EP1685546A1 - Verfahren und system zur ermittlung der fahrsituation - Google Patents
Verfahren und system zur ermittlung der fahrsituationInfo
- Publication number
- EP1685546A1 EP1685546A1 EP04765557A EP04765557A EP1685546A1 EP 1685546 A1 EP1685546 A1 EP 1685546A1 EP 04765557 A EP04765557 A EP 04765557A EP 04765557 A EP04765557 A EP 04765557A EP 1685546 A1 EP1685546 A1 EP 1685546A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- driving
- driving situation
- neural network
- output
- motor vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Definitions
- the input layer of the neural network or the corresponding computer program in this embodiment of the invention is chronologically in each case a data record with status variables of the motor vehicle is supplied and the driving situation is determined chronologically in each case on the basis of the maximum output signal of all perceptrons of the output layer can be.
- the method according to the invention is carried out on a software system according to the invention, which recognizes the current driving situation by means of the data which are mostly provided anyway via the electronic vehicle bus system (eg CAN bus).
- the electronic vehicle bus system eg CAN bus.
- the optional, exclusive use of data already provided has the advantage that no additional sensors or control units are required - a GPS system is also not absolutely necessary.
- a second step the current driving situation and the current driving condition in the vehicle are calculated.
- the second step is divided into: access relevant vehicle data from the CAN bus in appropriate time steps, - preparation of the data for optimal evaluation, calculation of the current driving situation at the current time based on current and past CAN data, and calculation of the current driving status.
- neural networks are “trainable” and thus adaptable to the specific task.
- training the network is set by examples using the known, so-called “back propagation” method so that new input values are similar classified as “training values”.
- a signal pattern to be recognized is created at the input layer of the sigmoid network.
- the perceptrons or the corresponding software components carry out a calculation according to the sigmoid function.
- the result of the calculation is in
- the parameters of the weights of the individual perceptrons are parameterized by means of known learning methods (algorithms), in which examples of input patterns are created and corresponding output patterns are specified.
- the algorithm then sets the weights in this way that the specified output patterns are calculated or formed for the specified input patterns.
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Die Erfindung betrifft ein Verfahren und ein System zur Ermittlung der Fahrsituation eines Kraftfahrzeugs unter Verwendung von in dem Kraftfahrzeug bereitgestellten Daten, insbesondere auf einem Datenbus (1) des Kraftfahrzeugs, die den Wert mindestens einer Zustandsgrösse (V, ...) des Fahrzeugs angeben. Zur Entlastung des Fahrers wird erfindungsgemäss in einem ersten Schritt ein die Historie der mindestens einen Zustandsgrösse angebender Datensatz (V (t3), V (t2), V (t1), V (t0), ) bereit gestellt. In einem zweiten Schritt wird in dem Kraftfahrzeug ein neuronales Netz (3) durch einen entsprechend programmierten Rechner bereit gestellt. Das neuronale Netz (3) weist mindestens eine EingangsSchicht und eine Ausgangs Schicht auf, wobei jede der Schichten eine Mehrzahl von Perzeptronen hat. In einem dritten Schritt wird der jeweilige Wert der mindestens einen Zustandsgrösse (V,... ) des betreffenden Zeitpunkts, vorzugsweise ein normierter Wert, jeweils einem Perzeptron des neuronalen Netzes (3) zugeführt. Von den Perzeptronen der Ausgangs-Schicht des neuronalen Netzes wird, nachdem es trainiert worden ist, die aktuelle Fahrsituation (4) ausgegeben.
Description
Verfahren und System zur Ermittlung der Fahrsituation
Die Erfindung betrifft ein Verfahren zur Ermittlung der Fahrsituation eines Kraftfahr- zeugs sowie ein entsprechendes System nach dem Oberbegriff des betreffenden Hauptanspruchs.
Aufgrund der zunehmenden Menge von im Fahrzeug zur Verfügung gestellten Informationen und den damit einhergehenden Anforderungen an den Fahrer, ist es notwendig ihn bei hoher Belastung aufgrund der Verkehrssituation gezielt zu entlasten.
Aufgabe der vorliegenden Erfindung ist ein Verfahren und ein System zur Entlastung des Fahrers.
Diese Aufgabe wird durch die in den betreffenden unabhängigen Ansprüchen genannten Maßnahmen Verfahrens- bzw. vorrichtungsmäßig gelöst. Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Ein wesentlicher Aspekt des erfindungsgemäßen Verfahrens liegt in der Verwendung von in dem Kraftfahrzeug bereitgestellten Daten die den Wert mindestens einer Zustandsgröße des Fahrzeugs angeben. Diese Daten können zur Durchführung des erfindungsgemäßen Verfahrens beispielsweise über den Datenbus des Kraftfahrzeugs zur Verfügung gestellt werden. In einem ersten Schritt wird ein die Histo- rie der mindestens einen Zustandsgröße angebender Datensatz bereit gestellt. In einem zweiten Schritt wird in dem Kraftfahrzeug ein neuronales Netz durch einen entsprechend programmierten Rechner bereit gestellt. Das neuronale Netz des erfindungsgemäßen Verfahrens weist vorzugsweise mindestens eine Eingangs- Schicht und eine Ausgangs-Schicht auf und jede der Schichten hat eine Mehrzahl von Perzeptronen. In einem dritten Schritt wird der jeweilige Wert der mindestens einen Zustandsgröße des betreffenden Zeitpunkts, vorzugsweise wie alle anderen Werte auch auf den Bereich von 0 bis 1 normiert, jeweils einem Perzeptron des neuronalen Netzes zugeführt wird, und von den Perzeptronen der Ausgangs-Schicht
des neuronalen Netzes, nachdem es trainiert worden ist, wird die aktuelle Fahrsituation ausgegeben.
Ein Perzeptron ist eine durch Software gebildete mathematische Funktion (Soft- ware-Funktion), die aus Eingangswerten einen Ausgangswert berechnet, der an verschiedene Perzeptronen weitergeleitet wird. Die Eingangswerte werden gewich- tet und der Ausgangswert des Perzeptrons ist eine Abbildungsfunktion der gewich- teten Eingangswerte gemäß der Software-Funktion.
Nachfolgend werden bevorzugte Ausführungsformen der Erfindung näher erläutert.
Ein bevorzugtes neuronales Netz ist ein Sigmoid-Netz, das vorzugsweise drei Schichten aufweist. Jedes Perzeptron wird in diesem Fall durch die an sich bekannte Sigmoid-Funktion gebildet. Sigmoid-Netze zeichnen sich vorteilhafterweise da- durch aus, dass der Ausgangswert des Perzeptrons bzw. der Software-Funktion weitgehend linear zum Eingangswert ist, was die Weiterverarbeitung vereinfacht.
Bevorzugt wird der gegenwärtige Fahrzustand des Fahrzeugs aus einer zeitlichen Abfolge ermittelter Fahrsituationen festgestellt bzw. festgelegt. Einer zeitlichen Ab- folge von ermittelten Fahrsituationen wird auf der Basis mindestens einer Zuord- nungsvorschrift ein aktueller Fahrzustand zugeordnet. Anstelle des früheren Fahrzustands wird vorzugsweise erst dann ein neuer Fahrzustand festgelegt, wenn der neue Fahrzustand innerhalb eines zurückliegenden Zeitintervalls bereits mehrfach festgestellt bzw. festgelegt worden ist.
