Verfahren Vorrichtung und System zur Falschfahrererkennung Stand der Technik

Die Erfindung geht aus von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.

Falschfahrer („Geisterfahrer") verursachen im Falle eines Unfalls zumindest erheblichen Sachschaden. Die Erkennung alleine auf Basis des

Navigationsgerätes (Straßenklasse und -richtung) ist für die meisten Fälle zu spät, d.h. der Falschfahrer befindet sich bereits (mit hoher Fahrgeschwindigkeit und großer Wahrscheinlichkeit einer Kollision) auf der falschen Fahrbahn.

Offenbarung der Erfindung

Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren, weiterhin eine Vorrichtung und ein System zur Falschfahrererkennung, sowie schließlich ein entsprechendes Computerprogramm gemäß den

Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.

Eine beispielsweise cloud-basierte Falschfahrerwarnung kann vorteilhafterweise mit einer speziell auf den Anwendungsfall angepassten Erkennung mit einem Partikel- Filter realisiert werden.

Ein Verfahren zur Falschfahrererkennung umfasst die folgenden Schritte:

Einlesen von Positionsdaten über eine Schnittstelle, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren; Einlesen von Ungenauigkeitsdaten, die eine Ungenauigkeit der Positionsdaten repräsentieren;

Einlesens von Kartendaten, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden; und

Ermitteln zumindest eines plausiblen Straßenabschnitts basierend auf den Positionsdaten, den Ungenauigkeitsdaten und den Kartendaten unter Verendung eines Partikel- Filters, wobei der plausible Straßenabschnitt einen

Straßenabschnitt repräsentiert, dem eine aktuelle Position des Fahrzeugs zugeordnet werden kann.

Bei dem Fahrzeug kann es sich um ein Straßenfahrzeug handeln. Unter einer Falschfahrt kann eine Fahrt des Fahrzeugs auf einer Straße entgegen einer vorgeschriebenen Fahrtrichtung verstanden werden. Die gemessene Position kann unter Verwendung eines in dem Fahrzeug angeordneten Sensors gemessen worden sein. Die aktuelle Position kann eine unter Verwendung des Partikel- Filters geschätzte Position darstellen, die als tatsächliche Position des Fahrzeugs angesetzt werden kann. Die aktuelle Position kann anstelle der gemessenen Position zur Erkennung einer Falschfahrt des Fahrzeugs verwendet werden. Die Kartendaten können beispielsweise aus einer digitalen Karte ausgelesen werden. Unter dem plausiblen Straßenabschnitt kann ein

Straßenabschnitt verstanden werden, von dem nach Auswertung der

vorhandenen Daten angenommen wird, dass sich das Fahrzeug darauf befindet.

Das Verfahren kann einen Schritt des Bestimmens eines Falschfahrtsignals unter Verwendung des zumindest einen plausiblen Straßenabschnitts umfassen. Dabei kann das Falschfahrtsignal anzeigen, ob eine Falschfahrt des Fahrzeugs vorliegt oder nicht vorliegt. Beispielsweise kann das Falschfahrtsignal nur dann bereitgestellt werden, wenn eine Falschfahrt angenommen wird.

Im Schritt des Ermitteins kann eine Mehrzahl von Partikeln bestimmt werden. Die Mehrzahl von Partikeln kann um die durch die Positionsdaten abgebildete gemessene Position des Fahrzeugs herum verteilt angeordnet sein und jedes der Partikel kann eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentieren. Die Mehrzahl von Partikeln können unter Verwendung eines mit bekannten Partikel- Filtern verwendeten Verfahrens bestimmt werden. Die Partikel können dabei unterschiedliche angenommene Positionen aufweisen, die beispielsweise um die gemessene Position gruppiert sind. Solche Partikel können gut mit dem genannten Partikel- Filter verarbeitet werden.

Dabei kann im Schritt des Ermitteins eine Mehrzahl von verschobenen Partikeln unter Verwendung der Mehrzahl von Partikeln und der Ungenauigkeitsdaten bestimmt werden. Der zumindest eine plausible Straßenabschnitt kann basierend auf der Mehrzahl von verschobenen Partikeln ermittelt werden. Vorteilhafterweise können die Ungenauigkeitsdaten zur Korrektur der ursprünglich bestimmten Partikel verwendet werden.

