Verfahren und System zum Betreiben eines Kraftfahrzeugs

BESCHREIBUNG:

Die vorliegende Erfindung betrifft ein Verfahren sowie ein System zum Betreiben eines Kraftfahrzeugs.

Moderne Kraftfahrzeuge erreichen einen immer höheren Automatisierungsgrad. Immer mehr Tätigkeiten, die ein Fahrer zum Steuern eines Kraftfahrzeugs durchführt, können mittels geeigneter Einrichtungen moderner Kraftfahrzeuge zumindest teilweise übernommen werden, sodass der Fahrer immer weiter entlastet wird. Beispiele für derartige Entwicklungen, wozu beispielsweise ein Spurhalteassistent oder ein Ab- standsregeltempomat zählen, sind bereits aus dem allgemeinen Stand der Technik, insbesondere aus dem Serienfahrzeugbau bekannt.

Um Kraftfahrzeuge in die Lage zu versetzen, künftig immer mehr Aufgaben menschlichen Fahrern abzunehmen, sodass bei weiterer Entwicklung sicher und regelkonform fahrende vollautonome bzw. fahrerlose Kraftfahrzeuge bereitgestellt werden können, werden Daten über Aktionen bzw. Tätigkeiten, welche von menschlichen Fahrern beim Steuern eines Kraftfahrzeugs durchgeführt werden, bereits heutzutage gespeichert, analysiert und schließlich in Kraftfahrzeugen nutzbar gemacht.

Aus dem Stand der Technik sind bereits Ansätze dafür bekannt. So schlägt das Dokument US 2016 0026182 A1 vor, wie das Fahrverhalten einzelner Fahrer mittels maschinellen Lernens erlernt und in autonom fahrenden Fahrzeugen nutzbar ge- macht werden kann, sodass fahrerlos fahrende Fahrzeuge einen personalisierten Fahrstil aufweisen, der einem Fahrstil eines menschlichen Insassen entspricht. Hierzu ist dargestellt, dass für jeden Insassen zumindest ein eigenes Fahrprofil erstellt wird, welches in einer speziellen Serveranordnung gespeichert ist, und in ein Fahrzeug heruntergeladen wird, in dem sich der Insasse befindet. Das Fahrprofil kann mittels maschinellen Lernens während einer manuellen Fahrt, bei welcher der Insasse die Rolle des Fahrers übernimmt, angepasst und in der Serveranordnung aktualisiert werden. So wird nach und nach das Fahrprofil eines Fahrers weiterentwickelt, um in einem Fahrzeug eingesetzt zu werden, welches in der Lage ist, fahrerlos zu fahren. Dies hat letztendlich den Zweck, dass sich der Insasse des fahrerlos fahrenden Fahrzeugs auch bei einer Nutzung unterschiedlicher Fahrzeuge während einer Fahrt besonders wohl fühlt, da das fahrerlos fahrende Fahrzeug auf eine dem Insassen eigenen Weise zum Beispiel beschleunigt, bremst, in eine Kurve fährt, Abstand zu vorausfahrenden Fahrzeugen hält etc.

In dem Dokument US 6 879 969 B2 ist ein System beschrieben, welches mittels eines einzigen künstlichen neuronalen Netzwerks zur statistischen Mustererkennung, in einem Kraftfahrzeug Fahrmuster automatisch und in Echtzeit erkennt, um beispielsweise unterschiedliche Fahrtumgebungen (Stadt, Autobahn etc.) zu erkennen. Auf Basis einer erkannten Fahrtumgebung führt eine geeignete Steuereinrichtung Änderungen an Fahrzeugparametern durch, um beispielsweise einen Kraftstoffverbrauch zu verringern. So kann zum Beispiel eine Fahrwerkseinstellung geändert werden, sobald durch das System erkannt wurde, dass das Kraftfahrzeug auf einer Autobahn gefahren wird. Des Weiteren kann das System genutzt werden, um das Fahrmuster auszuwerten, um beispielsweise Fahrerunterstützungs- bzw. Fahrerwarnsysteme, wie Müdigkeitserkennung oder Ablenkungserkennung, besonders gut auf Bedürfnisse eines aktuellen Fahrers zuschneiden zu können, oder um unterschiedliche Fahrstile zu erkennen.

Ein Verfahren zum Programmieren eines Computers auf Basis eines künstlichen neuronalen Netzwerks, welcher in kognitiven Sicherheitssystemen von Fahrzeugen eingesetzt wird, ist in dem Dokument EP 2 884424 A1 beschrieben. Hierbei wird ein Beobachtungscomputer auf Basis eines künstlichen neuronalen Netzwerks in einer Vielzahl von Fahrzeugen eingesetzt, der Daten des momentanen Umfelds des Fahr- zeugs sowie Daten über Fahrerreaktionen aufnimmt. Weiter ist der Beobachtungscomputer eingerichtet, visuelle Muster zu erkennen und diese mit den aufgenommenen Daten in Beziehung zu setzen, sodass ein Datensatz erzeugt wird. Die Datensätze aus der Vielzahl von Fahrzeugen werden miteinander kombiniert und als Basis für das Programmieren des Computers, welcher in Fahrzeugen in kognitiven Sicherheitssystemen eingesetzt wird, herangezogen. Im Allgemeinen zählen zu derartigen kognitiven Sicherheitssystemen zum Beispiel eine Verkehrszeichenerkennung, eine Fußgängererkennung oder Erkennung eines vorausfahrenden Verkehrs.

Das Dokument DE 10 2013 003 042 A1 konzentriert sich auf eine Gewinnung und einen Einsatz von Regelsätzen, welche dazu geeignet sind, eine Fahrzeugfunktion automatisch zu aktivieren, sobald bestimmte Bedingungen erfüllt sind. Diese Bedingungen ergeben sich aus einer Momentansituation des Fahrzeugs, welche mittels einer Sensorik des Fahrzeugs, wie einem Temperatursensor, Regensensor etc., er- fasst wird. In einer Vielzahl von Fahrzeugen wird eine Aktivierung einer Fahrzeugfunktion, zum Beispiel einer Heckscheibenheizung durch den Fahrer mit einer momentanen Situation des Fahrzeugs, etwa Außentemperatur geringer als 5° C und Regen, in Beziehung gesetzt und ein entsprechender Datensatz erzeugt. Der Datensatz wird an einen zentralen Server gesendet, wo für jede zu automatisierende Fahrzeugfunktion ein Regelsatz gebildet wird, welcher dann an das zu automatisierende Kraftfahrzeug übermittelt wird. Somit ist es möglich, dass sich in einem anderen Fahrzeug unter ähnlichen, insbesondere gleichen Bedingungen die zu dem anderen Fahrzeug gehörende Heckscheibenheizung, ohne ein Zutun eines Fahrers oder eine Anlernphase des anderen Fahrzeugs, aktiviert, da es über den Regelsatz verfügt.

Aufgabe der vorliegenden Erfindung ist es, das Verhalten von menschlichen Fahrern in Kraftfahrzeugen mit einer besonders hohen Detailtiefe nutzbar zu machen.

Diese Aufgabe wird erfindungsgemäß durch ein Verfahren sowie durch ein System mit den Merkmalen der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen mit zweckmäßigen Weiterbildungen der Erfindung sind in den übrigen Patentansprüchen angegeben. Bei dem erfindungsgemäßen Verfahren zum Betreiben zumindest eines Kraftfahrzeugs wird zunächst ein Datensatz bereitgestellt, welcher ein Fahrzeugumfeld, ein Fahrerverhalten und die Bewegung des Kraftfahrzeugs charakterisiert. Das bedeutet, dass in dem Datensatz Umgebungsdaten des Fahrzeugs gespeichert werden. Beispielsweise können die Umgebungsdaten Daten über eine Bebauung der Umgebung bzw. des Umfelds des Kraftfahrzeugs enthalten, ob sich in der Nähe des Fahrzeuges weitere Verkehrsteilnehmer befinden und welcher Art diese sind (z. B. weitere Kraftfahrzeuge, Fußgänger, Radfahrer etc.), ob Markierungen auf der Fahrbahn vorhanden sind und welcher Art diese sind (z. B. Leitlinien, Warnlinien, Seitenbegrenzungslinien etc.), und/oder welche Umweltbedingungen herrschen (z. B. Helligkeit, Temperatur, Niederschlag etc.).

Ferner können in dem Datensatz Fahrerverhaltensdaten des Fahrers gespeichert werden. Die Fahrerverhaltensdaten umfassen Daten, welche unter anderem zumindest eine Fahreraktion charakterisieren. Beispielsweise können die Fahrerverhaltensdaten Daten über eine Beschleunigung und/oder Geschwindigkeit enthalten, mit welcher der Fahrer jeweils das Lenkrad (Lenkradbeschleunigung bzw. -geschwindigkeit), das Bremspedal und/oder das Gaspedal bewegt bzw. betätigt (Brems- bzw. Gaspedalbeschleunigung bzw. -geschwindigkeit), wie schnell der Fahrer zwischen den einzelnen Pedalen wechselt, ob der Fahrer eine Fahrzeugfunktion (z. B. Fahrtrichtungsanzeiger (Blinker), Fahrlicht etc.) aktiviert oder deaktiviert, welche Sitzanlageneinstellung der Fahrer gewählt hat und/oder ob der Fahrer eine Fahrstufe (Gang) wechselt und gegebenenfalls welche Fahrstufe der Fahrer wählt. Die Fahrerverhaltensdaten können auch weitere Daten enthalten, beispielsweise ob ein Fahrer Müdigkeitserscheinungen aufweist oder ob der Fahrer von einem Steuern des Kraftfahrzeugs abgelenkt ist, z. B. durch das Bedienen eines Fahrzeug-Infotainment-Systems oder eines Mobiltelefons.

Weiter können in dem Datensatz Bewegungsdaten des Kraftfahrzeugs gespeichert werden. Beispielsweise können die Bewegungsdaten Daten über Geschwindigkeiten und/oder Beschleunigungen enthalten, wobei jeweils eine der Geschwindigkeiten und jeweils eine der Beschleunigungen einer von drei Hauptachsen des Fahrzeugs, nämlich einer Längsachse, einer Querachse oder einer Hochachse zugeordnet sind. Dadurch können jeweils eine Translationsgeschwindigkeit entlang der Längsachse (Längsgeschwindigkeit), entlang der Querachse (Quergeschwindigkeit) und entlang der Hoch- achse (Vertikalgeschwindigkeit) sowie jeweils eine Rotationsgeschwindigkeit um die Längsachse (Wanken), um die Querachse (Nicken) und um die Hochachse (Gieren) in den Bewegungsdaten gespeichert werden. Des Weiteren können in den Bewegungsdaten Daten über jeweils den Geschwindigkeiten zugeordneten Beschleunigungen gespeichert werden, beispielsweise Längs-, Quer-, Vertikal-, Wank-, Nick- und/oder Gierbeschleunigung.

