EP3811351A1 - Anpassung der trajektorie eines ego-fahrzeugs an bewegte fremdobjekte - Google Patents

Anpassung der trajektorie eines ego-fahrzeugs an bewegte fremdobjekte

Info

Publication number
EP3811351A1
EP3811351A1 EP19727327.9A EP19727327A EP3811351A1 EP 3811351 A1 EP3811351 A1 EP 3811351A1 EP 19727327 A EP19727327 A EP 19727327A EP 3811351 A1 EP3811351 A1 EP 3811351A1
Authority
EP
European Patent Office
Prior art keywords
ego vehicle
foreign objects
movement
determined
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.)
Pending
Application number
EP19727327.9A
Other languages
English (en)
French (fr)
Inventor
Seyed Jalal ETESAMI
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP3811351A1 publication Critical patent/EP3811351A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/20—Data confidence level
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to trajectory planning for the at least partially automated method, in particular in mixed traffic with human-controlled foreign objects.
  • Vehicles that are at least partially automated in traffic will not suddenly replace human-controlled vehicles and will not be isolated from human-controlled traffic on separate routes. Rather, these vehicles will have to move safely in mixed traffic with human-controlled foreign objects, whereby these foreign objects also include pedestrians as weaker road users. In the case of human-controlled foreign objects, there is always an uncertainty as to which movement action these foreign objects will carry out next.
  • a control system for at least partially automated driving is therefore dependent on at least partially tapping the future behavior of foreign objects by observing the previous behavior.
  • WO 2017/197 170 A1 discloses a control unit for a moving autonomous unit, which can be a robot or a vehicle.
  • the control unit first determines a basic trajectory with which the primary goal of the autonomous unit, such as a destination, is tracked.
  • the basic trajectory is then modified by a security module such that a collision with people or other human-controlled units is avoided.
  • the ego vehicle is the vehicle whose trajectory is to be acted on in order to avoid a collision with the foreign objects.
  • the foreign objects can in particular be people or vehicles controlled by people, such as conventional motor vehicles or bicycles. However, foreign objects that cannot be controlled or can only be controlled to a limited extent are also considered, such as a vehicle that rolls away after being parked on a slope or a trailer that has torn itself away from its towing vehicle.
  • the foreign objects are initially identified.
  • a time series of physical observations of the environment can be used for this, such as a sequence of camera images or a sequence of
  • V2V vehicle-to-vehicle
  • V 21 vehicle-to-infra structure
  • identifying means at least recording which foreign objects in the environment of the ego vehicle can be moved independently of one another.
  • Movement is in progress. How this investigation is carried out in detail depends on the information available. For example, it can be extrapolated from the time course of the trajectory that certain short-range targets are more likely than others. The more additional information is used, the more accurate the prediction of the near target becomes. If, for example, it is recognized that a vehicle has set a turn signal as a foreign object, then a turning process is very likely planned. A vehicle as a foreign object can also, for example, announce its current short-range or long-range destination directly via V2V communication.
  • the basic rules according to which the movement of the foreign objects takes place can in particular include the rules of the road traffic regulations and also depend on the type of the foreign objects. For example
  • Vehicles use the lane and the right of two lanes.
  • Pedestrians are, for example, required to walk on sidewalks and, when crossing paths such as traffic lights or crosswalks, for crossing the
  • the basic rules can in particular include the rules of the road traffic regulations and need not be the same in all situations. For example, the permissible maximum speed is limited separately when the vehicle is pulling a trailer or driving with snow chains.
  • the determination of the basic rules can also include, for example, an analysis of the configuration of the ego vehicle.
  • a quality function R I-4 is set up both for the ego vehicle and for the foreign objects, which assigns a measure for an overall situation x formed from the current states of the ego vehicle and the foreign objects and a possible next movement action ai- 4 , how good the action ai- 4 is in the current overall situation x for the road user under consideration.
  • the quality function R I-4 can in particular, for example include a measure of the extent to which the movement action ai- 4 works in situation x to achieve the respective short-term goal and to comply with the rules.
  • the numerical indices ranging from 1 to 4 are not to be understood as restrictive with regard to the number of treatable foreign objects, but are merely illustrative in order to be able to explain the method using an example. In general, one can also speak of quality functions R, and next movement actions a.
  • states generally encompasses the quantities with which the contribution of the ego vehicle or the foreign objects to the traffic situation can be characterized.
  • the states can in particular be positions or time derivatives thereof, that is to say speeds and
  • a quality measure QI 4 is respectively positioned the x of the overall situation and the possible next move action ai 4 in addition to the value Ri 4 (x, ai 4) and the expected value E ( P (x ')) of a distribution of the probabilities P (x') of
  • the quality measure QI- 4 can be a weighted sum of the value Ri- 4 (x, ai- 4 ) of the quality function and the expected value E (P (x ')).
  • Those optimal movement strategies pi- 4 of the ego vehicle and the foreign objects that maximize the quality measures QI- 4 are determined .
  • the sought trajectories of the ego vehicle and the foreign objects are determined from the optimal movement strategies pi- 4 .
  • the concept of the movement strategy generally encompasses any function pi- 4 which assigns a numerical value ni- 4 (x, ai- 4 ) to an overall situation x and a next movement action ai- 4 .
  • the term is therefore generalized compared to the usual use of language, in which it is associated with deterministic rules.
  • a deterministic rule can, for example, specify that if a certain overall situation x is present, exactly one next Movement action ai- 4 is to be carried out by the ego vehicle or is carried out by the foreign objects.
  • the behavior of the foreign objects in particular does not always follow deterministic rules. If the foreign object is controlled by a human, for example, the control is intelligent, but does not necessarily lead to the movement action that is optimal for the pursuit of the respective near target. This applies even if a human driver basically chooses the correct driving maneuver. For example, turning left from a road on which no route is explicitly marked can scatter around the ideal driving line. The vehicle will also come to a stop at the stop line every time there are a large number of braking in front of a red traffic light, but the time course of the speed may vary. For example, the driver can step on the brake pedal harder and weaker at the beginning and later unconsciously readjust the brake pressure in order to come to a stop at the right place at the end. A deeper reason for this is that the
  • Driving task as a whole is too complex to be carried out fully consciously.
  • a learning driver In order to be able to manage multitasking at the required speed, a learning driver must first “automate” certain processes in the subconscious.
  • the deceleration of the ego vehicle can vary, for example, depending on the condition of the road and the temperature and water content of the brake fluid.
  • Movement strategies pi- 4 of all road users can also be probabilistic, the reaction of the ego vehicle to the overall situation x can thus be refined so that it is more likely to actually be traffic-friendly and in particular to avoid collisions.
  • the predictive driving that every human driver has to learn in the driving school is technically simulated so that a system for at least partially automated driving can cope with the driving task at least as well as a human driver.
  • quality measures Q 1-4 are chosen whose optima with respect to the movement strategies pi- 4 are given by the Bellman optimum. In a way, this is a combination of recursive definition and mutual coupling of the quality measures Q I-4 .
  • V * (x ') softmax Q * (x', a ').
  • E runs through the probabilistic state transitions and the strategies of the other road users whose index is different from i. It is given by
  • the optimal movement strategies pi- 4 are determined on the condition that they are independent of one another with the same history H 1 :
  • Equations (1) to (3) form a set of M coupled equations, where M is the number of road users considered.
  • the equations can be summarized as
  • Equation (4) has exactly one optimal solution Q *, which is available with the following algorithm:
  • the quality function Q of the i-th road user has the form in the fully optimized state at the time step te [t, t + T]
  • a feature function F I-4 is set up for the ego vehicle as well as for the foreign objects such that the application of F I-4 to a set of qi- 4 still free parameters is a quality function R I -4 supplies, said quality function R x I-4 an overall situation formed from the current states of the ego vehicle and the foreign objects and a possible next move action ai 4 assigns a measure of how well the action ai 4 in the current
  • the quality function R I-4 can in particular include, for example, a measure of the extent to which the movement action ai- 4 in situation x works towards the achievement of the respective short-term goal and compliance with the rules.
  • the feature function F I-4 can, for example, embody properties and destinations of the respective road user, such as the destination to which a pedestrian is moving, or his walking speed. At a In addition to the destination, the vehicle can, for example, include the requirement that the journey should be safe, smooth and comfortable in the feature function F I-4 .
  • the feature function F 1-4 can therefore in particular be composed, for example, of several parts which relate to different goals, wherein these goals can also be opposite.
  • the set qi- 4 of parameters can then embody, for example, the weights with which different goals and requirements are contained in the final quality function R I-4 .
  • the set qi- 4 of parameters can in particular be present, for example, as a vector of parameters and contain, for example, coefficients with which a linear combination of different targets contained in the feature function F I-4 enters the quality function R I-4 .
  • the movement strategies pi- 4 of the ego vehicle and the foreign objects are determined as those strategies which lead to a maximum causal entropy H (ai- 4
  • the trajectories sought are determined from the movement strategies pi- 4 .
  • the final result obtained has the same advantages as the result obtained according to the previously described method.
  • the advantage of this method in particular is that even less information about the respective road users is required for the determination of the parameter set qi- 4 than for the direct determination of the quality function R I-4 . Any additional information, regardless of the source, can be considered on the other side in the parameter set qi- 4 .
  • the free parameters qi 4 are pi- in the optimization in response to movement strategies 4 determined.
  • x) with respect to the movement strategies pi- 4 is advantageously determined under the boundary condition that both the ego vehicle and the foreign objects have the expected value of the respective feature function F I-4 over all possible overall situations x and all possible next movement actions ai- 4 are equal to the mean value of the feature functions F1-4 observed empirically in the previous trajectories. This mean can be empirical, especially across all
  • Motion strategies pi- 4 with the same history H l are independent of one another and that they are each statistically distributed around a strategy that maximizes the respective quality function RI- 4 can be used using
  • Wi T (H T , ai (x)) plays the role of the quality measure Q , and the
  • Quality functions R are composed of the characteristic functions F as a linear combination.
  • an “inverse reinforcement learning” can therefore be carried out from the perspective of the ego vehicle, ie, if the quality function Ri of the ego vehicle is known, only by observing the others
  • Algorithm 3 MMCE-IRL for the ego vehicle
  • the basic rules of motion may depend on the type of object.
  • the classification can be made on the basis of the physical observations and / or on the basis of the information received via the wireless interface.
  • the determination of the trajectory of the ego vehicle which is adapted to the presence of moving foreign objects, is not an end in itself, but aims to improve the suitability of at least partially automated vehicles, especially for mixed traffic with human-controlled foreign objects.
  • the invention therefore relates also to a method for controlling an ego vehicle in a
  • the trajectory of the ego vehicle which is adapted to the behavior of the foreign objects, is determined using one of the methods described above.
  • the adapted trajectory is transmitted to a movement planner of the ego vehicle.
  • a control program for a drive system, a steering system and / or a brake system of the ego vehicle is determined by the motion planner, the control program being designed to bring the actual behavior of the vehicle within the system limits as well as possible into agreement with the determined trajectory.
  • the drive system, steering system and / or braking system is controlled in accordance with the control program.
  • the method can be implemented in any existing control device of the ego vehicle, since, thanks to the internal networking via CAN bus, access to those recorded with a sensor system or obtained via the wireless interface is typically possible from anywhere in the vehicle
  • the motion planner can also be controlled from anywhere in the vehicle via the CAN bus.
  • the method can be implemented, for example, in the form of software that can be sold as an update or upgrade for such a control device and, in this respect, represents a separate product. Therefore, the invention also relates to a computer program with machine-readable
  • Control device to be executed, cause the computer and / or the control device to carry out a method provided by the invention.
  • the invention also relates to a machine-readable
  • FIG. 2 embodiment of the method 200
  • FIG. 3 embodiment of the method 300
  • Figure 4 Exemplary traffic scene with ego vehicle 1 and three
  • FIG. 1 shows an exemplary embodiment of the method 100.
  • step 110 a time series 11a-11c of physical observations of the surroundings 11 of the ego vehicle 1 (not shown in FIG. 1) is processed together with information 12a that was received via the wireless interface 12.
  • This information 12a comes from the foreign objects 2-4 in the vehicle environment 11 itself, and / or from an infrastructure 5.
  • step 110 the foreign objects 2-4 are identified, i.e. it is found that there are three foreign objects 2-4 that move in different ways.
  • Foreign objects 2-4 are classified in step 115 according to types 2d-4d.
  • step 120 the short-range targets 2b-4b aimed at by the foreign objects 2-4 are predicted, and the basic rules 2c-4c are determined according to which the movement of the foreign objects 2-4 takes place. Analogously to this, it is determined in step 130 to which short-range target 1b the movement of the ego vehicle 1 leads and according to which basic rules 1c this movement takes place.
  • step 140 the respective quality function R I-4 is set up for the ego vehicle 1 and for the foreign objects 2-4 on the basis of the available information, with the respective type 2d-4d according to the optional substep 141 of the foreign object 2-4 can be used if this was determined in the optional step 115.
  • step 150 the quality functions R I-4 are expanded to quality measures Q I-4 , which also include the expected value E (P (x ')) of a distribution of the
  • Quality steps Q I-4 are selected in accordance with substep 151, the optima of which for the movement strategies pi- 4 are given by the Bellman optimum.
  • sub-step 152 a Boltzmann-Gibbs distribution is selected as the distribution of the probabilities P (x ') of changes in state x'.
  • step 160 those movement strategies pi- 4 of the ego vehicle and of the foreign objects 2-4 are determined which maximize the quality measures Q I-4 .
  • step 170 the sought trajectories 2a-4a become
  • FIG. 2 shows an exemplary embodiment of method 200. Steps 210, 215, 220 and 230 are identical to steps 110, 115, 120 and 130 of the
  • step 240 of the method 200 in contrast to step 140 of the method 100, a complete quality function R I-4 is not determined, but instead
  • Feature functions F I-4 which are parameterized with a set of qi- 4 still free parameters and only form the complete quality function R I-4 in connection with these parameters qi- 4 . If the types 2d-4d of the foreign objects 2-4 were determined in step 215, these can be used in the optional sub-step 241 to select the respective feature function F 2-4 .
  • step 250 the movement strategies pi- 4 of the ego vehicle and the foreign objects are determined as those strategies that maximize the maximum causal entropy.
  • the parameters qi- 4 of the feature functions F I-4 are also determined.
  • sub-step 251 a Boundary condition specified that a recursive determination of the
  • Movement strategies pi- 4 enables.
  • step 260 analogously to step 170 of the method 100, the sought trajectories 2a-4a of the foreign objects 2-4 and the target trajectory la of the ego vehicle 1 adapted to them are determined from the movement strategies pi- 4 .
  • FIG. 3 shows an exemplary embodiment of the method 300.
  • the target trajectory 1 a for the ego vehicle 1 which is adapted to the behavior of the foreign objects 2-4 in the environment 11 of the ego vehicle 1, is determined using the method 100 or 200.
  • This adapted trajectory la is transmitted to the movement planner 13 of the ego vehicle 1 in step 320.
  • a control program 13a for a drive system 24, a steering system 15 and / or a brake system 16 of the ego vehicle 1 is determined by the movement planner 13.
  • trajectory generally refers to a path in combined space and time coordinates. This means that a trajectory is not just a change in the
  • Direction of movement can be changed, but also by changing the speed, such as braking, waiting and starting again later.
  • step 340 the drive system 14, the steering system 15, or the
  • FIG. 4 shows a complex traffic scene in which the described methods 100, 200, 300 can be used advantageously.
  • the described methods 100, 200, 300 can be used advantageously.
  • the lane of a road 50 drives the ego vehicle 1 straight in the direction of the near destination lb.
  • the first foreign object 2 is a further vehicle, the blinker 2e of which indicates that its driver intends to turn into the side street 51 leading to the near target 2b of the vehicle 2.
  • the second foreign object 3 is another vehicle which, from the perspective of the ego vehicle 1, is traveling straight ahead on the opposite lane of the road 50 in the direction of its near destination 3b.
  • the third foreign object 4 is a pedestrian who is a short-range target 4b from his point of view
  • the pedestrian 4 must use the crossing 52 over the road 50, which at the same time causes the driver of the vehicle 3 to
  • Vehicle 2 that will do the best for him would accelerate ego vehicle 1. However, if the driver of vehicle 2 misjudges the situation in that he first has to let vehicle 3 pass in oncoming traffic (which would also be correct without pedestrian 4 on crossing 52), the ego vehicle drives onto the vehicle from behind 2 on.
  • oncoming traffic which would also be correct without pedestrian 4 on crossing 52
  • the speed for the onward journey can be limited to such an extent that in the event that the vehicle 2 actually stops, a collision can still be prevented with full braking.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

