DE102021214081A1

DE102021214081A1 - Leistungsmodellierte Radfahrer als Simulationskomponente für Fahrzeuge

Info

Publication number: DE102021214081A1
Application number: DE102021214081.5A
Authority: DE
Inventors: Christoph Thiem
Original assignee: PSA Automobiles SA
Current assignee: Stellantis Auto Sas Fr
Priority date: 2021-12-09
Filing date: 2021-12-09
Publication date: 2023-06-15

Abstract

Die Erfindung betrifft ein Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs (1), wobei eine Simulation ausgeführt wird und die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer (3) umfasst, wobei die Bewegungen des Radfahrers (3) auf Grundlage eines Leistungsmodells des Radfahrers (3) simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers (3), und im Falle eines elektrifizierten Fahrrads des Radfahrers (3) zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers (3) abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers (3) reagieren kann.

Description

Die Erfindung betrifft ein Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs, sowie ein Simulationssystem zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs.
Zur Entwicklung und Validierung automatisierter Fahrzeuge sind simulationsbasierte Verfahren nahezu unumgänglich. Insbesondere mit Verkehrssimulationen kann das Verhalten von automatisierten Fahrzeugen entwickelt und getestet werden. In einem urbanen Raum ist die Verkehrslage häufig aufgrund der Vielzahl und Vielfalt der anderen Verkehrsteilnehmer sehr komplex. Damit Simulationsergebnisse aus urbanen Verkehrsräumen dennoch zur Validierung herangezogen werden können, ist es notwendig, dass alle modellierten Verkehrsteilnehmer sich realistisch bewegen und miteinander interagieren.
Die US 9,495,874 B1 betrifft hierzu ein Verfahren und eine Vorrichtung um eines oder mehrere Verhaltensmodelle zu erzeugen, die von autonomen Fahrzeugen verwendet werden, um das Verhalten eines erfassten Objekts vorherzusagen. Dabei kann das autonome Fahrzeug ein Verhalten des Objekts erfassen und aufnehmen, indem ein oder mehrere Sensoren verwendet werden. Anschließend kann das autonome Fahrzeug das aufgenommene Verhalten des Objekts an einen Server kommunizieren, der ausgeführt ist, Verhaltensmodelle zu bestimmen. Der Server kann das jeweilige Verhaltensmodell gemäß einer vorgegebenen Objektklassifikation bestimmen, gemäß relevanten Aktionen des Objekts, sowie gemäß vom Objekt wahrgenommener Eigenschaften der Umgebung.
Die WO 2020/079685 A1 betrifft ferner ein Verfahren zum Trainieren eines Modells zur Erzeugung von Simulationsdaten für das Training eines automatischen Fahrermodells, aufweisend die Schritte: Analysieren von realen Daten, die von einer Fahrumgebung erfasst wurden, um eine Vielzahl von Umgebungsklassen zu identifizieren, sowie einer Vielzahl von Agentenklassen, und einer Vielzahl von Bewegungsprofilklassen; Erzeugen einer Trainingsumgebung gemäß einer Umgebungsklasse; und in zumindest einer Trainings-Iteration: Erzeugen, durch ein Simulationserzeugungsmodell, einer simulierten Fahrerumgebung gemäß der Trainingsumgebung und gemäß der Vielzahl der erzeugten Trainingsagenten, wobei jeder der Trainingsagenten mit einer aus der Vielzahl der Agentenklassen verknüpft wird und mit einer aus der Vielzahl der Bewegungsprofile verknüpft wird; Ermitteln von simulierten Fahrdaten aus der Simulationsumgebung; und Modifizieren zumindest eines Modellparameters des Simulationserzeugungsmodells, um eine Differenz zwischen einem statistischen Simulations-Fingerabdruck und einem echten statistischen Fingerabdruck zu minimieren, wobei der statistische Fingerabdruck durch simulierte Fahrdaten erzeugt wird und der echte statistische Fingerabdruck aus echten Daten berechnet wird.
Aufgabe der Erfindung ist es, durch die Erstellung realistischer Modelle von Fahrradfahrern in einer Simulationsumgebung diese für die Validierung und für das Testen von automatisierten Fahrzeugen zu nutzen, um deren Fahrverhalten sicherer und weniger unnötig defensiv zu gestalten.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs, wobei eine Simulation ausgeführt wird und die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer umfasst, wobei die Bewegungen des Radfahrers auf Grundlage eines empirischen Leistungsmodells des Radfahrers simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers, und im Falle eines elektrifizierten Fahrrads des Radfahrers zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers reagieren kann.
Die Fahrsteuerfunktion ist insbesondere eine Funktion zum automatischen Ansteuern des Fahrzeugs, beispielsweise zum Vorgeben einer Lenkbewegung, Bremsaktionen, Beschleunigung, oder Betätigung einer weiteren Komponente Fahrzeugs wie das Ansteuern eines Signalhorns, etc.; jede Aktion erfolgt dabei insbesondere auf ein externes Kommando hin oder als Reaktion auf eine Umgebung des Fahrzeugs. Die Umgebung wird dabei insbesondere durch Sensoren des Fahrzeugs erfasst. Diese Fahrsteuerfunktion soll in der Simulation getestet und/oder validiert werden.
Um die Beschleunigung und Verzögerung von Radfahrern in einer solchen Simulation realistischer abbilden zu können, werden erfindungsgemäß Radfahrer physikalisch modelliert und bewegen sich leistungsgesteuert fort. Eine solche Eigenschaft der virtuellen Radfahrmodelle hat primär, und daher im Wesentlichen, lediglich Einfluss auf Beschleunigung und Verzögerung in Längsrichtung des Radfahrers, das heißt in seiner momentanen Fortbewegungsrichtung, und konsequent auf die Geschwindigkeit und in einer weiteren Integrationsstufe auf die Position des Radfahrers zu einer vorgegebenen Zeit.
Das empirische Leistungsmodell stützt sich insbesondere auf die Leistung des Radfahrers selbst, die durch Muskelarbeit erbracht wird. Bei der Modellierung von E-Bikes kann diese Leistung durch die vom Antrieb erbrachte Leistung erhöht werden. Im einfachsten Fall wird der statistische Zusammenhang zwischen Gewicht und Größe auf die aktuell benötigte Leistung für konstante Geschwindigkeit bzw. Beschleunigung herangezogen. Aus Statistiken von medizinischen und/oder sportwissenschaftlichen Leistungsdiagnostiken können hier u.a. Maximal-Werte für die Leistung abhängig von Gewicht und Größe ermittelt werden. Davon lassen sich Werte dafür ableiten, welche Leistung, bevorzugt in der Einheit „Watt“, im Wohlfühlbereich erbracht werden, also z.B. im normalen Stadtverkehr ohne Eile und welche Leistung über einen bestimmten Zeitraum erbracht werden kann, wenn der Radfahrer in Eile ist. Über die erbrachte Leistung und Umgebungsvariablen wie der Anstieg der Straße lassen sich dann Geschwindigkeiten berechnen. Eine weitere Möglichkeit der Abschätzung des Zusammenhangs zwischen eingebrachter Leistung und vorherrschenden Bedingungen ist die Anwendung maschinellen Lernens.
Das Leistungsmodell ist empirisch, d. h. es basiert auf realen Daten. Die Daten können dabei aus verschiedenen und unterschiedlichen Quellen stammen.