Zudem werden zumindest zwei der folgenden Typen basierend auf dem bereitgestellten Datensatz ermittelt: Straßentyp einer mit dem Kraftfahrzeug befahrenen Straße, Fahrmanövertyp eines mittels des Kraftfahrzeugs durchgeführten Fahrmanövers, Fahrertyp eines das Kraftfahrzeug steuernden Fahrers. Mit anderen Worten wird der bereitgestellte Datensatz dahingehend ausgewertet, von welchem Typ eine Straße ist, worauf das Kraftfahrzeug gefahren wird. Beispielsweise kann ein erstes Auswerteergebnis einen Straßentyp Autobahn, einen Straßentyp Landstraße, einen Straßentyp Stadtstraße etc. ergeben. Eine weitere Untergliederung der Straßentypen ist denkbar, so kann es sich zum Beispiel als vorteilhaft erweisen, zu unterscheiden, ob eine Autobahn innerhalb oder außerhalb einer Ortsgrenze verläuft oder ob eine besondere Verkehrszone, z. B. eine Tempo-30-Zone, ein verkehrsberuhigter Bereich o. Ä., vorliegt.

Der Datensatz wird außerdem dahingehend ausgewertet, von welchem Typ ein Fahrmanöver ist, welches mittels des Kraftfahrzeugs durchgeführt wird. Beispielsweise kann ein zweites Auswerteergebnis einen Fahrmanövertyp Überholen, einen Fahrmanövertyp Folgefahrt, einen Fahrmanövertyp Abbiegen, einen Fahrmanövertyp Rückwärtsein- parken etc. ergeben.

Ferner wird der Datensatz dahingehend ausgewertet, von welchem Typ ein Fahrer ist, welcher das Kraftfahrzeug steuert. Beispielsweise kann ein drittes Auswerteergebnis einen Fahrertyp schnell fahrender Fahrer, einen Fahrertyp langsam fahrender Fahrer, einen Fahrertyp ökonomisch fahrender Fahrer, einen Fahrertyp unsicher fahrender Fahrer etc. ergeben.

Unter einem Fahrer des Typs schnell fahrender Fahrer kann ein Fahrer verstanden werden, der ein üblicherweise als sportliches bezeichnetes Fahrerverhalten an den Tag legt. Ferner kann unter einem schnell fahrenden Fahrer verstanden werden, dass der Fahrer möglichst wenig Zeit aufwenden möchte, um mittels des Fahrzeugs von einem Start zu einem Ziel zu gelangen. Der Fahrertyp des schnell fahrenden Fahrers kann also einen Fahrer repräsentieren, der ein sportliches Fahrverhalten zeigt, und/oder einen Fahrer, der eine möglichst schnelle Zielerreichung realisieren möchte.

Anschließend folgt ein Bilden einer Gruppierung, welche zumindest zwei der ermittelten Typen umfasst. Beispielsweise kann die Gruppierung einen Straßentyp und einen Fahrmanövertyp, einen Fahrmanövertyp und einen Fahrertyp oder einen Fahrertyp und einen Straßentyp aufweisen. Oder aber die Gruppierung umfasst eine Zusammenstellung aus den drei Typen. So ergibt sich eine Vielzahl von möglichen Gruppierungen, zum Beispiel eine erste Gruppierung, der der Straßentyp Autobahn, der Fahrmanövertyp Überholen und der Fahrertyp schnell fahrender Fahrer zugeordnet sind, eine zweite Gruppierung, der der Straßentyp Stadtstraße und der Fahrertyp schnell fahrender Fahrer zugeordnet sind, etc.

Des Weiteren erfolgt ein Bereitstellen eines der Gruppierung zugeordneten initialen, anpassbaren künstlichen neuronalen Netzwerks in einer Recheneinheit des Kraftfahrzeugs, wobei in dem initialen, anpassbaren künstlichen neuronalen Netzwerk ein bestimmtes Fahrerverhalten für die Gruppierung vordefiniert ist. Das heißt, in einer geeigneten Recheneinheit des Kraftfahrzeugs, welche beispielsweise als ein Steuergerätsystem ausgeführt sein kann, ist ein auf einem künstlichen neuronalen Netzwerk basierendes Computerprogramm implementiert, welches üblicherweise als künstliches neuronales Netzwerk bezeichnet wird. Beispielsweise kann das künstliche neuronale Netzwerk herstellerseitig in das Kraftfahrzeug integriert werden, insbesondere bei der Herstellung des Kraftfahrzeugs oder mittels einer Servereinrichtung auf das hergestellte Kraftfahrzeug übermittelt werden. Dieses künstliche neuronale Netzwerk ist anpassbar und weist zunächst eine initiale Konfiguration bzw. Programmierung auf, wodurch das anpassbare künstliche neuronale Netzwerk in der Lage ist, eine tatsächliche Fahrsituation, welche sich aus der Auswertung des Straßentyps, des Fahrmanövertyps und/oder des Fahrertyps ergibt, zu erkennen und eine der tatsächlichen Fahrsituation entsprechende Fahreraktion zu erwarten. Beispielsweise existiert in dem Kraftfahrzeug ein initiales, anpassbares künstliches neuronales Netzwerk, das zu einer Fahrsituation gehört, welcher eine Gruppierung mit dem Straßentyp Autobahn, dem Fahrmanövertyp Überholen und dem Fahrertyp schnell fahrender Fahrer zugeordnet ist. Für diese Fahr- Situation kann das initiale, anpassbare künstliche neuronale Netzwerk beispielsweise unter anderem erwarten, dass der Fahrer zunächst den Fahrtrichtungsanzeiger aktiviert, und nach einer bestimmten Zeitspanne wieder deaktiviert.

Weiter folgt ein Vergleichen des tatsächlichen Fahrerverhaltens des Fahrers mit dem in dem anpassbaren künstlichen neuronalen Netzwerk vordefinierten Fahrerverhalten und Anpassen des anpassbaren künstlichen neuronalen Netzwerks in Abhängigkeit von dem durchgeführten Vergleich mittels der Recheneinheit des Kraftfahrzeugs. Anders ausgedrückt, erfolgt mittels der Recheneinheit, ein Anpassungsvorgang, bei welchem das zunächst initiale, anpassbare künstliche neuronale Netzwerk programmiert wird, bzw. bei welchem das zunächst initiale, anpassbare künstliche neuronale Netzwerk sich selbst programmiert, indem ein Vergleich zwischen einer realen Fahreraktion und einer von dem initialen, anpassbaren künstlichen neuronalen Netzwerk erwarteten Fahreraktion stattfindet. Basierend auf dem Ergebnis des Vergleichs wird die erwartete Fahreraktion angepasst, sodass die erwartete Fahreraktion bei einem erneuten Auftreten einer besonders ähnlichen, insbesondere einer gleichen Fahrsituation der realen Fahreraktion möglichst ähnlich ist. Das durch den Anpassungsvorgang erstmalig veränderte bzw. angepasste künstliche neuronale Netzwerk ist nun nicht mehr initial. Durch mehrfaches Wiederholen des Anpassungsvorgangs lernt das anpassbare künstliche neuronale Netzwerk ein Fahrerverhalten für eine bestimmte Fahrsituation zu erwarten, das nach und nach immer weniger von dem tatsächlichen Fahrerverhalten eines menschlichen Fahrers für die bestimmte Fahrsituation abweicht.

Der Anpassungsvorgang kann beispielsweise so ablaufen: Bei einer tatsächlichen Fahrsituation, bei welcher der Straßentyp Autobahn, der Fahrmanövertyp Überholen und der Fahrertyp schnell fahrender Fahrer erkannt worden sind, wird ermittelt, dass der Fahrer das Gaspedal des Kraftfahrzeugs mit einer tatsächlichen Gaspedalbeschleunigung bewegt bzw. betätigt, welche von der erwarteten Gaspedalbeschleunigung abweicht. Das anpassbare künstliche neuronale Netzwerk kann also einen Unterschied zwischen der erwarteten und der tatsächlichen Gaspedalbeschleunigung ermitteln. Das anpassbare künstliche neuronale Netzwerk korrigiert die erwartete Gaspedalbeschleunigung entsprechend dem Unterschied, sodass eine angepasste erwartete Gaspedalbeschleunigung in dem anpassbaren künstlichen neuronalen Netzwerk hinterlegt ist, wonach der Anpassungsvorgang beendet wird.

Für eine eventuelle, dem Anpassungsvorgang nachfolgende Fahrsituation, bei welcher ebenfalls der Straßentyp Autobahn, der Fahrmanövertyp Überholen und der Fahrertyp schnell fahrender Fahrer erkannt worden ist, wird der Anpassungsvorgang erneut gestartet. So wird ein weiterer Unterschied aus einer erneuten, tatsächlichen Gaspedalbeschleunigung und der nun angepassten, erwarteten Gaspedalbeschleunigung ermittelt. Basierend auf dem weiteren Unterschied wird analog zu dem oben beschriebenen Anpassungsvorgang das anpassbare künstliche neuronale Netzwerk erneut angepasst.

Der Anpassungsvorgang kann sooft wiederholt werden, das heißt, das entsprechende künstliche neuronale Netzwerk lernt solange, bis das entsprechende künstliche neuronale Netzwerk ausgelernt hat. Das kann bedeuten, dass eine hinreichende geringe Abweichung zwischen dem erwarteten und dem tatsächlichen Fahrerverhalten z. B. durch das anpassbare künstliche neuronale Netzwerk festgestellt wird oder dass das anpassbare künstliche neuronale Netzwerk eine Anweisung erhält, sich nicht weiter anzupassen.

Ein wesentlicher Aspekt der Erfindung besteht darin, dass eine Gruppierung gebildet wird, welche zumindest zwei der ermittelten Typen umfasst. Dadurch wird das Verhalten von menschlichen Fahrern in Kraftfahrzeugen mit einer besonders hohen Detailtiefe nutzbar gemacht.

In einer weiteren Ausführungsform der vorliegenden Erfindung ist vorgesehen, dass, solange eine tatsächliche Fahrsituation der Typen der Gruppierung entspricht, das Vergleichen des tatsächlichen Fahrerverhaltens des Fahrers mit dem in dem künstlichen neuronalen Netzwerk definierten Fahrerverhalten und Anpassen des künstlichen neuronalen Netzwerks in Abhängigkeit von dem durchgeführten Vergleich erfolgen. Mit anderen Worten wertet das in dem Kraftfahrzeug vorhandene, anpassbare künstliche neuronale Netzwerk den Datensatz, welcher insbesondere als ein Datenstrom ausgebildet sein kann, während der Fahrt fortlaufend aus. Das bedeutet, dass der oben beschriebene Anpassungsvorgang für das anpassbare künstliche neuronale Netzwerk mit einem geringen, vorzugsweise ohne einen Zeitverzug, insbesondere bereits während des Fahrbetriebs erfolgt. Dadurch kann sich das anpassbare künstliche neuronale Netzwerk besonders schnell an das erwartete Fahrerverhalten anpassen.

