In general, the automated driving mode can provide for longitudinal guidance (acceleration and/or braking) and/or lateral guidance (steering) to be carried out automatically in the activated driving mode by at least one control unit of the motor vehicle without any action on the part of the driver.
Das Überprüfen der Straßenklasse erfolgt kann auch für den aktuell befahrenen Straßenabschnitt oder das aktuell befahrene Straßensegment erfolgen, aber erfindungsgemäß wir vor allem ein vorausliegendes Straßensegment, also beispielsweise ein Straßensegment, das in beispielsweise 10 Zentimeter bis 10 Meter vor dem Kraftfahrzeug beginnt und beispielsweise in 30 Meter bis 1 Kilometer vor dem Kraftfahrzeug endet. Anhand der Straßenkarte kann überprüft werden, ob die darin gespeicherten Kartendaten betreffend dieses vorausliegende Straßensegment signalisieren, dass dieses Straßensegment Bestandteil oder klassifiziert ist als zugelassene Straßenklasse, also als Element der Menge der zumindest einen zugelassenen Straßenklasse. Es kann eine oder mehr als eine Straßenklasse als zulässig definiert sein, weshalb hier die Formulierung „zumindest eine vorbestimmte zugelassene Straßenklasse“ verwendet ist. Welche Straßenklasse für welchen Fahrmodus zugelassen ist, ist vom Fahrmodus abhängig und kann vom Fachmann festgelegt werden.The road class can also be checked for the road section or road segment currently being traveled on, but according to the invention we primarily use a road segment ahead, for example a road segment that begins, for example, 10 centimeters to 10 meters in front of the motor vehicle and, for example, in 30 meters ends up to 1 kilometer in front of the motor vehicle. The road map can be used to check whether the map data stored therein relating to this road segment ahead indicates that this road segment is part of or classified as an approved road class, ie as an element of the set of at least one approved road class. One or more than one road class can be defined as permissible, which is why the wording “at least one predetermined permissible road class” is used here. Which road class is approved for which driving mode depends on the driving mode and can be determined by a specialist.
Die Verwendung einer Straßenkarte kann allerdings dazu führen, dass veraltete Kartendaten vorliegen und/oder eine Lokalisierung des Kraftfahrzeugs in Bezug auf die Straßenkarte einer Varianz oder Toleranz oder Schwankung unterworfen sein kann, wie es an sich für Empfänger eines Positionssignals eines GNSS (Global Navigation Satellite System), wie beispielsweise das GPS (Global Positioning System), bekannt ist.However, the use of a road map can result in outdated map data being available and/or localization of the motor vehicle in relation to the road map being subject to a variance or tolerance or fluctuation, as is inherent to receivers of a position signal from a GNSS (Global Navigation Satellite System ), such as the GPS (Global Positioning System), is known.
Unabhängig von dem ersten Signalpfad werden deshalb in einem von dem ersten Signalpfad unabhängigen zweiten Signalpfad aus einem Umfeldsensor oder mehreren Umfeldsensoren Umfelddaten empfangen, die Umfeldmerkmale des Straßensegments (z.B. vorhande Straßenschilder oder erkennbare Personen) beschreiben, und anhand der Umfelddaten werden mittels einer vorberstimmten Schätzroutine Charakteristiken des Straßensegments (z.B. die Charakteristik „Blaue Autobahnbeschilderung“ oder „Peronsen anwesend“) geschätzt.Independent of the first signal path, in a second signal path that is independent of the first signal path, environmental data are received from an environmental sensor or multiple environmental sensors, which describe environmental features of the road segment (e.g. the presence of street signs or recognizable people), and based on the environmental data, characteristics of the road segment are determined using a predetermined estimation routine street segment (e.g. the characteristic "blue motorway signs" or "persons present").
Es wird detektiert, ob die geschätzten Charakteristiken eine Existenzwahrscheinlichkeit eines Vorhandenseins der zumindest einen zugelassenen Straßenklasse in dem vorausliegenden Straßensegment größer als eine vorbestimmter Schwellwert ist. Die Umfelddaten können die Sensordaten aus dem zumindest einen Umfeldsensor und/oder verarbeitete Sensordaten, beispielsweise gefilterte Sensordaten und/oder mittels einer Sensor-Fusion kombinierte Sensordaten, sein. Die jeweils erkannte Charakteristik kann beispielsweise umfassen: „Fußgänger anwesend“, „Mittelleitplanke anwesend“, „Autobahnschilder spezifischer Farbe vorhanden“, um nur Beispiele zu nennen. Eine entsprechende Schätzroutine, um aus Umfelddaten solche Charakteristiken zu erkennen, können beispielsweise auf der Grundlage eines Algorithmus für maschinelles Lernen, beispielsweise eines künstlichen neuronalen Netzwerks, bereitgestellt sein, wie dies an sich aus dem Stand der Technik für die Objekterkennung oder das maschinelle Sehen bekannt ist. Die Existenzwahrscheinlichkeit dafür, dass die Charakteristiken auf das Vorhandensein einer speziellen Straßenklasse oder zumindest auf das Vorhandensein der Menge der zugelassenen Straßenklassen hinweist, kann dann anhand der Schätzergebnisse für die einzelnen Charakteristiken, beispielsweise einer Kennzahl für die Konfidenz oder Schätzvarianz, beim Schätzen der jeweiligen Charakteristik sein. Dies wird weiter unten noch näher erläutert. Durch Kombinieren von geschätzten Charakteristiken, also beispielsweise dem Vorhandensein einer Leitplanke und/oder dem Vorhandensein von Fußgängern, ergibt sich dann durch die einzelnen Kennzahlen der Charakteristiken, also deren Schätzsicherheit, die Existenzwahrscheinlichkeit für das Vorhandensein der zumindest einen zugelassenen Straßenklasse. Damit signalisiert auch der zweite Signalpfad, unabhängig vom ersten Signalpfad, ob das vorausliegende Straßensegment zu der zumindest einen zugelassenen Straßenklasse gehört oder nicht dazu gehört. Das Signal der Zugehörigkeit wird ausgegeben, falls die Existenzwahrscheinlichkeit größer als der Schwellenwert ist. Andernfalls wird signalisiert, dass das vorausliegende Straßensegment (oder eine Teilintervall davon) nicht zu der zumindest einen zugelassenen Straßenklasse gehört.It is detected whether the estimated characteristics of an existence probability of a presence of the at least one permitted road class in the road segment ahead is greater than a predetermined threshold value. The surroundings data can be the sensor data from the at least one surroundings sensor and/or processed sensor data, for example filtered sensor data and/or sensor data combined by means of a sensor fusion. The characteristic recognized in each case can include, for example: “Pedestrians present”, “Center barrier present”, “Motorway signs of a specific color present”, to name just examples. A corresponding estimation routine to recognize such characteristics from environmental data can be provided, for example, on the basis of an algorithm for machine learning, for example an artificial neural network, as is known per se from the prior art for object recognition or machine vision . The probability that the characteristics indicate the presence of a special road class or at least the presence of the set of permitted road classes can then be based on the estimation results for the individual characteristics, for example a key figure for the confidence or estimation variance, when estimating the respective characteristic . This is explained in more detail below. By combining estimated characteristics, for example the presence of a crash barrier and/or the presence of pedestrians, the individual key figures then result of the characteristics, i.e. their estimation reliability, the probability of the existence of the at least one approved road class. The second signal path thus also signals, independently of the first signal path, whether the road segment ahead belongs to the at least one permitted road class or not. The membership signal is issued if the existence probability is greater than the threshold value. Otherwise it is signaled that the road segment ahead (or a partial interval thereof) does not belong to the at least one permitted road class.
Das besagte eigentliche Überprüfen der Zulässigkeitsbedingung umfasst, dass das Vorhandensein der zumindest einen zugelassenen Straßenklasse für das vorausliegende Straßensegments final nur signalisiert wird, falls sowohl der erste Signalpfad und auch der zweite Signalpfad die Existenz der Straßenklasse bestätigen oder signalisieren, und andernfalls wird eine vorbestimmte Blockiermaßnahme für den Fahrmodus durchgeführt wird. Mit anderen Worten werden also die beiden Signalpfade unabhängig voneinander ausgewertet und nur wenn beide Signalpfade unabhängig voneinander das Vorhandensein oder die Existenz der zumindest einen zugelassenen Straßenklasse im Bereich des vorausliegenden Straßensegments signalisieren oder bestätigen, wird für den Fahrmodus angenommen, dass die Zulässigkeitsbedingung erfüllt ist. Andernfalls wird die Blockiermaßnahme durchgeführt, was noch näher erläutert werden wird. Said actual checking of the admissibility condition includes that the presence of the at least one approved road class for the road segment ahead is finally only signaled if both the first signal path and the second signal path confirm or signal the existence of the road class, and otherwise a predetermined blocking measure for the driving mode is carried out. In other words, the two signal paths are evaluated independently of one another and only if both signal paths independently of one another signal or confirm the presence or existence of the at least one permitted road class in the area of the road segment ahead is it assumed for the driving mode that the admissibility condition is met. Otherwise the blocking measure is carried out, which will be explained in more detail later.
