WO2024121023A1 - System oder verfahren zur erkennung von häufigkeiten von gleichen oder ähnlichen szenarien - Google Patents

System oder verfahren zur erkennung von häufigkeiten von gleichen oder ähnlichen szenarien Download PDF

Info

Publication number
WO2024121023A1
WO2024121023A1 PCT/EP2023/084055 EP2023084055W WO2024121023A1 WO 2024121023 A1 WO2024121023 A1 WO 2024121023A1 EP 2023084055 W EP2023084055 W EP 2023084055W WO 2024121023 A1 WO2024121023 A1 WO 2024121023A1
Authority
WO
WIPO (PCT)
Prior art keywords
road
ego vehicle
scenarios
designed
ego
Prior art date
Application number
PCT/EP2023/084055
Other languages
English (en)
French (fr)
Inventor
Franziska Körtke
Wolfgang Scheffer
Thilo Braun
Lennart RIES
Eric SAX
Markus LEMMER
Stefan OTTEN
Original Assignee
Zf Friedrichshafen Ag
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 Zf Friedrichshafen Ag filed Critical Zf Friedrichshafen Ag
Publication of WO2024121023A1 publication Critical patent/WO2024121023A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3664—Environments for testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Definitions

  • the invention relates to a system and a method for detecting frequencies of identical or similar scenarios for an ego vehicle with an ego trajectory on predefined roads, wherein the road is digitally mapped as a digital road, comprising a simulator for generating simulated traffic situations with different road users and the ego vehicle on the digital road.
  • ADAS advanced driver assistance systems
  • ADS automated driving systems
  • test coverage of several billion test kilometers would have to be driven. Even with the use of simulation tools, the required number of test kilometers cannot be achieved. Testing an at least partially autonomous ego vehicle exclusively on the road with journeys of billions of kilometers is also not possible for reasons of time and cost. In addition, many redundant test kilometers would be created.
  • WO 2022028935 A1 discloses a test unit and a computer-implemented method for providing a scenario test sequence with scenarios to be tested, in particular traffic scenarios, for testing a device for at least partially autonomously guiding a means of transport, with the steps:
  • a system for detecting frequencies of identical or similar scenarios for an ego vehicle with an ego trajectory on predefined roads comprising a simulator for generating simulated traffic situations with different road users and the ego vehicle on the digital road, and wherein a processor is provided which is designed to segment the digital road into road segments, wherein a road segment is the specific representation of a road section with uniform properties, and wherein an extraction module is provided which is designed to extract the behavior of all road users and the ego vehicle in the road segment and to assign different scenarios to the road segment depending on all extracted behaviors, and wherein a cluster module is provided which is designed to cluster similar or identical scenarios in relation to the respective road segment, so that each cluster has similar or identical behaviors of the road users and the ego vehicle in relation to the respective road segment, and wherein a calculation module is provided which is used to determine the size of the clusters as the frequency of identical or similar scenarios.
  • a scenario is defined by the static environment such as the road network, buildings and the behavior of
  • a frequently occurring scenario is a scenario that occurs frequently compared to another, i.e. a scenario that occurs repeatedly compared to a scenario that occurs sporadically.
  • Roads are paved or unpaved roads, paths, etc.
  • the size of the clusters can correspond to the number of scenarios they contain.
  • Road segments can be T-junctions, roundabouts, intersections, roads with zebra crossings, 30 km/h zones, etc.
  • testing of autonomous driving functions must be ensured using all relevant, frequently occurring scenarios in order to ensure adequate security of the autonomous driving functions.
  • other scenarios must also be reliably identified in terms of their frequency.
  • the recorded data form a scenario space with a high degree of redundancy, which must be split up and considered with regard to redundancy.
  • the system according to the invention allows a semantic analysis of the data by abstracting scenarios based on behavior on defined roads and dividing them into clusters.
  • the system according to the invention enables a A systematic approach to determining the frequency of scenarios based on defined streets is possible.
  • the highly scalable simulation allows a great deal of knowledge to be gained very quickly on a street, which also makes it much easier to expand the street or switch to new streets.
  • the automated clustering in particular means that as few human assumptions as possible are used to determine the frequencies; the system can run largely without manual intervention.
  • the system according to the invention can provide insights into the probabilities of a scenario in the real world, regardless of the complexity resulting from the different number of road users and different sequence lengths.
  • the extraction module is designed to determine the behavior based on extracted trajectories of the road users and the ego vehicle's ego trajectory as well as the interaction between the road users and the ego vehicle. This makes it easy to capture the dynamic behavior of the road users and the ego vehicle. This makes it possible to obtain a simple abstraction to describe the behavior of the road users and the ego vehicle. Thus, only the behavior (here the trajectories) of the road users and the ego vehicle as well as the interaction or possible interaction are considered; the number of road users is not decisive. Different interactions can be, for example: intersections when crossing, overtaking, turning. Interactions with pedestrians can be, for example, stopping at traffic lights or zebra crossings, braking in dangerous situations, etc.
  • the extraction module is designed to determine at least the speed of the ego vehicle and the road users as a behavior in addition to the interaction and the extracted trajectories. Additional parameters can be determined as behavior. This allows the scenarios to be broken down more finely and more information to be obtained about the scenarios.
  • the extraction module is designed to determine the behavior based on abstracted maneuvers of the road users and the ego vehicle as well as the interaction between the road users and the ego vehicle.
  • Maneuvers are a concise way of describing the behavior of the road users and the ego vehicle. The behavior can be successfully abstracted completely. By describing it using maneuvers, the dynamic behavior of the road users and the ego vehicle can be easily captured.
  • the extraction module can be designed to use a combination of a lateral and a longitudinal maneuver as a maneuver.
  • the behavior of a participant can be described with a combination of a lateral and a longitudinal maneuver.
  • a road segment can correspond to at least one of the following elements: right turn, left turn, right curve, left curve, straight road, roundabout, hilltop, valley, intersection, level road, incline, decline, single-lane road, multi-lane road, motorway. These elements are very common road segments. Other elements can also be present.
  • the extraction module is designed to only take into account those road users within a predetermined radius around the ego vehicle in order to determine an interaction capability. Furthermore, the extraction module can also be designed to use those road users whose trajectory or maneuvers intersect with the ego trajectory or maneuver of the ego vehicle to determine an interaction capability. This can increase the speed of the system and identify and narrow down the scenarios according to their relevance; unimportant road users who do not contribute to the scenario are therefore ignored.
  • the cluster module is designed to determine a similarity between two scenarios with respect to a road segment if at least the extracted maneuvers of the road users and the ego vehicle in connection with the interaction between the road users and the ego vehicle and/or the extracted trajectories and the ego trajectory in connection with the interaction between the road users and the ego vehicle only show a deviation below a predetermined threshold value.
  • calculation module can be designed to determine the number of clusters as well as the number of scenarios that occur. Furthermore, the number of scenarios that occur rarely can also be identified.
  • the computing module is designed to create a test environment for testing autonomous driving functions of an at least partially operable ego vehicle based on the size of the clusters and to test the autonomous driving functions of the ego vehicle in the test environment.
  • the calculation module is used to generate a test environment that enables faster and safer validation of autonomous driving functions. By grouping similar scenarios, the high level of redundancy in testing autonomous driving functions can be reduced.
  • the frequency of the recognized scenarios can thus serve as a basis for prioritization when generating the test environment, for example, scenarios with a high frequency are replaced by autonomous driving functions with particularly high Driving parameter variations were carried out to ensure safe autonomous driving in such a frequently occurring scenario.
  • each scenario group can be represented by a member.
  • an interface is provided for receiving real data from various scenarios from the perspective of the ego vehicle in order to enrich the simulated traffic situations with real data or to check simulated traffic situations with real data.