Alternativ oder zusätzlich ist es bei der vorliegenden Erfindung auch möglich, dass der Datensatz gespeichert wird und im Nachhinein zumindest ein Anteil des Datensatzes ausgewählt wird, wobei in dem Anteil eine tatsächliche Fahrsituation der Typen der Gruppierung entspricht, und anhand des Anteils das Vergleichen des tatsächlichen Fahrerverhaltens des Fahrers mit dem in dem künstlichen neuronalen Netzwerk definierten Fahrerverhalten und Anpassen des künstlichen neuronalen Netzwerks in Abhängigkeit von dem durchgeführten Vergleich erfolgen. Anders ausgedrückt wird der bei der Fahrt des Kraftfahrzeugs erfasste Datensatz bzw. Datenstrom während der Fahrt des Kraftfahrzeugs in dem Kraftfahrzeug zumindest solange vorgehalten, bis zumindest ein Anpassungsvorgang erfolgt ist. Hierzu wird, beispielsweise nach einer Beendigung der Fahrt, der Datensatz dahingehend untersucht, ob sich unter den in dem Datensatz gespeicherten Fahrsituationen solche befinden, welche der Gruppierung entsprechen. Es wird also zumindest eine Fahrsituationen identifiziert, bei welcher beispielsweise der Straßentyp Autobahn, der Fahrmanövertyp Überholen und der Fahrertyp schnell fahrender Fahrer erkannt worden sind, falls der Gruppierung der Straßentyp Autobahn, der Fahrmanövertyp Überholen und der Fahrertyp schnell fahrender Fahrer zugeordnet sind. Dann wird die identifizierte Fahrsituation mit der Gruppierung verglichen, das heißt, die in dem Datensatz gespeicherte Fahreraktion mittels des anpassbaren, künstlichen neuronalen Netzwerks mit der in der Gruppierung hinterlegten, erwarteten Fahreraktion, wird verglichen, sodass ein Anpassungsvorgang wie oben beschrieben ausgeführt wird.

Hierbei ergibt sich zum Beispiel der Vorteil, dass eine Vielzahl von durch den Fahrer ausgeführten Fahreraktionen in den Anpassungsvorgang einfließen kann, wodurch ein besonders niedriger Rechenaufwand zu betreiben ist, bis eine hinreichende geringe Abweichung zwischen dem erwarteten und dem tatsächlichen Fahrerverhalten festgestellt wird. Des Weiteren kann ein Filtern erfolgen, wodurch die gespeicherten Fah- reraktionen vor dem Anpassungsvorgang untersucht werden, ob sie in den Anpassungsvorgang einfließen sollen oder nicht.

In weiterer vorteilhafter Ausgestaltung der Erfindung ist es vorgesehen, dass das Bereitstellen des Datensatzes erfolgt, indem Daten von zumindest einer der folgenden Einrichtungen des Kraftfahrzeugs erfasst werden: ein Navigationssystem, ein Kamerasystem, ein Radarsensorsystem, ein Sensorsystem zur Erfassung einer Fahrzeugbewegung, ein Sensorsystem zur Erfassung des Fahrerverhaltens. Das bedeutet, dass in dem Kraftfahrzeug verbaute Einrichtungen zum Erfassen der Daten genutzt werden, anhand welcher der Datensatz erstellt wird. Beispielsweise können von dem Navigationssystem bereitgestellte Daten zur Ermittlung der Längsgeschwindigkeit des Kraftfahrzeugs herangezogen werden, genauso wie für eine Routenplanung.

Das Kamerasystem, das eine Vielzahl von Kameras aufweisen kann, welche auf Insassen des Kraftfahrzeugs oder auf die Umgebung des Kraftfahrzeugs ausgerichtet sein können, kann neben der Datenerfassung für Fahrerassistenzsysteme auch zur Datenerfassung des Fahrerverhaltens genutzt werden. Ein beispielsweise für den Abstandsregeltempomat genutztes Radarsensorsystem kann neben der Erkennung des das Kraftfahrzeug umgebenden Verkehrs ebenfalls dazu benutzt werden, Daten über eine Bebauung des Fahrzeugumfeldes zu erfassen.

Das Sensorsystem zur Erfassung einer Fahrzeugbewegung kann erstens bei einem Detektieren eines das Kraftfahrzeug betreffenden Unfalls angewendet werden und zweitens bei der Erfassung des Fahrmanövers angewendet werden.

Für eine Müdigkeitserkennung wird üblicherweise das Sensorsystem zur Erfassung des Fahrerverhaltens herangezogen, welches alternativ oder zusätzlich bei der Aufnahme von Geschwindigkeiten und/oder Beschleunigungen, die an dem Lenkrad oder den Pedalen anliegen, eingesetzt werden kann.

Also verfügen die Einrichtungen über eine Mehrfachfunktionalität, wodurch sie besonders kosteneffizient eingesetzt werden können. Gemäß einer weiteren vorteilhaften Ausführungsform der vorliegenden Erfindung ist es vorgesehen, dass das Ermitteln des Straßentyps erfolgt, indem der bereitgestellte Datensatz zumindest hinsichtlich einer Ortsangabe aus Kartendaten des Navigationssystems ausgewertet wird. Beispielsweise können Kartendaten, welche Teil des Navigationssystems des Kraftfahrzeugs sind, für eine Routenplanung herangezogen werden, genauso wie für eine Erkennung, auf welchem Typ einer Straße sich das Kraftfahrzeug befindet. Dies bietet den Vorteil, dass ein Ermitteln des Typs der Straße, auf welchem sich das Kraftfahrzeug befindet bzw. auf welchem das Kraftfahrzeug gefahren wird, verifiziert werden kann.

In einer weiteren Ausführungsform der vorliegenden Erfindung ist vorgesehen, dass das Ermitteln des Fahrertyps erfolgt, indem der bereitgestellte Datensatz zumindest hinsichtlich eines der folgenden Charakteristika ausgewertet wird: Anteil der jeweils befahrenen Straßen der jeweiligen Straßentypen, ein Geschwindigkeits- und Beschleunigungsverlauf bezüglich dreier Hauptachsen des Kraftfahrzeugs, ein Lenkradwinkel und ein Lenkradwinkelverlauf, eine jeweilige Pedalstellung eines Brems- und Gaspedals. Das heißt, dass das Ermitteln des Fahrertyps anhand eines oder einer Kombination aus zweien oder dreien der erwähnten Charakteristika erfolgt. Beispielsweise kann der Fahrertyp ermittelt werden, indem ausgewertet wird, von welchem Typ die Straßen sind, auf welchen der Fahrer hauptsächlich mittels des Kraftfahrzeugs fährt. So können zum Beispiel ein Fahrertyp Autobahnfahrer, ein Fahrertyp Stadtverkehrfahrer, ein Fahrertyp Landstraßenfahrer etc. identifiziert werden. Denkbar ist ebenso ein Mischtyp, z. B. ein Fahrertyp, welcher anteilig auf Autobahnen und Landstraßen fährt. Daneben können anhand der Geschwindigkeits- und Beschleunigungsverläufe beispielsweise die Fahrertypen schnell fahrender Fahrer, langsam fahrender Fahrer, ökonomisch fahrender Fahrer etc. ermittelt werden. Typischerweise treten zum Beispiel bei einem schnell fahrenden Fahrer häufiger hohe Querbeschleunigungen auf als bei einem langsam fahrenden Fahrer. Mittels einer Auswertung des Lenkradwinkels bzw. Lenkradwinkelverlaufs kann erkannt werden, ob der Fahrer schnell bzw. ruckartig oder sanft Lenkbewegungen ausführt, wodurch z. B. eine Zuordnung zu dem Typ schnell fahrender Fahrer oder langsam fahrender Fahrer erfolgen kann. Eine Zuordnung zu dem Typ schnell fahrender Fahrer oder langsam fahrender Fahrer kann in analoger Weise erfolgen, indem die jeweilige Pedalstellung des Gas- bzw. Bremspedals und die Beschleunigungen sowie Ge- schwindigkeiten, mit welchen die jeweiligen Pedale jeweils betätigt werden ausgewertet werden.

Ein Fahrer kann neben den genannten Fahrertypen beispielsweise auch dem Fahrertyp unsicher fahrender Fahrer zugeordnet werden, falls die Auswertung des Datensatzes ergibt, dass das Fahrerverhalten besonders häufig zu einer zu korrigierenden Situation, insbesondere Notfallaktion des Fahrers führt. Eine solche Notfallaktion kann zum Beispiel besonders schnelle, ruckartige Lenkbewegungen, ein abruptes Abbrechen eines Überholvorgangs oder eine besonders starke Bremsung, insbesondere eine Notbremsung umfassen. Insbesondere kann der Fahrer als unsicher eingestuft werden, wenn das Fahrerverhalten zu einem Unfall, insbesondere zu einem Verkehrsunfall führt.

Dadurch dass das Verfahren eine besonders hohe Detailtiefe bei der Nutzbarmachung der Daten einsetzt, das heißt berücksichtigt wird, dass sich der Typ des Fahrers während einer Fahrt ändern kann, ist vorgesehen, dass der Fahrertyp fortlaufend, beispielsweise in einem bestimmten Zeitrhythmus oder bei einer Änderung des Straßentyps etc. erneut ermittelt und/oder verifiziert wird.

Eine Zuordnung des Fahrers zu einem bestimmten Fahrertyp ist damit unter Unterbleiben einer Abfrage einer Selbsteinschätzung des betreffenden Fahrers möglich, wodurch ein Einfließen von Fehleinschätzungen des Fahrers bezüglich seiner eigenen Fahrfertigkeiten in das vorliegende Verfahren unterbleibt.

Ferner hat es sich als vorteilhaft gezeigt, dass eine in dem Kraftfahrzeug vorgesehene Logik nicht lernwürdiges Fahrerverhalten erkennt und dieses von dem Anpassen des künstlichen neuronalen Netzwerks ausschließt. Führt also eine Fahreraktion zu einer zu korrigierenden Situation, insbesondere Notfallaktion des Fahrers, oder zu einem Unfall, insbesondere Verkehrsunfall, wird dies von der Logik erkannt, um zu verhindern, dass die der korrigierenden Situation oder dem Verkehrsunfall vorausgegangene Fahreraktion in den Anpassungsprozess einfließt. Mit anderen Worten ist vorgesehen, dass Fahreraktionen, die beispielsweise mit dem Fahrertyp unsicher fahrender Fahrer verknüpft sind, für einen Anpassungsvorgang des anpassbaren künstlichen neuronalen Netzwerks nicht herangezogen werden. So wird lediglich Verhalten von menschlichen Fahrern in Kraftfahrzeugen nutzbar gemacht, das für den Fahrer, das Kraftfahrzeug und/oder weitere Personen als sicher gilt.

Eine weitere Ausführungsform der Erfindung sieht vor, dass in dem Kraftfahrzeug verschiedene Gruppierungen vorgegeben werden, welche jeweils unterschiedliche Kombinationen der Typen aufweisen, wobei für die vorgegebenen Gruppierungen jeweilige initiale, anzupassende künstliche neuronale Netzwerke bereitgestellt werden, in welchen jeweils ein gruppierungsspezifisches initiales Fahrverhalten für die jeweilige Gruppierungen vordefiniert ist. Anders ausgedrückt kann eine Vielzahl von anpassbaren künstlichen neuronalen Netzwerken bereitgestellt sein, welche jeweils einer jeweiligen Gruppierung zugeordnet sind und zunächst eine initiale Konfiguration bzw. Programmierung aufweisen, wodurch die jeweiligen anpassbaren künstlichen neuronalen Netzwerke jeweils ein Fahrerverhalten erwarten, das gruppierungsspezifisch ist. Das heißt, dass die anpassbaren künstlichen neuronalen Netzwerke in der Lage sind, eine tatsächliche Fahrsituation, welche sich aus der Auswertung des Straßentyps, des Fahrmanövertyps und/oder des Fahrertyps ergibt, zu erkennen und eine dementspre- chende tatsächliche Fahreraktion erwarten. Den jeweiligen Gruppierungen sind voneinander unterschiedliche Kombinationen von Typen zugeordnet. Somit kann also vorgegeben werden, welche Fahrsituationen in das jeweils der zugehörigen Gruppierung zugeordnete, anzupassende künstliche neuronale Netzwerk eingehen sollen. Beispielsweise kann vorgegeben werden, dass lediglich das anzupassende künstliche neuronale Netzwerk angepasst wird, dass das Verhalten von menschlichen Fahrern bei einem innerstädtischen Überholvorgang lernt. Hierdurch wird ein gewünschter, besonders hoher Detaillierungsgrad erreicht, mit welchem das Verhalten menschlicher Fahrer in Kraftfahrzeugen nutzbar gemacht wird.

