Titel

Verfahren zum Evaluieren von Konfidenz bei der Spurschätzung

Die Erfindung stellt ein Verfahren zum Evaluieren von Konfidenz bei der Spurschätzung eines Fahrzeugs und eine Anordnung zum Durchführen des Verfahrens bereit.

Stand der Technik

Konfidenz bei der Spurschätzung bildet die Grundlage für Verfahren und Systeme zum Modifizieren des Fahrzeugverhaltens. Die Spurschätzung baut die Spurgeometrie für die drei Spuren auf. Von den drei Spuren ist die mittlere Spur immer diejenige, in der das Host-Fahrzeug fährt. Es kann Nachbarspuren geben, eine auf der linken Seite und eine auf der rechten Seite. Diese Nachbarspuren können natürlich ungültig sein, wenn es in der Realität keine solchen Spuren gibt.

Es ist auch zu berücksichtigen, dass ihre Qualitätsschätzung genau so wichtig ist wie die Geometrie. Diese Qualitätsschätzung wird von funktionalen Schichten verwendet, um zu entscheiden, ob es sicher ist, das Spurmodell immer noch zu verwenden, oder nicht. Vorher war die Qualität, Informationen zu verwenden, die zu einem gegebenen Moment verfügbar waren, und nicht, zeitliche Korrelationen zwischen der Straßengeometrie zu verwenden.

Offenbarung der Erfindung

Gemäß der Erfindung wird ein Verfahren nach Anspruch 1 zum Evaluieren von Konfidenz bei der Spurschätzung eingeführt. Ferner wird eine Anordnung nach Anspruch 10 zum Durchführen des hier beschriebenen Verfahrens eingeführt

Das vorgeschlagene Verfahren ist geeignet zum Evaluieren von Konfidenz bei der Spurschätzung. Dieses Verfahren umfasst die folgenden Schritte: Detektieren, in fortlaufenden/aufeinander folgenden Zyklen, von Daten für zumindest ein entsprechendes Segment, wobei jedes Segment einen vordefinierten Bereich einer zu schätzenden Spur repräsentiert, Umwandeln jedes Segments in ein Polynom, Vergleichen von Polynomen eines aktuellen Zyklus mit entsprechenden Polynomen eines vorhergehenden Zyklus zum Berechnen eines Abstands für jedes Segment und Umwandeln jedes berechneten Abstands in einen Konfidenzwert für jedes Segment. Dieser Konfidenzwert ermöglicht dem Benutzer und/oder einem Fahrerunterstützungssystem, Konfidenz bei der Spurschätzung zu evaluieren und zu entscheiden, ob einer geschätzten Spur vertraut werden soll oder nicht.

In einer Ausführungsform werden für jeden Zyklus fünf Segmente untersucht, wobei für jedes ein Polynom berechnet wird. Daher werden in jedem Zyklus fünf Polynome berechnet.

Die Umwandlung von Abstand in Konfidenzwert kann mithilfe einer Logistikfunktion, z. B. einer Fermi-Dirac-Verteilung, durchgeführt werden.

Die Periode zwischen aufeinander folgenden Zyklen kann etwa 100 ms sein.

Ferner wird/werden, beim Vergleichen des aktuellen Zyklus mit dem früheren Zyklus, Bewegung und/oder Ausrichtung, insbesondere eine Änderung der Position und Ausrichtung zwischen zwei aufeinander folgenden Zyklen, berücksichtigt.

Das vorgeschlagene Verfahren kann in Verbindung mit einem erweiterten Fahrerunterstützungssystem (ADAS) verwendet werden.

In einer Ausführungsform sind die verwendeten Polynome Polynome 2. Grades. Darüber hinaus kann Fahrzeugverhalten basierend auf einer berechneten Spurschätzungskonfidenz modifiziert werden.