Infrage kommen hierbei mit Sensor(en) ausgestattete reale Radfahrer, die sich im Stadtverkehr bewegen. Als Sensoren können ein (d)GPS-Tracker, ein Leistungsmesser wie „Messpedale“ oder eine „Messkurbel“ verwendet werden, oder eine „Messung direkt im Tretlager“ angewendet werden. Weitere Sensoren, die die Datenbasis ergänzen, können sein: Geschwindigkeitsmesser, Beschleunigungs- und Gyrosensoren, Kameras, Herzfrequenzmesser. Hiervon lassen sich Rückschlüsse ziehen inwieweit sich der Radfahrer für die aktuelle Leistung anstrengt. Mit dieser Information lässt sich die Leistung, die ein anderer Radfahrer mit einem anderen Leistungsniveau an ähnlicher Stelle mit ähnlicher Intension (Eile, normal) erbringen würde, ableiten. Eine Gruppe von Radfahrern kann eigens für diesen Zweck mit Sensoren ausgestattet werden. Alternativ dazu kann auf Datenbanken von Fitness-Tracking-Plattformen zurückgegriffen werden. Auf diesen Plattformen werden hauptsächlich Radfahrten mit sportlich-motivierten Hintergrund hinterlegt, aber ebenso Pendel-Fahrten und Alltags-Fahrten. Durch die schiere Menge der dort hinterlegten Radfahrten mit verschiedenen Sensor-Setups würden sich daraus verschiedene Verhalten und realistische Leistungswerte abhängig von verschiedenen Fahrerprofilen an unterschiedlichen Verkehrsumgebungen ableiten lassen. Ist bereits eine Datenbasis vorhanden, in der lediglich GPS-Daten vorhanden sind, können Leistungswerte über die Geschwindigkeit und über die Steigung zurückgerechnet bzw. abgeschätzt werden. Dazu lassen sich wieder typische Formeln der Bewegungsgleichungen verwenden. Sind darüber hinaus Werte zum Gewicht verfügbar, kann die Abschätzung genauer vollzogen werden. Ggf. können Winddaten mit in die Abschätzung einbezogen werden, um die Qualität weiter zu steigern. Wurde wie oben erläutert eine Datenbasis aufgebaut, kann diese genutzt werden, um das realistische Verhalten bezüglich Beschleunigung und Verzögerung daraus abzuleiten. Hierzu werden bevorzugt Methoden des maschinellen Lernens angewendet. Mit dem sogenannten „Supervised Learning“ wird beispielsweise ein künstliches neuronales Netz so trainiert, dass es anhand der zur Verfügung gestellten Eingangsparameter die Leistung abschätzt, die der Radfahrer unter der aktuellen Situation (ableitbar aus den Eingangswerten) abgibt. Zu dieser Leistung gehört auch die Bremsleistung z.B. bei einer schnellen Bergabfahrt. Die Eingangsdaten für das künstliche neuronale Netz sind dann insbesondere die oben genannten Parameter des Radfahrers (Gewicht, Alter, Leistungsniveau, Intention des Radfahrers (z.B. eilig, Gefahrenbremsung, normaler Bremsvorgang bis zum Stillstand, gemütliche Fahrt) sowie Parameter, die die aktuelle Verkehrsumgebung beschreiben. Mindestens jedoch bevorzugt die Steigung der Fahrbahn, ein Kurvenradius und insbesondere eine Beschaffenheit des Untergrunds. Wurde ein solches künstliches neuronale Netz mit der Datenbasis ausreichend trainiert, kann dieses in das Verhaltensmodell eingepflegt werden. Aus der Leistung, die als Antwort aus dem künstlichen Neuronalen Netz erhalten wird, kann mit den oben angesprochenen Formeln die Geschwindigkeit des Radfahrers berechnet werden, bzw. Beschleunigungen und Verzögerungen ergeben sich dann aus der erbrachten Leistung. Des Weiteren können aus der Datenbasis Effekte entnommen werden, die bei sehr langsamen Fahrten, vor allem bergauf, entstehen können: Das „Schlängeln“, also bewusstes Schlangenlinien fahren, um die Steigung künstlich zu reduzieren. Hier können für verschiedene Fahrertypen, Geschwindigkeiten und Steigungen ermittelt werden, wann dieser Effekt auftritt und in welchem Maße, wenn bei der Aufnahme geeignete Sensoren verwendet wurden. Dies kann dann als zusätzliche Option in die simulierte Verhalten der Radfahrer eingebaut werden und bei Überschreitung der ermittelten Grenzwerte für den jeweiligen Fahrertyp und Parameter entsprechend in der Simulation berücksichtigt werden. Zur Ermittlung der Grenzwerte (Geschwindigkeit, Steigung) kann ebenfalls maschinelles Lernen nach dem obigen Prinzip eingesetzt werden. Dadurch kann die Abschätzung generalisiert werden, und auf alle Parameter Einstellungen von Radfahrern angewandt werden. Ferner kann über statistische Auswertungen medizinischer bzw. sportwissenschaftlicher Datenbanken zu Fitnesstests die oben beschriebene Datenbank ersetzt werden. Auch können aus dieser Datenbank generell Leistungen abgeleitet werden, die für verschiedene Radfahrer in verschiedenen Situationen realistisch erbracht werden: Beispielsweise der Wohlfühlbereich, in dem sich der Radfahrer von Startort zu Zielort ohne große körperliche Anstrengung bewegt oder die Leistung, die kurzzeitig von ihm erbracht werden kann, um z.B. eine Steigung zu bewältigen.
Es ist eine vorteilhafte Wirkung der Erfindung, dass basierend auf einer Auswertung realer Daten Simulationsmodelle von Fahrradfahrern leistungsorientiert gesteuert werden können. D.h. die Leistung, die ein Radfahrer auf die Pedale überträgt, wird zur Berechnung der längsgerichteten Beschleunigung des Radfahrers herangezogen - sodass eine realitätsgetreue Abbildung der Bewegung des Radfahrers erfolgt. Vorteilhaft werden die Bewegungsabläufe von Radfahrern daher auch auf steilen Straßen, bei stärkerem Wind, ungewöhnlichem bzw. unebenem Straßenuntergrund und bei Neigungswechseln genau modelliert. Gerade in diesen Situationen wäre die Anwendung eines einfachen Modells eines Radfahrers lediglich basierend auf der maximalen Beschleunigung und einer maximalen Geschwindigkeit des jeweiligen Fahrradfahrers nicht ausreichend realistisch möglich.
Durch den Einbau leistungsorientierter Radfahrmodelle in eine Simulationsumgebung, mit der ein automatisiertes Fahrzeug trainiert und/oder getestet wird, können realistischere Szenarien kreiert werden. Dadurch ist es u.a. möglich, dass von einer Recheneinheit eines automatisierten Fahrzeugs vor einem steilen Anstieg erkannt werden kann, dass der voraus fahrende Radfahrer stark an Geschwindigkeit verlieren wird und eventuell Schlangenlinien einnehmen wird. Ferner kann von der Recheneinheit eine Wahrscheinlichkeit ermittelt werden, dass das automatisierte Fahrzeug bei einem steilen Gefälle bergab von einem Radfahrer wieder überholt werden wird, z.B. in einer Zone mit einer stark reduzierten Geschwindigkeitsbeschränkung, wie auf 30 km/h. Mit etablierten Methoden zur Validierung und des Trainings bzw. mit Kritikalitätsmetriken kann so sichergestellt werden, dass auch die Szenarien mit realistischen Radfahrern vom automatisierten Fahrzeug (in der Simulation) den Sicherheitsansprüchen genügend gelöst werden können. Somit ist eine weitere Steigerung des Realitätsgrads im Vergleich zum reinen Training des KI-Moduls mit geschwindigkeitsbasierten Radfahrer-Agenten möglich. Eine Gefährdung von Testfahren und Entwicklern besteht nicht.
Unter anderem die folgenden Situationen können daher in der Simulation realistischer abgebildet werden:

a) Jegliche Situationen, in der ein Radfahrer beschleunigt. Insbesondere wenn nicht-regelkonformes Verhalten simuliert werden soll, z.B. ein Wechsel vom Bürgersteig auf eine Straße oder umgekehrt. In diesen Situationen bremst und beschleunigt ein Radfahrer in der Regel sehr oft, was mit einfacheren Modellen eines Radfahrers nicht realistisch modelliert werden kann.
b) Steigungen und Gefälle: Durch die Schwerkraft kommt es zu erheblichen Geschwindigkeitsänderungen, da deutlich mehr Leistung oder weniger Leistung benötigt wird, um den Radfahrer vorwärts zu bewegen. In bisherigen Modellen wird dieses nicht berücksichtigt.
c) Gegen/Rückenwind: Dieser kann ebenfalls berücksichtigt werden. Was für motorisierte Personenkraftwagen / Lastkraftwagen im Allgemeinen vernachlässigt werden kann, ist für Radfahrer ein entscheidender Faktor, der auch zu abrupten und unerwarteten Geschwindigkeitsänderungen führen kann, was wiederum zu sicherheitskritischen Situationen mit dem automatisierten Fahrzeug führen könnte.
d) Unterschiedliche Typen von Radfahrern können einfacher simuliert und realistischer simuliert werden, da mehr Parameter angepasst werden können, die nicht nur Einfluss auf die maximale Geschwindigkeit haben. Z.B. kann ein langsamer Radfahrer trotzdem sehr schnell bergab fahren.

