DE102024002292A1

DE102024002292A1 - Method and system for detecting an aggregated probability distribution using measuring vehicles

Info

Publication number: DE102024002292A1
Application number: DE102024002292.9A
Authority: DE
Inventors: Felix Ehret; Christian Drescher; Filip Milak
Original assignee: Mercedes Benz Group AG
Current assignee: Mercedes Benz Group AG
Priority date: 2024-07-15
Filing date: 2024-07-15
Publication date: 2024-09-05

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Erfassung einer mindestens von einer Geoposition (x) abhängigen aggregierten Wahrscheinlichkeitsverteilung (f) für die Auftretenswahrscheinlichkeit eines interessierenden Ereignisses. An mindestens ein messendes Fahrzeug (10) wird mindestens ein Ereignismuster (1) verteilt, das das interessierende Ereignis charakterisiert. Das mindestens eine messende Fahrzeug (10) erfasst mittels einer fahrzeugbezogenen Sensorik (11) mindestens einen Parameter (p1 bis p3) fortlaufend und bestimmt durch Vergleichen mit dem mindestens einen Ereignismuster (1) fortlaufend, ob ein dem jeweiligen Ereignismuster (1) entsprechendes Ereignis vorliegt. Wenn ein solches Ereignis vorliegt, wird als weiterer Parameter (p1 bis p3) mindestens eine Geoposition (x) erfasst und aus der Gesamtheit der erfassten Parameter (p1 bis p3) eine Ereignisbeschreibung (2) generiert. Aus der Gesamtheit der von dem mindestens einen messenden Fahrzeug (10) generierten Ereignisbeschreibungen (2) wird eine Wahrscheinlichkeitsverteilung (f) aggregiert, die die bedingte Auftretenswahrscheinlichkeit eines dem mindestens einen Ereignismuster (1) entsprechenden Ereignisses in Abhängigkeit von mindestens der Geoposition (x) angibt. Die Erfindung betrifft ferner ein Computersystem zur Durchführung dieses Verfahrens.The invention relates to a computer-implemented method for detecting an aggregated probability distribution (f) for the probability of occurrence of an event of interest, which is dependent on at least one geoposition (x). At least one event pattern (1) that characterizes the event of interest is distributed to at least one measuring vehicle (10). The at least one measuring vehicle (10) continuously detects at least one parameter (p1 to p3) using a vehicle-related sensor system (11) and continuously determines, by comparing it with the at least one event pattern (1), whether an event corresponding to the respective event pattern (1) is present. If such an event is present, at least one geoposition (x) is detected as a further parameter (p1 to p3) and an event description (2) is generated from the totality of the detected parameters (p1 to p3). A probability distribution (f) is aggregated from the totality of the event descriptions (2) generated by the at least one measuring vehicle (10), which indicates the conditional probability of occurrence of an event corresponding to the at least one event pattern (1) as a function of at least the geoposition (x). The invention further relates to a computer system for carrying out this method.

Description

Die Erfindung betrifft ein Verfahren zur Erfassung einer mindestens von einer Geoposition abhängigen aggregierten Wahrscheinlichkeitsverteilung für die Auftretenswahrscheinlichkeit eines interessierenden Ereignisses. Ferner betrifft die Erfindung ein Computersystem zur Durchführung eines solchen Verfahrens.The invention relates to a method for detecting an aggregated probability distribution for the probability of occurrence of an event of interest, which is dependent on at least one geoposition. The invention further relates to a computer system for carrying out such a method.

Ein Fahrzeugmodell, das in Serienreife produziert werden soll, wird in Erprobungen auf Beständigkeit und Reliabilität geprüft. Dabei wird versucht, das Fahrzeug in Situationen hineinzuversetzen, die während der regulären Nutzung auftreten können. So können potenzielle Fehler und Risiken erkannt und beseitigt werden.A vehicle model that is to be produced in series is tested for durability and reliability. The aim is to place the vehicle in situations that could arise during regular use. This allows potential errors and risks to be identified and eliminated.

Mit einem Satz an ausgewählten Testereignissen wird versucht auszuschließen, dass das zu entwickelnde Fahrzeug in solchen Fahrsituationen, bei denen ein gleiches oder ähnliches Ereignis aufritt, ein unerwünschtes Verhalten an den Tag legt.Using a set of selected test events, an attempt is made to exclude the possibility that the vehicle being developed will exhibit undesirable behavior in driving situations in which the same or similar event occurs.

