WO2019211293A1 - Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug - Google Patents

Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug Download PDF

Info

Publication number
WO2019211293A1
WO2019211293A1 PCT/EP2019/061089 EP2019061089W WO2019211293A1 WO 2019211293 A1 WO2019211293 A1 WO 2019211293A1 EP 2019061089 W EP2019061089 W EP 2019061089W WO 2019211293 A1 WO2019211293 A1 WO 2019211293A1
Authority
WO
WIPO (PCT)
Prior art keywords
ego vehicle
vehicle
traffic situation
driver assistance
environment
Prior art date
Application number
PCT/EP2019/061089
Other languages
English (en)
French (fr)
Inventor
Andre ROSKOPF
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
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 Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to CN201980006902.7A priority Critical patent/CN111527497B/xx
Priority to US16/957,792 priority patent/US11554795B2/en
Publication of WO2019211293A1 publication Critical patent/WO2019211293A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • 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
    • B60W60/005—Handover processes
    • B60W60/0051—Handover processes from occupants to vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Definitions

  • a method of operating a driver assistance system of an ego vehicle having at least one environment sensor for detecting an environment of the ego vehicle, computer-readable medium, system, and vehicle
  • the invention relates to a method for operating a driver assistance system of a
  • Egoschis with at least one environment sensor for detecting an environment of the
  • the invention further relates to a computer-readable medium, a system, and a vehicle comprising the system for operating a driver assistance system of an ego vehicle with at least one environmental sensor for detecting an environment of the
  • WO 2010/127650 A1 describes a method for processing sensor data of a vehicle. The sensor data is evaluated by means of an allocation grid.
  • DE 10 2006 059 068 A1 describes a method for interpreting a traffic situation, in which a position of an object relative to a traffic lane can be used for interpreting the traffic situation.
  • objects can be obscured and are therefore not available for interpreting the traffic situation.
  • satellite-based position data and map data of obscured objects are often too inaccurate or out of date to use the obscured objects for interpreting the traffic situation.
  • the invention is characterized by a method for
  • the Environment sensor for detecting an environment of the ego vehicle.
  • the ego vehicle can be a partially, highly or fully automated vehicle.
  • the environment sensor can be
  • the method includes detecting motions of multiple vehicles with the at least one an environment sensor in the environment of the ego vehicle.
  • the vehicles may travel on the lane of the ego vehicle and / or one or more adjacent lanes and be detected by the at least one environment sensor.
  • the method generates a
  • Movement model by means of the detected movements of the respective vehicles, wherein the movement model comprises movements between the respective vehicles with each other and movements between the respective vehicles and the ego vehicle.
  • the method determines a traffic situation and a probability of a correct one
  • Traffic situation are learned by means of the machine learning method, and wherein the traffic situation and the probability of correct classification of the traffic situation by means of the machine learning method are determined based on the learned characteristic features of the movement model.
  • a driver assistance system can be operated more efficiently, in which the traffic situation is determined and / or arranged more precisely.
  • the movement model can lead to a higher reliability in the evaluation of a traffic situation, since
  • a traffic situation can be detected and determined by the vehicle interactions of the vehicles in the vicinity of the ego vehicle.
  • the ego vehicle can classify a traffic situation by means of the vehicle interactions and the driver assistance system to the classified one
  • the driver assistance system can be preconditioned so that the driver assistance system can execute a driving maneuver more precisely and more safely for occupants of the ego vehicle.
  • a movement may comprise at least one position, a speed, and a positive or negative acceleration of the vehicle.
  • the driver assistance system of the ego vehicle can be adapted to the specific traffic situation in front of a position of the ego vehicle on which the driver assistance system of the ego vehicle performs a maneuver with regard to the traffic situation. This allows the driver assistance system to proactively adjust to the detected traffic situation and to prepare a maneuver in good time.
  • the traffic situation can be specified by one or more characteristic features of the movement model.
  • a characteristic feature of the movement model may be a distance, a change in distance, an acceleration change, a position change, and / or a speed change between two and more
  • generating the movement model by means of the detected movements of the respective vehicles may include training a machine learning method, and determining the traffic situation and the
  • the machine learning method may be a recurrent neural network, and the recurrent neural network may comprise a plurality of long short-term memory units. This allows the traffic situation to be learned efficiently.
  • the invention is characterized by a computer-readable medium for operating a driver assistance system of an ego vehicle with at least one environment sensor for detecting an environment of the ego vehicle, wherein the
  • the invention is characterized by a system for
  • the invention is characterized by a vehicle comprising the system described above for operating a driver assistance system of a vehicle
  • Egoschis with at least one environment sensor for detecting an environment of the
  • Fig. 1 shows an exemplary traffic situation
  • FIG. 2 shows a schematic structure of a method for classifying a
  • FIG. 1 shows an exemplary traffic situation 100 with several vehicles.
  • the traffic situation 100 shows a narrowing of a lane from two lanes to one lane.
  • the traffic situation 100 occurs, for example, at construction sites, accident situations, at the end of highways or overtaking areas of federal highways, where often the road is narrowed by two or more lanes on a lane.