Gemäß einer vorteilhaften Ausführungsform sind die aus dem Leistungsmodell resultierenden Bewegungen des Radfahrers Beschleunigungen in Längsrichtung des Radfahrers und aus der Integration der Beschleunigungen über die Zeit erhaltene kinematische Grö-ßen sind in Längsrichtung des Radfahrers definiert, während Lenkbewegungen sowie eine eingenommene Route des Radfahrers über Soziale-Kräfte-Modelle und/oder Einspurmodelle simuliert werden.
Gemäß dieser Ausführungsform wird die Längsbewegung und die Seitenbewegung des Radfahrers getrennt betrachtet, wobei die Längsbewegung auf Grundlage der modellierten Leistungen simuliert wird und die Seitenbewegung aufgrund von wohlbekannten Methoden wie den genannten Soziale-Kräfte-Modellen und/oder Einspurmodellen. Vorteilhaft wird so der Zusammenhang der Leistung und der primären Wirkung dieser auf die Bewegung in der momentanen Längsrichtung des Radfahrers berücksichtigt.
Gemäß einer weiteren vorteilhaften Ausführungsform umfasst das Leistungsmodell eine Gesamtmasse des Radfahrers einschließlich seines Fahrrads und Gepäck, sowie eine Körpergröße des Radfahrers oder eine zur Körpergröße aerodynamisch äquivalente Grö-ße, insbesondere eine effektive Stirnfläche.
Dadurch kann der Einfluss von Steigung/Gefälle (Im Weiteren allgemein genannt der „Anstieg“ der Straße bzw. der Fahrbahn), sowie des jeweils aktuellen Luftwiderstands berücksichtigt werden.
Gemäß einer weiteren vorteilhaften Ausführungsform umfasst das Leistungsmodell zumindest einen der folgenden Parameter:

- Art des Fahrrads,
- körperliche Kondition des Radfahrers,
- Alter des Radfahrers,
- Verhaltensparameter des Radfahrers, insbesondere Eile;

Die Art des Fahrrads gibt an, für welche Zwecke das Fahrrad entworfen wurde, beispielsweise geschwindigkeitsoptimierte Fahrräder oder geländeoptimierte Fahrräder. Mögliche Arten des Fahrrads sind daher insbesondere Rennrad, Mountainbike, Gravelbike, E-Bike (insbesondere mit Leistungsunterstützung bis 25 km/h), Trekkingrad, Stadtrad, Triathlonrad, Liegerad, Lastenrad, etc.; die körperliche Kondition des Radfahrers dient insbesondere der Abschätzung der möglichen maximal erreichbaren Leistung durch Muskelkraft des Radfahrers. Hierzu dient auch das Alter des Radfahrers, um die dynamische Bandbreite, den möglichen Krafteintrag auf die Pedale sowie das Verhalten des Radfahrers zu modellieren. Die Eile des Radfahrers ist insbesondere Teil des Verhaltens, die angibt, mit welchem Niveau an aggressivem Fahrstil und mit welcher Geschwindigkeit des Radfahrers zu rechnen ist, sowie ob verkürzte Reaktionszeiten vorliegen können.
Gemäß einer weiteren vorteilhaften Ausführungsform weisen die Umgebungsvariablen zumindest eine der folgenden auf:

- Anstieg einer vom Radfahrer aktuell virtuell befahrenen Straße,
- Wind, der auf den Radfahrer wirkt,
- Reibungseinfluss einer Fahrbahn, die vom Radfahrer in der Simulation virtuell aktuell befahren wird,
- Verkehrszeichen,
- Simulierte Verkehrssituation in Bezug auf andere Verkehrsteilnehmer,
- Außentemperatur,
- Zustand der Fahrbahnoberfläche, insbesondere Nässe, Glätte, Trockenheit;