Eine vorteilhafte Ausführungsform der Erfindung sieht vor, dass mittels des zumindest einen Kraftfahrzeugs ein Übermitteln der jeweils vorhandenen, jeweils einer Gruppierung zugeordneten künstlichen neuronalen Netzwerke an eine Servereinrichtung erfolgt, nachdem diese angepasst worden sind. Hierbei kann das Übermitteln an die Servereinrichtung bzw. Hochladen von dem Kraftfahrzeug in die Servereinrichtung zum Beispiel erfolgen, wenn das Kraftfahrzeug mit einem fahrzeugherstellerei- genen Datenaustauschsystem, wie einem Fahrzeugdiagnosesystem drahtlos oder kabelgebunden verbunden wird. Besonders geeignet ist ein Hochladen, während sich das Kraftfahrzeug in einer Werkstatt befindet. Hierbei können ausgelernte künstliche neuronale Netzwerke, welche beispielsweise bestmöglich angepasst sind, aus dem Fahrzeug in die Servereinrichtung hochgeladen werden, genauso wie künstliche neuronale Netzwerke, die noch nicht ausgelernt haben. Bei einem Hochladen bzw. Übermitteln an die Servereinrichtung der jeweiligen künstlichen neuronalen Netzwerke kann eine Kopie davon in dem Kraftfahrzeug verbleiben. Geschieht eine derartige Übermittlung der jeweils in einem Kraftfahrzeug vorhandenen, jeweils einer Gruppierung zugeordneten künstlichen neuronalen Netzwerke öfter und/oder mittels einer Vielzahl von Kraftfahrzeugen, entsteht in der Servereinrichtung eine Sammlung, welche aus einer Vielzahl von angepassten künstlichen neuronalen Netzwerken besteht. Diese Sammlung kann in einer gewünschten Weise von Personal z. B. des Herstellers oder von geeigneten computergestützten Routinen weiter bearbeitet werden.

In weiterer vorteilhafter Ausgestaltung der Erfindung ist vorgesehen, dass ein Übermitteln des zumindest einen angepassten künstlichen neuronalen Netzwerks von der Servereinrichtung an zumindest ein Zielfahrzeug und ein Anwenden des zumindest einen angepassten künstlichen neuronalen Netzwerks in dem Zielfahrzeug erfolgt. Mit anderen Worten ausgedrückt, kann mindestens ein ausgelerntes künstliches neuronales Netzwerk in ein Kraftfahrzeug bzw. in eine Vielzahl von Kraftfahrzeugen heruntergeladen werden. Hierbei kann das Übermitteln an das jeweilige Kraftfahrzeug bzw. Herunterladen von der Servereinrichtung in das jeweilige Kraftfahrzeug zum Beispiel erfolgen, wenn das jeweilige Kraftfahrzeug jeweils mit einem fahrzeugherstellereigenen Datenaustauschsystem, wie einem Fahrzeugdiagnosesystem drahtlos oder kabelgebunden verbunden wird. Besonders geeignet ist eine Übermittlung an das jeweilige Kraftfahrzeug, während sich das jeweilige Kraftfahrzeug in einer Werkstatt befindet.

Des Weiteren erfolgt ein Anwenden des ausgelernten künstlichen neuronalen Netzwerks in dem Kraftfahrzeug, welches dazu eingerichtet ist, zumindest teilweise von dem ausgelernten künstlichen neuronalen Netzwerk gesteuert zu werden. Das heißt, das in das jeweilige Kraftfahrzeug heruntergeladene künstliche neuronale Netzwerk ist in der Lage, Tätigkeiten, die der menschliche Fahrer zum Steuern eines Kraftfahrzeugs durchführt, eventuell mithilfe geeigneter Einrichtungen des Kraftfahrzeugs zumindest teilweise zu übernehmen. Die Tätigkeiten können beispielsweise das Aktivieren und/oder Deaktivieren von Fahrzeugfunktionen, wie einem Fahrtrichtungsan- zeiger, einer Heizvorrichtung, einer Geschwindigkeitsregelanlage etc. und/oder Funktionen zum Steuern eines Fahrzeugmotors umfassen. Vorteilhaft hierbei ist, dass der Fahrer besonders entlastet wird.

Gemäß einer weiteren vorteilhaften Ausführungsform der Erfindung ist es vorgesehen, dass in der Servereinrichtung eine Bestenauslese erfolgt, indem je Gruppierung ein gewisser Prozentsatz der angepassten künstlichen neuronalen Netzwerke herausgefiltert wird und zumindest eines der herausgefilterten künstlichen neuronalen Netzwerke in dem Zielfahrzeug angewendet wird. Das bedeutet, dass beispielsweise die Sammlung in dem Server in einer Weise von einem Personal z. B. des Herstellers oder von geeigneten computergestützten Routinen weiter bearbeitet wird, sodass eine bestimmte Anzahl von gruppierungsspezifischen künstlichen neuronalen Netzwerken, welche bestimmten Kriterien, wie möglichst geringer Kraftstoffverbrauch, möglichst schnelle Zielerreichung, möglichst ökonomische Fahrweise etc., entsprechen, ausgewählt werden kann. Beispielsweise kann ein bestes künstliches neuronales Netzwerk hinsichtlich eines möglichst geringen Kraftstoffverbrauchs identifiziert und in ein Kraftfahrzeug oder eine Vielzahl von Kraftfahrzeugen heruntergeladen werden, worin das beste künstliche neuronale Netzwerk hinsichtlich des möglichst geringen Kraftstoffverbrauchs Tätigkeiten, die der menschliche Fahrer zum Steuern eines Kraftfahrzeugs durchführt, mithilfe geeigneter Einrichtungen des Kraftfahrzeugs zumindest teilweise zu übernehmen. Analog kann beispielsweise ein bestes künstliches neuronales Netzwerk hinsichtlich einer schnellstmöglichen Zielerreichung identifiziert und in ein Kraftfahrzeug oder eine Vielzahl von Kraftfahrzeugen heruntergeladen werden, worin das beste künstliche neuronale Netzwerk hinsichtlich der schnellstmöglichen Zielerreichung Tätigkeiten, die der menschliche Fahrer zum Steuern eines Kraftfahrzeugs durchführt, mithilfe geeigneter Einrichtungen des Kraftfahrzeugs zumindest teilweise zu übernehmen. Vorteilhaft hierbei ist, dass der Fahrer des Kraftfahrzeugs von den Tätigkeiten profitiert, welche die angepassten künstlichen neuronalen Netzwerke übernehmen, die von besonders fähigen Fahrern angepasst wurden.

Alternativ oder zusätzlich ist es auch möglich, dass das Anwenden zumindest eines angepassten künstlichen neuronalen Netzwerks in dem Zielfahrzeug erfolgt, indem das angepasste künstliche neuronale Netzwerk das Zielfahrzeug zumindest teilautonom steuert. Das heißt, dass das angepasste künstliche neuronale Netzwerk, welches beispielsweise in das Kraftfahrzeug heruntergeladen wurde, Tätigkeiten zum Steuern des Kraftfahrzeugs übernimmt, die geeignet sind, das Kraftfahrzeug insbesondere im Straßenverkehr zu fahren. Solche Tätigkeiten können zum Beispiel ein Beschleunigen, ein Bremsen, ein Lenken etc. umfassen. Dies wird, je nach Art und Menge der für den Fahrer übernommenen Tätigkeiten zum Steuern des Kraftfahrzeugs, als teilautonomes o- der autonomes Fahren bezeichnet. Das Kraftfahrzeug, welches also teilautonom oder autonom gesteuert wird, ist dadurch in der Lage in einem teilautonomen oder autonomen Betrieb betrieben zu werden.

Hierbei ist es möglich, dass der Fahrer des Kraftfahrzeugs einen Fahrertyp beispielsweise mittels einer Auswahleinrichtung auswählen kann, sodass das Kraftfahrzeug bei dem teilautonomen oder autonomen Betrieb des Kraftfahrzeugs ein dem ausgewählten Fahrertyp entsprechendes Fahrverhalten zeigt. Ferner kann eine Tätigkeit, die dem Fahrer des Kraftfahrzeugs abgenommen wird, das Auswählen einer von mehreren mittels des Navigationssystems vorgeschlagenen alternativen Routen sein. Das kann zum Beispiel bedeuten, dass, wenn der Fahrer den Fahrertyp schnell fahrender Fahrer ausgewählt hat bzw. wenn der Fahrertyp schnell fahrender Fahrer in dem Kraftfahrzeug aktiv ist, eine der vorgeschlagenen Routen mittels des künstlichen neuronalen Netzwerks ausgewählt wird, sodass ein besonders zeitnaher Ankunftszeitpunkt realisiert werden kann. Ist als Fahrertyp ökonomisch fahrender Fahrer in dem Kraftfahrzeug aktiv bzw. ausgewählt, wird z. B. eine alternative der vorgeschlagenen Routen ausgewählt oder eine alternative Route berechnet/vorgeschlagen, sodass für die Zielerreichung möglichst wenig Kraftstoff verbraucht wird.

Dadurch dass das angepasste künstliche neuronale Netzwerk diese Tätigkeiten übernimmt, wird der Fahrer besonders entlastet. Der Fahrer kann beispielsweise teilweise entlastet werden, indem der Fahrer das Lenken des Kraftfahrzeugs weiterhin überwacht und steuert, wobei das angepasste künstliche neuronale Netzwerk eine Geschwindigkeitsregelung des Kraftfahrzeugs übernimmt. Der Fahrer kann aber auch in einem höheren Maße entlastet, also aus dem Prozess des Steuerns des Kraftfahrzeugs herausgenommen werden. Insbesondere kann der Fahrer vollständig aus dem Prozess des Steuerns des Kraftfahrzeugs herausgenommen werden, sodass das Kraftfahrzeug letztendlich ohne Zutun des Fahrers im Straßenverkehr fährt, wobei sich der Fahrer anderen, insbesondere fahrfremden Tätigkeiten zuwenden kann, während das Kraftfahrzeug vollautonom an ein von dem Fahrer vorgegebenes Ziel fährt.

Ferner hat es sich als vorteilhaft gezeigt, dass das Anwenden zumindest eines angepassten künstlichen neuronalen Netzwerks in dem Zielfahrzeug erfolgt, indem das angepasste künstliche neuronale Netzwerk in eine Streckenführung des Navigationssystems eingreift. Das bedeutet, dass das angepasste künstliche neuronale Netzwerk, welches beispielsweise in das Kraftfahrzeug heruntergeladen wurde, erkennt, dass auf einer von dem Fahrer mittels des Navigationssystems des Kraftfahrzeugs vorgegebenen Route der Streckenführung bzw. Routenplanung ein Verkehrshindernis, z. B. ein Stau, eine Baustelle etc. vorliegt. Eine derartige Erkennung kann z. B. basierend auf Daten geschehen, welche von dem Navigationssystem des Kraftfahrzeugs bereitgestellt werden. Die Erkennung kann aber auch geschehen, indem von dem künstlichen neuronalen Netzwerk ausgewertet wird, wenn der Fahrer, abweichend von der Routenempfehlung des Navigationssystems, eine andere Route wählt, z. B. früher als erwartet von der Route abfährt, z. B. abbiegt. Das künstliche neuronale Netzwerk schlägt daraufhin eine alternative Route vor, welche auf den Anpassungen von Fahrern basiert, die zu einem früheren Zeitpunkt eine ähnliche, insbesondere die gleiche Route genutzt haben, um das Verkehrshindernis zu umfahren.

