[0001] Die Erfindung betrifft ein Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer
in einem vorgegebenen Straßenabschnitt, umfassend eine Empfangseinheit mit einer Kommunikationsschnittstelle
zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern
bezogen auf den Straßenabschnitt.
[0002] Die Kollisionsvermeidung ist eine Grundvoraussetzung aller Fahrer von Fahrzeugen,
wie z.B. PKW, LKW, Motorrädern, während der Fahrt zu einem gewünschten Ziel. Es ist
im Stand der Technik bekannt, einen Fahrzeugnutzer auf die Anwesenheit von Fahrzeugen
in der Nähe aufmerksam zu machen, indem die anderen Fahrzeuge mit Sensoren, wie z.
B. fahrzeugseitigen Fahrzeugradarsystemen, erfasst werden. Solche Systeme sind jedoch
darauf beschränkt, andere Fahrzeuge zu erkennen, die sich innerhalb der Reichweite
des Sensors befinden, typischerweise innerhalb weniger Fahrzeuglängen.
[0003] Ferner gibt es jedoch bereits Ansätze ein allgemeines System für Straßenabschnitte
zur Erhöhung der Sicherheit auf einem Straßennetz anzugeben.
[0004] So offenbart die
US 9,659,496 B2 ein Verfahren und ein System zur Erhöhung der Sicherheit auf einem Straßennetz, umfassend:
einen Interaktionsdetektor mit einer Kommunikationsschnittstelle zum Empfangen einer
Vielzahl von Überwachungsvektoren von einem ersten Fahrzeug und einem zweiten Fahrzeug,
die sich auf dem Straßennetz bewegen;
ein Interaktionsrisikomodul, das dafür ausgelegt ist, aus der Vielzahl von Überwachungsvektoren
zu bestimmen, ob es eine Interaktion zwischen dem ersten Fahrzeug und dem zweiten
Fahrzeug gibt, wobei die Interaktion ohne Nutzung einer Vorabkenntnis einer vorgeplanten
Route von jedem von dem ersten Fahrzeug und dem zweiten Fahrzeug auf dem Straßennetz
bestimmt wird, und einen Nachrichtengenerator, der dafür ausgelegt ist, als Reaktion
darauf, dass durch das Interaktionsrisikomodul eine Interaktion bestimmt wird, eine
Nachricht an wenigstens das zweite Fahrzeug zu erzeugen und die Nachricht über die
Kommunikationsschnittstelle an das zweite Fahrzeug zu senden.
[0005] Es ist daher eine Aufgabe der Erfindung ein verbessertes, allgemeines, fahrzeugunabhängiges
Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt
anzugeben.
[0006] Diese Aufgabe wird gelöst durch ein Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer
in einem vorgegebenen Straßenabschnitt,
[0007] umfassend eine Empfangseinheit mit einer Kommunikationsschnittstelle zum Empfangen
einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmer bezogen auf den
Straßenabschnitt, und wobei
eine Speichereinheit vorgesehen ist, welche zumindest drei oder mehr Prädiktionsmodule
mit absteigender Prädiktionsqualität aufweist und wobei das erste Prädiktionsmodul
dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer
vorherzusagen, wenn bestimmte erste Bedingungen erfüllt sind und wobei das zweite
Prädiktionsmodul dazu ausgebildet ist, zumindest eine Prädiktion der Position der
erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen nicht erfüllt
sind und lediglich bestimmte zweite Bedingungen erfüllt sind, und wobei das dritte
Prädiktionsmodul dazu ausgebildet ist, zumindest eine Prädiktion der Position der
erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen als auch die
zweiten Bedingungen nicht erfüllt sind, und wobei
ein Prüfungsmodul vorgesehen ist, welches dafür ausgelegt ist, zu prüfen, ob die ersten
Bedingungen oder die zweiten Bedingungen oder die dritten Bedingungen in Bezug auf
den Straßenabschnitt und den Verkehrsteilnehmer erfüllt sind und in absteigender Qualitätsreihenfolge
und je nach erfüllten Bedingungen das Prädiktionsmodul mit der höchsten Prädiktionsqualität
auszuwählen, und wobei ein Prozessor vorgesehen ist, welcher zur Prädiktion zumindest
der zukünftigen Position der erfassten Verkehrsteilnehmer anhand des ausgewählten
Prädiktionsmoduls ausgebildet ist.
[0008] Straßenabschnitte können die aktuellen Straßenabschnitte (Standorte) sein oder ein
Straßenabschnitt kann stellvertretend für andere herangezogen werden wie beispielsweise
genügend ähnliche Kreisverkehre/Kreuzungen etc.
[0009] Straßenabschnitte können dabei einzelne Abschnitte eines Straßennetzes oder mehrere
Straßen umfassen.
[0010] Insbesondere umfassen die ersten Bedingungen die zweiten Bedingungen.
[0011] Das Alarmsystem kann dabei beispielsweise an einem Infrastrukturelement, wie einer
Ampel, an dem Straßenabschnitt angeordnet sein oder beispielsweise in einer Cloud
oder Edge Cloud etc. ausgeführt werden.
[0012] Die Bewegungsdaten können beispielsweise von den Fahrzeugen selbst als aufgenommene
Sensordaten, beispielsweise von einem vorausliegenden Umfeld, stammen oder aber durch
Kamerasysteme, welche den Straßenabschnitt im Gesamten umfassen. Diese Kamerasysteme
können beispielsweise in einer Ampel angeordnet sein. Aus diesen Sensordaten können
mittels herkömmlicher Extraktionsmethoden die Verkehrsteilnehmer sowie die zu ihnen
zugehörigen Bewegungsdaten (Trajektorien) extrahiert werden. Diese Sensordaten werden
dabei bevorzugt in Echtzeit übermittelt und ausgewertet. Aus den extrahierten Sensordaten
kann beispielsweise eine zurückliegende kurze Bewegungstrajektorie der Verkehrsteilnehmer
als Bewegungsdaten erstellt werden.