Im Schritt des Ermitteins können unter Verwendung der Kartendaten

kartenbezogene Parameter für die Partikel bestimmt werden. Der zumindest eines plausible Straßenabschnitt kann basierend auf den kartenbezogenen Parametern ermittelt werden. Ein kartenbezogener Parameter kann

beispielsweise anzeigen, ob ein Partikel, dem der Parameter zugeordnet ist, auf einem Straßenabschnitt liegt. Vorteilhafterweise kann unter Verwendung der Kartendaten eine Plausibilität der einzelnen Partikel überprüft werden.

Dazu können im Schritt des Ermitteins unter Verwendung der kartenbezogenen Parameter neue Gewichtungen der Mehrzahl von Partikeln oder der Mehrzahl von verschobenen Partikeln bestimmt werden. Umso plausibler ein Partikel unter Berücksichtigung der Kartendaten erscheint, umso höher kann der Partikel gewichtet werden.

Im Schritt des Ermitteins können irrelevante Partikel aus der Mehrzahl von Partikeln oder der Mehrzahl von verschobenen Partikeln eliminiert werden. Auf diese Weise kann die Genauigkeit des Verfahrens erhöht werden.

Vorteilhafterweise kann die Mehrzahl von Partikeln oder die Mehrzahl von verschobenen Partikeln interpretiert werden, um den zumindest einen plausiblen Straßenabschnitt zu ermitteln. Durch die Interpretation können den einzelnen Partikeln zugeordnete Werte, wie beispielsweise die Gewichtung oder die kartenbezogenen Parameter, ausgewertet werden. Im Schritt des Einlesens können die Positionsdaten über eine Schnittstelle einer Rechnerwolke, einer sogenannten Cloud, eingelesen werden. Dies ermöglicht eine cloud-basierte Lösung.

Eine entsprechende Vorrichtung zur Falschfahrererkennung ist eingerichtet, um Schritte des genannten Verfahrens in entsprechenden Einheiten auszuführen. Beispielsweise kann eine solche Vorrichtung eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Positionsdaten über eine Schnittstelle einzulesen, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren, eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Ungenauigkeitsdaten einzulesen, die eine Ungenauigkeit der Positionsdaten repräsentieren, eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Kartendaten einzulesen, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden, und eine

Ermittlungseinrichtung aufweisen, die ausgebildet ist, um zumindest eines plausiblen Straßenabschnitts basierend auf den Positionsdaten, den

Ungenauigkeitsdaten und den Kartendaten unter Verendung eines Partikel- Filters zu ermitteln, wobei der plausible Straßenabschnitt einen Straßenabschnitt repräsentiert, dem eine aktuelle Position des Fahrzeugs zugeordnet werden kann. Entsprechend kann die Vorrichtung den Partikel- Filter umfassen.

Ein entsprechendes System zur Falschfahrererkennung umfasst zumindest eine Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, sowie eine genannte

Vorrichtung zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu

empfangen, beispielsweise über eine drahtlose Verbindung.

Ein weiteres System zur Falschfahrererkennung umfasst zumindest eine

Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren, und zumindest eine Empfangseinrichtung, die in dem Fahrzeug anordenbar oder angeordnet ist und ausgebildet ist, Daten einer Vorrichtung zu empfangen, welche gemäß dem hier beschriebenen Ansatz zur Falschfahrererkennung dazu ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu empfangen. Das beschriebene Verfahren kann in Software oder Hardware oder in einer Mischform aus Software und Hardware implementiert sein, beispielsweise in einer Vorrichtung.

Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein

Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann

beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EPROM oder eine

magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.

Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.

Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend

beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.

Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:

Fig. 1 ein System zur Falschfahrererkennung gemäß einem

Ausführungsbeispiel; Fig. 2 ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel;

Fig. 3 ein Hidden Markov Chain Model; Fig. 4 einen Ablauf eines Partikel- Filter- Prozesses gemäß einem

Ausführungsbeispiel

Fig. 5 ein System zur Falschfahrererkennung gemäß einem

Ausführungsbeispiel;

Fig. 6 ein Fahrzeug gemäß einem Ausführungsbeispiel;

Fig. 7 einen Programmablauf gemäß einem Ausführungsbeispiel; Fig. 8 einen Programmablauf eines Partikel- Filters gemäß einem

Ausführungsbeispiel;

Fig. 9 einen Programmablauf eines Partikel- Filters gemäß einem

Ausführungsbeispiel;

Fig. 10 eine Modellierung einer Karte gemäß einem Ausführungsbeispiel;

Fig. 11 eine Darstellung einer Wahrscheinlichkeitsberechnung gemäß einem Ausführungsbeispiel; und

Fig. 12 eine Darstellung von Partikel nach einem Resampling gemäß einem Ausführungsbeispiel. In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren

dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche

Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser

Elemente verzichtet wird.