Eine vorteilhafte Ausführungsform der Erfindung sieht vor, dass in dem Zielfahrzeug je Gruppierung eine Vielzahl an angepassten künstlichen neuronalen Netzwerken mit jeweils mindestens einer gruppierungsspezifischen Steuerungsentscheidung eingesetzt ist, wobei, wenn eine tatsächliche Fahrsituation einer Gruppierung entspricht, ein Mehrheitsentscheider aus den einzelnen gruppierungsspezifischen Steuerentscheidungen der einzelnen, angepassten künstlichen neuronalen Netzwerken eine Gesamtsteuerentscheidung für das Zielfahrzeug fällt. Anders ausgedrückt umfasst das Kraftfahrzeug je Gruppierung eine Vielzahl an angepassten künstlichen neuronalen Netzwerken, welche jeweils in der Lage sind, Tätigkeiten des Fahrers zu übernehmen. Das heißt, die in dem Kraftfahrzeug eingesetzten, gruppierungsspezifischen angepassten künstlichen neuronalen Netzwerke schlagen bei einer tatsächlichen Fahrsituation, welcher der Gruppierung entspricht, jeweils eine Fahreraktion vor, sodass für die tatsächliche Fahrsituation eine Vielzahl an möglichen Steuerentscheidungen vorliegt. Einzelne Steuerentscheidungen können voneinander unterschied- lieh sein, sodass zum Finden einer Gesamtsteuerentscheidung ein Mehrheitsent- scheider eingesetzt wird, welcher die einzelnen Steuerentscheidungen miteinander vergleicht und z. B. die Steuerentscheidung, die am häufigsten vorgeschlagen wurde, als die Gesamtsteuerentscheidung identifiziert. Die identifizierte Gesamtsteuerentscheidung wird dann mithilfe der geeigneten Einrichtungen so umgesetzt, dass sich das Kraftfahrzeug entsprechend der Gesamtsteuerentscheidung verhält. Beispielsweise können bei einem Einsatz von zehn künstlichen neuronalen Netzwerken sechs davon vorschlagen, bei der tatsächlichen Fahrsituation den Blinker für fünf Sekunden zu aktivieren, wobei die vier anderen künstlichen neuronalen Netzwerke vorschlagen, den Blinker für drei Sekunden zu aktivieren. Dann wird der Blinker gemäß dem Ergebnis des Mehrheitsentscheiders für fünf Sekunden aktiviert.

Bei der derartigen Ausführungsform der Erfindung kann der Grad der Abweichung zwischen der erwarteten und der tatsächlichen Fahreraktion der einzelnen ausgelernten künstlichen neuronalen Netzwerke hoch sein, da der Mehrheitsentscheider eingesetzt ist, welcher ein Einfließen etwaiger Fehlentscheidungen einzelner künstlicher neuronaler Netzwerke in die Gesamtsteuerentscheidung verhindert. Dadurch entsteht der Vorteil, dass ein Rechenaufwand, der beispielsweise bei dem Anpassungsvorgang oder in der Servereinrichtung zu leisten wäre, zumindest teilweise entfallen kann, welcher für das Erzeugen von einem künstlichen neuronalen Netzwerk aufgewendet werden müsste, das eine Gesamtsteuerentscheidung ähnlicher, insbesondere gleicher Qualität fällt.

Die vorliegende Erfindung sieht zudem ein System zum Betreiben zumindest eines Kraftfahrzeugs vor, welches dazu eingerichtet ist, das erfindungsgemäße Verfahren oder eine vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens sind als vorteilhafte Ausgestaltungen des erfindungsgemäßen Systems anzusehen, wobei das System insbesondere Mittel zur Durchführung der Verfahrensschritte umfasst.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele sowie anhand der Zeichnungen. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten Merkmale und Merkmalskombinationen sind dabei nicht nur in Alleinstellung sondern auch in Kombination untereinander verwendbar, ohne den Rahmen der Erfindung zu verlassen.

Die Zeichnung zeigt in:

Fig. 1 einen Ablaufplan, in welchem die Schritte eines Verfahrens zum Betreiben zumindest eines Kraftfahrzeugs dargestellt sind;

Fig. 2 eine weitere Ausführungsform des Verfahrens, wobei ein Anpassungsvorgang mit einem Zeitverzug erfolgt;

Fig. 3 das Kraftfahrzeug einer weiteren Ausbildungsform des Verfahrens, wobei

Einrichtungen des Kraftfahrzeugs gezeigt sind;

Fig. 4 das Kraftfahrzeug einer weiteren Ausbildungsform des Verfahrens, wobei künstliche neuronale Netzwerke jeweils zugehörigen Gruppierungen zugeordnet sind; eine weitere Ausbildungsform des Verfahrens, wobei die künstlichen neuronalen Netzwerke zwischen einer Servereinrichtung und dem Kraftfahrzeug übermittelt werden;

Fig. 6 die Servereinrichtung, in welcher eine Bestenauslese der künstlichen neuronalen Netzwerke erfolgt;

Fig. 7 eine Straße, auf welcher das Kraftfahrzeug gemäß einer weiteren Ausbildungsform des Verfahrens zumindest teilautonom gesteuert wird;

Fig. 8 einen Vorgang, bei welchem das künstliche neuronale Netzwerk aktiv in eine

Routenplanung eingreift;

Fig. 9 eine weitere Ausführungsform des Verfahrens, bei welchem ein Mehrheits- entscheider eingesetzt ist; und Fig. 10 ein System zum Betreiben des Kraftfahrzeugs.

In den Figuren werden gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.

Das Verfahren zum Betreiben zumindest eines erstmalig in Fig. 2 gezeigten Kraftfahrzeugs 20 ist in Fig. 1 in einem Ablaufplan dargestellt. Das Verfahren umfasst einen Schritt S1 , welcher ein Bereitstellen eines Datensatzes 10 ausführt, welcher ein Fahrzeugumfeld, ein Fahrerverhalten und die Bewegung des Kraftfahrzeugs 20 charakterisiert. Um diese Charakterisierung durchzuführen, stehen Eingangsdatensätze, beispielsweise ein Fahrzeugumfelddatensatz 12, ein Fahrerverhaltensdatensatz 14 und/oder ein Fahrzeugbewegungsdatensatz 1 6 bereit.

Hierbei enthält der Fahrzeugumfelddatensatz 12 beispielsweise Daten über eine Bebauung der Umgebung bzw. des Umfelds des Kraftfahrzeugs 20, sodass ermittelt werden kann, ob sich zum Beispiel neben einer mittels des Kraftfahrzeugs 20 befahrenen Fahrbahn eine Gehbahn, ein Radweg oder Baustrukturen (z. B. Gebäude, Tunnelwandungen, passive Schutzstrukturen, wie Schutzplanken oder Betonwälle) befinden. Ferner können in dem Fahrzeugumfelddatensatz 12 Daten über Bedingungen in der Umwelt des Kraftfahrzeugs 20 hinterlegt sein, beispielsweise Informationen über eine Helligkeit, eine Außentemperatur einen Niederschlag etc. Mittels einer Auswertung der Daten, welche in dem Fahrzeugumfelddatensatz 12 gespeichert sind, lässt sich das Fahrzeugumfeld charakterisieren.

Der Fahrerverhaltensdatensatz 14 enthält Daten, welche ein Verhalten eines Fahrers beschreiben, welcher sich in dem Kraftfahrzeug 20 befindet, wobei der Fahrer auch Tätigkeiten zum Steuern des Kraftfahrzeugs 20 ausführen kann. Ein Fahrerverhalten umfasst eine Aktion, welche der Fahrer ausführt (Fahreraktion), auf welche Weise die Aktion ausgeführt wird, ob der Fahrer Müdigkeitserscheinungen zeigt, ob der Fahrer abgelenkt ist, ob der Fahrer konzentriert ist und/oder weitere Informationen, die Auf- schluss über das Fahrerverhalten geben. Mittels einer Auswertung der Daten, welche in dem Fahrerverhaltensdatensatz 14 gespeichert sind, lässt sich das Fahrerverhalten charakterisieren. In dem Fahrzeugbewegungsdatensatz 16 sind Daten enthalten, mittels welcher sich eine Gesamtbewegung des Kraftfahrzeugs 20 insbesondere vollständig beschreiben lässt. Die Gesamtbewegung des Kraftfahrzeugs 20 wird üblicherweise an einem System dreier Hauptachsen, nämlich einer Längs-, einer Quer- und einer Hochachse aufgeteilt, welche jeweils durch das Kraftfahrzeug 20 verlaufen und sich in einem Punkt, z. B. Masseschwerpunkt des Kraftfahrzeugs 20 schneiden. Das heißt, die Gesamtbewegung kann entlang der Längsachse eine Längsgeschwindigkeit bzw. -beschleuni- gung, entlang der Querachse eine Quergeschwindigkeit bzw. -beschleunigung und/oder entlang der Hochachse eine Vertikalgeschwindigkeit bzw. -beschleunigung umfassen. Ferner kann die Gesamtbewegung um die Längsachse eine Wankgeschwindigkeit bzw. -beschleunigung, um die Querachse eine Nickgeschwindigkeit bzw. -beschleunigung und/oder um die Hochachse eine Giergeschwindigkeit bzw. -beschleunigung umfassen. Ferner können auch Daten über eventuell vorhandene Schwingungen entlang bzw. um die jeweilige Hauptachse in dem Fahrzeugbewegungsdatensatz 16 hinterlegt sein. Mittels einer Auswertung der Daten, welche in dem Fahrzeugbewegungsdatensatz 14 gespeichert sind, lässt sich die Fahrzeugbewegung charakterisieren.

Indem die Eingangsdatensätze kombiniert werden, wird ein Datensatz erzeugt, welcher für die folgenden Schritte des Verfahrens bereitgestellt wird.

In Fig. 1 sind ferner der Teilschritt S2a, der Teilschritt S2b und der Teilschritt S2c abgebildet, welche jeweils einen Teilschritt des ebenfalls in Fig. 1 abgebildeten Schritts S2 des Verfahrens zum Betreiben zumindest eines Kraftfahrzeugs 20 bilden. In dem Schritt S2 werden insbesondere gleichzeitig in dem Teilschritt S2a ein Straßentyp, in dem Teilschritt S2b ein Fahrmanövertyp und/oder in dem Teilschritt S2c ein Fahrertyp ermittelt. Insbesondere werden mindestens zwei der erwähnten Typen ermittelt.