Vorzugsweise wird jedem Perzeptron der Ausgangs-Schicht bzw. dessen Ausgangssignal eine andere Fahrsituation zugeordnet. Das maximale Ausgangssignal aller Ausgangssignale der Perzeptronen der Ausgangs-Schicht gibt die aktuelle Fahrsituation des Kraftfahrzeugs an.
Bevorzugt gibt das Ausgangssignal, vorzugsweise das Signal-Maximum, des ersten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stop & Go" an. Das Ausgangssignal, vorzugsweise das Signal-Maximum, des zweiten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes gibt die Fahrsituation
„Stadtverkehr" an. Das Ausgangssignal, vorzugsweise das Signal-Maximum, des dritten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes steht für die Fahrsituation „Cruise". Das Ausgangssignal, vorzugsweise das Signal-Maximum, des vierten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes steht für die Fahrsituation „Sport". Zusammenfassend wird der Eingangs-Schicht des neuronalen Netzes bzw. dem entsprechenden Computer-Programm bei dieser Ausführungsform der Erfindung chronologisch jeweils ein Datensatz mit Zustandsgrößen des Kraftfahrzeugs zugeführt und chronologisch jeweils die Fahrsituation anhand des maximalen Ausgangssignals aller Perzeptronen der Ausgangs-Schicht ermittelt. Es ver- steht sich, dass die ermittelte Fahrsituation auch in mehr oder weniger Klassen („Stop & Go" etc.) eingruppiert werden kann.
Bei einem Ausführungsbeispiel der Erfindung gilt die Fahrsituation als unbestimmt, wenn die Differenz zwischen dem Wert des maximalen Ausgangsignals aller Per- zeptronen der Ausgangs-Schicht und dem Wert des nächst kleineren Ausgangssignals des betreffenden Perzeptrons kleiner als 20 % ist. Dasselbe gilt alternativ oder ergänzend bei einem weiteren Ausführungsbeispiel, wenn der Wert des größten Ausgangssignals aller Perzeptronen der Ausgangs-Schicht kleiner als 10% seines Maximalwertes ist. Durch diese optionalen erfindungsgemäßen Maßnahmen ist es möglich nur solche Fahrsituationen zu berücksichtigen, die mit hinreichender Sicherheit ermittelt worden sind. Dies gilt insbesondere für die Bestimmung des Fahrzustands auf der Basis ermittelter Fahrsituationen.
Bei einer anderen bevorzugten Ausführungsform der Erfindung orientiert sich der Umfang bzw. das Ausmaß der an den Fahrer des Kraftfahrzeugs weitergegebenen Informationen am ermittelten Fahrzustand. Bevorzugt werden dem Fahrer durch das erfindungsgemäße Verfahren bzw. System während eines ihn stark beanspruchenden Fahrzustands, z.B. schnelle Autobahnfahrt, Informationen mit hoher Ablenkung, wie z.B. ein Telefonanruf, zeitweise vorenthalten bzw. zur späteren Anzeige etc. bei einem weniger anstrengenden Fahrzustand gespeichert.
Bei einer erfindungsgemäßen Ausführungsform bzw. einem erfindungsgemäßen Mensch-Maschine-Interface kann der Fahrer auswählen, welche Informationen bzw. welche Summe von Informationen ihm bei dem Fahrzustand einer ersten Klasse,
wie z.B. „Stop & Go", bei einer zweiten Klasse, z.B. „Stadtverkehr" etc. angezeigt bzw. ausgegeben werden.
Die Erfindung wird nachfolgend unter Verwendung von Figuren näher erläutert. Es zeigen:
Figur 1 Ein Ablaufdiagramm zur Erläuterung des erfindungsgemäßen Verfahrens zur Ermittlung der Fahrsituation und des Fahrzustands eines Kraftfahrzeugs; und
Figur 2 die Zustandsmaschine der Figur 1 in detaillierterer Form.
Für zukünftige Fahrzeuggenerationen ist es wichtig, die Benutzung der MMI- Systeme (MMI = Mensch-Maschine-Interface) und der Fahrzeugelektronik adaptiv an die Bedürfnisse des Fahrers anzupassen. Dies kann beispielsweise bedeuten, dass die Menge der angebotenen Informationen im MMI des Fahrzeugs in dynamischen Fahrsituationen (z.B. Sport- oder Autobahn-Fahrt) verringert wird, wobei dem Fahrer bei entspanntem oder gar ruhendem Fahren (z.B. Stop & Go) mehr Informationen angeboten werden.
Ein wichtiger Faktor hierbei ist die Fahrsituation, wie beispielsweise schnelles, konzentriertes Fahren auf einer Schnellstrasse oder Autobahn, suchendes Fahren in einem Innenstadtbereich oder entspanntes „Cruisen" auf einer Landstrasse. Diese Fahrsituation gilt es durch ein Software-Verfahren zu „erkennen" - möglichst auf der Basis von allgemein im Fahrzeug verfügbaren Daten. Idealerweise soll es möglich sein, mit im Fahrzeug ohnehin zur Verfügung stehenden Daten, beispielsweise Daten, Nachrichten bzw. Telegramme auf dem CAN-Bus des Fahrzeugs, die Fahrsituation zu erkennen. Ein Problem ist hierbei, dass eine Fahrsituation sehr subjektiv wahrgenommen wird. Außerdem kann man die Fahrsituation nicht punktuell auf- grund eines einzelnen Zeitpunkts bestimmen, sondern muss einen Zeitraum bestimmter Länge in der Vergangenheit berücksichtigen. Eine Vorraussetzung hierfür ist die autonome Erkennung der Fahrsituation durch das Fahrzeug selbst.
Das erfindungsgemäße Verfahren wird auf einem erfindungsgemäßen Software- System ausgeführt, das mittels der über das elektronische Fahrzeug-Bussystem (z.B. CAN-Bus) vorwiegend ohnehin bereitgestellten Daten, die aktuelle Fahrsituation erkennt. Die optionale, ausschließliche Verwendung von ohnehin bereitgestellten Daten hat den Vorteil, dass keine zusätzliche Sensorik oder Steuergeräte benötigt werden - auch ein GPS System ist nicht unbedingt erforderlich.
