Verfahren und Einrichtung zur Überwachung eines fahrbetriebsbedingten Gesundheitszustandes von Insassen eines insbesondere autonomen Fahrzeugs

Die Erfindung betrifft ein Verfahren zur Ermittlung bzw. Überwachung eines

fahrbetriebsbedingten Gesundheitszustandes von Insassen eines insbesondere autonom betriebenen Fahrzeugs, gemäß dem Oberbegriff des Anspruchs 1. Gegenstand der vorliegenden Erfindung sind auch ein Computerprogramm und eine Einrichtung, mittels derer das erfindungsgemäße Verfahren durchführbar ist.

Stand der Technik

Bei Kraftfahrzeugen sind Sensorsysteme zur Überwachung von fahrbetriebsbedingten Informationen verfügbar, welche einem Fahrzeugbesitzer oder einer Werkstatt nur einen sehr begrenzten Zugang zu fahrdynamischen Sensordaten gewähren, um diese für

Fahrzeugdiagnosezwecke oder für andere Zwecke zu verwenden.

Mit dem Aufkommen der Technologie autonomer Fahrzeuge bzw. Kraftfahrzeuge kann sich die Aufmerksamkeit des Fahrzeugführers auf alternative Aktivitäten wie z.B. Arbeit,

Geselligkeit, Lesen, Schreiben, oder aufgabenbasierte Aktivitäten wie z. B. Organisation, Rechnungszahlungen, Online-Shopping, Computer- oder Onlinespiele, richten bzw.

konzentrieren. Wenn sich das autonome Fahrzeug entlang einer vorgegebenen Fahrroute bewegt, kann sich beim Fahrer eine sogenannte„Kinetose“, d.h. eine Reise- bzw.

Bewegungskrankheit, einstellen. Die Ursache für diese Erkrankung liegt insbesondere darin, dass die Wahrnehmung der Fahrzeugbewegung seitens des Fahrers nicht der vestibulären Wahrnehmung des Fahrers mittels seines Gleichgewichtsorgans entspricht. Die

medizinischen Symptome dieser Erkrankung können zudem durch Störungen des

Gleichgewichtssinns einer Person entstehen.

Aus DE 10 2016 204 635 A1 gehen ein Verfahren und eine Vorrichtung zum Vermeiden oder Abmildern von Reiseübelkeit in einem autonomen Fahrzeug hervor, wobei ein für die Wahrscheinlichkeit des Auftretens von Reiseübelkeit bei einem Insassen des Fahrzeugs charakteristischer Kennwert abgeschätzt wird, wobei auf der Basis dieses Kennwertes wenigstens eine für die Abmilderung oder Vermeidung von Reiseübelkeit bei dem Insassen geeigneten Maßnahme festgelegt wird und wobei eine diese wenigstens eine Maßnahme betreffende Information an den Fahrer übermittelt wird. Als Maßnahmen kommen die Beendigung eines automatisierten Fahrmodus', die Vermeidung eines Wechselns in den automatisierten Fahrmodus, die Änderung oder Beendigung einer vom Fahrer aktuell durchgeführten Aktivität, die Änderung der Sitzposition des Fahrers oder die Änderung der Einstellung wenigstens einer Fensterabdeckung des Fahrzeugs in Betracht. Der Kennwert kann dabei auf der Basis von den Fahrer betreffenden Informationen durchgeführt werden, welche die Art einer vom Fahrer aktuell durchgeführten Aktivität, die Dauer einer zuvor erfolgten Durchführung der vom Fahrer aktuell durchgeführten Aktivität, die Dauer einer zuvor erfolgten Fahrt des Fahrzeugs in dem automatisierten Fahrmodus und/oder (bereits im Vorfeld bekannte) Gesundheitsdaten des Fahrers sein können. Der Kennwert kann auch auf der Basis von den Betriebszustand des Fahrzeugs betreffenden Daten durchgeführt werden, z.B. Beschleunigungsdaten des Fahrzeugs oder die Anregung des Fahrzeugs durch die Fahrbahnoberfläche.

Ferner geht aus US 2017/0313326 A1 ein sensorisches Stimulationssystem hervor, welches sensorische Stimulationsausgänge bereitstellt, die auf Fahrmanöver des autonomen

Fahrzeugs ansprechen. Das Stimulationssystem umfasst eine Anzahl von Ausgabegeräten, mittels derer anhand von visuellen, akustischen oder taktilen Informationsquellen die vestibuläre Stimulation des Fahrzeugführers durch das jeweilige Fahrmanöver ermittelt wird. Dadurch kann den vestibulären Effekten, welche durch die Fahrzeugbewegung verursacht werden und zu einer genannten Kinetose führen können, entgegengewirkt werden. So kann das sensorische Stimulationssystem eine unterbewusste Lernatmosphäre innerhalb des Passagierinnenraums des autonomen Fahrzeugs bereitstellen, die eine Bewegungskrankheit verhindern und/oder ein präventives Feedback für den Fahrer bereitstellen kann. Das sensorische Stimulationssystem kann dabei zudem einen Passagier des Fahrzeugs mit einer visuellen Anzeige im Inneren des Fahrzeugs über ein bevorstehendes Fahrmanöver informieren. Ein genanntes Fahrmanöver kann eine Beschleunigung, Bremsung oder eine Richtungsänderung umfassen. Zu diesem Zweck umfasst das sensorische

Stimulationssystem eine Anzahl von Sensoren, z.B. einen Beschleunigungsmesser oder einen Gyroskop-Sensor.

Bislang existieren keine in das Fahrzeug integrierte oder nachrüstbare Systeme, welche die Insassen bzw. Passagiere (d.h. der Fahrer und/oder etwaige Mitfahrer) eines autonomen Fahrzeugs auf eine drohende Reisekrankheit (sog.„Kinetose“ bzw.„Motion Sickness“) hinweisen und auf der Grundlage eines erfassten Verhaltens der Insassen konkrete

Maßnahmen vorschlagen, um eine Reisekrankheit wirksam zu verhindern. Es existieren zwar verschiedene Sensorsysteme zur Erfassung der Mimik, Gestik oder der Vitalfunktionen von Insassen eines Fahrzeugs. Diese werden jedoch eingesetzt, um primär den physischen Zustand des Fahrers zu erfassen, um dessen Fahreignung zu überwachen und ihm bei einer Nicht-Eignung entsprechende Hinweise zu geben, z.B. bei drohendem Sekundenschlaf oder wenn längere Zeit das Lenkrad nicht betätigt wird.

So bezieht sich die US 2017/0313326 A1 zwar auf einen ähnlichen Ansatz, bei dem in die Steuerung bzw. Regelung eines autonom fahrenden Fahrzeugs eingegriffen wird. Die Interaktion mit dem Fahrer beschränkt sich jedoch darauf, dem Fahrer eine optische, akustische oder haptische Orientierungshilfe für die Fahrstrategie seitens des autonom fahrenden Fahrzeugs zu geben.

Offenbarung der Erfindung

Es wird ein insbesondere selbstlernendes Verfahren und eine Einrichtung zur Erfassung und Analyse von Sensordaten und zur Ermittlung einer möglichen Kinetose (Reisekrankheit) von Fahrzeuginsassen eines autonomen Fahrzeugs auf der Grundlage dieser Sensordaten vorgeschlagen. Anhand der Sensordaten werden z.B. Aufbaubewegungen der

Fahrzeugkarosserie in einer Weise erkannt und bewertet, dass kritische

Bewegungszustände des Fahrzeugs erkannt werden, die bei Fahrer oder Mitfahrern zu Symptomen der Reisekrankheit (auch„Bewegungskrankheit“,„Motion Sickness“ oder „Kinetose“) führen können.

Dadurch können der Fahrer und etwaige Mitfahrer auf entsprechend kritische

Bewegungszustände des Fahrzeugs aufmerksam gemacht werden, noch bevor diese zu spürbaren Krankheitssymptomen bei den Fahrzeuginsassen führen.

