技术领域
[0001] 本
发明涉及用于预见性评估车辆的、尤其是商用车辆的当前行驶情况的方法,以及涉及用于执行该方法的评估模型。
背景技术
[0002] 在车辆、尤其是商用车辆的行驶运行中的事故情况可能具有多方面的原因。一方面,事故情况可能通过如下方式而出现,即,在车辆环境中的物体以未预料到的方式到达自身车辆的行驶路径(Fahrschlauch)内,但是另一方面,车辆环境的表征,例如行车道的摩擦值也可能引起事故情况。为了避免此类事故情况并且将事故后果降低到最小程度,在车辆内布置有传统的
传感器,利用这些传感器来观测自身车辆行驶动态以及车辆环境,并且根据不同的标准,例如距离、相对速度、
加速度、滑移值、轨迹等可以评估基于自身车辆与物体之间的当前的行驶情况是否出现事故情况。
[0003] 因此,如果从对传感器的
信号的评估得出,基于当前的行驶情况存在高的事故可能性,则可以通过在紧急
制动范围内介入制动和/或介入转向来相应地做出反应,以便回避事故并且将事故后果降低到最小程度。替选地或补充地,可以向驾驶员警告此事故情况。
[0004] 此类事故避免系统建立在如下
基础上,即,当前的行驶情况已发展为中等紧要的或紧要的行驶情况,也就是说,驾驶员或辅助系统的介入是不可避免的,以便防止事故或将事故后果降低到最小程度。在此,不利的是,由于系统的限制,也就是说尤其是传感器的受限制的“可见性”以及用于获知事故可能性的调节
算法的迅速性,使得无法对每个当前的行驶情况在危险的事故方面都做出可靠并且尤其是及时的评估,从而使介入可能过晚地进行。因为车辆已处于各自的行驶情况中,所以无法将事故后果可靠地降低到最小可能的程度。此外,在此类系统中可能会出现伪判断,也就是说预测出实际上不存在的事故情况。由此降低了对此类事故避免系统的认可性。
[0005] 对未来的、即将到来的行驶情况方面的评估仅能够以有限的程度例如根据对周围物体的轨迹的预估来进行,但是,这只能够在很有限的时间段内被可靠地预判。但是即使如此,也仅在紧要的行驶情况已发展时才输出警告或提示。利用此类系统无法实现用于事故避免的预见性的或
预防性的评估或预防性的措施,也就是说在此类事故可能已发展之前的措施,从而使得所述系统局限性无法被可靠地补偿。
发明内容
[0006] 因此,本发明的任务是给出一种方法,利用该方法可以基于当前的行驶情况以简单和可靠的方式实现对事故情况方面的预见性评估。此外,本发明的任务是提供用于执行该方法的评估模型。
[0007] 此任务通过根据
权利要求1的方法和根据权利要求17的评估模型解决。优选的改进方案在
从属权利要求中给出。
[0008] 根据本发明设置的是,在车辆环境中的车辆的当前行驶情况以如下方式被预见性评估,即,将表征当前行驶情况的行驶情况信息输送给进行分类的神经算法,在该神经算法中,将当前行驶情况与行驶情况类别相配属,其中,行驶情况类别以未来的预估的行驶情况作为基础,该未来的预估的行驶情况由神经算法取决于当前行驶情况来获知。神经算法根据本发明按照
人工神经网络的类型工作,进行了训练的人工神经网络实现该分类进而是实现该预见性评估。
[0009] 因此,对当前行驶情况的预见性评估根据本发明被理解为,在车辆的当前存在的条件下,行驶事件预计将如何进一步发展,并且因此基于当前行驶情况预计车辆在未来处于何种(预估的)行驶情况中。在此,当前行驶情况有利地仍与未来预估的行驶情况存在区别,从而有利地在评估和输出评估结果之后给出足够长的介入时间段用以在预估的行驶情况实际开始发展之前让驾驶员做出反应。优选地,在此将介入时间段设置成大于驾驶员反应时间,优选地至少相当于驾驶员反应时间的两倍。也就是说,直至预估的行驶情况开始至少经过了3至4秒,这就足以使驾驶员做出合适反应以便对预估的行驶情况做好准备。
[0010] 因此,通过根据本发明的方法提供了如下的可能性,即,对于即将到来的、尚未发生或已开始的行驶情况做出反应。就此而言,根据本发明的方法与例如是紧急制动辅助或避让辅助的传统的事故避免系统有所区别,在传统的事故避免系统中,例如经由对例如能够推断出对于当前行驶情况来说有威胁的事故情况的针对距离或相对速度的当前存在的极限值进行评估,预见性评估仅涉及当前存在的行驶情况。因此也可能总是只有在例如已存在或当前已发展了成问题的或紧要的行驶情况时才发生由驾驶员做出反应,从而得到了例如留给驾驶员做出反应的驾驶员反应时间,也就是说小于3至4秒的介入时间段。
[0011] 但是根据本发明的方法已实现例如基于警告而让驾驶员做出预防性的反应,警告取决于所获知的行驶情况类别地在预估的行驶情况开始之前的介入时间段就已经可以输出,使得驾驶员在当前的行驶情况中取决于警告地可以将其注意
力程度与未来的发展及时地匹配。因此,使驾驶员可以已更早地、例如尚在尚不紧要的当前行驶情况期间介入行驶事件。因此,使得紧要的行驶情况可能根本不发展,或可以至少部分地已事先缓解,这是因为驾驶员预防性地应对了向着紧要行驶情况的方向的发展,从而可以完全不发生对常规的故障避免系统(如果存在的话)的激活。
[0012] 预设给神经算法的表征当前行驶情况的行驶情况信息在此尤其取决于如下:车辆(必要时包括