[0013] Erfindungsgemäß wurde erkannt, dass es ein großes Problem darstellt, dass die bisherige
Bewertung, ob eine Situation potenziell gefährlich ist, lediglich mit sehr einfachen
Methoden durchgeführt wird. So wird entweder nur die aktuelle Position der Verkehrsteilnehmer
benutzt oder eine einfache Extrapolation von aktuellen Bewegungsvektoren/Bewegungstrajektorien
durchgeführt. Dies führt jedoch zu dem Problem, dass Warnungen bei Gefahrensituationen
erst dann ausgegeben werden, wenn sich die Verkehrsteilnehmer bereits (zu) nahegekommen
sind. Durch diese sehr späte Warnung kann jedoch nicht mehr oder nur sehr schwer von
Seiten der Verkehrsteilnehmer reagiert werden, wodurch sich die Situation sogar noch
verschärfen kann (Notbremsung, falsche Ausweichmanöver).
[0014] Ferner lässt eine einfache und ausschließliche Extrapolation der Bewegungsvektoren
als weiteres Problem nur eine sehr ungenaue Vorhersage zu. Dies führt zu einer Unmenge
von unnötigerweise ausgelösten Warnungen, was einen Benutzer/Fahrzeugnutzer dazu veranlassen
kann, ein solches Warnsystem zu deaktivieren oder welches unnötig den Fahrzeugnutzer
vom Verkehrsgeschehen zu oft ablenkt, wodurch selber gefährliche Situationen hervorgerufen
werden können.
[0015] Durch das erfindungsgemäße Alarmsystem werden diese Probleme nun behoben. Durch das
erfindungsgemäße Alarmsystem kann die zukünftige Position der Verkehrsteilnehmer sehr
zuverlässig erkannt werden. Dadurch kann anschließend eine potenziell gefährliche
Situation zuverlässiger erkannt werden.
[0016] So werden zumindest drei Prädiktionsmodule mit unterschiedlicher absteigender Prädiktionsqualität
bereitgestellt, welche eine zuverlässige Vorhersage in Abhängigkeit von denjenigen
Bedingungen, die auf den Straßenabschnitt und Verkehrsteilnehmer gerade zutreffen,
liefern.
[0017] Dabei wurde erkannt, dass die unterschiedlichen Prädiktionsmodule mit unterschiedlichen
Prädiktionsqualitäten jeweils unterschiedliche Voraussetzungen/Bedingungen benötigen.
Dabei bedeutet absteigend, dass das erste Prädiktionsmodul eine höhere Prädiktionsqualität
als das zweite Prädiktionsmodul, und das zweite Prädiktionsmodul eine höhere Prädiktionsqualität
als das dritte Prädiktionsmodul aufweist.
[0018] Durch das erfindungsgemäße Alarmsystem wird stets auf dasjenige Prädiktionsmodul
mit höchster Prädiktionsqualität zurückgegriffen; in diesem Fall auf das erste Prädiktionsmodul
mit den ersten Bedingungen, und, falls dies nicht möglich ist, da die ersten Bedingungen
nicht erfüllt sind, auf das Prädiktionsmodul mit weniger Bedingungen zurückgegriffen,
in diesem Fall auf das zweite Prädiktionsmodul mit den zweiten Bedingungen und erst
wenn keine der beiden ersten oder zweiten Bedingungen erfüllt sind, auf ein drittes
Prädiktionsmodul. Dadurch ergibt sich, in Abhängigkeit von den auf diesem Straßenabschnitt
vorherrschenden Bedingungen, stets eine Prädiktion mit für diesen Straßenabschnitt
höchster Prädiktionsqualität. Dadurch kann die Position der Verkehrsteilnehmer genauerer
und mit höherer Wahrscheinlichkeit als im Stand der Technik vorhergesagt werden, wodurch
sich auch zukünftige Gefahrensituationen besser und mit höherer Wahrscheinlichkeit
bestimmen lassen.
[0019] In weiterer Ausbildung umfasst die Prädiktionsqualität zumindest die Eintrittswahrscheinlichkeit
und/oder die Genauigkeit einer zukünftigen Position eines Verkehrsteilnehmers. Kann
keine Eintrittswahrscheinlichkeit bestimmt werden, so kann diese grob geschätzt werden.
Ferner können auch noch andere Prädiktionsqualitäten wie Auflösung und Vorhersagezeitraum
umfasst sein. Insbesondere sind die Prädiktionsmodule dazu ausgelegt, die Positionen
der Verkehrsteilnehmer möglichst zuverlässig in einem Zeitraum bis zu 5 Sekunden vorherzusagen.
Wenn nun die zukünftigen Positionen der Verkehrsteilnehmer, beispielsweise mit einer
Auflösung von 200ms und einem Vorhersagehorizont von 5s mit zugehörigen Wahrscheinlichkeiten
und Genauigkeiten bekannt sind, können daraus potenzielle zukünftige gefährliche Situationen
genauer und zuverlässiger bestimmt werden.
[0020] In weiterer Ausbildung umfassen die Bewegungsdaten zumindest die aktuelle und vorherige
Position, Geschwindigkeit und Richtung eines Verkehrsteilnehmers über eine kurze Zeitdauer,
insbesondere eine gerade zurückliegende Zeitdauer bis zu einem aktuellen Zeitpunkt.
Dabei können Sensordaten in Echtzeit mittels am Fahrzeug angeordneten Sensoren, Drohne
oder Kameras/Sensoren in den entsprechenden Verkehrsleitsystemen, beispielsweise Ampeln,
einfach und zuverlässig erfasst werden und die Bewegungsdaten als extrahierte Trajektorie
der Verkehrsteilnehmer aus diesen Sensordaten erkannt werden.
