DE102023001090A1

DE102023001090A1 - Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen

Info

Publication number: DE102023001090A1
Application number: DE102023001090.1A
Authority: DE
Inventors: Timo Espenschied; Patrick Blume; Wiebke Loogen
Original assignee: Mercedes Benz Group AG
Current assignee: Mercedes Benz Group AG
Priority date: 2023-03-20
Filing date: 2023-03-20
Publication date: 2024-09-26
Also published as: WO2024193956A1

Abstract

Die Erfindung betrifft ein Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt.Die Erfindung ist dadurch gekennzeichnet, dass über zumindest einen Sensor Oberflächentemperaturen einer Straßenoberfläche in dem Straßenabschnitt gemessen werden, wobei Umgebungsinformationen der Messung zugeordnet und gemeinsam mit den Oberflächentemperaturen an ein Backend gesendet werden, wobei mittels maschinellen Lernens eine Verbindung zwischen den Umgebungsinformationen und den Oberflächentemperaturen gelernt werden, sodass erwartbare Straßenoberflächentemperaturen abgeschätzt werden können.

Description

Die Erfindung betrifft ein Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt.
Aus der DE 10 2015 000 394 A1 ist ein Verfahren zum Erzeugen einer digitalen Karte bekannt, wobei in der digitalen Karte ortsabhängige Schätzwerte einer physikalischen Messgröße verzeichnet sind. Über eine Fahrzeugflotte können Messdaten, die den Straßenzustand betreffen, sowie beispielsweise auch Daten über die Temperatur gesammelt werden. Mittels Mobilfunk können diese Daten an einen Server übermittelt und von dort bearbeitet werden. Eine digitale Karte mit den zugeordneten gesammelten Daten kann an die Fahrzeuge übertragen werden, sodass ein Straßenzustand abhängig vom Ort auf der Karte dem Fahrerassistenzsystem bereitgestellt werden kann. Das Fahrerassistenzsystem kann davon abhängig Funktionen ein- oder ausschalten, und damit auf die Umgebungsbedingungen eingehen.
Nachteilig werden nur bereits gemessene Daten in das System eingespeist. Eine Vorhersage für zukünftige Situationen kann daher nicht getroffen werden. Insbesondere für die Anpassung von Funktionen, die das Fahrerassistenzsystem bereitgestellt, ist eine Situation in der Zukunft jedoch vorteilhaft, um wirtschaftlich, nachhaltig sowie vorausschauend zu handeln.
Die Aufgabe der vorliegenden Erfindung besteht nun darin, ein Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen anzugeben, wobei auch zukünftige Daten ermittelt werden können, die nicht direkt vor Ort messbar sind.
Erfindungsgemäß wird diese Aufgabe durch ein Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen mit den Merkmalen im Anspruch 1, und hier insbesondere im kennzeichnenden Teil des Anspruchs 1 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den hiervon abhängigen Unteransprüchen.
Im Kern des erfindungsgemäßen Verfahrens werden über zumindest einen Sensor Oberflächentemperaturen einer Straßenoberfläche in dem Straßenabschnitt gemessen, wobei Umgebungsinformationen der Messung zugeordnet und gemeinsam mit den Oberflächentemperaturen an ein Backend gesendet werden, wobei mittels maschinellen Lernens eine Verbindung zwischen den Umgebungsinformationen und den Oberflächentemperaturen gelernt werden, sodass erwartbare Straßenoberflächentemperaturen abgeschätzt werden können. Insbesondere kann beispielsweise als Ausgabewert ein Intervall bereitgestellt werden, das einen maximal sowie einem minimal möglichen Wert der Straßenoberflächentemperatur abhängig vom Ort zur Verfügung stellt. Eine Unsicherheit in der Vorhersage der Werte kann daher quantifiziert und besser eingeschätzt werden. Bei bekannten Systemen wird hingegen lediglich der Wert der Oberflächentemperatur als sogenannter Punktschätzer genutzt. Mit dem nun bereitgestellten Verfahren kann vorteilhafterweise sichergestellt werden, wie gut die Abschätzung den tatsächlichen Wert approximiert.