挂车在内)的实际行驶动态、和/或车辆(必要时包括挂车在内)的额定行驶动态、和/或车辆环境的车辆环境特征、和/或车辆的驾驶员的驾驶员状态、和/或车辆的车辆状态。但是也可以考虑使用神经算法所训练的另外的信息。
[0013] 因此,有利地给神经算法预设了来自对当前行驶情况的不同的视
角的信息,这些信息对于车辆的当前的以及未来的行驶情况可能具有直接影响,并且这些信息在具有驾驶员辅助系统的车辆中反正已经经由相应的传感器和控制装置被检测和处理。因此,可以支持对不同的观点的评估。在此,神经算法所训练的并且可以被采用的行驶情况信息存在得越多,则根据本发明的预见性评估就可以进行得越精确和越可靠。
[0014] 实际行驶动态在此可以例如使用从由如下项构成的组中选出的至少一个传感器进行获知:车辆的速度传感器、车辆的纵向加速度传感器、车辆的横向加速度传感器、车辆的横摆率传感器、和车辆的至少一个
车轮上的车轮
转速传感器,这些传感器通常存在于车辆中。由此因此可以以简单的方式获知涉及车辆的实际行驶动态的广泛的行驶情况信息,其中,实际行驶动态可以尤其取决于可以经由这些传感器获知的车辆的车辆速度、车辆的车辆纵向加速度、车辆的车辆横向加速度、车辆的横摆率和/或车辆的至少一个车轮的车轮速度。
[0015] 车辆的额定行驶动态可以优选取决于如下项进行获知:车辆的
缓速器额定预设量、和/或车辆的
转向角度额定预设量、和/或车辆的
油门踏板额定预设量、和/或车辆的制动踏板额定预设量、和/或车辆的
离合器额定预设量,这些都存在于车辆内的各自的控制装置中,并且可以经由各自的操纵设备上的相应的传感器来检测。
[0016] 车辆环境的车辆环境特征可以例如经由从由如下项构成的组中选出的至少一个传感器进行获知:车辆的雷达传感器、车辆的环境相机、车辆的超声传感器、车辆的红外传感器、和车辆的激光传感器,经由它们可以检测车辆环境。补充地,也可以采用车辆的导航仪的导航信息。
[0017] 由此,作为给出车辆环境的表征的行驶情况信息地,可以例如推断出如下项:在车辆的车辆环境中的多个物体,例如其他交通参与者,和/或物体纵向速度,和/或物体横向速度,和/或物体纵向加速度,和/或物体横向加速度,和/或车辆与分别识别到的物体之间的物体距离,和/或物体尺寸,例如物体的宽度和高度,和/或物体类型,例如摩托车、载重车辆、乘用车辆、
自行车、人员等,和/或物体与车辆之间的相对
位置,例如在旁边、在前方、在后方等,和/或车辆环境中的行车道的行车道标识,例如实线、虚线等,和/或行车道的行车道特征,例如行车道的车道宽度和数量。从导航信息也可以补充地获得如下项作为行驶情况信息:车辆的当前的绝对车辆
定位、道路类型(例如封闭的居民区)、高速公路、州公路等、日期、钟点、行驶方向,以及由此尤其得到的日间时间以及因此影响驾驶员的
亮度信息。
[0018] 因此,车辆环境的广泛的表征可以来自不同的来源,由这些来源可以产生对行驶情况的影响。
[0019] 驾驶员状态可以优选经由车辆的驾驶员相机检测到,驾驶员相机指向车辆的驾驶员并且经由驾驶员相机可以检测驾驶员在其注意力方面的行为。
[0020] 驾驶员状态在此优选取决于驾驶员的视角和/或驾驶员的手部位置,例如是否在
方向盘上、和/或安全带状态,例如是否扣紧、和/或驾驶时间、和/或驾驶员的休息时间。因此,在评估时也可以将车辆的驾驶员的行为或状态、以及其驾驶习惯包括在内。此外可以获知驾驶员是否注意力不集中或分神、或是否专心并且(例如在自动行驶情况中)是否的确在座位上并且
接触方向盘并且因此可以对于行驶事件投入其注意力。
[0021] 车辆的行驶状态可以例如取决于对如下项的激活进行获知:车辆的
转向灯、和/或车辆的警告闪光设备、和/或例如
近光灯、
远光灯、超车用大光灯的车辆的车辆照明、和/或车辆的
雾灯、和/或车辆的辅助灯、和/或车辆的
雨刮器等级、和/或车辆的内部空间照明。因此可以检测车辆处于何种状态中,也就是说是否例如存在雨天行驶、昏暗中行驶、转弯过程、静止情况等。
[0022] 因此,一系列行驶情况信息可供使用,经由它们可以表征车辆的当前行驶情况,并且经由神经算法可以从这些行驶情况信息得到对车辆的未来行驶事件的预估。尤其地,在此也可以考虑驾驶员自身的驾驶员状态,也就是说驾驶员到底可以多快地介入行驶事件。
[0023] 通过神经算法的分类或评估可以例如在至少三个行驶情况类别中进行,其中,基于当前的行驶情况针对第一行驶情况类别预估不紧要的行驶情况,针对第二行驶情况类别预估中等紧要的行驶情况,并且针对第三行驶情况类别预估紧要的行驶情况。
[0024] 通过此分类可以有利地预设简单的划分,驾驶员取决于该划分地可以有针对性地介入驾驶事件。如果因此预估到不紧要的行驶情况,也就是说输出了第一行驶情况类别,则驾驶员可以维持其驾驶方式及其注意力程度,这是因为事故不可能发生。
[0025] 但是如果预估中等紧要的行驶情况,也就是说输出了第二行驶情况类别,则在未来存在至少一个成问题的(中等紧要的)行驶情况,为了防止这些行驶情况,驾驶员可以在当前的行驶情况期间就已介入行驶事件,以便例如避免为