  • the ego vehicle 102 may sense movements, i.
  • the ego vehicle 102 may detect a vehicle 104 which travels in the same lane as the ego vehicle 102 and joins a gap between a vehicle 108 and a vehicle 1 12. For this purpose, the vehicle 104 changes the lane. Further, the ego vehicle 102 may be
  • Detecting vehicle 106 which runs substantially parallel to the ego vehicle 102. Furthermore, the ego vehicle 102 may bridge a gap between the vehicle 106 and the vehicle
  • FIG. 2 shows a schematic structure of a method 200 for classifying a
  • the positions u_1, the speeds u_2, and the accelerations u_3 of the respective vehicles 104 to 14 can be used as input data of the method.
  • the ego vehicle 102 generates based on the
  • Input data a motion or interaction model.
  • Movements i. the respective positions u_1, the velocities u_2, and the
  • the ego vehicle 102 may generate the motion model by using a machine learning method, preferably a recurrent neural network, or a recurrent neural network with long short-term memory units (also called LSTM network), or another machine learning method based on the input data,
  • a machine learning method preferably a recurrent neural network, or a recurrent neural network with long short-term memory units (also called LSTM network), or another machine learning method based on the input data
  • the respective positions u_1, the respective speeds u_2, and the respective accelerations u_3 of the vehicles 104 to 1 14 are trained.
  • the machine learning method is used for a specific traffic scenario, e.g. Traffic scenario 100, trained.
  • the machine learning method can be characteristic
  • Movement features of the vehicles 104 to 1 14 and the ego vehicle 102 e.g.
  • the machine learning method may learn that vehicle 1 12 continues to follow vehicle 10, ie, the distance between vehicle 12 and vehicle 110 remains approximately the same , the relative speed is near 0, and the position of vehicle 1 12 is from the perspective of the ego vehicle 102 behind the position of vehicle 1 10, and that the further vehicles 108, 1 14, 106 their relative positions by the vehicle shearing 104 in the gap between the vehicle 108 and vehicle 1 12 change, ie, the distances of the vehicle 102 to the vehicles 108, 1 14, and 106 change, the
  • Relative speed is not equal to 0, and the positions of the vehicles 108, 114, and 106 change with respect to the ego vehicle 102.
  • the training of the machine learning method may be performed by the ego vehicle 102 or a server external to the ego vehicle 102. If training of the machine learning process is performed outside of the ego vehicle 102, the ego vehicle 102 may transmit and train the input data, such as the respective velocities u_2, and the respective accelerations u_3 of the vehicles 104-114 and the ego vehicle 102, receive machine learning from the server. By transmitting the input data to the server and receiving the trained machine learning process from the server, the ego vehicle 102 may determine the traffic model for a traffic situation, e.g. Traffic situation 100, generate.
  • a traffic situation e.g. Traffic situation 100
  • the ego vehicle 102 may perform the machine learning method, preferably the trained machine learning method, to determine a traffic situation y based on the generated motion model.
  • the trained, machine learning method can recognize one or more movement characteristics of the generated movement model, which are characteristic for the traffic situation, and the traffic situation with the characteristic one
  • the trained, machine learning method in a traffic situation vehicle x follows vehicle y, or vehicle x shears behind vehicle y and other characteristic movement characteristics on a traffic situation, such as shown in Fig. 1, close to the
  • the ego vehicle 102 may determine a probability P indicating with which reliability the traffic situation.
  • a construction site is shown in which the lanes are merged into one lane. Based on the positions, the speed, and the accelerations of the other vehicle 104-1 14, the ego vehicle 102 may learn that the speeds in the traffic situation are low compared to a vehicle
  • the ego vehicle 102 may use the learned characteristic motion features to conclude the traffic situation of the construction site and indicate a likelihood of how reliable the traffic situation assessment is.
  • the ego vehicle can adapt the driver assistance system of the ego vehicle to the specific traffic situation.
  • the ego vehicle can detect the traffic situation without the environment sensor (s) of the ego vehicle having to detect traffic control objects such as pylons or other traffic control signs.
  • the interpretation of the traffic situation from the basis of the movement model and that described in the movement model
  • Vehicle interactions enable a more reliable determination of the traffic situation compared to a determination by means of map data or satellite-based position data.
  • the ego vehicle can detect further traffic situations on the basis of the learned characteristics without the environment sensors of the ego vehicle having to completely grasp the surroundings. For example, the ego vehicle can detect a motorway journey based on characteristic distances, speed and accelerations of the movement model and adapt a driver assistance system of the ego vehicle accordingly.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, das Verfahren umfassend: Erfassen von Bewegungen mehrerer Fahrzeuge mit dem wenigstens einen Umfeldsensor in dem Umfeld des Egofahrzeugs; Erzeugen eines Bewegungsmodell mittels der erfassten Bewegungen der jeweiligen Fahrzeuge, wobei das Bewegungsmodell Bewegungen zwischen den jeweiligen Fahrzeugen untereinander und Bewegungen zwischen den jeweiligen Fahrzeugen und dem Egofahrzeug umfasst; Bestimmen einer Verkehrssituation und einer Wahrscheinlichkeit einer korrekten Einordnung der Verkehrssituation basierend auf dem erzeugten Bewegungsmodell mittels eines maschinellen Lernverfahrens, wobei ein oder mehrere Bewegungsmerkmale des erzeugten Bewegungsmodells, die charakteristisch für die Verkehrssituation sind, mittels des maschinellen Lernverfahrens gelernt werden, und wobei die Verkehrssituation und die Wahrscheinlichkeit der korrekten Einordnung der Verkehrssituation mittels des maschinellen Lernverfahrens basierend auf den gelernten, charakteristischen Merkmalen des Bewegungsmodells bestimmt werden; und Anpassen des Fahrerassistenzsystems des Egofahrzeugs an die bestimmte Verkehrssituation.