Das erfindungsgemäße Verfahren bzw. System auf der Basis eines neuronalen Netzes, insbesondere eines Sigmoid-Netzes, eignet sich aber auch zur Erkennung von mehr, weniger oder anderen Fahrsituationen, wenn es auf die neuen Fahrsituationen trainiert wird - siehe unten. Im nachfolgend beschriebenen Ausführungsbeispiel werden die folgenden Fahrsituationen anhand von deren Charakteristika unterschieden:
- Die Fahrsituation Stop & Go" ist gekennzeichnet durch Stau bzw. zähfließendem Verkehr bei niedrigen Geschwindigkeiten und oft Stillstand; die Fahrsituation „Stadtverkehr" zeichnet sich aus durch flüssigen Verkehr bei Geschwindigkeiten von ca. 15km/h bis ca. 70 km/h, häufige Lenkbewegungen und manchmal Stillstand; - die Fahrsituation „Cruise" ist gekennzeichnet durch entspanntes Fahren bei Geschwindigkeiten über 70 km/h, wenig Lenkbewegungen und flüssiges Fahren, und die Fahrsituation „Sport" zeichnet sich aus durch sportliches Fahren, höhere Längs- und Querbeschleunigung und häufige Lenkbewegungen.
Ein Aspekt der Erfindung liegt in der „Abschätzung" der Ähnlichkeit der realen Fahrsituation mit den oben definierten Fahrsituationen, weil eine exakte Übereinstimmung so gut wie nie gegeben ist. Ein weiterer Aspekt ist, dass es sich bei Fahrsituationen um Situations-Muster handelt, die - um sie zuverlässig zu erkennen - über eine gewisse Zeitspanne beurteilt werden sollten. Würde man nur die aktuellen Daten, insbesondere CAN-Daten, zum jeweiligen Zeitpunkt verwenden (z.B. alle 500 ms) würde sich die Fahrsituation evtl. alle 500 ms ändern, was nicht erwünscht ist. So würde beispielsweise ein Ampel-Stop oder kurzes Halten bereits als „Stop & Go" klassifiziert, während es sich vielleicht nur um eine kurze Unterbrechung der Fahrsi-
tuation „Cruise" handelt. Bevorzugt wird das erfindungsgemäße Verfahren bzw. Sy stem daher mit einer gewissen „Trägheit" versehen.
Das erfindungsgemäße Verfahren bzw. System wird bevorzugt durch eine Software- lösung bzw. eine programmierte Ablaufsteuerung realisiert, die ein neuronales Sig- moid-Netz bildet. Das Sigmoid-Netz gibt nach dem kontinuierlichen Zuführen von Werten, die Zustandsgrößen des Fahrzeugs beschreiben, eine Klassifikation der auf der Basis der Werte ermittelten Fahrsituation aus. Mit anderen Worten: Das neuronale Netz bzw. Sigmoid-Netz liefert einen „Ähnlichkeitswert", der die Ähnlichkeit der zugeführten Daten bzw. Werte mit gespeicherten Daten bzw. Werten angibt, die den o.g. Fahrsituationen entsprechen und im Rahmen eines Trainings des Sigmoid- Netzes bei den genannten Fahrsituationen ermittelt worden sind. Bei hoher Ähnlichkeit wird die den entsprechenden, gespeicherten Werten zugeordnete Fahrsituation als aktuell zutreffend angenommen. Als Eingangsgrößen in das Sigmoid-Netz wer- den in diesem Ausführungsbeispiel standardkonforme CAN-Nachrichten aus dem fahrzeuginternen und standardisierten CAN-Bus verwendet. Diese werden bevorzugt zeitlich diskretisiert und normalisiert. Ggf. können selbstverständlich ergänzend oder alternativ auch Daten eines anderen im Fahrzeug vorgesehenen Daten-Busses zur Bestimmung der Fahrsituation bzw. des Fahrzustands herangezogen werden.
Eine Softwarekomponente greift in regelmäßigen Abständen, z.B. Abstände im Zeitintervall von ca. 500 ms bis ca. 2000 ms, die festgelegten Nachrichtentypen vom CAN-Bus ab und bereitet sie entsprechend auf. Hierbei werden die folgenden bekannten Datentelegramme des CAN-Busses ausgewertet:
CcarSpeed (Geschwindigkeit sowie Längs- und Querbeschleunigung des Fahrzeugs. CAN-Identifier: 416 Geschwindigkeit) CgearBox (eingelegter Gang bzw. Wählhebelstellung. CAN-Identifier: 772 Status Gang) - CsteeringWheelAngle (enthält Positionsinformationen des Lenkrads).
Es versteht sich, dass auch weniger oder mehr Datentelegramme bzw. Daten zur Berechnung der Fahrsituation und des Fahrzustands herangezogen werden können, wenn dies zweckdienlich oder nötig ist.
Um die Erfindung leichter verstehen zu können, werden zunächst die Grundzüge des erfindungsgemäßen Verfahrens, ein Kurzabriss eines neuronalen Netzes der Erfindung und dann folgt eine detaillierte Erläuterung des erfindungsgemäßen Ver- fahrens bzw. Systems.
Das erfindungsgemäße Verfahren gliedert sich grob in zwei Teile:
Im ersten Schritt wird das erfindungsgemäße neuronale Netz, insbesondere ein Sigmoid-Netz, parametrisiert. Bei der Parametrisierung wird das neuronale Netz trainiert und die Übergänge und Parameter der „Trägheit" des Systems werden eingestellt.
In einem zweiten Schritt wird eine Berechnung der momentanen Fahrsituation und des aktuellen Fahrzustands im Fahrzeug vorgenommen. Der zweite Schritt gliedert sich in: abgreifen relevanter Fahrzeugdaten vom CAN-BUS in angemessenen Zeitschritten, - Aufbereitung der Daten zur optimalen Auswertung, Berechnung der aktuellen Fahrsituation zum momentanen Zeitpunkt auf Basis aktueller und vergangener CAN-Daten, und Berechnung des aktuellen Fahrzustands.
Neuronale Netze sind bekannte Verfahren bzw. Systeme aus der Informatik, die beispielsweise bei der Bild- oder der Spracherkennung zum Einsatz kommen. Ein neuronales Netz besteht aus einer Menge sog. Perzeptronen. Ein Perzeptron ist eine Softwarefunktion, die eine Menge von Eingabewerten besitzt und daraus einen Ausgabewert berechnet, der an verschiedene Perzeptronen als Eingabe weitergelei- tet wird. Der Ausgabewert eines Perzeptrons ist das Ergebnis einer Abbildungsfunktion der gewichteten Eingangswerte (Inputs) gemäss der folgenden Funktion, bevorzugt die Sigmoid-Funktion:
1
F(Inputs) = 1 . ,A-jJii<≡ΞInputs
,wobei „Inputs" die Menge der gewichteten Eingabekanten ist.
Ein neuronales Netz besteht aus n Schichten, die ihrerseits aus Perzeptronen bestehen, wobei ein Perzeptron der n-ten Schicht alle Perzeptron Ausgänge der (n-1)-ten Schicht als Eingabewerte hat. Bevorzugt wird ein dreischichtiges Sigmoid- Netz bei dem erfindungsgemäßen Verfahren bzw. System verwendet.
Ein wichtiger Aspekt von Neuronalen Netzen besteht darin, dass sie „trainierbar" und damit an die konkrete Aufgabenstellung anpassbar sind. Beim „Training" wird das Netz durch Beispiele mit dem bekannten, sogenannten „Backpropagation"- Verfahren so eingestellt, dass es neue Eingabewerte ähnlich wie „Trainingswerte" klassifiziert.
