Vorliegend werden ein computerimplementiertes Verfahren zum Durchführen einer auto matisierten Fahrfunktion, ein Computerprogrammprodukt, eine Steuereinheit sowie ein Kraftfahrzeug beschrieben.

Computerimplementierte Verfahren zum Durchführen einer automatisierten Fahrfunktion, Computerprogrammprodukte, Steuereinheiten sowie Kraftfahrzeuge der eingangs ge nannten Art sind im Stand der Technik bekannt.

Verfahren, Computerprogrammprodukte, Kraftfahrzeuge sowie Systeme der eingangs ge nannten Art sind im Stand der Technik bekannt. Die ersten teil-automatisiert (entspricht SAE Level 2 gemäß SAE J3016) fahrenden Kraftfahrzeuge sind in den vergangenen Jah ren zur Serienreife gelangt. Automatisiert (entspricht SAE Level >=3 gemäß SAE J3016) bzw. autonom (entspricht SAE Level 4/5 gemäß SAE J3016) fahrende Kraftfahrzeuge müssen anhand vielfältiger Vorgaben, zum Beispiel Fahrtziel und Einhaltung gängiger Verkehrsregeln, mit maximaler Sicherheit auf unbekannte Verkehrssituationen selbständig reagieren. Da die Verkehrswirklichkeit aufgrund der Unvorhersehbarkeit des Verhaltens anderer Verkehrsteilnehmer hoch komplex ist, gilt es als nahezu unmöglich, entspre chende Steuergeräte von Kraftfahrzeugen mit herkömmlichen Methoden und auf der Grundlage von menschengemachten Regeln zu programmieren.

Stattdessen ist es bekannt, mit Methoden des maschinellen Lernens bzw. der künstlichen Intelligenz Algorithmen zu entwickeln. Solche Algorithmen können einerseits maßvoller auf komplexe Verkehrssituationen reagieren als traditionelle Algorithmen. Andererseits ist es mithilfe künstlicher Intelligenz prinzipiell möglich, die Algorithmen während des Ent wicklungsprozesses und im Alltag durch ständiges Lernen weiterzuentwickeln. Alternativ wird ein Stand nach der Beendigung der Trainingsphase im Entwicklungsprozesses durch den Hersteller eingefroren.

Aus der DE 102018 117 777 A1 sind Verfahren und Systeme zum Steuern eines autono men Fahrzeugs beschrieben. Ein Sensorfusionssystem mit einem Sensorsystem zum Be reitstellen von Umgebungszustandsinformationen und ein gefaltetes neuronales Netzwerk (CNN) sind vorgesehen. Das CNN beinhaltet eine Empfangsschnittstelle, die konfiguriert ist, um die Umgebungszustandsinformationen vom Sensorsystem zu empfangen, eine ge meinsame Faltungsschicht, die konfiguriert ist, um Verkehrsinformationen aus den emp fangenen Umgebungszustandsinformationen zu extrahieren, und eine Vielzahl von voll ständig verbundenen Schichten, die konfiguriert sind, um Objekte zu erkennen, die zu ver schiedenen Objektklassen gehören, basierend auf den extrahierten Verkehrsinformatio nen, worin die Objektklassen mindestens eine von einer Straßenmerkmalklasse, einer statischen Objektklasse und einer dynamischen Objektklasse beinhalten.

Bei der Objekterkennung in Bilddaten, insbesondere 2D-Bilddaten haben sich tiefe neuro nale Netze (DNNs) als überlegen hinsichtlich ihrer Leistungsfähigkeit gegenüber klassi schen Methoden der Bildverarbeitung erwiesen. Der Einsatz solcher Methoden bei auto matisierten Fahrfunktionen erfordert schnelle und effiziente Prozesse, da zur Gewährleis tung der Fahrsicherheit eine schnelle Verarbeitung der Eingangsdaten erforderlich ist.

Somit stellt sich die Aufgabe, computerimplementierte Verfahren zum Durchführen einer automatisierten Fahrfunktion, Computerprogrammprodukte, Steuereinheiten sowie Kraft fahrzeuge der eingangs genannten Art dahingehend weiterzubilden, dass eine gegenüber herkömmlichen Verfahren erhöhte Recheneffizienz sichergestellt werden kann.

Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zum Durchführen einer automatisierten Fahrfunktion gemäß Anspruch 1, ein Computerprogrammprodukt gemäß dem nebengeordneten Anspruch 10, eine Steuereinheit gemäß dem nebengeord neten Anspruch 12 sowie ein Kraftfahrzeug gemäß dem nebengeordneten Anspruch 13. Weiterführende Ausgestaltungen und Weiterbildungen sind Gegenstand der abhängigen Ansprüche.

Nachfolgend wird ein computerimplementiertes Verfahren zum Durchführen einer automa tisierten Fahrfunktion eines autonom oder teilautonom fahrenden Kraftfahrzeugs mittels wenigstens eines Algorithmus beschrieben, wobei der Algorithmus in wenigstens einer Steuereinheit ausgeführt wird, wobei die Steuereinheit in Aggregate des Kraftfahrzeugs auf der Grundlage von Eingangsdaten eingreift, wobei der Algorithmus ein trainiertes neu ronales Netz aufweist, das zur Objekterkennung ausgebildet ist, wobei ein Detektionsal gorithmus vorgesehen ist, der eine Objektklassenbibliothek von unterschiedlichen Objekt klassen (nODDJ, nADD_i) zur Erkennung von im Umfeld des Kraftfahrzeugs befindlichen Objekten anwendet, wobei a) eine Anzahl an Basisobjektklassen (nODDJ) ausgewählt wird, wobei die Anzahl an Ba sisobjektklassen (nODDJ) kleiner ist als die gesamte Anzahl an Objektklassen (nODDJ, nADD_i) in der Objektklassenbibliothek; b) wenigstens ein Eingangssignal mit Informationen über einen vor dem Kraftfahrzeug lie genden Streckenabschnitt empfangen wird, wobei aus den Informationen wenigstens eine Zusatzobjektklasse (nADD_i) ermittelt wird, wobei die wenigstens eine Zusatzobjektklasse (nADD_i) zusätzlich zu den Basisobjektklassen (nODDJ) zur Erkennung von im Umfeld des Kraftfahrzeugs befindlichen Objekten ausgewählt wird; c) mittels Kraftfahrzeugsensorik Umgebungsinformationen einer Umgebung des Kraftfahr zeugs aufgenommen und an den Detektionsalgorithmus weitergeleitet werden; d) mittels des Detektionsalgorithmus anhand der Umgebungsinformationen unter Anwen dung der Basisobjektklassen (nODDJ) und der wenigstens einen Zusatzobjektklasse (nADDJ) in der Umgebung des Kraftfahrzeugs befindliche Objekte erkannt werden und dem Algorithmus entsprechende Objektdaten zur Verfügung gestellt werden.

Die Steuereinheit kann eine separate Steuereinheit des Kraftfahrzeugs oder Teil einer Steuereinheit mit weiteren, hier nicht beschriebenen Funktionen sein. Aus Gründen der Betriebssicherheit kann eine entsprechende Steuereinheit diskret aufgebaut sein. Auch kann vorgesehen sein, dass die Steuereinheit redundant ausgebildet ist bzw. das hier be schriebene Verfahren redundant auf einer oder mehreren Recheneinheiten ausgeführt werden.

Der Detektionsalgorithmus kann Bestandteil des das Verfahren ausführenden Algorithmus sein oder separat dazu ausgebildet sein. Hierdurch ist es möglich, den Detektionsalgorith mus ganz oder teilweise dezentral auszuführen, z.B. in einer Firmware einer entspre chend verwendeten Kamera.

Als Eingangsdaten kommen generell aktuelle, die Umgebung betreffende Daten infrage, zum Beispiel mittels verschiedener Sensoren gewonnene Daten. Solche Sensoren kön nen beispielsweise Kameras, Radar-, Lidar- und/oder Ultraschall-Sensoren umfassen, aber auch andere Sensoren wie zum Beispiel Positionssensoren, z.B. GPS, Magnetfeld- detektierende Sensoren und dergleichen.