Description

Verfahren zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, Computer-lesbares Medium, System, und Fahrzeug
Die Erfindung betrifft ein Verfahren zum Betreiben eines Fahrerassistenzsystems eines
Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des
Egofahrzeugs. Die Erfindung betrifft ferner ein Computer-lesbares Medium, ein System, sowie ein Fahrzeug umfassend das System zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des
Egofahrzeugs.
Aktuelle Fahrzeuge verwenden zur Situationsinterpretation die das Fahrzeug umgebende Objekte, Positionsinformationen, oder Kartendaten. Die das Fahrzeug umgebende Objekte sind meist durch ein Umfeldmodell des Fahrzeugs spezifiziert. Die WO 2010/127650 A1 beschreibt ein Verfahren, Sensordaten eines Fahrzeugs zu verarbeiten. Mittels eines Belegungsgitters werden die Sensordaten ausgewertet. Die DE 10 2006 059 068 A1 beschreibt ein Verfahren zur Interpretation einer Verkehrssituation, bei dem eine Lage eines Objekts bezüglich einer Fahrspur für die Interpretation der Verkehrssituation verwendet werden kann. Objekte können jedoch verdeckt sein und stehen dadurch nicht für die Interpretation der Verkehrssituation zur Verfügung. Ferner sind satellitenbasierte Positionsdaten und Kartendaten von verdeckten Objekten häufig zu ungenau oder nicht aktuell, um die verdeckten Objekte für die Interpretation der Verkehrssituation nutzen zu können.
Es ist daher eine Aufgabe der Erfindung, eine Verkehrssituation effizienter zu interpretieren. Es ist ferner eine Aufgabe der Erfindung, ein Fahrerassistenzsystem eines Fahrzeugs bezüglich einer Verkehrssituation verbessert zu betreiben.
Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zum
Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem
Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs. Das Egofahrzeug kann ein teil-, hoch- oder voll automatisiert fahrendes Fahrzeug sein. Der Umfeldsensor kann ein
Radarsensor, ein Lasersensor, ein Kamerasensor, und/oder ein Ultraschallsensor sein. Das Verfahren umfasst ein Erfassen von Bewegungen mehrerer Fahrzeuge mit dem wenigstens einen Umfeldsensor in dem Umfeld des Egofahrzeugs. Die Fahrzeuge können auf der Fahrspur des Egofahrzeugs und/oder einer oder mehreren benachbarten Fahrspuren fahren und von dem wenigstens einen Umfeldsensor erfasst werden. Das Verfahren erzeugt ein
Bewegungsmodell mittels der erfassten Bewegungen der jeweiligen Fahrzeuge, wobei das Bewegungsmodell Bewegungen zwischen den jeweiligen Fahrzeugen untereinander und Bewegungen zwischen den jeweiligen Fahrzeugen und dem Egofahrzeug umfasst. Das Verfahren bestimmt eine Verkehrssituation und eine Wahrscheinlichkeit einer korrekten
Einordnung der Verkehrssituation basierend auf dem erzeugten Bewegungsmodell mittels eines maschinellen Lernverfahrens, wobei ein Bewegungsmerkmal oder mehrere
Bewegungsmerkmale des erzeugten Bewegungsmodells, die charakteristisch für die
Verkehrssituation sind, mittels des maschinellen Lernverfahrens gelernt werden, und wobei die Verkehrssituation und die Wahrscheinlichkeit der korrekten Einordnung der Verkehrssituation mittels des maschinellen Lernverfahrens basierend auf den gelernten, charakteristischen Merkmalen des Bewegungsmodells bestimmt werden. Das Verfahren passt das
Fahrerassistenzsystem des Egofahrzeugs an die bestimmte Verkehrssituation an.
Vorteilhafterweise kann ein Fahrerassistenzsystem effizienter betrieben werden, in dem die Verkehrssituation präziser bestimmt und/oder eingeordnet wird. Das Bewegungsmodell kann zu einer höheren Verlässlichkeit bei dem Bewerten einer Verkehrssituation führen, da
