-
Die Erfindung betrifft eine Vorrichtung und ein Verfahren zur Fahrüberwachung.
-
US 20180060970 A1 offenbart ein Fahrerassistenzsystem zur Kollisionsvermeidung durch Analysieren des Fahrverhaltens in Bezug auf kritische Verkehrssituationen, vor denen der Fahrer gewarnt werden kann.
US 20170166217 A1 und
WO 2014029882 A1 offenbaren Aspekte einer Anpassung entsprechender Warnungen gemäß unterschiedlichen Fahrzeugtypen, Fahrmodi und -stilen.
-
Das Verfahren und die Vorrichtung gemäß den unabhängigen Ansprüchen verbessern die Fahrüberwachung weiter.
-
Das Verfahren zur Fahrüberwachung umfasst ein Empfangen von Sensordaten von mindestens einem Sensor eines Fahrzeugs, ein Bestimmen einer Fahrbewegungsbahn des Fahrzeugs in Abhängigkeit von den Sensordaten, ein Bereitstellen einer Referenz zum Fahren gemäß einem Fahrzeugtyp, einem Fahrmodus für das Fahrzeug oder einem Fahrstil, ein Bestimmen einer Auszeichnung in Abhängigkeit von einer Differenz zwischen der Fahrbewegungsbahn und der Referenz und ein Ausgeben der Auszeichnung.
-
Vorteilhafterweise umfasst das Verfahren ein Bestimmen mindestens einer vorhergesagten Bewegungsbahn eines Verkehrsteilnehmers anhand der Sensordaten, wobei die Referenz in Abhängigkeit von der mindestens einen vorhergesagten Bewegungsbahn bestimmt wird.
-
In einem Aspekt wird die Auszeichnung in Abhängigkeit von einem Modell künstlicher Intelligenz bestimmt, wobei das Modell künstlicher Intelligenz mit unterschiedlichen Fahrstilen aus dem aufgezeichneten Fahren insbesondere von professionellen Fahrern trainiert wird.
-
Das Modell der künstlichen Intelligenz kann darauf trainiert werden, den Fahrstil des Fahrers zu klassifizieren, insbesondere als sportlich, aggressiv, sicher, ökologisch, wobei das Verfahren ferner ein Bestimmen der Referenz zum Fahren in Abhängigkeit von dem Fahrstil umfasst.
-
Vorteilhafterweise umfasst das Verfahren ein Ausgeben der Auszeichnung auf einer grafischen Benutzeroberfläche des Fahrzeugs oder an eine Social-Media-Schnittstelle.
-
Vorteilhafterweise umfasst das Verfahren ein Bestimmen einer Vielzahl von Differenzen zwischen unterschiedlichen Fahrbewegungsbahnen und jeweiligen Referenzen für unterschiedliche Fahrsituationen und ein Bestimmen der Auszeichnung in Abhängigkeit von der Vielzahl von Differenzen.
-
Vorteilhafterweise umfasst das Verfahren ein Bestimmen eines Ziels in Abhängigkeit von dem Fahrzeugtyp, dem Fahrmodus für das Fahrzeug oder dem Fahrstil, ein Bestimmen, ob die Differenz das Ziel erfüllt, ein Bereitstellen der Auszeichnung, wenn das Ziel erfüllt ist, und andernfalls ein Nichtbereitstellen der Auszeichnung.
-
Das Verfahren kann ein Bestimmen des Fahrmodus umfassen, der von einem Fahrer des Fahrzeugs über eine Benutzerschnittstelle ausgewählt wird.
-
Die Vorrichtung zur Fahrüberwachung umfasst Mittel, die konfiguriert sind, Sensordaten zu empfangen, Mittel, die konfiguriert sind, eine Fahrbewegungsbahn eines Fahrzeugs zu schätzen, und Mittel, die konfiguriert sind, die Sensordaten zu analysieren, wobei die Mittel, die konfiguriert sind, Sensordaten zu empfangen, die Mittel, die konfiguriert sind, die Fahrbewegungsbahn des Fahrzeugs zu schätzen, und die Mittel, die konfiguriert sind, die Sensordaten und die Fahrbewegungsbahn zu analysieren, konfiguriert sind, zum Durchführen von Schritten des Verfahrens zusammenzuwirken.
-
Weitere vorteilhafte Ausführungsformen ergeben sich aus der nachfolgenden Beschreibung und der Zeichnung. Es zeigen:
- 1 schematisch eine Vorrichtung zur Fahrüberwachung,
- 2 Schritte in einem Verfahren zur Fahrüberwachung.