Somit ist man nicht darauf angewiesen, dann bei Signalpfade absolut fehlerfrei nach ASIL-D implementiert sind, sondern erst der gegenseitige Abgleich beider Signalpfade muss zu der Stufe ASIL-D führen.This means that one is not dependent on the signal paths being implemented absolutely error-free according to ASIL-D, but only the mutual comparison of both signal paths must lead to the ASIL-D level.
Die beiden Signalpfade können beispielsweise als unabhängig voneinander betriebene Softwaremodule implementiert sein, wodurch sie unabhängig voneinander die Überprüfung der Straßenklasse durchführen können.The two signal paths can be implemented, for example, as software modules operated independently of one another, as a result of which they can check the road class independently of one another.
Die Erfindung umfasst auch Weiterbildungen, durch die sich zusätzliche Vorteile ergeben.The invention also includes developments that result in additional advantages.
Es sei hier angemerkt: Beim Schätzen einer Charakteristik können drei Aspekte geprüft werden, nämlich zum einen, ob die Charakteristik überhaupt vorhanden („Vorhandensein“) ist (ein Klassifikator, wie beispielsweise ein künstliches neuronales Netzwerk, spricht überhaupt auf das Vorhandensein der Charakteristik an, z.B. auf „Personen“ in Kamerabildern), eine „Existenzkonfizent“ der Charakteristik (der Klassifikator signalisiert, mit welcher Wahrscheinlichkeit die Charakteristik vorliegt oder wie sicher die Schätzung ist) und ein „Zustand“ der Charakteristik (beispielsweise seit wie vielen Kilometern die Charakteristik vorliegt oder welche Ausprägung vorhanden ist, wie beispielsweise „viele Fußgänger vorhanden“ im Gegensatz zu „wenig Fußgänger vorhanden“). Entsprechende Schätzroutinen sind an sich aus dem Stand der Technik verfügbar, beispielsweise im Zusammenhang mit der Umfeldüberwachung in einem Kraftfahrzeug zum Betreiben eines Autopiloten.It should be noted here: When estimating a characteristic, three aspects can be checked, namely whether the characteristic is present ("presence") at all (a classifier, such as an artificial neural network, responds to the presence of the characteristic at all, e.g. on "persons" in camera images), a "confidence of existence" of the characteristic (the classifier signals the probability with which the characteristic is present or how reliable the estimate is) and a "state" of the characteristic (for example how many kilometers the characteristic has been present or which expression is present, such as "many pedestrians present" in contrast to "few pedestrians present"). Corresponding estimation routines are available per se from the prior art, for example in connection with monitoring the surroundings in a motor vehicle for operating an autopilot.
Eine Weiterbildung umfasst, dass das vorausliegende Straßensegment in Fahrtrichtung in mehrere unterschiedliche, in Fahrtrichtung hintereinander liegende Abstandsintervalle unterteilt wird und für jedes Abstandsintervall eine eigne Überprüfung der Zulässigkeitsbedingung mittels der beiden Signalpfade durchgeführt wird. Für jedes Abstandsintervall werden also jeweils die Kartendaten und die Charakteristiken aus dem jeweiligen Abstandsintervall verwendet. Mit anderen Worten wird das vorausliegende Straßensegment nicht als einheitlicher Bereich überwacht, über den insgesamt die Existenzwahrscheinlichkeit für das Vorhandensein einer zugelassenen Straßenklasse geprüft wird, sondern Teilabschnitte oder Teilintervalle mit unterschiedlichem Abstand zum Kraftfahrzeug (daher „Abstandsintervalle“) werden individuell für sich daraufhin überprüft, ob sie die Zulässigkeitsbedingung erfüllen. Hierdurch ergibt sich der Vorteil, dass ein „Herausmitteln“ von Indizien oder Charakteristiken über das gesamte Straßensegment hinweg verhindert ist. Ist beispielsweise in dem am weitest entfernten Abstandsintervall die Straße nicht mehr Bestandteil der zumindest einen zugelassenen Straßenklasse, so können sich in diesem am weitesten entfernten Abstandsintervall entsprechende Charakteristiken befinden, die dies eindeutig signalisieren. Fährt das Kraftfahrzeug beispielsweise auf einer Autobahn und wechselt auf die Abbiegespur, so kann für das unmittelbar vorausliegende Abstandsintervall noch die Zulässigkeitsbedingung „Autobahn vorhanden“ erfüllt sein, während am Ende der Ausfahrt in einer Kurve zum Verlassen der Autobahn die Charakteristik „Kurve mit Kurvenradius kleiner als X Meter“ vorhanden sein kann, die signalisiert, dass hier nicht mehr die Straßenklasse „Autobahn“ vorhanden ist. Diese eindeutige Charakteristik würde aber bei einer Berechnung der Existenzwahrscheinlichkeit für die Straßenklasse „Autobahn“ über das gesamte vorausliegende Straßensegment hinweg unter Umständen herausgemittelt, weil in den davor liegenden Abstandsintervallen die Charakteristiken für die Straßenklasse „Autobahn“ überwiegen. Wird dagegen die Existenzwahrscheinlichkeit für das Vorhandensein der Straßenklasse „Autobahn“ für die Abstandsintervalle getrennt berechnet, so kann für das letzte, am weitesten entfernte Abstandsintervall zuverlässig die Charakteristik betreffend den Kurvenradius erkannt und signalisiert werden, dass in diesem Abstandsintervall keine Autobahn oder allgemein die zulässige Straßenklasse mehr vorhanden ist. Bevorzugt ist das Straßensegment in zumindest zwei Abstandsintervalle, bevorzugt mehr als zwei, bevorzugt mehr als drei, insbesondere mehr als vier Abstandsintervalle unterteilt. Es kann auch für jede Charakteristik eine eigene Unterteilung des Straßensegments in charakteristik-bezogene Abstandsintervalle unterschiedlicher Länge entlang der Fahrtrichtung vorgesehen sein, beispielsweise Abstandsintervalle mit der Länge 50 Meter, Abstandsintervalle mit der Länge 100 Meter, um nur Beispiele zu nennen.A development includes that the road segment ahead is divided in the direction of travel into several different distance intervals one behind the other in the direction of travel and a separate check of the admissibility condition is carried out using the two signal paths for each distance interval. The map data and the characteristics from the respective distance interval are therefore used for each distance interval. In other words, the road segment ahead is not monitored as a uniform area over which the probability of the existence of an approved road class is checked overall, but sections or partial intervals with different distances to the motor vehicle (hence "distance intervals") are individually checked to determine whether they meet the eligibility condition. This has the advantage that indicators or characteristics are prevented from being "averaged out" over the entire road segment. For example, if the road is no longer part of the at least one permitted road class in the furthest distance interval, corresponding characteristics that clearly signal this can be found in this furthest distance interval. For example, if the motor vehicle is driving on a freeway and changes to the turning lane, the admissibility condition "freeway available" can still be met for the distance interval immediately ahead, while at the end of the exit in a curve to leave the freeway the characteristic "curve with a curve radius smaller than X Meter" may be present, which signals that the "Autobahn" road class is no longer available here. Under certain circumstances, however, this unique characteristic would be averaged out in a calculation of the probability of existence for the “Autobahn” road class over the entire road segment ahead, because the characteristics for the “Autobahn” road class predominate in the preceding distance intervals. If, on the other hand, the probability of the existence of the road class "Autobahn" is calculated separately for the distance intervals, the characteristic relating to the curve radius can be reliably recognized for the last, most distant distance interval and signaled that in There is no longer a motorway or, in general, the permissible road class in this distance interval. The road segment is preferably divided into at least two distance intervals, preferably more than two, preferably more than three, in particular more than four distance intervals. A separate subdivision of the road segment into characteristic-related distance intervals of different lengths along the direction of travel can also be provided for each characteristic, for example distance intervals with a length of 50 meters, distance intervals with a length of 100 meters, to name just a few examples.