Mit der Erweiterung der Konfidenzberechnung ist eine genauere Konfidenzberechnung der Spurrepräsentation möglich. Dadurch kann die Funktionsschicht Entscheidungen treffen, zu welcher Zeit die Funktion aktiviert oder deaktiviert werden soll. Die Funktionsschichten enthalten den nächsten logischen Schritt in der ADAS-Software. Ihr Eingang ist der Ausgang der Spurschätzung, und die Aufgabe dieser Schicht besteht darin, zu entscheiden, ob ein ADAS-Merkmal, z. B. eine Notbremsung, ein Spurhalten usw., ausgeführt werden kann oder sollte. Die relevanten Funktionen sind insbesondere Spurhaltemerkmale, wie ein Verkehrsstauassistent (TJA), ein Autobahnassistent (HWA) usw. Allerdings kann der Konfidenzwert durch andere Merkmale verwendet werden, die sich auf die Spurmodellschätzung verlassen, z. B. Fälle mit AEB (automatische Notbremse), Notspurhalten usw.

Während der Entwicklung lag der Fokus auf dem TJA-Merkmal. Diese Kurskonfidenz wird, nicht direkt, aber nach einer Verarbeitungsschicht, verwendet, um zu entscheiden, ob das TJA-Merkmal aktiviert werden kann. Kurskonfidenz ist die Selbstbewertung der Spurschätzungskomponente. Sie beschreibt die Verlässlichkeit des ausgegebenen Spurmodells basierend auf der Verlässlichkeit seiner Eingänge und der Widersprüche zwischen den Eingängen.

Wenn das Merkmal, in einer Ausführungsform der lateralen Steuerung, basierend auf dieser Konfidenz bereits aktiv ist, kann auch die Degradierung gestartet werden. Die Leistungsfähigkeit des TJA-Merkmals hat sich verbessert, sie wird aber durch Fahren in Echtzeit und Testen des Merkmals im Fahrzeug gemessen. Es ist anzumerken, dass Verfügbarkeit genauer ist.

Die hier beschriebene Anordnung ist zum Ausführen des vorgeschlagenen Verfahrens geeignet. Diese Anordnung kann in Hardware und/oder Software implementiert sein. Ferner kann die Anordnung in eine elektronische Steuereinheit (ECU) eines Kraftfahrzeugs integriert sein oder kann als eine solche ECU gebaut sein. Kurzbeschreibung der Zeichnungen

Figur 1 zeigt die Verteilung eines Abstandsmaßes über einem Messungssatz für unterschiedliche Bereiche.

Figur 2 zeigt in fünf Plots die Funktion C, angepasst für die gleichen Grenzwerte, für die das Histogramm genommen ist.

Figur 3 zeigt Konfidenzzeitreihen zu einer Messung, die mit unterschiedlichen □Parametern gefiltert wurde.

Figur 4 zeigt ein Fahrzeug, das mit einer Ausführungsform der hier beschriebenen Anordnung versehen ist, in einer schematischen Ansicht.

Figur 5 zeigt ein Flussdiagramm, eine Ausführungsform des vorgeschlagenen Verfahrens darstellend.

Es versteht sich, dass die oben erwähnten und die nachfolgend beschriebenen Merkmale nicht nur in der angegebenen Kombination verwendet werden können, sondern auch in anderen Kombinationen oder für sich allein, ohne vom Schutzumfang der Erfindung abzuweichen.

Die Erfindung ist in den Zeichnungen diagrammatisch mittels Ausführungsformen als Beispiel dargestellt und wird im Folgenden Bezug nehmend auf die Zeichnungen ausführlich erläutert. Es versteht sich, dass die Beschreibung in keiner Weise den Schutzumfang der vorliegenden Erfindung beschränken soll und ungefähr eine Darstellung der Ausführungsformen der Erfindung ist.

Beschreibung der Ausführungsformen

Das wichtige Maß der Spurschätzung ist die dynamische Stabilität über Zyklen hinweg, was definiert, wie groß die Sprünge sind, die der Kurs zwischen zwei aufeinander folgenden Zyklen durchführt. Daher ist es möglich, das Problem auf das Messen einer Art von Abstand zwischen zwei Polylinien/Funktionen zu reduzieren, und zwar f und f. Die Summe von fünf Polynomen, eines für jedes vordere Kurssegment, sollte sie auch für hintere Segmente verwendet werden? Hintere Segmente werden in diesem Fall nicht berücksichtigt. Die Verfahren können auf die gleiche Weise angewendet werden wie für die vorderen Segmente, der Konfidenzwert für hintere Segmente wird nicht benötigt.

