[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2024193956A1 - VERFAHREN ZUR VORHERSAGE VON ERWARTBAREN STRAßENOBERFLÄCHENTEMPERATUREN - Google Patents

VERFAHREN ZUR VORHERSAGE VON ERWARTBAREN STRAßENOBERFLÄCHENTEMPERATUREN Download PDF

Info

Publication number
WO2024193956A1
WO2024193956A1 PCT/EP2024/055013 EP2024055013W WO2024193956A1 WO 2024193956 A1 WO2024193956 A1 WO 2024193956A1 EP 2024055013 W EP2024055013 W EP 2024055013W WO 2024193956 A1 WO2024193956 A1 WO 2024193956A1
Authority
WO
WIPO (PCT)
Prior art keywords
surface temperatures
road surface
data
road
environmental information
Prior art date
Application number
PCT/EP2024/055013
Other languages
English (en)
French (fr)
Inventor
Timo ESPENSCHIED
Patrick Blume
Wiebke LOOGEN
Original Assignee
Mercedes-Benz Group AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mercedes-Benz Group AG filed Critical Mercedes-Benz Group AG
Publication of WO2024193956A1 publication Critical patent/WO2024193956A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Definitions

  • the invention relates to a method for predicting expected road surface temperatures for at least one road section according to the preamble of claim 1.
  • DE 102015 000 394 A1 discloses a method for generating a digital map, in which location-dependent estimates of a physical measurement value are recorded in the digital map.
  • Measurement data relating to the road condition, as well as data on the temperature, for example, can be collected via a fleet of vehicles. This data can be transmitted to a server via mobile communications and processed from there.
  • a digital map with the associated collected data can be transmitted to the vehicles so that a road condition can be made available to the driver assistance system depending on the location on the map.
  • the driver assistance system can switch functions on or off depending on this and thus respond to the environmental conditions.
  • DE 102019 135 751 A1 describes a generic method for predicting expected road surface temperatures for at least one road section, wherein surface temperatures of a road surface in the road section are measured using at least one sensor.
  • Environmental information is assigned to the measurement and sent to a backend together with the surface temperatures.
  • Machine learning is used to learn a connection between the environmental information and the surface temperatures, so that expected road surface temperatures can be estimated as fixed values.
  • DE 102020 004 018 A1 describes the release of an autonomous driving function depending on temperature conditions.
  • the disadvantage is that only data that has already been measured is fed into the system. It is therefore not possible to make a prediction for future situations.
  • a future situation is advantageous, particularly for adapting functions provided by the driver assistance system, in order to act economically, sustainably and proactively.
  • the object of the present invention is to provide a method for predicting expected road surface temperatures, whereby future data can also be determined that cannot be measured directly on site.
  • this object is achieved by a method for predicting expected road surface temperatures with the features in claim 1, and here in particular in the characterizing part of claim 1.
  • surface temperatures of a road surface in the road section are measured using at least one sensor, with environmental information being assigned to the measurement and sent to a backend together with the surface temperatures, with a connection between the environmental information and the surface temperatures being learned using machine learning so that expected road surface temperatures can be estimated.
  • An interval is provided as an output value that provides a maximum and a minimum possible value of the road surface temperature depending on the location. An uncertainty in the prediction of the values can therefore be quantified and better estimated.
  • point estimator only the value of the surface temperature is used as a so-called point estimator. The method now provided can advantageously ensure how well the estimate approximates the actual value.
  • the method for predicting expected road surface temperatures for at least one road section makes it possible, for example, to create a current road surface temperature map and to make a prediction as to how the data of the road surface temperature map will change over a certain period of time.
  • a map can be advantageous for road management, for example, in particular for winter management by road operators to ensure infrastructure safety.
  • the functionality of vehicle assistance systems is increased.
  • the availability of levels 3 to 5 driving functions can be significantly increased as precise information on the surface condition and future values is available, which can avoid premature shutdown of the system.
  • the method can therefore advantageously extend a current restriction on the use of automated driving, meaning that the automated functions can be used in significantly more situations and safety-critical infrastructure can be identified at an early stage.
  • Infrastructure operators can also advantageously maintain roads better, faster and more cost-effectively as conclusions can be drawn about the condition of the road over time by predicting the road surface temperature. Consequently, the high data density can close previous knowledge gaps. This offers particular advantages with regard to previously known stationary measurements.
  • surface temperatures can be determined that represent limit values or are critical for certain local conditions, such as wetness or ice. This allows more precise predictions to be made for the condition of the road. Consequently, both external and internal vehicle applications can react appropriately to adapt driving behavior to the condition of the road.
  • the actual detection of the road surface temperature based on the available data can, for example, only take place in the backend.
