DE102021211476A1

DE102021211476A1 - Verfahren zur Fahrzeugführung eines Fahrzeuges sowie Steuereinrichtung

Info

Publication number: DE102021211476A1
Application number: DE102021211476.8A
Authority: DE
Inventors: Armin Stecher
Original assignee: Continental Autonomous Mobility Germany GmbH
Current assignee: Continental Autonomous Mobility Germany GmbH
Priority date: 2021-09-24
Filing date: 2021-10-12
Publication date: 2023-03-30

Abstract

Die Erfindung betrifft ein Verfahren zur automatisierten Fahrzeugführung eines Fahrzeuges, bei dem Kurvenfahrten autonom geplant und/oder durchgeführt werden, wobei ein Kurvenradius vorzugsweise aus Geschwindigkeit und Querbeschleunigung des Fahrzeuges ermittelt wird, indem die Querbeschleunigung über den Kurvenradius als eine Referenzkennlinie ermittelt wird und durch Bezug auf eine Referenzkennlinie eine personalisierte Kennlinie anhand von Fahreingriffen des Fahrers erlernt wird.

Description

Die vorliegende Erfindung betrifft ein Verfahren, insbesondere computerimplementiertes Verfahren, zur unterstützenden oder automatisierten Fahrzeugführung eines Fahrzeuges, insbesondere zur personalisierten Adaption von Kurvengeschwindigkeiten und Querbeschleunigungen abhängig von den jeweiligen Kurvenradien, sowie eine Steuereinrichtung für ein Fahrzeug zur unterstützenden oder automatisierten Fahrzeugführung des Fahrzeuges. Ferner beansprucht die vorliegende Erfindung ein Computerprogramm mit Programmcode zur Durchführung des erfindungsgemäßen Verfahrens sowie ein computerlesbares Speichermedium, das Anweisungen umfasst, welche den Computer, auf dem sie ausgeführt werden, veranlassen, das erfindungsgemäße Verfahren auszuführen.
Technologischer Hintergrund
Gattungsgemäße Fahrzeuge, wie z. B. Personenkraftfahrzeuge (PKW), Lastkraftwägen (LKW) oder Motorräder, werden zunehmend mit Fahrerassistenzsystemen ausgerüstet, welche mit Hilfe von Sensorsystemen die Umgebung bzw. das Umfeld erfassen, Verkehrssituationen erkennen und den Fahrer unterstützen können, z. B. durch einen Brems- oder Lenkeingriff oder durch die Ausgabe einer optischen, haptischen oder akustischen Warnung. Als Sensor-systeme zur Umfelderfassung werden regelmäßig Radarsensoren, Lidarsensoren, Kamera-sensoren, Ultraschallsensoren oder dergleichen eingesetzt. Aus den durch die Sensoren er-mittelten Sensordaten können anschließend Rückschlüsse auf die Umgebung gezogen wer-den, womit z. B. auch ein sogenanntes Umfeldmodell erzeugt werden kann. Darauf basierend können anschließend Anweisungen zur Fahrerwarnung/-Information oder zum geregelten Lenken, Bremsen und Beschleunigen ausgegeben werden. Durch die Sensor- und Umfelddaten verarbeitenden Assistenzfunktionen können z. B. Unfälle mit anderen Verkehrsteilnehmern vermieden oder komplizierte Fahrmanöver erleichtert werden, indem die Fahraufgabe bzw. die Fahrzeugführung unterstützt oder sogar komplett übernommen wird (teil- oder vollautomatisiert). Beispielsweise kann das Fahrzeug z. B. mittels einem Notbremsassistenten (EBA, Emergency Brake Assist) eine autonome Notbremsung (AEB, Automatic Emergency Brake), einem oder einem Abstandsregeltempomaten bzw. Adaptive Cruise Control-Assistenten (ACC) eine Geschwindigkeits- und Folgefahrtregelung durchführen.
Ferner kann dabei die zu fahrende Trajektorie bzw. der Bewegungsweg des Fahrzeuges anhand der Umgebungs- und Fahrzeugdaten prädiktiv bestimmt werden. In der prädiktiven Kurvenregelung werden Fahrern üblicherweise eine oder mehrere Fahrmoden angeboten. In einem sportlichen Fahrmodus (Sportmodus) werden beispielsweise alle Kurvengeschwindigkeiten über alle Kurvenradien hinweg im Vergleich zu einem komfortableren Modus (Komfortmodus) angehoben. In einem personalisierten Modus kann die Anhebung oder Absenkung der Querbeschleunigungen unabhängig vom Drive Mode dem Fahrer so angepasst werden, sodass den Kurvenradien individuelle Querbeschleunigungen zugeordnet werden.