Weitere mögliche Eingangsdaten sind Farbplanungsdaten, die beispielsweise aus einem Navigationsziel gewonnen werden, sowie unter Umständen Verkehrsdaten, die den Ver kehrsfluss auf der Route bestimmen. Weitere Daten können Kommunikationsdaten sein, die beispielsweise aus Car-to-Car- oder Car-to-lnfrastructure-Systemen gewonnen wer den, z.B. zu Ampelphasen o.ä..

Im Straßenverkehr befinden sich eine Vielzahl unterschiedlicher Objekte, die sich in ver schiedene Klassen einteilen lassen, z.B. andere Verkehrsteilnehmer in motorisierten Fahrzeugen, Verkehrsteilnehmer in unmotorisierten Fahrzeugen, Fußgänger, Tiere, Ob jekte, Straßenzeichen etc.

Bei der Objekterkennung ist es im Stand der Technik erforderlich, die Eingangsdaten auf sämtliche Objektklassen anzuwenden, um eine vollständige Klassifizierung der in der Um gebung des Kraftfahrzeugs befindlichen Objekte zu erreichen. Dafür ist ein gewisser Re chenaufwand erforderlich. Eine Verringerung der Objektklassen kann die Durchführung des Verfahrens beschleunigen.

Es ist bekannt, dass auf bestimmten Straßenarten bestimmte Objektarten selten oder gar nicht Vorkommen. Z.B. sollten sich auf einer Autobahn in der Regel keine Fußgänger, Radfahrer oder Tiere befinden. Dies ist aber nicht vollständig ausschließbar, z.B. kommt es immer wieder vor, dass sich Personen auf der Fahrbahn befinden, z.B. bei einem Un fall. Insoweit ist es nicht möglich, z.B. eine Objektklasse „Personen“ vollständig zu deakti vieren, wenn das betreffende Kraftfahrzeug sich auf einer Autobahn befindet.

Mit dem oben beschriebenen Verfahren ist es dennoch möglich, eine Reduktion der ange wendeten Objektklassen und dadurch eine zielgerichtete Gestaltung der Anforderungen zu erreichen. Dadurch, dass wenigstens ein Eingangssignal mit Informationen über einen vor dem Kraftfahrzeug liegenden Streckenabschnitt empfangen werden, können zusätz lich zu den, ggf. straßentypabhängigen, ausgewählten Objektklassen oder für den jeweili gen Straßentyp ausgewählte Basisobjektklassen gezielt um zusätzliche Objektklassen er weitern.

Im Falle eines vorausliegenden Unfalls könnten somit die Informationen erhalten werden, dass sich in einem bestimmten, vorausliegenden Bereich Menschen auf der Fahrbahn be finden. Hierdurch veranlasst wird wenigstens eine Zusatzobjektklasse, z.B. Personen und Tiere, geladen und bei der Objekterkennung angewendet. Die betreffenden Objektdaten, die über die Kraftfahrzeugsensorik aufgenommen werden können, werden als Eingangsdaten für den Detektionsalgorithmus verwendet.

In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass der Detekti onsalgorithmus ein tiefes neuronales Netz aufweist.

Das selbstlernende neuronale Netz kann auf verschiedenen Lernprinzipien aufgebaut sein, insbesondere kann es Verfahren des verstärkenden Lernens anwenden. Verstärken des Lernen (englisch reinforcement learning) steht für eine Reihe von Methoden des ma schinellen Lernens, bei denen das neuronale Netz selbstständig eine Strategie erlernt, um erhaltene Belohnungen zu maximieren. Dabei wird dem neuronalen Netz nicht vorgezeigt, welche Aktion in welcher Situation die beste ist, sondern es erhält zu bestimmten Zeit punkten eine Belohnung, die auch negativ sein kann. Anhand dieser Belohnungen appro ximiert es eine Nutzenfunktion, die beschreibt, welchen Wert ein bestimmter Zustand oder eine bestimmte Aktion hat.