完全缓解成问题的行驶情况,也就是说防止碰撞可能必需的紧急制动和/或突然的转向介入。因此,通过由驾驶员进行预防性介入就已防止了预估的行驶情况的出现或开始,从而可以有利地停止用于避免碰撞的紧急制动和/或突然地转向介入,并且因此提供了车辆的改进的可控制性。也就是说,对于未来预计的预见性的中等紧要的行驶情况,通过预防性介入有利地将变成不紧要的行驶情况。
[0026] 在预告紧要的行驶情况时,也就是说在输出第三行驶情况类别时,情况类似,其中,通过由驾驶员进行预防性介入可以达到至少一个中等紧要的行驶情况,并且最好情况是可以达到不紧要的情况。如果没有此类介入则无论如何都将发生碰撞。
[0027] 为了通过神经算法实现分类,可以经由训练
数据库来训练神经算法,其中,在
训练数据库中存储有多个实际上在过去就执行过的车辆当前也能够正处于的训练行驶情况的行驶情况信息,以及存储有与这些训练行驶情况相配属的预估的行驶情况或相应的行驶情况类别。在此可以例如采用其中存储有车辆当前也可能正处于的多个训练行驶情况的数据库作为训练数据库,这些训练行驶情况具有分别手动配属的行驶情况类别。为此,可以结合对于训练行驶情况的相关的行驶情况信息来分析,在本发明的意义中各自的过去的训练行驶情况曾导致哪些预估的行驶情况,也就是说将特定的训练行驶情况归属于哪个行驶情况类别中。
[0028] 因此,可以有利地针对学习过程优选采用多个实际的“实验”,这些“实验”在其他车辆中在过去已执行(训练行驶情况),并且在此优选使用已存在的系统,该系统已提供多个此类配属关系,利用这些配属关系可以使神经网络被广泛地训练。由此可以提高可靠性,这是因为神经网络在学习阶段可以相应地被广泛地
修改。
[0029] 优选地,学习阶段在此可以根据
监督学习(“supervised learning”(监督学习)、“backpropagation”(反向传播))的学习规则进行,也就是说将训练行驶情况的行驶情况信息作为输入值并且将与此相配属的预估的行驶情况的行驶情况类别作为已知的神经算法的输出值预设给神经算法。因此,神经算法通过预设“正确的答案”被训练,从而使该神经算法在广泛的训练阶段之后即使在没有预设正确答案的情况下也产生正确的输出值。
[0030] 神经算法的训练或学习过程在此可以优选在车辆之外的
高性能计算单元上发生,以便在车辆本身内不必安装可高性能工作的用于执行耗费的计算运行的计算单元,并且因此不要求车辆内的附加的结构空间。只是随后将已训练的神经网络以上述的方式在车辆内使用,例如以
计算机程序产品的形式使用。
[0031] 神经算法可以在此也通过如下方式被更新,即,例如以一定的时间间隔或连续地进行附加的训练,在附加的训练中添加了待新添加经分类的培训行驶情况。这些训练行驶情况在此可以源自自身车辆或也源自其他车辆。被更新的、经重新训练的神经算法然后可以被传输到车辆上或也传输到其他车辆上,从而可以有利地合适地对待新添加的行驶情况做出反应,以及也整体上提高了经训练的神经网络的精确性和可靠性。
[0032] 有利地,附加的训练在此可以局限于或有针对性地指向如下训练行驶情况,即,这些训练行驶情况被现有的、也就是说尚未被更新的神经算法在各自的行驶情况中被错误地评估。也就是说,作为训练行驶情况主要采用如下行驶情况,即,这些行驶情况在过去曾导致紧要的或中等紧要的行驶情况,但是却被神经算法以此时刻存在的训练状态被分类为未来不紧要的行驶情况。因此,如驾驶员不能进行调节则当前的行驶情况已发展为中等紧要的或紧要的行驶情况。可以将相应地具有附加的错误提示的该错误估计存储在各自的车辆内,并且随后将其作为被错误估计的训练行驶情况转发给高性能计算单元上,高性能计算单元执行神经网络的附加的训练。该训练可以以此方式也有针对性地在误差或错误的判定方面执行,以便进一步修改神经网络,并且在未来也对这些在过去被错误地分级的行驶情况正确地做出反应。
[0033] 然后可以有利地取决于输出值地向驾驶员产生警告或提示。例如,在存在第一行驶情况类别时可以输出绿色警告灯光或取消警告,从而使驾驶员知道一切正常。在第二行驶情况类别中可以输出红色警告灯光,从而至少提示驾驶员即将到来的中等紧要的行驶情况,并且使驾驶员可以因此合适地做出反应,以便预见性地已将该行驶情况缓解。在第三行驶情况类别中,可以基于即将到来的紧要的行驶情况替选地或补充地向驾驶员输出声学上的和如需要还有触觉上的警告,从而使该驾驶员识别到即将到来的行驶情况的严重性,并且将全部注意力关注于该行驶事件,以便例如通过预见性的介入来避免即将到来的事故。
[0034] 优选地,警告的输出在预估的行驶情况开始前及时进行,优选地在预估的行驶情况开始前的介入时间段进行,从而可以对碰撞做出预防性的反应。介入时间段可以因此例如至少大约3至4秒,也就是说大于驾驶员反应时间,优选至少为驾驶员反应时间的两倍。但是,介入时间段可以根据神经算法的可供使用性和训练状态也处在预估的行驶情况开始前很远。
[0035] 用于执行根据本发明的方法的根据本发明的评估模型可以例如布置在车辆内,并且具有输入
接口、输出接口和存储在评估单元上的作为计算机程序产品的神经算法,神经算法包含已被训练的神经网络。将表征当前行驶情况的行驶情况信息作为输入值输送给输入接口,这些行驶情况信息可以被神经算法分类成行驶情况类别。取决于行驶情况类别的输出值可以从输出接口输出以用于进一步处理,例如用于向驾驶员产生与之相关的警告信号。