In bestimmten Fällen kann der Fahrer sich beispielsweise auf großen Radien wie bei Autobahnauffahrten niedrigere Querbeschleunigungen wünschen als der Normalfahrer und im Kreisverkehr beispielsweise höhere.
Druckschriftlicher Stand der Technik
Die DE 11 2007 001 039 B4 offenbart ein Verfahren zur Steuerung der Antriebsleistung für ein Fahrzeug, bei dem die Steuerung auf Grundlage der Querbeschleunigung erfolgt, derart, dass die Antriebsleistung angepasst wird, wenn das Fahrzeug um eine Kurve fährt. Ferner kann ein neuronales Netzwerk vorgesehen sein, in dem eine Gewichtung durch einen sogenannten Rückwärtsverbreitungs- bzw. Backpropagationlernalgorithmus erlernt wird. Das Lernen wird vorab durch Straßentests durchgeführt, bei dem vorbestimmte Parameter mit den Fahrweisen von Fahrern verknüpft werden. Die jeweilige Fahrweise, die durch die Tests abgeleitet wird, wird dann als ein Lehrsignal verwendet und in das neuronale Netzwerk eingegeben.
Aufgabe der vorliegenden Erfindung
Die Aufgabe der vorliegenden Erfindung besteht darin, ein neuartiges Verfahren zur Verfügung zu stellen, durch das die Querbeschleunigung bei Kurvenfahrten in einfacher und kostengünstiger Weise verbessert werden kann.
Lösung der Aufgabe
Die vorstehende Aufgabe wird durch die gesamte Lehre des Anspruchs 1 sowie der nebengeordneten Ansprüche gelöst. Zweckmäßige Ausgestaltungen der Erfindung sind in den Unteransprüchen beansprucht.
Bei dem erfindungsgemäßen Verfahren zur automatisierten Fahrzeugführung eines Fahrzeuges werden Kurvenfahrten autonom geplant und/oder durchgeführt, wobei ein Kurvenradius, vorzugsweise aus Geschwindigkeit v und Querbeschleunigung a_quer, des Fahrzeuges ermittelt wird. Beispielsweise durch: $r a d i u s = \frac{v^{2}}{a_{q u e r}} .$
Die vom Fahrer bevorzugte Querbeschleunigung a_quer wird dann funktional dem Kurvenradius zugeordnet: $a_{q u e r} = ƒ (r a d i u s) .$
Daraus ergibt sich eine Kennlinie bzw. personalisierte Kennlinie, deren prozentualen Abweichungen von der applizierten, insbesondere nichtlinearen Referenzkennlinie der „Normalfahrer“ ermittelt werden. Die prozentualen Abweichungen werden dann einer Funktion bzw. Regressionsfunktion abgebildet.
Diese Regressionsfunktion kann dann fortlaufend, fahrtübergreifend optimiert werden, woraus sich dann in Verbindung mit der Referenzkennlinie und dem Kurvenradius die vom Fahrer gewünschte Querbeschleunigung dieser Kurve ergibt. Zum Lernen geeignete Daten (bzw. auch Daten- oder Messpunkte) liegen z. B. vor, wenn der Fahrer seine Fahrgeschwindigkeit im freien Fahrtmodus dem Kurvenradius anpasst oder wenn der Fahrer im Automatik Modus eingreift, d. h. es werden für die Ermittlung der geeigneten Kurvenfahrten bzw. der personalisierten Kennlinie Fahreingriffe bzw. Fahrgeschwindigkeitsanpassungen des Fahrers beim manuellen Steuern des Fahrzeuges (Free-Ride bzw. Free-Drive) oder bei Eingriffen in das assistierte Steuern des Fahrzeuges (z. B. bei einem Eingriff des Fahrers im ACC-Modus) herangezogen.
Alternativ oder zusätzlich können zur Berechnung des Kurvenradius auch Kartendienste (z. B. Navigationsdaten, GPS-Daten), Kamera, Lidar- oder Radardaten, Gierrate (z. B. Daten eines oder mehrerer Gierratensensors(en)), Einzelradgeschwindigkeiten, Lenkwinkel oder Daten/Messwerte eines oder mehrerer (insbesondere verschiedenartiger) Beschleunigungssensors(en) herangezogen werden. Selbstverständlich kann i.S.d. Erfindung anstelle des Kurvenradius auch die Kurvenkrümmung herangezogen werden.
