DE102022213261A1

DE102022213261A1 - System oder Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien

Info

Publication number: DE102022213261A1
Application number: DE102022213261.0A
Authority: DE
Inventors: Franziska Körtke; Wolfgang Scheffer; Thilo Braun; Lennart Ries; Eric Sax; Markus Lemmer; Stefan Otten
Original assignee: Foerderverein Fzi Forschungszentrum Informatik Karlsruhe E V; ZF Friedrichshafen AG
Current assignee: FOERDERVEREIN FZI FORSCHUNGSZENTRUM INFORMATIK, DE; ZF Friedrichshafen AG
Priority date: 2022-12-08
Filing date: 2022-12-08
Publication date: 2024-06-13
Also published as: WO2024121023A1

Abstract

Die Erfindung betrifft ein System (1) zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien (7,7a,7b) für ein Egofahrzeug (2) mit einer Egotrajektorie (5) auf vorab definierten Straßen, wobei die Straße digital als digitale Straße (3) abgebildet ist,das System (1) aufweisend einen Simulator (10) zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug (2) auf der digitalen Straße (3),wobei ein Prozessor (4) vorgesehen ist, welcher ausgebildet ist, ein Segmentieren der digitalen Straße (3) in Straßensegmente (8) zu bewerkstelligen, wobei ein Straßensegment (8) die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist,ein Extraktionsmodul (6) vorgesehen ist, welches dazu ausgebildet ist, die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs (2) in dem Straßensegment (8) zu extrahieren, und dem Straßensegment (8) in Abhängigkeit von allen extrahierten Verhaltensweisen jeweils verschiedene Szenarien (7,7a,7b) zuzuordnen,und wobeiein Clustermodul (12) vorgesehen ist, welches dazu ausgebildet ist, ähnliche oder gleiche Szenarien (7,7a,7b) in Bezug auf das jeweilige Straßensegment (8) zu clustern, so dass jeweils ein Cluster (13,13a, 13b) ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs (2) in Bezug auf ein jeweiliges Straßensegment (8) aufweist, und wobeiein Rechenmodul (14) vorgesehen ist, welches zum Bestimmen der Größe der Cluster (13,13a,13b) als Häufigkeit von gleichen oder ähnlichen Szenarien (7,7a,7b) ausgebildet ist.Ferner betrifft die Erfindung ein Verfahren.

Description

Die Erfindung betrifft ein System und ein Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, umfassend eines Simulators zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug auf der digitalen Straße.
Autonome Fahrfunktionen in Fahrerassistenzsystemen (Advanced Driver Assistance Systems, ADAS) und automatisierten Fahrsystemen (Automated Driving Systems, ADS) auf öffentlichen Straßen haben das Potenzial, das Verkehrswesen in Zukunft grundlegend zu verändern. Validierung und Verifizierung solcher autonomen Fahrfunktionen sind jedoch ein wichtiges Anliegen, um ein ausreichend hohes Maß an Sicherheit und Akzeptanz zu gewährleisten.
Um das Risiko automatisierter Fahrfunktionen abschätzen zu können, ist Wissen über mögliche Verkehrssituationen, sogenannten Szenarien, notwendig. Es müssen möglichst viele der eventuell im Betrieb der Fahrfunktion auftretenden Szenarien bekannt sein. Um das Risiko abzuschätzen, werden zusätzlich auch Informationen über die Häufigkeiten dieser Szenarien benötigt. Klassischerweise werden diese Informationen nicht erhoben, sondern auf Basis von insbesondere potentiell unvollständigem Expertenwissen entschieden. Alternativ können Datensammlungen wie Unfalldatenbanken verwendet werden, die jedoch oft in ihrer Beschreibung nicht ausreichen und nur einen kleinen Teil des Verkehrsgeschehens abbilden.
Zur Validierung der autonomen Fahrfunktionen müsste jedoch eine Testabdeckung mit mehreren Milliarden Testkilometer gefahren werden. Selbst mit dem Einsatz von Simulationswerkzeugen kann die erforderliche Anzahl von Testkilometern nicht erreicht werden.
Ein zumindest teilweise autonomes Egofahrzeug ausschließlich auf der Straße mit Fahrtstrecken über Milliarden Kilometer zu testen, ist zudem aus Zeit- und Kostengründen nicht möglich. Zudem würden viele redundante Testkilometer entstehen.
Daher wird eine effizientere Methode zur Erhöhung der Testabdeckung benötigt. Aktuelle Forschungsprojekte und die Industrie konzentrieren sich in dieser Hinsicht auf szenarienbasiertes Testen.
Dazu müssen jedoch zunächst ähnliche Szenarien identifiziert werden, um die zu testenden Szenarien zu bestimmen. Insbesondere müssen häufig auftretende Szenarien sicher mit den autonomen Fahrfunktionen bewerkstelligt werden können.
Die WO 2022028935 A1 offenbart eine Testeinheit und ein computerimplementiertes Verfahren zum Bereitstellen eines Szenario-Test-Verlaufs mit zu testenden Szenarien insbesondere Verkehrsszenarien, für Tests einer Vorrichtung zur zumindest teilweisen autonomen Führung eines Verkehrsmittels mit den Schritten:

Trainieren und Verwenden eines Ähnlichkeitsklassifikationsmoduls zur Klassifizierung der Ähnlichkeit zwischen zwei Szenarien basierend auf einer Teilmenge eines Parametersatzes des jeweiligen Szenarios, welches eine virtuelle Repräsentation einer reale Verkehrssituation darstellt; Erzeugen einer Graphenrepräsentation umfassend eine Vielzahl von Szenarien, umfassend die zwei Szenarien, deren Teilmenge von Parametersätzen in einer Speichereinheit gespeichert sind, wobei Knoten jeweils die Teilmenge eines Parametersatzes eines Szenarios repräsentieren und Kanten zwischen zwei Knoten mit einem Ähnlichkeitsklassifikationswert gewichtet sind, der die Ähnlichkeit zwischen den zwei Szenarien, der jeweiligen Knoten indiziert; Erhalten einer Benutzereingabe durch eine elektronische Benutzerschnittstelle und / oder eine automatischen Systemeingabe, wobei die Eingabe einen geforderten Wert für eine Abdeckung, der in der Speichereinheit gespeicherten Szenarien beinhaltet und / oder eine geforderte Anzahl an zu testenden Szenarien, so dass eine Auswahl und Ausführungsreihenfolge der Szenarien und der repräsentierenden Knoten mit der Zielsetzung einer maximalen Abdeckung des Graphen bestimmt wird; Bereitstellen einer Auswahl und Ausführungsreihenfolge und / oder eines Abdeckungswerts einer Gesamt-Abdeckung der gewählten Knoten und damit der zu repräsentierenden Szenarien.