Eine Weiterbildung umfasst, dass für den Fall, dass ein dem Kraftfahrzeug nächstes Abstandsintervall die Zulässigkeitsbedingung erfüllt (also der Fahrmodus noch aktiv sein darf) und aber zumindest ein dahinter liegendes Abstandsintervall die Zulässigkeitsbedingung verletzt (also bis zum Erreichen dieses vorausliegenden Abstandsintervalls der Fahrmodus deaktiviert sein sollte), die Blockiermaßnahme eine Übergaberoutine zum Übergeben einer Längsführung und/oder Querführung des Kraftfahrzeugs an einen Fahrer des Kraftfahrzeugs umfasst. Mit anderen Worten wird für einen zukünftigen Zeitpunkt oder einen zukünftigen Ort entlang der Fahrtrichtung in dem Straßensegment erkannt, dass dort der Fahrmodus deaktiviert werden muss. Entsprechend wird als Blockiermaßnahme zum Blockieren oder Deaktivieren des Fahrmodus die Übergaberoutine ausgelöst oder durchgeführt. Diese Übergaberoutine ist an sich aus dem Stand der Technik bekannt und kann beispielsweise einen Hinweis oder eine Ausgabe an den Fahrer umfassen, dass dieser sich bereit für die Übernahme der Führung des Kraftfahrzeugs machen soll. Zusätzlich oder alternativ dazu kann mittels eines Nothalts sichergestellt werden, dass der Fahrmodus nicht im Bereich einer nicht zugelassenen oder unzulässigen Straßenklasse betrieben werden muss, wenn beispielsweise die Übernahmeprozedur oder Übernahmeroutine für den Fahrer scheitert.A further development includes that in the event that a distance interval closest to the motor vehicle meets the admissibility condition (i.e. the driving mode may still be active) and at least one distance interval behind it violates the admissibility condition (i.e. the driving mode should be deactivated until this upcoming distance interval is reached ), The blocking measure includes a transfer routine for transferring a longitudinal guidance and / or lateral guidance of the motor vehicle to a driver of the motor vehicle. In other words, it is recognized for a future point in time or a future location along the direction of travel in the road segment that the driving mode must be deactivated there. Accordingly, the handover routine is triggered or carried out as a blocking measure for blocking or deactivating the driving mode. This handover routine is known per se from the prior art and can include, for example, an indication or an output to the driver that he should get ready to take control of the motor vehicle. In addition or as an alternative to this, an emergency stop can be used to ensure that the driving mode does not have to be operated in the area of a non-approved or impermissible road class if, for example, the takeover procedure or takeover routine for the driver fails.
Eine Weiterbildung umfasst, dass die besagte Blockiermaßnahme umfasst, dass für den Fall, dass in dem vorausliegenden Straßensegment die Zulässigkeitsbedingung verletzt ist, bei deaktiviertem Fahrmodus eine Aktivierung des Fahrmodus blockiert wird und/oder bei aktiviertem Fahrmodus eine Übergabe an einen Fahrer und/oder ein Nothalt durchgeführt und danach der Fahrmodus deaktiviert wird. Allgemein kann also bei deaktiviertem Fahrmodus durch die Blockiermaßnahme verhindert werden, dass der Fahrmodus aktiviert wird. Beispielsweise kann ein entsprechendes Bedienelement im Kraftfahrzeug, welches zum Aktivieren des Fahrmodus vorgesehen ist, ausgeschaltet oder ausgeblendet (im Falle eines Touchscreens) werden. Bei aktiviertem Fahrmodus werden die Übergabe an den Fahrer und/oder der Nothalt forciert.A development includes that said blocking measure includes that in the event that the admissibility condition is violated in the road segment ahead, activation of the driving mode is blocked when the driving mode is deactivated and/or handover to a driver and/or an emergency stop when the driving mode is activated carried out and then the driving mode is deactivated. In general, when the driving mode is deactivated, the blocking measure can prevent the driving mode from being activated. For example, a corresponding operating element in the motor vehicle, which is provided for activating the driving mode, can be switched off or hidden (in the case of a touch screen). When driving mode is activated, driver handover and/or emergency stop are forced.
Eine Weiterbildung umfasst, dass zumindest in dem zweiten Signalpfad (Umfelddaten) die zumindest eine zulässige Straßenklasse und/oder zumindest eine vorbestimmte unzulässige Straßenklasse (Fahrmodus muss hier deaktiviert sein) definiert ist und jeweils die aktuelle Existenzwahrscheinlichkeit für jede der Straßenklassen parallel berechnet werden. Bevorzugt berücksichtigt dabei eine Gedächtnisfunktion für zumindest eine der Straßenklassen oder alle der Straßenklassen beim Berechnen von deren Existenzwahrscheinlichkeit auch bereits durchfahrene, zurückliegende Straßensegmente, wobei diese Gedächtnisfunktion ein Abbauverhalten der in diesen zurückliegenden Straßensegmenten geschätzten Charakteristiken (d.h. einen Vergessensfaktor) in Abhängigkeit von einem zeitlichen und/oder örtlichen Abstand zu dem jeweiligen zurückliegenden Straßensegment umfasst. Mit anderen Worten ist für jeden Ort auf der Straße eine Schätzung oder Berechnung der Existenzwahrscheinlichkeit für jede Straßenklasse vorhanden. Es sollte dann zumindest für eine Straßenklasse, bevorzugt für genau eine Straßenklasse, eine Existenzwahrscheinlichkeit mit einem Wert größer als der besagte Schwellenwert signalisiert oder ermittelt sein. Indem aber parallel oder gleichzeitig für alle Straßenklasse eine Schätzung von deren Existenzwahrscheinlichkeit durchgeführt wird, kann auch ein zurückliegendes oder vergangenes Straßensegment beziehungsweise die darin geschätzten Charakteristiken bei der Berechnung der Existenzwahrscheinlichkeit berücksichtigt werden und beispielsweise akkumuliert oder mittels einer Regression berücksichtigt werden. Beginn beispielsweise in einem Straßensegment eine Mittelleitplanke und wird dieser Anfang der Mittelleitplanke von dem Kraftfahrzeug passiert und verläuft die Mittelleitplanke weiter in der Straße, so kann beispielsweise nach einer durch das Kraftfahrzeug zurückgelegten Strecke von einer vorbestimmten Mindestlänge, beispielsweise 1 Kilometer, die Charakteristik „Mittelleitplanke vorhanden“ nicht nur für das aktuelle Straßensegment, sondern mittels der Gedächtnisfunktion auch für zurückliegende bereits passierte oder durchfahrene Straßensegmente oder Orte auf der Straße berücksichtigt werden. Allerdings verliert eine Charakteristik ihre Bedeutung oder ihre Aussagekraft bei der Schätzung der Existenzwahrscheinlichkeit der Straßenklasse des aktuellen Straßensegments, weshalb zeitlich und/oder örtlich zurückliegende Charakteristiken mittels des Vergessenfaktors entfernt oder ausgeblendet werden. Als zeitliche Abstand kann beispielsweise vorgesehen sein, dass eine Charakteristik ausgeblendet ist, deren Beobachtungszeitpunkt oder Schätzzeitpunkt weiter zurückliegt als ein Zeitwert in einem Bereich von beispielsweise 10 Sekunden bis 15 Minuten. Zusätzlich oder alternativ dazu kann beispielsweise mittels der beschriebenen Lokalisierung des Kraftfahrzeugs ermittelt werden, wie groß ein örtlicher Abstand des Kraftfahrzeugs zu dem Beobachtungsort für eine Charakteristik geworden ist, wobei als Wert für das Vergessen oder Ausblenden einer Charakteristik ein Abstand in einem Bereich von mehr als 20 Meter bis mehr als 5 Kilometer gewählt werden kann, um nur Beispiele zu nennen. Wenn sich also die Hinweise oder Charakteristiken für eine bestimmte Straßenklasse während der Fahrt „vermehren“ oder wiederholen oder akkumulieren oder aggregieren, so kann dies mittels der Gedächtnisfunktion erkannt und bei der Berechnung der Existenzwahrscheinlichkeit für eine Straßenklasse, die bisher nicht erkannt wurde, berücksichtigt werden.A further development includes that at least in the second signal path (environment data) the at least one permissible road class and/or at least one predetermined impermissible road class (driving mode must be deactivated here) is defined and the current probability of existence for each of the road classes is calculated in parallel. A memory function for at least one of the road classes or all of the road classes preferably also takes into account past road segments that have already been traveled through when calculating their probability of existence, with this memory function taking into account a reduction behavior of the characteristics estimated in these past road segments (ie a forgetting factor) as a function of a temporal and/or or local distance to the respective past road segment. In other words, for each location on the road, there is an estimate or calculation of the probability of existence for each class of road. An existence probability with a value greater than said threshold value should then be signaled or determined for at least one road class, preferably for exactly one road class. However, since an estimation of the probability of existence is carried out in parallel or simultaneously for all road classes, a previous or past road segment or the characteristics estimated therein can also be taken into account in the calculation of the probability of existence and, for example, accumulated or taken into account by means of a regression. If, for example, a central barrier begins in a road segment and if the motor vehicle passes this start of the central barrier and the central barrier continues along the road, then, for example, after the motor vehicle has covered a distance of a predetermined minimum length, for example 1 kilometer, the characteristic “central barrier present ' can be taken into account not only for the current road segment, but also for past road segments or places on the road that have already been passed or driven through using the memory function. However, a characteristic loses its meaning or its informative value when estimating the probability of existence of the road class of the current road segment, which is why characteristics from the past in terms of time and/or location are removed or hidden using the forgetting factor. As a time interval, it can be provided, for example, that a characteristic is hidden whose observation time or estimated time is further back than a time value in a range of, for example, 10 seconds to 15 minutes. Additionally or alternatively, it can be determined, for example by means of the described localization of the motor vehicle, how large a local distance of the motor vehicle has become from the observation point for a characteristic, with a distance in a range of more than 20 meters being the value for forgetting or hiding a characteristic up to more than 5 kilometers can be chosen, just to name examples. So if the indications or characteristics for a certain road class "multiply" or repeat or accumulate or aggregate during the journey, this can be recognized by means of the memory function and taken into account when calculating the probability of existence for a road class that has not yet been recognized.