Zweckmäßigerweise können für die Ermittlung der geeigneten Kurvenfahrten nur relevante Kurven ausgewählt bzw. herangezogen werden, in denen der Fahrer einen Fahreingriff vornimmt und damit zeigt, dass er die Geschwindigkeit aufgrund der Kurve anpasst.
Als relevante Kurven, werden beispielsweise Kurven ausgewählt in denen der Fahrer vor der nahenden Kurve verzögert und/oder der Fahrer nach dem Kurvenscheitel beschleunigt und/oder es kommt eine Gewichtungsfunktion zum Einsatz, die beispielsweise höhere Querbeschleunigungen stärker gewichtet als niedrigere, wobei diese Gewichtungsfunktion relativ zum erlernten Status verschoben werden kann, sodass beispielsweise bei einem komfortorientierten Fahrer auch kleinere Querbeschleunigungen in die Lerndaten aufgenommen werden können.
Für die Ermittlung der geeigneten Kurvenfahrten können jedoch Kurven, in denen der Fahrer zwar einen Fahreingriff vornimmt, dennoch nicht ausgewählt werden, wenn z. B. Ausschlusskriterien vorliegen. Ausschlusskriterien können z. B. vorausfahrende Fahrzeuge sein, der Straßenzustand, Witterungsverhältnisse, Geschwindigkeitsbegrenzungen, Gefahrensituationen oder dergleichen sein. Insbesondere ist es vorteilhaft, wenn eine Gewichtung der relevanten Kurven vorgesehen ist, bei der höhere Querbeschleunigungen stärker gewichtet werden.
Ferner kann eine Gewichtung von datenauswertbaren Kurven heuristisch erfolgen. In diese Gewichtungsheuristik einer als stationär betrachteten Phase werden Qualitätskriterien wie Signalrauschen, Streubreite, Zeitdauer der Phase, Abwesenheit bekannter Sondereinflüsse und die Lage der Querbeschleunigung absolut und/oder relativ zur bisher erlernten Zielkurve berücksichtigt, wobei höhere Querbeschleunigungen bedeutender sind (da das auf Abwesenheit nicht erkannter negativer Sondereinflüsse schließen lässt).
Wenn der Fahrer die Möglichkeit hat, den personalisierten Modus mit einem Sport- oder Komfortmodus zu kombinieren, kann eine gehäufte Selektion (d. h. der Fahrer wählt vermehrt einen schnelleren oder langsameren Modus aus) einer dieser Modi, in die personalisierte Funktion einfließen, um damit die Kennlinie allmählich in die vom Fahrer präferierte Richtung zu beeinflussen, sodass der Fahrer das Fahrzeug sozusagen ohne zusätzliche Bedienung direkt seinen Präferenzen entsprechend nutzen kann.
Vorzugsweise wird die Gewichtung einzelnen Messpunkten zugeordnet und nicht der Gesamtfunktion. Dementsprechend wird sozusagen die Ausgleichsfunktion nur in den Kurvenradienbereichen angepasst, in denen auswertbare Daten vorliegen. Wenn z. B. ein Fahrzeug vermehrt im Stadtverkehr Daten für kleinere Kurvenradien gesammelt hat, um die persönliche Kennlinie anzupassen, und somit weniger Daten für größere Radien, wie sie z. B. auf Landstraßen und Autobahnen vorkommen, gesammelt hat, wird die Kennlinie bzw. die Funktion bei nunmehr vorliegenden Daten großer Kurvenradien (z. B. wenn der Fahrer nun eine Autobahnfahrt antritt) für diesen Bereich schneller angepasst, weil das Gleichungssystem in diesem Bereich entsprechend der bisherigen Summengewichte noch schwach besetzt ist.
Die Adaption kann damit noch zuverlässiger, schneller und genauer erfolgen. Das Lernen der persönlichen Kennlinie erfolgt demgemäß in bisher schwach besetzen Bereichen sehr schnell, während stark besetzte Bereiche nur noch marginal verändert werden.
Zweckmäßigerweise kann eine Reduzierung auf ein überbestimmtes Gleichungssystem erfolgen.
Das Reduzieren kann vorzugsweise anhand folgender Verfahrensschritte erfolgen:

- Linearisieren des Funktionsbereichs durch Logarithmieren der Kurvenradien,
- Applizierter Verlauf von der Querbeschleunigung a_quer über Kurvenradius als Referenzkennlinie,
- Berechnen der prozentualen Abweichung von dieser Referenzkennlinie,
- Bestimmen und Anwenden der Geradenfunktion dieser Abweichungen.

Die Ausgleichsfunktion kann prinzipiell jeder Ordnung angehören und unterschiedlichen Optimierungskriterien folgen. Sie kann noch weiter auf einen konstanten Faktor vereinfacht werden. Vorzugsweise ist als Gleichungssystem eine Funktion erster Ordnung (Gerade) vorgesehen. Vorzugsweise wird nach der „least-square-Methode“ optimiert.
Gemäß der bevorzugten Ausgestaltung der Erfindung werden anhand der Eingriffe des Fahrers Lernpunkte ermittelt (d. h. Querbeschleunigung in Abhängigkeit von Kurvenradius in Bezug auf die Referenzkennlinie). Aus diesen Datenpaaren (Lernpunkte) ergibt sich dann eine Bestimmungsgleichung.
Gemäß einer bevorzugten Ausgestaltung kann die daraus resultierende Regressionsfunktion dann in einem Speicher hinterlegt werden, um später in Verbindung mit der nichtlinearen Referenzfunktion zur Kurvenfahrtberechnung herangezogen zu werden.
Gemäß einer alternativen Ausgestaltung kann die Referenzkennlinie auch angepasst bzw. weiterentwickelt werden. Insbesondere kann die Referenzkennlinie in bestimmten bzw. festlegbaren Abständen z. B. durch die zuletzt adaptierte Kennlinie überschrieben oder an diese angepasst werden. Durch diese Anpassung der Referenzkennlinie nähern sich die erlernten Abweichungen iterativ der flachen 100% Kennlinie an, sodass sich die derart modifizierte Referenzkennlinie allmählich der zu findenden, personalisierten Kennlinie annähert.
Explizit umfasst die Erfindung natürlich auch die Möglichkeit, dass mehrere erlernte Korrekturfunktionen für unterschiedliche Fahrer im System bzw. in einem Speicher (z. B. einem Speicher der Steuereinrichtung) hinterlegt werden können. Beispielsweise kann hierbei eine manuelle Auswahl, Fahrererkennung (zum Beispiel über den Fahrzeugschlüssel, Smartphone Erkennung, einen Eingabecode oder eine Gesichtserkennung oder dergleichen) verwendet werden, um die entsprechenden Kennlinien für den jeweiligen Fahrer auszuwählen. In gleicher Weise kann dann die personalisierte Kennlinie auch für unterschiedliche Fahrer erstellt werden, die dann entweder automatisiert oder über ein Menü in der Anzeigevorrichtung des Fahrzeugs vom Fahrer (zum Beispiel Entertainmentsystem) ausgewählt wird.
Zweckmäßigerweise können auch zusätzlich kartografische Informationen, GPS-Daten, Informationen aus Car-to-Car oder Car-to-X-Kommunikationen und/oder Navigationsdaten zur Adaption und Realisierung der personalisierten Kurvenfahrten herangezogen werden. Insbesondere können Ausschlusskriterien, die dazu dienen Kurven für das Lernen auszuschließen, in denen der Fahrer zwar einen Fahreingriff vornimmt, diese aber für die gewünschte Querbeschleunigung nicht aussagekräftig sind, z. B. wenn der Fahrer Bremsen oder Beschleunigen muss, um die Geschwindigkeit den Bedingungen entgegen seiner Vorzüge anzupassen. Beispielsweise ist dies der Fall, wenn das Fahrzeug aufgrund eines vorausfahrenden langsameren Fahrzeuges (landwirtschaftliches Fahrzeug, Fahrzeugtyp, Fahrschulfahrzeug, Notdienst, Fahrrad, Geschwindigkeitsbegrenztes Fahrzeug oder dergleichen) bremsen muss oder aufgrund eines Überholvorganges beschleunigen muss. Die Informationen über das vorausfahrende Fahrzeug können in praktischer Weise über Umfeldsensoren des Fahrzeuges (z. B. Radarsensor, Kamerasensor, Lidarsensor oder der gleichen) erfasst werden. Ferner kann es vorgesehen sein, dass z. B. über eine Verkehrsschilderkennung oder über Navigationsdaten oder über Radiodaten Geschwindigkeitsbegrenzungen bzw. Verkehrsschilder mit Geschwindigkeitsbegrenzungen erkannt/erfasst werden, die dann entweder in eine Gewichtungsfunktion einfließen oder komplett zum Unterbrechen des Personalisierungsvorgangs führen können Darüber hinaus