Zusätzlich können Vitalfunktionen des Fahrers und ggf. von Mitfahrern sensorisch oder per Benutzereingabe bzw. -feedback erfasst und bewertet werden, um das tatsächliche

Wohlbefinden der Fahrzeuginsassen zu ermitteln. Der Fahrer und ggf. die Mitfahrer können dadurch frühzeitig auf kritische Bewegungszustände bzw. auf eine mögliche Beeinflussung ihres Gesundheitszustandes aufmerksam gemacht werden und darüber hinaus die

Fahrstrategie ebenfalls frühzeitig angepasst werden und/oder weitere Maßnahmen ergriffen werden, welche das persönliche Wohlbefinden der Insassen erhalten oder noch verbessern können. Zu diesen Maßnahmen zählen z.B. eine gezielte Nahrungs- oder

Flüssigkeitsaufnahme, eine Verhaltensanpassung oder die Anpassung der Raumtemperatur und/oder Luftfeuchte und/oder Frischluftzufuhr im Fahrzeuginnenraum. Als weitere

Maßnahmen können auch technisch-optische Maßnahmen, z.B. ein künstlicher Horizont bei der Benutzung von mobilen digitalen Applikationen während der Fahrt, durchgeführt werden. Im Gegensatz zum Stand der Technik ermöglichen das vorgeschlagene Verfahren und die Einrichtung nicht nur die Darstellung von Fahrzuständen des autonomen Fahrzeugs, sondern geben den Fahrzeuginsassen und/oder der Fahrzeugsteuerung konkrete

Handlungsempfehlungen zur wirksamen Verhinderung einer Kinetose der

Fahrzeuginsassen. Durch die zusätzliche sensorische Erfassung von Interaktionen oder Verhaltensweisen der Insassen, sowie insbesondere durch eine entsprechende

Rückmeldungs- bzw. Feedbackschleife anhand der so erfassten Interaktionen, wird ein sehr wirksames, selbstlernendes Verfahren bzw. eine entsprechende Einrichtung ermöglicht.

Gemäß einem ersten Aspekt des vorgeschlagenen Verfahrens und der Einrichtung sind an dem Fahrzeug Sensoren zur genannten Datenerfassung vorgesehen, welche zumindest genannte Aufbaubewegungen bzw. Aufbaubeschleunigungen der Fahrzeugkarosserie und/oder Vitalfunktionen der Fahrzeuginsassen sensorisch erfassen. Solche

Aufbaubewegungen betreffen einen bei einem Personenkraftwagen (Pkw) auf einem

Fahrwerk üblicherweise angeordneten, den Fahrzeuginnenraum umfassenden

Karosserieaufbau.

Es ist dazu anzumerken, dass ein derzeit im Pkw-Bau üblicher Aufbau meist aus

punktgeschweißtem Blech, welches direkt mit dem Fahrwerk verbunden ist, gebildet ist. Der Aufbau überträgt somit sämtliche auf das Fahrwerk einwirkenden Kräfte z.B. an den

Fahrzeuginnenraum.

Die von der Sensorik erfassten Daten werden gemäß einem weiteren Aspekt des

vorgeschlagenen Verfahrens bzw. der Einrichtung zur Auswertung der sensorisch erfassten Daten in Bezug auf eine möglicherweise drohende Kinetose von Fahrzeuginsassen hin bevorzugt drahtlos an einen externen Rechner, z.B. eine Cloud-Computing Plattform, übertragen. Der externe Rechner umfasst ein lernfähiges Auswertesystem, welches bevorzugt erfahrungsbasiert geeignete Maßnahmen zur wirksamen Verhinderung einer Kinetose vorschlägt. Die sensorisch erfassten Daten werden dabei in dem Fahrzeug fortwährend ausgelesen und zwischengespeichert und innerhalb eines vorgebbaren

Zeitfensters erfasste Sensordaten auf das Vorliegen eines für die Ermittlung des

fahrbetriebsbedingten Gesundheitszustandes des wenigstens einen Insassen relevantes Fahrereignis hin geprüft. Bei Überschreiten der Sensordaten eines empirisch vorgebbaren Schwellenwertes, bzw. bei entsprechend erkanntem Vorliegen eines für den

Gesundheitszustand relevanten Ereignisses, werden die zwischengespeicherten

Sensordaten des betreffenden Zeitfensters an den externen Rechner übermittelt, wobei bei nicht erkanntem Vorliegen eines relevanten Ereignisses in dem betreffenden Zeitfenster Nulldaten an den externen Rechner übermittelt werden. Das lernfähige Auswertesystem kann dabei durch ein individuell auf wenigstens einen Fahrzeuginsassen abgestimmtes, selbstlernendes künstliches neuronales Netzwerk gebildet sein, wobei das selbstlernende künstliche neuronale Netzwerk Informationen über den Gesundheitszustand des wenigstens einen Fahrzeuginsassen einholt und diese

Informationen mit den erfassten Sensordaten korreliert.

Es ist zudem anzumerken, dass die aufgezeichneten Sensordaten zur weiteren Verarbeitung bzw. Analyse der Sensordaten an einen externen Rechner übertragen werden, da aufgrund der Komplexität der Sensordaten sowie insbesondere in Anbetracht des dabei anfallenden Datenvolumens eine eingehende Datenauswertung nur mit einer relativ hohen

Rechenleistung bzw. -kapazität möglich ist. Um das an den externen Rechner zu

übertragende Datenvolumen zu reduzieren bzw. zu minimieren, ist in dem Fahrzeug eine Recheneinheit, z.B. ein Mikroprozessor oder ein Mikrocontroller, vorgesehen, mittels dessen die rohen Sensordaten so vorverarbeitet werden können, dass nicht sämtliche Rohdaten an den externen Rechner übertragen werden müssen.

Gemäß einem weiteren Aspekt kann vorgesehen sein, dass bei nicht erfolgtem

Überschreiten des genannten, vorgegebenen Schwellenwertes ein Schlafmodus aktiviert wird und dass bei erfolgtem Überschreiten des vorgegebenen Schwellenwertes ein gegebenenfalls aktivierter Schlafmodus deaktiviert wird.

Die vorgeschlagene Einrichtung umfasst zu diesem Zweck eine Datenübertragungseinheit bzw. ein Kommunikationselement, welches zu möglichst vielen Zeitpunkten eine drahtlose Kommunikationsverbindung der Einrichtung mit einem genannten externen Rechner, z.B. als Mobilfunknetzmodul durch eine Funkverbindung über ein Mobilfunknetz, ermöglicht. Dadurch können die aufgezeichneten Sensordaten, unabhängig von der Fahrzeugposition, zeitweilig, regelmäßig oder fortwährend an den externen Rechner übertragen werden.

Die Sensorik umfasst gemäß einem weiteren Aspekt insbesondere Bewegungssensoren, welche dreiachsig die Beschleunigung sowie die Winkeländerung insbesondere in einem für das Entstehen von Kinetosen relevanten, niederfrequenten Bereich von bevorzugt ca. 0,1 bis 2,0 Hz erfassen.

Gemäß einem noch weiteren Aspekt können zusätzlich weitere Sensoren, wie z.B.

Temperatur-, Luftfeuchtigkeitssensoren und/oder Gassensoren in dem Fahrzeug oder in einem mobilen Endgerät integriert angeordnet werden, mittels derer das Raumklima

(Lufttemperatur, Luftfeuchtigkeit) und/oder die Luftqualität im Fahrzeuginnenraum erfasst bzw. ermittelt werden kann. Die Luftqualität kann den C0 ₂ -Gehalt, flüchtige organische Verbindungen (sog.„Volatile Organic Compounds“ =„VOC“), d.h. entsprechende oder anderweitig verursachte Geruchsbelastungen im Fahrzeuginnenraum betreffen. Diese Messgrößen sind für die Ermittlung des Gesundheitszustandes der Fahrzeuginsassen besonders geeignet, da die Luftqualität die generelle Belastbarkeit der Passagiere beeinflussen kann und z.B. bestimmte Gerüche mittelbarer oder unmittelbarer Auslöser z.B. von Übelkeit sein können.

Die genannten Sensoren können gemäß einem weiteren Aspekt entweder in das Fahrzeug bzw. in die Fahrzeugelektronik integriert sein oder z.B. mittels eines USB-Sticks oder eines 12V-Adapters (für den Zigarettenanzünder) in der Mittelkonsole des Fahrzeugs nachträglich installierbar ausgeführt sein. Alternativ kann die Sensorik mittels eines OBD-Dongles (OBD = Onboard-Diagnose), der mit einer Onboard-Elektronik des Fahrzeugs verbindbar ist, sich dort bereits vorhandene Sensorsignale und Informationen zunutze machen.

Gemäß einem noch weiteren Aspekt des vorgeschlagenen Verfahrens bzw. der Einrichtung werden die erfassten Sensorsignale durch eine Datenübertragungseinheit, z.B. eine

Bluetooth-Schnittstelle, drahtlos an eine in dem Fahrzeug befindliche bzw. dort fest angeordnete Auswerte- und Visualisierungseinheit übertragen. Diese Einheit kann fest im Fahrzeug verbaut sein oder ein mobiles Endgerät darstellen, z.B. ein Smartphone, einen Tablet-PC oder eine Smartwatch.