Gemäß einer weiteren vorteilhaften Ausführungsform wird bei einem steilen Anstieg bergauf für den Radfahrer durch die Simulation geprüft, ob gemäß dem Leistungsmodell die Geschwindigkeit des Radfahrers unter einen vorgegebenen Grenzwert fällt, wobei in der Simulation beim Unterschreiten dieses Grenzwerts der Radfahrer in einen sein Fahrrad schiebenden Fußgänger umgewandelt wird.
Gemäß einer weiteren vorteilhaften Ausführungsform wird bei einem steilen Anstieg bergauf in der Simulation das bewusste Fahren von Schlangenlinien durch den Radfahrer simuliert, wenn eine vorgegebene Bedingung erfüllt ist.
Abhängig von Gesamtmasse, Kondition des Radfahrers, Art des Fahrrads und vom Steigungswinkel der Straße können Radfahrer dazu neigen, bewusst Schlangenlinien einzunehmen, um den momentanen Steigungswinkel zu verkleinern. An steilen Anstiegen kann es nämlich sein, dass die Geschwindigkeit des Radfahrers sehr niedrig wird, sodass ein Radfahrer dazu neigen kann, zu „schlängeln“, um den Berg zu befahren ohne umzufallen. Ferner kann in der Simulation berücksichtigt werden, dass der Radfahrer absteigt und zum „Fußgänger“ wird. Vorteilhaft kann mithilfe einer Simulation, welche oben genannte Effekte berücksichtigt, getestet werden, wie sich das automatisierte Fahrzeug im Bezug auf ein derartiges Verhalten des Radfahrers verhalten würde.
Gemäß einer weiteren vorteilhaften Ausführungsform ist bei einem steilen Anstieg bergab in der Simulation eine Bremsung des Radfahrers vorgesehen, sodass eine maximale, vorgegebene Geschwindigkeit des Radfahrers in der Simulation nicht überschritten wird.
Bei steilen Bergabfahrten werden Radfahrer durch die Hangabtriebskraft, die ebenfalls vorteilhaft in der Simulation berücksichtigt wird, eine höhere Geschwindigkeit erreichen als bei einem einfachen nicht-leistungsorientierten Modell beobachten werden könnte, da in den letzteren einfach eine konstante Geschwindigkeit zugewiesen werden würde. Zur Steigerung der Realitätstreue kann eine maximale Geschwindigkeit festgelegt werden, bei der Radfahrende aktiv bremsen, um die Geschwindigkeit zu verzögern.
Gemäß einer weiteren vorteilhaften Ausführungsform berücksichtigt das Leistungsmodell eine Geschwindigkeitsänderung des Radfahrers beim Wechsel von einem Bürgersteig auf die Straße und umgekehrt.
Gemäß einer weiteren vorteilhaften Ausführungsform umfasst das Leistungsmodell Kräfte und Beschleunigungen des Radfahrers in einer Kurvenfahrt, wobei die Kräfte und Beschleunigungen insbesondere abhängig von der Gesamtmasse des Radfahrers einschließlich Gepäck und Fahrrad ermittelt werden.
Durch die modellierte Gesamtmasse des Radfahrers kann die maximale Geschwindigkeit, mit der ein Radfahrer um die Kurve fährt, ebenfalls besser abgeschätzt werden. Ferner kann der Kurvenradius angepasst werden, falls die Geschwindigkeit zu schnell ist, so dass der Radfahrer weiter nach außen getragen wird. Bremsungen und Beschleunigungen vor bzw. nach Kurven können somit ebenfalls realistisch beschrieben werden.
Gemäß einer weiteren vorteilhaften Ausführungsform berücksichtigt das Leistungsmodell nicht-regelkonformes Verhalten des Radfahrers, das eine plötzliche Geschwindigkeitsänderung umfasst.
Gemäß einer weiteren vorteilhaften Ausführungsform wird das Leistungsmodell durch ein künstliches neuronales Netz ausgeführt, wobei das künstliche neuronale Netz mit einer empirischen Datenbasis trainiert ist, wobei Eingangsgrößen des künstlichen neuronalen Netzes die Umgebungsvariablen und Parameter des Leistungsmodell sind und die Ausgangsgröße des künstlichen neuronalen Netzes die vom Radfahrer und/oder dem Antrieb des Fahrrads auf das Fahrrad eingebrachte Leistung ist.
Ein weiterer Aspekt der Erfindung betrifft ein Simulationssystem zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs, wobei das Simulationssystem dazu ausgeführt ist, eine Simulation auszuführen, wobei die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer umfasst, wobei die Bewegungen des Radfahrers auf Grundlage eines Leistungsmodells des Radfahrers simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers, und im Falle eines elektrifizierten Fahrrads des Radfahrers zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers reagieren kann.
Gemäß einer weiteren vorteilhaften Ausführungsform weist das Simulationssystem eine Schnittstelle zu einem realen Fahrzeug auf, um Sensorsignale von Sensoren des Fahrzeugs durch simulierte Sensorsignale, erzeugt durch die Simulation, zu ersetzen.
Gemäß einer weiteren vorteilhaften Ausführungsform ist die Fahrsteuerfunktion des Fahrzeugs als Modul in der Simulation selbst implementiert.
Vorteile und bevorzugte Weiterbildungen des vorgeschlagenen Simulationssystems ergeben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit dem vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.
Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.
Es zeigt:

1: Ein Simulationssystem zum Ausführen eines Verfahrens zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs gemäß einem Ausführungsbeispiel der Erfindung.

Die Darstellungen in der Figur sind schematisch und nicht maßstäblich.
1 zeigt ein Simulationssystem 5, auf dem virtuell ein Verfahren zum Testen und Validieren einer automatisierten Fahrsteuerfunktion des Pendants eines realen Fahrzeugs 1 ausgeführt wird. In der Simulation ist ein virtueller Radfahrer 3 vorgesehen, wobei die Bewegungen des Radfahrers 3 auf Grundlage eines empirisch ermittelten Leistungsmodells des Radfahrers 3 simuliert werden. Das Leistungsmodell umfasst modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers 3. Diese Drehmomenteinträge werden abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers 3 abgebildet. Die automatisierte Fahrsteuerfunktion ist direkt in der Simulation implementiert, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers 3 reagieren kann. In der Figur ist eine Situation gezeigt, in der der digitale Zwilling des Fahrzeugs 1 hinter dem virtuellen Radfahrer 3 fährt, wobei der Radfahrer 3 sich unmittelbar vor einer zunehmenden Steigung der Straße befindet. Im empirischen Modell sind Daten enthalten, die einem Steigungswinkel, resultierend aus einer Höhenänderung, eine entsprechende Geschwindigkeitsabnahme zuordnet, gegen die die vom Radfahrer 3 durch Muskelkraft aufgebrachte Leistung auf das Fahrrad wirkt. Somit kann von der Simulation die Geschwindigkeitsabnahme des Radfahrers 3 berücksichtigt werden und die Reaktion des Fahrerassistenzsystems des Fahrzeugs 1 darauf getestet werden, und vor Auslieferung validiert werden.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen, beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente, vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehende Erläuterungen in der Beschreibung, definiert wird.
Bezugszeichenliste

1: Fahrzeug
3: Radfahrer
5: Simulationssystem

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 9495874 B1 [0003]
WO 2020079685 A1 [0004]