  • Information about the scenarios is collected through real journeys of the ego vehicle and compared with the simulated traffic situations in order to check and ensure the quality of the simulation or to enrich it with real data. This means that, for example, faulty sensors can be included in the scenario generation.
  • the object is achieved by a method for detecting frequencies of identical or similar scenarios for an ego vehicle with an ego trajectory on predefined roads, wherein the road is digitally mapped as a digital road, comprising the steps:
  • the method is designed to be carried out on the system according to the invention.
  • the process can be largely automated, without manual intervention, especially at night. This means that the process can run for several days/weeks without manual intervention, so that quick results can be generated.
  • the behavior is determined based on extracted trajectories of the road users and the ego trajectory of the ego vehicle as well as the interaction between the road users and the ego vehicle.
  • the behavior is determined on the basis of abstracted maneuvers of the road users and the ego vehicle as well as the interaction between the road users and the ego vehicle.
  • the method may comprise the following further steps:
  • FIG 1 a system according to the invention schematically
  • FIG 2 a road with different road segments
  • FIG 3 an interaction of an ego vehicle with a road user
  • FIG 4 a cluster with the same or similar traffic scenarios
  • FIG 5 clusters of different sizes
  • FIG 6 the method according to the invention schematically.
  • a scenario is defined by the static environment such as the road network, buildings and the behavior of other road users; i.e. a scenario is an abstract, semantic description, defined by the ego vehicle and the relevant environment.
  • Autonomous driving functions are all functions that contribute to autonomous ferry operations, and can also include level 3 driving functions (automated mode) or an assisted mode. Such driving functions can include lane keeping, speed adjustment, etc.
  • FIG 1 shows a system 1 according to the invention for detecting frequencies of identical or similar scenarios for an ego vehicle 2 with an ego trajectory 5 on predefined roads, whereby the road is digitally mapped as digital road 3.
  • Digital roads are roads that are available in digital form. Such digitization of road infrastructure is a common practice.
  • the system 1 comprises a simulator 10 for generating simulated traffic situations with different road users and the ego vehicle 2 on the digital road 3.
  • Such simulations can, for example, be created by commercial providers.
  • the simulated traffic situations can be enriched or verified with real data.
  • real data can come from traffic monitoring, vehicles equipped with sensors, drones, etc.
  • a processor 4 is provided for segmenting the digital road 3 into road segments 8, wherein a road segment 8 is the specific representation of a road section with uniform properties.
  • Each road segment 8 represents a cut-out part of the road network.
  • Road segments 8 can be, for example (not exhaustive list): right turn, left turn, right curve, left curve, straight road, roundabout, hilltop, valley, intersection, level road, incline, decline, single-lane road, multi-lane road, motorway. These elements are very common road segments 8.
  • FIG 2 shows a real road divided into road segments 8. Such a division can, for example, be carried out automatically. Furthermore, an extraction module 6 is provided for extracting the behavior of all road users and the ego vehicle 2 in the road segment 8.
  • the behavior is assigned to the respective road segment 8 as a scenario 7 related to the road segment 8.
  • the extraction module 6 can extract the respective ego trajectory 5 and the trajectory 9 of the road users and assign the extracted trajectories 9 (FIG 3) of the road users and the ego trajectory 5 (FIG 3) of the ego vehicle 2 as well as the interaction between the road users and the ego vehicle 2 as a behavior to the corresponding road segment 8 as scenario 7.
  • FIG 3 shows such an ego trajectory 5, which interacts with another road user, here a second vehicle 11 (overtaking maneuver).
  • Road segment 8 is a straight two-lane road.
  • the extraction module 6 can extract the maneuvers of the road users and the ego vehicle 2 as behavior.
  • the extraction module 6 can extract the behavior based on abstracted maneuvers of the road users and the ego vehicle 2 as well as the interaction between the road users and the ego vehicle 2.
  • Maneuvers provide a concise way to describe the behavior of road users and the ego vehicle 2.
  • the behavior can be completely abstracted.
  • the maneuver can be described, for example, as a combination of a lateral and a longitudinal maneuver.
  • scenario 7 can be restricted to only the relevant road users interacting with the ego vehicle 2.
  • spatial distance can be used as a measure of interaction capability.
  • only road users within a given radius around the ego vehicle 2 can be considered capable of interaction.
  • the extraction module 6 can also only use those road users whose trajectory 9 or maneuvers have an intersection with the ego trajectory 5 or the maneuver of the ego vehicle 2.
  • the system 1 has a cluster module 12 (FIG. 1) for clustering at least similar or identical scenarios 7 in relation to the respective road segment 8.
  • each cluster 13 has similar or identical behaviors of the road users and the ego vehicle 2 in relation to the respective road segment 8.
  • FIG 4 shows a cluster 13 with the same or similar traffic scenarios 7.
  • the cluster module 12 can be designed to determine a similarity between two scenarios 7 with respect to a road segment 8 if at least the extracted maneuvers in connection with the interaction between the road users and the ego vehicle 2 and/or the extracted trajectories 9 and the ego trajectory 5 in connection with the interaction between the road users and the ego vehicle 2 only have a deviation below a predetermined threshold value.
  • the extracted trajectories 9 and the ego trajectory 5 in connection with the interaction between the road users and the ego vehicle 2 can be similar or identical.
  • scenario clusters not only the probability of occurrence (frequency) but also redundancy and anomalies can be identified.
  • FIG 5 shows such scenario clusters.
  • Frequent scenarios 7 (cluster 13) as well as less frequent scenarios 7a (cluster 13a) and anomalies 7b (cluster 13b) can occur, for example driving maneuvers that are carried out by emergency vehicles contrary to the rules for normal road users, but which must also be taken into account in the subsequent test procedure for the autonomous driving functions.
  • the system 1 has a computing module 14 (FIG. 1) for determining the size of the clusters 13, 13a, 13b as the frequency of identical or similar scenarios 7, 7a, 7b and for creating a test environment for testing autonomous driving functions of an at least partially operable ego vehicle 2 based on the size of the clusters 13, 13a, 13b. Furthermore, the computing module 14 is for testing the autonomous driving functions of the ego vehicle 2 in the test environment.
  • a computing module 14 (FIG. 1) for determining the size of the clusters 13, 13a, 13b as the frequency of identical or similar scenarios 7, 7a, 7b and for creating a test environment for testing autonomous driving functions of an at least partially operable ego vehicle 2 based on the size of the clusters 13, 13a, 13b.
  • the computing module 14 is for testing the autonomous driving functions of the ego vehicle 2 in the test environment.
  • a test environment is generated which enables a faster and safer validation of autonomous driving functions installed in an autonomously operable vehicle.
  • the frequency of the detected scenarios 7, 7a, 7b can thus serve as a basis for prioritization when generating the test environment.
  • scenarios 7 are carried out with great frequency by the autonomous driving functions with particularly high driving parameter variations in order to guarantee a safe autonomous driving function in such a frequently occurring scenario 7.
  • FIG 6 shows a schematic view of the method according to the invention for detecting frequencies of identical or similar scenarios 7, 7a, 7b for an ego vehicle 2 with an ego trajectory 5 on predefined roads, wherein the road is digitally mapped as a digital road.
  • a first step S1 different traffic situations, i.e. a representation of real traffic, with different road users and the ego vehicle 2 are simulated on the digital road 3.
  • a road segment 8 is the specific representation of a road section with uniform properties.
  • a third step S3 the behavior of all road users and the ego vehicle 2 in the road segment 8 is extracted and the different scenarios 7, 7a, 7b are assigned to the corresponding road segment 8.
  • a fourth step S4 similar or identical scenarios 7, 7a, 7b are clustered with respect to the respective road segment 8, so that each cluster 13, 13a, 13b has similar or identical behaviors of the road users and the ego vehicle 2 with respect to a respective road segment 8; ie has the same or a similar scenario 7, 7a, 7b.
  • the size of the clusters 13, 13a, 13b can then be calculated as the frequency of identical or similar scenarios 7, 7a, 7b.
  • the size of the clusters 13, 13a, 13b can correspond to the number of scenarios 7, 7a, 7b contained therein.
  • a test environment for testing autonomous driving functions of an at least partially operable ego vehicle 2 can be created based on the size of the clusters 7, 7a, 7b and the autonomous driving functions can be tested in the test environment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