-
1 zeigt eine Vorrichtung 100 zur Fahrüberwachung. Die Vorrichtung 100 ist in dem Beispiel mit mindestens einem ersten Sensor 102, mindestens einem zweiten Sensor 104 und mindestens einem dritten Sensor 106 verbindbar oder umfasst diese. Der mindestens eine erste Sensor 102 ist in dem Beispiel eine Kamera. Der mindestens eine zweite Sensor 104 ist in dem Beispiel ein Radarsensor. Der mindestens eine dritte Sensor 106 ist in dem Beispiel ein LIDAR-Sensor. Es können auch andere Sensoren verwendet werden. Es können mehr oder weniger als drei Sensoren vorgesehen sein.
-
Die Vorrichtung 100 umfasst ein erstes Modul 108, das zum Empfangen von Sensordaten konfiguriert ist, ein zweites Modul 110, das zum Schätzen eines Fahrwegs eines Fahrzeugs konfiguriert ist, ein drittes Modul 112, das zum Überwachen einer Fahrt konfiguriert ist, und ein viertes Modul 114, das zum Analysieren der Sensordaten und des Fahrwegs konfiguriert ist.
-
Die Vorrichtung 100 kann an dem Fahrzeug montierbar sein. Die Vorrichtung 100 kann eine Steuerung für das Fahrzeug sein. Die Mittel der Vorrichtung 100 können über verschiedene Steuerungen verteilt sein, die an dem Fahrzeug montiert und konfiguriert sind, untereinander zu kommunizieren.
-
Diese Module sind konfiguriert, gemäß einem nachstehend beschriebenen Verfahren zum Empfangen von Sensordaten von mindestens einem Sensor eines Fahrzeugs, Bestimmen einer Fahrbewegungsbahn des Fahrzeugs in Abhängigkeit von den Sensordaten, Bereitstellen einer Referenz zum Fahren gemäß einem Fahrzeugtyp, einem Fahrmodus für das Fahrzeug oder einem Fahrstil, Bestimmen einer Auszeichnung in Abhängigkeit von einer Differenz zwischen der Fahrbewegungsbahn und der Referenz und Ausgeben der Auszeichnung zusammenzuwirken.
-
Das erste Modul 108 ist konfiguriert, Eingaben von dem mindestens einen ersten Sensor 102, z. B. der Kamera, zu empfangen. Das erste Modul 108 ist ferner konfiguriert, Eingaben von dem mindestens einen zweiten Sensor 104, z. B. den Radarsensorsensoren, zu empfangen. Das erste Modul 108 ist ferner konfiguriert, Eingaben von dem mindestens einen dritten Sensor 106, z. B. dem LIDAR-Sensor, zu empfangen.
-
Das erste Modul 108 kann konfiguriert sein, anhand der Sensordaten verschiedener Sensoren fusionierte Sensordaten zu bestimmen. Das erste Modul 108 kann konfiguriert sein, eine Objektliste zu bestimmen, die ein Objekt oder mehrere Objekte umfasst, die in den von den Sensoren empfangenen Sensordaten erkannt werden. Das erste Modul 108 kann konfiguriert sein, separate Objektlisten für verschiedene Sensoren zu bestimmen.
-
Das erste Modul 108 kann konfiguriert sein, eine erste Eingabe für das zweite Modul 110 bereitzustellen und eine zweite Eingabe für das dritte Modul 112 bereitzustellen.
-
Bei der ersten Eingabe kann es sich um fusionierte Sensordaten handeln. Die zweite Eingabe kann die Objektliste oder die separaten Objektlisten umfassen und kann weitere Merkmale der fusionierten Sensordaten beinhalten.
-
Das zweite Modul 110 ist konfiguriert, weitere Sensordaten, z. B. Lenkradwinkel, Beschleunigung oder andere Fahrzeugparameter, zu empfangen.
-
Das zweite Modul 110 ist konfiguriert, einen zukünftigen Fahrweg basierend auf den weiteren Sensordaten, z. B. dem Lenkradwinkel, der Beschleunigung oder den anderen Fahrzeugparametern, zu schätzen.
-
Das zweite Modul 110 kann ein Modell zum Schätzen des zukünftigen Fahrwegs umfassen. Das Modell kann ein Modell auf Basis künstlicher Intelligenz sein. Dieses Modell auf Basis künstlicher Intelligenz kann darauf trainiert werden, Schätzungen für einen zukünftigen Fahrweg basierend auf den weiteren Sensordaten vorherzusagen.