  • the detection can therefore depend on different requirements, such as transmission capacity and online computing capacity.
  • a machine learning model can be trained on the basis of the collected data, which, for example, outputs a prediction interval using a conformal prediction and thus predicts an uncertainty of the machine learning model.
  • the data is therefore preferably output as data of an interval.
  • the machine learning model can be trained for the first time on development vehicles with appropriate sensors that can measure the road surface temperature.
  • the backend is supplied with such information or data from a large number of different vehicles so that a map of the environment can be created.
  • the expected road surface temperatures for future points in time can be determined using a conformal prediction algorithm, whereby an uncertainty of the machine learning data is determined.
  • a conformal prediction algorithm whereby an uncertainty of the machine learning data is determined.
  • the current road surface temperature and a temporal development of the road surface temperature at certain geopositions can be estimated very precisely experimentally and using a large data density.
  • the output of a prediction interval is used to qualify the limits of machine learning.
  • conformal prediction approaches such as split conformal prediction, full conformal prediction or a method that lies between the two approaches, such as cross-conformal prediction or Jacknife, can be used.
  • the environmental information can be geopositions and times. This allows the data to be assigned to a specific location at a specific time.
  • the environmental information can, for example, come from a measuring sensor on the vehicle itself.
  • environmental information from weather stations or from measurement data from the road operator can be used.
  • the environmental information can include conditions such as sun intensity, amount of precipitation, amount of snow and, in particular, air temperature.
  • Sensors and/or cameras as well as a wireless connection, for example via mobile communications can be used to transmit the data to a backend server. All of this data, which can also include data from the German Weather Service, can be collected anonymously in the backend.
  • additional data is measured using on-board sensors in a vehicle, which are then sent to the backend together with the environmental information and the surface temperatures.
  • This can result in improved geographical coverage of weather data.
  • the sensors can be located very close to the road surface, so that the data of the road surface in particular can be specified very precisely.
  • a further advantageous embodiment may provide that the conformal prediction algorithm aggregates a set of data and divides it with equal distribution into training set, test set and calibration set.
  • machine learning can be carried out on the basis of the training set.
  • a score function is defined which defines an unusualness of a data set compared to a previous data set.
  • Calibration scores can be calculated using the previously defined calibration set.
  • a defined quantile function can be calculated on the calibration score. The quantile can be used in particular to calculate prediction intervals for new examples so that marginal coverage is met in particular. In other words, this means calculating a probability, whereby the probability that the prediction intervals contain the correct label can be specified as 1 - alpha, where alpha is in [0,1].
  • a further advantageous embodiment can provide for a map to be created with information on road surface temperatures, using data from a vehicle fleet. Furthermore, the created map can be made available to each vehicle in the fleet, whereby these vehicles must in particular comprise subsystems in order to transmit or receive the data contributing to the determination of the map.
  • an autonomous driving function is enabled or not depending on the current and future road surface temperatures determined.
  • the autonomous driving functions can be used more widely and need to be deactivated less often.
  • infrastructure operators can use the information to better maintain their road network.
  • Fig. 1 is a schematic representation of the procedure.
  • step marked with 1 on-board data from a number of vehicles can be measured and stored, which are measured, for example, via the respective sensors on the vehicle.
  • the data can be combined with off-board data via a communication module, which is determined in a step marked with 2.
  • This so-called off-board data can contain data from environmental conditions and geopositions that are not measured by the vehicle, marked with step 3.
  • Data from a weather provider can be added to the data in a step marked with 4.
  • this can be used to determine a road surface temperature, whereby the data can be determined using artificial intelligence.
  • environmental variables can be aggregated in the backend at a point in time t and a Kl model can be used to predict the behavior of the road surface temperature for future points in time t + n, where n is a natural number.
  • the following predictions can be made, for example.
  • a Kl model is uncertain; the model has difficulty making a decision here. To improve this, more data should be collected or data should be homogenized. With a small interval, the Kl model is very reliable, and a very good approximation of reality can be achieved.
  • the Kl model establishes a connection between environmental variables and the road surface temperature, whereby an uncertainty in the model can be quantified using a conformal prediction.
  • a method for determining, providing and predicting geolocated road surface temperatures can therefore be provided.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt, wobei 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. Erfindungsgemäß ist vorgesehen, dass ein Intervall mit einem maximal sowie einem minimal möglichen Wert der Straßenoberflächentemperatur abhängig vom Ort als Ausgabewert erzeugt wird.