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

Description

System oder Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen
Szenarien
Die Erfindung betrifft ein System und ein Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, umfassend eines Simulators zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug auf der digitalen Straße.
Autonome Fahrfunktionen in Fahrerassistenzsystemen (Advanced Driver Assistance Systems, ADAS) und automatisierten Fahrsystemen (Automated Driving Systems, ADS) auf öffentlichen Straßen haben das Potenzial, das Verkehrswesen in Zukunft grundlegend zu verändern. Validierung und Verifizierung solcher autonomen Fahrfunktionen sind jedoch ein wichtiges Anliegen, um ein ausreichend hohes Maß an Sicherheit und Akzeptanz zu gewährleisten.
Um das Risiko automatisierter Fahrfunktionen abschätzen zu können, ist Wissen über mögliche Verkehrssituationen, sogenannten Szenarien, notwendig. Es müssen möglichst viele der eventuell im Betrieb der Fahrfunktion auftretenden Szenarien bekannt sein. Um das Risiko abzuschätzen, werden zusätzlich auch Informationen über die Häufigkeiten dieser Szenarien benötigt. Klassischerweise werden diese Informationen nicht erhoben, sondern auf Basis von insbesondere potentiell unvollständigem Expertenwissen entschieden. Alternativ können Datensammlungen wie Unfalldatenbanken verwendet werden, die jedoch oft in ihrer Beschreibung nicht ausreichen und nur einen kleinen Teil des Verkehrsgeschehens abbilden.
Zur Validierung der autonomen Fahrfunktionen müsste jedoch eine Testabdeckung mit mehreren Milliarden Testkilometer gefahren werden. Selbst mit dem Einsatz von Simulationswerkzeugen kann die erforderliche Anzahl von Testkilometern nicht erreicht werden. Ein zumindest teilweise autonomes Egofahrzeug ausschließlich auf der Straße mit Fahrtstrecken über Milliarden Kilometer zu testen, ist zudem aus Zeit- und Kostengründen nicht möglich. Zudem würden viele redundante Testkilometer entstehen.
Daher wird eine effizientere Methode zur Erhöhung der Testabdeckung benötigt. Aktuelle Forschungsprojekte und die Industrie konzentrieren sich in dieser Hinsicht auf szenarienbasiertes Testen.
Dazu müssen jedoch zunächst ähnliche Szenarien identifiziert werden, um die zu testenden Szenarien zu bestimmen. Insbesondere müssen häufig auftretende Szenarien sicher mit den autonomen Fahrfunktionen bewerkstelligt werden können.
Die WO 2022028935 A1 offenbart eine Testeinheit und ein computerimplementiertes Verfahren zum Bereitstellen eines Szenario-Test-Verlaufs mit zu testenden Szenarien insbesondere Verkehrsszenarien, für Tests einer Vorrichtung zur zumindest teilweisen autonomen Führung eines Verkehrsmittels mit den Schritten:
Trainieren und Verwenden eines Ähnlichkeitsklassifikationsmoduls zur Klassifizierung der Ähnlichkeit zwischen zwei Szenarien basierend auf einer Teilmenge eines Parametersatzes des jeweiligen Szenarios, welches eine virtuelle Repräsentation einer reale Verkehrssituation darstellt; Erzeugen einer Graphenrepräsentation umfassend eine Vielzahl von Szenarien, umfassend die zwei Szenarien, deren Teilmenge von Parametersätzen in einer Speichereinheit gespeichert sind, wobei Knoten jeweils die Teilmenge eines Parametersatzes eines Szenarios repräsentieren und Kanten zwischen zwei Knoten mit einem Ähnlichkeitsklassifikationswert gewichtet sind, der die Ähnlichkeit zwischen den zwei Szenarien, der jeweiligen Knoten indiziert; Erhalten einer Benutzereingabe durch eine elektronische Benutzerschnittstelle und / oder eine automatischen Systemeingabe, wobei die Eingabe einen geforderten Wert für eine Abdeckung, der in der Speichereinheit gespeicherten Szenarien beinhaltet und / oder eine geforderte Anzahl an zu testenden Szenarien, so dass eine Auswahl und Ausführungsreihenfolge der Szenarien und der repräsentierenden Knoten mit der Zielsetzung einer maximalen Abdeckung des Graphen bestimmt wird; Bereitstellen einer Auswahl und Ausführungsreihenfolge und / oder eines Abdeckungswerts einer Gesamt-Abdeckung der gewählten Knoten und damit der zu repräsentierenden Szenarien.
Es ist daher eine Aufgabe der Erfindung ein System und ein Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen anzugeben.
Die Aufgabe wird gelöst durch ein System mit den Merkmalen des Anspruchs 1 und ein Verfahren mit den Merkmalen des Anspruchs 12. In den Unteransprüchen sind weitere vorteilhafte Maßnahmen aufgelistet, die geeignet miteinander kombiniert werden können, um weitere Vorteile zu erzielen.
Die Aufgabe wird gelöst durch ein System zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, umfassend eines Simulators zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug auf der digitalen Straße, und wobei ein Prozessor vorgesehen ist, welcher ausgebildet ist, ein Segmentieren der digitalen Straße in Straßensegmente zu bewerkstelligen, wobei ein Straßensegment die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist, und wobei ein Extraktionsmodul vorgesehen ist, welches dazu ausgebildet ist, die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs in dem Straßensegment zu extrahieren, und dem Straßensegment in Abhängigkeit von allen extrahierten Verhaltensweisen jeweils verschiedene Szenarien zuzuordnen, und wobei ein Clustermodul vorgesehen ist, welches dazu ausgebildet ist, ähnliche oder gleiche Szenarien in Bezug auf das jeweilige Straßensegment zu Clustern, so dass jeweils ein Cluster ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs in Bezug auf das jeweilige Straßensegment aufweist, und wobei ein Rechenmodul vorgesehen ist, welches zum Bestimmen der Größe der Cluster als Häufigkeit von gleichen oder ähnlichen Szenarien ausgebildet ist. Ein Szenario definiert sich durch die statische Umgebung wie Straßennetz, Bebauung und durch das Verhalten der anderen Verkehrsteilnehmer; d.h. ein Szenario ist eine abstrakte, semantische Beschreibung, definiert durch das Egofahrzeug und die relevante Umgebung.
Dabei ist ein häufig auftretendes Szenario ein Szenario, dass im Vergleich zu einem anderen häufig auftritt, d.h. ein immer wieder auftretendes Szenario im Vergleich zu einem sporadisch auftretenden Szenario.
Straßen sind geteerte oder ungeteerte Straßen, Wege etc.
Die Größe der Cluster kann der Anzahl der darin enthaltenden Szenarien entsprechen.
Straßensegmente können T-Kreuzungen, Kreisel, Kreuzungen, Straßen mit Zebrastreifen, 30iger Zonen etc sein.
Erfindungsgemäß wurde erkannt, dass eine Prüfung beispielsweise von autonomen Fahrfunktionen anhand aller relevanten häufig auftretenden Szenarien gewährleistet sein muss, um eine hinreichende Absicherung der autonomen Fahrfunktionen zu gewährleisten. Ferner müssen auch andere Szenarien in ihrer Häufigkeit sicher identifiziert werden. Die aufgezeichneten Daten bilden jedoch einen Szenarienraum mit hoher Redundanz, welcher hinsichtlich der Redundanz aufgespalten und betrachtet werden muss.