Bei einem Ermitteln des Straßentyps im Teilschritt S2a wird der in Schritt S1 bereitgestellte Datensatz dahingehend ausgewertet, von welchem Typ die Straße ist, auf welcher mit dem Kraftfahrzeug 20 gefahren wird. Beispielsweise ist der Straßentyp einer Autobahn möglich, welche sich unter anderem durch hohe Längsgeschwindigkeiten der darauf fahrenden Kraftfahrzeuge, eine mehrstreifigen Ausbildung von Fahrbahnen, eine bauliche Trennung der Fahrbahnen und eine autobahnspezifische Beschilderung aus- zeichnen kann. Ferner ist der Straßentyp einer Landstraße möglich, welche sich unter anderem durch eine Längsgeschwindigkeit der darauf fahrenden Kraftfahrzeuge von bis zu etwa 100 Stundenkilometern, einen kurvigen Fahrbahnverlauf und das Vorhandensein von Straßenkreuzungen auszeichnen kann. Darüber hinaus ist der Straßentyp einer Stadtstraße möglich, welche sich unter anderem durch geringe Längsgeschwindigkeiten der darauf fahrenden Kraftfahrzeuge, eine Vielzahl an Gebäuden neben der Fahrbahn und durch das Vorhandensein weiterer Personen auf und/oder neben der Fahrbahn auszeichnen kann. Weitere Straßentypen sind denkbar.

Bei einem Ermitteln des Fahrmanövertyps im Teilschritt S2b wird der in Schritt S1 bereitgestellte Datensatz dahingehend ausgewertet, von welchem Typ das Fahrmanöver ist, welches mittels des Kraftfahrzeugs 20 ausgeführt wird. Beispielsweise ist der Fahrmanövertyp einer Folgefahrt möglich, bei welcher das Kraftfahrzeug 20 hinter einem weiteren Verkehrsteilnehmer hergefahren wird, wobei das Kraftfahrzeug 20 denselben Fahrstreifen benutzt wie der weitere Verkehrsteilnehmer. Ferner ist ein weiterer Fahrmanövertyp eines Überholens möglich, bei welchem das Kraftfahrzeug 20 an einem weiteren Verkehrsteilnehmer vorbeifährt, wobei das Kraftfahrzeug 20 einen anderen Fahrstreifen benutzt als der weitere Verkehrsteilnehmer. Außerdem ist ein weiterer Fahrmanövertyp eines Abbiegens möglich, bei welchem mittels des Kraftfahrzeugs 20 eine Fahrtrichtungsänderung an Kreuzungen oder Einmündungen ausgeführt wird. Weitere Fahrmanövertypen sind denkbar.

Bei einem Ermitteln des Fahrertyps im Teilschritt S2c wird der in Schritt S1 bereitgestellte Datensatz dahingehend ausgewertet, von welchem Typ der Fahrer ist, welcher das Kraftfahrzeug 20 steuert. Beispielsweise ist der Fahrertyp eines schnell fahrenden Fahrers möglich, welcher sich unter anderem durch ein häufiges Ausreizen einer maximal zulässigen Höchstgeschwindigkeit, schnelles Einlenken bei Kurven und häufige Wechsel von einem auf einen anderen Fahrstreifen auszeichnen kann. Ferner ist der Fahrertyp eines langsam fahrenden Fahrers möglich, welcher sich unter anderem durch ein langsames Fahren, seltene Wechsel von einem auf einen anderen Fahrstreifen und ein langsames Einlenken bei Kurven auszeichnen kann. Weitere Fahrertypen sind denkbar. Ein Schritt S3 ist ebenfalls in Fig. 1 gezeigt. In dem Schritt S3 wird aus den in Schritt S2 ermittelten Typen, also Straßentyp, Fahrmanövertyp und Fahrertyp, eine Gruppierung 38 (in Fig. 1 nicht dargestellt, erstmalig gezeigt in Fig. 4) gebildet, wobei die Gruppierung 38 mindestens zwei jeweils voneinander unterschiedliche Typen aufweist. So kann beispielsweise jeweils aus einem Straßentyp und einem Fahrertyp, einem Fahrertyp und einem Fahrmanövertyp und/oder aus einem Fahrmanövertyp und einem Straßentyp eine Gruppierung 38 gebildet werden. Ferner kann die Gruppierung 38 auch gebildet werden, indem sie einen Straßen-, einen Fahrmanöver- und einen Fahrertyp umfasst.

In einem Schritt S4, welcher in Fig. 1 . abgebildet ist, wird ein künstliches neuronales Netzwerk 22 (nicht in Fig. 1 dargestellt, erstmalig in Fig. 2 gezeigt) in dem Kraftfahrzeug 20, insbesondere in einer Recheneinheit 18, z. B. in einem Steuergerätsystem bereitgestellt. Das Steuergerätsystem kann beispielsweise ausgebildet sein, Funktionen und/oder Zustände des Kraftfahrzeugs 20 zu überwachen und/oder auszulösen. Dem künstlichen neuronalen Netzwerk 22 wird der Datensatz 10 bereitgestellt bzw. das künstliche neuronale Netzwerk 22 hat Zugriff auf den Datensatz 10. Des Weiteren ist das künstliche neuronale Netzwerk 22 anpassbar und einer bestimmten Gruppierung 38 zugeordnet. Das bedeutet, dass in dem Kraftfahrzeug 20 ein anpassbares künstliches neuronales Netzwerk 22 vorhanden ist, welches beispielsweise einer Gruppierung 38 zugeordnet ist, welche den Straßentyp Autobahn, den Fahrmanövertyp Folgefahrt und den Fahrertyp langsam fahrender Fahrer umfasst. Darüber hinaus ist das anpassbare künstliche neuronale Netzwerk 22 derart in das Kraftfahrzeug 20 integriert, dass es in der Lage ist, eine tatsächliche Fahrsituation 24, in welcher sich das Kraftfahrzeug befindet, zu ermitteln. Die tatsächliche Fahrsituation 24 ist klassifizierbar, und zwar anhand der erwähnten Typen. Beispielsweise kann das anpassbare künstliche neuronale Netzwerk 22 ermitteln, dass die tatsächliche Fahrsituation 24 (nicht in Fig. 1 dargestellt, erstmalig in Fig. 2 gezeigt) den Straßentyp Autobahn, den Fahrmanövertyp Folgefahrt und den Fahrertyp langsam fahrender Fahrer aufweist. In einer initialen Konfiguration bzw. Programmierung des anpassbaren künstlichen neuronalen Netzwerks 22 ist ein erwartetes Fahrerverhalten vordefiniert bzw. hinterlegt, welches der Gruppierung 38 zugeordnet ist, das heißt, dass das anpassbare künstliche neuronale Netzwerk 22 bei der tatsächlichen Fahrsituation 24 unter anderem erwarten kann, dass der Fahrer beispielsweise eine Fahrgeschwindigkeit und einen Abstand zu einem vorausfahrenden Verkehrsteilnehmer gleich hält.

In Fig. 1 ist außerdem ein Schritt S5 abgebildet, in welchem ein Vergleich zwischen einer realen Fahreraktion und einer von dem zunächst initialen, anpassbaren künstlichen neuronalen Netzwerk 22 erwarteten, d. h. vordefinierten Fahreraktion stattfindet. Das bedeutet, dass der Datensatz 10 von dem anpassbaren künstlichen neuto- nalen Netzwerk 22 ausgewertet wird, sodass das anpassbare künstliche neuronale Netzwerk 22 ermitteln kann, welche tatsächliche Fahreraktion der Fahrer durchführt. Dieser Vergleich kann beispielsweise mittels der Recheneinheit 18 des Kraftfahrzeugs 20 durchgeführt werden, also z. B. in dem Steuergerätsystem. Ferner findet in dem Schritt S5 ein Anpassungsvorgang statt, bei welchem das anpassbare künstliche neuronale Netzwerk 22 basierend auf einem Vergleichsergebnis verändert wird. Das heißt, dass die zunächst vorhandene, initiale Konfiguration bzw. Programmierung des anpassbaren künstlichen neuronalen Netzwerks 22 in dem Anpassungsvorgang verändert wird, sodass das anpassbare künstliche neuronale Netzwerk 22 eine angepasste Programmierung aufweist. Mittels eventuellen, weiteren Anpassungsvorgängen wird die angepasste Programmierung weiter angepasst. Bei dem Anpassungsvorgang wird in der Programmierung des anpassbaren künstlichen neuronalen Netzwerk 22 die erwartete Fahreraktion so verändert, dass die erwartete Fahreraktion einer tatsächlichen Fahreraktion besonders gut entspricht. Hierzu ermittelt das anpassbare künstliche neuronale Netzwerk 22 die tatsächliche Fahrsituation 24, also beispielsweise dass in der Realität der Straßentyp Autobahn, der Fahrmanövertyp Folgefahrt und der Fahrertyp langsam fahrender Fahrer vorliegen. Dann wird durch das anpassbare künstliche neuronale Netzwerk 22 festgestellt, ob die tatsächliche Fahrsituation 24 der Gruppierung 38 entspricht. Ist das der Fall, prüft das anpassbare künstliche neuronale Netzwerk 22, welche Fahreraktion für diese Gruppierung 38 hinterlegt ist, also erwartet wird und vergleicht die erwartete Fahreraktion mit der tatsächlichen Fahreraktion, die der Fahrer durchführt. Als Vergleichsergebnis wird eine Differenz zwischen der erwarteten und der tatsächlichen Fahreraktion erzeugt, beispielsweise eine Differenz zwischen einer erwarteten und einer tatsächlichen Beschleunigung der Fahrzeuggeschwindigkeit. Dann verändert das anpassbare künstliche neuronale Netzwerk 22 in der Programmierung entsprechend die erwartete Beschleunigung der Fahrzeuggeschwindigkeit. Dadurch liegt in der Programmierung nun eine angepasste, erwartete bzw. vordefinierte Fahrzeugbeschleunigung vor, die der Gruppierung 38 zugeordnet ist. Die angepasste, vordefinierte Fahrzeugbeschleunigung wird für eine eventuelle, später folgende tatsächliche Fahrsituation 24, welche der Gruppierung 38 entspricht, zum Erzeugen des Vergleichsergebnisses herangezogen.

In Fig. 2 ist eine weitere Ausführungsform abgebildet, wobei der Anpassungsvorgang unter einem geringen Zeitverzug erfolgt. Insbesondere kann der Anpassungsvorgang mit einem besonders geringen, idealerweise ohne einen Zeitverzug erfolgen. Das heißt, dass der Datensatz 10 von dem anpassbaren künstlichen neuronalen Netzwerk 22 während eines Betriebs, insbesondere während eines Fahrbetriebs des Kraftfahrzeugs 20 ausgewertet wird, sodass das anpassbare künstliche neuronale Netzwerk 22 während des Fahrbetriebs ermitteln kann, dass eine tatsächliche Fahrsituation 24 der Gruppierung 38 entspricht und welche tatsächliche Fahreraktion der Fahrer durchführt. Ferner findet während des Fahrbetriebs der Anpassungsvorgang statt, bei welchem das anpassbare künstliche neuronale Netzwerk 22 basierend auf dem Vergleichsergebnis wie oben beschrieben verändert wird. Mit anderen Worten wird idealerweise sofort nachdem festgestellt wurde, dass die tatsächliche Fahrsituation 24 der Gruppierung 38 entspricht der Anpassungsvorgang des anpassbaren künstlichen neuronalen Netzwerks 22 gestartet, sodass bereits bei einer weiteren tatsächlichen Fahrsituation 24, welche erneut der Gruppierung 38 entspricht, die angepasste, vordefinierte Fahreraktion in einem geringerem Maße verändert wird als bei dem ersten Auftreten der tatsächlichen Fahrsituation 24.