Verfahren (100, 200) zur Vorhersage der Trajektorien (2a-4a) von Fremdobjekten (2-4) im Umfeld (11) eines Ego- Fahrzeugs (1), sowie zur Bestimmung einer daran angepassten eigenen künftigen Trajektorie (la) für das Ego- Fahrzeug (1), mit den Schritten: • die Fremdobjekte (2-4) werden identifiziert (110); • es wird ermittelt (120), auf welches Nahziel (2b-4b) die Bewegung eines jeden der Fremdobjekte (2-4) hinführt und nach welchen grundlegenden Regeln (2c-4c) diese Bewegung abläuft; • es wird ermittelt (130), auf welches Nahziel (lb) die Bewegung des Ego-Fahrzeugs (1) hinführt und nach welchen grundlegenden Regeln (lc) diese Bewegung abläuft; • für das Ego- Fahrzeug (1) sowie für die Fremdobjekte (2-4) wird jeweils eine Gütefunktion RI-4 aufgestellt (140); • für das Ego- Fahrzeug (1) sowie für die Fremdobjekte (2-4) wird jeweils ein Gütemaß Q1-4 aufgestellt (150); • es werden diejenigen optimalen Bewegungsstrategien π1 -4 des Ego-Fahrzeugs und der Fremdobjekte (2-4) ermittelt (160), die die Gütemaße Q1-4 maximieren; • aus den optimalen Bewegungsstrategien πι-4 werden die gesuchten Trajektorien (la-4a) ermittelt (170). Verfahren (300) zur Steuerung des Ego- Fahrzeugs 1. Zugehöriges Computerprogramm.