Beim Training durch das „Backpropagation"-Verfahren wird an der Eingabe-Schicht des Sigmoid-Netzes ein zu erkennendes Signalmuster angelegt. Die Perzeptronen bzw. die entsprechenden Software-Komponenten führen eine Berechnung entsprechend der Sigmoid-Funktion durch. Das Ergebnis der Berechnung wird in Form eines Signalmusters von der Ausgabe-Schicht des Sigmoid-Netzes ausgegeben. Die Parametrisierung der Gewichte der einzelnen Perzeptronen erfolgt mittels bekannter Lernverfahren (Algorithmen), bei denen Beispiele von Eingabemustern angelegt werden und dementsprechende Ausgangsmuster vorgegeben werden. Der Algorithmus stellt dann die Gewichte derart ein, dass zu den vorgegebenen Ein- gangsmustern die vorgegebenen Ausgangsmuster berechnet bzw. gebildet werden.
Beispiel der Erfindung: Das Eingangsmuster ist ein Satz CAN Nachrichten, die der Fahrsituation „Stadtverkehr" entsprechen. Die Gewichte werden derart eingestellt, dass das Ausgangsmuster alle Perzeptronen der Ausgabeschicht liefert den Signal- pegel 0, nur Perzeptron Nummer 2 liefert Signalpegel 1 ist. Signalpegel 1 an Perzeptron 2 sei stellvertretend für die Fahrsituation „Stadtverkehr". Nach Abschluss des Trainings klassifiziert das Sigmoid-Netz der Erfindung reale Fahrsituationen in
ähnlicher Weise wie bei den Beispielen des Trainings. Hierbei reicht es, wenn die realen Fahrsituationen bzw. deren Datenmuster den trainierten Fahrsituationen bzw. deren Datenmuster ähnlich sind. Eine volle Übereinstimmung ist zur weitgehend zuverlässigen und richtigen Klassifizierung vorteilhafterweise nicht erforderlich.
Nachfolgend wird das im Fahrzeug vorgesehene erfindungsgemäße Verfahren bzw. System detaillierter beschrieben:
In einer ersten Stufe wird die Fahrsituation in regelmäßigen zeitlichen Abständen aufgrund der momentanen relevanten CAN-Daten und einer bestimmten Datenhistorie dieser Daten mittels des 3-schichtigen neuronalen Netzes, vorzugsweise ein Gradienten- oder Sigmoid-Netz, bestimmt. Beispielsweise wird alle 0,5 Sekunden die aktuelle Fahrsituation unter Verwendung der Geschwindigkeits- und Beschleunigungsdaten zum aktuellen Zeitpunkt t und den Daten zu den Zeitpunkten t - 2 Se- künden und t - 4 Sekunden bestimmt.
Danach wird in einer zweiten Stufe aufgrund der aktuellen Fahrsituation und der vergangenen erkannten Fahrsituationen der Fahrzustand bestimmt. Bei der Bestimmung des Fahrzustands geht die aktuelle erkannte Fahrsituation, die vergange- nen erkannten Fahrsituationen und der momentane Fahrzustand mit ein.
Dies soll an einem Beispiel verdeutlicht werden. Ist der aktuelle Fahrzustand „Stadtverkehr" und wird wiederholt „Stop & Go" als Fahrsituation erkannt, so wird erst nach 8-fach kontinuierlichem Erkennen der Fahrsituation „Stop & Go" auch der Fahrzustand auf „Stop & Go" gesetzt bzw. als gegeben angesehen. Ansonsten würde im Stadtverkehr bereits eine einzige Ampel dazu führen, dass der Fahrzustand auf „Stop & Go" gesetzt wird. Befindet sich das Fahrzeug allerdings im Fahrzustand „Cruise", so wird bevorzugterweise hier ein „Stop & Go" schon nach 3-fach kontinuierlich erkanntem Fahrzustand „Stop & Go" auf „Stop & Go" als Fahrzustand ge- setzt.
Wie im Ablaufdiagramm 100 der Figur 1 dargestellt, greift eine Softwarekomponente 2 die zur Ermittlung der Fahrsituation erforderlichen Daten in geeigneten Zeitabständen, vorzugsweise 0,5 bis 2 Sekunden, vom CAN-Bus 1 ab und bildet eine His-
torie v (t), v (t-1), v (t-2) etc. abgegriffener Daten. Die Daten der Datenhistorie werden den Perzeptronen der Eingangsschicht des dreischichtigen Sigmoid-Netzes 3 zugeführt, das nach einer Parametrisierung und eines Trainings des Systems die berechnete momentane Fahrsituation 4 ausgibt. Die ermittelten Fahrsituationen werden einer sogenannten Zustandsmaschine 5 zugeführt, die auf der Basis der nachfolgenden Vorschriften aus den ausgegebenen Fahrsituationen den aktuellen Fahrzustand berechnet und ausgibt. Die unterschiedlichen Fahrzustände sind beispielhaft mit A, B, C, und D in Figur 1 bezeichnet. Dies geschieht fortlaufend unter Verwendung der fortschreitenden Datenhistorie.
Das Sigmoid-Netz wird mittels des Backpropagations- bzw. Gradientenabstiegs- Verfahrens auf die als zweckmäßig erachteten Fahrsituationen trainiert. D.h. bestimmten (typischen) Eingangsdaten in das Sigmoid-Netz wird eine bestimmte Fahrsituation zugeordnet und die Gewichtungen im Sigmoid-Netz derart eingestellt, dass dasjenige Ausgangs-Perzeptron einen Maximalwert zeigt, das für eine bestimmte Fahrsituation steht, die der zugeordneten Fahrsituation entspricht.
Durch die Zustandsmaschine 5 wird einer Historie von Fahrsituationen ein Fahrzustand entsprechend der Tabelle in Figur 2 zugeordnet. Diese Zuordnung bzw. Ta- belle beruht auf Erfahrungswerten.
Die Schritte des Berechnungsverfahrens zur Ermittlung der Fahrsituation und des Fahrzustands wird nachfolgend anhand fiktiver Daten beispielhaft erläutert:
1. Abgreifen der relevanten Telegramme auf dem CAN-Bus in einem bestimmten Zeitintervall - z.B. alle 0,5 bis 2 Sekunden.
2. Aufbereitung der CAN-Daten zu einem Eingabevektor mit den folgenden Parametern: a Geschwindigkeit b Lenkwinkel wird über den Zeitraum des Fensters (t-1 , t) kontinuierlich gemessen und gemittelt c Quer-Beschleunigung wird über den Zeitraum des Fensters (t-1 , t) kontinuierlich gemessen und gemittelt
d Längs-Beschleunigung wird über den Zeitraum des Fensters (t-1 , t) kontinuierlich gemessen und gemittelt e Status Gang Anschließend werden alle Daten normalisiert, so dass sie einen Wert zwischen 0 und 1 besitzen.