Fig. 1 zeigt ein System zur Falschfahrererkennung gemäß einem

Ausführungsbeispiel. Das System umfasst ein Fahrzeug 100, das eine

Übertragungseinrichtung 102 aufweist, die ausgebildet ist, um unter Verwendung zumindest einer in dem Fahrzeug 100 angeordneten Sensoreinrichtung 104 erfasste Messdaten 106 drahtlos an eine eine Vorrichtung 110 zur

Falschfahrererkennung auszusenden. Die Vorrichtung 110 ist ausgebildet, um die Messdaten 106 zu aufbereiteten Daten aufzubereiten und die aufbereiteten Daten unter Verwendung eines Partikel- Filters weiterzuverarbeiten, um ein

Falschfahrtsignal 112 zu erzeugen und auszusenden. Das Falschfahrtsignal 112 zeigt gemäß einem Ausführungsbeispiel an, dass das Fahrzeug 100 dessen Messdaten 106 verarbeitet wurden, aktuell eine Falschfahrt ausführt. Gemäß diesem Ausführungsbeispiel ist sowohl die Übertragungseinrichtung 102 des Fahrzeugs 100 als auch eine Übertragungseinrichtung 102 eines weiteren

Fahrzeugs 100 ausgebildet, um das Falschfahrtsignal 112 zu empfangen und ansprechend auf einen Empfang des Falschfahrtsignals 112 eine

Warneinrichtung des jeweiligen Fahrzeugs 100, 114 zu aktiveren, die

beispielsweise einen Fahrer des jeweiligen Fahrzeugs 100, 114 vor der

Falschfahrt warnt oder gemäß einem Ausführungsbeispiel in eine zumindest teilautomatische Steuerung, beispielsweise einer Bremsanlage oder Lenkanlage, des jeweiligen Fahrzeugs 100, 114 eingreift. Gemäß unterschiedlicher

Ausführungsbeispiele kann die Übertragungseinrichtung 102 nur als

Sendeeinrichtung oder aber als Sende- Empfangseinrichtung ausgeführt sein.

Gemäß einem Ausführungsbeispiel umfassen die Messdaten 106

Positionsdaten, die unter Verwendung einer Positionsbestimmungseinrichtung des Fahrzeugs 100 erfasst wurden und eine aktuelle Position des Fahrzeugs 100 abbilden. Gemäß einem weiteren Ausführungsbeispiel umfassen die Messdaten 106 ferner Bewegungsdaten, die beispielsweise unter Verwendung zumindest eines Beschleunigungssensors des Fahrzeugs 100 erfasst wurden und

Informationen über eine aktuelle Bewegung des Fahrzeugs 100, beispielsweise Informationen über eine Fahrtrichtung, eine Längsbeschleunigung, eine

Querbeschleunigung oder über eine Drehung des Fahrzeugs um eine

Fahrzeugachse umfassen.

Gemäß einem Ausführungsbeispiel werden zusätzlich zu den Messdaten 106 Ungenauigkeitsdaten 107 übertragen, die eine Ungenauigkeit der Positionsdaten abbilden.

Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um Kartendaten 116 einzulesen, die ein von dem Fahrzeug 100 befahrbares Straßennetz abbilden. Gemäß einem Ausführungsbeispiel umfassen die

Kartendaten 116 beispielsweise Informationen über Streckenabschnitte des Straßennetzes. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 bezüglich jedes Streckenabschnitts ferner zumindest einen Parameter, der beispielsweise eine Fahrtrichtungsvorgabe für den jeweiligen Streckenabschnitt oder einen Verlauf des jeweiligen Streckenabschnitts definiert. Beispielsweise kann über den Parameter definiert sein, ob der Streckenabschnitt geradlinig verläuft oder eine Kurve beschreibt. Gemäß einer Ausführungsform weist die Vorrichtung 110 eine Speichereinrichtung auf, in der die Kartendaten 116 gespeichert sind.

Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um den Partikel- Filter einzusetzen, um unter Verwendung der Positionsdaten, der Ungenauigkeitsdaten 107 und der Kartendaten 116 einen plausiblen

Straßenabschnitt zu ermitteln, von dem angenommen wird, dass sich das Fahrzeug 100 darauf befindet. Beispielsweise unter Verwendung eines dem Straßenabschnitt zugeordneten Fahrtrichtungsparameter kann bestimmt werden, ob es sich bei dem Fahrzeug 100 um ein falschfahrendes Fahrzeug handelt. Ist dies der Fall, so wird gemäß einem Ausführungsbeispiel das Falschfahrtsignal 112 bereitgestellt.

Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 oder sind

Funktionsblöcke der Vorrichtung 110 in einer Cloud 118 angeordnet oder realisiert.

Der beschriebene Ansatz kann ergänzend oder anstelle vielfältige Verfahren zur Detektion eines Falschfahrers verwendet werden, bei denen z.B. der Einsatz einer Videosensorik erfolgt, um das Passieren eines„Einfahrt verboten" Schildes zu detektieren oder der Einsatz einer digitalen Karte in Verbindung mit einer Navigation genutzt wird, um ein Detektieren einer falschen Fahrtrichtung auf einem Streckenabschnitt zu erkennen, der nur in einer Richtung befahrbar ist. Weiterhin bekannt sind. Weiterhin kann der Ansatz mit drahtlosen Verfahren kombiniert werden, die mittels Infrastruktur wie z.B. Baken in der Fahrbahn oder am Fahrbahnrand Falschfahrer detektieren.

Neben der Detektion eines Falschfahrers bietet der beschriebene Ansatz viele Möglichkeiten der Reaktion auf einen Falschfahrer. Beispiele hierfür sind die Warnung des Falschfahrers selbst über ein Display oder akustische Hinweise. Auch können Verfahren angewendet werden, mit denen andere Fahrer in der Nähe eines Falschfahrers gewarnt werden, z.B. über Fahrzeug- Fahrzeug- Kommunikation oder mittels Mobilfunk. Weiterhin ist die Warnung anderer Verkehrsteilnehmer über am Straßenrand aufgestellte Wechselverkehrszeichen möglich. Auch kann ein Eingriff in die Motorsteuerung oder Bremse des falsch fahrenden Fahrzeugs 100 erfolgen.

Der beschriebene Ansatz ermöglicht es, einen Falschfahrer zu detektieren und andere Verkehrsteilnehmer in dessen Nähe noch rechtzeitig zu warnen, wofür nur sehr wenig Zeit zur Verfügung steht.

Der beschriebenen Ansatz greift für eine Falschfahrererkennung (Wrong-Way- Driver-Detection) mit einer Client-Server-Lösung. Als Client ist ein Gerät zu sehen, befindlich an oder in einem Kraftfahrzeug, welches über eine

Internetanbindung verfügt und mindestens Zugriff auf Positionskoordinaten hat. Beispielsweise kann es sich dabei um die Übertragungseinrichtung 102 handeln. Bei der Übertragungseinrichtung 102 kann es sich beispielsweise um ein Smartphone handeln. In der Übertragungseinrichtung 102 kann die

Sensoreinrichtung 104 integriert sein. Somit kann eine falschfahrerspezifische Server-Client- Kommunikation mit einem Smartphone als beispielhaften Client umgesetzt werden. Das Smartphone kann über ein Mobilfunknetz mit einem Gateway (PDN_GW) an das Internet angeschlossen sein, in dem die Vorrichtung 110, beispielsweise in Form eines Servers, angeordnet sein kann. Es ergeben sich aus den möglichen Funktionsweisen einer Falschfahrerwarnung mit einer Client-Server-Lösung folgende Schlüsselproblemfelder für diese Technologie, welche durch den hier beschriebenen Ansatz angegangen werden: a) False-Positive-Reduktion

False- Positives, also Fehldetektionen bei richtiger Fahrweise, müssen bei einer Eigenwarnung und/oder eines aktiven Eingreifens so weit wie möglich vermindert beziehungsweise komplett vermieden werden. Je nach Warnungskonzept müssen die Standards bis zu ASIL-A erfüllen. b) Zeitkritische Ausführung der Auslösekette

Um die Gefährdung anderer Verkehrsteilnehmer ausgehend von einem

Falschfahrer so gering wie möglich zu halten, soll ein Eingreifen bzw. Warnen so schnell wie möglich erfolgen. D. h. die komplette Funktionskette von Detektion einer kritischen Situation über das Erkennen eines Falschfahrers bis zum Eingriff bzw. Warnung soll in einer möglichst geringen Zeitspanne durchlaufen werden. Die Auslastung und somit die nötige Leistungsfähigkeit des Servers,

beispielsweise der Vorrichtung 110, bei einem flächendeckenden Einsatz dieser Funktion spielt dabei eine sehr wichtige Rolle. Neben der Auslösezeit stellt auch noch die Wirtschaftlichkeit einen wichtigen Teilaspekt dar. c) Kommunikation, Dateneffizienz und Stromverbrauch