Bei einer weiteren Ausführungsform erfolgt der Anpassungsvorgang unter einem hohen Zeitverzug. Insbesondere kann der Anpassungsvorgang während eines von dem Fahrbetrieb des Kraftfahrzeugs 20 verschiedenen Betriebs erfolgen, also etwa nach einer Beendigung des Fahrbetriebs, z. B. während das Kraftfahrzeug 20 abgeparkt ist. Das heißt, dass der Datensatz 10, welcher beispielsweise bei dem Fahrbetrieb erzeugt wurde, von dem anpassbaren künstlichen neuronalen Netzwerk 22 nach der Beendigung des Fahrbetriebs ausgewertet wird. Dadurch kann das anpassbare künstliche neuronale Netzwerk 22 nach der Beendigung des Fahrbetriebs ermitteln, ob zumindest ein Anteil des Datensatzes 10 Daten einer tatsächlichen Fahrsituation 24 enthält, die während des vergangenen Fahrbetriebs aufgetreten ist und der Gruppierung 38 entspricht. Ferner kann das anpassbare künstliche neuronale Netz- werk 22 nach der Beendigung des Fahrbetriebs ermitteln, welche Fahreraktion der Fahrer daraufhin ausgeführt hat. Der Anpassungsvorgang, bei welchem das anpassbare künstliche neuronale Netzwerk 22 basierend auf dem Vergleichsergebnis wie oben beschrieben verändert wird, kann somit ebenfalls nach der Beendigung des Fahrbetriebs erfolgen.

Alternativ oder zusätzlich ist es möglich, dass der Anpassungsvorgang beginnt, sobald erkannt wird, dass das Kraftfahrzeug 20 auf eine Straße eines anderen Straßentyps gewechselt hat, beispielsweise von einer Autobahn auf eine Landstraße abgefahren wurde.

In Fig. 3 ist das Kraftfahrzeug 20 einer weiteren Ausbildungsform des Verfahrens gezeigt. Das Kraftfahrzeug 20 weist Einrichtungen zum Bereitstellen des Datensatzes 10 auf. Im Einzelnen gezeigt sind ein Navigationssystem 26, ein Kamerasystem 28, ein Radarsensorsystem 30, ein Sensorsystem 32 zur Erfassung einer Fahrzeugbewegung sowie ein Sensorsystem 34 zur Erfassung eines Fahrerverhaltens. Die Einrichtungen können eine Multifunktionalität aufweisen, sodass beispielsweise das Navigationssystem 26, welches zum Beispiel als G PS-Satelliten-Navigationssystem ausgebildet sein kann, für eine Routenplanung und für eine Erfassung bzw. Verifizierung der Fahrzeugbewegung genutzt werden kann. Das Kamerasystem 28, das eine Vielzahl von Kameras aufweisen kann, welche beispielsweise auf den Fahrer, auf weitere Insassen oder auf einen Außenbereich des Kraftfahrzeugs 20 ausgerichtet sein können, kann für eine Bildgebung für eine Fußgängererkennung und für eine Erfassung der Bebauung neben der Fahrbahn genutzt werden. Ferner kann das Radarsensorsystem 30, welches beispielsweise einen nach vorn gerichteten und einen nach hinten ausgerichteten Radarsensor aufweisen kann, für eine Erfassung weiterer Fahrzeuge und zur Erfassung eines Niederschlages genutzt werden. Das Sensorsystem 32 zur Erfassung der Fahrzeugbewegung kann dazu genutzt werden, eine Auslösung von aktiven Fahrzeugsicherheitssystemen zu Steuern und Daten für den Datensatz 10 bereitstellen. Das Sensorsystem 34, das Daten über das Fahrerverhalten für den Datensatz 10 bereitstellt, kann alternativ oder zusätzlich auch genutzt werden, um zu erkennen, ob der Fahrer Müdigkeitserscheinungen aufweist. Bei einer weiteren Ausgestaltung des Verfahrens zum Betreiben des zumindest einen Kraftfahrzeugs 20 wird das Navigationssystem 26 genutzt, um zu ermitteln oder zumindest zu verifizieren, von welchem Straßentyp die Straße ist, auf welcher mittels des Kraftfahrzeug 20 gefahren wird.

Mittels eines Auswertens des bereitgestellten Datensatzes 10 kann ein Fahrertyp ermittelt werden. Das heißt, der Fahrer, welcher das Kraftfahrzeug 20 steuert, kann hinsichtlich seines Fahrerverhaltens klassifiziert und einem Fahrertyp zugeordnet werden. Dies kann geschehen, indem basierend auf dem Datensatz 10 ausgewertet wird, wie häufig der Fahrer auf einer Straße eines bestimmten Straßentyps mittels des Kraftfahrzeugs 20 gefahren ist. So kann beispielsweise ein Fahrertyp schnell fahrender Fahrer identifiziert werden, wenn klar ist, dass der Fahrer den Straßentyp Autobahn bevorzugt, obwohl eine Zielerreichung auch auf Straßen eines anderen Typs möglich gewesen wäre. Reizt der Fahrer eine maximal zulässige Höchstgeschwindigkeit besonders häufig aus oder erzeugt er an dem Kraftfahrzeug 20 besonders häufig hohe Querbeschleunigungen durch schnelle Kurvenfahrten, kann der Fahrer dem Fahrertyp schnell fahrender Fahrer zugeordnet werden. Der Fahrer kann ferner dem Fahrertyp schnell fahrender Fahrer zugeordnet werden, wenn festgestellt wird, dass der Fahrer besonders schnell, insbesondere ruckartig ein Lenkrad des Kraftfahrzeugs 20 bewegt, das heißt, wenn häufig eine besonders hohe Lenkradgeschwindigkeit und eine besonders hohe Lenkradbeschleunigung vorliegen. Der Fahrer kann außerdem dem Fahrertyp schnell fahrender Fahrer zugeordnet werden, wenn festgestellt wird, dass der Fahrer besonders schnell, insbesondere ruckartig ein Gaspedal oder ein Bremspedal betätigt, oder das Gaspedal über einen langen Zeitraum maximal betätigt. Auf diese Weise kann ein Fahrer zumindest zeitweise beispielsweise einem der folgenden Fahrertypen zugeordnet werden: schnell fahrender Fahrer, langsam fahrender Fahrer, ökonomisch fahrender Fahrer, unsicher fahrender Fahrer etc. Ein Fahrer kann dem Fahrertyp unsicher fahrender Fahrer zum Beispiel dann zugeordnet werden, wenn seine Fahreraktionen zu einem Unfall geführt haben, oder wenn seine Fahreraktionen häufig zu einer Korrekturhandlung führen. Eine solche Korrekturhandlung kann Fahreraktionen umfassen, die geeignet sind, einen selbstverschuldeten Unfall zu verhindern, beispielsweise ein notfallmäßiges Abbrechen eines fälschlicherweise eingeleiteten Überholvorgangs. Ferner ist in Fig. 3 eine Logik 36 abgebildet, mittels welcher nicht lernwürdiges Fahrerverhalten erkannt wird, sodass es möglich ist, das nicht lernwürdige Fahrerverhalten von dem Anpassungsvorgang des anpassbaren künstlichen neuronalen Netzwerks 22 auszuschließen. Beispielsweise können Fahreraktionen, die von einem Fahrer des Typs unsicher fahrender Fahrer ausgeführt werden, von dem Anpassungsvorgang ausgeschlossen werden. Es können aber auch Fahreraktionen, welche von einem Fah rer eines anderen Fahrertyps ausgeführt werden, von dem Anpassungsvorgang ausge schlössen werden, beispielsweise zu einem Unfall führende Fahreraktionen.

In Fig. 4 ist das Kraftfahrzeug 20 einer weiteren vorteilhaften Ausführungsform des Verfahrens gezeigt. Hierbei ist es vorgesehen, dass in dem Kraftfahrzeug 20 der Gruppierung 38 ein anpassbares künstliches neuronales Netzwerk 22 zugeordnet wird, wodurch eine Paarung 40 gebildet wird. Dadurch dass eine Vielzahl an Gruppierungen 38 und eine Vielzahl an jeweils einer Gruppierung 38 zugeordneten, anpassbaren künstlichen neuronalen Netzwerken 22 in dem Kraftfahrzeug 20 vorhanden sein können, kann eine Vielzahl an Paarungen 40 in dem Kraftfahrzeug 20 gebildet werden. Den Gruppierungen 38 sind jeweils ein Straßentyp, ein Fahrmanövertyp und/oder ein Fahrertyp zugeordnet. Wird erkannt, dass eine tatsächliche Fahrsituation 24 vorliegt, welche der Gruppierung 38 entspricht, erwartet das anpassbare künstliche neuronale Netzwerk 22 ein gruppierungsspezifisches Fahrerverhalten. So ist es beispielsweise möglich, den Paarungen 40 jeweils bestimmte, voneinander unterschiedliche tatsächliche Fahrsituationen zuzuweisen. Das heißt, das künstliche neuronale Netzwerk 22 einer Paarung 40 wird nur angepasst, wenn die tatsächliche Fahrsituation 24 der Gruppierung 38 entspricht, also zum Beispiel, wenn die Gruppierung 38 und die tatsächliche Fahrsituation 24 jeweils beide ein Überholen auf der Landstraße, mittels eines schnell fahrenden Fahrers, aufweisen.

In Fig. 5 ist das Fahrzeug 20 und eine Servereinrichtung 42 gezeigt, wobei das Kraft fahrzeug 20 in der Lage ist, in dem Kraftfahrzeug 20 vorhandene künstliche neurona le Netzwerke 22 an die Servereinrichtung 42 zu übermitteln bzw. hochzuladen. Hierzu werden das Kraftfahrzeug 20 und die Servereinrichtung 42 beispielsweise mittels eines Übertragungskabels 44 und/oder einer drahtlosen Datenverbindung 46 miteinander verbunden. Die Servereinrichtung 42 ist ihrerseits in der Lage, in der Servereinrichtung 42 vorhandene künstliche neuronale Netzwerke 22 an das Kraftfahr- zeug 20 zu übermitteln bzw. herunterzuladen. Die Servereinrichtung 42 kann zum Beispiel als ein vernetztes fahrzeugherstellerseitiges Datenaustauschsystem, insbesondere als ein Fahrzeugdiagnosesystem ausgebildet sein. Künstliche neuronale Netzwerke 22, welche z. B. in dem Kraftfahrzeug 20 oder aber in einer Vielzahl von Kraftfahrzeugen 20 angepasst wurden, können zu der Servereinrichtung 42 hochgeladen werden, sodass eine Vielzahl von angepassten künstlichen neuronalen Netzwerken 22 in der Servereinrichtung 42 zustande kommt. Außerdem kann eine Vielzahl von angepassten künstlichen neuronalen Netzwerken, welche unter Umständen in der Servereinrichtung weiter bearbeitet wurden, in zumindest ein Zielfahrzeug oder in eine Vielzahl von Zielfahrzeugen heruntergeladen werden, wobei das Zielfahrzeug das Kraftfahrzeug 20 sein kann. In den jeweiligen Zielfahrzeugen können die heruntergeladenen künstlichen neuronalen Netzwerke 22 zum Einsatz kommen, indem die künstlichen neuronalen Netzwerke 22 dem Fahrer Tätigkeiten zum Steuern des Zielfahrzeugs bzw. Kraftfahrzeugs 20 abnehmen.