3. Einspeisen der Eingabevektoren , und in das Sigmoid-Netz. Berechnung des aktuellen Fahrsituation aufgrund der aktuellen und letzten beiden Da- tensätze - also eine Beurteilung auf der Basis der Geschwindigkeit, des Lenkverhaltens und der Schaltung der letzten 6 Sekunden. Folgende Ausgaben der Ausgabeschicht des Sigmoid-Netzes werden verarbeitet: a. Perzeptron 0 ist Maximum: Fahrsituation = Stop & Go b. Perzeptron 1 ist Maximum: Fahrsituation = Stadtverkehr c. Perzeptron 2 ist Maximum: Fahrsituation = Cruise d. Perzeptron 3 ist Maximum: Fahrsituation = Sport e. Ist die Differenz zwischen erstem Maximum und zweitem Maximum < 0.2 oder Maximum ist <0.1 gilt die Fahrsituation als Undefiniert.
4. Die aktuelle Fahrsituation, die alle 2 Sekunden berechnet wird, bestimmt den Fahrzustand folgendermaßen: f. Befindet sich das System zum Zeitpunkt im Fahrzustand A, erkennt Fahrsituation B und es wurde zum Zeitpunkt Fahrsituation C erkannt, so gilt: i. C = Undefiniert, d.h. es bleibt beim noch aktuellen Fahrzustand ii. der der Fahrsituation B zugeordnete Wert ist größer oder gleich dem Wert der der Fahrsituation C zugeordnet ist: Ein Zählerstand Z wird um eins erhöht. Der Wert der betreffenden Fahrsituation sei festgelegt mit: „Stop & Go" = 0, „Stadtverkehr" = 1 , „Cruise" = 2, „Sport"= 3. g. Findet ein Fahrzustandswechsel statt, so wird der Zählerstand Z auf 0 gesetzt. Wird wiederholt die gleiche Fahrsituation erkannt, so verändert sich der ermittelte Fahrzustand. Dies geschieht durch eine Zustandsmaschine, die den Zählerstand in der Weise berücksichtigt, wie in der Tabelle der Figur 2 angegeben. D.h. beispielsweise:
wird der Fahrzustand „Sport" 4 mal hintereinander bzw. kontinuierlich über 8 Sekunden erkannt und ist der aktuelle Fahrzustand noch der Fahrzustand „Stop & Go", so gilt der Fahrzustand „ Sport" als aktuell gegeben - wird der Fahrzustand „Cruise" 8 mal hintereinander bzw. kontinuierlich über 18 Sekunden erkannt und ist der aktuelle Fahrzustand noch der Fahrzustand „Stadtverkehr", so gilt der Fahrzustand „Cruise" als aktuell gegeben.
Das Verfahren kann mit verschiedenen Parametern (Historie, CAN-Daten etc.) angewendet werden. Daher folgt hier noch einmal eine allgemeine Beschreibung des Verfahrens.
Das Verfahren hängt von der Menge der n Eingabeparameter, der Breite des Zeit- fensters „delta" und der Länge der Historie, in die zurückgeblickt wird, k * delta, ab. Das Verfahren gliedert sich grob in folgende Schritte:
1. Abgreifen, Diskretisierung und Aufbereitung der s Eingangs-Parameter: a. Abgreifen der Eingangsparameter zum Zeitpunkt t: b. Abgreifen der Eingangsparameter zum Zeitpunkt t+1 = t+delta: c. Bei manchen Signaltypen, die zwischen den Zeittakten t und t+1 schwanken, ist es von Nutzen die Werte zu mittein. Wird das Signal p im Zeitfenstern [t, t+1] n-mal auf dem Bus ausgegeben, so wird berechnet: d. Wiederholen von Schritt 2 k-mal, so dass ein Eingabevektor zur Zeit tO der folgenden Form entsteht: e. Normalisieren der Eingangsparameter, so dass alle Werte f. Eine eventuelle numerische Differenzierung nach t ausgewählter Signale erhöht die Erkennerleistung.
2. Berechnung des Eingabevektors mit Hilfe des dreischichtigen Sigmoid- Netzes Ein Eingabesignalvektor der definierten Form aus 1.d wird in diskreten Zeitabständen delta in das Sigmoid-Netz eingespeist. Hierbei werden die Daten durch den Eingabevektor durchgeschoben („Sliding Window").
a. Für die Berechnung wird ein dreischichtiges Sigmoid-Netz verwendet, das jeweils ein Eingabeperzeptron für jeden zeitlichen Eingangswert hat (also k*n Eingangsperzeptronen). b. Anstelle der numerischen Differenzierung aus Punkt 1.d kann auch ein zwei- ter Hidden layer im Netz verwendet werden. c. Die Anzahl der Ausgabeperzeptronen ist gleich der Anzahl der zu erkennenden Fahrsituationen.
3. Berechnung der Fahrsituation: a. Perzeptron k ist Maximum: Fahrsituation k gilt als gegeben b. Ist die Differenz zwischen erstem Maximum und zweitem Maximum < 0.2 oder Maximum ist <0.1 , so wird als erkannte Fahrsituation „Undefiniert" ausgegeben.
4. Auswertung und Zeitverzögerung durch Zustandsmaschine: Die aktuelle Fahrsituation, die periodisch bzgl. delta berechnet wird, hat nun folgenden Einfluss auf den ermittelten Fahrzustand, a. Befindet sich das System zum Zeitpunkt im Fahrzustand A, erkennt Fahrsituation B und es wurde zum Zeitpunkt Fahrsituation C erkannt, so gilt: i. C = undefined; es bleibt beim aktuellen Fahrzustand ii. Wert der Fahrsituation B größer oder gleich dem Wert der Fahrsituation C: Der Zählerstand Z wird um eins erhöht. Hierbei gilt eine zu definierende Ordnung der Fahrsituationen, d.h. den Fahrsituationen sind Werte, z.B. 0, 1 , 2, 3, und 4 zugeordnet. b. Wurde wiederholt die gleiche Fahrsituation erkannt, so verändert sich der Fahrzustand. Dies geschieht durch die Zustandsmaschine, indem der Zählerstand Z entsprechend berücksichtigt wird (vgl. oben). c. Erreicht Z den definierten Wert, so wechselt der Fahrzustand und Z wird auf Null gesetzt.
Das Verfahren beginnt erneut bei Schritt 1. Aus den vorstehenden Ausführungen wird deutlich, dass das erfindungsgemäße Verfahren bzw. System eine verlässliche Bestimmung der Fahrsituation und des Fahrzustandes ermöglicht. D.h. es wird die tatsächliche Fahrwei-
se als Eingabe herangezogen, nicht die Fahrtumgebung (z.B. „Autobahn") und die damit vermutete Fahrweise. Systeme, die auf Ortsbestimmung ba- sieren(„ wenn auf der Autobahn (via GPS bestimmt), dann gilt Fahrsituation als „Schnelles Fahren"), sind ungenauer, weil die tatsächliche Fahrweise durchaus anders sein kann. Durch das hier beschriebene Verfahren und System ist es möglich, die Fahrsituation, unabhängig von der Fahrumgebung zu bestimmen. Wenn der Fahrer z.B. auf der Landstrasse ein Fahrverhalten, wie auf der Autobahn, zeigt, wird auch die Fahrsituation Autobahn erkannt - unabhängig von den tatsächlichen Gegebenheiten.