Die Kommunikation und der Stromverbrauch müssen besonders für mobile Geräte so effizient bzw. gering wie möglich sein, um eine akzeptable Akkulaufzeit zu erreichen. Auch die Überlastung einer Mobilfunkzelle oder anderweitigen drahtlosen Kommunikationseinheit muss durch eine dateneffiziente

Kommunikation unterbunden werden. Auch das Datenvolumen und die damit verbunden Kosten sind, soweit es möglich ist einzugrenzen. Die Effizienz der Kommunikation ist aus Rechenleistungsgründen auch serverseitig ein äußerst wichtiger Faktor.

Der beschriebene Ansatz greift vor allem für die Schlüsselfelder a)„False- Positive-Reduktion" und b)„Zeitkritische Ausführung der Auslösekette", aber auch c)„Kommunikation, Dateneffizienz und Stromverbrauch" wird gegebenenfalls davon beeinflusst. Die Erkennung von Falschfahrern in der Cloud 118, basierend auf handelsüblicher Smartphone-und Connectivity-Control-Unit- Sensorik ist kein triviales Unterfangen.

Fig. 2 zeigt ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das Verfahren kann beispielsweise unter Verwendung von Einrichtungen der anhand von Fig. 1 gezeigten Vorrichtung zur Falschfahrererkennung ausgeführt werden.

Das Verfahren umfasst einen Schritt 201, in dem Positionsdaten über eine Schnittstelle eingelesen werden. Die Positionsdaten stellen eine gemessene Position eines Fahrzeugs dar. In einem Schritt 203 werden Ungenauigkeitsdaten eingelesen, die eine Ungenauigkeit der Positionsdaten repräsentieren und in einem Schritt 205 werden Kartendaten eingelesen, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden. In einem Schritt 207 wird basierend auf den Positionsdaten, den Ungenauigkeitsdaten und den Kartendaten sowie unter Verendung eines Partikel- Filters zumindest ein plausibler Straßenabschnitt ermittelt, der einen Straßenabschnitt repräsentiert, dem eine aktuelle Position des Fahrzeugs zugeordnet werden kann. Gemäß einem Ausführungsbeispiel wird unter Verwendung des plausiblen Straßenabschnitts ein eine Falschfahrt des Fahrzeugs anzeigendes Falschfahrtsignal erzeugt.

Für die Falschfahrererkennung ist es nicht ausschlaggebend, welche Route der Falschfahrer gefahren ist. Die benötigte Information ist vor allem, wo sich der Falschfahrer aktuell befindet und ob dieser einen Straße entgegen der

Fahrtrichtung befährt. Für diese Ermittlung wird selbstverständlich die Historie benötigt, doch diese ist nicht Teil der Fragestellung, sondern vielmehr der Weg zum Ergebnis.

Aufgrund dieser Umstände wird ein Verfahren basierend auf einem Partikel- Filter vorgestellt. Der Partikel- Filter ist ähnlich wie der Kaiman-Filter auf Systeme anwendbar, die einer Hidden-Markov-Chain-Charakteristik, also einer Markow- Kette mit unbeobachteten Zuständen, unterliegen:

Fig. 3 zeigt ein Hidden Markov Chain Model 320 mit Zustand x und Beobachtung z zur Zeit k und k-1. Das heißt, der Zustand eines Systems kann nicht direkt gemessen werden, jedoch aufgrund von anderen Observierungen geschätzt werden. In diesem Fall gilt es, die Position und somit die aktuelle Straße zu schätzen. Dafür muss folgende Gleichung gelöst werden:

Der Zustand zum Zeitpunkt k wird im Folgenden mit x _k beschrieben, die vorherigen Zustände werden mit zusammengefasst. Analog

zu x gilt diese Konvention auch für die Steuergrößen u und Observierungen u. η beschreibt einen Normalisierungsterm, der im Folgenden allerdings keine große Bedeutung hat. Diese Gleichung kann zu folgender Gleichung vereinfacht werden:

Und diese in zwei Schritten beschrieben werden: der Vorhersageschritt und der Gewichtungsterm:

Bei einem Partikel- Filter wird das Integral über die

Wahrscheinlichkeitsverteilungen mit einer numerischen Näherung und Monte-Carlo-Methoden gelöst. w ^[i] beschreibt hierbei das Gewicht / die Wahrscheinlichkeit des jj-ten Partikels. Eine Menge von Partikeln wird mit beschrieben. Somit hat jeder Partikel das Gewicht w ^[j] und den Zustand x ^[j] .