Description

Beschreibung
Titel:
Anpassung der Trajektorie eines Ego- Fahrzeugs an bewegte Fremdobjekte
Die vorliegende Erfindung betrifft die Trajektorienplanung für das zumindest teilweise automatisierte Verfahren insbesondere im Mischverkehr mit menschlich gesteuerten Fremdobjekten.
Stand der Technik
Fahrzeuge, die sich zumindest teilweise automatisiert im Straßenverkehr bewegen, werden nicht schlagartig die von Menschen gesteuerten Fahrzeuge verdrängen und auch nicht auf separaten Trassen vom menschlich gesteuerten Verkehr isoliert sein. Vielmehr werden sich diese Fahrzeuge im Mischverkehr mit menschlich gesteuerten Fremdobjekten sicher bewegen müssen, wobei diese Fremdobjekte auch etwa Fußgänger als schwächere Verkehrsteilnehmer umfassen. Bei menschlich gesteuerten Fremdobjekten besteht immer eine Unsicherheit dahingehend, welche Bewegungsaktion diese Fremdobjekte als nächstes durchführen. Ein Steuerungssystem für das zumindest teilweise automatisierte Fahren ist also darauf angewiesen, sich das künftige Verhalten von Fremdobjekten zumindest teilweise aus der Beobachtung des bisherigen Verhaltens zu erschließen.
Die WO 2017/197 170 Al offenbart eine Steuereinheit für eine bewegte autonome Einheit, die ein Roboter oder auch ein Fahrzeug sein kann. Die Steuereinheit bestimmt zunächst eine Grundtrajektorie, mit der das primäre Ziel der autonomen Einheit, wie etwa ein Fahrtziel, verfolgt wird. Anschließend wird die Grundtrajektorie durch ein Sicherheitsmodul dahingehend abgewandelt, dass eine Kollision mit Menschen oder anderen menschlich gesteuerten Einheiten vermieden wird. Hierzu werden die jeweiligen menschlich gesteuerten
Bewegungen vorhergesagt.
Offenbarung der Erfindung
Im Rahmen der Erfindung wurde ein Verfahren zur Vorhersage der Trajektorien von Fremdobjekten im Umfeld eines Ego- Fahrzeugs, sowie zur Bestimmung einer daran angepassten eigenen künftigen Trajektorie für das Ego- Fahrzeug, entwickelt.
Das Ego- Fahrzeug ist dasjenige Fahrzeug, auf dessen Trajektorie eingewirkt werden soll, um eine Kollision mit den Fremdobjekten zu vermeiden. Die Fremdobjekte können insbesondere Menschen oder von Menschen gesteuerte Fahrzeuge sein, wie etwa herkömmliche Kraftfahrzeuge oder Fahrräder. Es kommen aber auch nicht oder nur eingeschränkt steuerbare Fremdobjekte in Betracht, wie etwa ein Fahrzeug, das nach dem Abstellen am Hang wegrollt, oder ein Anhänger, der sich von seinem Zugfahrzeug losgerissen hat.
Die Fremdobjekte werden zunächst identifiziert. Hierzu kann eine Zeitreihe physikalischer Beobachtungen des Umfelds herangezogen werden, wie beispielsweise eine Abfolge von Kamerabildern oder eine Abfolge von
Ereignissen, die ein ereignisbasierter Sensor ausgibt. Es können alternativ oder auch in Kombination Informationen herangezogen werden, die über eine Drahtlosschnittstelle des Fahrzeugs empfangen wurden. Diese Informationen können von den Fremdobjekten selbst übermittelt werden, beispielsweise über eine Vehicle-to-Vehicle (V2V)-Schnittstelle. Die Informationen können aber auch von einer Infrastruktur übermittelt werden, beispielsweise über eine Vehicle-to- I nf rastru ctu re ( V 21) - S ch n ittstel I e .
Identifizieren bedeutet in diesem Zusammenhang, zumindest zu erfassen, welche Fremdobjekte im Umfeld des Ego-Fahrzeugs unabhängig voneinander bewegbar sind. In diesem Zusammenhang auch zu erfassen, worum es sich bei den Fremdobjekten im Einzelnen handelt, ist vorteilhaft, aber nicht zwingend erforderlich. Es wird ermitelt, auf welches Nahziel die Bewegung eines jeden der
Fremdobjekte hinführt und nach welchen grundlegenden Regeln diese
Bewegung abläuft. Wie diese Ermitlung im Einzelnen durchgeführt wird, richtet sich danach, welche Informationen verfügbar sind. So kann beispielsweise allein aus dem Zeitverlauf der Trajektorie extrapoliert werden, dass bestimmte Nahziele wahrscheinlicher sind als andere. Je mehr zusätzliche Information verwendet wird, desto genauer wird die Vorhersage des Nahziels. Wird beispielsweise erkannt, dass ein Fahrzeug als Fremdobjekt einen Blinker gesetzt hat, dann ist mit hoher Wahrscheinlichkeit ein Abbiegevorgang geplant. Ein Fahrzeug als Fremdobjekt kann aber auch beispielsweise sein aktuelles Nah- oder gar Fernziel direkt per V2V- Kommunikation kundtun.
Die grundlegenden Regeln, nach denen die Bewegung der Fremdobjekte abläuft, können insbesondere die Regeln der Straßenverkehrsordnung umfassen und auch vom Typ der Fremdobjekte abhängen. So müssen beispielsweise
Fahrzeuge die Fahrbahn benutzen und von zwei Fahrbahnen die rechte.
Fußgänger sind hingegen beispielsweise gehalten, auf Gehwegen zu gehen und, wenn Überwege wie Ampeln oder Zebrastreifen für das Überqueren der
Fahrbahn vorhanden sind, diese auch zu benutzen.
Es wird weiterhin ermitelt, auf welches Nahziel die Bewegung des Ego- Fahrzeugs hinführt und nach welchen grundlegenden Regeln diese Bewegung abläuft. Die grundlegenden Regeln können hier insbesondere wieder die Regeln der Straßenverkehrsordnung umfassen und müssen nicht in allen Situationen gleich sein. So ist beispielsweise die zulässige Höchstgeschwindigkeit gesondert begrenzt, wenn das Fahrzeug einen Anhänger zieht oder mit Schneeketen fährt. Die Ermitlung der grundlegenden Regeln kann also beispielsweise auch eine Analyse der Konfiguration des Ego- Fahrzeugs umfassen.
Sowohl für das Ego- Fahrzeug als auch für die Fremdobjekte wird jeweils eine Gütefunktion RI-4 aufgestellt, die einer aus den aktuellen Zuständen des Ego- Fahrzeugs und der Fremdobjekte gebildeten Gesamtsituation x und einer möglichen nächsten Bewegungsaktion ai-4 ein Maß dafür zuordnet, wie gut die Aktion ai-4 in der aktuellen Gesamtsituation x für den jeweils betrachteten Verkehrsteilnehmer ist. Die Gütefunktion RI-4 kann insbesondere beispielsweise ein Maß dafür beinhalten, inwieweit die Bewegungsaktion ai-4 in der Situation x auf die Erreichung des jeweiligen Nahziels und auf die Einhaltung der Regeln hinarbeitet. Dabei sind die von 1 bis 4 reichenden numerischen Indizes nicht einschränkend in Bezug auf die Anzahl der behandelbaren Fremdobjekte zu verstehen, sondern lediglich illustrativ, um das Verfahren anhand eines Beispiels erläutern zu können. Allgemein kann auch von Gütefunktionen R, und nächsten Bewegungsaktionen a, gesprochen werden.
Der Begriff„Zustände“ umfasst allgemein diejenigen Größen, mit denen der Beitrag des Ego- Fahrzeugs, bzw. der Fremdobjekte, zur Verkehrssituation charakterisiert werden kann. Die Zustände können insbesondere Positionen oder auch Zeitableitungen hiervon, also etwa Geschwindigkeiten und
Beschleunigungen, umfassen.
Sowohl für das Ego- Fahrzeug als auch für die Fremdobjekte wird jeweils ein Gütemaß QI-4 aufgestellt, das der Gesamtsituation x und der möglichen nächsten Bewegungsaktion ai-4 zusätzlich zum Wert Ri-4(x,ai-4) auch den Erwartungswert E(P(x')) einer Verteilung der Wahrscheinlichkeiten P(x') von
Zustandsänderungen x' zuordnet, mit denen die übrigen Verkehrsteilnehmer auf die nächste Bewegungsaktion ai-4 reagieren. Beispielsweise kann das Gütemaß QI-4 eine gewichtete Summe aus dem Wert Ri-4(x,ai-4) der Gütefunktion und dem Erwartungswert E(P(x')) sein.
Es werden diejenigen optimalen Bewegungsstrategien pi-4 des Ego- Fahrzeugs und der Fremdobjekte ermittelt, die die Gütemaße QI-4 maximieren. Aus den optimalen Bewegungsstrategien pi-4 werden die gesuchten Trajektorien des Ego- Fahrzeugs und der Fremdobjekte ermittelt.