charakteristische Merkmale einer Straße und/oder einer Fahrspur nicht verdeckt werden können, keine ungenauen Positionsinformationen des Egofahrzeugs verwendet werden müssen, und/oder keine ungenauen oder nicht-aktuellen Kartendaten verwendet werden müssen. Dadurch dass, das Bewegungsmodell Fahrzeuginteraktionen beschreibt, kann eine Verkehrssituation durch die Fahrzeuginteraktionen der Fahrzeuge im Umfeld des Egofahrzeugs erfasst und bestimmt werden. Das Egofahrzeug kann mittels der Fahrzeuginteraktionen eine Verkehrssituation klassifizieren und die Fahrerassistenzsystem auf die klassifizierte
Verkehrssituation ausrichten. Beispielsweise kann das Fahrerassistenzsystem vorkonditioniert werden, so dass das Fahrerassistenzsystem ein Fahrmanöver präziser und für Insassen des Egofahrzeugs sicherer ausführen kann.
Gemäß einer vorteilhaften Ausgestaltung kann eine Bewegung wenigstens eine Position, eine Geschwindigkeit, und eine positive oder negative Beschleunigung des Fahrzeugs umfassen. Gemäß einer weiteren, vorteilhaften Ausgestaltung kann das Fahrerassistenzsystem des Egofahrzeugs an die bestimmte Verkehrssituation vor einer Position des Egofahrzeugs angepasst werden, an der das Fahrerassistenzsystem des Egofahrzeugs ein Manöver bezüglich der Verkehrssituation ausführt. Hiermit kann sich das Fahrerassistenzsystem proaktiv auf die erkannte Verkehrssituation einstellen und ein Manöver rechtzeitig vorbereiten.
Gemäß einer weiteren, vorteilhaften Ausgestaltung kann die Verkehrssituation durch ein oder mehrere charakteristische Merkmale des Bewegungsmodells spezifiziert sein.
Gemäß einer weiteren, vorteilhaften Ausgestaltung kann ein charakteristisches Merkmal des Bewegungsmodells ein Abstand, eine Abstandsänderung, eine Beschleunigungsänderung, eine Positionsänderung, und/oder eine Geschwindigkeitsänderung zwischen zwei und mehr
Fahrzeugen des Umfelds und/oder zwischen einem Fahrzeug des Umfelds und dem
Egofahrzeug sein.
Gemäß einer weiteren, vorteilhaften Ausgestaltung kann das Erzeugen des Bewegungsmodell mittels der erfassten Bewegungen der jeweiligen Fahrzeuge ein Trainieren eines maschinellen Lernverfahrens umfassen, und kann das Bestimmen der Verkehrssituation und der
Wahrscheinlichkeit der korrekten Einordnung der Verkehrssituation basierend auf dem erzeugten Bewegungsmodell mittels des trainierten, maschinellen Lernverfahrens erfolgen. Hiermit kann effizient eine Verkehrssituation durch das Egofahrzeug erkannt werden.
Gemäß einer weiteren, vorteilhaften Ausgestaltung kann das maschinelle Lernverfahren ein rekurrentes, neuronales Netzwerk sein, und das rekurrente, neuronale Netzwerk mehrere long short-term Speichereinheiten umfassen. Hiermit kann die Verkehrssituation effizient gelernt werden.
Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein computerlesbares Medium zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, wobei das
computerlesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Computer oder einem Steuergerät, den Computer oder das Steuergerät dazu veranlassen, das oben beschriebene Verfahren auszuführen. Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein System zum
Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem
Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, wobei das System dazu eingerichtet ist, das oben beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein Fahrzeug umfassend das oben beschriebene System zum Betreiben eines Fahrerassistenzsystems eines
Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des
Egofahrzeugs.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Alle vorstehend in der Beschreibung genannten Merkmale und
Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren allein gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder aber in Alleinstellung verwendbar.
Im Folgenden wird anhand der beigefügten Zeichnungen ein bevorzugtes Ausführungsbeispiel der Erfindung beschrieben. Daraus ergeben sich weitere Details, bevorzugte Ausgestaltungen und Weiterbildungen der Erfindung. Im Einzelnen zeigen schematisch
Fig. 1 eine beispielhafte Verkehrssituation und
Fig. 2 einen schematischen Aufbau eines Verfahrens zum Klassifizieren einer