So können beispielsweise alle Szenarien, in denen ein Egofahrzeug allein auf einer geraden Straße fährt, als eine Szenariengruppe betrachtet werden, so dass ein Test des Szenarios mit verschiedenen Fahrparameter der autonomen Fahrfunktionen ausreicht, um die Sicherheit des Fahrers zu gewährleisten. Dadurch wird die Sicherheit der, auf dieses Szenario getestete, autonomen Fahrfunktionen effizient erhöht.
Das erfindungsgemäße System erlaubt durch Abstraktion von Szenarien anhand von Verhaltensweisen auf definierten Straßen sowie die Einteilung in Cluster eine semantische Analyse der Daten. Durch das erfindungsgemäße System ist ein systematisches Vorgehen zur Ermittlung der Häufigkeiten von Szenarien anhand von definierten Straßen möglich. Durch die hochskalierbare Simulation kann sehr schnell sehr viel Wissen auf einer Straße gewonnen werden, was auch die Erweiterung der Straße bzw. den Wechsel auf neue Straßen stark vereinfacht. Durch das insbesondere automatisiert ablaufende Clustern fließen möglichst wenig menschliche Annahmen in die Bestimmung der Häufigkeiten ein; das System kann weitestgehend ohne manuellen Eingriff ablaufen.
Durch das erfindungsgemäße System können Erkenntnisse über die Wahrscheinlichkeiten eines Szenarios in der realen Welt geliefert werden, ungeachtet der Komplexität, die sich aus der unterschiedlichen Anzahl von Verkehrsteilnehmern und unterschiedlichen Sequenzlängen ergibt. Durch eine umfassende Prüfung von autonomen Fahrfunktionen anhand von Szenarien, welche mit großer Häufigkeit auftreten, kann eine sichere Fahrweise eines, mit den getesteten autonomen Fahrfunktionen betriebenen Egofahrzeugs erhöht werden.
In weiterer Ausbildung ist das Extraktionsmodul dazu ausgebildet, die Verhaltensweise auf Basis von extrahierten Trajektorien der Verkehrsteilnehmer und der Ego- trajektorie des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug zu bestimmen. Dadurch kann das dynamische Verhalten der Verkehrsteilnehmer und des Egofahrzeugs einfach erfasst werden. Dadurch kann eine einfache Abstraktion zur Beschreibung des Verhaltens der Verkehrsteilnehmer und des Egofahrzeugs erhalten werden. Somit wird nur das Verhalten (hier die Trajektorien) der Verkehrsteilnehmer und des Egofahrzeugs als auch die Interaktion oder mögliche Interaktion betrachtet; es ist nicht die Anzahl der Verkehrsteilnehmer entscheidend. Verschiedene Interaktionen können beispielsweise sein: Schnittpunkte beim Kreuzen, Überholen, Abbiegen. Interaktionen mit Fußgängern können beispielsweise Stehenbleiben an Ampeln oder Zebrastreifen sein, Abbremsen bei Gefahrensituationen etc.
In weiterer Ausbildung ist das Extraktionsmodul dazu ausgebildet, zusätzlich zur Interaktion und der extrahierten Trajektorien zumindest die Geschwindigkeit des Egofahrzeugs und der Verkehrsteilnehmer als Verhaltensweise zu bestimmen. Zudem können weitere Parameter als Verhaltensweise bestimmt werden. Dadurch können beispielsweise die Szenarien feiner untergliedert werden; als auch mehr Informationen über die Szenarien gewonnen werden.
In weiterer Ausbildung ist das Extraktionsmodul dazu ausgebildet, die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug zu bestimmen. Manöver sind eine prägnante Möglichkeit, die Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs zu beschreiben. Das Verhalten kann dabei erfolgreich vollständig abstrahiert werden. Durch die Beschreibung anhand von Manövern kann das dynamische Verhalten der Verkehrsteilnehmer und des Egofahrzeugs einfach erfasst werden.
Ferner kann das Extraktionsmodul dazu ausgebildet sein, als ein Manöver eine Kombination aus einem lateralen und einem longitudinalen Manöver heranzuziehen.
Das Verhalten eines Teilnehmers kann somit zur Vereinfachung mit einer Kombination aus einem lateralen und einem longitudinalen Manöver beschrieben werden.
Durch die Beschreibung von genau einem Quer- und genau einem Längsmanöver kann das Verhalten der Verkehrsteilnehmer eindeutig und ausführbar beschrieben werden.
In weiterer Ausgestaltung kann ein Straßensegment zumindest einem der folgenden Elemente entsprechen: Rechtsabbiegung, Linksabbiegung, Rechtskurve, Linkskurve, gerade Straße, Kreisverkehr, Hügelspitze, Tal, Kreuzung, ebene Fahrbahn, Steigung, Gefälle, einspurige Straße, mehrspurige Straße, Autobahn. Dabei sind diese Elemente sehr häufig vorkommende Straßensegmente. Ferner können weitere Elemente vorhanden sein.
In weiterer Ausgestaltung ist das Extraktionsmodul dazu ausgebildet, zur Festlegung einer Interaktionsfähigkeit lediglich diejenigen Verkehrsteilnehmer in einem vorgegebenen Radius um das Egofahrzeug zu berücksichtigen. Ferner kann das Extraktionsmodul auch dazu ausgebildet sein, zur Festlegung einer Interaktionsfähigkeit diejenigen Verkehrsteilnehmer heranzuziehen, deren Trajektorie oder Manöver einen Schnittpunkt mit der Egotrajektorie oder dem Manöver des Egofahrzeugs aufweisen. Dadurch kann das System in seiner Schnelligkeit erhöht werden, und die Szenarien nach ihrer Relevanz erkannt und eingegrenzt werden; unwichtige Verkehrsteilnehmer die nicht zum Szenario beitragen, werden somit nicht beachtet.
In einer weiteren Ausbildung ist das Clustermodul dazu ausgebildet, eine Ähnlichkeit zwischen zwei Szenarien in Bezug auf ein Straßensegment festzustellen, wenn zumindest die extrahierten Manöver der Verkehrsteilnehmer und des Egofahrzeugs in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug und/oder die extrahierten Trajektorien sowie der Egotrajektorie in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug lediglich eine Abweichung unterhalb eines vorgegebenen Schwellenwertes aufweisen.
Ferner kann das Rechenmodul dazu ausgebildet sein, die Anzahl der Cluster als auch die Anzahl der auftretenden Szenarien zu bestimmen. Ferner können somit auch die Anzahl der selten auftretenden Szenarien erkannt werden.
In weiterer Ausbildung ist das Rechenmodul zum Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs anhand der Größe der Cluster sowie zum Testen der autonomen Fahrfunktionen des Egofahrzeugs in der Prüfungsumgebung ausgebildet.
Mittels des Rechenmoduls wird eine Prüfungsumgebung generiert, anhand dessen eine schnellere und sichere Validierung von autonomen Fahrfunktionen ermöglicht wird. Durch die Gruppierung ähnlicher Szenarien kann die hohe Redundanz bei dem Testen der autonomen Fahrfunktionen reduziert werden. Die Häufigkeit der erkannten Szenarien kann somit als eine Grundlage für die Priorisierung bei der Generierung der Prüfungsumgebung dienen, beispielsweise werden Szenarien mit großer Häufigkeit durch autonome Fahrfunktionen mit besonders hohen Fahrparametervariationen durchgeführt, um bei einem so häufig auftretenden Szenario eine sichere autonome Fahrfunktion zu garantieren.
Anstatt mit dem kompletten Satz von Szenarien zu arbeiten, kann somit jede Szenario-Gruppe durch ein Mitglied repräsentiert werden.
In einer weiteren Ausgestaltung ist eine Schnittstelle vorgesehen, zum Empfang von Realdaten von verschiedenen Szenarien aus der Sicht des Egofahrzeugs zur Anreicherung der simulierten Verkehrssituationen mit Realdaten oder zur Überprüfung von simulierten Verkehrssituationen mit Realdaten. Hierbei werden durch reale Fahrten des Egofahrzeugs Informationen über die Szenarien gesammelt und mit den simulierten Verkehrssituationen abgeglichen, zur Überprüfung und Sicherstellung der Qualität der Simulation, oder um diese mit Realdaten anzureichern. Dadurch kann beispielsweise fehlerhafte Sensorik mit bei der Szenariengenerierung miteinfließen.