Dabei umfasst der Begriff der Bewegungsstrategie allgemein jede Funktion pi-4, die einer Gesamtsituation x und einer nächsten Bewegungsaktion ai-4 einen Zahlenwert ni-4(x,ai-4) zuordnet. Der Begriff ist also gegenüber dem üblichen Sprachgebrauch, in dem er mit deterministischen Regeln assoziiert wird, verallgemeinert. Eine deterministische Regel kann beispielsweise angeben, dass bei Vorliegen einer bestimmten Gesamtsituation x genau eine nächste Bewegungsaktion ai-4 vom Ego- Fahrzeug durchgeführt werden soll bzw. von den Fremdobjekten vollführt wird.
Es wurde erkannt, dass insbesondere das Verhalten der Fremdobjekte nicht immer deterministischen Regeln folgt. Wird das Fremdobjekt beispielsweise von einem Menschen gesteuert, so ist die Steuerung zwar intelligent, aber führt nicht zwangsläufig auf genau diejenige Bewegungsaktion, die zur Verfolgung des jeweiligen Nahziels optimal ist. Dies gilt selbst dann, wenn ein menschlicher Fahrer sich grundsätzlich für das richtige Fahrmanöver entscheidet. So kann beispielsweise das Linksabbiegen von einer Straße, auf der hierfür kein Fahrweg explizit markiert ist, um die ideale Fahrlinie herum streuen. Auch wird das Fahrzeug bei einer Vielzahl von Bremsungen vor einer roten Ampel zwar jedes Mal in etwa an der Haltelinie zum Stehen kommen, aber der Zeitverlauf der Geschwindigkeit kann unterschiedlich sein. Der Fahrer kann beispielsweise anfangs mal stärker und mal schwächer auf das Bremspedal treten und den Bremsdruck später unbewusst nachregeln, um am Ende am richtigen Ort zum Stehen zu kommen. Eine tiefere Ursache hierfür liegt darin, dass die
Fahraufgabe insgesamt zu komplex ist, um vollständig bewusst durchgeführt zu werden. Um das Multitasking überhaupt mit der geforderten Geschwindigkeit bewältigen zu können, muss ein lernender Fahrer bestimmte Vorgänge zunächst ins Unterbewusstsein„automatisieren“.
Selbst das korrekte Verhalten eines Fußgängers ist nicht vollständig
deterministisch. Wenn der Fußgänger beispielsweise die Fahrbahn überquert, wird er dies nicht immer genau im rechten Winkel zur Fahrtrichtung tun, sondern mit einer zufälligen Abweichung hiervon.
Erst recht folgt das Verhalten der Fremdobjekte nicht mehr deterministischen Regeln, wenn sich ein steuernder Mensch falsch entscheidet. So ist etwa das Setzen des rechten Blinkers keine Garantie dafür, dass der Fahrer tatsächlich aus einer Vorfahrtstraße nach rechts in die nächste Straße einbiegen und gegenüber einem anderen Fahrzeug, das aus dieser Straße kommt, auf seine Vorfahrt verzichten wird. Vielmehr kann auch der Fall eintreten, dass der Fahrer geradeaus weiterfährt, nachdem er feststellt, dass er sich geirrt hat und erst eine Straße später rechts abbiegen muss. Auch kann ein menschlicher Fahrer etwa nicht auf ein Objekt reagieren, dass sich im toten Winkel seiner Spiegel versteckt. Auch setzen sich immer wieder Fußgänger bewusst über die Pflicht zur Benutzung gesicherter Überwege, bzw. über die Wartepflicht bei roter Ampel, hinweg.
Weiterhin ist selbst das Verhalten des Ego- Fahrzeugs in gewisser Weise probabilistisch. Wird etwa zum Anhalten ein bestimmter Bremsdruck auf die Bremszylinder der Bremsanlage gegeben, so kann die dadurch bewirkte
Verzögerung des Ego- Fahrzeugs beispielsweise abhängig vom Zustand der Fahrbahn sowie von Temperatur und Wassergehalt der Bremsflüssigkeit variieren.
Indem nun die Zustandsänderungen der übrigen Verkehrsteilnehmer zu einer Wahrscheinlichkeitsverteilung P(x') verallgemeinert sind und indem die
Bewegungsstrategien pi-4 aller Verkehrsteilnehmer ebenfalls probabilistisch sein können, kann die Reaktion des Ego- Fahrzeugs auf die Gesamtsituation x somit so verfeinert werden, dass sie mit einer höheren Wahrscheinlichkeit tatsächlich verkehrsgerecht ist und insbesondere Kollisionen vermeidet. In gewisser Weise wird also das vorausschauende Fahren, das ein jeder menschlicher Fahrer in der Fahrschule lernen muss, technisch nachgebildet, damit ein System für das zumindest teilweise automatisierte Fahren die Fahraufgabe mindestens so gut bewältigen kann wie ein menschlicher Fahrer.
In einer besonders vorteilhaften Ausgestaltung werden Gütemaße Q1-4 gewählt, deren Optima bezüglich der Bewegungsstrategien pi-4 durch das Bellman- Optimum gegeben sind. Dies ist in gewisser Weise eine Kombination aus rekursiver Definition und wechselseitiger Kopplung der Gütemaße QI-4.
Beispielsweise können bei unendlichem Zeithorizont die Gütemaße Q, im fertig optimierten Endzustand Q* die Form
haben, worin die p*(-ΐ) die optimalen Bewegungsstrategien der anderen
Verkehrsteilnehmer sind, deren Index ein anderer ist als i und
V*(x') = softmax Q*(x',a'). Der Erwartungswert E läuft über die probabilistischen Zustandsübergänge und die Strategien der anderen Verkehrsteilnehmer, deren Index ein anderer ist als i. Er ist gegeben durch
In einer weiteren besonders vorteilhaften Ausgestaltung werden die optimalen Bewegungsstrategien pi-4 unter der Voraussetzung ermittelt, dass sie bei gleicher Vorgeschichte Hl unabhängig voneinander sind:
Wenn nun weiterhin eine Boltzmann-Gibbs-Verteilung als Verteilung der
Wahrscheinlichkeiten P(x') von Zustandsänderungen x' gewählt wird, dann wählen die Verkehrsteilnehmer ihre Bewegungsstrategie jeweils nach dem Prinzip der maximalen Entropie:
p (a1 (t ) | H‘ ) <x exp (ß* ( x(i ), a ( t ))} (3).
Die Gleichungen (1) bis (3) bilden einen Satz von M gekoppelten Gleichungen, wobei M die Anzahl der betrachteten Verkehrsteilnehmer ist. Die Gleichungen können zusammengefasst werden als
Q = T,(Q:„Q, \i [M] <4).
Hierin ist T, die rechte Seite von Gleichung (1). Gleichung (4) hat genau eine optimale Lösung Q *, die erhältlich ist mit dem folgenden Algorithmus:
Algorithmus 1 - MMCE-I
Eingabe Ht, {Rj}
1: Initialisiere: Q,0 und Q-,0
2: s=0
3: while Konvergenz do
4: for j e -i do
5: Qj s+1 Ti(Q-is+1,Qis) 6: end for
9: end while
Ausgabe Qs
Wenn der Zeithorizont endlich ist, ist das Problem leicht unterschiedlich. Die Gütefunktion Q des i-ten Verkehrsteilnehmers hat im fertig optimierten Zustand zum Zeitschritt t e [t,t+T] die Form
mit der Randbedingung, dass
der Wert der Gütefunktion R, im finalen optimierten Zustand am Ende des Zeithorizonts ist. Analog zum Fall des endlichen Zeithorizonts hängt der Erwartungswert wieder von den Strategien der übrigen Verkehrsteilnehmer ab, die wiederum vorteilhaft Boltzmann-verteilt sind:
Daher kann Gleichung (5) geschrieben werden als:
W = u{r ,nG'\ ί ^ [M\ (« worin U, die rechte Seite von Gleichung (5) ist. Eine optimale Lösung ist beispielsweise mit dem folgenden Algorithmus erhältlich:
Algorithmus 2 - MMCE-F
Eingabe {Rj, Rj F}, T
1: for j=l, ..., M do
2: Vj t+T <— Rj,F
3: end for
4: Initialisiere: Q0<-[QI0, ... ,QM°]
5: for k=T-1, ..., 0 do
6: s=0
7: while Konvergenz do 8: for i=l, M do
9: Qis+1 <— Ui(Q-is,Vit+K+1)
10: end for
11: s <- s+l
12: end while
13: QVQS
14: for j=l, M do
15: Vjt+k <- softmaxaj Uj(Q-j°,Vj t+K+1)
16: end for
17: end for
Ausgabe {V1, Vt+T}
Im Rahmen der Erfindung wurde ein weiteres Verfahren zur Vorhersage der Trajektorien von Fremdobjekten im Umfeld eines Ego- Fahrzeugs, sowie zur Bestimmung einer daran angepassten eigenen künftigen Trajektorie für das Ego- Fahrzeug, entwickelt. Dieses Verfahren beginnt zunächst wie das zuvor beschriebene Verfahren, d.h. die Fremdobjekte werden identifiziert, und es werden die Nahziele und die grundlegenden Regeln der Bewegung sowohl für das Ego- Fahrzeug als auch für die Fremdobjekte ermittelt.