Verkehrssituation.
Im Detail zeigt Fig. 1 eine beispielhafte Verkehrssituation 100 mit mehreren Fahrzeugen. Die Verkehrssituation 100 zeigt eine Verengung einer Fahrbahn von zwei Fahrspuren auf eine Fahrspur. Die Verkehrssituation 100 tritt beispielsweise bei Baustellen, Unfallsituationen, am Ende von Autobahnen oder Überholbereichen von Bundesstraßen auf, wo häufig die Fahrbahn von zwei oder mehr Fahrspuren auf eine Fahrspur verengt wird. Durch einen oder mehrere Umfeldsensoren eines Egofahrzeugs 102 kann das Egofahrzeug 102 Bewegungen, d.h.
Positionen, Geschwindigkeiten, und Beschleunigungen, von Fahrzeugen 104 bis 1 14 in einem Umfeld des Egofahrzeugs 102 erfassen. In der Verkehrssituation 100 kann das Egofahrzeug 102 ein Fahrzeug 104 erfassen, welches auf der gleichen Fahrspur wie das Egofahrzeug 102 fährt und in eine Lücke zwischen einem Fahrzeug 108 und einem Fahrzeug 1 12 sich einreiht. Dazu wechselt das Fahrzeug 104 die Fahrspur. Ferner kann das Egofahrzeug 102 ein
Fahrzeug 106 erfassen, das im Wesentlichen parallel zu dem Egofahrzeug 102 fährt. Des Weiteren kann das Egofahrzeug 102 eine Lücke zwischen dem Fahrzeug 106 und dem
Fahrzeug 1 14 erfassen, in die sich das Egofahrzeug 102 einreihen kann.
Aus den erfassten Bewegungen der jeweiligen Fahrzeuge 104 bis 1 14 kann das Egofahrzeug 102 ein Bewegungsmodell, im Folgenden auch Interaktionsmodell genannt, erzeugen. Fig. 2 zeigt einen schematischen Aufbau eines Verfahrens 200 zum Klassifizieren einer
Verkehrssituation. Wie in Fig. 2 gezeigt, können die Positionen u_1 , die Geschwindigkeiten u_2, und die Beschleunigungen u_3 der jeweiligen Fahrzeuge 104 bis 1 14 als Eingangsdaten des Verfahrens verwendet werden. Das Egofahrzeug 102 erzeugt, basierend auf den
Eingangsdaten, ein Bewegungs- oder Interaktionsmodell. Dazu werden die jeweiligen
Bewegungen, d.h. die jeweiligen Positionen u_1 , die Geschwindigkeiten u_2, und die
Beschleunigungen u_3, der Fahrzeuge 104 bis 1 14 in das Verhältnis zu dem Egofahrzeug 102 und zueinander gesetzt.
Im Detail kann das Egofahrzeug 102 das Bewegungsmodell erzeugen, indem ein maschinelles Lernverfahren, vorzugsweise ein rekurrentes, neuronales Netzwerk, oder ein rekurrentes, neuronales Netzwerk mit long short-term Speichereinheiten (auch LSTM Netzwerk genannt), oder ein anderes maschinelles Lernverfahren, basierend auf den Eingangsdaten,
beispielsweise die jeweiligen Positionen u_1 , die jeweiligen Geschwindigkeiten u_2, und die jeweiligen Beschleunigungen u_3 der Fahrzeuge 104 bis 1 14, trainiert wird. Vorzugsweise wird das maschinelle Lernverfahren für ein konkretes Verkehrsszenario, z.B. Verkehrsszenario 100, trainiert. Beispielweise kann das maschinelle Lernverfahren charakteristische
Bewegungsmerkmale der Fahrzeuge 104 bis 1 14 sowie des Egofahrzeugs 102, z.B.
charakteristische Relativbewegungen der Fahrzeuge 104 bis 1 14 sowie des Egofahrzeugs 102, durch das Trainieren des maschinellen Lernverfahrens lernen.
In der beispielhaften Verkehrssituation 100 aus Fig. 1 , kann das maschinelle Lernverfahren während des Trainierens des maschinellen Lernverfahrens lernen, dass Fahrzeug 1 12 weiter dem Fahrzeug 1 10 folgt, d.h. die Distanz zwischen dem Fahrzeug 1 12 und dem Fahrzeug 1 10 in etwa gleich bleibt, die Relativgeschwindigkeit nahe 0 ist, und die Position von Fahrzeug 1 12 aus Sicht des Egofahrzeugs 102 hinter der Position von Fahrzeug 1 10 ist, und dass die weiteren Fahrzeuge 108, 1 14, 106 ihre Relativpositionen durch das Einscheren von Fahrzeug 104 in die Lücke zwischen Fahrzeug 108 und Fahrzeug 1 12 ändern, d.h. die Distanzen des Egofahrzeugs 102 zu den Fahrzeugen 108, 1 14, und 106 ändern sich, die
Relativgeschwindigkeit ist ungleich 0, und die Positionen der Fahrzeuge 108, 1 14, und 106 ändern sich gegenüber dem Egofahrzeug 102.