-
Die erste Eingabe aus dem ersten Modul 108 kann eine Eingabe, insbesondere in dieses Modell auf Basis künstlicher Intelligenz, zum Schätzen des zukünftigen Fahrwegs sein.
-
Das zweite Modul 110 kann konfiguriert sein, Kartendaten zu verwenden, um Straßendaten zu bestimmen und den zukünftigen Fahrweg in Abhängigkeit von den Straßendaten zu schätzen.
-
Das zweite Modul 110, insbesondere das Modell, kann basierend auf einem Fahrzeugtyp und/oder einem ausgewählten Fahrmodus parametrisiert werden. Der Fahrmodus kann ein Normalmodus, ein Sportmodus oder ein ökologischer Modus sein.
-
Der zukünftige Fahrweg, der durch das zweite Modul 110 bestimmt wird, wird dem dritten Modul 112 bereitgestellt.
-
Das dritte Modul 112 ist konfiguriert, einen vorhergesagten Pfad für mindestens einen Verkehrsteilnehmer zu bestimmen. Das dritte Modul 112 ist konfiguriert, den vorhergesagten Pfad basierend auf der zweiten Eingabe, d. h. der Objektliste oder den Objektlisten von den Sensoren, zu bestimmen. In dem Beispiel wird eine Vielzahl von vorhergesagten Pfaden für den Fahrweg der Verkehrsteilnehmer, d. h. des Objekts oder der Objekte, die in den Sensordaten erkannt werden, bestimmt.
-
Das dritte Modul 112 ist in dem Beispiel konfiguriert, für jedes erkannte Objekt eine vorhergesagte Bewegungsbahn mit entsprechender Unsicherheit zu bestimmen.
-
Das dritte Modul 112 kann konfiguriert sein, basierend auf dem zukünftigen Fahrweg des Fahrzeugs eine zukünftige Bewegungsbahn des Fahrzeugs zu bestimmen.
-
Das dritte Modul 112 ist konfiguriert, die vorhergesagte Bewegungsbahn von mindestens einem Objekt und die zukünftige Bewegungsbahn des Fahrzeugs auszuwerten, um einen Parameter zu bestimmen, der eine Sicherheit des Fahrens angibt. Die Auswertung kann eine mögliche zukünftige Kollision berücksichtigen, wenn sich die zukünftige Bewegungsbahn des Fahrzeugs und die vorhergesagte Bewegungsbahn von mindestens einem Objekt kreuzen. Die Auswertung kann den Parameter so bestimmen, dass er in diesem Fall ein hohes Kollisionsrisiko angibt. Die Auswertung kann den Parameter so bestimmen, dass er ein Kollisionsrisiko angibt, falls ein Abstand zwischen diesen Bewegungsbahnen kleiner als ein Schwellenwert ist, ohne dass sich diese zu kreuzen. Eine hohe Beschleunigung oder hohe Geschwindigkeit des mindestens einen Objekts oder des Fahrzeugs kann das Risiko im Vergleich zu einer geringeren Beschleunigung oder Geschwindigkeit erhöhen. Der Parameter kann so bestimmt werden, dass er einen höheren Risikograd der Kollision bei einer höheren Beschleunigung oder Geschwindigkeit angibt, als wenn die Beschleunigung oder Geschwindigkeit geringer ist. Eine Stabilität des Fahrzeugs kann bestimmt werden und der Risikograd kann bei einer instabilen Fahrsituation des Fahrzeugs höher eingestellt werden als bei einer stabilen Fahrsituation des Fahrzeugs.
-
Der Parameter kann den Risikograd auch abhängig von dem Fahrzeugtyp und/oder dem gewählten Fahrmodus definieren. Der Sportmodus kann dazu führen, dass der Parameter einen höheren Risikograd oder einen geringeren Risikograd als der Normalmodus oder der ökologische Modus angibt.
-
In dem Beispiel kann der Parameter drei Risikograde definieren, und zwar von hoch bis niedrig: Imminent, Kritisch und Standard.
-
Das dritte Modul 112 kann konfiguriert sein, einem Fahrer die Kritikalität des zukünftigen geschätzten Verhaltens zu signalisieren, z. B. mit den drei Graden: Imminent, Kritisch und Standard.
-
Das dritte Modul 112 kann konfiguriert sein, Daten an das vierte Modul 114 auszugeben. Bei den Daten kann es sich um die vorhergesagte Bewegungsbahn von mindestens einem Objekt und die zukünftige Bewegungsbahn des Fahrzeugs und/oder den Parameter, der eine Sicherheit des Fahrens angibt, handeln.