[0021] In weiterer Ausgestaltung umfassen die Bewegungsdaten Daten aus weiteren Datenquellen,
welche zur Verkehrsführung in dem betreffenden Straßenabschnitt dienen. Das Alarmsystem
kann somit weitere Datenquellen verwenden, sofern diese verfügbar sind. So kann beispielsweise
die Vorhersage bzw. die Genauigkeit der Bewegungsdaten durch die Verwendung von Daten
wie einer aktuellen und zukünftigen Ampelschaltung weiter verbessert werden.
[0022] In einer weiteren Ausgestaltung umfasst das erste Prädiktionsmodul als erste Bedingung
ein trainiertes künstliches neuronales Netz für den Straßenabschnitt oder einen genügend
ähnlichen Straßenabschnitt sowie eine HD (hochauflösende)-Karte für den betreffenden
Straßenabschnitt, wobei das erste Prädiktionsmodul dazu ausgebildet ist, die Prädiktion
eines Verkehrsteilnehmers für den Straßenabschnitt anhand des trainierten künstlichen
neuronalen Netzes mit den Bewegungsdaten des Verkehrsteilnehmers und der HD-Karte
zu bewerkstelligen. Dadurch kann eine sehr genaue Vorhersage getroffen werden. Dabei
ist eine HD-Karte eine hochauflösende High-Definition Karte, welche ein aktuelles
Abbild der Wirklichkeit inklusive Leitplanken, Bäumen, Gräben und anderen verkehrsrelevanten
Objekten wie Fußgängerwegen und Zebrastreifen umfasst.
[0023] Die Bewegungsdaten werden unter Verwendung der aktuellen Standorte der Verkehrsteilnehmer
in der HD-Karte in das trainierte künstliche neuronale Netz eingegeben, welches eine
sehr genaue Prädiktion der Verkehrsteilnehmer liefert. Dabei ist das hingehend einer
solchen Prädiktion antrainierte künstliche neuronale Netz insbesondere mittels historischer
Daten trainiert worden, so dass eine genaue Prädiktion ermöglicht wird.
[0024] In weiterer Ausbildung ist das künstliche neuronale Netz lediglich für spezielle
Fälle in Bezug auf bestimmte Verkehrsteilnehmer und deren zukünftige Positionen trainiert.
Diese speziellen Fälle können beispielsweise eine Vorhersage, ob ein Fahrzeug abbiegen
oder geradeaus fahren wird, sein. Die Anwendung auf Spezialfälle hat den Vorteil,
dass für das Training weniger historische Daten benötigt werden, da insbesondere gerade
für die Anwendung maschineller Lernmethoden die Menge der verfügbaren Daten eine Begrenzung
darstellt.
[0025] In weiterer Ausbildung umfasst das zweite Prädiktionsmodul als zweite Bedingung eine
HD-Karte für den Straßenabschnitt, wobei das zweite Prädiktionsmodul dazu ausgebildet
ist, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt anhand der
HD-Karte für den Straßenabschnitt unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers
durchzuführen.
[0026] Ist für den oder einen ähnlichen Straßenabschnitt kein künstliches neuronales Netz
vorhanden, so kann mittels des zweiten Prädiktionsmoduls eine Prädiktion mit Hilfe
einer vorhandenen HD-Karte durchgeführt werden. Hierbei werden anhand der Bewegungsdaten,
also der aktuellen und vorherigen Positionen und der Bewegungsrichtungen mögliche
zukünftige Positionen (zukünftige Trajektorien) beispielsweise auf Fahrspuren/Gehwegen
bestimmt und mit Wahrscheinlichkeiten versehen. Dazu wird eine weitere Bewegung des
Verkehrsteilnehmers angenommen, um die zukünftigen Positionen und zukünftigen Bewegungsrichtungen
zu erhalten.
[0027] Dabei umfasst in einer weiteren Ausbildung eine hochpräzise HD-Karte zumindest die
Straßen als auch die Gehwege und die Verkehrsführungselemente, wie Zebrastreifen.
Dabei bilden hochpräzise HD-Karten ein Straßennetz hochgenau, beispielsweise zentimetergenau,
ab.
[0028] In einer weiteren Ausgestaltung ist das dritte Prädiktionsmodul dazu ausgebildet,
die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt anhand einer Extrapolation
unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers zu bewerkstelligen. Dies
entspricht einer einfachen Extrapolation der Bewegungsvektoren/Trajektorien. Dies
kann insbesondere auch dann zur Anwendung kommen, wenn beispielsweise ein Verkehrsteilnehmer
sich auf keinem üblicherweise benutzten Weg befindet, beispielsweise wenn ein Fußgänger
die Straße an einer verbotenen Stelle überquert.
[0029] Ferner kann der Prozessor dazu ausgebildet sein, die Prädiktion jeder Verkehrsteilnehmer
paarweise zur Bestimmung potenziell gefährlicher Situationen in korrespondierenden
Zeitschritten zu vergleichen. Sind die zukünftigen Positionen der Verkehrsteilnehmer
beispielsweise mit einem Vorhersagehorizont von 5s sowie mit zugehörigen Wahrscheinlichkeiten
und Genauigkeiten bekannt, können daraus potenziell zukünftige gefährliche Situationen
berechnet werden. Dazu können für jeden Zeitschritt in der Zukunft paarweise die Vorhersagen/Prädiktionen
der Verkehrsteilnehmer verglichen werden.
[0030] In weiterer Ausbildung ist der Prozessor dazu ausgebildet, die Gefährlichkeit einer
Situation mittels zumindest einem der nachfolgenden Faktoren zu bestimmen: der Größe
eines Überlappungsbereiches zwischen zwei Verkehrsteilnehmern und/oder anhand einer
zukünftigen Beschleunigung eines Verkehrsteilnehmers und/oder anhand eines zukünftigen
Winkels zwischen zwei Verkehrsteilnehmern und/oder die Zeit bis zu einer möglichen
Kollision zwischen zwei Verkehrsteilnehmern und/oder in Abhängigkeit von den verwendeten
Fahrspuren der Verkehrsteilnehmer.