Im Unterschied zu dem zuvor beschriebenen Verfahren wird sowohl für das Ego- Fahrzeug als auch für die Fremdobjekte jeweils eine Merkmalsfunktion FI-4 aufgestellt dergestalt, dass die Anwendung von FI-4 auf einen Satz qi-4 noch freier Parameter eine Gütefunktion RI-4 liefert, wobei diese Gütefunktion RI-4 einer aus den aktuellen Zuständen des Ego- Fahrzeugs und der Fremdobjekte gebildeten Gesamtsituation x und einer möglichen nächsten Bewegungsaktion ai-4 ein Maß dafür zuordnet, wie gut die Aktion ai-4 in der aktuellen
Gesamtsituation x für den jeweils betrachteten Verkehrsteilnehmer ist. Die Gütefunktion RI-4 kann insbesondere beispielsweise ein Maß dafür beinhalten, inwieweit die Bewegungsaktion ai-4 in der Situation x auf die Erreichung des jeweiligen Nahziels und auf die Einhaltung der Regeln hinarbeitet.
Die Merkmalsfunktion FI-4 kann beispielsweise Eigenschaften und Ziele des jeweiligen Verkehrsteilnehmers verkörpern, wie etwa der Zielort, auf den sich ein Fußgänger hinbewegt, oder auch dessen Gehgeschwindigkeit. Bei einem Fahrzeug kann neben dem Zielort beispielsweise die Anforderung, dass die Fahrt sicher, flüssig und komfortabel verlaufen soll, in die Merkmalsfunktion FI-4 eingehen. Die Merkmalsfunktion F1-4 kann also insbesondere beispielsweise aus mehreren Anteilen zusammengesetzt sein, die sich auf unterschiedliche Ziele beziehen, wobei diese Ziele auch gegenläufig sein können. Der Satz qi-4 von Parametern kann dann beispielsweise die Gewichte verkörpern, mit denen unterschiedliche Ziele und Anforderungen in der letztendlichen Gütefunktion RI-4 enthalten sind. Der Satz qi-4 von Parametern kann insbesondere beispielsweise als Vektor von Parametern vorliegen und beispielsweise Koeffizienten enthalten, mit denen eine Linearkombination aus unterschiedlichen in der Merkmalsfunktion FI-4 enthaltenen Zielen in die Gütefunktion RI-4 eingeht.
Die Bewegungsstrategien pi-4 des Ego- Fahrzeugs und der Fremdobjekte werden als diejenigen Strategien ermittelt, die zu einer maximalen kausalen Entropie H(ai-4||x) der Bewegungsaktionen ai-4 des Ego-Fahrzeugs und der Fremdobjekte in der Gesamtsituation x führen. Aus den Bewegungsstrategien pi-4 werden die gesuchten Trajektorien ermittelt.
Das letztendlich erhaltene Ergebnis weist die gleichen Vorteile auf wie das gemäß dem zuvor beschriebenen Verfahren erhaltene Ergebnis. Der Vorteil speziell dieses Verfahrens ist, dass für die Bestimmung des Parametersatzes qi-4 noch weniger Information über die jeweiligen Verkehrsteilnehmer benötigt wird als für die direkte Bestimmung der Gütefunktion RI-4. Jede Zusatzinformation, gleich aus welcher Quelle, kann aber auf der anderen Seite im Parametersatz qi-4 berücksichtigt werden. Die freien Parameter qi-4 werden bei der Optimierung in Abhängigkeit der Bewegungsstrategien pi-4 bestimmt.
Die kausale Entropie H(ai-4||x) kann geschrieben werden als
Vorteilhaft wird das Maximum der kausalen Entropie H(ai-4||x) in Bezug auf die Bewegungsstrategien pi-4 unter der Randbedingung ermittelt, dass sowohl für das Ego- Fahrzeug als auch für die Fremdobjekte der Erwartungswert der jeweiligen Merkmalsfunktion FI-4 über alle möglichen Gesamtsituationen x und alle möglichen nächsten Bewegungsaktionen ai-4 gleich dem Mittelwert der empirisch in den bisherigen Trajektorien beobachteten Merkmalsfunktionen F1-4 ist. Dieser Mittelwert kann insbesondere über alle bislang empirisch
beobachteten Situationen x und Bewegungen ai-4 gebildet werden:
In Verbindung mit den weiteren Randbedingungen, dass die optimalen
Bewegungsstrategien pi-4 bei gleicher Vorgeschichte Hl unabhängig voneinander sind und dass sie jeweils statistisch um eine Strategie verteilt sind, die die jeweilige Gütefunktion RI-4 maximiert, kann unter Verwendung von
eine rekursive Lösung für Gleichung (7) angegeben werden:
Hierin ist
Die Randbedingung ist Z,(T +1)=1 für alle Verkehrsteilnehmer.
Die rekursive Lösung ist ähnlich zu dem fertig optimierten Gütemaß Q gemäß Gleichung (5). WiT(HT,ai(x)) spielt die Rolle des Gütemaßes Q,, und die
Gütefunktionen R, sind als Linearkombination aus den Merkmalsfunktionen F, zusammengesetzt. Letztendlich kann also aus der Perspektive des Ego- Fahrzeugs ein„inverse reinforcement learning“ betrieben werden, d.h., bei Kenntnis der Gütefunktion Ri des Ego- Fahrzeugs können allein aus der Beobachtung der übrigen
Verkehrsteilnehmer deren Gütefunktionen R2-4 erschlossen werden. Dies kann beispielsweise mit dem folgenden Algorithmus geschehen:
Algorithmus 3: MMCE-IRL für das Ego-Fahrzeug
9: end for
In einer weiteren besonders vorteilhaften Ausgestaltung werden die
Fremdobjekte jeweils hinsichtlich ihres Typs klassifiziert, und die jeweilige Gütefunktion R2-4, bzw. die jeweilige Merkmalsfunktion F2-4, wird anhand dieses Typs ausgewählt. Auf diese Weise kann die Ermittlung der letztendlichen Trajektorien der Fremdobjekte, und somit auch der daran angepassten
Trajektorie des Ego- Fahrzeugs, schneller konvergieren und zu einem genaueren Ergebnis gelangen. Wie zuvor erläutert, können insbesondere die grundlegenden Regeln der Bewegung vom Typ des Objekts abhängen. Die Klassifikation kann anhand der physikalischen Beobachtungen, und/oder anhand der über die Drahtlosschnittstelle empfangenen Informationen, vorgenommen werden.
Wie zuvor erläutert, ist die Ermittlung der an das Vorhandensein bewegter Fremdobjekte angepassten Trajektorie des Ego- Fahrzeugs kein Selbstzweck, sondern hat zum Ziel, die Tauglichkeit zumindest teilweise automatisiert fahrender Fahrzeuge speziell für den gemischten Verkehr mit von Menschen gesteuerten Fremdobjekten zu verbessern. Daher bezieht sich die Erfindung auch auf ein Verfahren zur Steuerung eines Ego-Fahrzeugs in einer
Verkehrssituation mit bewegten Fremdobjekten im Umfeld des Ego- Fahrzeugs.
Bei diesem Verfahren wird die an das Verhalten der Fremdobjekte angepasste Trajektorie des Ego- Fahrzeugs mit einem der zuvor beschriebenen Verfahren ermittelt. Die angepasste Trajektorie wird an einen Bewegungsplaner des Ego- Fahrzeugs übermittelt. Durch den Bewegungsplaner wird ein Ansteuerprogramm für ein Antriebssystem, ein Lenksystem und/oder ein Bremssystem des Ego- Fahrzeugs ermittelt, wobei das Ansteuerprogramm dazu ausgebildet ist, das tatsächliche Verhalten des Fahrzeugs im Rahmen der Systemgrenzen bestmöglich in Übereinstimmung mit der ermittelten Trajektorie zu bringen.
Das Antriebssystem, Lenksystem und/oder Bremssystem wird entsprechend dem Ansteuerprogramm angesteuert.
Das Verfahren kann in einem beliebigen bereits vorhandenen Steuergerät des Ego-Fahrzeugs implementiert werden, da dank der internen Vernetzung mittels CAN-Bus typischerweise von jedem Ort im Fahrzeug aus Zugang zu den mit einer Sensorik erfassten oder über die Drahtlosschnittstelle bezogenen
Informationen über Fremdobjekte im Fahrzeugumfeld besteht. Ebenso kann der Bewegungsplaner über den CAN-Bus von jedem Ort im Fahrzeug aus angesteuert werden. Das Verfahren kann beispielsweise in Form einer Software implementiert sein, die als Update oder Upgrade für ein solches Steuergerät verkaufbar ist und insofern ein eigenes Produkt darstellt. Daher bezieht sich die Erfindung auch auf ein Computerprogramm mit maschinenlesbaren