Es ist daher eine Aufgabe der Erfindung ein System und ein Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen anzugeben.
Die Aufgabe wird gelöst durch ein System mit den Merkmalen des Anspruchs 1 und ein Verfahren mit den Merkmalen des Anspruchs 12. In den Unteransprüchen sind weitere vorteilhafte Maßnahmen aufgelistet, die geeignet miteinander kombiniert werden können, um weitere Vorteile zu erzielen.
Die Aufgabe wird gelöst durch ein System zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, umfassend eines Simulators zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug auf der digitalen Straße,
und
wobei ein Prozessor vorgesehen ist, welcher ausgebildet ist, ein Segmentieren der digitalen Straße in Straßensegmente zu bewerkstelligen, wobei ein Straßensegment die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist,
und wobei ein Extraktionsmodul vorgesehen ist, welches dazu ausgebildet ist, die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs in dem Straßensegment zu extrahieren, und dem Straßensegment in Abhängigkeit von allen extrahierten Verhaltensweisen jeweils verschiedene Szenarien zuzuordnen, und wobei ein Clustermodul vorgesehen ist, welches dazu ausgebildet ist, ähnliche oder gleiche Szenarien in Bezug auf das jeweilige Straßensegment zu clustern, so dass jeweils ein Cluster ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs in Bezug auf das jeweilige Straßensegment aufweist, und wobei
ein Rechenmodul vorgesehen ist, welches zum Bestimmen der Größe der Cluster als Häufigkeit von gleichen oder ähnlichen Szenarien ausgebildet ist.
Ein Szenario definiert sich durch die statische Umgebung wie Straßennetz, Bebauung und durch das Verhalten der anderen Verkehrsteilnehmer; d.h. ein Szenario ist eine abstrakte, semantische Beschreibung, definiert durch das Egofahrzeug und die relevante Umgebung.
Dabei ist ein häufig auftretendes Szenario ein Szenario, dass im Vergleich zu einem anderen häufig auftritt, d.h. ein immer wieder auftretendes Szenario im Vergleich zu einem sporadisch auftretenden Szenario.
Straßen sind geteerte oder ungeteerte Straßen, Wege etc.
Die Größe der Cluster kann der Anzahl der darin enthaltenden Szenarien entsprechen.
Straßensegmente können T-Kreuzungen, Kreisel, Kreuzungen, Straßen mit Zebrastreifen, 30iger Zonen etc sein.
Erfindungsgemäß wurde erkannt, dass eine Prüfung beispielsweise von autonomen Fahrfunktionen anhand aller relevanten häufig auftretenden Szenarien gewährleistet sein muss, um eine hinreichende Absicherung der autonomen Fahrfunktionen zu gewährleisten. Ferner müssen auch andere Szenarien in ihrer Häufigkeit sicher identifiziert werden. Die aufgezeichneten Daten bilden jedoch einen Szenarienraum mit hoher Redundanz, welcher hinsichtlich der Redundanz aufgespalten und betrachtet werden muss.
So können beispielsweise alle Szenarien, in denen ein Egofahrzeug allein auf einer geraden Straße fährt, als eine Szenariengruppe betrachtet werden, so dass ein Test des Szenarios mit verschiedenen Fahrparameter der autonomen Fahrfunktionen ausreicht, um die Sicherheit des Fahrers zu gewährleisten. Dadurch wird die Sicherheit der, auf dieses Szenario getestete, autonomen Fahrfunktionen effizient erhöht.
Das erfindungsgemäße System erlaubt durch Abstraktion von Szenarien anhand von Verhaltensweisen auf definierten Straßen sowie die Einteilung in Cluster eine semantische Analyse der Daten. Durch das erfindungsgemäße System ist ein systematisches Vorgehen zur Ermittlung der Häufigkeiten von Szenarien anhand von definierten Straßen möglich. Durch die hochskalierbare Simulation kann sehr schnell sehr viel Wissen auf einer Straße gewonnen werden, was auch die Erweiterung der Straße bzw. den Wechsel auf neue Straßen stark vereinfacht. Durch das insbesondere automatisiert ablaufende Clustern fließen möglichst wenig menschliche Annahmen in die Bestimmung der Häufigkeiten ein; das System kann weitestgehend ohne manuellen Eingriff ablaufen.
Durch das erfindungsgemäße System können Erkenntnisse über die Wahrscheinlichkeiten eines Szenarios in der realen Welt geliefert werden, ungeachtet der Komplexität, die sich aus der unterschiedlichen Anzahl von Verkehrsteilnehmern und unterschiedlichen Sequenzlängen ergibt. Durch eine umfassende Prüfung von autonomen Fahrfunktionen anhand von Szenarien, welche mit großer Häufigkeit auftreten, kann eine sichere Fahrweise eines, mit den getesteten autonomen Fahrfunktionen betriebenen Egofahrzeugs erhöht werden.
In weiterer Ausbildung ist das Extraktionsmodul dazu ausgebildet, die Verhaltensweise auf Basis von extrahierten Trajektorien der Verkehrsteilnehmer und der Egotrajektorie des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug zu bestimmen. Dadurch kann das dynamische Verhalten der Verkehrsteilnehmer und des Egofahrzeugs einfach erfasst werden. Dadurch kann eine einfache Abstraktion zur Beschreibung des Verhaltens der Verkehrsteilnehmer und des Egofahrzeugs erhalten werden. Somit wird nur das Verhalten (hier die Trajektorien) der Verkehrsteilnehmer und des Egofahrzeugs als auch die Interaktion oder mögliche Interaktion betrachtet; es ist nicht die Anzahl der Verkehrsteilnehmer entscheidend. Verschiedene Interaktionen können beispielsweise sein: Schnittpunkte beim Kreuzen, Überholen, Abbiegen. Interaktionen mit Fußgängern können beispielsweise Stehenbleiben an Ampeln oder Zebrastreifen sein, Abbremsen bei Gefahrensituationen etc.