Ferner wird die Aufgabe gelöst durch ein Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug mit einer Egotrajektorie auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, umfassend der Schritte:
- Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug auf der digitalen Straße,
- Segmentieren der digitalen Straße in Straßensegmente, wobei ein Straßensegment die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist,
- Extrahieren der Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs in dem Straßensegment, und zuordnen dem Straßensegment von jeweils verschiedenen Szenarien in Abhängigkeit von allen extrahierten Verhaltensweisen,
- Clustern von ähnlichen oder gleichen Szenarien in Bezug auf das jeweilige Straßensegment durch ein Clustermodul, so dass jeweils ein Cluster ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs in Bezug auf ein jeweiliges Straßensegment aufweist, Bestimmen der Größe der Cluster als Häufigkeit von gleichen oder ähnlichen Szenarien.
Dabei können die Vorteile und vorteilhafte Ausbildungen des Systems auf das Verfahren angewendet werden.
Ferner ist das Verfahren dazu ausgebildet, auf dem erfindungsgemäßen System durchgeführt zu werden.
Dabei kann das Verfahren weitestgehend automatisiert, ohne manuellen Eingriff ablaufen, insbesondere auch nachts. Somit kann das Verfahren quasi mehrere Tage/Wochen ohne manuellen Eingriff durchlaufen, so dass schnelle Ergebnisse generiert werden können.
In weiterer Ausbildung wird die Verhaltensweise auf Basis von extrahierten Trajekto- rien der Verkehrsteilnehmer und der Egotrajektorie des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug bestimmt.
In weiterer Ausbildung wird die Verhaltensweise auf Basis von abstrahierten Manö- vern der Verkehrsteilnehmer und des Egofahrzeugs sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug bestimmt.
Ferner kann das Verfahren die weiteren Schritte umfassen:
- Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs anhand der Größe der Cluster,
- Testen der autonomen Fahrfunktionen des Egofahrzeugs in der Prüfungsumgebung.
Weitere Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Dabei zeigen:
FIG 1 : ein erfindungsgemäßes System schematisch, FIG 2: eine Straße mit verschiedenen Straßensegmenten,
FIG 3: eine Interaktion eines Egofahrzeugs mit einem Verkehrsteilnehmer,
FIG 4: ein Cluster mit den gleichen oder ähnlichen Verkehrsszenarien,
FIG 5: verschieden große Cluster,
FIG 6: das erfindungsgemäße Verfahren schematisch.
Um das Risiko autonomer Fahrfunktionen abschätzen zu können, ist Wissen über mögliche Verkehrsszenarien (Szenarien) notwendig. Ein Szenario definiert sich durch die statische Umgebung wie Straßennetz, Bebauung und durch das Verhalten der anderen Verkehrsteilnehmer; d.h. ein Szenario ist eine abstrakte, semantische Beschreibung, definiert durch das Egofahrzeug und die relevante Umgebung.
Autonome Fahrfunktionen sind alle Funktionen die zu einem autonomen Fährbetrieb beitragen, hierbei können auch Fahrfunktionen des Levels 3 (Automatisierter Modus) oder ein Assistierter Modus umfasst sein. Solche Fahrfunktionen können beispielsweise Lane-Keeping, Tempo-adjustment etc. sein.
Es müssen möglichst viele der eventuell im Betrieb der Fahrfunktion auftretenden Szenarien bekannt sein. Um das Risiko abzuschätzen, werden zusätzlich auch Informationen über die Häufigkeiten dieser Szenarien benötigt. Klassischerweise werden diese Informationen nicht erhoben, sondern auf Basis von Expertenwissen entschieden. Alternativ können Datensammlungen wie Unfalldatenbanken verwendet werden, die jedoch oft in ihrer Beschreibung nicht ausreichen und nur einen kleinen Teil des Verkehrsgeschehens abbilden. Das Problem ist die Ermittlung von auftretenden Verkehrsszenarien und deren Häufigkeiten, bezogen auf eine bekannte Straße.
FIG 1 zeigt ein erfindungsgemäßes System 1 zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien für ein Egofahrzeug 2 mit einer Egotrajektorie 5 auf vorab definierten Straßen, wobei die Straße digital als digitale Straße 3 abgebildet ist.
Dabei sind digitale Straßen, Straßen, welche in digitalisierter Form vorliegen. Solch eine Digitalisierung der Straßeninfrastruktur ist ein gängiges Verfahren.
Das System 1 umfasst einen Simulator 10 zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug 2 auf der digitalen Straße 3.
Solche Simulationen können beispielsweise durch gewerbliche Anbieter erstellt werden.
Diese stellen realistische Verkehrssituationen aus der Sicht des Egofahrzeug 2 nach, sowie die Interaktion mit anderen Verkehrsteilnehmern. Dadurch können innerhalb kurzer Zeit eine große Menge an Verkehrssituationen erzeugt werden.
Ferner können die simulierten Verkehrssituationen mit Realdaten angereichert oder überprüft werden. Solche Realdaten, können aus Verkehrsüberwachungen, mit Sensoren ausgerüstete Fahrzeugen, Drohnen etc. stammen.
Ferner ist ein Prozessor 4 zum Segmentieren der digitalen Straße 3 in Straßensegmente 8 vorhanden, wobei ein Straßensegment 8 die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist.
Jedes Straßensegment 8 repräsentiert quasi einen ausgeschnittenen Teil des Straßennetzes. Straßensegmente 8 können beispielsweise (nicht abschließend aufgezählt): Rechtsabbiegung, Linksabbiegung, Rechtskurve, Linkskurve, gerade Straße, Kreisverkehr, Hügelspitze, Tal, Kreuzung, ebene Fahrbahn, Steigung, Gefälle, einspurige Straße, mehrspurige Straße, Autobahn sein. Dabei sind diese Elemente sehr häufig vorkommende Straßensegmente 8.
FIG 2 zeigt eine reale Straße eingeteilt in Straßensegmente 8. Eine solche Einteilung kann beispielsweise automatisiert erfolgen. Weiterhin ist ein Extraktionsmodul 6 vorgesehen zum Extrahieren der Verhaltensweisen aller Verkehrsteilnehmer und des Egofahrzeugs 2 in dem Straßensegment 8.
Dabei wird dem jeweiligen Straßensegment 8 die Verhaltensweise als ein Szenario 7 bezogen auf das Straßensegment 8 zugeordnet.
Dabei kann das Extraktionsmodul 6 die jeweilige Egotrajektorie 5 und die Trajektorie 9 der Verkehrsteilnehmer extrahieren und die extrahierten Trajektorien 9 (FIG 3) der Verkehrsteilnehmer und der Egotrajektorie 5 (FIG 3) des Egofahrzeugs 2 als auch die Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 als Verhaltensweise dem entsprechenden Straßensegment 8 als Szenario 7 zuordnen.
Dies bedeutet, dass nur die relevanten Verkehrsteilnehmer betrachtet werden, die in irgendeiner Weise mit dem Egofahrzeug 2 interagieren (können), beispielsweise das Egofahrzeug 2 überholt einen der Verkehrsteilnehmer; die Trajektorie des Verkehrsteilnehmers und des Egofahrzeugs 2 kreuzen sich etc. Der Einfachheitshalber können beispielsweise alle Verkehrsteilnehmer als interagierend betrachtet werden, welche in einem vorgegebenen Radius um das Egofahrzeug 2 zu finden sind.