Das Trainieren des maschinellen Lernverfahrens kann durch das Egofahrzeug 102 oder einen Server außerhalb des Egofahrzeugs 102 ausgeführt werden. Falls das Trainieren des maschinellen Lernverfahrens außerhalb des Egofahrzeugs 102 ausgeführt wird, kann das Egofahrzeug 102 die Eingangsdaten, beispielsweise die jeweiligen Geschwindigkeiten u_2, und die jeweiligen Beschleunigungen u_3 der Fahrzeuge 104 bis 1 14 sowie des Egofahrzeugs 102, an den Server übertragen und das trainierte, maschinelle Lernverfahren von dem Server empfangen. Durch das Übertragen der Eingangsdaten an den Server und das Empfangen des trainierten maschinellen Lernverfahrens von dem Server kann das Egofahrzeug 102 das Bewegungsmodell für eine Verkehrssituation, z.B. Verkehrssituation 100, erzeugen.
Das Egofahrzeug 102 kann das maschinelle Lernverfahren, vorzugsweise das trainierte, maschinelle Lernverfahren ausführen, um basierend auf dem erzeugten Bewegungsmodell eine Verkehrssituation y zu bestimmen. Das trainierte, maschinelle Lernverfahren kann ein oder mehrere Bewegungsmerkmale des erzeugten Bewegungsmodells, die charakteristisch für die Verkehrssituation sind, erkennen und die Verkehrssituation mit den charakteristischen
Bewegungsmerkmalen bestimmen bzw. klassifizieren. Beispielsweise kann das trainierte, maschinelle Lernverfahren bei einer Verkehrssituation Fahrzeug x folgt Fahrzeug y, oder Fahrzeug x schert hinter Fahrzeug y ein und weiteren charakteristischen Bewegungsmerkmale auf eine Verkehrssituation, wie beispielsweise in Fig. 1 dargestellt, schließen, um die
Verkehrssituation zu klassifizieren. Neben der Verkehrssituation y kann der Egofahrzeug 102 eine Wahrscheinlichkeit P bestimmen, die angibt, mit welcher Zuverlässigkeit die
Verkehrssituation korrekt eingeschätzt wird.
In der Verkehrssituation der Fig. 1 ist eine Baustelle gezeigt, bei der die Fahrspuren auf eine Fahrspur zusammengeführt werden. Basierend auf den Positionen, den Geschwindigkeit und den Beschleunigungen der weiteren Fahrzeugs 104 bis 1 14 kann das Egofahrzeug 102 lernen, dass die Geschwindigkeiten in der Verkehrssituation niedrig im Vergleich zu einer
Geschwindigkeit auf der Fahrbahn ohne Baustelle sind. Des Weiteren sind die Abstände zwischen den weiteren Fahrzeugen 106, 108, 1 10, 1 12, 1 14 und dem weiteren Fahrzeug 104 und dem Egofahrzeug 102 durch geringe Abstände gekennzeichnet. Ferner treten zumeist kurzzeitige negative Beschleunigungen bei dem Egofahrzeug 102 und den weiteren
Fahrzeugen 104 bis 1 14 auf. Das Egofahrzeug 102 kann die gelernten charakteristischen Bewegungsmerkmale verwenden, um auf die Verkehrssituation Baustelle zu schließen und eine Wahrscheinlichkeit angeben, wie zuverlässig, die Einschätzung der Verkehrssituation ist. Der kann das Egofahrzeug das Fahrerassistenzsystem des Egofahrzeugs an die bestimmte Verkehrssituation anpassen.
Vorteilhafterweise kann das Egofahrzeug die Verkehrssituation erfassen ohne dass der bzw. die Umfeldsensoren des Egofahrzeugs Verkehrsleitobjekte wie beispielsweise Pylonen oder andere Verkehrsleitzeichen erfassen muss. Die Interpretation der Verkehrssituation aus Basis des Bewegungsmodell und der in dem Bewegungsmodell beschriebenen
Fahrzeuginteraktionen ermöglicht eine verlässlichere Bestimmung der Verkehrssituation im Vergleich zu einer Bestimmung mittels Kartendaten oder satellitenbasierten Positionsdaten.
Neben der Verkehrssituation Baustelle kann das Egofahrzeug weitere Verkehrssituation anhand der gelernten Charakteristika erfassen ohne dass die Umfeldsensoren des Egofahrzeugs das Umfeld vollständig erfassen müssen. Beispielsweise kann das Egofahrzeug eine Autobahnfahrt anhand von charakteristischen Abständen, Geschwindigkeit und Beschleunigungen des Bewegungsmodells erfassen und ein Fahrerassistenzsystem des Egofahrzeugs entsprechend anpassen.
Bezugszeichenliste
100 Verkehrssituation
102 Egofahrzeug
104 Fahrzeug
106 Fahrzeug
108 Fahrzeug
1 10 Fahrzeug
1 12 Fahrzeug
1 14 Fahrzeug
1 16 Pylone
200 schematischer Aufbau eines Verfahrens