Sollte das mobile Endgerät bereits über entsprechende Sensoren verfügen, können sowohl das Sensorsystem als auch die genannte Auswerte- und Visualisierungseinheit in einer Baueinheit bzw. in nur einem Gerät, z.B. in einem Smartphone oder in einer Smartwatch, integriert angeordnet sein. Das als Auswerte- und Visualisierungseinheit eingesetzte Endgerät besitzt dann gemäß einem zusätzlichen Aspekt des vorgeschlagenen Verfahrens bzw. der Einrichtung eine mobile Datenverbindung zum Internet, um die sensorisch erfassten Daten mit Erfahrungswerten in einer genannten Cloud-Computing Plattform zu vergleichen sowie mit Hilfe geeigneter Algorithmen dort zentral auswerten zu können.

Gemäß einem weiteren Aspekt ist das Auswertesystem als individuell auf den jeweiligen Fahrzeugführer und ggf. auf weitere Fahrzeuginsassen abgestimmtes, selbstlernendes System ausgelegt, wobei das selbstlernende System von dem System eindeutig bekannten Personen bzw. Fahrzeuginsassen regelmäßig Informationen über das medizinische bzw. körperliche Wohlbefinden dieser Personen einholt und diese Informationen mit den erfassten Sensordaten korreliert. Diese Informationen können, anstatt einer periodischen Erfassung, auch anlassbezogen oder durch die jeweilige Person initiiert eingeholt werden.

Gemäß einem noch weiteren Aspekt können dabei für bestimmte Fahrzeuginsassen individuelle bzw. personalisierte Empfindlichkeitsdaten bzw. entsprechende individuelle medizinische Dispositionsdaten berücksichtigt werden. Dabei kann nach erfolgter

Identifikation eines einzelnen Fahrzeuginsassen, z.B. der (individuellen) Person XY, und nicht„des jeweiligen Passagiers hinten links“, in einem bevorzugt längeren

Beobachtungszeitraum Informationen über die individuelle Disposition dieser Person ermittelt und ggf. fortwährend verfeinert werden.

Diese Informationen können dann von einem entsprechenden, auf dem externen

Rechnersystem gespeicherten (individuellen) Nutzerprofil dieser Person an das Fahrzeug (zurück) übertragen werden, und zwar bevorzugt dann, wenn diese Person das Fahrzeug betritt oder als Fahrzeugführer benutzt. Damit stehen diese Informationen in dem Fahrzeug für eine individualisierte Vorauswertung von während der Fahrt gewonnenen Daten zur Verfügung. Dies ist zum einen vorteilhaft, um die Qualität der an das externe Rechnersystem übertragenen Daten durch entsprechende Vorverarbeitung weiter zu verbessern, und zum anderen, um die Funktionsfähigkeit der vorgeschlagenen Einrichtung auch in Fahrsituationen zu gewährleisten, in denen eine mobile Datenverbindung mit dem externen Rechnersystem nur beschränkt oder gar nicht zur Verfügung steht, bei Fahrten in einem sog.„Funkloch“.

Das jeweilige Endgerät, welches dann als Auswerte- und Visualisierungseinheit eingesetzt wird, besitzt gemäß einem weiteren Aspekt zudem eine entsprechende Benutzerschnittstelle, um dem Fahrer oder den Mitfahrern kritische Bewegungszustände mitzuteilen, und von diesen Personen eine Rückmeldung über ihr Wohlbefinden einzuholen. Die

Benutzereingaben können dabei visuell über eine mobile Applikation (bzw.„App“) eines Smartphones oder einer Smartwatch oder aber per Sprachsteuerung erfolgen.

Wird eine Smartwatch als Auswerte- und Visualisierungseinheit eingesetzt, können gemäß einem weiteren Aspekt zusätzlich die sensorisch erfassten Bewegungsdaten des Fahrzeugs zusätzlich mit von der Smartwatch bereitgestellten Sensordaten korreliert werden, welche aktuelle bzw. momentane Vitalfunktionen der jeweiligen Person (direkt) insbesondere im Fährbetrieb des Fahrzeugs erfassen, z.B. den Puls, den Blutdruck, die Hautleitfähigkeit bzw. die Schweißproduktion oder andere mit einer Kinetose korrelierende Vitalfunktionen. Mittels einer entsprechend ausgerüsteten Smartwatch können zudem vorteilhaft auch weitere Vitalfunktionen eines betreffenden Fahrzeuginsassen, z.B. die Herzfrequenz und/oder ein vollständiges Elektrokardiogramm (EKG) sensorisch erfasst werden. Mittels an sich bekannter, tragbarer Messgeräte (sog.„wearable devices“) kann zusätzlich die Atemfrequenz eines betreffenden Fahrzeuginsassen sensorisch erfasst werden.

Ein als Endgerät dienendes Smartphone, ein Tablet oder eine Smartwatch können gemäß einem weiteren Aspekt auch auf andere Informations- bzw. Datenquellen zugreifen und diese zusammenführen, z.B. smarte Textilien, Fitnessarmbänder,„In-car Monitoring Devices" (d.h. kamerabasierten bzw. optischen Systemen zur Erfassung von Vitalfunktionen im Fahrzeug, insbesondere Mimik, Gestik, Schluckbewegungen, Herzschlag, Blutdruck etc.) oder mobile medizinische Geräten mit drahtloser Datenschnittstelle (z.B. Sensoren zur Glukosemessung FGM = Flash Glucose Monitoring).

Die genannten Maßnahmen zur Erhaltung oder Verbesserung des persönlichen

Wohlbefindens der Fahrzeuginsassen können gemäß einem weiteren Aspekt ebenfalls als selbstlernendes Maßnahmenvorschlagssystem ausgebildet sein. Ein solches System kann den Fahrzeuginsassen automatisch geeignete oder notwendige Maßnahmen zur

Verhinderung einer Kinetose vorschlagen, z.B. die folgenden beispielhaften Maßnahmen bzw. Maßnahmenkategorien:

Körperliche Maßnahmen, z.B. die Zufuhr von Flüssigkeit oder Nahrung; umgebungsbezogene Maßnahmen, z.B. die Anpassung der Fahrstrategie, der Innenraumtemperatur oder das Einlegen einer Fahrpause bzw. einer entsprechenden Ruhezeit, insbesondere außerhalb des Fahrzeugs;

- technisch bezogene Maßnahmen, z.B. die Darstellung eines künstlichen Horizonts an der Windschutzscheibe und/oder einer anderen Fensterscheibe oder an einem mobilen Endgerät mit einem Bildschirm und/oder durch angepasste Darstellung von Bildschirminhalten eines solchen Endgerätes parallel zu einem künstlichen Horizont, und zwar entsprechend der momentanen Fahrzeugbewegung bzw. -ausrichtung.

Die von dem mobilen Endgerät gelieferten Sensordaten können mittels einer

Datenübertragungseinheit drahtlos an die in dem Fahrzeug angeordnete Auswerte-bzw. Verarbeitungs- und Visualisierungseinheit übertragen werden.

Darüber hinaus können die Analyseergebnisse des selbstlernenden Systems bzw.

entsprechend vorgeschlagene Maßnahmen gemäß einem weiteren Aspekt an

fahrzeugimmanente Regelfunktionen übermittelt werden, z.B. an das Fahrwerk und/oder eine (autonome) für das autonome Fahren des Fahrzeugs vorgesehene Fahrzeugregelung, und/oder an eine Sitzsteuerung oder eine Klimaanlage des Fahrzeugs. Das vorgeschlagene Verfahren sieht gemäß einem noch weiteren Aspekt vor, dass an den von einer genannten Sensorik erfassten Bewegungsdaten des Fahrzeugs und ggf. der er fassten Vitalfunktionen der Fahrzeuginsassen eine zeitliche Fensterung dieser Daten in eine empirisch vorgebbare Fensterlänge durchgeführt wird. Innerhalb der so gebildeten Fenster wird eine Merkmalsextraktion zur Bereitstellung charakteristischer Merkmale in den Sensor daten anhand von zu erzeugenden Merkmalsvektoren sowie eine Klassifizierung der Sensor daten anhand der erzeugten Merkmalsvektoren durchgeführt.

Bei dem ersten Verfahrensschritt der Fensterung kann gemäß einem weiteren Aspekt zudem vorgesehen sein, dass mittels eines Beschleunigungssensors erfasste Beschleunigungsda ten sowie mittels eines Rotationssensors bzw. Gyrometers erfasste Rotationsdaten zunächst in kurze, leicht überlappende Fenster mit einer empirisch vorgebbaren, festen Zeitlänge un terteilt werden. Bevorzugt wird dabei eine Fensterlänge At von 0.5 - 20 s mit einer Überlap pung von 1/8 der gesamten Fensterlänge verwendet. Es ist dabei anzumerken, dass die Fensterlänge von dem zu betrachtenden Frequenzspektrum der ggf. auftretenden Longitudi nal-, Lateral-, und Vertikalbeschleunigungen des Fahrzeugs abhängig ist. So ergibt sich bei einer entsprechenden Schwingungsfrequenz f = 0.2 Hz eine Amplitudenlänge von 5 s und somit eine geeignete Fensterlänge von mindestens 10 s. Bei einer Frequenz f = 2 Hz ergibt sich jedoch eine Amplitudenlänge von 0.5 s und somit eine geeignete Fensterlänge von ebenfalls mindestens 2 s.