In Fig. 6 ist die Servereinrichtung 42 dargestellt, in welcher eine Vielzahl an angepassten künstlichen neuronalen Netzwerken 22 gespeichert sind, wobei die angepassten künstlichen neuronalen Netzwerke 22 jeweils einer Gruppierung 38 zugeordnet sind. In der Servereinrichtung 42 erfolgt bei einer weiteren Ausführungsform des Verfahrens eine Bestenauslese, sodass je Gruppierung 38 ein bestimmter Prozentsatz der angepassten künstlichen neuronalen Netzwerke 22 herausgefiltert und/oder markiert wird, damit der Prozentsatz der angepassten künstlichen neuronalen Netzwerke 22 in dem mindestens einen Zielfahrzeug eingesetzt werden kann. Beispielsweise kann ein bestes künstliches neuronales Netzwerk 22a hinsichtlich eines möglichst geringen Kraftstoffverbrauchs identifiziert und in das zumindest eine Zielfahrzeug bzw. in eine Vielzahl von Kraftfahrzeugen 20 heruntergeladen werden, worin das beste künstliche neuronale Netzwerk 22a hinsichtlich des möglichst geringen Kraftstoffverbrauchs Tätigkeiten, die der menschliche Fahrer zum Steuern des Kraftfahrzeugs 20 bzw. des Zielfahrzeugs durchführt, mithilfe geeigneter Einrichtungen zumindest teilweise zu übernehmen.

In Fig. 7 ist das Kraftfahrzeug 20 gezeigt, welches sich auf einer Straße 48 befindet. Gemäß einer weiteren Ausbildungsform des Verfahrens zum Betreiben des zumindest einen Kraftfahrzeugs 20 ist vorgesehen, dass das Kraftfahrzeug 20 zumindest teilauto- nom mittels des künstlichen neuronalen Netzwerks 22 gesteuert wird. Das bedeutet, dass das angepasste künstliche neuronale Netzwerk, welches beispielsweise in das Kraftfahrzeug heruntergeladen wurde, Tätigkeiten zum Steuern des Kraftfahrzeugs übernimmt, die geeignet sind, das Kraftfahrzeug insbesondere im Straßenverkehr, z. B. auf der Straße 48 zu fahren und deren Verlauf 50 zu folgen. Hierbei werden geltende Verkehrsregeln, z. B. die maximal zulässige Höchstgeschwindigkeit beachtet, sodass ein sicheres Fahren ermöglicht wird.

Ferner ist, wie in Fig. 8 dargestellt, in einer weiteren Ausführungsform des Verfahrens vorgesehen, dass das künstliche neuronale Netzwerk 22 aktiv in eine Streckenführung bzw. Routenplanung 52 von einem Startpunkt 54 zu einem Zielpunkt 56 eingreift. Die Routenplanung, die üblicherweise mittels des Navigationssystems 26 bereitgestellt wird, kann eine Route 58 und eine Alternativoute 60 umfassen, wobei der Fahrer darunter auswählen kann. Hat der Fahrer zum Beispiel die Route 58 ausgewählt, wird jedoch darauf durch das künstliche neuronale Netzwerk 22 ein Verkehrshindernis 64 erkannt, z. B. eine Baustelle oder einen Verkehrsstau, und weist die Alternativroute 60 gleichermaßen ein Verkehrshindernis auf, ermittelt das künstliche neuronale Netzwerk 22 eine weitere Route, z. B. die Ausweichroute 62, welche dem Fahrer zumindest für eine Nutzung vorgeschlagen wird. Die Ausweichroute 62 kann basierend auf Erfahrungen von Fahrern erstellt worden sein, welche eine ähnliche Strecke genutzt haben, um das Verkehrshindernis 64 zu umfahren, wodurch das entsprechende künstliche neuronale Netzwerk 22 angepasst wurde. Die ähnliche Strecke kann sich dabei beispielsweise in der gleichen Stadt befinden.

In Fig. 9 ist eine Ausbildungsform des Verfahrens dargestellt, bei welchem ein Mehr- heitsentscheider 66 zum Einsatz kommt. Bei dieser Ausführungsform ist in dem Zielfahrzeug bzw. dem Kraftfahrzeug 20 je Gruppierung 38 eine Vielzahl an künstlichen neuronalen Netzwerken 22 eingesetzt. Wenn eine tatsächliche Fahrsituation 24 der Gruppierung 38 entspricht, fällen die einzelnen in dem Kraftfahrzeug 20 vorhandenen künstlichen neuronalen Netzwerke 22 jeweils eine Steuerentscheidung 68. Bei den einzelnen Steuerentscheidungen 68 kann es sich jeweils um eine Fahreraktion handeln, wobei die einzelnen Steuerentscheidungen 68 voneinander unterschiedlich sein können. Bevorzugt sind die einzelnen Steuerentscheidungen 68 einander ähnlich. Um nun eine Gesamtsteuerentscheidung 70 zu erzeugen, anhand welcher das Kraft- fahrzeug 20 bzw. das Zielfahrzeug tatsächlich gesteuert wird, werden die einzelnen Steuerentscheidungen 68 in den Mehrheitsentscheider 66 hineingegeben. In dem Mehrheitsentscheider 66 werden die einzelnen Steuerentscheidungen 68 anhand beispielsweise einer Mittelwertbildung verarbeitet, sodass der Mehrheitsentscheider 66 die Gesamtsteuerentscheidung 70 ausgeben kann, das heißt dem Kraftfahrzeug 20 so bereitstellen kann, dass entsprechend der Gesamtsteuerentscheidung 70 das Kraftfahrzeug 20 bzw. das Zielfahrzeug oder die Vielzahl der Zielfahrzeuge gesteuert werden kann.

In der Fig. 10 ist ein System 72 zum Betreiben des Kraftfahrzeugs 20 gezeigt, welches dazu eingerichtet ist, das Verfahren zum Betreiben des zumindest einen Kraftfahrzeugs 20 entsprechend einer der Ausführungsformen oder Kombination der Ausführungsformen des Verfahrens durchzuführen. Hierzu umfasst das Kraftfahrzeug 20 eine Datenbereitstellungseinrichtung 74, welche dazu eingerichtet ist, ein Fahrzeugumfeld, ein Fahrerverhalten und die Bewegung des Kraftfahrzeugs zu charakterisieren. Hierzu können zum Beispiel Einrichtungen wie das Navigationssystem 26, das Kamerasystem 28, das Radarsensorsystem 30, das Sensorsystem 32 zur Erfassung einer Fahrzeugbewegung und/oder das Sensorsystem 34 zur Erfassung des Fahrerverhaltens zählen. Ferner kann hierzu ein Speichersystem zählen, das dazu ausgebildet ist, den Datensatz 10 zumindest vorübergehend zu speichern, sowie eine Bereitstellungseinrichtung, mittels welcher der Datensatz 10 für eine weitere Verwendung bereitgestellt wird.

Darüber hinaus weist das Kraftfahrzeug 20 eine Ermittlungseinrichtung 76 auf, welche eingerichtet ist, einen Straßentyp, einen Fahrmanövertyp und/oder einen Fahrertyp anhand des bereitgestellten Datensatzes 10 zu ermitteln. Dazu können die Daten, welche in dem Datensatz 10 abgelegt sind, dahingehend untersucht werden, von welchem Typ die Straße 48 ist, worauf das Kraftfahrzeug 20 gefahren wird. Beispielsweise kann der Straßentyp Autobahn, der Straßentyp Landstraße, der Straßentyp Stadtstraße etc. festgestellt werden. Ferner können die Daten dahingehend untersucht werden, von welchem Typ das Fahrmanöver ist, welches mittels des Kraftfahrzeugs 20 durchgeführt wird. Beispielsweise kann der Fahrmanövertyp Überholen, der Fahrmanövertyp Folgefahrt, der Fahrmanövertyp Abbiegen, der Fahrmanövertyp Rückwärtsein- parken etc. festgestellt werden. Alternativ oder zusätzlich können die Daten untersucht werden, um festzustellen, von welchem Typ ein Fahrer ist, welcher das Kraftfahrzeug 20 steuert. Beispielsweise kann der Fahrertyp schnell fahrender Fahrer, der Fahrertyp langsam fahrender Fahrer, der Fahrertyp ökonomisch fahrender Fahrer, der Fahrertyp unsicher fahrender Fahrer etc. festgestellt werden.

Das Kraftfahrzeug 20 weist ferner eine Gruppierungseinrichtung 78 auf, welche dazu ausgebildet ist, aus zumindest zweien der ermittelten Typen eine Gruppierung 38 zu bilden. Anders ausgedrückt ist die Gruppierungseinrichtung 78 in der Lage, mindestens zwei der ermittelten Typen der Gruppierung 38 zuzuordnen.

Des Weiteren weist das Kraftfahrzeug 20 eine Netzwerkbereitstellungseinrichtung 80 auf, welche dazu eingerichtet ist, zumindest ein künstliches neuronales Netzwerk 22 bereitzustellen, welches eine initiale Konfiguration bzw. Programmierung aufweist und anpassbar ist. Das künstliche neuronale Netzwerk wird in einer nicht dargestellten Recheneinheit 18 des Kraftfahrzeugs 20 bereitgestellt.

Das Kraftfahrzeug 20 weist des Weiteren eine Vergleichs- und Anpassungseinrichtung 82 auf, welche dazu ausgebildet ist, den Anpassungsvorgang, bei dem das zunächst initiale, anpassbare künstliche neuronale Netzwerk 22 programmiert wird bzw. sich selbst programmiert, indem ein Vergleich zwischen einer realen Fahreraktion und einer von dem initialen, anpassbaren künstlichen neuronalen Netzwerk 22 erwarteten Fahreraktion stattfindet. Basierend auf dem Ergebnis des Vergleichs wird die erwartete Fahreraktion angepasst, sodass die erwartete Fahreraktion bei einem erneuten Auftreten einer besonders ähnlichen, insbesondere einer gleichen Fahrsituation der realen Fahreraktion möglichst ähnlich ist

Bezugszeichenliste

10 Datensatz 66 Mehrheitsentscheider

12 Fahrzeugumfelddatensatz 68 Steuerentscheidung

14 Fahrerverhaltensdatensatz 70 Gesamtsteuerentscheidung

16 Fah rzeugbewegu ngsdatensatz 72 System

18 Recheneinheit 74 Datenbereitstellungseinrich¬

20 Kraftfahrzeug tung

22 Künstliches neuronales Netz76 Ermittlungseinrichtung

werk 78 Gruppierungseinrichtung

24 Tatsächliche Fahrsituation 80 Netzwerkbereitstellungseinric

26 Navigationssystem tung

28 Kamerasystem 82 Vergleichs- und Anpassung.

30 Radarsensorsystem einrichtung

32 Sensorsystem zur Erfassung

der Fahrzeugbewegung

34 Sensorsystem zur Erfassung

eines Fahrerverhaltens

36 Logik

38 Gruppierung

40 Paarung

42 Servereinrichtung

44 Übertragungskabel

46 Drahtlose Datenverbindung

48 Straße

50 Verlauf der Straße

52 Routenplanung

54 Startpunkt

56 Zielpunkt

58 Route

60 Alternativroute

62 Ausweichroute

64 Verkehrshindernis