Eine Weiterbildung umfasst, dass für jede überprüfte Straßenklasse jeweils für jede Charakteristik eine Gesamtkennzahl auf Basis von gemessenen Klassifikationsunsicherheiten und/oder Existenzunsicherheiten und/oder Zustandsunsicherheiten beim Sensieren der entsprechenden Umfeldmerkmale anhand der Umfelddaten berechnet wird, wobei die Gesamtkennzahl einen Grad der Ausprägung dieser Charakteristik signalisiert, wobei beispielsweise ein höherer Absolutwert der Gesamtkennzahl eine stärkere Ausprägung bedeutet. Um die Existenzwahrscheinlichkeit aus den beobachteten Charakteristiken zu ermitteln, kann jede Charakteristik durch eine einzelne Gesamtkennzahl quantisiert werden. Hiermit kann die bereits beschriebene Klassifikationsunsicherheit und/oder Existenzunsicherheit und/oder Zustandsunsicherheit für die Schätzung oder Beobachtung der Charakteristiken (beispielsweise Fußgänger oder Mittelleitplanke) und/oder deren Existenz (sicher vorhanden oder mit X % vorhanden) und den Zustand (viele oder wenige Fußgänger) zusammengefasst werden. Diese Gesamtkennzahl beschreibt, wie zuverlässig aus den Umfelddaten aus dem zumindest einen Sensor die jeweilige Charakteristik abgeleitet werden konnte. Hier kann beispielsweise auf eine Ausgabe eines Algorithmus für maschinelles Lernen, beispielsweise eine Ausgabe eines künstlichen neuronalen Netzwerks, zurückgegriffen werden.A development includes that for each road class checked, for each characteristic, an overall index is calculated on the basis of measured classification uncertainties and/or existential uncertainties and/or status uncertainties when sensing the corresponding environmental features using the environment data, with the overall index signaling a degree of the extent of this characteristic, where, for example, a higher absolute value of the overall key figure means a stronger expression. In order to determine the probability of existence from the observed characteristics, each characteristic can be quantized by a single total number. With this, the already described classification uncertainty and/or uncertainty of existence and/or uncertainty of state for the estimation or observation of the characteristics (e.g. pedestrians or central barrier) and/or their existence (certainly present or present with X%) and the state (many or few pedestrians) be summarized. This overall index describes how reliably the respective characteristic could be derived from the environmental data from the at least one sensor. Here, for example, an output of an algorithm for machine learning, for example an output of an artificial neural network, can be accessed.
Eine Weiterbildung umfasst, dass für jede überprüfte Straßenklasse aus den insgesamt in dem Straßensegment beobachteten Charakteristiken eine klassenspezifische Auswahl und/oder eine klassenspezifische Gewichtung gemäß in der Steuerschaltung gespeicherten Relevanzdaten, welche eine Relevanz der Charakteristiken bezüglich der jeweiligen Straßenklasse angeben, durchgeführt wird. Somit kann verhindert werden, dass eine Schätzung oder Berechnung einer Existenzwahrscheinlichkeit für eine Straßenklasse dadurch unsicher gemacht wird, dass eine für die Berechnung der Existenzwahrscheinlichkeit irrelevante Charakteristik berücksichtigt wird, für die beispielsweise eine große Beobachtungsunsicherheit oder Schätzunsicherheit vorliegt und/oder die keine zuverlässiges Indiz für eien Straßenklasse ist, weil sie sowohl für eine zugelassene als auch eine unzulässige Straßenklasse typisch ist. Es wird somit berücksichtigt, dass es auch Charakteristiken geben kann, die sowohl für eine zugelassene Straßenklasse als auch für eine unzulässige Straßenklasse typisch oder charakteristisch sind, weshalb für die Unterscheidung zwischen zulässiger und unzulässiger Straßenklasse diese Charakteristik beispielsweise als irrelevant ausgeblendet oder unberücksichtigt bleiben kann. Als Kategorien für die Auswahl können beispielsweise angegeben sein: Unbedingt notwendig, bedingt notwendig, optional. Eine unbedingt notwendige Charakteristik kann angeben, dass ohne eine Beobachtung oder Schätzung dieser Charakteristik die entsprechende Straßenklasse auch nicht vorhanden sein kann oder die Charakteristik anders herum fehlen muss, damit die Straßenklasse vorhanden sein kann. Eine bedingt notwendige Charakteristik besagt, dass diese beispielsweise aktuell verdeckt sein kann, also für das aktuelle Straßensegment nicht beobachtet werden muss, aber beispielsweise mittels der Gedächtnisfunktion signalisiert werden soll, dass diese Charakteristik zumindest zeitweise innerhalb eines vergangenen Zeitraums, beispielsweise innerhalb der letzten zehn Minuten, oder innerhalb eines vorbestimmten Abstands, beispielsweise innerhalb des vergangenen Kilometers, vorhanden gewesen sein muss.A development includes that for each road class checked from the characteristics observed overall in the road segment, a class-specific selection and/or a class-specific weighting is carried out according to relevance data stored in the control circuit, which indicate a relevance of the characteristics with regard to the respective road class. It can thus be prevented that an estimation or calculation of an existence probability for a road class is made uncertain by considering a characteristic that is irrelevant for the calculation of the existence probability, for which there is, for example, a large observation uncertainty or estimation uncertainty and/or no reliable indication of a Road class is because it is typical of both a permitted and a prohibited road class. It is thus taken into account that there can also be characteristics that are typical or characteristic of both an approved road class and an impermissible road class, which is why this characteristic can be hidden or ignored as irrelevant for the differentiation between permissible and impermissible road classes. The categories for the selection can be specified, for example: absolutely necessary, conditionally necessary, optional. An absolutely necessary characteristic can indicate that without an observation or estimation of this characteristic, the corresponding road class can also not be present or the characteristic must be missing the other way around so that the road class can be present. A conditionally necessary characteristic states that this can, for example, currently be covered, i.e. does not have to be observed for the current road segment, but that the memory function should be used, for example, to signal that this characteristic was at least temporarily within a past period of time, for example within the last ten minutes. or must have been present within a predetermined distance, for example within the past kilometer.
Eine Weiterbildung umfasst, dass für den Fall, dass der erste Signalpfad und der zweite Signalpfad dieselbe Straßenklasse signalisieren, die signalisierte Straßenklasse in ein Umfeldmodell (sogenannte dynamische digitale Umfeldkarte) eingetragen wird, anhand welchem eine teilautonome oder vollautonome Fahrfunktion in dem automatischen Fahrmodus eine Fahrtrajektorie plant und hierbei eine zu befolgende Verhaltensregel und/oder eine zu beachtende Verkehrsregel in Abhängigkeit von der im Umfeldmodell eingetragenen Straßenklasse auswählt. Somit wird also die Überprüfung der Zulässigkeitsbedingung auch dafür genutzt, die durch beide Signalpfade signalisierte Straßenklasse zum Festlegen eines Fahrverhaltens des Kraftfahrzeugs zu steuern. Eine zu befolgende Verhaltensregel kann beispielsweise angeben, dass Überholen bevorzugt ist oder anders herum zu vermeiden ist. Eine zu beachtende Verkehrsregel kann die für die Straßenklasse vorgesehene Verkehrsregel sein, die implizit durch die Straßenklasse vorgegeben ist (wie beispielsweise eine Maximalgeschwindigkeit oder Höchstgeschwindigkeit für Landstraßen) und/oder ein Fahrstil, z.B. die Wahrscheinlichkeit für eine Überholversuch. Somit werden die Signalpfade auch dafür genutzt, in dem Umfeldmodell die Information der aktuell vorliegenden Straßenklasse bereitzustellen.A further development includes that in the event that the first signal path and the second signal path signal the same road class, the signaled road class is entered into an environment model (so-called dynamic digital environment map), on the basis of which a partially autonomous or fully autonomous driving function plans a driving trajectory in the automatic driving mode and selects a behavioral rule to be followed and/or a traffic rule to be observed depending on the road class entered in the environment model. Thus, the checking of the admissibility condition is also used to control the road class signaled by both signal paths for determining a driving behavior of the motor vehicle. For example, a rule of conduct to be followed may state that overtaking is preferred or, conversely, that overtaking is to be avoided. A traffic rule to be observed may be the traffic rule intended for the road class implicitly given by the road class (such as a maximum speed or maximum speed for country roads) and/or a driving style, eg the likelihood of an overtaking attempt. Thus, the signal paths are also used for the information in the environment model mation of the currently available road class.