Zum Abrufen einer einzelnen reellen Zahl für die Ähnlichkeit von f und f müssen diese Funktionen auf den ^P -Raum abgebildet werden, und der Abstand zwischen ihnen muss gemessen werden. Der ² -Raum ist für das beschriebene Verfahren geeignet, die ² -Norm und der £ ² -Abstand werden definiert durch:

(1) bzw.

(2) i/-ri^ = n (ww.

In der Mathematik sind ^P -Räume Funktionsräume, die unter Verwendung einer natürlichen Verallgemeinerung der p-Norm für endlich dimensionale Vektorräume definiert werden.

Um ein klares Verständnis von dem Wert zu erhalten, der basierend auf den zwei Funktionen für den Fehler berechnet wurde, wird der „Abstand“ definiert durch Dividieren durch den Integrationsbereich und Ziehen der Quadratwurzel, sodass sich eine Meterdimension ergibt, wenn f und f in Metern dimensioniert sind, was den durchschnittlichen Fehler/Abstand pro Einheit wie folgt repräsentiert:

Insofern der Abstand zwischen zwei Funktionen definiert ist, muss ein abschließender Konfidenzwert daraus geschlussfolgert werden. Über einen Messungssatz mit einer relevanten Größe werden die Abstandswerte für jeden und alle Zyklen extrahiert. Die Verteilung der Daten ist in Figur 1 zu sehen. Figur 1 zeigt in fünf Graphen 10, 12, 14, 16, 18 die Verteilung des Abstandsmaßes über einen Messungssatz für unterschiedliche Bereiche: von Null zum oberen Grenzwert des ersten (Referenznummer 10), des zweiten (Referenznummer 12), des dritten (Referenznummer 14), des vierten (Referenznummer 16) und des fünften vorderen Kurssegments (Referenznummer 18). Der Abstand wird entsprechend an den einzelnen Abszissenachsen geplottet, wobei die Anzahl von Zyklen entsprechend an den einzelnen Ordinatenachsen geplottet wird.

Die Verteilung ist um Null konzentriert und verringert sich bei größeren Abständen radikal. Schwellen, z. B. E, sind für den durchschnittlichen Fehler definiert, wobei die mit C bezeichnete Konfidenz, basierend auf der Verteilung, auf Null fallen sollte. Zwischen Null und E sollte C nicht linear fallen, da größere Abweichungen stärker bestraft werden sollten. Ein geeigneter Kandidat dafür ist eine Logistikfunktion, z. B. die Fermi-Dirac-Verteilungsform, wie folgt:

(4) wobei T ein Steuerparameter ist, der anzupassen ist, um die obigen Anforderungen zu erfüllen. Auf den ersten Blick wird E als der durchschnittliche Fehler genommen, wobei der Histogrammwert der - n (n = 1000) Teil des maximalen Histogrammklassenwerts ist und T SO ist, dass C bei E nahe bei Null und bei Null nahe bei 1 ist. Nachdem dies für jedes Kurssegment durchgeführt wurde, sind die Ergebnisse in Figur 2 zu sehen.

Figur 2 zeigt die Funktion C, angepasst für die gleichen Grenzwerte, für die das Histogramm genommen ist, wobei die Parameter jeweils die folgenden sind: ) (Referenznummer 50),

(0,161, 0,032) (Referenznummer 52), (0,314, 0,063) (Referenznummer 54),

(0,561, 0,112) (Referenznummer 56), (0,879, 0,176) (Referenznummer 58) . Die Anpassung ergibt ein wirklich gutes Ergebnis, wenn wir T als e/5 auswählen, sodass die endgültige Form wie folgt ist:

(5)

Da der Konfidenzwert aus Echtwelt- Messdaten mit ihren Ungewissheiten berechnet wird, wird er nach mehreren Schritten nicht wirklich stabil sein, da der geschätzte Kurs auch ein systematisches Rauschen aufweist. Darum kann ein gewisser Filter durch Speichern eines gewissen Zyklenverlaufs für die Kurskonfidenzen angewendet werden.

Ein möglicher Kandidat ur die Rauscheliminierung (Datenglättung) ist der Savitzky-Golay-Filter, aber für eingebettete Systeme mit begrenzter Kapazität muss auch seine Berechnungskomplexität berücksichtigt werden.