Bei dem zweiten Verfahrensschritt der Merkmalsextraktion kann gemäß einem weiteren Aspekt vorgesehen sein, dass für jedes so erzeugte Fenster verschiedene charakteristische Merkmale abgeleitet bzw. extrahiert werden. Aus den zeitabhängigen Rohdaten bzw. Roh zeitreihen extrahierte Merkmale können dabei entweder Zeitdomänenmerkmale wie z.B. Mit telwerte, Mediane, Standardabweichungen, mittlere Ableitungen, Standardabweichungs ableitungen und Nulldurchgangsraten, oder Frequenzdomänenmerkmale wie z.B. Hochfre quenzanteile, Dominantfrequenzen oder Spektraldifferenzen sein. Mit solchen Merkmalen lässt sich jedes der erzeugten Fenster in jeder Achse der jeweiligen Rohzeitreihe durch einen hochdimensionalen Merkmalsvektor kennzeichnen.

In einem weiteren dritten Verfahrensschritt kann gemäß einem weiteren Aspekt vorgesehen sein, dass Übergangspunkte in der Abfolge genannter Merkmalsvektoren identifiziert wer den, an denen abrupte Änderungen auftreten. Dabei kann ein multivarianter Algorithmus zur Wechselpunkterfassung anwendet werden. Diese Übergangspunkte ermöglichen es, ähnli che aufeinanderfolgende Fenster in unterschiedliche Arten der fahrdynamischen Belastung der Insassen des Fahrzeugs zu gruppieren. Bei der Identifizierung von Übergangspunkten kann ein multivarianter Wechselpunkterfas sungsalgorithmus angewendet werden, wobei ähnliche aufeinanderfolgende Fenster zu Seg menten gruppiert werden, wobei jedes Segment einer vorgebbaren Art der Fahrdynamik des Fahrzeugs entspricht.

In einem weiteren vierten Verfahrensschritt können die so ermittelten Merkmalsvektoren ge mäß einem weiteren Aspekt z.B. unter Verwendung eines an sich bekannten„Random Fo- rest“-Klassifikators, klassifiziert werden. Ein„Random Forest“-Klassifikator besteht bekann termaßen aus mehreren unkorrelierten Entscheidungsbäumen, welche unter Verwendung eines Zufallsmechanismus‘ (sog.„Randomisierung“) während eines zugrunde liegenden Lernprozesses gebildet werden. Für eine Klassifikation trifft jeder Entscheidungsbaum eine Entscheidung, wobei die Klasse mit den meisten Stimmen die endgültige Klassifikation fest legt.

Besonders rechenintensive Berechnungsschritte bei den genannten vier Verfahrensschritten können gemäß einem weiteren Aspekt auf dem genannten, außerhalb des Fahrzeugs ange ordneten (externen) Rechner ausgeführt bzw. durchgeführt werden. Weniger rechenintensive Berechnungsschritte können dagegen bereits in dem Fahrzeug durchgeführt werden und nur entsprechend vorprozessierte Daten an den externen Rechner übertragen werden, um ins besondere das Datenvolumen der zu übertragenden Daten zu reduzieren bzw. zu minimie ren.

Darüber hinaus können Parameter und Hyperparameter eines genannten Klassifikators an hand von Trainingsdaten gemäß einem weiteren Aspekt mittels an sich bekannter maschi neller Lernalgorithmen („machine learning algorithms“) angelernt bzw. trainiert werden, wobei entsprechende Trainingsdaten bevorzugt für ein individuelles Fahrzeug oder einen Fahr zeugtyp fahrzeugspezifisch an einem jeweiligen Teststand erzeugt werden können. Zusätz lich werden die Trainingsdaten personenspezifisch erzeugt, und zwar z.B. anhand von Refe renzdaten von Probanden mit ähnlichen Merkmalsausprägungen empirisch vorgebbarer Vi talfunktionen.

Alternativ oder zusätzlich können die Trainingsdaten, ebenfalls fahrzeugspezifisch und/oder personenspezifisch, bei Fahrten auf einer geeignet präparierten Teststrecke erzeugt werden.

Die fahrzeugspezifisch möglichen fahrdynamischen Zustände, welche die Aufbaubewegun gen des Fahrzeugs bewirken, können zusätzlich mit personenspezifischen Merkmalsausprä gungen (Vitalfunktionen) korreliert werden. So kann der Pulsschlag eines Insassen mit einer Aufbauanregung des Fahrzeugs mit einer bestimmten Frequenz- und/oder Amplitude Zusam menhängen. Dabei liegt zu dem Erkenntnis zugrunde, dass eine gesundheitliche Wirkung, z.B. auf den Pulsschlag eines Insassen, mit einer Verzögerung (Latenz) von erst bis zu meh reren Minuten eintreten kann. Diese Latenz ist bei der Auswertung der erfassten Daten zu berücksichtigen, wobei ein geeigneter Wert der Latenz anhand von Trainingsdaten perso nenspezifisch erlernt werden kann.

Gemäß einem noch weiteren Aspekt des vorgeschlagenen Verfahrens bzw. der Einrichtung können die rohen Sensordaten fortwährend bzw. regelmäßig ausgelesen und

zwischengespeichert werden. Die innerhalb eines empirisch vorgebbaren Zeitfensters erfassten Rohdaten werden dabei zunächst vorverarbeitet, wobei geprüft wird, ob ein ebenfalls empirisch vorgebbarer Schwellenwert einer sensorisch erfassten fahrdynamischen Größe oder einer sensorisch erfassten Vitalfunktion wenigstens eines der Fahrzeuginsassen überschritten wird und somit ein mögliches, den momentanen Gesundheitszustand des jeweiligen Fahrzeuginsassen beeinflussendes Fahrereignis vorliegt. Ein solches Fahrereignis kann durch die Fahrstrategie des autonomen Fahrzeugs, z.B. Beschleunigungen,

Abbremsungen und/oder Lenkbewegungen, oder aber von der Fahrbahn, z.B. quer zur Fahrtrichtung verlaufende Bodenwellen oder besondere Straßenbeläge, hervorgerufen werden. Der Schwellenwert kann anhand eines empirischen, eigens parametrierten

Datenmodells ermittelt werden, wobei das Datenmodell auf physikalischen Größen oder anderen Fahrzeugkenngrößen beruhen kann.

Dabei kann gemäß einem weiteren Aspekt vorgesehen sein, dass bei nicht erfolgtem Über schreiten des vorgegebenen Schwellenwertes ein Schlafmodus aktiviert wird und dass bei erfolgtem Überschreiten des vorgegebenen Schwellenwertes ein gegebenenfalls aktivierter Schlafmodus deaktiviert wird. Dabei können zudem während eines aktiven Schlafmodus' ausgelesene Sensordaten zunächst in einem Pufferspeicher zwischengespeichert werden und dass die in dem Pufferspeicher gespeicherten Sensordaten bei nicht erfolgtem Über schreiten des vorgegebenen Schwellenwertes dazu verwendet werden, um ein bezüglich eines relevanten Ereignisses vorheriges Zeitintervall der ursprünglich erfassten Sensordaten wiederherzustellen.

Das vorgeschlagene Verfahren und die Einrichtung ermöglichen es somit, dass die rechenintensive Datenanalyse nicht bereits in dem Fahrzeug erfolgen muss, sondern auf einem genannten externen Rechner durchgeführt werden kann. In dem Fahrzeug erfolgt lediglich eine Vorverarbeitung der erfassten Sensordaten, um für die nachfolgende, extern durchgeführte Datenanalyse irrelevante bzw. redundante Datenbestandteile herauszufiltern und somit den Datenverkehr über das meist vorliegende Mobilfunknetz zu minimieren. Die rohen Sensordaten können vor dem Versenden an den externen Rechner noch durch die Einrichtung verschlüsselt werden, um eine ausreichende Datensicherheit für die ggf. personenbezogenen Benutzungs- und Vitalitätsdaten der Fahrzeuginsassen sicherzustellen.

Die Erfindung kann insbesondere bei einem autonom betriebenen Landfahrzeug, z.B. einem Personenkraftfahrzeug oder einem Nutzkraftfahrzeug, jedoch auch bei Wasserfahrzeugen, Unterwasserfahrzeugen, Luftfahrzeugen oder schienengebundenen Fahrzeugen, bei welchen es zu einer genannten Kinetose von Fahrzeuginsassen bzw. Passagieren kommen kann, entsprechend zum Einsatz kommen.