Als eine weitere Lösung umfasst die Erfindung eine Steuerschaltung für ein Kraftfahrzeug, wobei die Steuerschaltung eine Prozessoreinrichtung aufweist, die dazu eingerichtet ist, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Die Steuerschaltung kann eine Datenverarbeitungsvorrichtung oder eine Prozessoreinrichtung aufweisen, die dazu eingerichtet ist, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Die Prozessoreinrichtung kann hierzu zumindest einen Mikroprozessor und/oder zumindest einen Mikrocontroller und/oder zumindest einen FPGA (Field Programmable Gate Array) und/oder zumindest einen DSP (Digital Signal Processor) aufweisen. Des Weiteren kann die Prozessoreinrichtung Programmcode aufweisen, der dazu eingerichtet ist, bei Ausführen durch die Prozessoreinrichtung die Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Der Programmcode kann in einem Datenspeicher der Prozessoreinrichtung gespeichert sein. Die Steuerschaltung kann als ein Steuergerät oder als ein Verbund mehrerer Steuergeräte für das Kraftfahrzeug ausgestaltet sein. Die Steuerschaltung kann zusätzlich oder alternativ dazu einen Zentralcomputer für ein Kraftfahrzeug umfassen.As a further solution, the invention comprises a control circuit for a motor vehicle, the control circuit having a processor device which is set up to carry out an embodiment of the method according to the invention. The control circuit can have a data processing device or a processor device that is set up to carry out an embodiment of the method according to the invention. For this purpose, the processor device can have at least one microprocessor and/or at least one microcontroller and/or at least one FPGA (Field Programmable Gate Array) and/or at least one DSP (Digital Signal Processor). Furthermore, the processor device can have program code which is set up to carry out the embodiment of the method according to the invention when executed by the processor device. The program code can be stored in a data memory of the processor device. The control circuit can be designed as a control unit or as a combination of several control units for the motor vehicle. The control circuit can additionally or alternatively comprise a central computer for a motor vehicle.
Als eine weitere Lösung umfasst die Erfindung ein Kraftfahrzeug mit zumindest einem Sensor zum Erzeugen von sensorbasierten Umfelddaten sowie mit einer Ausführungsform der erfindungsgemäßen Steuerschaltung. Das erfindungsgemäße Kraftfahrzeug ist bevorzugt als Kraftwagen, insbesondere als Personenkraftwagen oder Lastkraftwagen, oder als Personenbus oder Motorrad ausgestaltet.As a further solution, the invention includes a motor vehicle with at least one sensor for generating sensor-based surroundings data and with an embodiment of the control circuit according to the invention. The motor vehicle according to the invention is preferably designed as a motor vehicle, in particular as a passenger car or truck, or as a passenger bus or motorcycle.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen. Die Erfindung umfasst also auch Realisierungen, die jeweils eine Kombination der Merkmale mehrerer der beschriebenen Ausführungsformen aufweisen, sofern die Ausführungsformen nicht als sich gegenseitig ausschließend beschrieben wurden.The invention also includes the combinations of features of the described embodiments. The invention also includes implementations that each have a combination of the features of several of the described embodiments, unless the embodiments were described as mutually exclusive.
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
-
1 eine schematische Darstellung einer Ausführungsform des erfindungsgemäßen Kraftfahrzeugs mit einer Ausführungsform der erfindungsgemäßen Steuerschaltung, durch welche eine Ausführungsform des erfindungsgemäßen Verfahrens durchgeführt werden kann; und -
2 eine Skizze zur Veranschaulichung einer Berechnung einer Existenzwahrscheinlichkeit einer zulässigen Straßenklasse.
-
1 a schematic representation of an embodiment of the motor vehicle according to the invention with an embodiment of the control circuit according to the invention, through which an embodiment of the method according to the invention can be carried out; and -
2 a sketch to illustrate a calculation of an existence probability of a permissible road class.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiments explained below are preferred embodiments of the invention. In the exemplary embodiments, the described components of the embodiments each represent individual features of the invention that are to be considered independently of one another and that each also develop the invention independently of one another. Therefore, the disclosure is also intended to encompass combinations of the features of the embodiments other than those illustrated. Furthermore, the described embodiments can also be supplemented by further features of the invention that have already been described.
In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.In the figures, the same reference symbols designate elements with the same function.
Der Signalpfad 19 kann vorsehen, dass mittels eines Empfängers 23 für ein Positionssignal 24 eines GNSS 25, beispielsweise des GPS, eine aktuelle Geoposition 26 des Kraftfahrzeugs 10 lokalisiert oder ermittelt wird und diese Geopositionsdaten der Geoposition 26 durch die Steuerschaltung 18 empfangen werden. Mittels einer digitalen Straßenkarte 27 beispielsweise aus einer Navigationsdatenbank 28 kann ermittelt werden, ob an der Geoposition 26 die Straße 16 der zumindest einen zugelassenen Straßenklasse entspricht. Es kann also aus den Kartendaten der digitalen Straßenkarte 27 eine aktuell vorhandene oder befahrene oder vorausliegende Straßenklasse 29 geschätzt werden. Diese Straßenklasse 29, wie sie der erste Signalpfad 19 signalisiert, kann als Eingabe für die Zulässigkeitsbedingung 21 verwendet werden. Der zweite Signalpfad 20 kann vorsehen, dass für eine oder für mehrere mögliche Straßenklassen jeweils eine Existenzwahrscheinlichkeit 30 der Straßenklasse und/oder eine durch einen Schwellwertvergleich ermittelte geschätzte Straßenklasse 31 durch den zweiten Signalpfad 20 signalisiert wird. Hierzu können aus zumindest einem Umfeldsensor 32 jeweils Sensordaten oder Umfelddaten 33 empfangen werden. Beispiele für Umfeldsensoren 32 sind: Eine Kamera, ein Radar, ein Lidar, ein Ultraschallsensor. Jeweilige Erfassungsbereiche 34 der Umfeldsensoren 32 können in das Straßensegment 17 ausgerichtet sein. Anhand der Umfelddaten kann durch eine Schätzroutine 35, beispielsweise ein künstliches neuronales Netzwerk, anhand von durch die Umfelddaten 33 beschriebenen Umfeldmerkmalen 36, beispielsweise Objekten im Umfeld 37 des Kraftfahrzeugs 10 im Bereich des Straßensegments 17 oder in dem daran angrenzenden Bereich rechts und links der Straße 16, ermittelt werden, welche Charakteristiken 38 in dem Straßensegment 17 vorhanden sind, ob beispielsweise eine Mittelleitplanke vorhanden ist und/oder ob Fußgänger anwesend sind. Auf Grundlage der jeweiligen Ausprägung oder des Grads der Charakteristik 38 kann auf der Grundlage von Relevanzdaten 39 entschieden oder ermittelt werden, welche der Charakteristiken 38 für welche der Straßenklassen, die überprüft werden, zugrundezulegen sind, um mittels einer Wahrscheinlichkeitsschätzung 40 eine jeweilige Existenzwahrscheinlichkeit 41 für ein Vorliegen oder Vorhandensein der jeweiligen Straßenklasse in dem Straßensegment 17 zu berechnen. Mittels eines Schwellenwertvergleichs 42 kann dann die jeweilige Existenzwahrscheinlichkeit 41 mit einem Schwellenwert 43 verglichen werden, um zu ermitteln, welche Straßenklasse 31 durch den zweiten Signalpfad 20 der Zulässigkeitsbedingung 21 als weiterer Input oder Eingabe zu signalisieren ist. Nur für den Fall, dass beide Signalpfade 19, 20 dieselbe Straßenklasse 29, 31 signalisieren, bleibt die Blockiermaßnahme 22 deaktiviert oder ungenutzt. Wird die Blockiermaßnahme 22 aktiviert, so wird bei aktivem Fahrmodus F eine Übergabe an den Fahrer durchgeführt und/oder ein Nothalt durchgeführt.The signal path 19 can provide that a
Um den Sicherheitsanforderungen an die Erkennung einer Straßenklasse beim automatisierten Fahren gerecht zu werden, wird bevorzug eine Dekomposition gemäß ISO 26262 in zwei redundante ASIL B (D) Straßenklassifikationen durchgeführt. Zum einen erfolgt eine Straßenklassifikation mittels Lokalisierung auf einer HD-Karte (digitalen Straßenkarte).In order to meet the safety requirements for identifying a road class in automated driving, a decomposition according to ISO 26262 into two redundant ASIL B (D) road classifications is preferably carried out. On the one hand, roads are classified by localization on an HD map (digital road map).