Tiefe neuronale Netze (deep neural network) weisen neben einer Eingabeebene und ei ner Ausgabeebene wenigstens eine versteckte Ebene (hidden layer) auf und sind in der Lage, komplexe Situationen zu analysieren und zu bewerten.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Anzahl von Basisobjektklassen (n_ODD_i) fahrsituationsabhängig ausgewählt wird.

Solche Fahrsituationen können strecken-, tageszeit-, jahreszeit- und regionsspezifisch sein. So kann es z.B. angemessen sein, bei Nachtfahrten eine Objektklasse „Tiere“ stets geladen zu halten, da in der Nacht häufige Wildwechsel stattfinden.

Ein anderes Beispiel sind Strecken, die von Eisenbahnstrecken gekreuzt werden. Die ent sprechende Objektklasse wird an anderen Strecken nicht zur Anwendung kommen, inso weit ist die Prozessierung der Eingangsdaten mittels einer Objektklasse „Schienenfahr zeuge“ dort nicht nötig.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass, wenn we nigstens eines der in der Umgebung befindlichen Objekte nicht anhand der Basisobjekt klassen (nODDJ) und der wenigstens einen Zusatzobjektklasse (nADD_i) erkannt werden kann, eine Erkennung an übrigen bekannten Objektklassen (nODDJ) vorgenommen wird. Auf diese Weise kann sichergestellt werden, dass jedes gefundene Objekt richtig klassifi ziert werden kann, auch wenn es nicht einer der angewendeten Basisobjektklassen oder Zusatzobjektklassen entspricht.

In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die wenigs tens eine Zusatzobjektklasse (nADD_i) abgewählt wird, wenn das Kraftfahrzeug den Stre ckenabschnitt verlässt.

Auf diese Weise kann das Verfahren nach Verlassen des Streckenabschnitts wieder be schleunigt werden.

In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Auswahl der Basisobjektklassen (nODDJ) abhängig vom befahrenen Streckentyp getroffen wird.

Auf innerörtlichen Straßen ist zum Beispiel die Wahrscheinlichkeit von Personen, die die Fahrbahn kreuzen, größer als auf Autobahnen, insoweit ist es sinnvoll, innerorts stets die Objektklasse Personen anzuwenden.

In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass der Detekti onsalgorithmus Detektionsschwellen für die Objektklassen (nODDJ, nADD_i) anwendet, wobei wenigstens eine Detektionsschwelle für die wenigstens eine aus den Informationen ermittelte Zusatzobjektklasse gegenüber einem Standardwert abgesenkt wird.

Auf diese Weise kann eine Priorisierung der Objektklassen erreicht werden.

In einerweiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass das Ein gangssignal von einem Empfangssystem übermittelt wird, wobei die Informationen Ver kehrsinformationen sind, und/oder wobei das Eingangssignal ein Sensorsignal eines Kraftfahrzeugsensors enthält.

Hierdurch können im ersten Fall aktuelle Verkehrsinformationen verarbeitet werden, zum Beispiel solche betreffend Personen oder Tiere oder andere Objekte auf einer Fahrbahn.

Im zweiten Fall können alternativ oder zusätzlich Umgebungsinformationen aus Kraftfahr zeugsensorik gewonnen werden, z.B. können mittels Kameras Schilder erkannt werden, die auf Objekte hinweisen, zum Beispiel temporäre Baustellenschilder oder saisonale Wildwechselschilder.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass das Ein gangssignal Kartendaten einer Umgebungskarte enthält.

Solche Kartendaten können von einer im Kraftfahrzeug gespeicherten Karte oder einer mittels Fernkommunikationsmitteln empfangenen Karte stammen, wobei die Karte mit Zu satzinformationen angereichert ist, zum Beispiel Regionen mit starkem Wldwechsel oder Regionen, in denen gelegentlich andere Hindernisse, z.B. Steinbruch, Moränen oder Sandwehen, auftreten können.