Anweisungen, die, wenn sie auf einem Computer, und/oder auf einem
Steuergerät, ausgeführt werden, den Computer, und/oder das Steuergerät, dazu veranlassen, ein von der Erfindung bereitgestelltes Verfahren auszuführen. Ebenso bezieht sich die Erfindung auch auf einen maschinenlesbaren
Datenträger oder ein Downloadprodukt mit dem Computerprogramm.
Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt. Ausführungsbeispiele Es zeigt:
Figur 1 Ausführungsbeispiel des Verfahrens 100;
Figur 2 Ausführungsbeispiel des Verfahrens 200;
Figur 3 Ausführungsbeispiel des Verfahrens 300;
Figur 4 Beispielhafte Verkehrsszene mit Ego- Fahrzeug 1 und drei
menschengesteuerten Fremdobjekten 2-4.
Figur 1 zeigt ein Ausführungsbeispiel des Verfahrens 100. In Schritt 110 wird eine Zeitreihe lla-llc physikalischer Beobachtungen des Umfelds 11 des in Figur 1 nicht eingezeichneten Ego- Fahrzeugs 1 zusammen mit Informationen 12a, die über die Drahtlosschnittstelle 12 empfangen wurden, verarbeitet. Diese Informationen 12a stammen von den Fremdobjekten 2-4 im Fahrzeugumfeld 11 selbst, und/oder von einer Infrastruktur 5. In Schritt 110 werden die Fremdobjekte 2-4 identifiziert, d.h. es wird festgestellt, dass drei Fremdobjekte 2-4 vorhanden sind, die sich in unterschiedlicher Weise bewegen.
Die Fremdobjekte 2-4 werden im optionalen Schritt 115 nach Typen 2d-4d klassifiziert. In Schritt 120 werden die von den Fremdobjekten 2-4 jeweils angestrebten Nahziele 2b-4b prognostiziert, und es werden die grundlegenden Regeln 2c-4c ermittelt, nach denen die Bewegung der Fremdobjekte 2-4 abläuft. Analog hierzu wird in Schritt 130 ermittelt, auf welches Nahziel lb die Bewegung des Ego- Fahrzeugs 1 hinführt und nach welchen grundlegenden Regeln lc diese Bewegung abläuft.
In Schritt 140 wird für das Ego- Fahrzeug 1 sowie für die Fremdobjekte 2-4 auf der Basis der vorhandenen Informationen die jeweilige Gütefunktion RI-4 aufgestellt, wobei gemäß dem optionalen Teilschritt 141 der jeweilige Typ 2d-4d des Fremdobjekts 2-4 herangezogen werden kann, wenn dieser im optionalen Schritt 115 bestimmt wurde.
In Schritt 150 werden die Gütefunktionen RI-4 zu Gütemaßen QI-4 erweitert, die zusätzlich auch den Erwartungswert E(P(x')) einer Verteilung der
Wahrscheinlichkeiten P(x') von Zustandsänderungen x' enthält und insofern auch die Gütemaße QI-4 untereinander koppelt. Dabei werden gemäß Teilschritt 151 Gütemaße QI-4 gewählt, deren Optima bezüglich der Bewegungsstrategien pi-4 durch das Bellman-Optimum gegeben sind. Gemäß Teilschritt 152 wird eine Boltzmann-Gibbs-Verteilung als Verteilung der Wahrscheinlichkeiten P(x') von Zustandsänderungen x' gewählt.
In Schritt 160 werden diejenigen Bewegungsstrategien pi-4 des Ego-Fahrzeugs und der Fremdobjekte 2-4 ermittelt, die die Gütemaße QI-4 maximieren. Hieraus werden schließlich in Schritt 170 die gesuchten Trajektorien 2a-4a der
Fremdobjekte 2-4 sowie die hieran angepasste Soll-Trajektorie la des Ego- Fahrzeugs 1 ermittelt.
Figur 2 zeigt ein Ausführungsbeispiel des Verfahrens 200. Die Schritte 210, 215, 220 und 230 sind identisch mit den Schritten 110, 115, 120 und 130 des
Verfahrens 100.
In Schritt 240 des Verfahrens 200 wird im Unterschied zu Schritt 140 des Verfahrens 100 keine vollständige Gütefunktion RI-4 bestimmt, sondern
Merkmalsfunktionen FI-4, die mit einem Satz qi-4 noch freier Parameter parametrisiert sind und erst in Verbindung mit diesen Parametern qi-4 die vollständige Gütefunktion RI-4 bilden. Sofern in Schritt 215 die Typen 2d-4d der Fremdobjekte 2-4 bestimmt wurden, können diese im optionalen Teilschritt 241 zur Auswahl der jeweiligen Merkmalsfunktion F2-4 herangezogen werden.
In Schritt 250 werden die Bewegungsstrategien pi-4 des Ego- Fahrzeugs und der Fremdobjekte werden als diejenigen Strategien ermittelt, die die maximale kausale Entropie maximieren. Zugleich werden auch die Parameter qi-4 der Merkmalsfunktionen FI-4 bestimmt. Dabei wird gemäß Teilschritt 251 eine Randbedingung vorgegeben, die eine rekursive Bestimmung der
Bewegungsstrategien pi-4 ermöglicht.
In Schritt 260 werden, analog zu Schritt 170 des Verfahrens 100, aus den Bewegungsstrategien pi-4 die gesuchten Trajektorien 2a-4a der Fremdobjekte 2- 4 sowie die hieran angepasste Soll-Trajektorie la des Ego- Fahrzeugs 1 ermittelt.
Figur 3 zeigt ein Ausführungsbeispiel des Verfahrens 300. In Schritt 310 wird mit dem Verfahren 100 oder 200 die an das Verhalten der Fremdobjekte 2-4 im Umfeld 11 des Ego- Fahrzeugs 1 angepasste Soll-Trajektorie la für das Ego- Fahrzeug 1 ermittelt. Diese angepasste Trajektorie la wird in Schritt 320 an den Bewegungsplaner 13 des Ego-Fahrzeugs 1 übermittelt. In Schritt 330 wird durch den Bewegungsplaner 13 ein Ansteuerprogramm 13a für ein Antriebssystem 24, ein Lenksystem 15 und/oder ein Bremssystem 16 des Ego- Fahrzeugs 1 ermittelt.
In diesem Zusammenhang ist wichtig, dass sich der Begriff der Trajektorie allgemein auf eine Bahn in kombinierten Raum- und Zeitkoordinaten bezieht. Das bedeutet, dass eine Trajektorie nicht nur durch eine Änderung der
Bewegungsrichtung geändert werden kann, sondern auch durch eine Änderung der Geschwindigkeit, wie etwa ein Abbremsen, Warten und späteres erneutes Anfahren.
In Schritt 340 wird das Antriebssystem 14, das Lenksystem 15, bzw. das
Bremssystem 16, entsprechend dem Ansteuerprogramm 13a angesteuert.
Figur 4 zeigt eine komplexe Verkehrsszene, in der die beschriebenen Verfahren 100, 200, 300 vorteilhaft eingesetzt werden können. Auf dem rechten
Fahrstreifen einer Straße 50 fährt das Ego- Fahrzeug 1 geradeaus in Richtung des Nahziels lb.
Das erste Fremdobjekt 2 ist ein weiteres Fahrzeug, dessen Blinker 2e anzeigt, dass sein Fahrer in die zum Nahziel 2b des Fahrzeugs 2 führende Seitenstraße 51 abzubiegen beabsichtigt. Das zweite Fremdobjekt 3 ist ein weiteres Fahrzeug, das aus Sicht des Ego- Fahrzeugs 1 auf der Gegenfahrbahn der Straße 50 geradeaus unterwegs ist in Richtung seines Nahziels 3b. Das dritte Fremdobjekt 4 ist ein Fußgänger, der ein Nahziel 4b auf der aus seiner Sicht
gegenüberliegenden Seite der Straße 50 ansteuert.
In der in Figur 4 dargestellten Situation muss der Fußgänger 4 den Überweg 52 über die Straße 50 benutzen, was zugleich den Fahrer des Fahrzeugs 3 zum
Warten verpflichtet. Daher kann im Prinzip der Fahrer des Fahrzeugs 2 direkt beschleunigen und wie beabsichtigt links abbiegen, was für seine schnelle Erreichung des Nahziels 2b optimal wäre. Dementsprechend hätte das Ego- Fahrzeug 1 in seiner Fahrspur freie Fahrt zumindest bis zum Überweg 52. Ein Steuerungsverfahren unter der vereinfachenden Annahme, dass der Fahrer des
Fahrzeugs 2 das für ihn Optimale tun wird, würde also das Ego- Fahrzeug 1 beschleunigen. Wenn nun aber der Fahrer des Fahrzeugs 2 die Situation dahingehend falsch einschätzt, dass er zuerst das Fahrzeug 3 im Gegenverkehr vorbeilassen muss (was ohne den Fußgänger 4 auf dem Überweg 52 ja auch richtig wäre), fährt das Ego-Fahrzeug von hinten auf das Fahrzeug 2 auf. Die
Verfahren gemäß der Erfindung ermöglichen es, derartige Unsicherheiten zu berücksichtigen. So kann beispielsweise die Geschwindigkeit für die Weiterfahrt so weit beschränkt werden, dass für den Fall, dass das Fahrzeug 2 tatsächlich stehenbleibt, ein Zusammenstoß noch mit einer Vollbremsung verhindert werden kann.