Üblicherweise wird das Auftreten derartiger Ereignisse durch Erfahrungswerte von Testfahrern maximiert, indem Routen angestrebt werden, die erfahrungsgemäß sinnvoll sind. Hierbei ist es möglich, dass beispielsweise aufgrund individuell beschränkter Erfahrungswerte nur eine Teilmenge möglicher Routen in die Erprobung einbezogen wird. So könnten gegenüber einer Fahrstrecke, die von einem Testfahrer ausgewählt wird, möglicherweise mehr Orte mit hoher Auftrittswahrscheinlichkeit für bestimmte Ereignisse entlang einer anderen, gleich langen oder sogar kürzeren Fahrstrecke erreicht werden.The occurrence of such events is usually maximized based on the experience of test drivers by aiming for routes that are known to be sensible. It is possible that, for example, only a subset of possible routes are included in the test due to individual limitations. In this way, more locations with a high probability of occurrence for certain events could be reached along another route of the same length or even shorter than a route selected by a test driver.

Das Dokument US 2017/0060129 A1 beschreibt ein Verfahren zur Steuerung autonomer Fahrzeuge, bei dem Sensordaten von Fahrzeugen erfasst werden, die von einem menschlichen Fahrer in einer vorbestimmten Region gesteuert werden. Aus den Sensordaten wird ein Straßenzustand entlang eines Straßenabschnitts ermittelt, der mit ausreichend hoher Wahrscheinlichkeit eine sichere Navigation eines autonomen Fahrzeugs entlang mindestens eines Straßenabschnitts beeinträchtigen würde. Beispielhaft können derartige Straßenzustände durch unübersichtliche Verkehrssituationen oder durch Verkehrssituationen ausgelöst werden, die von einer Sensorik eines autonomen Fahrzeugs nicht zuverlässig erkannt werden können. Informationen über diesen mindestens einen Straßenabschnitt werden an mindestens ein autonomes Fahrzeug übermittelt.The document US 2017/0060129 A1 describes a method for controlling autonomous vehicles, in which sensor data is recorded from vehicles that are controlled by a human driver in a predetermined region. From the sensor data, a road condition along a road section is determined that would, with a sufficiently high probability, impair the safe navigation of an autonomous vehicle along at least one road section. For example, such road conditions can be triggered by confusing traffic situations or by traffic situations that cannot be reliably detected by the sensors of an autonomous vehicle. Information about this at least one road section is transmitted to at least one autonomous vehicle.

Dieses Verfahren ist in seiner Anwendbarkeit begrenzt. Beispielsweise sind Straßenzustände, die den Betrieb eines autonomen Fahrzeugs erschweren oder unmöglich machen, im Allgemeinen nicht für die Erprobung eines neu zu entwickelnden Fahrzeugs geeignet.This method is limited in its applicability. For example, road conditions that make the operation of an autonomous vehicle difficult or impossible are generally not suitable for testing a newly developed vehicle.

Der Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zur Erfassung einer mindestens von einer Geoposition abhängigen aggregierten Wahrscheinlichkeitsverteilung für die Auftretenswahrscheinlichkeit eines interessierenden Ereignisses anzugeben. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Anspruchs 1 gelöst.The invention is based on the object of specifying an improved method for detecting an aggregated probability distribution for the probability of occurrence of an event of interest, which is dependent on at least one geoposition. This object is achieved according to the invention by a method having the features of claim 1.

Der Erfindung liegt ferner die Aufgabe zugrunde, ein System zur Durchführung eines solchen Verfahrens anzugeben. Diese Aufgabe wird erfindungsgemäß mit einem Computersystem mit den Merkmalen des Anspruchs 10 gelöst.The invention is also based on the object of specifying a system for carrying out such a method. This object is achieved according to the invention with a computer system having the features of claim 10.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous embodiments of the invention are the subject of the subclaims.

Bei einem computerimplementierten Verfahren zur Erfassung einer mindestens von einer Geoposition abhängigen aggregierten Wahrscheinlichkeitsverteilung für die Auftretenswahrscheinlichkeit eines interessierenden Ereignisses wird an mindestens ein messendes Fahrzeug mindestens ein Ereignismuster verteilt, das das interessierende Ereignis charakterisiert.In a computer-implemented method for detecting an aggregated probability distribution for the probability of occurrence of an event of interest that is dependent on at least one geoposition, at least one event pattern that characterizes the event of interest is distributed to at least one measuring vehicle.

Ein Ereignismuster kann hierbei explizit, beispielsweise als Regel oder als Satz von Regeln, gegeben sein, anhand derer über das Vorliegen eines Ereignisses entschieden werden kann. Beispielsweise könne solche Regeln als Vergleiche von Parametern, die im Betrieb des fahrenden Fahrzeugs erfasst werden, mit zugeordneten Schwellwerten oder Referenzwerten formuliert sein. Alternativ kann ein Ereignismuster auch als ein Modell gegeben sein, das mit einem Verfahren des maschinellen Lernens trainiert wurde und das einen Satz von Parametern und/oder zeitabhängigen Parameterverläufen in eine Entscheidung über das Vorliegen eines Ereignisses transformiert.An event pattern can be given explicitly, for example as a rule or as a set of rules, on the basis of which a decision can be made about the presence of an event. For example, such rules can be formulated as comparisons of parameters that are recorded during operation of the moving vehicle with assigned threshold values or reference values. Alternatively, an event pattern can also be given as a model that has been trained using a machine learning method and that transforms a set of parameters and/or time-dependent parameter curves into a decision about the presence of an event.