Zum anderen erfolgt eine Klassifikation mit Hilfe von Umfeldmerkmalen, die durch fahrzeugeigene Umfeldsensoren erfasst werden, welches die Neuartigkeit darstellt. Ziel dieses neuen Verfahrens ist es somit, die Straßenklasse durch den Vergleich der im Umfeld erfassten Merkmale und deren Zustände mit den aus Gesetzen, Richtlinien und Statistiken ermittelten Charakteristiken zu schätzen.On the other hand, there is a classification with the help of environmental features that are detected by the vehicle's own environmental sensors, which represents the novelty. The aim of this new method is therefore to estimate the road class by comparing the characteristics recorded in the environment and their conditions with the characteristics determined from laws, guidelines and statistics.
Um den Sicherheitsanforderungen an die Erkennung der Straßenklasse gerecht zu werden, wird eine Dekomposition gemäß ISO 26262 in zwei redundante ASIL B (D) Straßenklassifikationen durchgeführt. Zum einen erfolgt eine Straßenklassifikation mittels Lokalisierung auf einer HD-Karte. Zum anderen erfolgt eine Klassifikation mit Hilfe von Umfeldmerkmalen, die durch fahrzeugeigene Umfeldsensoren erfasst werden. Das Ergebnis dieser Klassifikation ist eine Verteilung über die in der Funktion definierten Straßenklassen, wobei die Zuverlässigkeit in der Höhe des Wahrscheinlichkeitswerts jeder Straßenklasse berücksichtigt ist. Ein Umfeldmerkmal ist eine abstrakte Information in der Umgebung des Ego-Fahrzeugs, welche durch verschiedene Umfeldsensoren (z.B. Radar, Lidar und Kamera) erfasst, verarbeitet und anschließend von einer Sensordatenfusion zusammengeführt wird. Wichtige Umfeldmerkmale sind z.B. Fahrstreifenmarkierungen, Verkehrszeichen, Leitplanken, Leitbaken, Wände, Fahrzeuge und Lebewesen. Sie alle besitzen neben der geometrischen Position bzw. dem Verlauf im fahrzeugeigenen Koordinatensystem auch andere Zustände wie z.B. Fahrzeugtyp, Geschwindigkeiten und Beschleunigungen bei Fahrzeugen; Farbe, Strichelungstyp und Breite bei Fahrstreifenmarkierungen sowie Schildtyp und Inhalt bei Verkehrszeichen. Zur Ermittlung der Straßenklasse werden die Zustände aller in der Umgebung wahrgenommenen Umfeldmerkmale analysiert. Anschließend erfolgt ein Abgleich mit für die Straßenklasse typischen Charakteristiken, um so eine wahrscheinlichkeitsbasierte Aussage für die Straßenklasse zu ermitteln. Derartige Charakteristiken werden a priori untersucht und definiert. Da sich diese in verschiedenen Ländern deutlich unterscheiden oder auch während des Lebenszyklus des Produktes ändern können, werden diese in einer Datenbank hinterlegt und über Updates aktuell gehalten. Als Ausgangpunkt für die Definition der Charakteristiken verschiedener Straßenklassen dienen zum einen die vorliegenden Gesetze und Richtlinien des jeweiligen Einsatzlandes. In Deutschland sind hier z.B. die StVO, VwV-StVO oder die verschiedenen Richtlinien für die Anlage von Straßen zu nennen. Diese formulieren Richtlinien für Linienführung und Querschnitte von Fahrstreifenmarkierungen, Art, Größe und Position von Verkehrszeichen oder Verlauf und Anordnung von Leitplanken vor. Analoge Regelwerke gibt es auch für den chinesischen und amerikanischen Straßenbau. Zum anderen können Charakteristiken durch datengetriebene, statistische Analysen ermittelt werden. Hierfür sind zum Beispiel das Aufkommen bzw. die Häufigkeit bestimmter Verkehrszeichen in den verschiedenen Straßenklassen, Existenz und Verhaltensmuster von anderen Verkehrsteilnehmern oder auch die Straßentopologie zu nennen. Dadurch gibt es sowohl Charakteristika, die eindeutig Rückschlüsse auf die Straßenklasse zulassen, als auch welche, die nur eine Indikation, in Form einer erhöhten Wahrscheinlichkeit für eine oder mehrere Straßenklassen, liefern. Ziel des Verfahrens ist es somit, die Straßenklasse durch den Vergleich der im Umfeld erfassten Merkmale und deren Zustände mit den aus Gesetzen, Richtlinien und Statistiken ermittelten Charakteristiken zu schätzen. Bevorzugt entsprechen die verwendeten Umfeldmerkmale der Sicherheitsintegrität ASIL-B (D). Das Umfeldmodell wird mit der geschätzten Straßenklasse angereichert.In order to meet the safety requirements for road class detection, a decomposition according to ISO 26262 into two redundant ASIL B (D) road classifications is carried out. On the one hand, roads are classified by localization on an HD map. On the other hand, a classification is carried out with the help of environmental features that are detected by the vehicle's own environmental sensors. The result of this classification is a distribution over the road classes defined in the function, where the reliability is taken into account in the level of the probability value of each road class. An environment feature is abstract information in the environment of the ego vehicle, which is recorded by various environment sensors (e.g. radar, lidar and camera), processed and then combined by a sensor data fusion. Important environmental features are e.g. lane markings, traffic signs, crash barriers, delineators, walls, vehicles and living beings. In addition to the geometric position or the course in the vehicle's own coordinate system, they all have other states such as vehicle type, speeds and accelerations for vehicles; Color, dash type and width for lane markings and plate type and content for traffic signs. To determine the road class, the states of all environmental features perceived in the area are analyzed. A comparison is then made with characteristics typical of the road class in order to determine a probability-based statement for the road class. Such characteristics are examined and defined a priori. Since these differ significantly in different countries or can change during the life cycle of the product, they are stored in a database and kept up to date via updates. On the one hand, the existing laws and guidelines of the respective country of use serve as a starting point for the definition of the characteristics of different road classes. In Germany, for example, the StVO, VwV-StVO or the various guidelines for the construction of roads should be mentioned. These formulate guidelines for the alignment and cross-sections of lane markings, the type, size and position of traffic signs or the course and arrangement of crash barriers. There are analogous sets of rules for Chinese and American road construction. On the other hand, characteristics can be determined by data-driven, statistical analyses. For example, the appearance or frequency of certain traffic signs in the various road classes, the existence and behavioral patterns of other road users or the road topology should be mentioned. As a result, there are both characteristics that clearly allow conclusions to be drawn about the road class and those that only provide an indication in the form of an increased probability for one or more road classes. The aim of the method is therefore to estimate the road class by comparing the characteristics recorded in the environment and their conditions with the characteristics determined from laws, guidelines and statistics. The environmental features used preferably correspond to safety integrity ASIL-B (D). The environment model is enriched with the estimated road class.
Der Vorteil des Verfahrens ist, dass die Zuverlässigkeit der Eingangsdaten einen direkten Einfluss auf den Wahrscheinlichkeitswert einer Straßenklasse hat. Sind die Sensormessdaten schlecht kann das bei der Entscheidung über die Verfügbarkeit einer automatisierten Fahrfunktion berücksichtigt werden. Zudem können Unsicherheitsbeziehungen zwischen zwei oder mehreren Straßenklassen hergestellt werden. Sind alle Straßenklassen mit einem signifikanten Wahrscheinlichkeitswert für die automatisierte Fahrfunktion freigegeben, ist unter Umständen auch eine niedrigere Gesamtsicherheit für eine bestimmte Straßenklasse ausreichend um die Fahrfunktion anzubieten. Die Redundanz zur Erkennung der Straßenklasse mittels HD-Karten-Informationen ermöglicht eine höhere Sicherheitsintegrität sowie Zuverlässigkeit. Trotz möglichen Fehlern in der Lokalisierung oder Fehlern in der HD-Karte (digitalen Straßenkarte) kann somit die Straßenklasse durch die Onboard-Sensoren ermittelt werden. Des Weiteren reduziert die Dekomposition der Straßenklassenerkennung in zwei redundante Verfahren die technische Komplexität und die Sicherheitsanforderungen an deren Realisierung. Dadurch, dass die Informationen von verschiedenen Sensorprinzipien (Radar, Lidar, Kamera) bei der Schätzung berücksichtigt wird, kann zudem eine erhöhte Zuverlässigkeit erfolgen, da z.B. eine rein kamerabasierte Erkennung der Straßenklasse deutlich fehlanfälliger wäre. Die Straßenklasse wird neben der Aktivierung und Deaktivierung des Systems auch für die Modellierung von Verkehrsregeln benötigt, wodurch auch hier die Zuverlässigkeit erhöht wird.The advantage of the method is that the reliability of the input data has a direct impact on the probability value of a road class. If the sensor measurement data is poor, this can be taken into account when deciding whether an automated driving function is available. In addition, uncertainty relationships can be established between two or more road classes. If all road classes with a significant probability value are approved for the automated driving function, a lower overall safety for a specific road class may also be sufficient to offer the driving function. The redundancy of road class recognition using HD map information enables greater safety integrity and reliability. Despite possible localization errors or errors in the HD map (digital road map), the road class can be determined by the onboard sensors. Furthermore, the decomposition of the road class detection into two redundant methods reduces the technical complexity and the security requirements for its implementation. Because the information from different sensor principles (radar, lidar, camera) is taken into account in the estimation, increased reliability can also result, since, for example, a purely camera-based recognition of the road class would be significantly more error-prone. In addition to activating and deactivating the system, the road class is also used for the model compliance with traffic regulations, which increases reliability here as well.