Ein erster unabhängiger Gegenstand betrifft eine Vorrichtung zum Durchführen einer au tomatisierten Fahrfunktion eines autonom oder teilautonom fahrenden Kraftfahrzeugs mit tels wenigstens eines Algorithmus beschrieben, wobei der Algorithmus in wenigstens ei ner Steuereinheit ausgeführt wird, wobei die Steuereinheit in Aggregate des Kraftfahr zeugs auf der Grundlage von Eingangsdaten eingreift, wobei der Algorithmus ein trainier tes neuronales Netz aufweist, das zur Objekterkennung ausgebildet ist, wobei ein Detekti onsalgorithmus vorgesehen ist, der eine Objektklassenbibliothek von unterschiedlichen Objektklassen (nODDJ, nADD_i) zur Erkennung von im Umfeld des Kraftfahrzeugs be findlichen Objekten anwendet, wobei die Vorrichtung dazu eingerichtet ist: a) eine Anzahl an Basisobjektklassen (nODDJ) auszuwählen, wobei die Anzahl an Basis objektklassen (nODDJ) kleiner ist als die gesamte Anzahl an Objektklassen (nODDJ, nADDJ) in der Objektklassenbibliothek; b) mittels eines Eingangs wenigstens ein Eingangssignal mit Informationen über einen vor dem Kraftfahrzeug liegenden Streckenabschnitt zu empfangen und aus den Informationen wenigstens eine Zusatzobjektklasse (nADDJ) zu ermitteln, wobei die wenigstens eine Zu satzobjektklasse (nADDJ) zusätzlich zu den Basisobjektklassen (nODDJ) zur Erkennung von im Umfeld des Kraftfahrzeugs befindlichen Objekten ausgewählt wird; c) mittels Kraftfahrzeugsensorik Umgebungsinformationen einer Umgebung des Kraftfahr zeugs aufzunehmen und an den Detektionsalgorithmus weiterzuleiten; d) mittels des Detektionsalgorithmus anhand der Umgebungsinformationen unter Anwen dung der Basisobjektklassen (nODDJ) und der wenigstens einen Zusatzobjektklasse (nADDJ) in der Umgebung des Kraftfahrzeugs befindliche Objekte zu erkennen und dem Algorithmus entsprechende Objektdaten zur Verfügung zu stellen. In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass der Detekti onsalgorithmus ein tiefes neuronales Netz aufweist.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Vorrich tung dazu eingerichtet ist, die Anzahl von Basisobjektklassen (n_ODD_i) fahrsituationsab hängig auszuwählen.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Vorrich tung dazu eingerichtet ist, wenn wenigstens eines der in der Umgebung befindlichen Ob jekte nicht anhand der Basisobjektklassen (nODDJ) und der wenigstens einen Zusatzob jektklasse (nADD_i) erkannt werden kann, eine Erkennung an übrigen bekannten Objekt klassen (nODDJ) vorzunehmen.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Vorrich tung dazu eingerichtet ist, die wenigstens eine Zusatzobjektklasse (nADD_i) abzuwählen, wenn das Kraftfahrzeug den Streckenabschnitt verlässt.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Vorrich tung dazu eingerichtet ist, die Auswahl der Basisobjektklassen (nODDJ) abhängig vom befahrenen Streckentyp zu treffen.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass der Detekti onsalgorithmus Detektionsschwellen für die Objektklassen (nODDJ, nADDJ) anwendet, wobei die Vorrichtung dazu eingerichtet ist, wenigstens eine Detektionsschwelle für die wenigstens eine aus den Informationen ermittelte Zusatzobjektklasse gegenüber einem Standardwert abzusenken.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass das Ein gangssignal von einem Empfangssystem übermittelt wird, wobei die Informationen Ver kehrsinformationen sind, und/oder wobei das Eingangssignal ein Sensorsignal eines Kraftfahrzeugsensors enthält.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass das Ein gangssignal Kartendaten einer Umgebungskarte enthält. Ein weiterer unabhängiger Gegenstand betrifft ein Computerprogrammprodukt, mit einem dauerhaften, computerlesbaren Speichermedium, auf dem Befehle eingebettet sind, die, wenn sie von wenigstens einer Recheneinheit ausgeführt werden, bewirken, dass die we nigstens Recheneinheit dazu eingerichtet ist, das Verfahren der vorgenannten Art auszu führen.