Fig. 4 zeigt den Ablauf eines Partikel- Filter- Prozesses gemäß einem

Ausführungsbeispiel. Dazu ist in Fig. 4 ein Hidden Markov Chain Model mit dem Zustand x und der Beobachtung z zur Zeit k und k - 1 gezeigt.

Ein großer Teil der Arbeit ist eine geeignete Funktion für und zu finden, die das Problem optimal abbilden. Grundlegen hierfür ist es, die zu schätzenden Zustände x zu definieren.

Der Block 401 steht für den Partikel- Filter

Von dem Block 403 wird solange zu dem Block 405 gesprungen, bis alle Werte j=l:J durchlaufen sind.

In dem Block 405 wird ein neuer Zustand berechnet:

In dem Block 407 wird das Gewicht berechnet:

Wenn in dem Block 403 alle Werte durchlaufen sind, wird zum Block 409 gesprungen. Von dem Block 409 wird solange zu dem Block 411 gesprungen, bis alle Werte i=l:J durchlaufen sind. In dem Block 411 wird ein ein Wert gemäß gezeichnet.

In dem Block 413 wird zu dem Partikelsatz hinzuaddiert gemäß

Wenn in dem Block 409 alle Werte durchlaufen sind, wird zum Block 415 gesprungen der das Ende darstellt.

Fig. 5 zeigt ein System zur Falschfahrererkennung gemäß einem

Ausführungsbeispiel. Das System umfasst Geräte 102, beispielsweise in Form der anhand von Fig. 1 genannten Übertragungseinrichtungen und eine

Vorrichtung 110 zur Falschfahrererkennung, die gemäß diesem

Ausführungsbeispiel als ein sogenannter WDW-Server ausgeführt ist. Die Vorrichtung 110 ist ausgebildet, um von dem Gerät 102 Daten 106,

beispielsweise die anhand von Fig. 1 beschriebenen Messdaten zu empfangen und basierend auf den Daten 106 eine Warnung 112 bereitstellen und beispielsweise in Form des anhand von Fig. 1 beschriebenen Falschfahrtsignals zurück an die Geräte 102 zu senden.

Die Vorrichtung weist eine Einrichtung 530 zur Vorverarbeitung, einen Partikel- Filter 532 und ein Warnungsmodul 534 auf.

In einer vereinfachten Architektur einer cloud-basierten Falschfahrerwarnung bettet sich der Partikel- Filter 532 wie in Fig. 5 gezeigt ein.

Mit dem Partikel- Filter 532 kann die Wahrscheinlichkeitsverteilung der Position des Autos näherungsweise bestimmt werden.

Fig. 6 zeigt anhand eines Fahrzeugs 100 Werte, die in das anhand von Fig. 5 gezeigte Modell einfließen können. Bei den Werten kann es sich beispielsweise um Zustände in Richtung der Längsachse x, der Querachse y, der Hochachse z sowie ein Rollen p um die Längsachse, ein Nicken q um die Querachse und ein Gieren r um die Hochachse handeln.

Bezüglich eines Kartenabgleichs unter Verwendung des Partikel- Filters gilt für den Bayes- Filter Hierbei kann unter Bezugnahme auf Fig. 3 x _k

dafür stehen, was der Zustand (nicht gemessen) ist, beispielsweise die geografische Länge, Breite und Höhe, u _k+1 dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und z _k dafür stehen, was observiert werden kann, beispielsweise ein GPS-Signal oder ein das Umfeld des Fahrzeugs 100 betreffendes Signal (Kamera, etc.).

Fig. 7 zeigt einen Programmablauf gemäß einem Ausführungsbeispiel. Der Ablauf startet mit einem Block 701. In einem Block 530 wird eine

Datenvorverarbeitung durchgeführt, wie es beispielsweise anhand von Fig. 5 beschrieben ist. In einem Block 703 wird, falls vorhanden, der Zustand vom vorherigen Punkt geladen. In einem Block 705 findet ein Kartenabgleich (map- matching) mit dem Partikel- Filter statt. In einem Block 707 erfolgt eine

Interpretation der Ergebnisse. In einem Block 709 wird geprüft, ob eine

Falschfahrt vorliegt. Wenn dies der Fall ist, wird in einem Block 534 eine Warnung versendet, wie es beispielsweise anhand von Fig. 5 beschrieben ist. Wenn keine Falschfahrt vorliegt, erfolgt das Ende des Programmablaufs mit einem Block 711.