Das erfindungsgemäße Verfahren bzw. System kann vorteilhafterweise - muss es aber nicht - auf Basis der ohnehin im Fahrzeug vorhandenen standardisierten CAN- Daten oder sonstigen Daten, die in jedem Fahrzeug, ohne dass es einer Sonderausstattung, wie ein Navigationssystem mit GPS, bedarf, in kostengünstiger Weise realisiert werden.
Das erfindungsgemäße Verfahren bzw. System ist leicht parametrisierbar und lässt sich somit flexibel an veränderte Rahmenbedingungen (z.B. neuer Fahrzeugtyp) anpassen. Ferner stellt es nur geringe Hardware-Anforderungen (CPU, Speicher- verbrauch) und benötigt keine zusätzliche Sensorik. Auch unter diesem Aspekt kann es daher dem Fahrer kostengünstig zur Verfügung gestellt werden kann.
Das erfindungsgemäße Verfahren bzw. System zur Fahrsituations- und/oder Fahr- zustandserkennung kann zur fahrsituations- und/oder fahrzustandsabhängigen A- daption jeglicher entsprechend adaptierbarer Fahrzeugfunktionen bzw. Fahrzeugsysteme verwendet werden. Beispiele hierfür sind: adaptive Getriebesteuerung adaptives Fahrwerk „Adaptive Cruise Control" - Anpassung des Maßstabs der Navigationskarte auf dem Display eines elektronischen Navigationssystems je nach erkannter Fahrsituation adaptive Lenkübersetzung beim „Active Front Steering" adaptive Leuchtweitenregulierung bzw. adaptive Leuchtkegelanpassung.
Eine weitere mögliche Anwendung ist der fahrsituations- und/oder fahrzustandsab- hängige Betrieb von Mensch-Maschine-Interfaces zur Entlastung des Fahrers, z.B. kann sich die Menge der an den Fahrer weitergeleiteten Informationen am aktuellen Fahrzustand orientieren. Selbstverständlich gibt es zahlreiche weitere Anwendun- gen unter Berücksichtung des aktuellen Fahrzustands.
Claims
1. Verfahren zur Ermittlung der Fahrsituation eines Kraftfahrzeugs unter Ver- wendung von in dem Kraftfahrzeug bereitgestellten Daten, insbesondere auf einem Datenbus des Kraftfahrzeugs, die den Wert mindestens einer Zustandsgröße (V,...) des Fahrzeugs angeben, dadurch gekennzeichnet, dass in einem ersten Schritt ein die Historie der mindestens einen Zustandsgröße angebender Datensatz (V (t3), V (t2), V (t1), V (tO), ...) bereit gestellt wird, in einem zweiten Schritt in dem Kraftfahrzeug ein neuronales Netz (3) durch einen entsprechend programmierten Rechner bereitgestellt wird, das neuronale Netz mindestens eine Eingangs-Schicht und eine Ausgangs-Schicht aufweist, wobei jede der Schichten eine Mehrzahl von Perzeptronen aufweist, in einem dritten Schritt der jeweilige Wert der mindestens einen Zustandsgröße (V, ...) des betreffenden Zeitpunkts, vorzugsweise ein normierter Wert, jeweils einem Perzeptron des neuronalen Netzes zugeführt wird, und von den Perzeptronen der Ausgangs-Schicht des neuronalen Netzes, nachdem es trainiert worden ist, die aktuelle Fahrsituation (4) ausgegeben wird.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das neuronale Netz ein Sigmoid-Netz (3) ist, das vorzugsweise drei Schichten aufweist.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der gegenwärtige Fahrzustand (A, B, C, D) ) des Fahrzeugs aus einer zeitlichen Abfolge ermittelter Fahrsituationen (4) festgestellt bzw. festgelegt wird.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass anstelle des früheren Fahrzustands erst dann ein neuer Fahrzustand festgelegt wird, wenn der neue Fahrzustand innerhalb eines zurückliegenden Zeitintervalls bereits mehrfach festgestellt bzw. festgelegt worden ist, wobei die Festlegung vor- zugsweise durch eine Zustandsmaschine (5) erfolgt.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass einer zeitlichen Abfolge von ermittelten Fahrsituationen (4) auf der Basis mindestens einer Zuordnungsvorschrift (5) ein aktueller Fahrzustand (A, B, C, D) zugeordnet wird.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass jedem Perzeptron der Ausgangs-Schicht bzw. dessen Ausgangssignal eine andere Fahrsituation zugeordnet ist und das maximale Ausgangssignal aller Ausgangssignale der Perzeptronen der Ausgangs-Schicht die aktuelle Fahrsituation des Kraftfahrzeugs angibt, wobei die Ausgangssignale der Perzeptronen vorzugsweise normiert sind.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das Ausgangs- Signal, vorzugsweise das Signal-Maximum, des ersten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stop & Go" und/oder das Ausgangssignal, vorzugsweise das Signal-Maximum, des zweiten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stadtverkehr" und/oder das Ausgangssignal, vorzugsweise das Signal-Maximum, des dritten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Cruise" und/oder das Ausgangssignal, vorzugsweise das Signal-Maximum, des vierten Perzeptrons der Ausgangs- Schicht des neuronalen Netzes die Fahrsituation „Sport" angibt.
8. Verfahren nach einem der Ansprüche 6 oder 7, dadurch gekennzeichnet, dass die Fahrsituation (4) als unbestimmt gilt, wenn die Differenz zwischen dem Wert des maximalen Ausgangsignals aller Perzeptronen der Ausgangs- Schicht und dem Wert des nächst kleineren Ausgangssignals des betreffenden Perzeptrons kleiner als 20 % und/oder der Wert des größten Ausgangs- Signals aller Perzeptronen der Ausgangs-Schicht kleiner als 10% seines Maximalwertes ist.
9. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeich- net, dass mindestens eine Vorrichtung des Fahrzeugs an die ermittelte Fahrsituation und/oder an den ermittelten Fahrzustand angepasst bzw. adaptiert wird und/oder dass sich der Umfang bzw. das Ausmaß der an den Fahrer des Kraftfahrzeugs weitergebenen Informationen am ermittelten Fahrzustand (A, B, C, D) orientiert.