-
Das vierte Modul 114 ist konfiguriert, die vorhergesagte Bewegungsbahn von mindestens einem Objekt und die zukünftige Bewegungsbahn des Fahrzeugs zu analysieren. Das vierte Modul 114 ist in dem Beispiel konfiguriert, eine Sicherheitsanalyse für ein Szenario, in dem das Fahrzeug fährt, zu bestimmen und anzuzeigen. Das vierte Modul 114 kann dafür ausgelegt sein, einen Verlauf von Fahrten für einzelne Fahrer des Fahrzeugs anzuzeigen. Der Verlauf kann eine szenariobasierte Sicherheitsanalyse sein oder eine Entwicklung der Sicherheitsanalyse für den einzelnen Fahrer zeigen. Das vierte Modul 114 kann konfiguriert sein, die Sicherheitsanalyse mittels einer künstlichen Intelligenz zu bestimmen. Die künstliche Intelligenz kann darauf trainiert sein, Zielerreichungen vorherzusagen. Das vierte Modul 114 kann auch konfiguriert sein, eine Datenanalyse für Fahrzeugfehlfunktionsmöglichkeiten zu bestimmen.
-
Das vierte Modul 114 kann konfiguriert sein, die vorhergesagte Bewegungsbahn von mindestens einem Objekt und die zukünftige Bewegungsbahn des Fahrzeugs und den mindestens einen Parameter, der eine Sicherheit des Fahrens angibt, zu analysieren.
-
Das vierte Modul 114 ist in einem Aspekt konfiguriert, eine Bewertung für sicheres Fahren, z. B. für einen einzelnen Fahrer, zu erzeugen. Das vierte Modul 114 kann konfiguriert sein, die Bewertung in ein cloudbasiertes Tool zum Erlernen und Schätzen unsicherer Verhaltensweisen hochzuladen.
-
Das vierte Modul 114 ist in einem anderen Aspekt konfiguriert, eine externe Anwendung oder externe Anwendungen zur Simulation verschiedener Verhaltensweisen zu verwenden. Das vierte Modul 114 ist in einem anderen Aspekt konfiguriert, eine externe Anwendung oder externe Anwendungen zur Präsentation sicherer und unsicherer Situationen zu verwenden.
-
Das vierte Modul 114 kann konfiguriert sein, ein Gamification-Konzept für Auszeichnungen zu implementieren. Eine Auszeichnung wird zum Beispiel für ein Fahren des Fahrzeugs durch einen Fahrer über 100 km ohne Warnungen verliehen. Zum Beispiel wird für ein einwandfreies Überholen eine Auszeichnung verliehen.
Die Auszeichnung kann ein Abzeichen beinhalten, das dem Fahrer über eine grafische Benutzeroberfläche des Fahrzeugs angezeigt wird.
-
Die künstliche Intelligenz kann für die Vorhersage und/oder die Analyse der Daten wie folgt verwendet werden.
-
Zur Vorhersage:
-
Ein Modell künstlicher Intelligenz kann mit einem allgemeinen Fahrerverhalten trainiert werden, um genau vorherzusagen, wie sich andere Verkehrsteilnehmer verhalten werden.
-
Ein kurzer Verlauf der Bewegung eines Fahrzeugs zusammen mit aktuellen dynamischen Attributen, wie Geschwindigkeit, Beschleunigung, Gierung, Gierrate, kann in das Modell der künstlichen Intelligenz eingegeben werden, um die zukünftige Bewegungsbahn des Fahrzeugs vorherzusagen. Es kann ein sequenzielles Modell verwendet werden, z. B. ein LSTM (Long Short-Term-Memory).
-
Zur Analyse:
-
Ein Modell künstlicher Intelligenz kann mit verschiedenen Fahrstilen von aufgezeichneten professionellen Fahrern trainiert werden.
-
Das Modell kann zur Klassifizierung des Fahrstils des Fahrers, z. B. sportlich, aggressiv, sicher, ökologisch, verwendet werden.
-
Das Modell kann eine „Fahrstil“-Differenz ausgeben, um zu beurteilen, wie nah ein Fahrer einem gewünschten Fahrstil kommt. Das Modell kann eine „Bewertung“ ausgeben.
-
Das vierte Modul 114 kann dafür ausgelegt sein, diese „Bewertung“ zu verwenden, um die Auszeichnung zu bestimmen oder Verbesserungen für das Fahren vorzuschlagen.
-
Eine Verbesserung ist beispielsweise eine Empfehlung für einen Fahrer des Fahrzeugs zum Vergrößern eines Abstands zu einem anderen vorausfahrenden Fahrzeug, zum früheren Bremsen in engen Kurven.