[0031] So bedeutet ein größerer Überlappungsbereich zwischen zwei Verkehrsteilnehmern eine
höhere Gefahr. Ebenfalls einer höheren Gefahr entspricht es, wenn die zukünftige Geschwindigkeit
einer der Verkehrsteilnehmer sich erhöht, insbesondere bei einer signifikanten Beschleunigung.
Auch kann der zukünftige Winkel zwischen den Verkehrsteilnehmern betrachtet werden;
so bedeutet eine Annäherung direkt von hinten meist geringe Gefahr, da davon ausgegangen
werden kann, dass der von hinten sich nähernde Verkehrsteilnehmer den vor sich Fahrenden
bemerkt. Bei Annäherung von der Seite (Winkel ungleich Null) oder erwarteter Änderung
der Bewegungsrichtung ist hingegen von einer höheren Gefahr auszugehen. Ebenfalls
kann die Zeit bis zu einer erwarteten Kollision betrachtet werden; so bedeutet geringere
Zeit bis zur Kollision bei sichererer Vorhersage auch weniger Zeit zur Reaktion und
damit eine höhere Gefahr.
[0032] Ebenfalls können die verwendeten Fahrspuren zweier Verkehrsteilnehmer betrachtet
werden; so wird bei Verwendung der gleichen Fahrspur von einer tendenziell geringen
Gefahr ausgegangen, da die eigene Fahrspur gewöhnlich stets im Blick ist und von einer
höheren Gefahr bei sich kreuzenden Fahrspuren, insbesondere wenn sich Fahrradweg und
Straße kreuzen.
[0033] Insbesondere kann eine Kombination von den Faktoren herangezogen werden, um eine
gefährliche Situation sicher zu erkennen.
[0034] In weiterer Ausgestaltung ist der Prozessor dazu ausgebildet, bei der Bestimmung
der Gefährlichkeit einer Situation die Art der Verkehrsteilnehmer als weiteren Faktor
zu berücksichtigen. So ist eine Gefahr zwischen zwei Fußgängern selbst bei sehr großer
Überlappung, beispielsweise an einer Ampel, nahezu auszuschließen; jedoch ist eine
hohe Gefahr bei Beteiligung eines Fahrzeugs/LKWs anzunehmen.
[0035] Ferner ist in einer weiteren Ausgestaltung der Prozessor dazu ausgebildet, erkannte
gefährliche Situationen mittels eines Bewertungswertes zu bewerten.
[0036] Dieser kann anhand der erkannten obigen Faktoren, wie Größe des Überlappungsbereiches
etc., einfach bestimmt werden, d.h. aus diesen Faktoren wird nun eine Bewertung bestimmt,
wie gefährlich die zukünftigen Situationen sind.
[0037] In weiterer Ausbildung ist der Prozessor dazu ausgebildet, ab Überschreiten eines
vorgegebenen Schwellenwertes in Bezug auf den Bewertungswert, einen Alarm zumindest
an die an der gefährlichen Situation beteiligten Verkehrsteilnehmer zu übermitteln.
Falls ein gewisser Schwellenwert überschritten wird, wird ein Alarm an die beteiligten
Verkehrsteilnehmer geschickt. Insbesondere umfasst dieser Alarm zumindest eine Nachricht
und den Bewertungswert. Daher können auf dem Endgerät der Verkehrsteilnehmer beispielsweise
zusätzlich die übermittelten Alarme herausgefiltert werden, die eine geringe Bewertung
haben. Dies ermöglicht es dem Fahrzeugnutzer, selbst darauf Einfluss zu nehmen, wie
viele Alarme angezeigt werden. So kann ein risikobereiter Fahrzeugnutzer es verhindern,
subjektiv zu viele Alarme angezeigt zu bekommen.
[0038] Weitere Vorteile und Eigenschaften der Erfindung gehen aus der nachfolgenden Beschreibung
hervor, in der Ausführungsbeispiele der Erfindung anhand der Zeichnung im Einzelnen
erläutert werden. Es zeigen schematisch:
- FIG 1:
- schematisch das Alarmsystem,
- FIG 2:
- eine Prädiktion mit dem ersten Prädiktionsmodul,
- FIG 3:
- eine Prädiktion mit dem zweiten Prädiktionsmodul,
- FIG 4:
- eine Prädiktion mit dem dritten Prädiktionsmodul.
[0039] FIG 1 zeigt schematisch das Alarmsystem 1 zur Warnung vulnerabler Verkehrsteilnehmer
in einem vorgegebenen Straßenabschnitt 2 (FIG 2). Das Alarmsystem 1 kann beispielsweise
am Straßenrand in einem Infrastrukturelement wie einer Ampel integriert sein oder
in einer Cloud oder Edge Cloud.
[0040] Das Alarmsystem 1 umfasst dabei eine Empfangseinheit 4 mit einer Kommunikationsschnittstelle
3 zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern
bezogen auf den Straßenabschnitt 2. Diese Bewegungsdaten können als Sensordaten ausgebildet
sein oder aus diesen extrahiert sein, welche von an den Fahrzeugen angeordneten Lidar-/Radar-
und Kamerasystemen stammen oder beispielsweise von Sensorsystemen, welche an den umliegenden
Infrastrukturelementen, wie Verkehrsampeln, angeordnet sind. Aus diesen Sensordaten
können die Verkehrsteilnehmer sowie deren Bewegungsdaten, insbesondere Bewegungstrajektorien,
extrahiert werden. Die Extraktion und Übertragung erfolgt dabei in Echtzeit. Die Bewegungsdaten
umfassen dabei zumindest die aktuelle und vorherige Position, Geschwindigkeit und
Richtung eines Verkehrsteilnehmers über eine kurze Zeitdauer mit einem jeweiligen
Zeitstempel.