In weiterer Ausbildung ist das Extraktionsmodul dazu ausgebildet, zusätzlich zur Interaktion und der extrahierten Trajektorien zumindest die Geschwindigkeit des Egofahrzeugs und der Verkehrsteilnehmer als Verhaltensweise zu bestimmen. Zudem können weitere Parameter als Verhaltensweise bestimmt werden. Dadurch können beispielsweise die Szenarien feiner untergliedert werden; als auch mehr Informationen über die Szenarien gewonnen werden.
In weiterer Ausbildung ist das Extraktionsmodul dazu ausgebildet, die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug zu bestimmen. Manöver sind eine prägnante Möglichkeit, die Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs zu beschreiben. Das Verhalten kann dabei erfolgreich vollständig abstrahiert werden. Durch die Beschreibung anhand von Manövern kann das dynamische Verhalten der Verkehrsteilnehmer und des Egofahrzeugs einfach erfasst werden.
Ferner kann das Extraktionsmodul dazu ausgebildet sein, als ein Manöver eine Kombination aus einem lateralen und einem longitudinalen Manöver heranzuziehen.
Das Verhalten eines Teilnehmers kann somit zur Vereinfachung mit einer Kombination aus einem lateralen und einem longitudinalen Manöver beschrieben werden.
Durch die Beschreibung von genau einem Quer- und genau einem Längsmanöver kann das Verhalten der Verkehrsteilnehmer eindeutig und ausführbar beschrieben werden.
In weiterer Ausgestaltung kann ein Straßensegment zumindest einem der folgenden Elemente entsprechen: Rechtsabbiegung, Linksabbiegung, Rechtskurve, Linkskurve, gerade Straße, Kreisverkehr, Hügelspitze, Tal, Kreuzung, ebene Fahrbahn, Steigung, Gefälle, einspurige Straße, mehrspurige Straße, Autobahn. Dabei sind diese Elemente sehr häufig vorkommende Straßensegmente. Ferner können weitere Elemente vorhanden sein.
In weiterer Ausgestaltung ist das Extraktionsmodul dazu ausgebildet, zur Festlegung einer Interaktionsfähigkeit lediglich diejenigen Verkehrsteilnehmer in einem vorgegebenen Radius um das Egofahrzeug zu berücksichtigen.
Ferner kann das Extraktionsmodul auch dazu ausgebildet sein, zur Festlegung einer Interaktionsfähigkeit diejenigen Verkehrsteilnehmer heranzuziehen, deren Trajektorie oder Manöver einen Schnittpunkt mit der Egotrajektorie oder dem Manöver des Egofahrzeugs aufweisen. Dadurch kann das System in seiner Schnelligkeit erhöht werden, und die Szenarien nach ihrer Relevanz erkannt und eingegrenzt werden; unwichtige Verkehrsteilnehmer die nicht zum Szenario beitragen, werden somit nicht beachtet.
In einer weiteren Ausbildung ist das Clustermodul dazu ausgebildet, eine Ähnlichkeit zwischen zwei Szenarien in Bezug auf ein Straßensegment festzustellen, wenn zumindest die extrahierten Manöver der Verkehrsteilnehmer und des Egofahrzeugs in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug und/oder die extrahierten Trajektorien sowie der Egotrajektorie in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug lediglich eine Abweichung unterhalb eines vorgegebenen Schwellenwertes aufweisen.
Ferner kann das Rechenmodul dazu ausgebildet sein, die Anzahl der Cluster als auch die Anzahl der auftretenden Szenarien zu bestimmen. Ferner können somit auch die Anzahl der selten auftretenden Szenarien erkannt werden.
In weiterer Ausbildung ist das Rechenmodul zum Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs anhand der Größe der Cluster sowie zum Testen der autonomen Fahrfunktionen des Egofahrzeugs in der Prüfungsumgebung ausgebildet.
Mittels des Rechenmoduls wird eine Prüfungsumgebung generiert, anhand dessen eine schnellere und sichere Validierung von autonomen Fahrfunktionen ermöglicht wird. Durch die Gruppierung ähnlicher Szenarien kann die hohe Redundanz bei dem Testen der autonomen Fahrfunktionen reduziert werden. Die Häufigkeit der erkannten Szenarien kann somit als eine Grundlage für die Priorisierung bei der Generierung der Prüfungsumgebung dienen, beispielsweise werden Szenarien mit großer Häufigkeit durch autonome Fahrfunktionen mit besonders hohen Fahrparametervariationen durchgeführt, um bei einem so häufig auftretenden Szenario eine sichere autonome Fahrfunktion zu garantieren.
Anstatt mit dem kompletten Satz von Szenarien zu arbeiten, kann somit jede Szenario-Gruppe durch ein Mitglied repräsentiert werden.
In einer weiteren Ausgestaltung ist eine Schnittstelle vorgesehen, zum Empfang von Realdaten von verschiedenen Szenarien aus der Sicht des Egofahrzeugs zur Anreicherung der simulierten Verkehrssituationen mit Realdaten oder zur Überprüfung von simulierten Verkehrssituationen mit Realdaten. Hierbei werden durch reale Fahrten des Egofahrzeugs Informationen über die Szenarien gesammelt und mit den simulierten Verkehrssituationen abgeglichen, zur Überprüfung und Sicherstellung der Qualität der Simulation, oder um diese mit Realdaten anzureichern. Dadurch kann beispielsweise fehlerhafte Sensorik mit bei der Szenariengenerierung miteinfließen.
Ferner wird die Aufgabe gelöst durch ein Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, umfassend der Schritte:

- Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug auf der digitalen Straße,
- Segmentieren der digitalen Straße in Straßensegmente, wobei ein Straßensegment die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist,
- Extrahieren der Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs in dem Straßensegment, und zuordnen dem Straßensegment von jeweils verschiedenen Szenarien in Abhängigkeit von allen extrahierten Verhaltensweisen,
- Clustern von ähnlichen oder gleichen Szenarien in Bezug auf das jeweilige Straßensegment durch ein Clustermodul, so dass jeweils ein Cluster ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs in Bezug auf ein jeweiliges Straßensegment aufweist,
- Bestimmen der Größe der Cluster als Häufigkeit von gleichen oder ähnlichen Szenarien.

Dabei können die Vorteile und vorteilhafte Ausbildungen des Systems auf das Verfahren angewendet werden.
Ferner ist das Verfahren dazu ausgebildet, auf dem erfindungsgemäßen System durchgeführt zu werden.
Dabei kann das Verfahren weitestgehend automatisiert, ohne manuellen Eingriff ablaufen, insbesondere auch nachts. Somit kann das Verfahren quasi mehrere Tage/Wochen ohne manuellen Eingriff durchlaufen, so dass schnelle Ergebnisse generiert werden können.
In weiterer Ausbildung wird die Verhaltensweise auf Basis von extrahierten Trajektorien der Verkehrsteilnehmer und der Egotrajektorie des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug bestimmt.
In weiterer Ausbildung wird die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug bestimmt.
Ferner kann das Verfahren die weiteren Schritte umfassen:

- Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs anhand der Größe der Cluster,
- Testen der autonomen Fahrfunktionen des Egofahrzeugs in der Prüfungsumgebung.