Description

Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen
Die Erfindung betrifft ein Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt gemäß Oberbegriff des Anspruchs 1.
Aus der DE 102015 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.
Die DE 102019 135 751 A1 beschreibt ein gattungsbildendes Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt, wobei über zumindest einen Sensor Oberflächentemperaturen einer Straßenoberfläche in dem Straßenabschnitt gemessen werden. Der Messung werden Umgebungsinformationen zugeordnet und gemeinsam mit den Oberflächentemperaturen an ein Backend gesendet. Mittels maschinellen Lernens wird eine Verbindung zwischen den Umgebungsinformationen und den Oberflächentemperaturen gelernt, so dass erwartbare Straßenoberflächentemperaturen jeweils als feste Werte abgeschätzt werden können.
Die DE 102020 004 018 A1 beschreibt eine Freigabe einer autonomen Fahrfunktion in Abhängigkeit von Temperaturbedingungen. 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. Als Ausgabewert wird ein Intervall bereitgestellt, das einen maximal sowie einen 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 Trainingsund 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:
Fig. 1 eine schematische Darstellung zum Ablauf des Verfahrens.
In der Darstellung der Fig. 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 Kl-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 Kl-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.

Claims

Patentansprüche
1. Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen für zumindest einen Straßenabschnitt, wobei 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, dadurch gekennzeichnet, dass ein Intervall mit einem maximal sowie einem minimal möglichen Wert der Straßenoberflächentemperatur abhängig vom Ort als Ausgabewert erzeugt wird.
2. 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.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass es sich bei den Umgebungsinformationen um Geopositionen und Uhrzeiten handelt.
4. 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.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass
Daten eines Straßenbetreibers verwendet und ebenso an das Backend gesendet werden.
6. 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.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das maschinelle Lernen auf Grundlage der Trainingsmenge erfolgt.
8. 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.
9. 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.
10. 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.
PCT/EP2024/055013 2023-03-20 2024-02-27 VERFAHREN ZUR VORHERSAGE VON ERWARTBAREN STRAßENOBERFLÄCHENTEMPERATUREN WO2024193956A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023001090.1A DE102023001090A1 (de) 2023-03-20 2023-03-20 Verfahren zur Vorhersage von erwartbaren Straßenoberflächentemperaturen
DE102023001090.1 2023-03-20

Publications (1)

Publication Number Publication Date
WO2024193956A1 true WO2024193956A1 (de) 2024-09-26

Family

ID=90105147

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/055013 WO2024193956A1 (de) 2023-03-20 2024-02-27 VERFAHREN ZUR VORHERSAGE VON ERWARTBAREN STRAßENOBERFLÄCHENTEMPERATUREN

Country Status (2)

Country Link
DE (1) DE102023001090A1 (de)
WO (1) WO2024193956A1 (de)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015000394A1 (de) 2015-01-13 2016-07-14 Audi Ag Fahrzeugflotten-basierte Messung von Umgebungsdaten
US20190217864A1 (en) * 2016-09-13 2019-07-18 Panasonic Intellectual Property Management Co., Ltd. Road surface condition prediction system, driving assistance system, road surface condition prediction method, and data distribution method
DE102020004018A1 (de) 2020-07-03 2020-10-08 Daimler Ag Verfahren zur Freigabe der Fahrt eines autonom fahrenden Fahrzeugs
DE102019135751A1 (de) 2019-12-23 2021-06-24 Nira Dynamics Ab Verfahren, Vorrichtungen, Systeme und Computerprogrammprodukte zum Schätzeneiner Fahrbahnoberflächentemperatur
US20220366786A1 (en) * 2021-05-03 2022-11-17 Here Global B.V. Method and apparatus for estimating lane pavement conditions based on street parking information