Das Verfahren kann auf einer oder auf mehreren Recheneinheiten verteilt ausgeführt wer den, sodass bestimmte Verfahrensschritte auf der einen Recheneinheit und andere Ver fahrensschritte auf wenigstens einer weiteren Recheneinheit ausgeführt werden, wobei berechnete Daten sofern notwendig zwischen den Recheneinheiten übermittelt werden können.

Die Recheneinheit kann Bestandteil der Steuereinheit sein.

In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass die Befehle das Computerprogrammproduktmodul der zuvor beschriebenen Art aufweisen.

Ein weiterer unabhängiger Gegenstand betrifft eine Steuereinheit mit einem dauerhaften, computerlesbaren Speichermedium, wobei auf dem Speichermedium ein Computerpro grammprodukt der zuvor beschriebenen Art gespeichert ist.

Ein weiterer unabhängiger Gegenstand betrifft ein Kraftfahrzeug mit einer Steuereinheit der zuvor beschriebenen Art.

In einer ersten weiterführenden Ausgestaltung kann vorgesehen sein, dass wobei die Re cheneinheit Bestandteil der Steuereinheit ist.

In einer weiteren weiterführenden Ausgestaltung kann vorgesehen sein, dass die Steuer einheit mit Umgebungssensoren und einem Empfangssystem vernetzt ist.

Weitere Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbei spiel im Einzelnen beschrieben ist. Beschriebene und/oder bildlich dargestellte Merkmale bilden für sich oder in beliebiger, sinnvoller Kombination den Gegenstand, gegebenenfalls auch unabhängig von den Ansprüchen, und können insbesondere zusätzlich auch Gegen- stand einer oder mehrerer separater Anmeldung/en sein. Gleiche, ähnliche und/oder funk tionsgleiche Teile sind mit gleichen Bezugszeichen versehen. Dabei zeigen schematisch:

Fig. 1 ein Kraftfahrzeug, das zum automatisierten bzw. autonomen Fahren einge richtet ist;

Fig. 2 ein Steuergerät des Kraftfahrzeugs aus Fig. 1 ;

Fig. 3 eine Umgebung mit dem Kraftfahrzeug aus Fig. 1, sowie

Fig. 4 ein Ablaufdiagramm des Verfahrens.

Fig. 1 zeigt ein Kraftfahrzeug 2, das zum automatisierten bzw. autonomen Fahren einge richtet ist.

Das Kraftfahrzeug 2 weist ein Steuergerät 4 mit einer Recheneinheit 6 und einem Spei cher 8 auf. Im Speicher 8 ist ein Computerprogrammprodukt gespeichert, das im Nachfol genden im Zusammenhang mit den Fig. 2 bis 4 noch eingehender beschrieben wird.

Das Steuergerät 4 ist einerseits mit einer Reihe von Umgebungssensoren verbunden, die eine Erfassung der aktuellen Lage des Kraftfahrzeugs 2 sowie der jeweiligen Verkehrssi tuation erlauben. Hierzu zählen Umgebungssensoren 10, 11 an der Front des Kraftfahr zeugs 2, Umgebungssensoren 12, 13 am Heck des Kraftfahrzeugs 2, eine Kamera 14 so wie ein GPS-Modul 16. Die Umgebungssensoren 10 bis 13 können z.B. Radar-, Lidar- und/oder Ultraschallsensoren umfassen.

Des Weiteren sind Sensoren zur Erfassung des Zustands des Kraftfahrzeugs 2 vorgese hen, unter anderem Raddrehzahlsensoren 16, Beschleunigungssensoren 18 und Pe dalsensoren 20, die mit dem Steuergerät 4 verbunden sind. Mithilfe dieser Kraftfahr zeugsensorik kann der momentane Zustand des Kraftfahrzeuges 2 zuverlässig erfasst werden.

Während des Betriebs des Kraftfahrzeugs 2 hat die Recheneinheit 6 das im Speicher 8 abgelegte Computerprogrammprodukt geladen und führt dieses aus. Auf der Grundlage eines Algorithmus und der Eingangssignale entscheidet die Recheneinheit 6 über die Steuerung des Kraftfahrzeugs 2, die die Recheneinheit 6 über Eingriff in die Lenkung 22, Motorsteuerung 24 sowie Bremsen 26 erreichen würde, die jeweils mit dem Steuergerät 4 verbunden sind.