Weitere Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Dabei zeigen:

1: ein erfindungsgemäßes System schematisch,
2: eine Straße mit verschiedenen Straßensegmenten,
3: eine Interaktion eines Egofahrzeugs mit einem Verkehrsteilnehmer,
4: ein Cluster mit den gleichen oder ähnlichen Verkehrsszenarien,
5: verschieden große Cluster,
6: das erfindungsgemäße Verfahren schematisch.

Um das Risiko autonomer Fahrfunktionen abschätzen zu können, ist Wissen über mögliche Verkehrsszenarien (Szenarien) notwendig. Ein Szenario definiert sich durch die statische Umgebung wie Straßennetz, Bebauung und durch das Verhalten der anderen Verkehrsteilnehmer; d.h. ein Szenario ist eine abstrakte, semantische Beschreibung, definiert durch das Egofahrzeug und die relevante Umgebung.
Autonome Fahrfunktionen sind alle Funktionen die zu einem autonomen Fahrbetrieb beitragen, hierbei können auch Fahrfunktionen des Levels 3 (Automatisierter Modus) oder ein Assistierter Modus umfasst sein. Solche Fahrfunktionen können beispielsweise Lane-Keeping, Tempo-adjustment etc. sein.
Es müssen möglichst viele der eventuell im Betrieb der Fahrfunktion auftretenden Szenarien bekannt sein. Um das Risiko abzuschätzen, werden zusätzlich auch Informationen über die Häufigkeiten dieser Szenarien benötigt. Klassischerweise werden diese Informationen nicht erhoben, sondern auf Basis von Expertenwissen entschieden. Alternativ können Datensammlungen wie Unfalldatenbanken verwendet werden, die jedoch oft in ihrer Beschreibung nicht ausreichen und nur einen kleinen Teil des Verkehrsgeschehens abbilden. Das Problem ist die Ermittlung von auftretenden Verkehrsszenarien und deren Häufigkeiten, bezogen auf eine bekannte Straße.
1 zeigt ein erfindungsgemäßes System 1 zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug 2 mit einer Egotrajektorie 5 auf vorab definierten Straßen, wobei die Straße digital als digitale Straße 3 abgebildet ist.
Dabei sind digitale Straßen, Straßen, welche in digitalisierter Form vorliegen. Solch eine Digitalisierung der Straßeninfrastruktur ist ein gängiges Verfahren.
Das System 1 umfasst einen Simulator 10 zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug 2 auf der digitalen Straße 3.
Solche Simulationen können beispielsweise durch gewerbliche Anbieter erstellt werden.
Diese stellen realistische Verkehrssituationen aus der Sicht des Egofahrzeug 2 nach, sowie die Interaktion mit anderen Verkehrsteilnehmern. Dadurch können innerhalb kurzer Zeit eine große Menge an Verkehrssituationen erzeugt werden.
Ferner können die simulierten Verkehrssituationen mit Realdaten angereichert oder überprüft werden. Solche Realdaten, können aus Verkehrsüberwachungen, mit Sensoren ausgerüstete Fahrzeugen, Drohnen etc. stammen.
Ferner ist ein Prozessor 4 zum Segmentieren der digitalen Straße 3 in Straßensegmente 8 vorhanden, wobei ein Straßensegment 8 die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist.
Jedes Straßensegment 8 repräsentiert quasi einen ausgeschnittenen Teil des Stra-ßennetzes. Straßensegmente 8 können beispielsweise (nicht abschließend aufgezählt): Rechtsabbiegung, Linksabbiegung, Rechtskurve, Linkskurve, gerade Straße, Kreisverkehr, Hügelspitze, Tal, Kreuzung, ebene Fahrbahn, Steigung, Gefälle, einspurige Straße, mehrspurige Straße, Autobahn sein. Dabei sind diese Elemente sehr häufig vorkommende Straßensegmente 8.
2 zeigt eine reale Straße eingeteilt in Straßensegmente 8. Eine solche Einteilung kann beispielsweise automatisiert erfolgen.
Weiterhin ist ein Extraktionsmodul 6 vorgesehen zum Extrahieren der Verhaltensweisen aller Verkehrsteilnehmer und des Egofahrzeugs 2 in dem Straßensegment 8. Dabei wird dem jeweiligen Straßensegment 8 die Verhaltensweise als ein Szenario 7 bezogen auf das Straßensegment 8 zugeordnet.
Dabei kann das Extraktionsmodul 6 die jeweilige Egotrajektorie 5 und die Trajektorie 9 der Verkehrsteilnehmer extrahieren und die extrahierten Trajektorien 9 (3) der Verkehrsteilnehmer und der Egotrajektorie 5 (3) des Egofahrzeugs 2 als auch die Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 als Verhaltensweise dem entsprechenden Straßensegment 8 als Szenario 7 zuordnen.
Dies bedeutet, dass nur die relevanten Verkehrsteilnehmer betrachtet werden, die in irgendeiner Weise mit dem Egofahrzeug 2 interagieren (können), beispielsweise das Egofahrzeug 2 überholt einen der Verkehrsteilnehmer; die Trajektorie des Verkehrsteilnehmers und des Egofahrzeugs 2 kreuzen sich etc. Der Einfachheitshalber können beispielsweise alle Verkehrsteilnehmer als interagierend betrachtet werden, welche in einem vorgegebenen Radius um das Egofahrzeug 2 zu finden sind.
Ferner können weitere Parameter den Simulationen entnommen werden, beispielsweise die Geschwindigkeit des Egofahrzeugs 2 und der Verkehrsteilnehmer. Dabei können weitere Parameter als Verhaltensweise bestimmt werden. Damit können beispielsweise die Szenarien 7 feiner untergliedert werden oder mehr Informationen über die Szenarien 7 gewonnen werden.
3 stellt eine solche Egotrajektorie 5 dar, welche mit einem weiteren Verkehrsteilnehmer, hier einem zweiten Fahrzeug 11 interagiert (Überholmanöver). Hierbei handelt es sich bei dem Straßensegment 8 um eine gerade doppelspurige Straße.
Alternativ oder zusätzlich kann das Extraktionsmodul 6 die Manöver der Verkehrsteilnehmer und des Egofahrzeugs 2 als Verhaltensweise extrahieren. Dabei kann das Extraktionsmodul 6 die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs 2 sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 bestimmen.
Manöver stellen eine prägnante Möglichkeit dar, die Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs 2 zu beschreiben. Das Verhalten kann dabei vollständig abstrahiert werden.