[0041] Das Alarmsystem 1 kann zudem weitere Datenquellen verwenden, sofern diese verfügbar
sind. So können z.B. die Bewegungsdaten durch die Verwendung von Daten der aktuellen
und zukünftigen Ampelschaltung weiter verbessert werden und somit auch die Vorhersage
später verbessert werden.
[0042] Ferner weist das Alarmsystem 1 eine Speichereinheit 10 auf. In dieser sind zumindest
drei Prädiktionsmodule 5,6,7 gespeichert, wobei das erste Prädiktionsmodul 5 die höchste
Prädiktionsqualität und das dritte Prädiktionsmodul 7 die niedrigste Prädiktionsqualität
aufweist.
[0043] Die drei Prädiktionsmodule 5,6,7 können dabei als Softwaremodule ausgeführt sein.
[0044] Ferner können ebenfalls noch weitere Prädiktionsmodule gespeichert sein.
[0045] Dabei ist jedes der Prädiktionsmodule 5,6,7 dazu ausgebildet, eine Prädiktion der
Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte an das Prädiktionsmodul
5,6,7 gekoppelte Bedingungen erfüllt sind. Für die Vorhersage stehen nun mehrere Prädiktionsmodule
5,6,7 zur Verfügung, die unterschiedliche Prädiktionsqualität aufweisen, aber auch
unterschiedliche Voraussetzungen (Bedingungen) benötigen.
[0046] Dabei kann die Prädiktionsqualität anhand einer Auflösung, sowie einen Vorhersagehorizont
mit zugehörigen Wahrscheinlichkeiten und eine Genauigkeit in Bezug auf zumindest die
zukünftige Position eines Verkehrsteilnehmers bestimmt werden. So umfasst eine hohe
Prädiktionsqualität eine hohe Auflösung, beispielsweise eine von 200ms sowie einen
Vorhersagehorizont von 5s mit zugehörigen Wahrscheinlichkeiten und entsprechenden
Genauigkeiten.
[0047] Dabei ist das erste Prädiktionsmodul 5 dazu ausgebildet, zumindest eine Prädiktion
der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte erste
Bedingungen erfüllt sind.
[0048] Dabei benötigt das erste Prädiktionsmodul 5 als erste Bedingung ein trainiertes künstliches
neuronales Netz 8 für den Straßenabschnitt 2 oder einen genügend ähnlichen Straßenabschnitt
sowie eine HD-Karte 9 für den betreffenden Straßenabschnitt 2. Dies bedeutet, dass
zuvor für diesen Straßenabschnitt 2 ein künstliches neuronales Netz 8 vorab trainiert
werden muss, sowie eine HD-Karte 9 vorhanden sein muss. Dabei ist eine HD-Karte 9
eine hochauflösende High-Definition Karte, welche zumindest die Straßen als auch die
Gehwege und die Verkehrsführungselemente, wie Zebrastreifen, hochpräzise und zentimetergenau
abbildet.
[0049] Dabei kann das künstliche neuronale Netz 8 unter Verwendung historischer Daten antrainiert
worden sein.
[0050] Es ist auch möglich, das erste Prädiktionsmodul 5 nur für spezielle Fälle, beispielsweise
die Vorhersage, ob ein Fahrzeug abbiegen oder geradeaus fahren wird, heranzuziehen.
Die Anwendung auf Spezialfälle hat den Vorteil, dass für das Training weniger historische
Daten benötigt werden, wodurch Zeit und Kosten gespart werden.
[0051] Dabei ist das zweite Prädiktionsmodul 6 dazu ausgebildet, zumindest eine Prädiktion
der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen
nicht erfüllt sind und lediglich bestimmte zweite Bedingungen erfüllt sind. Dabei
entsprechen die zweiten Bedingungen einem Vorhandensein einer HD-Karte 9 für den entsprechenden
Straßenabschnitt 2. Hierbei werden anhand der aktuellen und vorherigen Positionen
und Bewegungsrichtungen mögliche Fahrspuren berechnet und mit Wahrscheinlichkeiten
versehen. Dann wird eine weitere Bewegung des Verkehrsteilnehmers auf den gefundenen
Fahrspuren angenommen, um die zukünftigen Positionen und Bewegungsrichtungen zu erhalten.
[0052] Ferner ist das dritte Prädiktionsmodul 7 dazu ausgebildet, die Prädiktion eines Verkehrsteilnehmers
für den Straßenabschnitt 2 anhand einer Extrapolation unter Verwendung der Bewegungsdaten
des Verkehrsteilnehmers zu bewerkstelligen. Dies kann auch ohne HD-Karte 9 und ohne
künstliches neuronales Netz 7 bewerkstelligt werden. Dies entspricht einer einfachen
Extrapolation der Bewegungsvektoren/Trajektorien. Dies kann insbesondere auch dann
zur Anwendung kommen, wenn beispielsweise ein Verkehrsteilnehmer sich auf keinem üblicherweise
benutzten Weg befindet, beispielsweise wenn ein Fußgänger die Straße an einer verbotenen
Stelle überquert.
[0053] Ferner ist ein Prüfungsmodul 15 vorhanden, welches dafür ausgelegt ist, zu prüfen
ob die ersten oder die zweiten oder die dritten Bedingungen in Bezug auf den Straßenabschnitt
2 und den Verkehrsteilnehmer vorhanden sind und dabei in absteigender Qualitätsreihenfolge
und je nach vorhandenen Bedingungen das entsprechende Prädiktionsmodul 5,6,7 in absteigender
Qualitätsreihenfolge auswählt.