Claims

Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs (1), wobei eine Simulation ausgeführt wird und die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer (3) umfasst, wobei die Bewegungen des Radfahrers (3) auf Grundlage eines empirischen Leistungsmodells des Radfahrers (3) simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers (3), und im Falle eines elektrifizierten Fahrrads des Radfahrers (3) zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers (3) abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers (3) reagieren kann.
Verfahren nach Anspruch 1, wobei die aus dem Leistungsmodell resultierenden Bewegungen des Radfahrers (3) Beschleunigungen in Längsrichtung des Radfahrers (3) sind und aus der Integration der Beschleunigungen über die Zeit erhaltene kinematische Größen in Längsrichtung des Radfahrers (3) definiert sind, während Lenkbewegungen sowie eine eingenommene Route des Radfahrers (3) über Soziale-Kräfte-Modelle und/oder Einspurmodelle simuliert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Leistungsmodell eine Gesamtmasse des Radfahrers (3) einschließlich seines Fahrrads und Gepäck umfasst, sowie eine Körpergröße des Radfahrers (3) oder eine zur Körpergröße aerodynamisch äquivalente Größe, insbesondere eine effektive Stirnfläche, umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Leistungsmodell zumindest einen der folgenden Parameter umfasst: - Art des Fahrrads, - körperliche Kondition des Radfahrers (3), - Alter des Radfahrers (3), - Verhaltensparameter des Radfahrers (3), insbesondere Eile;
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Umgebungsvariablen zumindest eine der folgenden aufweisen: - Anstieg einer vom Radfahrer (3) aktuell virtuell befahrenen Straße, - Wind, der auf den Radfahrer (3) wirkt, - Reibungseinfluss einer Fahrbahn, die vom Radfahrer (3) in der Simulation virtuell aktuell befahren wird, - Verkehrszeichen, - Simulierte Verkehrssituation in Bezug auf andere Verkehrsteilnehmer, - Außentemperatur, - Zustand der Fahrbahnoberfläche, insbesondere Nässe, Glätte, Trockenheit;
Verfahren nach Anspruch 5, wobei bei einem steilen Anstieg bergauf für den Radfahrer (3) durch die Simulation geprüft wird, ob gemäß dem Leistungsmodell die Geschwindigkeit des Radfahrers (3) unter einen vorgegebenen Grenzwert fällt, wobei in der Simulation beim Unterschreiten dieses Grenzwerts der Radfahrer (3) in einen sein Fahrrad schiebenden Fußgänger umgewandelt wird.
Verfahren nach Anspruch 5, wobei bei einem steilen Anstieg bergauf in der Simulation das bewusste Fahren von Schlangenlinien durch den Radfahrer (3) simuliert wird, wenn eine vorgegebene Bedingung erfüllt ist.
Verfahren nach Anspruch 5, wobei bei einem steilen Anstieg bergab in der Simulation eine Bremsung des Radfahrers (3) vorgesehen ist, sodass eine maximale, vorgegebene Geschwindigkeit des Radfahrers (3) in der Simulation nicht überschritten wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Leistungsmodell eine Geschwindigkeitsänderung des Radfahrers (3) beim Wechsel von einem Bürgersteig auf die Straße und umgekehrt berücksichtigt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Leistungsmodell Kräfte und Beschleunigungen des Radfahrers (3) in einer Kurvenfahrt umfasst, wobei die Kräfte und Beschleunigungen insbesondere abhängig von der Gesamtmasse des Radfahrers (3) einschließlich Gepäck und Fahrrad ermittelt werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Leistungsmodell nicht-regelkonformes Verhalten des Radfahrers (3) berücksichtigt, das eine plötzliche Geschwindigkeitsänderung umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Leistungsmodell durch ein künstliches neuronales Netz ausgeführt wird, wobei das künstliche neuronale Netz mit einer empirischen Datenbasis trainiert ist, wobei Eingangsgrößen des künstlichen neuronalen Netzes die Umgebungsvariablen und Parameter des Leistungsmodells sind und die Ausgangsgröße des künstlichen neuronalen Netzes die vom Radfahrer (3) und/oder dem Antrieb des Fahrrads auf das Fahrrad eingebrachte Leistung ist.
Simulationssystem (5) zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs (1), wobei das Simulationssystem (5) dazu ausgeführt ist, eine Simulation auszuführen, wobei die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer (3) umfasst, wobei die Bewegungen des Radfahrers (3) auf Grundlage eines Leistungsmodells des Radfahrers (3) simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers (3), und im Falle eines elektrifizierten Fahrrads des Radfahrers (3) zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers (3) abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers (3) reagieren kann.
Simulationssystem (5) nach Anspruch 13, wobei das Simulationssystem eine Schnittstelle zu einem realen Fahrzeug (1) aufweist, um Sensorsignale von Sensoren des Fahrzeugs (1) durch simulierte Sensorsignale, erzeugt durch die Simulation, zu ersetzen.
Simulationssystem (5) nach Anspruch 13, wobei die Fahrsteuerfunktion des Fahrzeugs (1) als Modul in der Simulation selbst implementiert ist.