können auch Witterungsbedingungen (z. B. Nässe, Regen, Schnee, Glätte, Nebel, Verschmutzungen oder dergleichen) herangezogen werden. Diese Informationen können selbst erkannt werden oder z. B. über das Radio- und Entertainmentsystem oder in sonstiger Weise empfangen werden (beispielsweise kann auch die Temperaturbestimmung des Fahrzeuges auf Witterungsverhältnisse schließen lassen, die eine langsamere Fahrt bedingen). Zudem kann anhand der Umfeldsensorik auch eine Klassifikation der erkannten Objekte erfolgen, z. B. eine Klassifikation erkannter Objekte als statische oder bewegte Objekte, wie z. B. andere Verkehrsteilnehmer oder VRU (Vulnerable Road User).
Ferner umfasst die vorliegende Erfindung ein Computerprogramm mit Programmcode zur Durchführung des erfindungsgemäßen Verfahrens, wenn das Computerprogramm in einem Computer oder einem sonstigen aus dem Stand der Technik bekannten programmierbaren Rechner (z. B. eine einen Prozessor, Mikrocontroller oder dergleichen umfassenden Rechner-vorrichtung) ausgeführt wird.
Zudem umfasst die vorliegende Erfindung ein computerlesbares Speichermedium, das Anweisungen umfasst, welche den Computer, auf dem sie ausgeführt werden, veranlassen, ein erfindungsgemäßes Verfahren durchzuführen.
Der Begriff „computerimplementiertes Verfahren“ im Sinne der Erfindung beschreibt eine Ablaufplanung oder Vorgehensweise, welche anhand eines Rechners verwirklicht bzw. durchgeführt wird. Der Rechner, wie z. B. ein Computer, ein Computernetzwerk oder eine andere aus dem Stand der Technik bekannte programmierbare Vorrichtung, wie z. B. eine Steuereinheit bzw. Steuereinrichtung (ECU), kann dabei mittels programmierbarer Rechenvorschriften Daten verarbeiten. In Bezug auf das Verfahren können dabei wesentliche Eigenschaften z. B. durch ein neues Programm, neue Programme, einen Algorithmus oder dergleichen bewirkt werden.
Der Begriff „Vehicle Dynamics“ (VDY) oder „Fahrdynamik“ umfasst im Sinne der Erfindung die Bewegung von Fahrzeugen und die Ermittlung von deren Parametern, wie z. B. Weg, Zeit, Geschwindigkeit, Beschleunigung, Energieaufwand, Erwärmung von Motoren, Antriebskräfte, Leistungen, Bewegungswiderstände, zu befördernde Anhängelasten sowie Wirkungsgrade. Hierbei handelt es sich ausdrücklich um eine nicht abschließende Aufzählung, wobei die Er-findung die Verwendung sämtlicher aus dem Stand der Technik bekannter VDY-Parameter bzw. Fahrdynamikparameter umfasst. Die Ermittlung derartiger Parameter basiert dabei auf technische, mechanische, physikalische, mathematische und statistische Grundlagen. Die Erfassung derartiger VDY-Parameter bzw. VDY-Daten oder VDY-Informationen ist aus dem Stand der Technik hinreichend bekannt. Beispielsweise kann die Erfassung mittels geeigneter Sensorik erfolgen, wie z. B. anhand von Lenkradwinkelsensor, Beschleunigungssensoren, Gierratensensor, Geschwindigkeitsmesser, Schwimmwinkelsensoren, Optische Abstandssensoren, GPS / DGPS basierte Messsysteme (Positionsmessung) oder Trägheitsnavigationssysteme, um z. B. die Längs-, Quer- oder Hubbewegung, das Gieren, Nicken oder Wanken oder Schwingungen (Translations- und Rotationsschwingung) zu erfassen.
Durch die erfindungsgemäßen Ausgestaltungen resultieren die Vorteile, dass eine Auswahl geeigneter Kurvenfahrten mit unterschiedlichen Radien, insbesondere von <30 m bis >2000 m, erfolgen kann, ein unbegrenztes, fahrtübergreifendes selbstoptimiertes Lernen erfolgt, die fahrtübergreifende Adaptionsgenauigkeit durch zunehmend statistisch abgesicherte Daten positiv beeinflusst wird, wobei die Genauigkeit der Adaption und die Dynamik der Adaption ständig entsprechend der Datenfülle optimiert wird, wobei die beschriebene Methode auch unabhängig von Karten- und Navigationsdaten erfolgen kann und nur ein minimaler Speicher- bzw. EEPROM-Bedarf benötigt wird.
Beschreibung der Erfindung anhand von Ausführungsbeispielen
Im Folgenden wird die Erfindung anhand von zweckmäßigen Ausführungsbeispielen näher erläutert. Es zeigen:

1 eine vereinfachte schematische Darstellung einer Ausgestaltung eines Fahrzeuges mit erfindungsgemäßem Fahrerassistenzsystem;
2 eine Ausgestaltung einer ersten Adaption der Kennlinie nach Inbetriebnahme eines Fahrzeuges;
3 eine Ausgestaltung einer Ausgangskennlinie für eine automatisierte Fahrt nach Neustart;
4 eine Ausgestaltung einer personalisierten Kennlinie nach ersten Lernfortschritt, sowie
5 eine Ausgestaltung einer Referenzkennlinie sowie eine Regression der Abweichung.

Bezugsziffer 1 in 1 bezeichnet ein Fahrzeug, welches eine Steuereinrichtung 2 (ECU, Electronic Control Unit oder ADCU, Assisted and Automated Driving Control Unit) verschiedene Aktoren (Lenkung 3, Motor 4, Bremse 5) sowie Sensoren zur Umfelderfassung bzw. Umfeldsensorik (Kamera 6, Lidarsensor 7, Radarsensor 8 sowie Ultraschallsensoren 9a-9d) aufweist. Das Fahrzeug 1 kann dabei (teil-) automatisiert gesteuert werden, indem die Steuereinrichtung 2 auf die Aktoren und die Sensoren bzw. deren Sensordaten zugreifen kann. Im Bereich des assistierten bzw. (teil-) automatisierten Fahrens können die Sensordaten zur Umfeld- und Objekterkennung genutzt werden, sodass verschiedene Assistenzfunktionen, wie z. B. Abstandsfolgeregelung (ACC, Adaptive Cruise Control), Notbremsassistent (EBA, Electronic Brake Assist), Spurhalteregelung bzw. ein Spurhalteassistent (LKA, Lane Keep Assist), Parkassistent oder dergleichen, über die Steuereinrichtung 2 bzw. dem dort hinterlegten Algorithmus realisierbar sind. Ferner umfasst das Fahrzeug 1 unterschiedliche Sensoren zur Erfassung von Fahrdynamikparametern bzw. -werten (Vehicle Dynamics), die der Einfachheit halber in 1 nicht dargestellt sind, beispielsweise Sensoren zur Bestimmung/Erfassung VDY-Parametern, insbesondere der fahrzeugseitigen Querbeschleunigung, Gierrate, Längsgeschwindigkeit, Lenkwinkel (eventuell auch ergänzt durch Navigations-/Karteninformationen, aus denen Kurvenradien prädiktiv zur Verfügung gestellt werden können) oder dergleichen.
Gemäß der vorliegenden Erfindung wird das Querbeschleunigungsniveau und die Abhängigkeit vom Kurvenradius mit Hilfe eines Gleichungssystems adaptiert. Die Kurvenradien werden dabei rückwärts aus Längsgeschwindigkeit und Querbeschleunigung. h. ohne Zuhilfenahme von vorgefertigten Karten bzw. Maps, berechnet, indem die „Querbeschleunigung über Radius“ im Normal Drive Mode als Referenzkennlinie ausgewählt wird (wie in 2 dargestellt) und geeignete Kurvenfahrten, z. B. im Free Drive Mode oder bei Fahrer Eingriffen im ACC-Modus, gesucht und erlernt werden. Im Lernmodus können Kurvenradien alternativ oder ergänzend durch Umfeldsensoren bestimmt werden. Als für das Lernen relevante Kurven können z. B. Kurven angesehen werden, in denen der Fahrer ohne weiteren Grund vor der nahenden Kurve verzögert oder nach dem Kurvenscheitel beschleunigt, wobei höhere Querbeschleunigungen z. B. stärker gewichtet werden können. Der Kurvenradius wird aus der Querbeschleunigung, und der Geschwindigkeit ermittelt und kann ggf. alternativ oder ergänzend durch Gierrate und/oder Lenkwinkel und/oder Einzelradgeschwindigkeiten berechnet werden. Eine Gewichtung einzelner Kurvendaten kann heuristisch nach Eignung und Datenqualität erfolgen.
Ferner können die Adaption und Anwendung der adaptierten Funktion bereits nach der ersten Kurve erfolgen. Hierbei ist insbesondere keine Begrenzung auf eine bestimmte Anzahl von Kurven, Fahrten oder Datenmengen vorgesehen, sodass eine ständige Verbesserung des Systems erfolgen kann. Die Adaptionsgeschwindigkeit wird dabei fahrtübergreifend mit zunehmender Lernqualität sinken und die Adaptionsgenauigkeit wird fahrtübergreifend mit zunehmender Lernqualität steigen, wobei die bevorzugte bzw. beste Lernqualität (Adaptionsgenauigkeit) in Bereichen mit höchster verwerteter Datendichte erzielt werden kann. Bereiche mit geringer Datendichte können dann bei entsprechenden Gelegenheiten schneller adaptiert werden. Hierbei gibt es jedoch vielfältige Maßnahmen zur Maximierung von Effizienz und Effektivität, z. B. das Reduzieren auf ein überbestimmtes Gleichungssystem, insbesondere erster Ordnung (Geradenfunktion), indem zunächst Linearisieren des Funktionsbereichs durch Logarithmieren der Radien oder Krümmungen erfolgt, dann Applizieren des typischen Verlaufs von Querbeschleunigung über Radius als Referenz, danach Berechnen der prozentualen Abweichung von dieser Referenzkennlinie und schließlich das Bestimmen und Anwenden der Geradenfunktion dieser Abweichungen.