[0054] Das Prüfungsmodul 15 versucht somit immer, zunächst das erste Prädiktionsmodul 5
zu verwenden, da dieses die höchste Prädiktionsqualität aufweist und erst anschließend,
falls die ersten Bedingungen wie künstliches neuronales Netz 8 nicht gegeben sind,
auf das zweite Prädiktionsmodul 6 zurückzugreifen, mit den zweiten Bedingungen, hier
der HD-Karte 9. Ist für den Straßenabschnitt 2 auch keine HD-Karte 9 vorhanden, so
wird auf das dritte Prädiktionsmodul 7 zurückgegriffen.
[0055] Dadurch wird stets das Prädiktionsmodul 5,6,7 mit der höchsten Prädiktionsqualität
verwendet, und erst, falls dies nicht möglich ist, da die Bedingungen dafür nicht
erfüllt sind, wird auf das nächst-niedrigere Prädiktionsmodul 6,7 zurückgegriffen.
[0056] Dabei können in einer Verkehrssituation auch unterschiedliche Prädiktionsmodule 5,6,7
für unterschiedliche Verkehrsteilnehmer zum Einsatz kommen.
[0057] Anschließend wird mittels eines Prozessors 16 eine Prädiktion zumindest der zukünftigen
Position der erfassten Verkehrsteilnehmer anhand des ausgewählten Prädiktionsmoduls
5,6,7 für die Verkehrsteilnehmer generiert.
[0058] Wenn nun die zukünftigen Positionen der Verkehrsteilnehmer beispielsweise mit einer
Auflösung von 200ms und einem Vorhersagehorizont von 5s mit zugehörigen Wahrscheinlichkeiten
und Genauigkeiten durch die Prädiktionsmodule 5,6,7 bekannt sind, können daraus potenziell
zukünftige gefährliche Situationen 12 durch den Prozessor 16 bestimmt werden. Hierzu
werden für jeden Zeitschritt in der Zukunft paarweise die Prädiktionen der Verkehrsteilnehmer
durch den Prozessor 16 verglichen.
[0059] Dabei kann der Prozessor 16 zur Bestimmung einer gefährlichen Situation 12 zwischen
den Verkehrsteilnehmern nachfolgende Faktoren einzeln, aber vorzugsweise in Kombination,
heranziehen:
- die Größe der Überlappung eines berechneten Aufenthaltsbereichs der Verkehrsteilnehmer.
So bedeutet ein größerer Überlappungsbereich zwischen zwei Verkehrsteilnehmern eine
höhere Gefahr,
- die Position der Überlappung relativ zur geschätzten Position. So bedeutet ein Überlapp
näher am Zentrum der geschätzten Position eine höhere Gefahr,
- die zukünftige Geschwindigkeit der Verkehrsteilnehmer; so bedeutet eine höhere Geschwindigkeit,
insbesondere eine signifikante Beschleunigung, eine höhere Gefahr,
- ein vorhandener oder zukünftiger Winkel zwischen den Verkehrsteilnehmern, so bedeutet
eine Annäherung direkt von hinten meist geringe Gefahr, da davon ausgegangen werden
kann, dass sich der von hinten nähernde Verkehrsteilnehmer den vor sich Fahrenden
bemerkt hat. Bei Annäherung von der Seite oder erwarteter Änderung der Bewegungsrichtung
ist hingegen von einer höheren Gefahr auszugehen,
- Betrachtung der verwendeten Fahrspuren zweier Verkehrsteilnehmer; so wird bei Verwendung
gleicher Fahrspur von einer tendenziell geringen Gefahr ausgegangen, da die eigene
Fahrspur gewöhnlich stets im Blick ist und von einer höheren Gefahr bei sich kreuzenden
Fahrspuren, insbesondere wenn sich Fahrradweg und Straße kreuzen,
- eine Zeit bis zur erwarteten Kollision; so bedeutet geringere Zeit bis zur Kollision
weniger Zeit zur Reaktion bei sichererer Vorhersage und damit eine höhere Gefahr,
- die gleiche oder ungleiche Art der Verkehrsteilnehmer; so ist eine Gefahr zwischen
zwei Fußgängern selbst bei sehr großer Überlappung, beispielsweise an einer Ampel,
nahezu auszuschließen, jedoch eine hohe Gefahr bei Beteiligung eines Fahrzeugs / LKWs
anzunehmen.
[0060] Ferner ist in einer weiteren Ausgestaltung der Prozessor 16 dazu ausgebildet, erkannte
gefährliche Situationen 12 mittels eines Bewertungswertes zu bewerten. Dieser kann
anhand der erkannten obigen Faktoren, wie Größe des Überlappungsbereiches etc. einfach
bestimmt werden, d.h. aus diesen Faktoren wird nun eine Bewertung berechnet, wie gefährlich
die zukünftige Situation 12 ist.
[0061] Falls ein gewisser Schwellenwert überschritten wird, sendet der Prozessor 16 eine
Nachricht als auch den Bewertungswert als Alarm an die beteiligten Verkehrsteilnehmer.
[0062] So können auf dem Endgerät der Verkehrsteilnehmer diese Alarme hinsichtlich des Bewertungswertes
gefiltert werden. Dabei können beispielsweise alle Alarme die für den einzelnen Verkehrsteilnehmer
einen zu geringen Bewertungswert aufweisen, herausgefiltert werden. Dies ermöglicht
es dem Verkehrsteilnehmer, selbst darauf Einfluss zu nehmen, wie viele Warnungen angezeigt
werden. So kann ein risikobereiter Verkehrsteilnehmer vermeiden, subjektiv zu viele
Warnungen angezeigt zu bekommen.
[0063] FIG 2 zeigt eine Prädiktion mit dem ersten Prädiktionsmodul 5.