10. System zur Ermittlung der Fahrsituation eines Kraftfahrzeugs unter Verwendung von in dem Kraftfahrzeug bereitgestellten Daten, insbesondere auf einem Datenbus des Kraftfahrzeugs, die den Wert (V) mindestens einer Zustandsgröße des Fahrzeugs angeben, dadurch gekennzeichnet, dass die System ein Verfahren nach einem der vorstehenden Verfahrens-Ansprüche ausführt.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10354322.8A DE10354322B4 (de) | 2003-11-20 | 2003-11-20 | Verfahren und System zur Ermittlung der Fahrsituation |
PCT/EP2004/010704 WO2005052883A1 (de) | 2003-11-20 | 2004-09-22 | Verfahren und system zur ermittlung der fahrsituation |
Publications (1)
Publication Number | Publication Date |
---|---|
EP1685546A1 true EP1685546A1 (de) | 2006-08-02 |
Family
ID=34609167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
EP04765557A Withdrawn EP1685546A1 (de) | 2003-11-20 | 2004-09-22 | Verfahren und system zur ermittlung der fahrsituation |
Country Status (4)
Country | Link |
---|---|
US (1) | US7386389B2 (de) |
EP (1) | EP1685546A1 (de) |
DE (1) | DE10354322B4 (de) |
WO (1) | WO2005052883A1 (de) |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11267338B2 (en) | 2005-11-17 | 2022-03-08 | Invently Automotive Inc. | Electric vehicle power management system |
US11267339B2 (en) | 2005-11-17 | 2022-03-08 | Invently Automotive Inc. | Vehicle power management system |
US11345236B2 (en) | 2005-11-17 | 2022-05-31 | Invently Automotive Inc. | Electric vehicle power management system |
US10882399B2 (en) | 2005-11-17 | 2021-01-05 | Invently Automotive Inc. | Electric vehicle power management system |
US11180025B2 (en) | 2005-11-17 | 2021-11-23 | Invently Automotive Inc. | Electric vehicle power management system |
US11279233B2 (en) | 2005-11-17 | 2022-03-22 | Invently Automotive Inc. | Electric vehicle power management system |
US11186173B2 (en) | 2005-11-17 | 2021-11-30 | Invently Automotive Inc. | Electric vehicle power management system |
US11230190B2 (en) | 2005-11-17 | 2022-01-25 | Invently Automotive Inc. | Electric vehicle power management system |
US11186174B2 (en) | 2005-11-17 | 2021-11-30 | Invently Automotive Inc. | Vehicle power management system |
US11370302B2 (en) | 2005-11-17 | 2022-06-28 | Invently Automotive Inc. | Electric vehicle power management system |
US11325468B2 (en) | 2005-11-17 | 2022-05-10 | Invently Automotive Inc. | Vehicle power management system |
US11186175B2 (en) | 2005-11-17 | 2021-11-30 | Invently Automotive Inc. | Vehicle power management system |
US11351863B2 (en) | 2005-11-17 | 2022-06-07 | Invently Automotive Inc. | Vehicle power management system |
US11247564B2 (en) | 2005-11-17 | 2022-02-15 | Invently Automotive Inc. | Electric vehicle power management system |
US11084377B2 (en) | 2005-11-17 | 2021-08-10 | Invently Automotive Inc. | Vehicle power management system responsive to voice commands from a Gps enabled device |
US11207981B2 (en) | 2005-11-17 | 2021-12-28 | Invently Automotive Inc. | Vehicle power management system |
US11254211B2 (en) | 2005-11-17 | 2022-02-22 | Invently Automotive Inc. | Electric vehicle power management system |
US11220179B2 (en) | 2005-11-17 | 2022-01-11 | Invently Automotive Inc. | Vehicle power management system determining route segment length |
US11225144B2 (en) | 2005-11-17 | 2022-01-18 | Invently Automotive Inc. | Vehicle power management system |
US11214144B2 (en) | 2005-11-17 | 2022-01-04 | Invently Automotive Inc. | Electric vehicle power management system |
US11390165B2 (en) | 2005-11-17 | 2022-07-19 | Invently Automotive Inc. | Electric vehicle power management system |
US11207980B2 (en) | 2005-11-17 | 2021-12-28 | Invently Automotive Inc. | Vehicle power management system responsive to traffic conditions |
US11285810B2 (en) | 2005-11-17 | 2022-03-29 | Invently Automotive Inc. | Vehicle power management system |
US8712650B2 (en) | 2005-11-17 | 2014-04-29 | Invent.Ly, Llc | Power management systems and designs |
US11279234B2 (en) | 2005-11-17 | 2022-03-22 | Invently Automotive Inc. | Vehicle power management system |
WO2007107364A1 (de) * | 2006-03-22 | 2007-09-27 | Gm Global Technology Operations, Inc. | Verfahren zur ermittlung eines kraftfahrzeug- zustands- indexwertes zur steuerung eines kfz-chassis |
CN101405178A (zh) * | 2006-03-22 | 2009-04-08 | Gm全球科技运作股份有限公司 | 特定驾驶者的车辆子***控制方法和设备 |
JP4311451B2 (ja) * | 2007-01-16 | 2009-08-12 | トヨタ自動車株式会社 | 車両およびその制御方法 |
DE102007002562A1 (de) * | 2007-01-17 | 2008-07-24 | Audi Ag | Verfahren und Vorrichtung zur dynamischen Klassifikation von Objekten und/oder Verkehrssituationen |
JP5024134B2 (ja) | 2008-03-14 | 2012-09-12 | アイシン・エィ・ダブリュ株式会社 | 走行情報作成装置、走行情報作成方法及びプログラム |
GB2470192A (en) * | 2009-05-12 | 2010-11-17 | Gm Global Tech Operations Inc | Controlling an active vehicle subsystem |
EP2649419B1 (de) * | 2010-12-07 | 2020-05-20 | Vnomics Corp. | System zur messung und verringerung von fahrzeugabgasen |
CN102556083A (zh) * | 2011-12-16 | 2012-07-11 | 北京交通大学 | 一种混合动力调车机车工作状态的识别方法和*** |
CN102582637A (zh) * | 2011-12-20 | 2012-07-18 | 北京交通大学 | 混合动力调车的运行工况智能识别评价*** |
US9116233B2 (en) * | 2012-07-10 | 2015-08-25 | Broadcom Corporation | Power mode control for sensors |
WO2015187679A1 (en) | 2014-06-02 | 2015-12-10 | Vnomics Corp | Systems and methods for measuring and reducing vehicle fuel waste |
DE102014114446A1 (de) | 2014-10-06 | 2016-04-07 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Ereigniserkennung beim Betrieb einer Maschine |
DE102015203233A1 (de) * | 2015-02-24 | 2016-08-25 | Bayerische Motoren Werke Aktiengesellschaft | Server, System und Verfahren zur Bestimmung einer Position eines Stauendes |
DE102015211985A1 (de) | 2015-06-26 | 2016-12-29 | Init Innovative Informatikanwendungen In Transport-, Verkehrs- Und Leitsystemen Gmbh | Verfahren und Vorrichtung zur Bewertung und/oder Beeinflussung des Fahrverhaltens eines Fahrzeugführers |
DE102016000493B4 (de) * | 2016-01-19 | 2017-10-19 | Audi Ag | Verfahren zum Betrieb eines Fahrzeugsystems und Kraftfahrzeug |
US10796204B2 (en) | 2017-02-27 | 2020-10-06 | Huawei Technologies Co., Ltd. | Planning system and method for controlling operation of an autonomous vehicle to navigate a planned path |