附图说明
[0036] 在下文中结合一些实施方案附图详细解释本发明。其中:
[0037] 图1示出处于当前的行驶情况的车辆;
[0038] 图2示出用于评估根据图1的车辆的当前的行驶情况的评估模型;
[0039] 图3示出根据本发明的方法的
流程图表。
具体实施方式
[0040] 根据图1示出了在行车道11上处在任意的当前行驶情况G中的车辆100,尤其是商用车辆。附加地,在行车道11上距车辆100的物体距离D处存在有物体10,其中,物体10以一定的物体纵向速度vl10和物体纵向加速度al10沿一定的轨迹运动,该轨迹可以根据物体10的行驶动态也作未来预估。物体10是其他交通参与者,例如其他的车辆。当前的行驶情况G仅示例性地示出并且在此很简单地被保持。在行车道11上或旁边也可以存在另外的物体。
[0041] 车辆100在行车道11上沿一定的轨迹以车辆速度v100和车辆纵向加速度al100运动。在车辆100中设置有不同的监测模
块2、5、7和传感器设施3、6、8,它们在图1中仅极为示意性地示出,以及设置有与它们连接的评估模块1,它们如下地彼此协同作用:
[0042] 图2示出了评估模块1,其具有输入接口1a和输出接口1b。经由输入接口1a可以将不同的输入值E预设给评估模块1,输入值可以在评估模块1内被处理或评估。评估模块1可以例如整合在控制单元12内,控制单元是例如ACC、ABS、EBC等的未示出的驾驶员辅助系统50的组成部分,和/或是车辆100的
制动系统60的组成部分。
[0043] 为此,输入接口1a例如与环境监测模块2连接,环境监测模块经由
环境传感器设备3(其可以具有例如雷达传感器3a、环境相机3b、超声传感器3c、红外传感器3d、激光传感器
3e等)可以监测车辆100周围的车辆环境U,从而可以建立车辆环境特征CU。此外,导航仪3f可以是环境传感器设备3的部分,导航仪输出导航信息NI。环境传感器设备3的各个传感器
3a…3f在图2中在方框中示意性地示出,但是它们可以处在车辆100的不同的位置上。
[0044] 环境监测模块2从环境传感器设备3接收具有各个传感器3a…3f的输出值的环境信号SU,并且评价在车辆环境U中是否可能存在物体10并且其行为如何,并且评价该物体10在此如何地尤其是相对于车辆100运动。这可以取决于如下项进行:检测在车辆环境U中的物体10的数量N、和/或物体纵向速度vl10、和/或物体横向速度vq10、和/或物体纵向加速度al10、和/或物体横向加速度aq10、和/或物体距离D、和/或物体尺寸C10、和/或物体类型T10、和/或相对定位P10、和/或行车道标识FM、和/或行车道特征FC、和/或车辆100的当前的绝对的车辆定位P100、和/或道路类型TS、和/或当前的时间信息tI、和/或车辆100的行驶方向FR。
[0045] 所有这些信息可以从环境传感器设施3获得,并且能够实现表征出针对当前的行驶情况G的车辆环境U。因此,利用环境监测模块2能够实现的是,取决于环境信号SU地处理和输出行驶情况信息FI,这些行驶情况信息表征了车辆100在何种条件下在车辆环境U中运动,从而由此能够推断出在当前行驶情况G中车辆环境U可能如何影响车辆100。
[0046] 此外,评估模型1与行驶动态监测模块5连接,行驶动态监测模块被构造成经由行驶动态传感器设施6获知车辆100的实际行驶动态DI。行驶动态传感器设施6可以为此例如具有:用于检测车辆100的车辆速度v100的速度传感器6a、用于检测车辆100的车辆纵向加速度al100的纵向加速度传感器6b、用于检测车辆100的车辆横向加速度aq100的横向加速度传感器6c、用于检测车辆100的横摆率G的横摆率传感器6d、和至少一个用于检测车辆100的至少一个车轮9的车轮速度vR的车轮转速传感器6e。行驶动态传感器设施6的各个传感器6a…6e在图2中在方框中示意性地示出,但是它们可以处在车辆100内的不同的位置上。
[0047] 行驶动态监测模块5从行驶动态传感器设施6接收具有各个传感器6a…6e的输出值的行驶动态信号SF,并且评价车辆100的实际行驶动态DI,其中,实际行驶动态DI从各个以上所述的传感器6a…6e的输出值得到。在此,也可以处理从输出值得到的
稳定性信息,例如从车轮速度vR得到的制动滑移或驱动滑移。
[0048] 因此,利用行驶动态监测模块5能够实现的是,取决于行驶动态信号SF地处理和输出行驶情况信息FI,这些行驶情况信息表征了车辆100在当前的行驶情况G中具有何种实际行驶动态DI,也就是说车辆100在车辆环境U中如何运动。
[0049] 此外,评估模块1与驾驶员监测模块7连接,驾驶员监测模块经由例如具有对准驾驶员200的驾驶员相机8a的驾驶员传感器设施8来检测驾驶员状态ZD。在此例如将驾驶员200的运动或行为方式理解为驾驶员状态ZD。驾驶员监测模块7在此接收优选作为图像信号的驾驶员信号SB,并且评价驾驶员状态。因此,可以例如检测驾驶员200的视角ZD1、和/或驾驶员200的手部部位、和/或安全带状况ZD3。此外,可以从驾驶员信号SB检测到驾驶员200的驾驶时间ZD4和/或休息时间ZD5,也就是说该驾驶员已在座位上多长时间,以及最后一次休息是什么时候。由此可以得出结论是,驾驶员200的注意力或疲劳或专注力可能是怎样的,并且因此可以得出行驶事件。