Die vorhandenen Umfeldmerkmale werden von den fahrzeugeigenen Sensoren erfasst und durch eine Sensordatenfusion zusammengeführt. Am Ausgang dieser Fusion liegen verschiedene Eigenschaften der Umfeldmerkmale vor, wie z.B. Klassifizierung, Existenzmaß, Pose, Kinematik und geometrischer Verlauf. Diese Daten werden verwendet um ein Umfeldmodell des Ego-Fahrzeugs zu erzeugen. Aus diesem Umfeldmodell werden die zu überprüfenden Charakteristiken durch die Zustände und Beziehungen der Umfeldmerkmale extrahiert. Die Charakteristiken sind übergeordnete Anzeiger für Eigenschaften die das Umfeldmodell aufweist. Zum Beispiel wird aus einzelnen Fußgängern im Umfeldmodell die Charakteristik „Fußgänger anwesend“ ermittelt. Diese extrahierten Charakteristiken werden mit den für die Straßenklasse als relevant oder typisch hinterlegten Charakteristiken verglichen. Für jede Charakteristik wird eine Gesamtkennzahl auf Basis der gemessenen Klassifikationsunsicherheiten, Existenzunsicherheiten und Zustandsunsicherheiten der entsprechenden Umfeldmerkmale berechnet. Die Gesamtkennzahl gibt Aufschluss über die Ausprägung dieser Charakteristik, wobei ein höherer Absolutwert der Zahl eine stärkere Ausprägung bedeutet. Die Charakteristiken werden in jedem Rechenschritt unter Berücksichtigung der vorhergehenden Ergebnisse aktualisiert. Im zeitlichen Verlauf können die verschiedenen Charakteristiken ein Aufbau oder Abbauverhalten aufweisen, um das Verhalten zu stabilisieren und um Einzelereignissen, die nur eine begrenzte zeitliche Gültigkeit haben, Rechnung zu tragen. Für Charakteristiken, die aus ortsgebundenen Umfeldmerkmalen ermittelt werden, kann zudem eine ortsabhängige Komponente berücksichtigt werden. Beispielweise muss der Abstand zu einem bestimmten Umfeldmerkmal mindestens eine bestimmte Distanz überschreiten, damit das zeitliche Abbauverhalten der Charakteristik angewandt wird.The existing environmental features are recorded by the vehicle's own sensors and brought together by a sensor data fusion. At the end of this fusion there are various properties of the environmental features, such as classification, existence measure, pose, kinematics and geometric course. This data is used to generate an environment model of the ego vehicle. The characteristics to be checked are extracted from this environment model by the states and relationships of the environment features. The characteristics are high-level indicators for properties that the environment model has. For example, the characteristic "pedestrians present" is determined from individual pedestrians in the environment model. These extracted characteristics are compared with the characteristics stored as relevant or typical for the road class. For each characteristic, an overall key figure is calculated based on the measured classification uncertainties, existence uncertainties and status uncertainties of the corresponding environmental characteristics. The overall key figure provides information about the extent of this characteristic, with a higher absolute value of the number meaning a stronger expression. The characteristics are updated in each calculation step, taking into account the previous results. In the course of time, the various characteristics can show an increase or decrease in behavior in order to stabilize the behavior and to take into account individual events that only have a limited validity in time. A location-dependent component can also be taken into account for characteristics that are determined from location-specific environmental features. For example, the distance to a specific environmental feature must exceed at least a specific distance so that the degradation behavior over time of the characteristic is applied.
Die wahrscheinlichkeitsbasierte Schätzung einer Straßenklasse erfolgt durch Kombination der für diese Klasse relevanten Charakteristiken. In welcher Form die Charakteristiken zur Schätzung einer Straßenklasse kombiniert werden, ist nicht fest vorgegeben, sondern wird über die Datenbank abgefragt. Veränderlich ist sowohl welche Charakteristiken zur Schätzung einer Straßenklasse herangezogen werden, als auch deren Einfluss und Gewichtung auf das Ergebnis der Schätzung. Zusätzlich werden die für eine Straßenklasse relevanten Charakteristiken in die Kategorien unbedingt notwendig, bedingt notwendig und optional unterteilt. Unbedingt notwendige Charakteristiken müssen zwingend eine Mindestausprägung aufweisen, damit die Straßenklasse als vorhanden ausgegeben werden kann. Selbiges trifft auf bedingt notwendige Charakteristiken zu, mit dem Unterschied, dass es eine Bedingung gibt, die erlaubt die Straßenklasse trotzdem als vorhanden auszugeben. Optionale Charakteristiken tragen zur Plausibilisierung einer Straßenklasse bei, haben aber keinen direkten Einfluss darauf, ob eine Straßenklasse als vorhanden ausgegeben werden kann oder nicht. Alle definierten Straßenklassen werden parallel und unabhängig voneinander geschätzt, sodass am Ende eines Verarbeitungsschritts für jede definierte Straßenklasse ein Schätzwert vorliegt. Die Existenzwahrscheinlichkeiten der Charakteristiken werden außerdem in Abhängigkeit des Abstands in Fahrbahnlängsrichtung zum Ego-Fahrzeug bewertet. Dadurch ergeben sich für jede Charakteristik Abstandsintervalle in denen sich die Ausprägung der Charakteristik und/oder die Existenzwahrscheinlichkeit unterscheiden können. Die Intervalle aller Charakteristiken werden kombiniert und eine Schätzung der einzelnen Straßenklassen für jedes resultierende Intervall durchgeführt. Somit können auch vor-ausliegende Änderung der Straßenklasse erkannt werden. Durch Kombination der Einzelschätzungen ergibt sich am Ende eine Verteilung der Straßenklassen mit ihren ermittelten Wahrscheinlichkeitswerten.The probability-based estimation of a road class is made by combining the characteristics relevant to this class. The form in which the characteristics are combined to estimate a road class is not fixed, but is queried via the database. What is variable is which characteristics are used to estimate a road class, as well as their influence and weighting on the result of the estimation. In addition, the characteristics relevant for a road class are divided into the categories absolutely necessary, conditionally necessary and optional. Characteristics that are absolutely necessary must have a minimum specification so that the road class can be output as existing. The same applies to conditionally necessary characteristics, with the difference that there is a condition that allows the road class to still be output as present. Optional characteristics contribute to the plausibility check of a road class, but have no direct influence on whether a road class can be output as existing or not. All defined road classes are estimated in parallel and independently of each other, so that at the end of a processing step there is an estimated value for each defined road class. The probabilities of existence of the characteristics are also evaluated as a function of the distance in the longitudinal direction of the roadway from the ego vehicle. This results in distance intervals for each characteristic, in which the expression of the characteristic and/or the probability of existence can differ. The intervals of all characteristics are combined and an estimate of the individual road classes is made for each resulting interval. In this way, pending changes in the road class can also be detected. At the end of the day, the combination of the individual estimates results in a distribution of the road classes with their determined probability values.