Das Computerprogramm ist eingerichtet, jeden Schritt des vorgeschlagenen Verfahrens durchzuführen, insbesondere wenn es auf einem externen Rechengerät oder einem an dem jeweiligen autonom betriebenen Fahrzeug angeordneten Rechengerät oder Steuergerät abläuft. Es ermöglicht die Implementierung des Verfahrens auch in einem bereits

vorliegenden Steuergerät des Fahrzeugs, ohne an diesem bauliche Veränderungen vornehmen zu müssen. Hierzu ist der maschinenlesbare Datenträger vorgesehen, auf welchem das Computerprogramm gespeichert ist. Durch Aufspielen des

Computerprogramms auf einen Mikroprozessor bzw. Mikrocontroller eines solchen

Steuergerätes ist dieses eingerichtet, um das Verfahren auszuführen.

Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.

Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweiligen angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.

Kurze Beschreibung der Zeichnungen

Fig. 1 zeigt ein Ausführungsbeispiel der erfindungsgemäßen Einrichtung zur Über wachung des fahrbetriebsbedingten Gesundheitszustandes von Insassen ei nes autonomen Kraftfahrzeugs, und zwar schematisch anhand eines kombi nierten Block-/Flussdiagramms.

Fig. 2 zeigt ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zur

Überwachung des fahrbetriebsbedingten Gesundheitszustandes von Insassen eines autonomen Kraftfahrzeugs, anhand eines kombinierten Block- /Flussdiagramms. Fig. 3 zeigt eine Übersicht einer beispielhaften Auswerteroutine zur Ermittlung des

Gesundheitszustandes eines Insassen anhand eines Flussdiagramms.

Fig. 4 zeigt eine noch detailliertere Darstellung der in Fig. 3 veranschaulichten Aus werteroutine anhand eines Flussdiagramms.

Fig. 5 zeigt einen beispielhaften Auswertealgorithmus zur Implementierung der in

Fig. 4 gezeigten Auswerteroutine anhand eines Flussdiagramms.

Beschreibung von Ausführungsbeispielen

Die in Fig. 1 gezeigte Einrichtung umfasst in dem vorliegenden Ausführungsbeispiel wenigstens zwei Sensoren 100, 105 unterschiedlicher Kategorie. Der erste Sensor 100 der ersten Kategorie dient zur Erfassung von Daten bezüglich der Fahrdynamik des vorliegend angenommenen, autonom agierenden Kraftfahrzeugs. Dieser erste Sensor 100 dient in dem vorliegenden Ausführungsbeispiel zur Erfassung von eingangs genannten

Aufbaubewegungen der Fahrzeugkarosserie. Der zweite Sensor 105 der zweiten Kategorie dient dagegen zur Erfassung von Vitalfunktionen der Fahrzeuginsassen bzw. Passagiere, insbesondere des Fahrzeugführers.

Die Einrichtung umfasst zusätzlich eine in bzw. an dem Fahrzeug angeordnete,

Verarbeitungs- und Visualisierungseinheit 110 sowie eine erste Kommunikations- bzw. Datenübertragungseinheit 115 zur drahtgebundenen oder drahtlosen Übertragung der sensorisch erfassten Rohdaten an die Verarbeitungs-/Visualisierungseinheit 110, um diese zunächst im Fahrzeug vorzuverarbeiten. Die so vorverarbeiteten Daten werden mittels einer zweiten Kommunikations- bzw. Datenübertragungseinheit 120 drahtlos an ein außerhalb des Fahrzeug, in dem vorliegenden Beispiel an ein in einer Cloud-Computing Rechnerplattform 125 angeordnetes Auswertesystem 130 übertragen, welches die Daten mittels lernfähiger, künstlicher Intelligenz (Kl) 135 auswertet und auf dieser Grundlage den Insassen des Fahrzeugs erfahrungsbasiert geeignete Maßnahmen zur Verhinderung eines Unwohlseins oder einer Kinetose der Insassen gemäß der in der Pfeilrichtung 140 an das Fahrzeug zurück übertragenen Daten vorschlägt.

Die Verarbeitungs- und Visualisierungseinheit 110 ist in dem vorliegenden

Ausführungsbeispiel mit einem an der Mittelkonsole des Fahrzeugs angeordneten Bildschirm 150 verbunden, welcher die von dem Auswertesystem 130 vorgeschlagenen Maßnahmen an die Fahrzeuginsassen kommuniziert. Ein solcher Bildschirm kann auch in eine der Glasscheiben des Fahrzeugs, z.B. in die Windschutzscheibe oder in eine Seitenscheibe, integriert angeordnet sein. Die Kommunikation mit den Fahrzeuginsassen kann auch in anderer audio-visueller Art erfolgen, ggf. auch interaktiv mit dem jeweiligen

Fahrzeuginsassen mittels einer in der Verarbeitungs- und Visualisierungseinheit 110 eigens angeordneten Kl, um die für diese Person geeignetste Maßnahme herauszufinden.

Die drahtlose Übertragung der bereits vorverarbeiteten Daten mittels der zweiten

Datenübertragungseinheit 120 erfolgt z.B. mittels eines Mobilfunknetzes wie z.B. des Universal Mobile Telecommunications Systems (UMTS). Diese Übertragung kann aber auch mittels alternativer Übertragungstechniken erfolgen, z.B. mittels eines„Wide Area Networks“, welches ein Rechnernetz darstellt, welches sich im Unterschied zu einem LAN oder MAN über einen sehr großen geografischen Bereich erstreckt.

Der erste Sensor 100 ist in dem vorliegenden Ausführungsbeispiel durch einen

Bewegungssensor gebildet, welcher sowohl dreiachsig die Fahrzeugbeschleunigung mittels eines Beschleunigungssensors als auch dreiachsig Winkeländerungen bezüglich der Fahrtrichtung des Fahrzeugs mittels eines Drehbewegungen oder Lageänderungen des Fahrzeugs erfassenden Gyrosensors, und zwar jeweils in einem relativ niederfrequenten Abtastbereich erfasst. Wie bereits erwähnt, ist die Fensterlänge von dem zu betrachtenden Frequenzspektrum der ggf. auftretenden Longitudinal-, Lateral-, und

Vertikalbeschleunigungen des Fahrzeugs abhängig. Zusätzlich können dabei auch

Rotationsbeschleunigungen, z.B. Nicken, Rollen und/oder Gieren des Fahrzeugs, sowie deren zeitliche Änderungen (Rucke), erfasst und bewertet werden. Dabei gilt die Bedingung Abtastfrequenz > 2 * Signalfrequenz. Damit ergeben sich typischerweise Frequenzen von f = 0,2 Hz bis f = 2 Hz. Anhand der so sensorisch erfassten Daten werden vorliegend

Longitudinal-, Lateral-, und Vertikalbeschleunigungen des Fahrzeugs im Amplitudenbereich von bevorzugt bis ca. 1 g in dem genannten Frequenzbereich erkannt.

Es ist hierbei anzumerken, dass als Sensor 100 der genannten ersten Kategorie zusätzlich auch ein Temperatur- und/oder Luftfeuchtigkeitssensor oder dergleichen vorgesehen sein kann, anhand dessen die klimatischen Verhältnisse im Innenraum des Fahrzeugs ermittelt werden können. Solche zusätzlichen Sensoren können dabei, anstatt an dem Fahrzeug fest installiert zu sein, auch z.B. in einem USB-Stick oder an einem 12V-Adapter für den

Zigarettenanzünder des Fahrzeugs angeordnet sein. Ein solcher USB-Stick kann zudem mittels einer in der Mittelkonsole des Fahrzeugs vorgesehenen Datenschnittstelle

angeschlossen werden. Dadurch ist auch die Stromversorgung des USB-Sticks während der Fahrt gesichert. Die genannte Sensorik 100, 105 kann insgesamt oder teilweise auch in einer Onboard- Elektronik des Fahrzeugs integriert sein.

Die erfassten Sensorsignale werden mittels der genannten ersten Datenübertragungseinheit 115, in dem vorliegenden Ausführungsbeispiel eine„Bluetooth“-Schnittstelle, drahtlos an die Verarbeitungs-/Visualisierungseinheit 110 übertragen. Diese Übertragung der Sensor- Rohdaten kann aber auch kabelgebunden erfolgen, da sie nur den Fahrzeuginnenraum betrifft.