[0050] 因此,利用驾驶员监测模块7能够实现的是,取决于驾驶员信号SB来处理和输出驾驶员情况信息FI,这些驾驶员情况信息表征了驾驶员200在当前的行驶情况G中的驾驶员状态ZD是怎样的,或驾驶员200对当前行驶情况G
感知的可能程度如何。
[0051] 可以获知车辆100的额定行驶动态DS和车辆状态ZF作为另外的行驶情况信息FI,并且转发给评估模块1。车辆100的额定行驶动态DS例如通过如下项得到:针对车辆100的缓速器额定预设量RSoll、和/或针对车辆100的转向角度额定预设量wSoll、和/或针对车辆100的油门踏板额定预设量aSoll,也就是说加速度预设量、和/或针对车辆100的制动踏板额定预设量zSoll,也就说减速度预设量、和/或针对车辆100的离合器额定预设量KSoll。这些额定预设量由驾驶员200通过相应的操纵设备来预设,并且允许对当前的行驶情况G作出判断,例如是否希望车辆100加速或突然的转向过程。车辆状态ZF例如通过激活如下项来表征:车辆100的转向灯ZF1、和/或车辆100的警告闪光设备ZF2、和/或车辆100的车辆照明ZF3、和/或车辆100的雾灯ZF4、和/或车辆100的辅助大灯ZF5、和/或车辆100的雨刮器等级ZF6、和/或车辆100的内部空间照明ZF7。
[0052] 各自的监测模块2、5、7将由各自的传感器设施3、6、8接收到的信号SU、SF、SB输出给评估模块1的输入接口1a,从而可以给评估模块1同时预设不同的输入值E。所接收到的信号SU、SF、SB在此可以被各自的监测模块3、6、8进行预处理或也不经处理地被直接输出。经由输入接口1a给神经算法NA预设车辆100的车辆状态ZF和额定行驶动态DS作为另外的输入值E,从而使得关于当前的行驶情况G的多个信息作为输入值E可供使用。
[0053] 在评估模型1中,输入值E被转发给在评估单元1c上实施的神经算法NA。神经算法NA在此是在评估单元1c上实施的程序或者说计算机程序产品,其按照人工神经网络的类型来工作如下:
[0054] 因此,首先神经算法NA在
输入层面(Input-Layer(输入层))中经由一个或多个神经元来接收输入值E,例如在一个或多个处理层面(例如Hidden Layers(
隐藏层))中对这些输入值E进行处理,并且通过
输出层面(Output-Layer(输出层))的神经元又输出输出值O。在处理层面中在此通过对多个神经元的经加权的协同作用(如在经训练的
数据网络中通常那样地)发生将预设给输入层面的输入值E分类到事先限定的多个类别中。将由此与输入值E相配属的类别作为输出值O从神经算法NA又输出。
[0055] 在此情况中,将所传输的行驶情况信息FI用作输入值E,这些输入值通过神经算法NA被分类到具有连续的索引“i”的行驶情况类别FKi中。所有以上所述的行驶情况信息FI在此被如下相互关联,即,使得当将特定的时刻的所存在的行驶情况信息FI相互组合时,它们可以提供当前行驶情况G的全貌。也就是说,使用行驶情况信息FI可以从不同的视角来表征当前的行驶情况G。所有行驶情况信息FI可以在此影响车辆100的当前的行驶事件,并且因此也一起影响未来的行驶事件。
[0056] 神经算法NA以如下方式被训练,即,使得该神经算法预见性地尤其结合作为输入值被预设的当前存在的行驶情况信息FI或当前的行驶情况G的当前的全貌来评估,或预估行驶情况在未来可能如何进展。该对未来进行预测的行驶情况在下文被称为预估的行驶情况GZi。行驶情况信息FI或当前的行驶情况G在此通过神经算法NA被分类,其中,类别的数量,即行驶情况类别FKi的数量,取决于预估的行驶情况GZi的数量,也就是说取决于索引“i”。行驶情况类别FKi因此与预估的行驶情况GZi关联:
[0057] 例如可以设有三个不同的行驶情况类别FKi,也就是说i=1、2、3。第一行驶情况类别Fk1说明了对未来预估是不紧要的行驶情况GZ1,第二行驶情况类别FK2说明了对未来预估是中等紧要的行驶情况GZ2,而第三行驶情况类别FK3说明对未来预估是紧要的行驶情况GZ3。
[0058] 如果在由神经算法NA对当前行驶情况G进行评估之后输出第一行驶情况类别Fk1作为输出值O,则对于未来预测是不紧要的行驶情况GZ1,并且(即使驾驶员200未投入全部注意力并且未通过驾驶员200进行介入或做出反应的情况下)在未来也不大可能发生事故。
[0059] 如果在由神经算法NA对当前行驶情况G进行评估之后输出第二行驶情况类别Fk2作为输出值O,则对于未来预测是中等紧要的行驶情况GZ2,也就是说当驾驶员200对当前的行驶事件未投入全部注意力并且也未对行驶事件进行预防性介入时,从当前的行驶情况G在当前存在的条件下的进一步行驶历程中可能发展成至少是成问题的、中等紧要的行驶情况GZ2。这例如被理解为如下的行驶情况,在其中,当在当前行驶情况G期间未曾通过驾驶员200发生对行驶事件进行预防性介入时,则只有仍利用紧急制动和/或利用转向介入方可避免事故。