[0064] In diesem Szenario biegt ein von Osten kommender PKW 13 nach Norden ab und kreuzt
hierbei den Fahrweg eines ebenfalls von Osten kommenden Fahrradfahrers 14. Das Fahrrad-Symbol
14 bzw. PKW-Symbol 13 stellen die aktuellen Positionen der beteiligten Verkehrsteilnehmer
dar.
[0065] Die blauen Ellipsen 11 stellen die vorhergesagten Aufenthaltsbereiche des Fahrrads
14 als auch des PKWs 13 dar.
[0066] Bei diesem Beispiel wurde ein künstliches neuronales Netz 8 anhand historischer Daten
trainiert, an dieser Kreuzung anhand der Annäherungsgeschwindigkeit zu bestimmen,
ob ein Fahrzeug geradeaus fährt oder abbiegt. Die aktuellen Bewegungsdaten werden
nun in das so trainierte neuronale Netz 8 eingegeben, welches unter Verwendung der
HD-Karte 9 für diese Kreuzung Vorhersagen für den PKW 13 als auch den Fahrradfahrer
14 erzeugt.
[0067] Durch das erste Prädiktionsmodul 5 mit dem trainierten künstlichen neuronalen Netz
8, das auf eine HD-Karte 9 zurückgreift, kann nun frühzeitig erkannt werden, dass
der PKW 13 abbiegen wird und damit eine gefährliche Situation 12 entstehen wird.
[0068] Durch die Verwendung des ersten Prädiktionsmoduls 5 kann eine hohe Prädiktionsqualität
und dementsprechend eine zuverlässige Vorhersage für die zukünftigen Positionen der
Verkehrssteilnehmer erzielt werden. Somit können gefährliche Situationen 12 genau
und zuverlässig sowie rechtzeitig erkannt werden.
[0069] FIG 3 zeigt eine Prädiktion des obigen Szenarios mit dem zweiten Prädiktionsmodul
6. In diesem Szenario biegt der von Osten kommende PKW 13 nach Norden ab und kreuzt
hierbei den Fahrweg des ebenfalls von Osten kommenden Fahrradfahrers 14. Das Fahrrad-Symbol
14 bzw. PKW-Symbol 13 stellen wiederum die aktuellen Positionen der beteiligten Verkehrsteilnehmer
dar. Die blauen Ellipsen 11 stellen wiederum die vorhergesagten Aufenthaltsbereiche
des Fahrrads 14 als auch des PKWs 13 dar.
[0070] Bei diesem Beispiel wird die Vorhersage durch das zweite Prädiktionsmodul 6 mittels
der HD-Karte 9 getroffen. Hier kann bereits an dieser Stelle vorausgesagt werden,
dass der PKW 13 sich nach rechts wenden könnte, und dadurch eine gefährliche Situation
12 entsteht. Allerdings ist eine Unsicherheit, ob dies wirklich so geschehen wird,
vorhanden, da es auch möglich ist, dass der PKW 13 seinen Weg in gerader Richtung
fortsetzt. Durch die Verwendung des zweiten Prädiktionsmoduls 6 kann eine mittlere
Prädiktionsqualität und dementsprechend eine mittlere zuverlässige Vorhersage für
die zukünftigen Positionen der Verkehrssteilnehmer erzielt werden. Somit können gefährliche
Situationen erkannt werden.
[0071] FIG 4 zeigt eine Prädiktion des obigen Szenarios mit dem dritten Prädiktionsmodul
7. In diesem selbigen Szenario biegt wieder der von Osten kommende PKW 13 nach Norden
ab und kreuzt hierbei den Fahrweg eines ebenfalls von Osten kommenden Fahrradfahrers
14. Das Fahrrad-Symbol 14 bzw. PKW-Symbol 13 stellen die aktuellen Positionen der
beteiligten Verkehrsteilnehmer dar. Die blauen Ellipsen 11 stellen wiederum die vorhergesagten
Aufenthaltsbereiche des Fahrrads 14 als auch des PKWs 13 dar.
[0072] Bei diesem Beispiel wird die Vorhersage durch das dritte Prädiktionsmodul 7 mittels
der Extrapolation der vergangenen und aktuellen Bewegungsvektoren/Bewegungsdaten getroffen.
Dabei erkennt das dritte Prädiktionsmodul 7 nicht, dass der PKW 13 demnächst nach
rechts fahren wird. Es wird dementsprechend kein Alarm ausgegeben.
[0073] Durch das erfindungsgemäße Alarmsystem 1 mit den zumindest drei Prädiktionsmodulen
mit absteigender Prädiktionsqualität kann eine potenziell gefährliche Situation 12
besser erkannt werden, indem immer das bestmöglichste Prädiktionsmodul 5,6,7 zur Bestimmung
der zukünftigen Positionen der Verkehrsteilnehmer herangezogen wird.