Daten der Sensoren 10 bis 20 werden fortlaufend im Speicher 8 zwischengespeichert und nach einer vorgegebenen Zeitdauer verworfen, damit diese Umgebungsdaten zur weite ren Auswertung zur Verfügung stehen können.

Der Algorithmus wurde nach dem nachfolgend beschriebenen Verfahren trainiert.

Des Weiteren ist ein RDS-Modul 27 (RDS = Radio Data System) vorgesehen, über das mittels Verkehrsfunk Verkehrs- und Streckeninformationen empfangen werden. Das RDS- Modul 27 ist mit dem Steuergerät 4 verbunden.

In anderen Ausführungsformen können zusätzlich oder alternativ zu einem RDS-Modul andere Kommunikationswege zum Empfang von relevanten Verkehrsinformationen ver wendet werden, beispielsweise über ein Auto-zu-lnfrastruktur- oder ein Auto-zu-Auto- Netzwerk oder ein Mobilfunknetzwerk.

Fig. 2 zeigt das Steuergerät 4 aus Fig. 1.

Das Steuergerät 4 weist die Recheneinheit 6 auf, in der ein Computerprogrammprodukt modul 28 (gestrichelt umrahmt) ausgeführt wird, das einen Algorithmus 30 zur Ausführung einer autonomen Fahrfunktion aufweist. Die autonome Fahrfunktion kann beispielsweise ein Stauassistent, ein Bremsassistent, ein Kollisionswarnassistent oder dergleichen sein.

Bestandteil des Algorithmus 30 ist ein Detektionsalgorithmus 32 (gestrichelt umrahmt), der ein neuronales Netz 34 aufweist.

Das neuronale Netz 34 ist ein tiefes neuronales Netz (deep neural network, DNN), das neben einer Eingabeebene (input layer) und einer Ausgabeebene (output layer) wenigs tens eine versteckte Ebene (hidden layer) aufweist.

Das selbstlernende neuronale Netz 34 lernt nach Methoden des bestärkenden Lernens, d. h. der Algorithmus 30 versucht in einer Trainingsphase, durch Variation des neuronalen Netzes 34 Belohnungen für ein verbessertes Verhalten entsprechend einer oder mehrerer Metriken oder Maßstäbe, also für Verbesserungen des Algorithmus 30 zu erhalten. In an deren Ausführungsformen können auch bekannte Lernverfahren des überwachten und unüberwachten Lernens, sowie Kombinationen dieser Lernverfahren, verwendet werden.

Das neuronale Netz 34 kann im Wesentlichen eine Matrix aus Werten, in der Regel Ge wichte genannt, sein, die eine komplexe Filterfunktion definieren, die das Verhalten des Algorithmus 34 abhängig von Eingangsgrößen, welche vorliegend über die Umgebungs sensoren 10 bis 20 aufgenommen werden, bestimmt und Steuersignale zur Steuerung des Kraftfahrzeugs 2 generiert.

Das Computerprogrammproduktmodul 28 kann sowohl im Kraftfahrzeug 2 als auch au ßerhalb des Kraftfahrzeugs 2 zum Einsatz gebracht werden. Somit ist es möglich, das Computerprogrammproduktmodul 28 sowohl in einer realen Umgebung als auch in einer Simulationsumgebung zu trainieren.

Der Objekterkennungsalgorithmus 32 greift auf eine im Speicher 8 gespeicherte Objekt klassenbibliothek 36 (gestrichelt umrahmt) zu, die mehrere Basisobjektklassen nODDJ (nODD_1 , nODD_2, ... nODDJ), und Zusatzobjektklassen (nADD_1 , nADD_2, ... nADD_i) aufweist.