Die Verarbeitungs-/Visualisierungseinheit 110 kann in dem Fahrzeug fest angeordnet sein und sich dabei eine in dem Fahrzeug bereits vorhandene Benutzerschnittstelle bzw. Mensch- Maschine-Schnittsteile zunutze machen. Eine solche Schnittstelle kann z.B. in das

Armaturenbrett integriert sein oder in einem üblicherweise an der Mittelkonsole des

Fahrzeugs angeordnetes Multimediasystem (z.B. einschließlich eines Radios und/oder eines Navigationssystems) integriert sein.

Alternativ kann die Verarbeitungs-/Visualisierungseinheit 110 auch durch ein mobiles Endgerät realisiert sein, z.B. ein Smartphone oder eine Smartwatch. Sollte das mobile Endgerät über entsprechende Sensoren verfügen, kann zusätzlich zur Verarbeitungs- /Visualisierungseinheit 110 auch die genannte Sensorik 100, 105 in das Smartphone oder die Smartwatch physisch integriert sein.

Ein in dieser Weise eingesetztes mobiles Endgerät weist bevorzugt eine Recheneinheit mit einem Datenspeicher, einen berührungsempfindlichen Bildschirm (Touchscreen) und/oder eine Sprachsteuerung auf. Zusätzlich weist das Endgerät eine genannte

Datenübertragungseinheit zur Herstellung einer mobilen Datenverbindung mit dem Internet auf. Die Verbindung mit dem Internet erfolgt dabei bevorzugt mittels eines Datengateways, auf dem ein Betriebssystem sowie spezielle Anwendungsprogramme (z.B.„Apps“) ausgeführt werden können.

Mittels der Anwendungsprogramme werden die Sensorsignale sowie zusätzlich eine

Rückmeldung bzw. ein Nutzerfeedback seitens der Fahrzeuginsassen verarbeitet und insbesondere zusammengeführt. Anschließend werden die so vorverarbeiteten Daten über das genannte Datengateway an ein genanntes zentrales Analyse-/Auswertesystem 130 z.B. einer Cloud-Computing Plattform 125 übermittelt.

Darüber hinaus können mittels eines genannten mobilen Anwendungsprogramms die an das mobile Endgerät zurück übertragenen Ergebnisse der extern durchgeführten Datenanalyse bzw. -auswertung in Form einer Empfehlung visuell oder sprachlich dem Nutzer zur

Verfügung gestellt werden.

Das externe, vorliegend in einer zentralen Cloud-Plattform bereitgestellte Analyse- bzw. Auswertesystem 130 tauscht seine Daten mit dem Fahrzeug bidirektional über ein genanntes Datengateway drahtlos aus. Das Analyse-/Auswertesystem weist eine Datenbank 145 auf, in der die zu verarbeitenden Daten, d.h. die vorverarbeiteten Sensordaten, die vorliegenden Daten zum Nutzerfeedback sowie die als Ergebnis der Analyse bzw. Auswertung

empfohlenen Maßnahmen, aufbereitet, strukturiert und gespeichert werden.

Die in der Datenbank enthaltenen Daten werden anhand eines Datenmodells miteinander korreliert, verglichen und entsprechend analysiert. Die Datenbank umfasst zusätzlich personenindividuelle Erfahrungswerte und generiert jeweils neue Erfahrungswerte. Auf der Grundlage der genannten Daten sowie der Erfahrungswerte schlägt das Analyse- /Auswertesystem spezifische Maßnahmen vor, durch die die Fahrzeuginsassen ihr

Wohlbefinden verbessern können bzw. eine Kinetose (Reisekrankheit) wirksam zu verhindern.

Das Analyse-/Auswertesystem ist in dem vorliegenden Ausführungsbeispiel als, auf den jeweiligen Fahrzeuginsassen individuell abgestimmt, selbstlernendes System ausgelegt. Zu diesem Zweck fordert das System von den jeweils betroffenen Personen regelmäßig eine Nutzerinteraktion bzw. Rückmeldung (Feedback) zu ihrem derzeitigen Wohlbefinden an, um und diese zusätzlichen Informationen mit den erfassten Sensordaten zu korrelieren.

Die Analyseergebnisse insbesondere zu möglichen kritischen Bewegungszuständen des Fahrzeugs werden dem bzw. den jeweiligen Fahrzeuginsassen mittels eines mobilen Endgerätes oder einer im Fahrzeug fest angeordneten Visualisierungseinheit mitgeteilt. Auch die genannten Nutzerinteraktionen können entweder mittels des mobilen Endgerätes oder mittels einer im Fahrzeug fest angeordneten Verarbeitungs-/Visualisierungseinheit erfasst werden.

Anhand von dem bzw. den Fahrzeuginsassen etwa mitgeteilten, für das Wohlbefinden möglicherweise kritischen Bewegungszuständen des Fahrzeugs wird hierzu eine

Rückmeldung des jeweils betroffenen Insassen über ihr/sein Wohlbefinden eingeholt. Diese Rückmeldung kann visuell über ein in dem jeweiligen Endgerät vorliegendes

Anwendungsprogramm und dabei ggf. auch per Spracheingabe bzw. Spracherkennung sowie ggf. zusätzlich per Gestenerkennung erfolgen. Wird als mobiles Endgerät eine Smartwatch eingesetzt, können die sensorisch erfassten Bewegungsdaten zusätzlich mit Vitalfunktionen des jeweiligen Uhrenträgers betreffenden Sensordaten der Smartwatch korreliert werden. Als solche Vitalfunktionen kommen z.B. der Puls, der Blutdruck, der Insulinspiegel, die Hautleitfähigkeit bzw. die Schweißproduktion oder ähnliche physiologische Messgrößen in Betracht.

Die von dem Analyse-/Auswertesystem vorgeschlagenen Maßnahmen bzw.

Handlungsempfehlungen können visuell oder sprachlich bzw. akustisch dem bzw. den Fahrzeuginsassen gegenüber ausgegeben werden. Als Maßnahmen kommen z.B. die folgenden Handlungen bzw. Handlungskategorien in Betracht:

Körperliche Maßnahmen, z.B. die zeitnahe Zufuhr von Flüssigkeit und/oder Nahrung, um das Wohlbefinden zu verbessern;

Bezüglich der näheren Umgebung der Fahrzeuginsassen bezogene Maßnahmen, z.B. eine geeignete Anpassung der Fahrstrategie des autonomen Fahrzeugs, eine geeignete Anpassung der Innenraumtemperatur des Fahrzeugs oder das Einlegen einer Fahrpause, insbesondere außerhalb des Fahrzeugs zu Erholungszwecken des jeweiligen Insassen;

- technisch bezogene Maßnahmen, z.B. die Darstellung eines künstlichen Horizonts an der Windschutzscheibe und/oder einer anderen Fensterscheibe oder an einem mobilen Endgerät mit einem Bildschirm. Alternativ oder zusätzlich können

Bildschirminhalte eines Endgerätes entsprechend an einen solchen künstlichen Horizont angepasst werden, und zwar bevorzugt in Bezug auf die momentane Fahrzeugbewegung bzw. Fahrzeugausrichtung.

Das in Fig. 2 gezeigte Ausführungsbeispiel des erfindungsgemäßen Verfahrens zur Überwa chung des Gesundheitszustandes von Insassen eines hier betroffenen Fahrzeugs setzt sich aus einem in dem Fahrzeug durchgeführten Vorverarbeitungsabschnitt und einem bevorzugt außerhalb des Fahrzeugs durchgeführten Analyse- bzw. Auswerteabschnitt zusammen, wel che durch gestrichelte Linien 200, 205 voneinander abgegrenzt sind. Der Analyse- bzw. Aus werteabschnitt wird nachfolgend anhand von Fig. 3 beschrieben.

Die im Vorverarbeitungsabschnitt 200 vorgesehenen Prozessschritte werden in dem vorliegenden Ausführungsbeispiel in einem an dem Fahrzeug angeordneten Mikrocontroller durchgeführt. Dabei sind zwei Prozessbereiche vorgesehen, und zwar zum einen eine Weck/Schlaf-Routine 210 und eine Vorverarbeitungsroutine 215 zur Vorverarbeitung der zunächst noch rohen Sensordaten. Bei der Weck/Schlaf-Routine 210 werden während des Fährbetriebs des Fahrzeugs kontinuierlich Rohdaten von dem Beschleunigungssensor 100 ausgelesen. Die so erfassten Rohdaten werden in empirisch vorgebbare Zeitfenster At unterteilt und in jedem dieser Zeitfenster eine statistische Auswertung durchgeführt, auf deren Basis eine

Ereigniserkennung 220 erfolgt. Auf der Grundlage der Ereigniserkennung 220 wird mittels einer Entscheidungslogik 225 erkannt, ob ein für den hier betroffenen Gesundheitszustand von Fahrzeuginsassen relevantes, fahrdynamisches Ereignis vorliegt, aufgrund dessen die Weck/Schlaf-Routine aus einem Schlafmodus in einen aktiven Modus übergeführt wird.