Claims

Ansprüche
1. Verfahren (100) zur Vorhersage der Trajektorien (2a-4a) von
Fremdobjekten (2-4) im Umfeld (11) eines Ego- Fahrzeugs (1), sowie zur Bestimmung einer daran angepassten eigenen künftigen Trajektorie (la) für das Ego-Fahrzeug (1), mit den Schritten:
• aus einer Zeitreihe (lla-llc) physikalischer Beobachtungen des Umfelds (11), und/oder aus über eine Drahtlosschnittstelle (12) des Fahrzeugs (1) von den Fremdobjekten (2-4) selbst und/oder von einer Infrastruktur (5) empfangenen Informationen (12a), werden die Fremdobjekte (2-4) identifiziert (110);
• es wird ermittelt (120), auf welches Nahziel (2b-4b) die Bewegung eines jeden der Fremdobjekte (2-4) hinführt und nach welchen grundlegenden Regeln (2c-4c) diese Bewegung abläuft;
• es wird ermittelt (130), auf welches Nahziel (lb) die Bewegung des Ego- Fahrzeugs (1) hinführt und nach welchen grundlegenden Regeln (lc) diese Bewegung abläuft;
• für das Ego- Fahrzeug (1) sowie für die Fremdobjekte (2-4) wird jeweils eine Gütefunktion RI-4 aufgestellt (140), die einer aus den aktuellen Zuständen des Ego- Fahrzeugs (1) und der Fremdobjekte (2-4) gebildeten Gesamtsituation x und einer möglichen nächsten Bewegungsaktion ai-4 ein Maß dafür zuordnet, wie gut die Aktion ai-4 in der aktuellen
Gesamtsituation x für den jeweils betrachteten Verkehrsteilnehmer (1-4) ist;
• für das Ego-Fahrzeug (1) sowie für die Fremdobjekte (2-4) wird jeweils ein Gütemaß QI-4 aufgestellt (150), das der Gesamtsituation x und der möglichen nächsten Bewegungsaktion ai-4 zusätzlich zum Wert
Ri-4(x,ai-4) auch den Erwartungswert E(P(x')) einer Verteilung der Wahrscheinlichkeiten P(x') von Zustandsänderungen x' zuordnet, mit denen die übrigen Verkehrsteilnehmer (2-4; 1, 3, 4; 1-3) auf die nächste Bewegungsaktion ai-4 reagieren;
• es werden diejenigen optimalen Bewegungsstrategien pi-4 des Ego- Fahrzeugs und der Fremdobjekte (2-4) ermittelt (160), die die Gütemaße QI-4 maximieren;
• aus den optimalen Bewegungsstrategien pi-4 werden die gesuchten
Trajektorien (la-4a) ermittelt (170).
2. Verfahren (100) nach Anspruch 1, wobei Gütemaße QI-4 gewählt werden (151), deren Optima bezüglich der Bewegungsstrategien pi-4 durch das Bellman-Optimum gegeben sind.
3. Verfahren (100) nach einem der Ansprüche 1 bis 2, wobei eine
Boltzmann-Gibbs-Verteilung als Verteilung der Wahrscheinlichkeiten P(x') von Zustandsänderungen x' gewählt wird (152).
4. Verfahren (200) zur Vorhersage der Trajektorien (2a-4a) von
Fremdobjekten (2-4) im Umfeld (11) eines Ego-Fahrzeugs (1), sowie zur Bestimmung einer daran angepassten eigenen künftigen Trajektorie (la) für das Ego- Fahrzeug (1), mit den Schritten:
• aus einer Zeitreihe (lla-llc) physikalischer Beobachtungen des Umfelds (11), und/oder aus über eine Drahtlosschnittstelle (12) des Fahrzeugs (1) von den Fremdobjekten (2-4) selbst und/oder von einer Infrastruktur (5) empfangenen Informationen (12a), werden die Fremdobjekte (2-4) identifiziert (210);
• es wird ermittelt (220), auf welches Nahziel (2b-4b) die Bewegung eines jeden der Fremdobjekte (2-4) hinführt und nach welchen grundlegenden Regeln (2c-4c) diese Bewegung abläuft;
• es wird ermittelt (230), auf welches Nahziel (lb) die Bewegung des Ego- Fahrzeugs (1) hinführt und nach welchen grundlegenden Regeln (lc) diese Bewegung abläuft;
• für das Ego- Fahrzeug (1) sowie für die Fremdobjekte (2-4) wird jeweils eine Merkmalsfunktion FI-4 aufgestellt (240) dergestalt, dass die
Anwendung von FI-4 auf einen Satz qi-4 noch freier Parameter eine Gütefunktion RI-4 liefert, wobei diese Gütefunktion RI-4 einer aus den aktuellen Zuständen des Ego- Fahrzeugs (1) und der Fremdobjekte (2-4) gebildeten Gesamtsituation x und einer möglichen nächsten
Bewegungsaktion ai-4 ein Maß dafür zuordnet, wie gut die Aktion ai-4 in der aktuellen Gesamtsituation x für den jeweils betrachteten
Verkehrsteilnehmer (1-4) ist;
• die Bewegungsstrategien pi-4 des Ego- Fahrzeugs (1) und der
Fremdobjekte (2-4) werden als diejenigen Strategien ermittelt (250), die zu einer maximalen kausalen Entropie H(ai-4||x) der Bewegungsaktionen ai-4 des Ego- Fahrzeugs (1) und der Fremdobjekte (2-4) in der
Gesamtsituation x führen;
• aus den Bewegungsstrategien pi-4 werden die gesuchten Trajektorien (la-4a) ermittelt (260).
5. Verfahren (200) nach Anspruch 4, wobei das Maximum der kausalen Entropie H(ai-4||x) in Bezug auf die Bewegungsstrategien pi-4 unter der
Randbedingung ermittelt wird (251), dass sowohl für das Ego-Fahrzeug (1) als auch für die Fremdobjekte (2-4) der Erwartungswert der jeweiligen
Merkmalsfunktion FI-4 über alle möglichen Gesamtsituationen x und alle möglichen nächsten Bewegungsaktionen ai-4 gleich dem Mittelwert der empirisch in den bisherigen Trajektorien beobachteten Merkmalsfunktionen FI-4 ist.
6. Verfahren (100, 200) nach einem der Ansprüche 1 bis 5, wobei die optimalen Bewegungsstrategien pi-4 unter der Randbedingung ermittelt werden (160, 250), dass sie bei gleicher Vorgeschichte H1 unabhängig voneinander sind.
7. Verfahren (100, 200) nach einem der Ansprüche 1 bis 6, wobei die optimalen Bewegungsstrategien pi-4 unter der Randbedingung ermittelt werden (160, 250), dass sie jeweils statistisch um eine Strategie verteilt sind, die die jeweilige Gütefunktion RI-4 maximiert.
8. Verfahren (100, 200) nach einem der Ansprüche 1 bis 7, wobei die Fremdobjekte (2-4) jeweils hinsichtlich ihres Typs (2d-4d) klassifiziert werden (115, 215) und wobei die jeweilige Gütefunktion R2-4, bzw. die jeweilige
Merkmalsfunktion F2-4, anhand dieses Typs (2d-4d) ausgewählt wird (141, 241).
9. Verfahren (300) zur Steuerung eines Ego- Fahrzeugs (1) in einer Verkehrssituation mit bewegten Fremdobjekten (2-4) im Umfeld des Ego- Fahrzeugs (1) mit den Schritten:
• die an das Verhalten der Fremdobjekte (2-4) angepasste Trajektorie (la) des Ego- Fahrzeugs (1) wird mit einem Verfahren (100, 200) nach einem der Ansprüche 1 bis 8 ermittelt (310);
• die angepasste Trajektorie (la) wird an einen Bewegungsplaner (13) des Ego- Fahrzeugs (1) übermittelt (320);
• durch den Bewegungsplaner (13) wird ein Ansteuerprogramm (13a) für ein Antriebssystem (14), ein Lenksystem (15) und/oder ein Bremssystem (16) des Ego- Fahrzeugs (1) ermittelt (330), wobei das Ansteuerprogramm (13a) dazu ausgebildet ist, das tatsächliche Verhalten des Fahrzeugs (1) im Rahmen der Systemgrenzen bestmöglich in Übereinstimmung mit der Trajektorie (la) zu bringen;
• das Antriebssystem (14), Lenksystem (15) und/oder Bremssystem (16) wird entsprechend dem Ansteuerprogramm (13a) angesteuert (340).
10. Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem Computer, und/oder auf einem Steuergerät, ausgeführt werden, den Computer, und/oder das Steuergerät, dazu veranlassen, ein
Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 9 auszuführen.
EP19727327.9A 2018-06-25 2019-05-22 Anpassung der trajektorie eines ego-fahrzeugs an bewegte fremdobjekte Pending EP3811351A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018210280.5A DE102018210280A1 (de) 2018-06-25 2018-06-25 Anpassung der Trajektorie eines Ego-Fahrzeugs an bewegte Fremdobjekte
PCT/EP2019/063232 WO2020001867A1 (de) 2018-06-25 2019-05-22 Anpassung der trajektorie eines ego-fahrzeugs an bewegte fremdobjekte