Das Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt ermöglicht es beispielsweise eine aktuelle Straßenoberflächentemperaturkarte zu erstellen, sowie eine Vorhersage zu treffen, wie sich die Daten der Straßenoberflächentemperaturkarte für eine gewisse Zeitspanne verhalten werden. Eine derartige Karte kann beispielsweise für ein Straßenmanagement, insbesondere für ein Wintermanagement der Straßenbetreiber zur Sicherstellung einer Infrastruktursicherheit, von Vorteil sein. Insbesondere wird jedoch die Funktionsfähigkeit von Fahrzeugassistenzsystemen gesteigert. Beispielsweise kann eine Verfügbarkeit der Level 3 bis 5 Fahrfunktionen dadurch wesentlich erhöht werden, da genaue Informationen zum Oberflächenzustand sowie zukünftige Werte vorliegen, wodurch ein frühzeitiges Abschalten des Systems vermieden werden kann. Durch das Verfahren kann daher vorteilhafterweise eine aktuelle Nutzungseinschränkung des automatisierten Fahrens erweitert werden, wodurch die automatisierten Funktionen in deutlich mehr Situationen genutzt und sicherheitskritische Infrastruktur frühzeitig aufgezeigt werden kann. Vorteilhafterweise können auch Infrastrukturbetreiber besser, schneller und kostengünstiger Straßen instandhalten, da durch die Vorhersage der Straßenoberflächentemperatur über die Zeit auf den Straßenzustand Rückschlüsse geschlossen werden können. Folglich können durch die hohe Datendichte bisherige Wissenslücken geschlossen werden. Dies bittet insbesondere Vorteile bezüglich bisher bekannter stationärer Messungen.
Durch die Verwendung des maschinellen Lernens können Oberflächentemperaturen ermittelt werden, die für bestimmte Ortsgegebenheiten unterschiedliche Aggregatszustände, wie beispielsweise Nässe oder Eis, Grenzwerte darstellen bzw. kritisch sind. Dadurch können präzisere Vorhersagen für den Zustand der Fahrbahn gemacht werden. Folglich können sowohl fahrzeugexterne Anwendungen als auch fahrzeuginterne Anwendungen angepasst reagieren, um das Fahrverhalten an den Zustand der Fahrbahn anzupassen.
Eine eigentliche Erkennung der Straßenoberflächentemperatur auf Basis der zur Verfügung stehenden Daten kann beispielsweise erst im Backend erfolgen. Die Erkennung kann daher abhängig von unterschiedlichen Anforderungen, wie beispielsweise einer Übertragungskapazität sowie einer Online-Rechenkapazität, sein. Auf Basis der gesammelten Daten kann ein Modell des maschinellen Lernens trainiert werden, das beispielsweise durch Verwendung eines Conformal Prediction ein Vorhersageintervall ausgibt und damit eine Unsicherheit des Modells des maschinellen Lernens vorhersagt. Die Ausgabe der Daten erfolgt daher bevorzugt als Daten eines Intervalls.
Ein erstmaliges Trainieren des Modells zum maschinellen Lernen kann an Entwicklungsfahrzeugen mit entsprechender Sensorik erfolgen, welche die Straßenoberflächentemperatur messen kann. Das Backend wird dabei insbesondere von einer Vielzahl an verschiedenen Fahrzeugen mit derartigen Informationen bzw. Daten versorgt, sodass eine Umgebungskarte erstellt werden kann.
Bevorzugt kann mittels eines Conformal Prediction Algorithmus die erwartbaren Straßenoberflächentemperaturen für zukünftige Zeitpunkte ermittelt werden, wobei eine Unsicherheit der Daten des maschinellen Lernens ermittelt wird. Somit kann die aktuelle Straßenoberflächentemperatur sowie eine zeitliche Entwicklung der Straßenoberflächentemperatur an bestimmten Geopositionen experimentell und durch eine große Datendichte sehr genau eingeschätzt werden. Insbesondere wird dadurch die Ausgabe eines Prädiktions-Intervalls genutzt, dass die Grenzen des maschinellen Lernens qualifiziert. Dabei können beispielsweise als Conformal Prediction Ansätze einer Split Conformal Prediction, einer Full Conformal Prediction oder ein Verfahren eingesetzt werden, das zwischen den beiden Ansätzen liegt, wie beispielsweise eine Cross-Conformal Prediction oder Jacknife.
Gemäß einer sehr vorteilhaften Weiterbildung der Idee kann es dabei vorgesehen sein, dass es sich bei den Umgebungsinformationen um Geopositionen und Uhrzeiten handelt. Dadurch können die Daten einem konkreten Ort zu einer bestimmten Uhrzeit zugeordnet werden. Die Umgebungsinformationen können beispielsweise von einer Messsensorik am Fahrzeug selbst stammen. Des Weiteren können Umgebungsinformationen von Wetterstationen oder von Messdaten des Straßenbetreibers genutzt werden. Bei den Umgebungsinformationen können Zustände wie Sonnenintensität, Niederschlagsmenge, Schneemenge und insbesondere Lufttemperatur umfasst sein. Dazu können Sensoren und/oder Kameras sowie eine drahtlose Verbindung, beispielsweise über Mobilfunk, genutzt werden, um die Daten an einen Backend-Server zu vermitteln. Eine Gesamtheit all dieser Daten, wobei auch Daten vom Deutschen Wetterdienst umfasst sein können, können anonymisiert im Backend gesammelt werden.