[0060] 如果在由神经算法NA对当前行驶情况G进行评估之后输出第三行驶情况类别Fk3作为输出值O,则对未来预测是紧要的行驶情况GZ3,其中,发生事故是很可能的,尤其是当驾驶员200未对当前的行驶事件投入全部注意力并且也未对行驶事件进行预防性介入时无论如何发生事故是很可能的。就此而言,在此分类的情况中,不管怎样都要求对当前的行驶事件进行预防性介入,以便基于当前的行驶情况G避免未来的具有相应的事故后果的事故。
[0061] 在此,当由于车辆100的行驶动态和车辆环境U的特性或情况使得在当前的行驶情况G中尚未存在或开始中等紧要的或紧要的行驶情况,而是仅即将到来或仅在未来才开始时,这些评估或分类在此可以已经通过神经算法NA进行了。因此,在评估时刻时的当前的行驶情况G还是与未来的预估的行驶情况GZi,尤其是中等紧要的行驶情况GZ2或紧要的行驶情况GZ3有所不同。就此而言,已经进行预防性地评估,并且因此也可以预防性地警告和做出反应。
[0062] 因此,可以通过预测未来发生的在第二行驶情况类别Fk2中的中等紧要的行驶情况GZ2来受控地进行事故避免,这是因为对此所做的反应同样可以已经预防性地进行,例如已经在尚在持续的当前的行驶情况G期间进行,并且由此可以避免事故,如需要也已经可以在不执行紧急制动和/或转向介入的情况下避免事故。由于在第三行驶情况类别Fk3中对未来发生的紧要行驶情况GZ3进行的预见性评估,使得在该类别中也可以通过如下方式来防止事故,即,即使当为此必要时需要紧急制动和/或转向介入时,驾驶员200也已经提前地、例如已经在尚在持续的当前的行驶情况G期间就进行介入。因此,通过预防性介入在最好的情况中可以从被预测的中等紧要的或紧要的行驶情况得到不紧要的行驶情况。
[0063] 就此而言,根据本发明的评估不同于传统的事故避免系统或事故警告系统,在传统的事故避免系统或事故警告系统中,只有在例如低于当前存在的物体距离D的或相对速度vrel的极限值并且因此已经开始发展成中等紧要的或紧要的行驶情况或事故情况时,才进行警告或做出反应并且由于此类系统的构思才可以进行警告或做出反应。因此,在常规的系统中所评估的当前的行驶情况G在常规的系统中不同于对其所应做出反应的中等紧要的行驶情况GZ2或紧要的行驶情况GZ3,从而使得在此类系统中几乎只有在存在本发明的意义中的“被预测的行驶情况”GZi的情况下才会进行评估并且同时相应地做出反应。
[0064] 为了可以进行这三个行驶情况类别Fk1、Fk2、Fk3的此分类,神经网络或神经算法NA事先在所谓的学习阶段(“deep learning”(
深度学习))中进行训练,其中,训练是在车辆100外部的高性能计算单元70中进行的,以便节约车辆100内的结构空间并且将没有必要在车辆100自身内执行的计算上花费高的运算移出。训练或学习过程根据已知的模式或学习规则进行,例如通过监督学习(“supervisedlearning”(监督学习)、“backpropagation”(反向传播))进行。因此,可以在高性能计算单元70内将作为训练行驶情况TG的行驶情况信息FI输送给待训练的神经网络或神经算法NA,在这些行驶情况信息中已知有行驶情况类别Fki或预测的行驶情况GZi。由此,在学习阶段中调节或修改在神经网络的不同层面的所涉及的神经元与神经元的活动性
水平之间的权重。
[0065] 如果在随后的测试阶段中,例如也在车辆100内,将其中已知输出值O或行驶情况类别Fki的行驶情况信息FI再次作为输入值E输入,则在成功完成学习阶段时得到了正确的输出值O,也就是说得到了适用的行驶情况类别Fki并且因此得到了预估的行驶情况GZi。以此方式,神经算法NA或神经网络进行学习,如将行驶情况信息FI作为输入值E以正确的方式被分类。由此,在未来也可以通过根据本发明的评估将尚未知的当前的行驶情况G的迄今未知的行驶情况信息以高精确性配属于行驶情况类别Fki,根据本发明的评估在车辆100内经由安装在评估模型1上的经训练的神经算法NA来执行。
[0066] 因此,使用人工神经网络或神经算法NA可以在足够高数量的具有已知的输出值O的,也就是说具有已知的行驶情况类别Fki或已知的预估的行驶情况GZi的,已知的行驶情况信息FI或训练行驶情况TG的情况中建立或构建神经网络,利用该神经网络可以给每个当前存在的(新的)行驶情况G通过对该行驶情况的评估配属有行驶情况类别Fki,例如也对于当前在图1中所示的行驶情况G,其中,相应的行驶情况信息FI被检测。在此可供使用的行驶情况信息FI越多,人工神经网络也根据这些行驶情况信息FI被训练,则此分类越可靠地进行。
[0067] 为了提供足够高数量的具有已知的输出值O的行驶情况信息FI以用于在高性能计算单元70上训练神经算法NA,可以例如采用已包含此类配属关系的训练数据库4。例如,已使用和构建的SmartDrive-System(http://www.smartdrive.net)适合于作为训练数据库4。在训练数据库4内,对于已在过去在任意另外的车辆中取得的不同的训练行驶情况TG收集以上所述的关于车辆环境特征CU、实际行驶动态DI、额定行驶动态DS、驾驶员状态ZD和车辆状态ZF的行驶情况信息FI,并且将它们分类到行驶情况类别Fki中。此分类例如通过如下方式手动进行,即,对配属于特定的行驶情况信息FI并且也可以在当前对于车辆100是存在的训练行驶情况TG进行如下分析,即,这些训练行驶情况是否在至少一个介入时间段tB之后的随后的时刻导致根据以上所述的分类的不紧要的、中等紧要的或紧要的行驶情况GZ1、GZ2、GZ3。此分类可以例如经由车辆环境U的相机信号来获知,相机信号也可供各自的训练数据库4使用。