Das mindestens eine messende Fahrzeug erfasst mittels einer fahrzeugbezogenen Sensorik fortlaufend mindestens einen für das mindestens eine Ereignismuster relevanten Parameter und vergleicht diesen fortlaufend mit dem mindestens einen hinterlegten Ereignismuster, beispielsweise durch Anwendung expliziter Regeln und/oder durch Anwendung eines maschinell trainierten Modells.The at least one measuring vehicle continuously records at least one parameter relevant to the at least one event pattern by means of vehicle-related sensors and continuously compares this parameter with the at least one stored event pattern, for example by applying explicit rules and/or by applying a machine-trained model.

Wenn ermittelt wird, dass ein dem jeweiligen Ereignismuster entsprechendes Ereignis vorliegt, werden weitere Parameter erfasst, darunter mindestens eine aktuelle Geoposition. Mit anderen Worten: Eine Übereinstimmung mit einem Ereignismuster löst die Erfassung zusätzlicher (über die Beschreibung des Ereignismusters hinausgehender) Parameter aus, die mindestens die aktuelle Geoposition des messenden Fahrzeugs umfassen, optional auch noch weitere Parameter der Fahrzeugumgebung, beispielsweise eine Uhrzeit oder einen Tageszeitabschnitt, ein Datum, eine Umgebungstemperatur, eine Beschreibung des Verkehrsflusses, ein Gefälle und/oder eine Beschaffenheit der Straßenoberfläche des aktuell befahrenen Straßenabschnitts und/oder ähnliche Parameter umfassen.If it is determined that an event corresponding to the respective event pattern has occurred, further parameters are recorded, including at least a current geoposition. In other words: A match with an event pattern triggers the recording of additional parameters (going beyond the description of the event pattern), which include at least the current geoposition of the measuring vehicle, optionally also other parameters of the vehicle environment, for example a time of day or a period of time, a date, an ambient temperature, a description of the traffic flow, a gradient and/or a condition of the road surface of the road section currently being traveled and/or similar parameters.

Die Gesamtheit der Parameter (also sowohl die Parameter, die zum Vergleich mit dem Ereignismuster herangezogen wurden, als auch die weiteren, zusätzlich erfassten Parameter und insbesondere die Geoposition) werden in einer Ereignisbeschreibung zusammengefasst.The totality of the parameters (i.e. both the parameters used for comparison with the event pattern as well as the other additionally recorded parameters and in particular the geoposition) are summarized in an event description.

Aus der Gesamtheit der von dem mindestens einen, üblicherweise aber von einer Mehrzahl von messenden Fahrzeugen bereitgestellten Ereignisbeschreibungen wird eine aggregierte Wahrscheinlichkeitsverteilung gebildet (aggregiert), die die bedingte Auftretenswahrscheinlichkeit eines dem mindestens einen Ereignismuster entsprechenden Ereignisses in Abhängigkeit mindestens von der Geoposition angibt. Optional kann die aggregierte Wahrscheinlichkeitsverteilung von weiteren Parametern, beispielsweise einer Tageszeit, einem Wochentag, einem Verkehrsfluss, einer Umgebungstemperatur oder ähnlichen Parametern abhängen.An aggregated probability distribution is formed (aggregated) from the totality of the event descriptions provided by the at least one, but usually by a plurality of measuring vehicles, which indicates the conditional probability of occurrence of an event corresponding to the at least one event pattern depending at least on the geoposition. Optionally, the aggregated probability distribution can depend on other parameters, for example a time of day, a day of the week, a traffic flow, an ambient temperature or similar parameters.

Ein Vorteil des Verfahrens besteht darin, dass durch die Verteilung von weitgehend generischen Ereignismustern, die nur die Erkennbarkeit eines interessierenden Ereignisses anhand gewisser Parameter, nicht aber deren kausalen Zusammenhang untereinander und mit weiteren Parametern, beispielsweise der Fahrzeugumgebung, beschreiben, sehr leicht eine große Anzahl von messenden Fahrzeugen rekrutiert werden kann, die Messungen an einer Vielzahl von Geopositionen vornehmen können, wobei durch den Vergleich mit den Ereignismustern die Erfassung von Ereignisbeschreibungen auf relevante Fahrsituationen beschränkt werden kann. Dadurch ist eine besonders dichte, genaue und zuverlässige Bestimmung einer aggregierten Wahrscheinlichkeitsverteilung möglich.One advantage of the method is that by distributing largely generic event patterns that only describe the detectability of an event of interest based on certain parameters, but not their causal relationship with each other and with other parameters, such as the vehicle's surroundings, it is very easy to recruit a large number of measuring vehicles that can take measurements at a large number of geopositions, whereby the comparison with the event patterns can limit the recording of event descriptions to relevant driving situations. This enables a particularly dense, precise and reliable determination of an aggregated probability distribution.