Claims

Patentansprüche
1. Verfahren zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, das Verfahren umfassend:
Erfassen von Bewegungen mehrerer Fahrzeuge mit dem wenigstens einen
Umfeldsensor in dem Umfeld des Egofahrzeugs;
Erzeugen eines Bewegungsmodell mittels der erfassten Bewegungen der jeweiligen Fahrzeuge, wobei das Bewegungsmodell Bewegungen zwischen den jeweiligen Fahrzeugen untereinander und Bewegungen zwischen den jeweiligen Fahrzeugen und dem Egofahrzeug umfasst;
Bestimmen einer Verkehrssituation und einer Wahrscheinlichkeit einer korrekten Einordnung der Verkehrssituation basierend auf dem erzeugten Bewegungsmodell mittels eines maschinellen Lernverfahrens,
wobei ein oder mehrere Bewegungsmerkmale des erzeugten
Bewegungsmodells, die charakteristisch für die Verkehrssituation sind, mittels des maschinellen Lernverfahrens gelernt werden, und
wobei die Verkehrssituation und die Wahrscheinlichkeit der korrekten Einordnung der Verkehrssituation mittels des maschinellen Lernverfahrens basierend auf den gelernten, charakteristischen Merkmalen des Bewegungsmodells bestimmt werden; und Anpassen des Fahrerassistenzsystems des Egofahrzeugs an die bestimmte
Verkehrssituation.
2. Verfahren nach Anspruch 1 , wobei eine Bewegung wenigstens ein Position, eine
Geschwindigkeit, und eine positive oder negative Beschleunigung des Fahrzeugs umfasst.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Fahrerassistenzsystem des Egofahrzeugs an die bestimmte Verkehrssituation vor einer Position des Egofahrzeugs angepasst wird, an der das Fahrerassistenzsystem des Egofahrzeugs ein Manöver bezüglich der Verkehrssituation ausführt.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Verkehrssituation durch ein oder mehrere charakteristische Merkmale des Bewegungsmodells spezifiziert ist.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein charakteristisches Merkmal des Bewegungsmodells ein Abstand, eine Abstandsänderung, eine Beschleunigungsänderung, eine Positionsänderung, und/oder eine Geschwindigkeitsänderung zwischen zwei und mehr Fahrzeugen des Umfelds und/oder zwischen einem Fahrzeug des Umfelds und dem
Egofahrzeug ist.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Erzeugen des
Bewegungsmodell mittels der erfassten Bewegungen der jeweiligen Fahrzeuge ein Trainieren eines maschinellen Lernverfahrens umfasst; und
wobei das Bestimmen der Verkehrssituation und der Wahrscheinlichkeit der korrekten Einordnung der Verkehrssituation basierend auf dem erzeugten Bewegungsmodell mittels des trainierten, maschinellen Lernverfahrens erfolgt.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei das maschinelle Lernverfahren ein rekurrentes, neuronales Netzwerk ist; und
wobei das rekurrente, neuronale Netzwerk mehrere long short-term Speichereinheiten umfasst.
8. Computer-lesbares Medium zum Betreiben eines Fahrerassistenzsystems eines
Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des
Egofahrzeugs, wobei das Computer-lesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Computer oder einem Steuergerät, den Computer oder das Steuergerät dazu veranlassen, das Verfahren nach einem der Ansprüche 1 bis 7 auszuführen.
9. System zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, wobei das System dazu eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 7 auszuführen.
10. Fahrzeug umfassend das System zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des
Egofahrzeugs nach Anspruch 9.
PCT/EP2019/061089 2018-05-02 2019-04-30 Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug WO2019211293A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201980006902.7A CN111527497B (en) 2018-05-02 2019-04-30 Method for operating a driver assistance system of an autonomous vehicle, computer readable medium, system and vehicle
US16/957,792 US11554795B2 (en) 2018-05-02 2019-04-30 Method for operating a driver assistance system of an ego vehicle having at least one surroundings sensor for detecting the surroundings of the ego vehicle, computer readable medium, system and vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018206743.0A DE102018206743A1 (de) 2018-05-02 2018-05-02 Verfahren zum Betreiben eines Fahrerassistenzsystems eines Egofahrzeugs mit wenigstens einem Umfeldsensor zum Erfassen eines Umfelds des Egofahrzeugs, Computer-lesbares Medium, System, und Fahrzeug
DE102018206743.0 2018-05-02

Publications (1)

Publication Number Publication Date
WO2019211293A1 true WO2019211293A1 (de) 2019-11-07

Family

ID=66542202

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/061089 WO2019211293A1 (de) 2018-05-02 2019-04-30 Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug

Country Status (3)

Country Link
US (1) US11554795B2 (de)
DE (1) DE102018206743A1 (de)
WO (1) WO2019211293A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3084631B1 (fr) * 2018-07-31 2021-01-08 Valeo Schalter & Sensoren Gmbh Assistance a la conduite pour le controle longitudinal et/ou lateral d'un vehicule automobile
JP7294200B2 (ja) * 2020-03-16 2023-06-20 トヨタ自動車株式会社 情報処理装置、車両システム、情報処理方法、およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006059068A1 (de) 2006-12-14 2008-06-19 Robert Bosch Gmbh Verfahren für ein Fahrerassistenzsystem und Fahrerassistenzsystem
WO2010127650A1 (de) 2009-05-06 2010-11-11 Conti Temic Microelectronic Gmbh Verfahren zur auswertung von sensordaten für ein kraftfahrzeug
EP3281831A1 (de) * 2016-08-11 2018-02-14 TRW Automotive GmbH Steuerungssystem und steuerungsverfahren zum ermitteln einer wahrscheinlichkeit für einen fahrspurwechsel eines vorausfahrenden kraftfahrzeugs