Damit der Lernvorgang fahrtübergreifend fortgesetzt werden kann, müssen die bisherigen Lernfortschritte im Speicher bzw. EEPROM abgelegt werden.
Die einfachste Möglichkeit besteht darin, die erweiterte Koeffizientenmatrix abzuspeichern. Die Lerngewichte und die Verteilung sind darin bereits enthalten.
Eine andere Möglichkeit besteht darin, die Funktionswerte der beiden Startgleichungen (z. B. 80 m / 100 % und 800 m / 100 %) nach Fahrtende zu aktualisieren. Bei einem sportlichen Fahrer wird daraus beispielsweise 80 m / 105 % bzw. 800 m / 110 %. Der sportliche Fahrer wird dann bei einem 80 m Radius mit 105 % der Referenz Querbeschleunigung rechnen dürfen.
Alternativ kann die Maximierung der Effizienz und Effektivität auch durch fahrtübergreifendes Speichern und Rücklesen der erweiterten Koeffizientenmatrix (dies ist je nach Kondition numerisch sensibel und verlangt große Wortlängen) erfolgen. Bei der wie oben beschriebenen Ordnung können hier typischerweise mehrmals 2 Byte Datenspeicher benötigt werden. Stattdessen Ablage zweier Bestimmungsgleichungen (Punkte) der resultierenden Geraden (z. B. reichen hierbei schon 2 Byte Datenspeicher) anstelle oben erwähnter Startgleichungen. Empfehlenswert ist dabei die Übertragung der Lernqualität als Gewichtung dieser beiden, entsprechend der Lerndichte im jeweiligen Bereich (hierbei kann das auf 2 mal 4 Bit als 1 Byte reduziert werden, so dass insgesamt nur 3 Byte Datenspeicher, insbesondere EEPROM (Electrically Erasable Programmable Read-Only Memory)-Bedarf, pro Fahrer notwendig sind).
Der Algorithmus wird dabei sozusagen in der Software realisiert und kann auch als rein computerimplementiertes Verfahren ausgestaltet sein. Das Verfahren kann auch die Applikation der fest eingestellten Moden erleichtern, da alle real gefahrenen Kurven über weite Strecken in die Adaption einfließen und das System nicht auf wenige verfügbare ausgemessene Kurven angewiesen ist. Ein Versuchsfahrer (werkseitig) oder auch die Anwender fahren in diesem Lernmodus eine Strecke auf realen Straßen, so dass eine statistisch perfekt abgesicherte Applikation erzielt werden kann. Je länger die Strecke und je mehr Fahrer dabei beteiligt sind und je unterschiedlicher die Straßenverhältnisse bzw. Kurven sind umso genauer kann die Adaption erfolgen. Für diesen Zweck fährt man idealerweise verkehrsarme Strecken oder Teststrecken, um noch schneller und exakter zu lernen.
Ferner können Krümmungsdaten, wenn zusätzlich aus dem Navigationssystem, Car-to-Car- oder Car-to-X-Kommunikation oder einer anderen übergeordneten Einheit zur Verfügung stehen, mit den selbst berechneten Krümmungen bzw. Kurven kombiniert werden, um diese zu korrigieren. Wiederholt gefahrene Kurven mit signifikanten Abweichungen können auch zum Kartenmaterial hinzugefügt und gespeichert werden, so dass z. B. im ACC Modus optimiert gefahren werden kann. Wenn dabei ein Kommunikationskanal zum Kartendienstleister zur Verfügung steht, können die Daten an den Dienstleister gesendet werden, insbesondere sobald sie hinreichend statistisch abgesichert sind. Das ermöglicht dem Dienstleister die Daten aus den Rückmeldungen der einzelnen Fahrzeuge zu optimieren.
In den 2-5 ist das erfindungsgemäße Verfahren anhand eines Ausgestaltungsbeispiels exemplarisch und vereinfacht aufgezeigt. 2 zeigt eine erste grobe Adaption der Kennlinie nach Inbetriebnahme des Fahrzeuges. 3 zeigt die Inbetriebnahme beim automatischen Fahren nach der ersten Adaption, d. h. die Ausgangskennlinie (personalisierte Kennlinie) für eine automatisierte Fahrt nach Neustart. 4 zeigt die Referenzkennlinie sowie die personalisierte Kennlinie nach ersten Lernfortschritt, d. h. eine weitgehende Adaption nach (hoch) gewichteten Lernkonditionen. In 5 ist exemplarisch eine Referenzkennlinie gezeigt, wobei eine Regression der Abweichung am Beispiel einer Regression gezeigt ist.
Bezugszeichenliste