[0068] 因此可以将在不紧要的、中等紧要的或紧要的行驶情况GZ1、GZ2、GZ3之前的特定的介入时间段tB时实际上存在哪些行驶情况信息FI或训练行驶情况TG作为基础。此介入时间段tB可以可变地选择,尤其是使得在预见性评估当前的行驶情况G之后(该行驶情况基于此介入时间段tB通过神经算法NA已被分类)给驾驶员200足够的时间做出相应的反应,以便仍避免特定的预估的行驶情况GZi。优选地,为此可以至少设定驾驶员反应时间tR,优选至少双倍驾驶员反应时间tR,也就是说至少3至4秒。
[0069] 然而,介入时间段tB也受到所使用的传感器、尤其是环境传感器设备3限制,这是因为车辆环境U并且也有其他物体10的运动仅可以被受限制地检测。介入时间段tB也可以事后还被改变,例如以便调整评估模型1的响应行为并且与车辆100匹配。然后,将这些用于各自的训练行驶情况TG的给定的介入时间段tB的行驶情况信息FI与有关的分类一起被用于按照监督学习(“supervised learning”(监督学习)、“backpropagation”(反向传播))的方式训练人工神经网络或神经算法NA。
[0070] 因为已使用SmartDrive系统,所以已进行了训练行驶情况TG的大量的配属或分类,从而可以通过使用此训练数据库4在学习阶段相应地调整或修改神经网络的神经元的权重和活动性水平,以便产生对于每个任意的当前行驶情况G的可靠的输出值O。
[0071] 但是此外,也可以以特定的时间间隔将更新的神经算法NA提供给车辆100使用。为此,可以在高性能计算单元70上以一定的时间间隔或连续地进行附加的训练,其中,在重新的学习阶段中将新添加在训练数据库4内的已分类的训练行驶情况TG输送给神经网络。这些训练行驶情况在此可以来自自身车辆100,但是也可以来自另外的车辆。然后可以将更新的、重新训练的神经算法NA传输到车辆100上或其他车辆上,从而有利地可以对于可能的新添加的行驶情况G合适地做出反应,以及也总体上提高了已训练的神经网络的精确性和可靠性。
[0072] 有利地,可以在此将附加的训练局限于或有针对性地指向如下训练行驶情况TG,即,它们被现有的神经算法NA在各自的行驶情况G中被错误地评估。也就是说,作为训练行驶情况TG主要采用如下行驶情况,即,这些行驶情况在过去曾导致紧要的行驶情况GZ2或中等紧要的行驶情况GZ3,但是却被神经算法NA以此时刻存在的“知道”或训练状态被分类为未来的不紧要的行驶情况GZ1。因此,驾驶员200如不能对其调节则当前的行驶情况G发展为中等紧要的行驶情况GZ2或紧要的行驶情况GZ3。
[0073] 在各自的车辆100中,此类错误估计可以相应地与附加的错误提示H一起被存储,并且随后作为被错误估计的训练行驶情况TG(H)转发给执行神经网络的附加的训练的高性能计算单元70。该训练可以以此方式也有针对性地在误差或有错的判定方面执行,以便进一步修改神经网络,并且在未来也对这些在过去被错误地分级的行驶情况正确地做出反应。
[0074] 在由经训练的神经算法NA将预设给评估模型1的车辆100的行驶情况信息FI分类、并且输出相应的输出值O,并且因此将行驶情况类别Fki与当前的行驶情况G相配属之后,可以取决于行驶情况类别Fki地进行特定的动作:
[0075] 在存在第一行驶情况类别Fki1时,也就是说在未来不紧要的行驶情况GZ1时,例如不实施另外的动作,或让说明一切正常的绿色控制灯变亮。
[0076] 而如果在未来存在被分级到第二行驶情况类别Fk2中的中等紧要的行驶情况GZ2的话,则可以将光学的警告信号WO输出给驾驶员200,例如以红色警告灯的形式。由此,让驾驶员200应注意到由于此时的行驶情况G在未来可能出现事故,如果驾驶员200不立即介入行驶事件或对于行驶事件投入全部注意力,则事故此外只有通过紧急制动或全制动和/或转向介入才可以被避免。因此为了避免手动进行的或由紧急制动装置促使的全制动和/或转向介入,提示驾驶员200应尽可能地在当前的行驶情况G中自身采取行动,以进行受控的介入。
[0077] 如果对于未来存在被分类在第三行驶情况类别Fk3中的紧要的行驶情况GZ3的话,则补充地或替选地输出声学的警告信号WA,使得促使驾驶员无论如何都要对当前的行驶情况G进行介入或投入全部注意力,这是因为预测到了事故,该事故如不通过驾驶员200进行立即介入则以高的可能性将导致具有严重的事故后果的事故。
[0078] 各自的动作可以要么由评估模型1促使,要么由其他控制单元促使,其中,相应的行驶情况类别Fki或输出值O在
输出信号SA中经由输出接口1b被输出。
[0079] 警告WO、WA在介入时间段tB进行,该介入时间段也在学习过程中在预估的行驶情况GZi开始之前设定,从而仍为驾驶员200提供充足的时间以做出反应。