Ferner können weitere Parameter den Simulationen entnommen werden, beispielsweise die Geschwindigkeit des Egofahrzeugs 2 und der Verkehrsteilnehmer. Dabei können weitere Parameter als Verhaltensweise bestimmt werden. Damit können beispielsweise die Szenarien 7 feiner untergliedert werden oder mehr Informationen über die Szenarien 7 gewonnen werden.
FIG 3 stellt eine solche Egotrajektorie 5 dar, welche mit einem weiteren Verkehrsteilnehmer, hier einem zweiten Fahrzeug 11 interagiert (Überholmanöver).
Hierbei handelt es sich bei dem Straßensegment 8 um eine gerade doppelspurige Straße.
Alternativ oder zusätzlich kann das Extraktionsmodul 6 die Manöver der Verkehrsteilnehmer und des Egofahrzeugs 2 als Verhaltensweise extrahieren. Dabei kann das Extraktionsmodul 6 die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs 2 sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 bestimmen.
Manöver stellen eine prägnante Möglichkeit dar, die Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs 2 zu beschreiben. Das Verhalten kann dabei vollständig abstrahiert werden.
Dabei kann das Manöver beispielsweise aus einer Kombination aus einem lateralen und einem longitudinalen Manöver beschrieben werden. Auch hierbei kann das Szenario 7 lediglich auf die mit dem Egofahrzeug 2 interagierenden relevanten Verkehrsteilnehmer eingeschränkt werden.
Dabei kann auch hier die räumliche Distanz als Interaktionsfähigkeit herangezogen werden. So können beispielsweise lediglich Verkehrsteilnehmer in einem vorgegebenen Radius um das Egofahrzeug 2 als interaktionsfähig angesehen werden.
Auch kann das Extraktionsmodul 6 zur Festlegung einer Interaktionsfähigkeit lediglich diejenigen Verkehrsteilnehmer heranziehen, deren Trajektorie 9 oder Manöver einen Schnittpunkt mit der Egotrajektorie 5 oder dem Manöver des Egofahrzeugs 2 aufweisen.
Dadurch werden noch vergleichbare Szenarien 7 generiert, welche alle notwendigen Informationen aufweisen, jedoch nicht zu klein sind. Dadurch kann das System 1 zudem in seiner Schnelligkeit erhöht werden, und die Szenarien 7 nach ihrer Relevanz erkannt und eingegrenzt werden.
Ferner weist das System 1 ein Clustermodul 12 (FIG 1) zum Clustern von zumindest ähnlichen oder gleichen Szenarien 7 in Bezug auf das jeweilige Straßensegment 8 auf. Dadurch weist jeweils ein Cluster 13 ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs 2 in Bezug auf das jeweilige Straßensegment 8 auf. FIG 4 zeigt ein Cluster 13 mit den gleichen oder ähnlichen Verkehrsszenarien 7. Dabei kann das Clustermodul 12 dazu ausgebildet sein, eine Ähnlichkeit zwischen zwei Szenarien 7 in Bezug auf ein Straßensegment 8 festzustellen, wenn zumindest die extrahierten Manöver in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 und/oder die extrahierten Trajektorien 9 und die Egotrajektorie 5 in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 lediglich eine Abweichung unterhalb eines vorgegebenen Schwellenwertes aufweisen.
Dies bedeutet, dass eine Gleichheit oder Ähnlichkeit dann vorliegt, wenn sowohl das Manöver der Verkehrsteilnehmer und das des Egofahrzeugs 2 in Verbindung mit der Interaktion identisch oder ähnlich ist. Alternativ oder zusätzlich können die extrahierten Trajektorien 9 und die Egotrajektorie 5 in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug 2 ähnlich oder identisch sein.
Dadurch kann auf einfache Art und Weise eine Ähnlichkeit festgestellt werden. Ferner kann auch bei geringer Abweichung eine „groß genug Ähnlichkeit“ festgestellt werden, so dass die Anzahl der Cluster 13 nicht zu groß wird.
Anhand der Szenarien-Cluster können neben der Auftretenswahrscheinlichkeit (Häufigkeit), noch die Redundanz und Anomalien erkannt werden.
FIG 5 zeigt solche Szenarien-Cluster. Dabei können häufige Szenarien 7 (Cluster 13) als auch weniger häufige Szenarien 7a (Cluster 13a) und Anomalien 7b (Cluster 13b) vorkommen, beispielsweise Fahrmanöver, die von Einsatzfahrzeugen entgegen den Regeln für normale Verkehrsteilnehmer durchgeführt werden, die jedoch ebenfalls im späteren Testverfahren für die autonomen Fahrfunktionen berücksichtigt werden müssen.
Ferner weist das System 1 ein Rechenmodul 14 (FIG 1) auf, zum Bestimmen der Größe der Cluster 13,13a, 13b als Häufigkeit von gleichen oder ähnlichen Szenarien 7, 7a, 7b und zum Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs 2 anhand der Größe der Cluster 13, 13a, 13b. Ferner ist das Rechenmodul 14 zum T esten der autonomen Fahrfunktionen des Egofahrzeugs 2 in der Prüfungsumgebung ausgebildet.
Mittels des Rechenmoduls 14 wird eine Prüfungsumgebung generiert, anhand dessen eine schnellere und sichere Validierung von, in einem autonom betreibbaren Fahrzeug verbauten, autonomen Fahrfunktionen ermöglicht wird.
Durch die Gruppierung ähnlicher Szenarien 7, 7a, 7b kann die hohe Redundanz bei dem Testen dieser autonomen Fahrfunktionen reduziert werden.
Die Häufigkeit der erkannten Szenarien 7, 7a, 7b kann somit als eine Grundlage für die Priorisierung bei der Generierung der Prüfungsumgebung dienen, beispielsweise werden Szenarien 7 mit großer Häufigkeit durch die autonomen Fahrfunktionen mit besonders hohen Fahrparametervariationen durchgeführt, um bei einem so häufig auftretenden Szenario 7 eine sichere autonome Fahrfunktion zu garantieren.
FIG 6 zeigt das erfindungsgemäße Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien 7, 7a, 7b für ein Egofahrzeug 2 mit einer Egotrajek- torie 5 auf vorab definierten Straßen, wobei die Straße digital als digitale Straße abgebildet ist, schematisch.
Dabei werden in einem ersten Schritt S1 verschiedene Verkehrssituationen, d.h. eine Abbildung des realen Verkehrs, mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug 2 auf der digitalen Straße 3 simuliert.
In einem zweiten Schritt S2 wird die digitale Straße in Straßensegmente 8 segmentiert, wobei ein Straßensegment 8 die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist.
In einem dritten Schritt S3 wird die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs 2 in dem Straßensegment 8 extrahiert und die jeweils verschiedenen Szenarien 7, 7a, 7b dem entsprechenden Straßensegment 8 zugeordnet.
Anschließend werden in einem vierten Schritt S4 ähnliche oder gleiche Szenarien 7, 7a, 7b in Bezug auf das jeweilige Straßensegment 8 geclustert, so dass jeweils ein Cluster 13, 13a, 13b ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs 2 in Bezug auf ein jeweiliges Straßensegment 8 aufweist; d.h. dasselbe oder ein ähnliches Szenario 7, 7a, 7b aufweist.
Ferner kann anschließend die Größe der Cluster 13, 13a, 13b als Häufigkeit von gleichen oder ähnlichen Szenarien 7, 7a, 7b berechnet werden. Dabei kann die Größe der Cluster 13, 13a, 13b der Anzahl der darin enthaltenden Szenarien 7, 7a, 7b entsprechen.
Ferner kann in einem Schritt S6 eine Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs 2 anhand der Größe der Cluster 7, 7a, 7b erstellt werden und die autonomen Fahrfunktionen in der Prüfungsumgebung getestet werden.
Bezugszeichenliste System Egofahrzeug digitale Straße Prozessor Egotrajektorie Extraktionsmodul , 7a, 7b Szenarien Straßensegment Trajektorie der Verkehrsteilnehmer 0 Simulator 1 zweites Fahrzeug 2 Clustermodul 3, 13a, 13b Cluster 4 Rechenmodul