1: Fahrzeug
2: Steuereinrichtung
3: Lenkung
4: Motor
5: Bremse
6: Radarsensor
7: Lidarsensor
8: Frontkamera
9a-9d: Ultraschallsensor

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 112007001039 B4 [0005]

Claims

Verfahren zur automatisierten Fahrzeugführung eines Fahrzeuges (1), bei dem Kurvenfahrten autonom geplant und/oder durchgeführt werden, wobei ein Kurvenradius ermittelt wird, die Querbeschleunigung des fahrzeuges (1) über den Kurvenradius als eine Referenzkennlinie ermittelt wird und durch Bezug auf eine Referenzkennlinie eine personalisierte Kennlinie anhand von Fahreingriffen des Fahrers erlernt wird.
Verfahren nach Anspruch 1,dadurch gekennzeichnet, dass der Kurvenradius aus Geschwindigkeit und Querbeschleunigung des Fahrzeuges (1) ermittelt wird und/oder Navigationsdaten, Kamera-, Lidar- oder Radardaten, Gierrate, Radgeschwindigkeiten, Lenkwinkel oder die Daten eines Beschleunigungssensors zur Ermittlung des Kurvenradius herangezogen werden.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die für die Ermittlung der geeigneten Kurvenfahrten herangezogenen Fahreingriffe des Fahrers beim manuellen Steuern des Fahrzeuges (1) oder bei Eingriffen in das assistierte Steuern des Fahrzeuges (1) erfolgen.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für die Ermittlung der geeigneten Kurvenfahrten nur relevante Kurven ausgewählt herangezogen werden, in denen der Fahrer einen Fahreingriff vornimmt
Verfahren nach Anspruch 4,dadurch gekennzeichnet, dass als relevante Kurven, Kurven ausgewählt werden in denen - der Fahrer vor der nahenden Kurve verzögert und/oder - der Fahrer nach dem Kurvenscheitel beschleunigt und/oder - in denen höhere Querbeschleunigungen vorliegen.
Verfahren nach einem der Ansprüche 4 oder 5, dadurch gekennzeichnet, dass für die Ermittlung der geeigneten Kurvenfahrten Kurven, in denen der Fahrer einen Fahreingriff vornimmt, nicht ausgewählt werden, wenn Ausschlusskriterien vorliegen.
Verfahren nach einem der Ansprüche 4-6, dadurch gekennzeichnet, dass eine Gewichtung der relevanten Kurven vorgesehen ist, wobei höhere Querbeschleunigungen vorzugsweise stärker gewichtet werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Gewichtung einzelner Kurven heuristisch anhand der Eignung und Datenqualität erfolgt.
Verfahren nach einem der Ansprüche 7 oder 8, dadurch gekennzeichnet, dass die Gewichtung einzelnen Messpunkten zugeordnet wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Reduzierung auf ein überbestimmtes Gleichungssystem erfolgt.
Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass das Reduzieren anhand folgender Verfahrensschritte erfolgt: - Linearisieren des Funktionsbereichs durch Logarithmieren der Kurvenradien, - Applizieren des Verlaufs von Querbeschleunigung über Kurvenradius als Referenzkennlinie, - Berechnen der prozentualen Abweichung von dieser Referenzkennlinie, - Bestimmen und Anwenden der Geradenfunktion dieser Abweichungen.
Verfahren nach einem der Ansprüche 10 oder 11, dadurch gekennzeichnet, dass als Gleichungssystem eine Funktion erster Ordnung oder höherer Ordnung vorgesehen ist.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass anhand der Fahreingriffedes Fahrers Lernpunkte ermittelt werden.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Bestimmungsgleichung aus einer aus den Lernpunkten resultierenden Gerade ermittelt und in einem Speicher hinterlegt wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Referenzkennlinie angepasst wird, insbesondere indem diese in festlegbaren Abständen durch die zuletzt adaptierte Kennlinie überschrieben oder an diese angepasst wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich kartografische Informationen und/oder GPS-Daten und/oder Informationen aus Car-to-Car und/oder Informationen aus Car-to-X-Kommunikationen und/oder Navigationsdaten und/oder Sensor- und Umfelddaten zur Bestimmung der Radien und/oder Festlegung der Querbeschleunigung herangezogen werden.
Steuereinrichtung dadurch gekennzeichnet, dass die Steuereinrichtung (2) hergerichtet ist, eine Fahrzeugführung anhand eines Verfahrens nach mindestens einem der vorhergehenden Ansprüche durchzuführen.
Computerprogramm mit Programmcode zur Durchführung eines Verfahren nach mindestens einem der vorhergehenden Ansprüche 1-16, wenn das Computerprogramm in einem Computer ausgeführt wird.
Computerlesbares Speichermedium umfassend Anweisungen, welche den Computer, auf dem sie ausgeführt werden, veranlassen, ein Verfahren nach mindestens einem der vorhergehenden Ansprüche 1-16 auszuführen.