Fig. 8 zeigt einen Programmablauf eines Partikel- Filters gemäß einem

Ausführungsbeispiel. Ein Block 801 steht für einen Beginn des Partikel- Filters. In einem Block 803 erfolgt ein Verschieben der Partikel unter Berücksichtigung der Sensorungenauigkeit, beispielsweise der anhand von Fig. 1 beschriebenen Sensoreinrichtung. In einem Block 805 erfolgt eine Ermittlung der

kartenbezogenen Parameter. Ein solcher Parameter gibt beispielsweise an, ob ein Partikel auf einer Straße liegt oder wie der Titel derselben ist. In einem Block 807 erfolgt eine Berechnung der neuen Partikel-Gewichte. In einem Block 809 erfolgt ein sogenanntes Resampling, bei dem ein Eliminieren der irrelevanten Bereiche und/oder Partikel erfolgt. In einem Block 811 erfolgt eine Interpretation der einzelnen Partikel und in einem Block 813 eine Rückgabe der möglichen Straßen, beispielsweise in Form des zumindest einen plausiblen

Straßenabschnitts.

Durch die Verwendung des Partikel- Filters werden die im Folgenden genannten Aspekte verbessert. Zum einen wird ein sequenziell (in Echtzeit möglich) arbeitendes Verfahren geschaffen, welches primär die aktuelle Position auf dem Straßennetzwerk ermittelt. Ferner ist eine robuste Schätzung der aktuellen Position auf dem Straßennetzwerk möglich. Eine Unsicherheit über die aktuelle Schätzung ist ermittelbar. Dies ermöglicht es, die Entscheidung über eine potenzielle Falschfahrt zuverlässig, auf ein sinnvolles Maß, verzögern zu können.

Fig. 9 zeigt einen Programmablauf eines Partikel- Filters gemäß einem

Ausführungsbeispiel. Der Programmablauf entspricht dem anhand von Fig. 8 beschriebenen Programmablauf, weist zusätzlich jedoch noch die Blöcke 915, 917 auf. In dem Block 915 wird geprüft, ob es sich um einen initialen Schritt handelt. Wenn das der Fall ist, werden in dem Block 917 Partikel weiträumig um die gemessene Position des Fahrzeugs, beispielsweise um eine GPS- Position verteilt. Wenn es sich nicht um einen initialen Schritt handelt, wird zu dem Block 803 gesprungen.

Die typische Anwendung eines Partikel- Filters unterscheidet sich dahin gehend, dass in dem anhand von Fig. 9 beschriebenen Anwendungsfall nicht die bestmögliche Lokalisierungsgenauigkeit erreicht werden soll, sondern in allen Fällen die richtigen Straßenelemente ermittelt werden sollen. Das heißt, auch wenn die Sensordaten darauf hindeuten, dass eine Falschfahrt vorliegt, sollte eine Warnung des gefährdeten Verkehrs nur erfolgen, wenn man sich wirklich sicher sein kann, dass auch wirklich eine Falschfahrt vorliegt. Zur schnellen und zuverlässigen Erkennung von Falschfahrern wird das Partikel-Filter-Modell daher wie anhand von Fig. 9 beschrieben aussehen.

Gemäß diesem Ausführungsbeispiel werden die Partikel im Block 917

bestimmten Partikel im Block 803 mit der Unsicherheit der Sensoren verschoben. Gemäß einem Ausführungsbeispiel werden die Partikel aufgrund der

Observierungen Drehrate und Geschwindigkeit verschoben werden. Aber anstelle die Sensorwerte zu nehmen, werden gemäß einem Ausführungsbeispiel Zufallszahlen (mit der Verteilung des Fehlers der Sensoren - hier vereinfacht Gaußförmig) auf den Messwert addiert. Dazu kann ein sogenanntes„moving theorem" angewandt werden.

Im Block 805 wird eine Karte räumlich modelliert, wie es nachfolgend anhand von Fig. 10 beschrieben ist. Anschließend können verschiedene Parameter bestimmt werden, wie beispielsweise ob ein Partikel auf einer Straße ist und wie das Heading, also die Fahrtrichtung der Straße ist. Diese Parameter fließen später in die Gewichtung der Partikel ein, die im Block 807 durchgeführt wird. In dem Block 807 wird bestimmt, wie hoch die Wahrscheinlichkeit eines jeden Partikels ist. Dabei wird so getan als sei der Partikel der tatsächliche

Aufenthaltsort und es wird überprüft, wie gut dieser zu den Observierungen passt. Beispielsweise stimmt das Heading des Partikels mit dem der Straße überein bzw. sind diese entgegengesetzt. Für eine mögliche Applizierung und zur Erhöhung der Robustheit sind hier gemäß einem Ausführungsbeispiel noch verschiedene Faktoren eingeführt worden.