Dabei kann es gemäß einer vorteilhaften Ausgestaltung vorgesehen sein, dass mittels einer Onbord-Sensorik eines Fahrzeugs weitere Daten gemessen werden, die gemeinsam mit den Umgebungsinformationen und den Oberflächentemperaturen an das Backend gesendet werden. Dadurch kann eine verbesserte geographische Abdeckung von Wetterdaten bereitgestellt werden. Insbesondere kann sich die Sensorik in nur sehr geringem Abstand zu der Straßenoberfläche befinden, sodass insbesondere die Daten der Straßenoberfläche sehr genau spezifiziert werden können.
Gemäß einer sehr vorteilhaften Weiterbildung der Idee kann es dabei vorgesehen sein, dass Daten eines Straßenbetreibers verwendet und ebenso an das Backend gesendet werden. Dabei können ebenso öffentlich zugängliche Wetterdaten aus stationären Messungen hinzugezogen werden. All diese Daten erhöhen die Datendichte, sodass das System noch genauer arbeiten kann.
Eine weitere vorteilhafte Ausgestaltung kann es vorsehen, dass der Conformal Prediction Algorithmus eine Menge an Daten aggregiert und mit gleicher Verteilung in Trainingsmenge, Testmenge und Kalibrierungsmenge aufteilt.
Dabei kann es gemäß einer sehr vorteilhaften Weiterbildung der Idee vorgesehen sein, dass das maschinelle Lernen auf Grundlage der Trainingsmenge erfolgt.
Dabei kann es gemäß einer vorteilhaften Ausgestaltung vorgesehen sein, dass eine Score-Funktion definiert wird, welche eine Ungewöhnlichkeit eines Datensatzes zu einem vorherigen Datensatz definiert. Mit der zuvor definierten Kalibrierungsmenge können Kalibrierungsscores berechnet werden. Dabei kann eine definierte Quantilfunktion auf den Kalibrierungsscore berechnet werden. Das Quantil kann insbesondere dafür genutzt werden, Vorhersageintervalle für neue Beispiele zu berechnen, sodass insbesondere eine marginale Abdeckung erfüllt ist. Dies bedeutet mit anderen Worten, die Berechnung einer Wahrscheinlichkeit, wobei die Wahrscheinlichkeit, dass die Vorhersageintervalle das richtige Label beinhalten, mit 1 - alpha, wobei alpha in [0,1] vorliegt, angegeben werden kann.
Durch derartige Ansätze ergeben sich insbesondere die Vorteile, dass nur in Trainings- und Testmenge unterteilt werden muss. Dabei wird beispielsweise auf dem Trainingsdatensatz ein Kl-Modell trainiert. Auf einen Kalibrierungsdatensatz kann verzichtet werden, wobei die Auswahl dieses Datensatzes schwierig ist. Des Weiteren kann auf das Erlernen einer Scoring-Funktion verzichtet werden, da dies trainiert wird bzw. ausgewählt werden kann.
Eine weitere vorteilhafte Ausgestaltung kann es vorsehen, dass eine Karte mit Informationen zu Straßenoberflächentemperaturen erstellt wird, wobei Daten einer Fahrzeugflotte genutzt werden. Des Weiteren kann die erstellte Karte jedem Fahrzeug in der Flotte bereitgestellt werden, wobei diese Fahrzeuge insbesondere Teilsysteme umfassen müssen, um die zur Ermittlung der Karte beitragenden Daten zu übermitteln bzw. zu empfangen.
Gemäß einer sehr vorteilhaften Weiterbildung der Idee kann es dabei vorgesehen sein, dass je nach ermittelter aktueller und zukünftiger Straßenoberflächentemperaturen eine autonome Fahrfunktion freigegeben wird oder nicht. So können die autonomen Fahrfunktionen großflächiger genutzt werden und müssen seltener deaktiviert werden.
Dies umfasst insbesondere die Verfügbarkeit der Level 3 bis 5 Fahrfunktionen, welche wesentlich erhöht wird. Folglich können die Informationen dazu verwendet werden, das autonome Fahren zu erweitern. Des Weiteren können Infrastrukturbetreiber die Informationen dazu nutzen, ihr Straßennetz besser Instand zu halten.
Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens zur Vorhersage von erwartbaren Straßenoberflächentemperaturen ergeben sich auch aus dem Ausführungsbeispiel, welches nachfolgend unter Bezugnahme auf die Figur näher dargestellt ist.
Dabei zeigt:

1 eine schematische Darstellung zum Ablauf des Verfahrens.

In der Darstellung der 1 ist ein möglicher Ablauf des Verfahrens schematisch dargestellt. In einem mit 1 gekennzeichneten Schritt können Onbord-Daten von einer Mehrzahl an Fahrzeugen gemessen und abgespeichert werden, welche beispielsweise über die jeweilige Sensorik am Fahrzeug gemessen werden. Über ein Kommunikationsmodul können die Daten mit Offbord-Daten kombiniert welchen, welche in einem mit 2 gekennzeichneten Schritt ermittelt werden. Diese sogenannten Offbord-Daten können Daten von Umgebungszuständen sowie Geopositionen beinhalten, die nicht vom Fahrzeug gemessen werden, gekennzeichnet mit Schritt 3. Dabei können Daten eines Wetteranbieters, durch einen mit 4 gekennzeichnet Schritt, den Daten zugespielt werden. Zurück zu Schritt 2 kann dadurch eine Straßenoberflächentemperatur ermittelt werden, wobei die Daten über künstliche Intelligenz bestimmt werden können.
Beispielsweise können Umgebungsvariablen zu einem Zeitpunkt t im Backend aggregiert und mit einem KI-Modell das Verhalten der Straßenoberflächentemperatur für zukünftige Zeitpunkte t + n, wobei n eine natürliche Zahl, vorhergesagt werden. Dabei können beispielsweise die folgenden Vorhersagen getroffen werden. Bei einem großen Intervall ist ein Kl-Modell unsicher, hier kann das Modell nur schlecht eine Entscheidung treffen. Zur Besserung sollten mehr Daten gesammelt bzw. Daten homogenisiert werden. Bei einem kleinen Intervall ist das Kl-Modell sehr sicher, wobei eine sehr gute Approximation der Wirklichkeit erfolgen kann.
Mit anderen Worten wird demnach mit dem KI-Modell eine Verbindung von Umgebungsvariablen zur Straßenoberflächentemperatur gelegt, wobei mit einem Conformal Prediction eine Unsicherheit des Modells quantifiziert werden kann. Zusammenfassend kann daher ein Verfahren zur Ermittlung, Bereitstellung und Prädiktion geolokalisierter Straßenoberflächentemperaturen bereitgestellt werden.
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 102015000394 A1 [0002]

Claims

Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt, dadurch gekennzeichnet, dass über zumindest einen Sensor Oberflächentemperaturen einer Straßenoberfläche in dem Straßenabschnitt gemessen werden, wobei Umgebungsinformationen der Messung zugeordnet und gemeinsam mit den Oberflächentemperaturen an ein Backend gesendet werden, wobei mittels maschinellen Lernens eine Verbindung zwischen den Umgebungsinformationen und den Oberflächentemperaturen gelernt werden, sodass erwartbare Straßenoberflächentemperaturen abgeschätzt werden können.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass mittels eines Conformal Prediction Algorithmus die erwartbaren Straßenoberflächentemperaturen für zukünftige Zeitpunkte ermittelt werden, wobei eine Unsicherheit der Daten des maschinellen Lernens ermittelt wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass es sich bei den Umgebungsinformationen um Geopositionen und Uhrzeiten handelt.
Verfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, dass mittels einer Onbord-Sensorik eines Fahrzeugs weitere Daten gemessen werden, die gemeinsam mit den Umgebungsinformationen und den Oberflächentemperaturen an das Backend gesendet werden.
Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass Daten eines Straßenbetreibers verwendet und ebenso an das Backend gesendet werden.
Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass der Conformal Prediction Algorithmus eine Menge an Daten aggregiert und mit gleicher Verteilung in Trainingsmenge, Testmenge und Kalibrierungsmenge aufteilt.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das maschinelle Lernen auf Grundlage der Trainingsmenge erfolgt.
Verfahren nach einem der Ansprüche 6 oder 7, dadurch gekennzeichnet, dass eine Score-Funktion definiert wird, welche eine Ungewöhnlichkeit eines Datensatzes zu einem vorherigen Datensatz definiert.
Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass eine Karte mit Informationen zu Straßenoberflächentemperaturen erstellt wird, wobei Daten einer Fahrzeugflotte genutzt werden.
Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass je nach ermittelter aktueller und zukünftiger Straßenoberflächentemperaturen eine autonome Fahrfunktion freigegeben wird oder nicht.