Dabei kann das Manöver beispielsweise aus einer Kombination aus einem lateralen und einem longitudinalen Manöver beschrieben werden. Auch hierbei kann das Szenario 7 lediglich auf die mit dem Egofahrzeug 2 interagierenden relevanten Verkehrsteilnehmer eingeschränkt werden.
Dabei kann auch hier die räumliche Distanz als Interaktionsfähigkeit herangezogen werden. So können beispielsweise lediglich Verkehrsteilnehmer in einem vorgegebenen Radius um das Egofahrzeug 2 als interaktionsfähig angesehen werden.
Auch kann das Extraktionsmodul 6 zur Festlegung einer Interaktionsfähigkeit lediglich diejenigen Verkehrsteilnehmer heranziehen, deren Trajektorie 9 oder Manöver einen Schnittpunkt mit der Egotrajektorie 5 oder dem Manöver des Egofahrzeugs 2 aufweisen.
Dadurch werden noch vergleichbare Szenarien 7 generiert, welche alle notwendigen Informationen aufweisen, jedoch nicht zu klein sind. Dadurch kann das System 1 zudem in seiner Schnelligkeit erhöht werden, und die Szenarien 7 nach ihrer Relevanz erkannt und eingegrenzt werden.
Ferner weist das System 1 ein Clustermodul 12 (1) zum Clustern von zumindest ähnlichen oder gleichen Szenarien 7 in Bezug auf das jeweilige Straßensegment 8 auf. Dadurch weist jeweils ein Cluster 13 ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs 2 in Bezug auf das jeweilige Straßensegment 8 auf.
4 zeigt ein Cluster 13 mit den gleichen oder ähnlichen Verkehrsszenarien 7. Dabei kann das Clustermodul 12 dazu ausgebildet sein, eine Ähnlichkeit zwischen zwei Szenarien 7 in Bezug auf ein Straßensegment 8 festzustellen, wenn zumindest die extrahierten Manöver in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 und/oder die extrahierten Trajektorien 9 und die Egotrajektorie 5 in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 lediglich eine Abweichung unterhalb eines vorgegebenen Schwellenwertes aufweisen.
Dies bedeutet, dass eine Gleichheit oder Ähnlichkeit dann vorliegt, wenn sowohl das Manöver der Verkehrsteilnehmer und das des Egofahrzeugs 2 in Verbindung mit der Interaktion identisch oder ähnlich ist. Alternativ oder zusätzlich können die extrahierten Trajektorien 9 und die Egotrajektorie 5 in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 ähnlich oder identisch sein.
Dadurch kann auf einfache Art und Weise eine Ähnlichkeit festgestellt werden. Ferner kann auch bei geringer Abweichung eine „groß genug Ähnlichkeit“ festgestellt werden, so dass die Anzahl der Cluster 13 nicht zu groß wird.
Anhand der Szenarien-Cluster können neben der Auftretenswahrscheinlichkeit (Häufigkeit), noch die Redundanz und Anomalien erkannt werden.
5 zeigt solche Szenarien-Cluster. Dabei können häufige Szenarien 7 (Cluster 13) als auch weniger häufige Szenarien 7a (Cluster 13a) und Anomalien 7b (Cluster 13b) vorkommen, beispielsweise Fahrmanöver, die von Einsatzfahrzeugen entgegen den Regeln für normale Verkehrsteilnehmer durchgeführt werden, die jedoch ebenfalls im späteren Testverfahren für die autonomen Fahrfunktionen berücksichtigt werden müssen.
Ferner weist das System 1 ein Rechenmodul 14 (1) auf, zum Bestimmen der Größe der Cluster 13,13a, 13b als Häufigkeit von gleichen oder ähnlichen Szenarien 7,7a,7b und zum Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs 2 anhand der Größe der Cluster 13,13a, 13b. Ferner ist das Rechenmodul 14 zum Testen der autonomen Fahrfunktionen des Egofahrzeugs 2 in der Prüfungsumgebung ausgebildet.
Mittels des Rechenmoduls 14 wird eine Prüfungsumgebung generiert, anhand dessen eine schnellere und sichere Validierung von, in einem autonom betreibbaren Fahrzeug verbauten, autonomen Fahrfunktionen ermöglicht wird. Durch die Gruppierung ähnlicher Szenarien 7, 7a,7b kann die hohe Redundanz bei dem Testen dieser autonomen Fahrfunktionen reduziert werden.
Die Häufigkeit der erkannten Szenarien 7, 7a,7b kann somit als eine Grundlage für die Priorisierung bei der Generierung der Prüfungsumgebung dienen, beispielsweise werden Szenarien 7 mit großer Häufigkeit durch die autonomen Fahrfunktionen mit besonders hohen Fahrparametervariationen durchgeführt, um bei einem so häufig auftretenden Szenario 7 eine sichere autonome Fahrfunktion zu garantieren.
6 zeigt das erfindungsgemäße Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien 7,7a,7b für ein Egofahrzeug 2 mit einer Egotrajektorie 5 auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, schematisch.
Dabei werden in einem ersten Schritt S1 verschiedene Verkehrssituationen, d.h. eine Abbildung des realen Verkehrs, mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug 2 auf der digitalen Straße 3 simuliert.
In einem zweiten Schritt S2 wird die digitale Straße in Straßensegmente 8 segmentiert, wobei ein Straßensegment 8 die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist.
In einem dritten Schritt S3 wird die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs 2 in dem Straßensegment 8 extrahiert und die jeweils verschiedenen Szenarien 7,7a,7b dem entsprechenden Straßensegment 8 zugeordnet. Anschließend werden in einem vierten Schritt S4 ähnliche oder gleiche Szenarien 7,7a,7b in Bezug auf das jeweilige Straßensegment 8 geclustert, so dass jeweils ein Cluster 13, 13a, 13b ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs 2 in Bezug auf ein jeweiliges Straßensegment 8 aufweist; d.h. dasselbe oder ein ähnliches Szenario 7,7a,7b aufweist.
Ferner kann anschließend die Größe der Cluster 13,13a, 13b als Häufigkeit von gleichen oder ähnlichen Szenarien 7,7a,7b berechnet werden. Dabei kann die Größe der Cluster 13, 13a, 13b der Anzahl der darin enthaltenden Szenarien 7,7a,7b entsprechen.
Ferner kann in einem Schritt S6 eine Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs 2 anhand der Größe der Cluster 7,7a,7b erstellt werden und die autonomen Fahrfunktionen in der Prüfungsumgebung getestet werden.
Bezugszeichenliste