Claims

Patentansprüche
1. System (1) zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien (7, 7a, 7b) für ein Egofahrzeug (2) mit einer Egotrajektorie (5) auf vorab definierten Straßen, wobei die Straße digital als digitale Straße (3) abgebildet ist, das System (1) aufweisend einen Simulator (10) zum Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug (2) auf der digitalen Straße (3), dadurch gekennzeichnet, dass ein Prozessor (4) vorgesehen ist, welcher ausgebildet ist, ein Segmentieren der digitalen Straße (3) in Straßensegmente (8) zu bewerkstelligen, wobei ein Straßensegment (8) die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist, und wobei ein Extraktionsmodul (6) vorgesehen ist, welches dazu ausgebildet ist, die Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs (2) in dem Straßensegment (8) zu extrahieren, und dem Straßensegment (8) in Abhängigkeit von allen extrahierten Verhaltensweisen jeweils verschiedene Szenarien (7, 7a, 7b) zuzuordnen, und wobei ein Clustermodul (12) vorgesehen ist, welches dazu ausgebildet ist, ähnliche oder gleiche Szenarien (7, 7a, 7b) in Bezug auf das jeweilige Straßensegment (8) zu Clustern, so dass jeweils ein Cluster (13, 13a, 13b) ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs (2) in Bezug auf ein jeweiliges Straßensegment (8) aufweist, und wobei ein Rechenmodul (14) vorgesehen ist, welches zum Bestimmen der Größe der Cluster (13, 13a, 13b) als Häufigkeit von gleichen oder ähnlichen Szenarien (7, 7a, 7b) ausgebildet ist.
2. System (1) nach Anspruch 1 , dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, die Verhaltensweise auf Basis von extrahierten Trajektorien (9) der Verkehrsteilnehmer und der Egotrajektorie (5) des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) zu bestimmen.
3. System (1) nach Anspruch 2, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, zusätzlich zur Interaktion und der extrahierten Trajektorien (9) zumindest die Geschwindigkeit des Egofahrzeugs (2) und der Verkehrsteilnehmer als Verhaltensweise zu bestimmen.
4. System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) zu bestimmen.
5. System (1) nach Anspruch 4, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, als ein Manöver eine Kombination aus einem lateralen und einem longitudinalen Manöver heranzuziehen.
6. System (1) nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, zur Festlegung einer Interaktionsfähigkeit lediglich diejenigen Verkehrsteilnehmer in einem vorgegebenen Radius um das Egofahrzeug (2) zu berücksichtigen.
7. System (1) nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass das Extraktionsmodul (6) dazu ausgebildet ist, zur Festlegung einer Interaktionsfähigkeit diejenigen Verkehrsteilnehmer heranzuziehen deren Trajektorie (9) oder Manöver einen Schnittpunkt mit der Egotrajektorie (5) oder dem Manöver des Egofahrzeugs (2) aufweisen.
8. System (1) nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass das Clustermodul (12) dazu ausgebildet ist, eine Ähnlichkeit zwischen zwei Szenarien (7, 7a, 7b) in Bezug auf ein Straßensegment (8) festzustellen, wenn zumindest die extrahierten Manöver der Verkehrsteilnehmer und des Egofahrzeugs (2) in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) und/oder die extrahierten Trajektorien (9) sowie der Egotrajektorie (5) in Verbindung mit der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) lediglich eine Abweichung unterhalb eines vorgegebenen Schwellenwertes aufweisen.
9. System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Rechenmodul (14) dazu ausgebildet ist, die Anzahl der Cluster (13, 13a, 13b) als auch der auftretenden Szenarien (7, 7a, 7b) zu bestimmen.
10. System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Rechenmodul (14) zum Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs (2) anhand der Größe der Cluster (13, 13a, 13b) ausgebildet ist sowie zum Testen der autonomen Fahrfunktionen des Egofahrzeugs (2) in der Prüfungsumgebung ausgebildet ist.
11. System (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Schnittstelle vorgesehen ist, zum Empfang von Realdaten von verschiedenen Szenarien (7, 7a, 7b) aus der Sicht des Egofahrzeugs (2) zur Anreicherung der simulierten Verkehrssituationen mit Realdaten oder zur Überprüfung von simulierten Verkehrssituationen mit Realdaten.
12. Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien (7, 7a, 7b) für ein Egofahrzeug (2) mit einer Egotrajektorie (5) auf vorab definierten Straßen, wobei die Straße digital als digitale Straße (3) abgebildet ist, umfassend der Schritte:
- Generieren von simulierten Verkehrssituationen mit verschiedenen Verkehrsteilnehmern und dem Egofahrzeug (2) auf der digitalen Straße (3),
- Segmentieren der digitalen Straße (3) in Straßensegmente (8), wobei ein Straßensegment (8) die spezifische Darstellung eines Straßenabschnitts mit einheitlichen Eigenschaften ist,
- Extrahieren der Verhaltensweise aller Verkehrsteilnehmer und des Egofahrzeugs (2) in dem Straßensegment (8), und zuordnen von jeweils verschiedenen Szenarien (7, 7a, 7b) in Abhängigkeit von allen extrahierten Verhaltensweisen dem Straßensegment (8),
- Clustern von ähnlichen oder gleichen Szenarien (7, 7a, 7b) in Bezug auf das jeweilige Straßensegment (8) durch ein Clustermodul (12), so dass jeweils ein Cluster (13, 13a, 13b) ähnliche oder gleiche Verhaltensweisen der Verkehrsteilnehmer und des Egofahrzeugs (2) in Bezug auf ein jeweiliges Straßensegment (8) aufweist,
- Bestimmen der Größe der Cluster (13, 13a, 13b) als Häufigkeit von gleichen oder ähnlichen Szenarien (7, 7a, 7b).
13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Verhaltensweise auf Basis von extrahierten Trajektorien (9) der Verkehrsteilnehmer und der Egotrajektorie (5) des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) bestimmt wird.
14. Verfahren nach einem der vorhergehenden Ansprüche 12 bis 13, dadurch gekennzeichnet, dass die Verhaltensweise auf Basis von abstrahierten Manövern der Verkehrsteilnehmer und des Egofahrzeugs (2) sowie der Interaktion zwischen den Verkehrsteilnehmern und dem Egofahrzeug (2) bestimmt wird.
15. Verfahren nach einem der vorhergehenden Ansprüche 12 bis 14 umfassend der weiteren Schritte:
- Erstellen einer Prüfungsumgebung zum Testen von autonomen Fahrfunktionen eines zumindest teilweise betreibbaren Egofahrzeugs (2) anhand der Größe der Cluster (13, 13a, 13b),
- Testen der autonomen Fahrfunktionen des Egofahrzeugs (2) in der Prüfungsumgebung.
PCT/EP2023/084055 2022-12-08 2023-12-04 System oder verfahren zur erkennung von häufigkeiten von gleichen oder ähnlichen szenarien WO2024121023A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022213261.0A DE102022213261A1 (de) 2022-12-08 2022-12-08 System oder Verfahren zur Erkennung von Häufigkeiten von gleichen oder ähnlichen Szenarien
DE102022213261.0 2022-12-08