Der Betrieb der Weck/Schlafroutine 210 beruht auf den folgenden Prozessbedingungen:

Der Schlafmodus wird immer dann aktiviert 220, wenn für einen empirisch vorgebba- ren Zeitraum At _idie kein genanntes Ereignis erkannt worden ist. Dabei kann ein empi risch vorgebbarer Schwellenwert 225 zugrunde gelegt werden, wobei nur bei dessen Überschreiten ein solches fahrbetriebsbedingtes Ereignis erkannt wird.

- Während des Schlafmodus' ist ausschließlich der wenigstens eine Sensor 100 der ersten Kategorie, z.B. ein Beschleunigungssensor, aktiv.

Der Beschleunigungssensor 100 versorgt den Mikrocontroller fortwährend mit Mess daten.

- Sobald ein genanntes, relevantes Ereignis innerhalb eines ebenfalls empirisch vor- gebbaren Zeitfensters At erkannt wird, wird der Schlafmodus deaktiviert 230 und wei tere Prozessroutinen 235 gemäß der nachfolgenden Vorverarbeitungsroutine gestar tet („aktiver Modus“).

Bei der Vorverarbeitungsroutine 215 werden definierte Zeitfenster At auf den sensorisch er fassten Signalverläufen abgebildet 250, welche zeitlich überlappend sind. Dabei werden die Signalverläufe der Rohdaten mit einem empirisch vorgebbaren Schwellenwert verglichen 255. Bei Überschreitung des Schwellenwertes werden die in dem jeweils betrachteten Zeit fenster At enthaltenen, vorliegend aus den sechs Messgrößen a _x , a _y und a _z sowie g _x , g _y und g _z gebildete Daten vollständig, und einen Zeitstempel umfassend, in einem nicht- flüchtigen Datenspeicher, z.B. einem Flash-Speicher, zwischengespeichert 240. Die in dem Flash- Speicher gespeicherten Daten werden regelmäßig an den externen Rechner zur dortigen Weiterverarbeitung übertragen 245. Wurde bei der Vorverarbeitung kein relevantes Ereignis erkannt, dann werden„Nulldaten“ er zeugt, diese Nulldaten in dem Flash-Speicher abgelegt 240 und anschließend ebenfalls an den externen Rechner übermittelt 245.

Die in Fig. 3 gezeigte und nachfolgend beschriebene Auswerteroutine zur Beurteilung bzw. Ermittlung des Gesundheitszustandes eines der Fahrzeuginsassen wird in dem vorliegenden Ausführungsbeispiel in einer Cloud-Computing Rechnerplattform ausgeführt. Diese Routine setzt sich in dem vorliegenden Ausführungsbeispiel aus vier jeweils durch gestrichelte Linien abgegrenzten Prozessbereichen zusammen, nämlich eine Fensterung 300, Merkmalsextrak tion 305, Segmentierung 310 und eine Klassifizierung 315 die jeweils erfassten Sensordaten betreffend.

Gemäß dem ersten Prozessabschnitt 300 werden zunächst in dem vorliegenden Ausfüh rungsbeispiel von dem Sensor 100 der ersten Kategorie erfasste Beschleunigungs- und Gy- rationszeitreihendaten in kurze, leicht überlappende Fenster mit einer empirisch vorgebba- ren, festen Zeitlänge unterteilt 320. Bevorzugt wird dabei eine Fensterlänge von 2 - 10 s mit einer Überlappung von 1/8 der gesamten Fensterlänge verwendet. Für jedes so erzeugte Fenster werden verschiedene charakteristische Merkmale abgeleitet bzw. extrahiert 325. Solche extrahierten Merkmale können Zeitdomänenmerkmale, z.B. ein Mittelwert, ein Medi an, eine Standardabweichung, eine mittlere Ableitung, eine Standardabweichungsableitung oder eine Nulldurchgangsrate sein.

Alternativ oder zusätzlich können solche extrahierten Merkmale Frequenzdomänenmerkma le, z.B. ein Hochfrequenzanteil, eine Dominantfrequenz oder eine Spektraldifferenz sein. Mit diesen extrahierten Merkmalen wird dann jedes der erzeugten Fenster in jeder Achse der Rohzeitreihe durch einen hochdimensionalen Merkmalsvektor gekennzeichnet 330.

Wenn die Zeitreihendaten in der genannten Weise segmentiert sind, werden die Merkmals vektoren von Fenstern innerhalb jedes Segments aggregiert 345, was einen aggregierten Merkmalsvektor pro Segment ergibt. Diese Merkmalsvektoren werden schließlich zur Klassi fizierung 350 von möglichen, fahrbetriebsbedingten Gesundheitszuständen eines Fahrzeug insassen unter Verwendung eines sogenannten„Random Foresf-Klassifizierers verwendet.

Von dem Sensor 105 der zweiten Kategorie erfasste Vitalfunktionen eines betrachteten Fahr zeuginsassen, und zwar vorliegend des Fahrzeugführers, können in der beschriebenen Wei se entsprechend ausgewertet werden. Alternativ oder zusätzlich können die von dem zwei ten Sensor 105 gelieferten Daten mit den von dem ersten Sensor 100 gelieferten Daten kor reliert werden, wodurch sich die gesundheitliche Aussagekraft der Analyse- bzw. Auswerte- ergebnisse erheblich verbessern lässt. Die Bedeutung dieser Korrelationen für das zu ermit telnde Gesundheitsbild eines Fahrzeuginsassen können dabei auch mittels der genannten Kl 135 antrainiert bzw. gelernt werden.

Zur Erkennung von Änderungen des Mittelwerts oder der Varianz von in dem Zeitintervall At enthaltenen Sensordaten wird in dem vorliegenden Ausführungsbeispiel zunächst eine Se quenz von n Zufallsvariablen {X'l , ... , A ) vorgegeben. Dabei wird angenommen, dass be reits eine geeignete Klassifizierung für die möglichen bzw. verschiedenen Änderungen vor liegt. Die Zufallsvariablen dienen sozusagen als Platzhalter für die vorliegend auszuwerten den Sensordaten, d.h. bevorzugt von Beschleunigungsdaten und gyroskopischen Daten. Aus einer Anzahl möglicher Gesundheitsstatistiken wird nun eine bestimmte Statistik ausgewählt, welche für eine vorgegebene Änderungsklasse eine geeignete oder die optimale Gesund heitsstatistik darstellt. Bei den genannten Statistiken kann es sich z.B. um die an sich be kannte Methode des„Generalized Likelihood Ratio“ (GLR) Tests, um eine anhand von Test personen ermittelte Gesundheitsstatistik in Bezug auf die Kinetose oder um die ebenfalls an sich bekannte Methode der sogenannten„Fishers Exact Test“ (FET) Statistik handeln, wel che üblicherweise zur Erkennung von Parameteränderungen in einer Bernoulli-Sequenz ein gesetzt wird, handeln.

Danach wird festgelegt, wie groß die durchschnittliche Anzahl von erkannten Änderungen sein muss, damit überhaupt eine Fehlererkennung erfolgt bzw. ein Fehler erkannt wird. Da bei werden Werte für eine Falschalarmrate und eine durchschnittliche Lauflänge („Average Run Length“ = ARL0) empirisch vorgegeben. Eine zwei Stichproben („two-sample“) umfas sende Teststatistik Dk,n wird an jedem möglichen Splitpunkt („split point“) Xk des zu untersu chenden Datensatzes ausgewertet bzw. bewertet. Dabei wird mittels einer genannten Test statistik und der ARL0 ein Schwellenwert hn berechnet. Dabei wird auf der Grundlage des Schwellenwertes hn, und zwar bei Erfülltsein der Bedingung max Dk,n > hn, ein Zeitpunkt T, zu dem eine jeweils erkannte Änderung stattgefunden hat, gemäß der Beziehung T = arg (k) max Dk,n berechnet.

Wie aus der Fig. 4 zu ersehen, werden die von dem ersten Sensor 100 gelieferten Beschleu- nigungs- 400 und Winkeldaten 405 wie folgt ausgewertet. Diese Daten 300, 305 werden zu nächst in der Zeitdomäne analysiert 410, um Zeitbereiche mit anomalen Daten Beschleuni- gungs- bzw. Rotationsdaten zu erkennen und zu selektieren 415. Die in den so selektierten Zeitbereichen verfügbaren Daten werden in die Frequenzdomäne umgewandelt 420.