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015000394A1 (de) 2015-01-13 2016-07-14 Audi Ag Fahrzeugflotten-basierte Messung von Umgebungsdaten
US20190217864A1 (en) * 2016-09-13 2019-07-18 Panasonic Intellectual Property Management Co., Ltd. Road surface condition prediction system, driving assistance system, road surface condition prediction method, and data distribution method
DE102019135751A1 (de) 2019-12-23 2021-06-24 Nira Dynamics Ab Verfahren, Vorrichtungen, Systeme und Computerprogrammprodukte zum Schätzeneiner Fahrbahnoberflächentemperatur
DE102020004018A1 (de) 2020-07-03 2020-10-08 Daimler Ag Verfahren zur Freigabe der Fahrt eines autonom fahrenden Fahrzeugs
US20220366786A1 (en) * 2021-05-03 2022-11-17 Here Global B.V. Method and apparatus for estimating lane pavement conditions based on street parking information

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IBAI LA\~NA ET AL: "Measuring the Confidence of Traffic Forecasting Models: Techniques, Experimental Comparison and Guidelines towards Their Actionability", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 28 October 2022 (2022-10-28), XP091356367 *
SOPHIA SUN: "Conformal Methods for Quantifying Uncertainty in Spatiotemporal Data: A Survey", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 8 September 2022 (2022-09-08), XP091312940 *

Also Published As

Publication number Publication date
DE102023001090A1 (de) 2024-09-26

Similar Documents

Publication Publication Date Title
DE102019104974A1 (de) Verfahren sowie System zum Bestimmen eines Fahrmanövers
EP2631878A1 (de) Diagnoseverfahren und Diagnosevorrichtung für eine Fahrzeugkomponente eines Fahrzeugs
EP2877384A2 (de) Verfahren zur diagnose von streckenkomponenten eines streckennetzes des schienenverkehrs
DE102019135751B4 (de) Verfahren, Vorrichtungen, Systeme und Computerprogrammprodukte zum Schätzen einer Fahrbahnoberflächentemperatur
EP0941534A1 (de) Verfahren zur ermittlung von fahrtroutendaten
DE102017216202A1 (de) Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße
DE102016207276A1 (de) Verfahren zur Freigabe einer Fahrfunktion in einem Fahrzeug
CN106570560A (zh) 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法
DE102020103124A1 (de) Verfahren und vorrichtung zur hochauflösenden kartenbasierten fahrzeugsteuerung für unterstütztes fahren
DE102016207089A1 (de) Verfahren und Vorrichtung zum Vergleichen zweier Karten mit darin hinterlegten Landmarken
WO2024193956A1 (de) VERFAHREN ZUR VORHERSAGE VON ERWARTBAREN STRAßENOBERFLÄCHENTEMPERATUREN
DE102019207215A1 (de) Verfahren zum Verwenden einer merkmalbasierten Lokalisierungskarte für ein Fahrzeug
CN114971268A (zh) 列车性能评估方法及装置、存储介质及电子设备
EP3206928B1 (de) Verfahren zum ermitteln einer fahrtreichweite eines kraftfahrzeugs und kraftfahrzeug
DE102018202498B4 (de) Verfahren und Steuergerät zum Betreiben eines Antriebsstrangs
DE102019000617A1 (de) Verfahren zur automatischen Erkennung mindestens einer Verkehrsstörung auf einer Route eines Fahrzeugs, Navigationssystem zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Navigationssystem
DE102019008212A1 (de) Verfahren zur Nutzung künstlicher neuronaler Netze zur Berechnung von Motorbetriebspunkten im Betrieb eines Kraftfahrzeugs mit zumindest einem Antriebsmotor
EP4350660A1 (de) System und verfahren zur prädiktion einer zukünftigen position eines verkehrsteilnehmers
EP3789983A1 (de) Zentralisierte regulierung eines verkehrsflusses
DE102018220293A1 (de) Verfahren zum Steuern mindestens eines Fahrzeugs eines Fahrzeugverbunds
DE102018215017A1 (de) Verfahren zur Bestimmung einer Betriebsstrategie für Fahrzeug, System, Steuereinrichtung für ein Fahrzeug und ein Fahrzeug
DE102023001617A1 (de) Verfahren zur Vorhersage von Straßenoberflächenzuständen
EP3806009A1 (de) Verfahren zum bewerten einer ausgewählten route, routenbewertungssystem und computerprogramm
DE102020206633A1 (de) Verfahren zum Bereitstellen von Referenzdaten von zumindest einem Referenzfahrzeug
DE102013007867A1 (de) Ermitteln eine Stauentstehungswahrscheinlichkeit in einem Straßenverkehrsnetz mit einem Fahrzeug

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2024708400

Country of ref document: EP

Effective date: 20240906