US10395144B2 (en) * | 2017-07-24 | 2019-08-27 | GM Global Technology Operations LLC | Deeply integrated fusion architecture for automated driving systems |
DE102018200283A1 (de) * | 2018-01-10 | 2019-07-11 | Zf Friedrichshafen Ag | Verfahren und Steuergerät zum Betreiben eines Getriebes |
US10737717B2 (en) * | 2018-02-14 | 2020-08-11 | GM Global Technology Operations LLC | Trajectory tracking for vehicle lateral control using neural network |
JP6593560B1 (ja) | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
DE102019203205A1 (de) * | 2019-03-08 | 2020-09-10 | Audi Ag | Verfahren zum Auswerten von Fahrzeugdaten sowie Fahrzeugdatenauswertesystem zum Durchführen eines derartigen Verfahrens |
US11182652B2 (en) | 2019-08-16 | 2021-11-23 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and system for inferring perception based on augmented feature maps of a perception network |
DE102022200553A1 (de) | 2022-01-18 | 2023-07-20 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Erkennen eines Geradeauslaufs eines Fahrzeugs |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2974440B2 (ja) | 1991-03-22 | 1999-11-10 | 株式会社日立製作所 | 自動車総合制御装置 |
JP3169635B2 (ja) | 1991-07-03 | 2001-05-28 | 本田技研工業株式会社 | ニューラルネットワーク及びその学習方法 |
US5991675A (en) * | 1993-06-02 | 1999-11-23 | Honda Giken Kogyo Kabushiki Kaisha | Vehicle control system based on estimation of the driving skill of a vehicle operator |
US5751915A (en) * | 1993-07-13 | 1998-05-12 | Werbos; Paul J. | Elastic fuzzy logic system |
JP3079881B2 (ja) * | 1993-08-10 | 2000-08-21 | 三菱自動車工業株式会社 | 道路交通状況推定方法および車両運転特性制御方法 |
DE4425957C1 (de) | 1994-07-21 | 1996-03-14 | Daimler Benz Ag | Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges |
DE19523111A1 (de) | 1995-06-26 | 1997-01-02 | Daimler Benz Ag | Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug |
DE19527323A1 (de) * | 1995-07-26 | 1997-01-30 | Siemens Ag | Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug |
JPH09301011A (ja) * | 1996-05-20 | 1997-11-25 | Honda Motor Co Ltd | 車両用運転状況監視装置 |
DE19818239A1 (de) | 1998-04-23 | 1999-10-28 | Volkswagen Ag | Vorrichtung zur Einschlafwarnung eines Kraftfahrzeugführers |
US6882992B1 (en) * | 1999-09-02 | 2005-04-19 | Paul J. Werbos | Neural networks for intelligent control |
DE10010681A1 (de) | 2000-03-04 | 2001-09-06 | Heinz J Theuerkauf | Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte |
US6879969B2 (en) | 2001-01-21 | 2005-04-12 | Volvo Technological Development Corporation | System and method for real-time recognition of driving patterns |
JP2002251597A (ja) * | 2001-02-23 | 2002-09-06 | Yamaha Motor Co Ltd | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム |
-
2003
- 2003-11-20 DE DE10354322.8A patent/DE10354322B4/de not_active Expired - Lifetime
-
2004
- 2004-09-22 WO PCT/EP2004/010704 patent/WO2005052883A1/de not_active Application Discontinuation
- 2004-09-22 EP EP04765557A patent/EP1685546A1/de not_active Withdrawn
-
2006
- 2006-05-22 US US11/437,807 patent/US7386389B2/en active Active
Non-Patent Citations (1)
Title |
---|
See references of WO2005052883A1 * |
Also Published As
Publication number | Publication date |
---|---|
US20060271269A1 (en) | 2006-11-30 |
DE10354322B4 (de) | 2022-06-09 |
WO2005052883A1 (de) | 2005-06-09 |
DE10354322A1 (de) | 2005-06-23 |
US7386389B2 (en) | 2008-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10354322B4 (de) | Verfahren und System zur Ermittlung der Fahrsituation | |
EP3365741B1 (de) | Verfahren zur vollautomatischen führung eines fahrzeugsystems und kraftfahrzeug | |
DE102017208159B4 (de) | Verfahren zum Betreiben einer Fahrerassistenzvorrichtung eines Kraftfahrzeugs, Fahrerassistenzvorrichtung und Kraftfahrzeug | |
EP0870132B1 (de) | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug | |
EP0813987B1 (de) | Verfahren zur Abstandsregelung für ein Kraftfahrzeug | |
WO2017167790A1 (de) | Verfahren zum erzeugen von steuerdaten für ein regelbasiertes unterstützen eines fahrers | |
WO2017167801A1 (de) | Fahrerassistenzsystem zum unterstützen eines fahrers beim führen eines fahrzeugs | |
DE102014205391A1 (de) | Vorrichtung zur Vorhersage von Fahrzustandsübergängen | |
DE102019209736A1 (de) | Verfahren zur Bewertung möglicher Trajektorien | |
WO2019154615A1 (de) | Verfahren zum auswählen eines fahrprofils eines kraftwagens, fahrassistenzsystem und kraftwagen | |
DE102016121768A1 (de) | Verfahren und vorrichtung zur unterscheidung von fahrern basierend auf dem fahrverhalten | |
WO2005025918A1 (de) | Verfahren und vorrichtung zur fahrerunterstützung | |
DE102020124633A1 (de) | Kontextsensitive anpassung einer geländeblickzeit | |
WO2020212061A1 (de) | Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug | |
DE102019105739A1 (de) | Verfahren zum zumindest teilautomatisierten Führen eines Kraftfahrzeugs | |
WO2021058205A1 (de) | Verfahren zum betreiben eines fahrzeuges | |
EP3395634A1 (de) | Verfahren zum erzeugen eines fahrverhaltens bei autonomen fahrzeugen | |
DE102016203522B4 (de) | Verfahren und Vorrichtung zum Vorhersagen von Trajektorien eines Kraftfahrzeugs | |
EP1603766B1 (de) | Fahrzeugführungssystem | |
DE102017217986A1 (de) | Verfahren und vorrichtung zum vorhersagen potenzieller kollisionen, fahrerassistenzsystem und fahrzeug | |
WO2019211293A1 (de) | Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug | |
DE102017119317A1 (de) | Klassifizierung von Umgebungs-Fahrzeugen für eine Abstandsregeltempomat-Vorrichtung in einem Kraftfahrzeug | |
DE102020206131A1 (de) | Vorrichtung und Verfahren zum Steuern eines Kraftfahrzeugs | |
DE102016201387A1 (de) | Adaptierung einer Assistenzfunktion eines Fahrerassistenzsystems | |
DE102022104931A1 (de) | Verfahren zum betreiben eines notbremsassistenten eines automatisierten kraftfahrzeugs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
17P | Request for examination filed |
Effective date: 20060426 |
|
AK | Designated contracting states |
Kind code of ref document: A1 Designated state(s): DE FR GB |
|
DAX | Request for extension of the european patent (deleted) | ||
RBV | Designated contracting states (corrected) |
Designated state(s): DE FR GB |
|
17Q | First examination report despatched |
Effective date: 20070326 |
|
STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN |
|
18D | Application deemed to be withdrawn |
Effective date: 20080108 |