Publications (1)

Publication Number Publication Date
WO2024121023A1 true WO2024121023A1 (de) 2024-06-13

Family

ID=89158503

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/084055 WO2024121023A1 (de) 2022-12-08 2023-12-04 System oder verfahren zur erkennung von häufigkeiten von gleichen oder ähnlichen szenarien

Country Status (2)

Country Link
DE (1) DE102022213261A1 (de)
WO (1) WO2024121023A1 (de)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020005507A1 (de) * 2020-09-09 2021-01-07 Daimler Ag Verfahren zum Testen einer automatisierten Fahrfunktion
US20210124350A1 (en) * 2019-10-23 2021-04-29 Lyft, Inc. Approaches for encoding environmental information
WO2022028935A1 (de) 2020-08-05 2022-02-10 Dspace Gmbh Computerimplementiertes verfahren zum bereitstellen eines test-verlaufs zu testender verkehrsszenarien
US20220048533A1 (en) * 2020-08-17 2022-02-17 Volvo Car Corporation Method and system for validating autonomous control software for a self-driving vehicle
DE102021100395A1 (de) * 2021-01-12 2022-07-14 Dspace Gmbh Computerimplementiertes Verfahren zur Bestimmung von Ähnlichkeitswerten von Verkehrsszenarien

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019101613A1 (de) 2018-03-21 2019-09-26 Dspace Digital Signal Processing And Control Engineering Gmbh Simulieren verschiedener Verkehrssituationen für ein Testfahrzeug
DE102020210962B4 (de) 2020-08-31 2022-03-10 Zf Friedrichshafen Ag Computerimplementiertes Verfahren und Rechnersystem zum Erzeugen von Eingangsparametern für eine Simulation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210124350A1 (en) * 2019-10-23 2021-04-29 Lyft, Inc. Approaches for encoding environmental information
WO2022028935A1 (de) 2020-08-05 2022-02-10 Dspace Gmbh Computerimplementiertes verfahren zum bereitstellen eines test-verlaufs zu testender verkehrsszenarien
US20220048533A1 (en) * 2020-08-17 2022-02-17 Volvo Car Corporation Method and system for validating autonomous control software for a self-driving vehicle
DE102020005507A1 (de) * 2020-09-09 2021-01-07 Daimler Ag Verfahren zum Testen einer automatisierten Fahrfunktion
DE102021100395A1 (de) * 2021-01-12 2022-07-14 Dspace Gmbh Computerimplementiertes Verfahren zur Bestimmung von Ähnlichkeitswerten von Verkehrsszenarien

Also Published As

Publication number Publication date
DE102022213261A1 (de) 2024-06-13

Similar Documents

Publication Publication Date Title
DE102018128290A1 (de) Verfahren und vorrichtung zum erzeugen von szenarien und parametrischen sweeps für die entwicklung und bewertung von autonomen antriebssystemen
DE102017213634A1 (de) Verfahren und Vorrichtung für die Durchführung von virtuellen Tests in einer virtuellen Realitätsumgebung für ein autonom fahrendes Fahrzeug
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
DE102019211009B4 (de) Verfahren und Computerprogramm zum Simulieren eines autonomen Fahrzeugs in einer Mehrzahl von Testfällen
DE102016007899B4 (de) Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, Kraftfahrzeug und Datenverarbeitungseinrichtung
DE102016109651A1 (de) Verfahren für die Validierung von Fahrzeugfunktionen eines virtuellen autonomen Fahrzeugs
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
DE102021100149A1 (de) Computerimplementiertes Verfahren zum Bereitstellen eines Test-Verlaufs zu testender Verkehrsszenarien
DE102021000291A1 (de) Verfahren zum von Testszenarios für ADAS
EP4027245A1 (de) Computerimplementiertes verfahren zur bestimmung von ähnlichkeitswerten von verkehrsszenarien
DE202022106107U1 (de) System zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS)
DE102018128563A1 (de) Verfahren und vorrichtung für eine autonome systemleistung und einen vergleich
DE102019208735B4 (de) Verfahren zum Betreiben eines Fahrassistenzsystems eines Fahrzeugs und Fahrerassistenzsystem für ein Fahrzeug
WO2021094222A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
EP3983936A1 (de) Verfahren und generator zum erzeugen von gestörten eingangsdaten für ein neuronales netz
EP3770879A1 (de) Verfahren, vorrichtung und computerprogramm zum aufbereiten von daten über eine ampelanlage
DE112018006993B4 (de) Fahrzeugbordvorrichtung, Informationsverarbeitungsverfahren und Informationsverarbeitungsprogramm
DE102020213831A1 (de) Verfahren zum Ermitteln einer Existenzwahrscheinlichkeit eines möglichen Elements in einer Umgebung eines Kraftfahrzeugs, Fahrerassistenzsystem und Kraftfahrzeug
WO2024121023A1 (de) System oder verfahren zur erkennung von häufigkeiten von gleichen oder ähnlichen szenarien
DE102014204933A1 (de) Verfahren und eine Vorrichtung zur Erzeugung eines Segmentierungs-Layers
DE102019215141B4 (de) Verfahren zum Prognostizieren einer zukünftigen Verkehrssituation in einer Umgebung eines Kraftfahrzeugs durch Bestimmen mehrerer in sich konsistenter Gesamtszenarios für unterschiedliche Verkehrsteilnehmer; Kraftfahrzeug
DE102022213262A1 (de) System und Verfahren zum Erstellen einer virtuellen Prüfungsumgebung anhand einer erkannten Häufigkeit von gleichen oder ähnlichen Szenarien
DE102022107338B3 (de) Verfahren zum Testen von automatisierten Fahrzeugfunktionen
DE102022002457A1 (de) Verfahren zur Prädiktion eines Einflusses eines Verkehrsteilnehmers auf zumindest einen anderen Verkehrsteilnehmer und Verfahren zum Betrieb eines Fahrzeugs
DE102022114913A1 (de) Computerimplementiertes Verfahren zur Verwendung von gespeicherten Spezifikationsanteilen