-
Das Modell kann anhand von berühmten Fahrern trainiert werden. Das Modell kann einen Vorschlag oder eine Empfehlung zum Erzielen eines Fahrstils, der dem berühmten Fahrer am ähnlichsten ist, ausgeben. Das Modell kann die Auszeichnung in Abhängigkeit von der Differenz gegenüber dem Fahrstil des berühmten Fahrers ausgeben, z. B. eine größere Auszeichnung ausgeben, je besser der Fahrstil nachgeahmt wird. Die Ausgabe kann zum Teilen auf Social Media bereitgestellt werden.
-
Je nach Fahrzeugtyp, gewähltem Fahrmodus oder Fahrstil kann eine andere Auszeichnung bestimmt werden.
-
Das Verfahren zur Fahrüberwachung wird nachfolgend mit Bezug auf 2 beschrieben.
-
In einem Schritt 202 werden Sensordaten von mindestens einem Sensor des Fahrzeugs bereitgestellt. Die Sensordaten können erfasst werden, während sich das Fahrzeug in einem Fahrzyklus bewegt.
-
In einem Schritt 204 wird die Fahrbewegungsbahn des Fahrzeugs bestimmt. Die Fahrbewegungsbahn wird in dem Beispiel anhand der Sensordaten bestimmt, wie oben beschrieben. Anhand der Sensordaten kann auch die mindestens eine vorhergesagte Bewegungsbahn des Verkehrsteilnehmers bestimmt werden.
-
In einem Schritt 206 wird die Referenz zum Fahren gemäß dem Fahrzeugtyp, dem Fahrmodus für das Fahrzeug oder dem Fahrstil bereitgestellt, wie oben beschrieben. Die Referenz kann auch in Abhängigkeit von der mindestens einen vorhergesagten Bewegungsbahn bestimmt werden. Die Referenz kann durch das Modell der künstlichen Intelligenz bestimmt werden.
-
Das Modell der künstlichen Intelligenz kann darauf trainiert sein, den Fahrstil des Fahrers zu klassifizieren, insbesondere als sportlich, aggressiv, sicher, ökologisch. In diesem Fall kann die Referenz zum Fahren in Abhängigkeit von dem Fahrstil bestimmt werden, in den das Modell der künstlichen Intelligenz die Sensordaten eingeordnet hat.
-
In einem Schritt 208 wird die Auszeichnung in Abhängigkeit von der Differenz zwischen der Fahrbewegungsbahn und der Referenz bestimmt, wie oben beschrieben. In dem Beispiel wird die Auszeichnung in Abhängigkeit von dem Modell der künstlichen Intelligenz bestimmt.
-
Das Modell der künstlichen Intelligenz kann mit verschiedenen Fahrstilen, insbesondere von aufgezeichneten professionellen Fahrern, trainiert werden.
-
Für unterschiedliche Fahrsituationen können eine Vielzahl von Differenzen zwischen unterschiedlichen Fahrbewegungsbahnen und jeweiligen Referenzen bestimmt werden. Dies kann innerhalb des Fahrzyklus oder für denselben Fahrer auch in unterschiedlichen Fahrzyklen für das Fahrzeug geschehen. Die Auszeichnung wird in diesem Fall in Abhängigkeit von der Vielzahl von Differenzen bestimmt, z. B. durch Aufsummieren einzelner, für die verschiedenen Fahrsituationen bestimmter Auszeichnungen.
-
Je nach dem Fahrzeugtyp, dem Fahrmodus für das Fahrzeug oder dem Fahrstil kann ein Ziel vorgesehen sein. In diesem Fall kann die Auszeichnung bereitgestellt werden, wenn die Differenz das Ziel erfüllt. In einem Aspekt wird die Auszeichnung nicht bereitgestellt, wenn das Ziel nicht erfüllt wird.
-
In einem Schritt 210 wird die Auszeichnung z. B. auf einer grafischen Benutzeroberfläche des Fahrzeugs oder an eine Social-Media-Schnittstelle ausgegeben. Die Fahrbewertung kann ebenfalls bestimmt und in das cloudbasierte Tool hochgeladen werden.
-
Der Fahrmodus kann durch einen Fahrer in dem Fahrzeug über eine Benutzerschnittstelle auswählbar sein. In diesem Fall kann der durch einen Fahrer des Fahrzeugs ausgewählte Fahrmodus zur Verwendung in dem Verfahren erkannt werden.
-
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 20180060970 A1 [0002]
- US 20170166217 A1 [0002]
- WO 2014029882 A1 [0002]