Publications (1)

Publication Number Publication Date
EP3811351A1 true EP3811351A1 (de) 2021-04-28

Family

ID=66676497

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19727327.9A Pending EP3811351A1 (de) 2018-06-25 2019-05-22 Anpassung der trajektorie eines ego-fahrzeugs an bewegte fremdobjekte

Country Status (5)

Country Link
US (1) US11858506B2 (de)
EP (1) EP3811351A1 (de)
CN (1) CN112292719B (de)
DE (1) DE102018210280A1 (de)
WO (1) WO2020001867A1 (de)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3413082B1 (de) * 2017-06-09 2020-01-01 Veoneer Sweden AB Fahrzeugsystem zur detektion von entgegenkommenden fahrzeugen
EP3866074B1 (de) 2020-02-14 2022-11-30 Robert Bosch GmbH Verfahren und vorrichtung zur steuerung eines roboters
US11458987B2 (en) 2020-02-26 2022-10-04 Honda Motor Co., Ltd. Driver-centric risk assessment: risk object identification via causal inference with intent-aware driving models
US11544935B2 (en) * 2020-02-26 2023-01-03 Honda Motor Co., Ltd. System for risk object identification via causal inference and method thereof
DE102020207897A1 (de) 2020-06-25 2021-12-30 Robert Bosch Gesellschaft mit beschränkter Haftung Situationsangepasste Ansteuerung für Fahrassistenzsysteme und Systeme zum zumindest teilweise automatisierten Führen von Fahrzeugen
DE102020208080A1 (de) 2020-06-30 2021-12-30 Robert Bosch Gesellschaft mit beschränkter Haftung Erkennung von Objekten in Bildern unter Äquivarianz oder Invarianz gegenüber der Objektgröße
US11958498B2 (en) 2020-08-24 2024-04-16 Toyota Research Institute, Inc. Data-driven warm start selection for optimization-based trajectory planning
DE102020215302A1 (de) 2020-12-03 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Dynamikabhängige Verhaltensplanung für zumindest teilweise automatisiert fahrende Fahrzeuge
DE102020215324A1 (de) 2020-12-03 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Auswahl von Fahrmanövern für zumindest teilweise automatisiert fahrende Fahrzeuge
CN113219962B (zh) * 2021-02-26 2023-02-28 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种面向混行队列跟驰安全的控制方法、***及存储介质
DE102021206014A1 (de) 2021-06-14 2022-12-15 Robert Bosch Gesellschaft mit beschränkter Haftung Bewegungsvorhersage für Verkehrsteilnehmer
DE102022214267A1 (de) 2022-12-22 2024-06-27 Robert Bosch Gesellschaft mit beschränkter Haftung Computer-implementiertes Verfahren und System zur Verhaltensplanung eines zumindest teilautomatisierten EGO-Fahrzeugs

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPS123702A0 (en) * 2002-03-22 2002-04-18 Nahla, Ibrahim S. Mr The train navigtion and control system (TNCS) for multiple tracks
DE102008005310A1 (de) * 2008-01-21 2009-07-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Beeinflussung der Bewegung eines Fahrzeugs bei vorzeitigem Erkennen einer unvermeidbaren Kollision mit einem Hindernis
DE102008005305A1 (de) * 2008-01-21 2009-07-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Beeinflussung der Bewegung eines Fahrzeugs
JP4561863B2 (ja) 2008-04-07 2010-10-13 トヨタ自動車株式会社 移動体進路推定装置
DE102008062916A1 (de) 2008-12-23 2010-06-24 Continental Safety Engineering International Gmbh Verfahren zur Ermittlung einer Kollisionswahrscheinlichkeit eines Fahrzeuges mit einem Lebewesen
US8244408B2 (en) * 2009-03-09 2012-08-14 GM Global Technology Operations LLC Method to assess risk associated with operating an autonomic vehicle control system
US8259994B1 (en) * 2010-09-14 2012-09-04 Google Inc. Using image and laser constraints to obtain consistent and improved pose estimates in vehicle pose databases
GB201116961D0 (en) * 2011-09-30 2011-11-16 Bae Systems Plc Fast calibration for lidars
EP2615598B1 (de) 2012-01-11 2017-12-06 Honda Research Institute Europe GmbH Fahrzeug mit Rechnereinrichtung zur Überwachung und Vorhersage von Verkehrsteilnehmerobjekten
DE102013225057A1 (de) * 2013-12-05 2015-06-11 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zum steuern eines fahrzeugs, vorrichtung zum erzeugen von steuersignalen für ein fahrzeug und fahrzeug
DE102014201382A1 (de) * 2014-01-27 2015-07-30 Robert Bosch Gmbh Verfahren zum Betreiben eines Fahrerassistenzsystems und Fahrerassistenzsystem
EP2950294B1 (de) * 2014-05-30 2019-05-08 Honda Research Institute Europe GmbH Verfahren und Fahrzeug mit fortschrittlichem Fahrerassistenzsystem zur risikobasierten Verkehrsszenenanalyse
DE102015221626A1 (de) 2015-11-04 2017-05-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Ermittlung einer Fahrzeug-Trajektorie entlang einer Referenzkurve
CN108431549B (zh) * 2016-01-05 2020-09-04 御眼视觉技术有限公司 具有施加的约束的经训练的***
JP6669897B2 (ja) * 2016-02-09 2020-03-18 グーグル エルエルシー 優位推定を使用する強化学習
WO2017197170A1 (en) 2016-05-12 2017-11-16 The Regents Of The University Of California Safely controlling an autonomous entity in presence of intelligent agents
US11364899B2 (en) * 2017-06-02 2022-06-21 Toyota Motor Europe Driving assistance method and system
US10935982B2 (en) * 2017-10-04 2021-03-02 Huawei Technologies Co., Ltd. Method of selection of an action for an object using a neural network
US11084504B2 (en) * 2017-11-30 2021-08-10 Nissan North America, Inc. Autonomous vehicle operational management scenarios

Also Published As

Publication number Publication date
US11858506B2 (en) 2024-01-02
CN112292719A (zh) 2021-01-29
DE102018210280A1 (de) 2020-01-02
WO2020001867A1 (de) 2020-01-02
US20210171061A1 (en) 2021-06-10
CN112292719B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
EP3811351A1 (de) Anpassung der trajektorie eines ego-fahrzeugs an bewegte fremdobjekte
EP3160813B1 (de) Verfahren zur erstellung eines umfeldmodells eines fahrzeugs
EP2771227B1 (de) Verfahren zum führen eines fahrzeugs und fahrerassistenzsystem
EP2873066B1 (de) Verfahren und vorrichtung zum betreiben eines fahrzeugs
EP3176046A1 (de) Verfahren und vorrichtung in einem kraftfahrzeug zum automatisierten fahren
EP2907120B1 (de) Schätzung des strassentyps mithilfe von sensorbasierten umfelddaten
EP3627386A1 (de) Verfahren und vorrichtung zum bereitstellen eines umfeldabbildes eines umfeldes einer mobilen einrichtung und kraftfahrzeug mit einer solchen vorrichtung
DE102014003343A1 (de) Verfahren zum Ermitteln eines Spurwechselbedarfs eines Systemfahrzeugs
DE102009006331A1 (de) Robuste Ein- und Ausparkstrategie
DE102015208790A1 (de) Bestimmen einer Trajektorie für ein Fahrzeug
EP1096457B2 (de) Verfahren und Einrichtung zur elektronischen Erkennung von Verkehrszeichen
DE102019118366A1 (de) Verfahren sowie Steuergerät für ein System zum Steuern eines Kraftfahrzeugs
DE102019216836A1 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
DE102018119867A1 (de) Autonome Verhaltenssteuerung unter Verwendung von Richtlinienauslösung und -ausführung
EP3818466B1 (de) Schnelle erkennung gefährlicher oder gefährdeter objekte im umfeld eines fahrzeugs
DE102012008660A1 (de) Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
DE102020131949A1 (de) System und verfahren zum erlernen einer fahrerpräferenz und zum anpassen einer spurzentrierungssteuerung an ein fahrerverhalten
DE102017118651A1 (de) Verfahren und System zur Kollisionsvermeidung eines Fahrzeugs
DE102016210760A1 (de) Verfahren zur Interaktion zwischen einem Fahrzeug und Verkehrsteilnehmer
WO2020069812A1 (de) Verfahren zum zumindest teilautomatisierten führen eines kraftfahrzeugs auf einer fahrbahn
WO2018215242A2 (de) Verfahren zur ermittlung einer fahranweisung
DE102019132091A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs und Kraftfahrzeug
DE102017200580A1 (de) Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge
DE102016003231A1 (de) Verfahren zum Steuern eines zumindest teilautonom betriebenen Kraftfahrzeugs und Kraftfahrzeug
DE102019104974A1 (de) Verfahren sowie System zum Bestimmen eines Fahrmanövers

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210125

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240313