Die so selektierten Messsignale werden anhand von für vorliegend relevante Fahrzeugereig nisse empirisch vorgebbaren Wavelets 430 analysiert 435, d.h. in dem vorliegenden Ausfüh- rungsbeispiel durch Vergleich von entsprechend gegenüberstehenden Signalverläufen. Es ist anzumerken, dass die so vorgegebenen Wavelets im Vorfeld z.B. an einem Fahrzeug- Teststand ermittelt werden können, wobei bevorzugt ein Lernprozess durchgeführt werden kann. Anhand des Lernprozesses kann der charakteristische Signalverlauf für ein bestimm tes, den Gesundheitszustand der Fahrzeuginsassen beeinflussendes Fahrereignis optimiert werden.

Anhand der Wavelets können die Messsignale ggf. weiter segmentiert 440 und danach ent sprechend von Wavelet-Gruppen eingruppiert werden 445. Die sich dabei ergebende Grup pierung der Messsignale ermöglicht die Bildung 450 von Clustern, anhand derer danach die Klassifizierung der Messdaten in Bezug auf ein vorliegend erkanntes Ereignis durchgeführt wird 455.

Die Ergebnisse der Klassifizierung 455 ermöglichen präzise Aussagen über den jeweiligen, mechanischen Fahrbetriebszustand des Fahrzeugs, insbesondere von Änderungen des Fahrbetriebszustandes aufgrund eines besonderen Fahrverhaltens des autonomen Fahr zeugs. Mögliche Fahrbetriebszustände werden dabei bevorzugt mit genannten Wavelets 430 in Beziehung gesetzt bzw. mit diesen korreliert. Solche Korrelationen können zudem anhand von realen Messdaten gelernt bzw. optimiert werden. Dabei können die durch die gestrichel te Linie 460 eingegrenzten Verfahrensschritte entsprechend wiederholt bzw. rekursiv ausge führt werden.

Die Fig. 5 zeigt einen Auswertealgorithmus zur Implementierung des anhand von Fig. 4 be schriebenen Auswerteverfahrens zur Analyse der an dem Fahrzeug erfassten Sensordaten (Sensor 100 in Fig. 1) gemäß der genannten ersten Kategorie. Dabei werden in dem vorlie genden Ausführungsbeispiel die erfassten Beschleunigungs- und Gyrationsdaten zunächst in Zeitfenster mit einer vorgegebenen Zeitlänge von 2 - 10 s und mit einer Überlappung von 1/8 der gesamten Fensterlänge unterteilt 500. Für diese Fenster werden vorliegend als cha rakteristische Zeitdomänenmerkmale ein Mittelwert, eine Standardabweichung sowie eine mittlere zeitliche Ableitung extrahiert 505. Zusätzlich werden aus den Daten in dem vorlie genden Ausführungsbeispiel ein Hochfrequenzanteil sowie eine Spektraldifferenz extrahiert 510. Mit diesen extrahierten 505, 510 Merkmalen wird jedes der erzeugten Fenster durch einen genannten, hochdimensionalen Merkmalsvektor gekennzeichnet 515.

Anhand der zeitlichen Abfolge der so gekennzeichneten 515 Merkmalsvektoren werden an schließend Übergangspunkte identifiziert 520, an denen einen empirisch vorgebbaren Schwellenwert 525 überschreitende Änderungen auftreten. Zur Identifizierung 520 der Über- gangspunkte wird in dem vorliegenden Ausführungsbeispiel ein multivarianter Algorithmus zur Wechselpunkterfassung angewendet.

Anhand der so identifizierten 520 Übergangspunkte werden ähnliche, zeitlich aufeinander folgende Fenster zu Segmenten unterschiedlicher Länge gruppiert 530. Dabei entspricht je des Segment einer anderen Art von fahrbetriebsbedingter körperlicher Belastung für die Fahrzeuginsassen. Für Segmente, die als relativ abrupte Ereignisse klassifiziert werden kön nen, wird in dem vorliegenden Ausführungsbeispiel eine zusätzliche Wavelet-Analyse an ge nannten Fenstern durchgeführt 535, um auch den Ort und die Richtung der jeweiligen Einwir kungen auf das Fahrzeug und damit möglichen Auswirkungen auf das Wohlbefinden bzw. den Gesundheitszustand des jeweiligen Insassen ermitteln zu können.

Bei den Auswirkungen auf das Wohlbefinden des jeweiligen Insassen treten sowohl die Ur sache, d.h. die Erfassung bzw. Ermittlung des Fahrzustandes, als auch die Wirkung, d.h. fahrbetriebsbedingte körperliche Symptome einer möglichen Kinetose, mit einer erheblichen zeitlichen Latenz von bis zu mehreren Minuten auf. Diese Latenzzeit kann, neben den Vital funktionen, als zusätzlicher Lernparameter des Auswertealgorithmus herangezogen werden. Der Algorithmus muss dazu in der Lage sein, eine fahrbetriebsbedingte körperliche Belas tungserscheinung mit einem in der Vergangenheit stattgefundenen, die Belastungserschei nung kausal bewirkenden Fahrzustand zu verknüpfen.

Die Merkmalsvektoren von Fenstern innerhalb jedes Segments können, wie durch die Stri chelung angedeutet, vor der Klassifizierung 530 zusätzlich aggregiert werden 540. Die Klas sifizierung 530 erfolgt in dem Ausführungsbeispiel mittels eines genannten„Random Forest“ - Klassifizierers, wobei vorliegend zu Vereinfachungszwecken nur der Straßenoberflächentyp sowie die Fahrzeugbeschleunigungen in den drei Achsen klassifiziert werden 530.

Bei dem Random Forest-Klassifizierer wird bekanntermaßen aus mehreren unkorrelierten Entscheidungsbäumen, unter Verwendung eines Zufallsmechanismus', ein Lernprozesses gebildet. Für die Klassifikation trifft dabei jeder Entscheidungsbaum eine Entscheidung, wo bei die Klasse mit den meisten Stimmen die endgültige Klassifikation festlegt. Die Parameter und Hyperparameter des Klassifikators können anhand von Trainingsdaten angelernt bzw. trainiert werden, wobei entsprechende Trainingsdaten an einem Teststand oder im realen Straßenverkehr mit jeweiligen Testpersonen erstellt werden können.

Die Einbeziehung der genannten Korrelation zwischen fahrdynamischen Größen und dem subjektiven Feedback seitens des bzw. der Fahrzeuginsassen bei der Auswertung der insgesamt vorliegenden Daten erfolgt in dem vorliegenden Ausführungsbeispiel dadurch, dass die in der beschriebenen Weise klassifizierten fahrdynamischen Daten z.B. mittels der auf dem externen Rechnersystem vorliegenden Kl 135 abgeglichen bzw. korreliert werden. Dabei werden bestimmte fahrdynamische Klassen bestimmten Insassenfeedback-Typen zugeordnet. So kann z.B.

- die Fahrdynamikklasse„Geradeausfahrt mit einer Beschleunigung größer als XY“ dem einem vegetativen Symptom einer drohenden oder bereits bestehenden Kinetose entsprechenden Feedbacktyp„Müdigkeit“ oder

- die Fahrdynamikklasse„Kurvenfahrt durch eine Rechtskurve mit einer

Geschwindigkeit größer YZ“ (oder entsprechend eine„Kurvenfahrt durch eine Linkskurve“) dem einem weiteren vegetativen Symptom bzw. vestibulärem Reiz gemäß einer drohenden Kinetose entsprechenden Feedbacktyp„massive Übelkeit“ zugeordnet werden.

Die Insassenfeedback-Typen können während des Fährbetriebs des Fahrzeugs durch explizite Benutzereingabe(n) seitens wenigstens eines Fahrzeuginsassen und/oder anhand von während des Fährbetriebs an dem wenigsten einen Fahrzeuginsassen durchgeführten Vitalitätsmessungen, z.B. Messungen der Pulsfrequenz und/oder der Atemfrequenz des Fahrzeuginsassen, erzeugt bzw. bereitgestellt werden.

Die so ermittelten Zuordnungen können danach durch ein im Fährbetrieb des Fahrzeugs durchgeführtes Kl-basiertes Lernen weiter angepasst bzw. verfeinert werden.

Die gesamte in den Figuren 2 bis 4 beispielhaft gezeigte Prozessroutine stellt somit einen während des Fährbetriebs des autonomen Fahrzeugs fortwährend ablaufenden, geschlossenen Prozess dar, wodurch sichergestellt ist, dass die wenigstens von dem Beschleunigungssensor gelieferten Rohdaten in jeder Fahrbetriebsphase des Fahrzeugs erfasst und an den externen Rechner übermittelt werden. Dadurch ist es möglich, den hier betroffenen, fahrbetriebsbedingten Gesundheitszustand des bzw. der jeweiligen

Fahrzeuginsassen lückenlos für die Auswertung an dem externen Rechner zur Verfügung stellen zu können.