1: System
2: Egofahrzeug
3: digitale Straße
4: Prozessor
5: Egotrajektorie
6: Extraktionsmodul
7,7a,7b: Szenarien
8: Straßensegment
9: Trajektorie der Verkehrsteilnehmer
10: Simulator
11: zweites Fahrzeug
12: Clustermodul
13,13a,13b: Cluster
14: Rechenmodul

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

WO 2022028935 A1 [0008]

Claims

System (1) zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien (7,7a,7b) für ein Egofahrzeug (2) mit einer Egotrajektorie (5) auf vorab definierten Straßen, wobei die Straße digital als digitale Straße (3) abgebildet ist, das System (1) aufweisend einen Simulator (10) zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug (2) auf der digitalen Straße (3), dadurch gekennzeichnet, dass ein Prozessor (4) vorgesehen ist, welcher ausgebildet ist, ein Segmentieren der digitalen Straße (3) in Straßensegmente (8) zu bewerkstelligen, wobei ein Straßensegment (8) die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist, und wobei ein Extraktionsmodul (6) vorgesehen ist, welches dazu ausgebildet ist, die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs (2) in dem Straßensegment (8) zu extrahieren, und dem Straßensegment (8) in Abhängigkeit von allen extrahierten Verhaltensweisen jeweils verschiedene Szenarien (7,7a,7b) zuzuordnen, und wobei ein Clustermodul (12) vorgesehen ist, welches dazu ausgebildet ist, ähnliche oder gleiche Szenarien (7,7a,7b) in Bezug auf das jeweilige Straßensegment (8) zu clustern, so dass jeweils ein Cluster (13,13a, 13b) ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs (2) in Bezug auf ein jeweiliges Straßensegment (8) aufweist, und wobei ein Rechenmodul (14) vorgesehen ist, welches zum Bestimmen der Größe der Cluster (13,13a,13b) als Häufigkeit von gleichen oder ähnlichen Szenarien (7,7a,7b) ausgebildet ist.
System (1) nach Anspruch 1, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, die Verhaltensweise auf Basis von extrahierten Trajektorien (9) der Verkehrsteilnehmer und der Egotrajektorie (5) des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) zu bestimmen.
System (1) nach Anspruch 2, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, zusätzlich zur Interaktion und der extrahierten Trajektorien (9) zumindest die Geschwindigkeit des Egofahrzeugs (2) und der Verkehrsteilnehmer als Verhaltensweise zu bestimmen.
System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) zu bestimmen.
System (1) nach Anspruch 4, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, als ein Manöver eine Kombination aus einem lateralen und einem longitudinalen Manöver heranzuziehen.
System (1) nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, zur Festlegung einer Interaktionsfähigkeit lediglich diejenigen Verkehrsteilnehmer in einem vorgegebenen Radius um das Egofahrzeug (2) zu berücksichtigen.
System (1) nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, zur Festlegung einer Interaktionsfähigkeit diejenigen Verkehrsteilnehmer heranzuziehen deren Trajektorie (9) oder Manöver einen Schnittpunkt mit der Egotrajektorie (5) oder dem Manöver des Egofahrzeugs (2) aufweisen.
System (1) nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass das Clustermodul (12) dazu ausgebildet ist, eine Ähnlichkeit zwischen zwei Szenarien (7,7a,7b) in Bezug auf ein Straßensegment (8) festzustellen, wenn zumindest die extrahierten Manöver der Verkehrsteilnehmer und des Egofahrzeugs (2) in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) und/oder die extrahierten Trajektorien (9) sowie der Egotrajektorie (5) in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) lediglich eine Abweichung unterhalb eines vorgegebenen Schwellenwertes aufweisen.
System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Rechenmodul (14) dazu ausgebildet ist, die Anzahl der Cluster (13, 13a, 13b) als auch der auftretenden Szenarien (7,7a,7b) zu bestimmen.
System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Rechenmodul (14) zum Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs (2) anhand der Größe der Cluster (13,13a,13b) ausgebildet ist sowie zum Testen der autonomen Fahrfunktionen des Egofahrzeugs (2) in der Prüfungsumgebung ausgebildet ist.
System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Schnittstelle vorgesehen ist, zum Empfang von Realdaten von verschiedenen Szenarien (7,7a,7b) aus der Sicht des Egofahrzeugs (2) zur Anreicherung der simulierten Verkehrssituationen mit Realdaten oder zur Überprüfung von simulierten Verkehrssituationen mit Realdaten.
Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien (7,7a,7b) für ein Egofahrzeug (2) mit einer Egotrajektorie (5) auf vorab definierten Straßen, wobei die Straße digital als digitale Straße (3) abgebildet ist, umfassend der Schritte: - Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug (2) auf der digitalen Straße (3), - Segmentieren der digitalen Straße (3) in Straßensegmente (8), wobei ein Straßensegment (8) die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist, - Extrahieren der Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs (2) in dem Straßensegment (8), und zuordnen von jeweils verschiedenen Szenarien (7,7a,7b) in Abhängigkeit von allen extrahierten Verhaltensweisen dem Straßensegment (8), - Clustern von ähnlichen oder gleichen Szenarien (7,7a,7b) in Bezug auf das jeweilige Straßensegment (8) durch ein Clustermodul (12), so dass jeweils ein Cluster (13, 13a, 13b) ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs (2) in Bezug auf ein jeweiliges Straßensegment (8) aufweist, - Bestimmen der Größe der Cluster (13,13a,13b) als Häufigkeit von gleichen oder ähnlichen Szenarien (7,7a,7b).
Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Verhaltensweise auf Basis von extrahierten Trajektorien (9) der Verkehrsteilnehmer und der Egotrajektorie (5) des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) bestimmt wird.
Verfahren nach einem der vorhergehenden Ansprüche 12 bis 13, dadurch gekennzeichnet, dass die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) bestimmt wird.
Verfahren nach einem der vorhergehenden Ansprüche 12 bis 14 umfassend der weiteren Schritte: - Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs (2) anhand der Größe der Cluster (13,13a, 13b), - Testen der autonomen Fahrfunktionen des Egofahrzeugs (2) in der Prüfungsumgebung.