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011118157A1 (de) * 2011-11-10 2013-05-16 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Verfahren zum Betreiben eines Informations- und Unterhaltungssystems eines Kraftfahrzeugs und Informations- und Unterhaltungssystem
DE102012009297A1 (de) * 2012-05-03 2012-12-13 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
US20140005907A1 (en) * 2012-06-29 2014-01-02 Magna Electronics Inc. Vision-based adaptive cruise control system
DE102013213006A1 (de) * 2013-07-03 2015-01-08 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenz-Teilsystem für ein Kraftfahrzeug zur Ermittlung der Handlungsoptionen von mehreren Verkehrsteilnehmern
DE102014221682A1 (de) * 2014-10-24 2016-04-28 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Fahrzeugs
DE102016211587A1 (de) * 2016-06-28 2017-12-28 Robert Bosch Gmbh Verfahren und Vorrichtung zum Steuern eines Fahrzeugs
US10769452B2 (en) * 2016-11-14 2020-09-08 Lyft, Inc. Evaluating and presenting pick-up and drop-off locations in a situational-awareness view of an autonomous vehicle
US10916135B2 (en) * 2018-01-13 2021-02-09 Toyota Jidosha Kabushiki Kaisha Similarity learning and association between observations of multiple connected vehicles
US10540554B2 (en) * 2018-03-29 2020-01-21 Toyota Jidosha Kabushiki Kaisha Real-time detection of traffic situation
US11363031B2 (en) * 2018-08-27 2022-06-14 Ciena Corporation Network architecture providing device identification and redirection using whitelisting traffic classification
US10902303B2 (en) * 2019-01-22 2021-01-26 Honda Motor Co., Ltd. Methods and systems for visual recognition using triplet loss
EP3742345A1 (de) * 2019-05-20 2020-11-25 Robert Bosch GmbH Neuronales netz mit einer schicht zur auflösung eines semidefiniten programms
US11868136B2 (en) * 2019-12-19 2024-01-09 Woven By Toyota, U.S., Inc. Geolocalized models for perception, prediction, or planning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006059068A1 (de) 2006-12-14 2008-06-19 Robert Bosch Gmbh Verfahren für ein Fahrerassistenzsystem und Fahrerassistenzsystem
WO2010127650A1 (de) 2009-05-06 2010-11-11 Conti Temic Microelectronic Gmbh Verfahren zur auswertung von sensordaten für ein kraftfahrzeug
EP3281831A1 (de) * 2016-08-11 2018-02-14 TRW Automotive GmbH Steuerungssystem und steuerungsverfahren zum ermitteln einer wahrscheinlichkeit für einen fahrspurwechsel eines vorausfahrenden kraftfahrzeugs

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SAJAN PATEL ET AL: "Predicting Future Lane Changes of Other Highway Vehicles using RNN-based Deep Models", 14 March 2018 (2018-03-14), XP055617509, Retrieved from the Internet <URL:https://arxiv.org/pdf/1801.04340v3.pdf> [retrieved on 20190902] *

Also Published As

Publication number Publication date
US20210061311A1 (en) 2021-03-04
DE102018206743A1 (de) 2019-11-07
US11554795B2 (en) 2023-01-17
CN111527497A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
DE112012006226B4 (de) Fahrassistenzvorrichtung
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
DE102020214283A1 (de) Vorrichtung zur erkennung von hindernissen, fahrzeugsystem mit dieser und verfahren dafür
DE102014216257A1 (de) Verfahren zum Bestimmen einer Fahrstrategie
DE102019206875B3 (de) Erkennen einer Bankettfahrt eines Kraftfahrzeugs
DE112016007501T5 (de) Regel-/steuervorrichtung und regel-/steuerverfahren
DE102014106506A1 (de) Verfahren zum Durchführen einer Diagnose eines Kamerasystems eines Kraftfahrzeugs, Kamerasystem und Kraftfahrzeug
DE102021128041A1 (de) Verbesserung eines neuronalen fahrzeugnetzwerks
DE102016207276A1 (de) Verfahren zur Freigabe einer Fahrfunktion in einem Fahrzeug
DE102020122837A1 (de) Verfahren und vorrichtung zum erzeugen eines wendewegs in einem mehrschichtiges-lernen-basierten autonomen fahrzeug
DE102019216989A1 (de) Zwischenfahrzeug-sensorvalidierung unter ver wendung eines sensorfusionsnetzwerks
DE102017214531A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftfahrzeugs in einem automatisierten Fahrbetrieb sowie Kraftfahrzeug
WO2021139974A1 (de) Verfahren zur zusammenführung mehrerer datensätze für die erzeugung eines aktuellen spurmodells einer fahrbahn und vorrichtung zur datenverarbeitung
DE102021105159A1 (de) Erfassung von fahrzeugen und reaktion darauf
DE102020113611A1 (de) Verfahren und Sicherheitssystem zum Absichern einer automatisierten Fahrzeugfunktion und Kraftfahrzeug
DE102010003375B4 (de) Umfeldbewertungssystem in einem Fahrzeug mit Sensormitteln zur Erfassung von Objekten im Umfeld des Fahrzeuges
WO2020143977A1 (de) Vorrichtung und verfahren zur verbesserung von assistenzsystemen für laterale fahrzeugbewegungen
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
DE102022109017A1 (de) Modell zur risikobewertung der kollisionsminderung an kreuzungen
DE102018213378B4 (de) Fahrassistenzsystem für ein Fahrzeug, Fahrzeug mit demselben und Fahrassistenzverfahren für ein Fahrzeug
WO2020051618A1 (de) Analyse dynamisscher räumlicher szenarien
DE102021123522A1 (de) Erfassung von fahrzeugen und reaktion darauf
WO2019120709A1 (de) Verfahren und steuereinheit zur steuerung einer funktion eines zumindest teilweise automatisiert fahrenden fahrzeugs
DE102018005864A1 (de) Verfahren zum Testen eines Totwinkelassistenzsystems für ein Fahrzeug
DE102020118589A1 (de) Verbesserter fahrzeugbetrieb

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19724103

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19724103

Country of ref document: EP

Kind code of ref document: A1