In dem Block 811 werden im Nachgang die einzelnen Partikel interpretiert, um die Wahrscheinlichkeit für die einzelnen Straßen oder Straßenabschnitte zu bestimmen. Dies kann beispielsweise durch Aufsummieren erfolgen.

Beispielsweise kann der zumindest eine plausible Straßenabschnitt beim

Interpretieren als derjenige von den Kartendaten umfasste Straßenabschnitt ermittelt werden, dem die größte Anzahl von Partikeln zugeordnet werden kann oder dem die Partikeln mit der höchsten Gewichtung zugeordnet werden können.

Fig. 10 zeigt die anhand von Fig. 9 erwähnte Modellierung einer Karte gemäß einem Ausführungsbeispiel. Gezeigt sind Ecken 1001, Formpunkte 1003 als sogenannte„shape points" sowie Straßenbegrenzungen 1005 zumindest eines Straßenabschnitts. Zudem ist eine Breite 1007 des Straßenabschnitts gezeigt, die sich aus dem Produkt aus der Spurbreite di und der Anzahl von Spuren ni ergibt.

Das gezeigte Modell kann unter Verwendung der Kartendaten bestimmt werden.

Fig. 11 zeigt eine Darstellung einer Wahrscheinlichkeitsberechnung gemäß einem Ausführungsbeispiel. Auf der horizontalen Achse sind dabei Längengrade und auf der vertikalen Achse Breitengrade aufgetragen. Gezeigt ist ein Abbild einer Landschaft mit mehreren Straßen 1111. Für eine der Straßen 1111 sind mehrere die Straße 1111 abbildende Straßenabschnitte 1113, beispielsweise in Form von Straßenpolygonen, gezeigt.

Die gemessene Position 1115 stellt eine sogenannte„input position" dar, die als Eingangswert für das hier beschriebene Verfahren verwendet wird. Unter Durchführung des Verfahrens wird eine aktuelle Position 1117, als sogenannte geschätzte Position ermittelt. Dazu werden eine Mehrzahl von Partikeln 1119 verwendet. Die Partikel 1119 weisen unterschiedliche Gewichtungen auf, die beispielsweise von„0", als unwahrscheinlich, bis zu„1" als sehr wahrscheinlich reichen. Beispielhaft ist in Fig. 11 ein zentraler Bereich 1121 angedeutet, in dem Partikel 1119 mit einer hohen Gewichtung, beispielsweise nahe„1" angeordnet sind, ein mittlerer Bereich 1123 angedeutet, in dem Partikel 1119 mit einer mittleren Gewichtung, beispielsweise nahe„0,5" angeordnet sind, und ein äußerer Bereich 1125 angedeutet, in dem Partikel 1119 mit einer niedrigen Gewichtung, beispielsweise nahe„0" angeordnet sind.

Gemäß einem Ausführungsbeispiel ist anhand von Fig. 11 eine beispielhafte Berechnung von Wahrscheinlichkeiten gemäß einem Bewegungstheorem mit einer sich kreuzenden Schnellstraße gezeigt.

Fig. 12 zeigt eine Darstellung von Partikeln 119 nach einem Resampling gemäß einem Ausführungsbeispiel. Dabei wurden aus der in Fig. 11 gezeigten Mehrzahl Mehrzahl von Partikeln irrelevante Partikel eliminiert. Bei den irrelevanten Partikeln handelt es sich gemäß einem Ausführungsbeispiel um solche Partikel, die außerhalb der Straßenabschnitte 1113 angeordnet sind.

In dem in Fig. 12 gezeigten Ausführungsbeispiel befinden sich die meisten der nach dem Resampling verbliebenen Partikel 119 in einem Straßenabschnitt 1113, der durch eine geeignete Interpretation der verbliebenen Partikel 119 als plausibler Straßenabschnitt 1213 bestimmt wird. Gemäß einem

Ausführungsbeispiel sind anhand von Fig. 12 Partikel 119 nach einem

Resampling mit einer sich kreuzenden Schnellstraße gezeigt.

Umfasst ein Ausführungsbeispiel eine„und/oder"- Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.