Die betreffenden Objektklassen nODDJ, nADDJ werden situativ vom Detektionsalgorith mus 32 geladen und zur Objekterkennung angewendet. Die situative Auswahl der Objekt klassen nODDJ, nADDJ hängt unter anderem von der Strecke ab. Eine weitere Ein gangsgröße sind Verkehrsmeldungen, die mittels des RDS-Moduls 27 empfangen werden und aus denen Informationen in Bezug auf eine vorausliegende Strecke bzw. einen vor ausliegenden Streckenabschnitt extrahiert werden.

Fig. 3 zeigt eine Autobahn 38.

Auf der Autobahn 38 fahren zusätzlich zu dem Kraftfahrzeug auf verschiedenen Spuren zwei Kraftfahrzeuge 40, 42. Auf einen vorausliegenden Streckenabschnitt 44 (gekenn zeichnet durch gestrichelte Linien quer zur Autobahn 38) befindet sich ein Tier 46 auf der Fahrbahn.

Im Rahmen des hier beschriebenen Verfahrens ist es vorgesehen, nur eine für Autobah nen geeignete Auswahl an Basisobjektklassen nODDJ zu laden und anzuwenden, wodurch sich der Objekterkennungsprozess gegenüber herkömmlichen Verfahren, bei de nen sämtliche Objektklassen angewendet werden, erheblich zu beschleunigen. Aus den über das RDS-Modul 27 gewonnenen Daten ist es möglich, die Information zu isolieren, dass im Streckenabschnitt 44 das Tier 46 eine Gefahr für den Verkehr darstellt. Auf der Grundlage dieser Informationen kann der Detektionsalgorithmus 32 aus dem Speicher 8 wenigstens eine Zusatzobjektklasse nADD_i betreffend Tiere laden und bei der Objekterkennung anwenden.

Fig. 4 zeigt ein Ablaufdiagramm des Verfahrens.

Zu Beginn des Verfahrens wird zunächst eine Route des Kraftfahrzeugs 2 abgerufen. Aus der Route des Kraftfahrzeugs 2 werden Streckentypen extrahiert und anhand der Stre ckentypen Basisobjektklassen selektiert. Mithilfe der selektierten Basisobjektklassen fin det sodann die Erkennung unter Verwendung des Detektionsalgorithmus statt.

Parallel dazu werden in regelmäßigen Abständen Verkehrsinformationen abgerufen und analysiert. Finden sich in den Verkehrsinformationen Hinweise auf Gefahren, beispiels weise durch Objekte in vorausliegenden Streckenabschnitten, werden in einem darauffol genden Schritt relevante Objektklassen extrahiert.

Darauffolgend werden die Zusatzobjektklassen geladen und Detektionsschwellen für die geladenen Zusatzobjektklassen abgesenkt. Die Objekterkennung wird dann anhand der angewendeten Basisobjektklassen und der Zusatzobjektklassen durchgeführt.

Um jeweils passende Basisobjektklassen anzuwenden und um eine Akkumulation von zwischenzeitlich geladenen Zusatzobjektklassen zu vermeiden, wird regelmäßig geprüft, ob ein bestimmter Streckenabschnitt verlassen wurde. Der Streckenabschnitt kann ein durch die Route oder durch die Verkehrsinformationen definierter Streckenabschnitt sein.

Obwohl der Gegenstand im Detail durch Ausführungsbeispiele näher illustriert und erläu tert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass bei spielhaft genannte Ausführungsformen nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Be schreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbar ten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Ele mente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa einer weitergehenden Erläuterung in der Beschreibung, definiert wird.

Bezugszeichenliste

2 Kraftfahrzeug

4 Steuergerät

6 Recheneinheit

8 Speicher

10 Umgebungssensor

11 Umgebungssensor

12 Umgebungssensor

13 Umgebungssensor

14 Kamera

15 GPS-Modul

16 Raddrehzahlsensor

18 Beschleunigungssensor

20 Pedalsensor

22 Lenkung

24 Motorsteuerung

26 Bremsen

27 RDS-Modul

28 Computerprogrammproduktmodul

30 Algorithmus

32 Detektionsalgorithmus

34 neuronales Netz

36 Objektklassenbibliothek

38 Autobahn

40, 42 Kraftfahrzeug 44 Streckenabschnitt

46 Tier nODDJ Basisobjektklasse nADD_i Zusatzobjektklasse