Bezugszeichenliste:
[0074]
- 1
- Alarmsystem
- 2
- Straßenabschnitt
- 3
- Kommunikationsschnittstelle
- 4
- Empfangseinheit
- 5
- erstes Prädiktionsmodul
- 6
- zweites Prädiktionsmodul
- 7
- drittes Prädiktionsmodul
- 8
- künstliches neuronales Netz
- 9
- HD-Karte
- 10
- Speichereinheit
- 11
- blauen Ellipsen
- 12
- gefährliche Situation
- 13
- PKW
- 14
- Fahrrad
- 15
- Prüfungsmodul
- 16
- Prozessor
1. Alarmsystem (1) zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt
(2)
umfassend eine Empfangseinheit (4) mit einer Kommunikationsschnittstelle (3) zum Empfangen
einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern bezogen auf den
Straßenabschnitt (2),
dadurch gekennzeichnet, dass
eine Speichereinheit (10) vorgesehen ist, welche zumindest drei oder mehr Prädiktionsmodule
(5,6,7) mit absteigender Prädiktionsqualität aufweist und wobei das erste Prädiktionsmodul
(5) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer
vorherzusagen, wenn bestimmte erste Bedingungen erfüllt sind und wobei das zweite
Prädiktionsmodul (6) dazu ausgebildet ist, zumindest eine Prädiktion der Position
der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen nicht
erfüllt sind und lediglich bestimmte zweite Bedingungen erfüllt sind, und wobei das
dritte Prädiktionsmodul (7) dazu ausgebildet ist, zumindest eine Prädiktion der Position
der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen als auch
die zweiten Bedingungen nicht erfüllt sind und wobei
ein Prüfungsmodul (15) vorgesehen ist, welches dafür ausgelegt ist, zu prüfen, ob
die ersten Bedingungen oder die zweiten Bedingungen oder die dritten Bedingungen in
Bezug auf den Straßenabschnitt (2) und den Verkehrsteilnehmer erfüllt sind und in
absteigender Qualitätsreihenfolge und je nach erfüllten Bedingungen das Prädiktionsmodul
(5,6,7) mit der höchsten Prädiktionsqualität auszuwählen, und wobei
ein Prozessor (16) vorgesehen ist, welcher zur Prädiktion zumindest der zukünftigen
Position der erfassten Verkehrsteilnehmer anhand des ausgewählten Prädiktionsmoduls
(5,6,7) ausgebildet ist.
2. Alarmsystem (1) nach Anspruch 1, dadurch gekennzeichnet, dass die Prädiktionsqualität zumindest die Eintrittswahrscheinlichkeit und/oder die Genauigkeit
einer zukünftigen Position umfasst.
3. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Bewegungsdaten zumindest die aktuelle und vorherige Position, Geschwindigkeit
und Richtung eines Verkehrsteilnehmers über eine kurze Zeitdauer umfassen.
4. Alarmsystem (1) nach Anspruch 3, dadurch gekennzeichnet, dass die Bewegungsdaten Daten aus weiteren Datenquellen, welche zur Verkehrsführung in
dem betreffenden Straßenabschnitt (2) dienen, umfassen.
5. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das erste Prädiktionsmodul (5) als erste Bedingungen ein trainiertes künstliches
neuronales Netz (8) für den Straßenabschnitt (2) oder einen genügend ähnlichen Straßenabschnitt
(2) sowie eine HD-Karte (9,High Definition Karte) für den betreffenden Straßenabschnitt
(2) umfasst, und wobei das erste Prädiktionsmodul (5) dazu ausgebildet ist, die Prädiktion
eines Verkehrsteilnehmers für den Straßenabschnitt (2) anhand des trainierten künstlichen
neuronalen Netzes (8) mit den Bewegungsdaten des Verkehrsteilnehmers und der HD-Karte
(9) zu bewerkstelligen.
6. Alarmsystem (1) nach Anspruch 5, dadurch gekennzeichnet, dass das künstliche neuronale Netz (8) anhand historischer Daten trainiert ist.
7. Alarmsystem (1) nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass das künstliche neuronale Netz (8) lediglich für spezielle Fälle in Bezug auf bestimmte
Verkehrsteilnehmer und deren zukünftige Positionen trainiert ist.
8. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das zweite Prädiktionsmodul (6) als zweite Bedingung eine HD-Karte (9) für den Straßenabschnitt
(2) umfasst, wobei das zweite Prädiktionsmodul (6) dazu ausgebildet ist, die Prädiktion
eines Verkehrsteilnehmers für den Straßenabschnitt (2) anhand der HD- Karte (9) für
den Straßenabschnitt (2), unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers
durchzuführen.
9. Alarmsystem (1) nach einem der vorhergehenden Ansprüche 4 bis 8, dadurch gekennzeichnet, dass die HD-Karte (9) zumindest die Straßen als auch die Gehwege und die Verkehrsführungselemente
umfasst.
10. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das dritte Prädiktionsmodul (7) dazu ausgebildet ist, die Prädiktion eines Verkehrsteilnehmers
für den Straßenabschnitt (2) anhand einer Extrapolation unter Verwendung der Bewegungsdaten
des Verkehrsteilnehmers zu bewerkstelligen.
11. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (16) ferner dazu ausgebildet ist, die Prädiktion jeder Verkehrsteilnehmer
paarweise zur Bestimmung potenziell gefährlicher Situationen in korrespondierenden
Zeitschritten zu vergleichen.
12. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, die Gefährlichkeit einer Situation mittels
zumindest einem der nachfolgenden Faktoren zu bestimmen: der Größe eines Überlappungsbereiches
zwischen zwei Verkehrsteilnehmern und/oder anhand einer zukünftigen Beschleunigung
eines Verkehrsteilnehmers und/oder anhand eines zukünftigen Winkels zwischen zwei
Verkehrsteilnehmern und/oder die Zeit bis zu einer möglichen Kollision zwischen zwei
Verkehrsteilnehmern und/oder in Abhängigkeit von den verwendeten Fahrspuren der Verkehrsteilnehmer.
13. Alarmsystem (1) nach Anspruch 12, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, bei der Bestimmung der Gefährlichkeit einer
Situation die Art der Verkehrsteilnehmer als weiteren Faktor zu berücksichtigen.
14. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, erkannte gefährliche Situationen mittels
eines Bewertungswertes zu bewerten.
15. Alarmsystem (1) nach Anspruch 14, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, ab Überschreiten eines vorgegebenen Schwellenwertes
in Bezug auf den Bewertungswert einen Alarm zumindest an die an der gefährlichen Situation
beteiligten Verkehrsteilnehmer zu übermitteln.
16. Alarmsystem (1) nach Anspruch 15, dadurch gekennzeichnet, dass der Alarm zumindest eine Nachricht und den Bewertungswert umfasst.