Folgende Charakteristiken werden für die Schätzung der Straßenklasse berücksichtigt:
- - Existenz und Eigenschaften von Ampeln (Einschaltzustand, Lichtzeichenfarbe, Lichtzeichenform, Position, Anzahl)
- - Existenz von Querverkehr
- - Existenz von Gegenverkehr
- - Existenz und Beschaffenheit einer Trennung zum Gegenverkehr (z.B. Leitplanke,
- - Betonbarriere, breiter Grünstreifen)
- - Vorhandene Kurvenradien (über Fahrstreifenmarkierung oder Randbebauungen)
- - Existenz von Kreuzungen
- - Existenz von Kreisverkehren
- - Existenz von Auf-/Abfahrten
- - Existenz und Eigenschaften von Verkehrsschildern (Typ, Größe, Farbe, Position)
- - Existenz und Eigenschaften von Fußgängern / Radfahrern (Anzahl, Häufigkeit, Position, Bewegungsrichtung)
- - Breite der Fahrstreifen
- - Eigenschaften der Fahrstreifenmarkierungen (Breite, Strichelungstyp, Verlauf, Reflektivität (kann durch Lidarsensor gemessen werden))
- - Steigung/Gefälle (längs und quer der Fahrbahn)
- - Anzahl der Fahrstreifen
- - Existenz eines Seitenstreifens
- - Existenz und Position von Straßenbeleuchtung
- - Durchschnittsgeschwindigkeiten der Fahrzeuge pro Fahrstreifen
- - Abstände zwischen den Fahrzeugen (längs und quer)
- - Existenz bzw. Häufigkeit von Fahrzeugtypen
- - Maximalgeschwindigkeiten der Fahrzeuge
- - Referenzen
- - technische Regelwerke für das Straßenwesen in Deutschland
- - Richtlinien für die Anlage von Autobahnen
- - Existence and properties of traffic lights (switch-on status, light signal color, light signal shape, position, number)
- - Existence of cross traffic
- - Existence of oncoming traffic
- - Existence and nature of a separation from oncoming traffic (e.g. crash barrier,
- - concrete barrier, wide green strip)
- - Existing curve radii (via lane markings or edge buildings)
- - Existence of intersections
- - Existence of roundabouts
- - Existence of on/off ramps
- - Existence and properties of road signs (type, size, color, position)
- - Existence and characteristics of pedestrians / cyclists (number, frequency, position, direction of movement)
- - Width of lanes
- - Lane marking properties (width, dash type, gradient, reflectivity (can be measured by lidar sensor))
- - Uphill/downhill (along and across the road)
- - Number of lanes
- - Existence of a hard shoulder
- - Existence and position of street lighting
- - Average vehicle speeds per lane
- - Distances between vehicles (longitudinal and transverse)
- - Existence or frequency of vehicle types
- - Maximum vehicle speeds
- - Credentials
- - technical regulations for the road system in Germany
- - Guidelines for the construction of motorways
Insgesamt zeigen die Beispiele, wie eine Schätzung einer Straßenklasse auf Basis von sensorbasierten Umfelddaten bereitgestellt werden kann.Overall, the examples show how an estimate of a road class can be provided on the basis of sensor-based environment data.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN 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 documents cited 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 102012218362 A1 [0005]DE 102012218362 A1 [0005]
- DE 10254806 A1 [0006]DE 10254806 A1 [0006]
- DE 102018208593 A1 [0007]DE 102018208593 A1 [0007]
Claims (10)
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021120043.1A DE102021120043A1 (en) | 2021-08-02 | 2021-08-02 | Method and control circuit for monitoring a permissibility condition for an automated driving mode of a motor vehicle and motor vehicle with the control circuit |
PCT/EP2022/068037 WO2023011814A1 (en) | 2021-08-02 | 2022-06-30 | Method and control circuit for monitoring an approval condition for an automated driving mode of a motor vehicle, and motor vehicle having the control circuit |
CN202280053601.1A CN117795291A (en) | 2021-08-02 | 2022-06-30 | Method and control unit for monitoring the enabling conditions of an automatic driving mode of a motor vehicle and motor vehicle having such a control unit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021120043.1A DE102021120043A1 (en) | 2021-08-02 | 2021-08-02 | Method and control circuit for monitoring a permissibility condition for an automated driving mode of a motor vehicle and motor vehicle with the control circuit |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021120043A1 true DE102021120043A1 (en) | 2023-02-02 |
Family
ID=82446665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021120043.1A Pending DE102021120043A1 (en) | 2021-08-02 | 2021-08-02 | Method and control circuit for monitoring a permissibility condition for an automated driving mode of a motor vehicle and motor vehicle with the control circuit |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN117795291A (en) |
DE (1) | DE102021120043A1 (en) |
WO (1) | WO2023011814A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022125804A1 (en) | 2022-10-06 | 2024-04-11 | Bayerische Motoren Werke Aktiengesellschaft | Control of a motor vehicle |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10254806A1 (en) | 2002-11-22 | 2004-06-17 | Robert Bosch Gmbh | Motor vehicle data processing method in which data or information derived from at least two sources are combined to provide a prediction relating to the type of road being traveled on or the course of the road |
DE102012218362A1 (en) | 2012-10-09 | 2014-04-24 | Bayerische Motoren Werke Aktiengesellschaft | Estimation of the road type using sensor-based environmental data |
DE102018208593A1 (en) | 2018-05-30 | 2019-12-05 | Continental Teves Ag & Co. Ohg | Method for checking whether a change of the driving mode can be made safely |
DE102019208533A1 (en) | 2019-06-12 | 2020-12-17 | Continental Teves Ag & Co. Ohg | Method for recognizing a street class |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012212740A1 (en) * | 2012-07-19 | 2014-05-22 | Continental Automotive Gmbh | System and method for updating a digital map of a driver assistance system |
DE102015006569A1 (en) * | 2015-05-21 | 2015-12-17 | Daimler Ag | Method for image-based recognition of the road type |
WO2019216386A1 (en) * | 2018-05-10 | 2019-11-14 | 本田技研工業株式会社 | Vehicle control device and vehicle |
-
2021
- 2021-08-02 DE DE102021120043.1A patent/DE102021120043A1/en active Pending
-
2022
- 2022-06-30 CN CN202280053601.1A patent/CN117795291A/en active Pending
- 2022-06-30 WO PCT/EP2022/068037 patent/WO2023011814A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10254806A1 (en) | 2002-11-22 | 2004-06-17 | Robert Bosch Gmbh | Motor vehicle data processing method in which data or information derived from at least two sources are combined to provide a prediction relating to the type of road being traveled on or the course of the road |
DE102012218362A1 (en) | 2012-10-09 | 2014-04-24 | Bayerische Motoren Werke Aktiengesellschaft | Estimation of the road type using sensor-based environmental data |
DE102018208593A1 (en) | 2018-05-30 | 2019-12-05 | Continental Teves Ag & Co. Ohg | Method for checking whether a change of the driving mode can be made safely |
DE102019208533A1 (en) | 2019-06-12 | 2020-12-17 | Continental Teves Ag & Co. Ohg | Method for recognizing a street class |
Non-Patent Citations (1)
Title |
---|
Norm ISO 26262-1 2018-12-00. Road vehicles - Functional safety - Part 1: Vocabulary. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022125804A1 (en) | 2022-10-06 | 2024-04-11 | Bayerische Motoren Werke Aktiengesellschaft | Control of a motor vehicle |
Also Published As
Publication number | Publication date |
---|---|
CN117795291A (en) | 2024-03-29 |
WO2023011814A1 (en) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3572293B1 (en) | Method for assisting driving of at least one motor vehicle and assistance system | |
DE112010001354B4 (en) | Motion trajectory generator | |
DE102011086241B4 (en) | Method for the safe parking of a vehicle | |
DE102017204603B4 (en) | Vehicle control system and method for controlling a vehicle | |
EP2715699B1 (en) | Driver assistance system and method for operating a driver assistance system | |
DE102013012324A1 (en) | Method and device for finding a route | |
DE102011077941A1 (en) | Method and device for determining the suitability of a route | |
WO2020001698A1 (en) | Driver assistance system having an emergency stopping function for a vehicle, vehicle having said driver assistance system, and method for the emergency stopping of a vehicle | |
DE102019215657A1 (en) | Vehicle control system and method | |
DE102018210779A1 (en) | Method and system for rescue alley formation by a vehicle | |
DE102013212360A1 (en) | Prediction of the future travel path of a vehicle | |
DE102020117340A1 (en) | A method for capturing the surroundings with at least two independent imaging sensors for capturing the surroundings, a device for carrying out the method, a vehicle and a correspondingly designed computer program | |
DE102015200059A1 (en) | A driver intention prediction apparatus and method and vehicle comprising such a device | |
DE102017211387A1 (en) | System and method for automated maneuvering of an ego vehicle | |
EP3631779A1 (en) | Method, devices, and computer-readable storage medium comprising instructions for determining applicable traffic regulations for a motor vehicle | |
DE102018213378B4 (en) | Driver assistance system for a vehicle, vehicle with the same and driver assistance method for a vehicle | |
DE102019215815A1 (en) | VEHICLE CONTROL SYSTEM AND METHOD | |
DE102017206344A1 (en) | Driver assistance system for a vehicle | |
WO2023011814A1 (en) | Method and control circuit for monitoring an approval condition for an automated driving mode of a motor vehicle, and motor vehicle having the control circuit | |
DE102019203543A1 (en) | Method, computer program product and motor vehicle for determining an accident risk | |
DE102020206128B4 (en) | Method for controlling fleet-based condition monitoring of a road section of a road network and associated system and motor vehicle and associated server device | |
DE102018005864A1 (en) | Method for testing a blind spot assistance system for a vehicle | |
DE102007030839B4 (en) | Security system and method for operating the security system | |
DE102017223621A1 (en) | Method and control unit for controlling a function of an at least partially automated vehicle | |
WO2023036545A1 (en) | Method and control circuit for checking whether a presently active driving mode is being operated within its odd, and system and back-end server |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R081 | Change of applicant/patentee |
Owner name: CARIAD SE, DE Free format text: FORMER OWNER: AUDI AKTIENGESELLSCHAFT, 85057 INGOLSTADT, DE |
|
R016 | Response to examination communication |