[0080] 根据本发明的方法可以根据图3例如执行如下:
[0081] 在起始的步骤St0中,在行驶运行中初始化之后,可以在第一步骤St1中经由输入接口1a读入针对当前的行驶情况G的行驶情况信息FI,其中,行驶情况信息FI如上所述被获知,以便从不同的视角获得当前的行驶情况G的全貌,也就是说从车辆100的实际行驶动态DI、车辆100的额定行驶动态DS、驾驶员状态ZD、车辆状态ZF和车辆环境特征CU。在第二步骤St2中,将行驶情况信息FI作为输入值E输送给神经算法NA。该神经算法在第三步骤St3中根据所述的系统方式按照经训练的人工神经网络的方式“处理”这些行驶情况信息,并且在第四步骤St4中输出将行驶情况信息FI与行驶情况类别Fki相配属的输出值O,并且然后说明基于当前的行驶情况G预计发展成哪个预估的行驶情况GZi。然后,取决于该行驶情况类别Fki地,可以在第五步骤St5中进行对驾驶员200的警告WA、WO,从而使该驾驶员已可以预防性地做出反应,并且如果需要可以将其注意力完全投入到行驶事件上。
[0082] 附图标号列表
[0083] 1 评估模型
[0084] 1a 输入接口
[0085] 1b 输出接口
[0086] 1c 评估单元
[0087] 2 环境监测模块
[0088] 3 环境传感器设备
[0089] 3a 雷达传感器
[0090] 3b 环境相机
[0091] 3c 超声传感器
[0092] 3d 红外传感器
[0093] 3e 激光传感器
[0094] 3f 导航仪
[0095] 4 训练数据库
[0096] 5 行驶动态监控模块
[0097] 6 行驶动态传感器设施
[0098] 6a 速度传感器
[0099] 6b 纵向加速度传感器
[0100] 6c 横向加速度传感器
[0101] 6d 横摆率传感器
[0102] 6e 车轮转速传感器
[0103] 7 驾驶员监测模块
[0104] 8 驾驶员传感器设施
[0105] 8a 驾驶员相机
[0106] 9 车轮
[0107] 10 物体
[0108] 11 行车道
[0109] 12 控制单元
[0110] 50 驾驶员辅助系统
[0111] 60 制动系统
[0112] 70 高性能计算单元
[0113] 100 车辆
[0114] 200 驾驶员
[0115] al10 物体纵向加速度
[0116] aq10 物体横向加速度
[0117] al100 车辆纵向加速度
[0118] aq100 车辆横向加速度
[0119] aSoll 油门踏板额定预设量
[0120] C10 物体尺寸
[0121] CU 车辆环境特征
[0122] D 物体距离
[0123] DI 实际行驶动态
[0124] DS 额定行驶动态
[0125] E 输入值
[0126] FC 行车道特征
[0127] FI 行驶情况信息
[0128] FKi 行驶情况类别
[0129] Fk1 第一行驶情况类别
[0130] Fk2 第二行驶情况类别
[0131] Fk3 第三行驶情况类别
[0132] FM 行车道标识
[0133] FR 行驶方向
[0134] G 当前的行驶情况
[0135] GZi 预估的行驶情况
[0136] GZ1 不紧要的行驶情况
[0137] GZ2 中等紧要的行驶情况
[0138] GZ3 紧要的行驶情况
[0139] H 错误提示
[0140] i 索引
[0141] KSoll 离合器额定预设量
[0142] N 数量
[0143] NA 神经算法
[0144] NI 导航信息
[0145] O 输出值
[0146] P10 相对定位
[0147] P100 绝对车辆定位
[0148] RSoll 缓速器额定预设量
[0149] SA 输出信号
[0150] SB 驾驶员信号
[0151] SF 行驶动态信号
[0152] SU 环境信号
[0153] T10 物体类型
[0154] tB 介入时间段
[0155] TG 训练行驶情况
[0156] tI 时间信息
[0157] tR 驾驶员反应时间
[0158] TS 道路类型
[0159] U 车辆环境
[0160] vl10 物体纵向速度
[0161] vq10 物体横向速度
[0162] v100 车辆速度
[0163] vrel 相对速度
[0164] vR 车轮速度
[0165] wSoll 方向盘额定预设量
[0166] WA 声学的警告信号
[0167] WO 光学的警告信号
[0168] ZD 驾驶员状态
[0169] ZD1 视角
[0170] ZD2 手部部位
[0171] ZD3 安全带状态
[0172] ZD4 驾驶时间
[0173] ZD5 休息时间
[0174] ZF 车辆状态
[0175] ZF1 转向灯
[0176] ZF2 警告闪光设备
[0177] ZF3 车辆照明
[0178] ZF4 雾灯
[0179] ZF5 辅助灯
[0180] ZF6 雨刮器等级
[0181] ZF7 内部空间照明
[0182] zSoll 制动踏板额定预设量
[0183] St1、St2、St3、St4、St5 方法的步骤