Ein weiteres verwendetes Filterverfahren für Zeitreihenanalyse ist EWMA (exponentiell gewichtete gleitende Mittelwerte), was eine kostengünstige Filterung ist und nur einen Steuerparameter hat, a

(6) t = 1

■ = [ ^{Xt Xt} ' la ■ x _t + (1 — a) ■ x _t-1 t > 1

Es ist in Betracht zu ziehen, dass es nur notwendig ist, den Wert vom letzten Zyklus zu speichern, der die Informationen aller vorherigen Zyklen mit immer niedrigeren Gewichtungen enthält.

Der Effekt unterschiedlicher a-Parameter ist in Figur 3 zu sehen, die Konfidenzzeitreihen auf einer Messung zeigt, die mit EWMA mit unterschiedlichen a-Parametern gefiltert wurden: 0,0 (Referenznummer 100), 0,2 (Referenznummer 102), 0,3 (Referenznummer 104), 0,4 (Referenznummer 106), 0,5 (Referenznummer 108), 0,6 (Referenznummer 110).

Mit der Hilfe von Figur 3 kann geschlussfolgert werden, dass a = 0,4 ein geeigneter Parameter zu sein scheint. Figur 4 zeigt ein Fahrzeug, allgemein bezeichnet mit der Referenznummer 150, das mit einer Ausführungsform der hier beschriebenen Anordnung 152 versehen ist, in einer schematischen Ansicht Die Anordnung 152 empfängt Daten von unterschiedlichen Sensoren, z. B. Kameras, wobei die Daten Informationen zu einer zu schätzenden Spur 154 repräsentieren. Diese Spur 154 ist in fünf Segmente 156, 158, 160, 162 und 164 unterteilt. Es könnte andere Möglichkeiten geben, die Segmente 156, 158, 160, 162, 164 anzuordnen. Das durch die Anordnung 152 durchgeführte Verfahren dient zum Evaluieren von Konfidenz bei dieser Spurschätzung.

Zu diesem Zweck umfasst die Anordnung 152 eine erste Einheit 170 zum Berechnen eines Polynoms 172 für jedes Segment 156, 158, 160, 162, 164 für jeden Zyklus. Polynome 172 von entsprechenden Segmenten 156, 158, 160, 162 und 164 von aufeinander folgenden Zyklen werden mit Hilfe einer zweiten Einheit 174 innerhalb der Anordnung 152 miteinander verglichen.

Ein Beispiel für das Anwenden des vorgeschlagenen Verfahrens ist mit der Hilfe eines Flussdiagramms im Folgenden gegeben:

TIPL-Konfidenz (Traffic In Parallel Lanes, Verkehr in parallelen Spuren). TIPL bedeutet, dass während der Spurschätzung eine Annahme getroffen wird. Die Annahme ist, dass die beschriebenen drei Spuren parallel zueinander sind. Daher können die drei Spuren mit den gleichen Polynomen beschrieben werden.

Es ist anzumerken, dass das zyklenübergreifende Verhalten nicht umfänglich untersucht ist. Ferner muss die Kurskonfidenz polynomiale Ähnlichkeit zwischen mindestens zwei Zyklen ausdrücken.

In einem ersten Schritt 200 wird ein polynomialer Raum auf einen gewissen Punktraum abgebildet. In einem zweiten Schritt 202 wird der Abstand zwischen den repräsentierten Polynomen gemessen.

Die Kernfunktion, die den Abstand zwischen zwei Funktionen misst, ist wobei Xmax, Xmin die Grenzwerte sind, über die zu integrieren ist, sodass der Abstand eine Meterdimension hat, und dies repräsentiert den Fehler pro Einheit (pro Meter) und hat eine klare Bedeutung.

Die Abstandsverteilung über einem Messungssatz für vordere Segmente wird in Figur 1 gezeigt.

In einem nächsten Schritt 204 wird für jedes Kurssegment ein kritischer Abstand genommen, wobei die Ähnlichkeit auf Null fallen sollte. Sei dieser Abstand die Position, wo das auf dem Messungssatz genommene Histogramm auf ein Zehntel des maximalen Werts fällt

(7)

Diese Funktion sollte langsam fallen, da der Abstand klein ist. Wenn allerdings der Abstand zuzunehmen beginnt, fällt sie dramatisch ab. Ihr Maximum ist 1 , das Minimum ist 0.

Kandidat

(8)

(siehe Figur 2)