Mit einer derartigen, mindestens auf Geopositionen bezogenen aggregierten Wahrscheinlichkeitsverteilung kann eine Fahrstrecke im Hinblick auf ein Ereignis gezielt geplant werden. Beispielsweise kann eine Fahrstrecke so geplant werden, dass gewisse (durch die zugeordneten Ereignismuster jeweils genau beschreibbare) Ereignisse besonders wahrscheinlich sind. Dies ist für Erprobungsfahrten mit Fahrzeugen vorteilhaft, deren Verhalten in bestimmten (den Ereignismustern entsprechenden oder damit korrelierenden) Fahrsituationen getestet werden soll.With such an aggregated probability distribution, which is based at least on geopositions, a route can be planned specifically with regard to an event. For example, a route can be planned in such a way that certain events (which can be precisely described by the associated event patterns) are particularly likely. This is advantageous for test drives with vehicles whose behavior is to be tested in certain driving situations (which correspond to or correlate with the event patterns).

Es kann jedoch eine Fahrstrecke auch so geplant werden, dass gewisse Ereignisse gegenteilig gerade vermieden werden, beispielsweise um Unfälle, gefährliche Verkehrssituationen oder Verzögerungen durch Störungen des Verkehrsflusses zu vermeiden.However, a route can also be planned in such a way that certain events are avoided, for example to avoid accidents, dangerous traffic situations or delays due to disruptions to the flow of traffic.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.Embodiments of the invention are explained in more detail below with reference to a drawing.

Dabei zeigt:

1 schematisch ein Fahrzeug und eine Auswertevorrichtung.

It shows:

1 schematic of a vehicle and an evaluation device.

1 zeigt schematisch ein Fahrzeug 10, das zum Sammeln von Ereignisbeschreibungen 2 ausgewählt wurde, die einem oder mehreren vorbestimmten Ereignismuster/n 1 genügen. Das Fahrzeug 10 weist eine Sensorik 11 auf, die zum Erfassen von Parametern p1 bis p3 eingerichtet ist. Die Sensorik 11 kann rein beispielhaft fahrzeuginterne Sensoren, beispielsweise einen Sensor zur Erfassung eines Rekuperationszustands, einen Sensor zur Erfassung des Betätigungszustands eines Gas- oder Bremspedals, oder einen Geschwindigkeits- und/oder Beschleunigungssensor umfassen. Ferner kann die Sensorik 11 Sensoren umfassen, die zur Erfassung einer Fahrzeugumgebung eingerichtet sind, beispielsweise einen Niederschlagssensor, einen Umgebungslichtsensor und/oder eine oder mehrere Kameras zur Beobachtung des Fahrzeugumfelds, einer Straßenoberfläche oder einer Verkehrssituation. 1 schematically shows a vehicle 10 that has been selected to collect event descriptions 2 that satisfy one or more predetermined event patterns 1. The vehicle 10 has a sensor system 11 that is set up to detect parameters p1 to p3. The sensor system 11 can, purely by way of example, comprise vehicle-internal sensors, for example a sensor for detecting a recuperation state, a sensor for detecting the actuation state of an accelerator or brake pedal, or a speed and/or acceleration sensor. Furthermore, the sensor system 11 can comprise sensors that are set up to detect a vehicle environment, for example a precipitation sensor, an ambient light sensor and/or one or more cameras for observing the vehicle environment, a road surface or a traffic situation.

Die Parameter p1 bis p3 können Betriebs- oder Steuerparameter sein, die beispielsweise eine Geschwindigkeit, einen Rekuperationszustand (rekuperierend oder nicht rekuperierend), einen Betätigungszustand eines Gaspedals oder eines Bremspedals oder eine Lenkbewegung erfassen. Zusätzlich oder alternativ können diese Parameter p1 bis p3 Umgebungsparameter sein, die den Zustand der Fahrzeugumgebung charakterisieren, beispielsweise eine auf ein Geokoordinatensystem bezogene Geoposition x, eine auf ein Geokoordinatensystem bezogene Fahrtrichtung, eine Umgebungstemperatur, eine Uhrzeit, ein Datum, ein Verkehrsflussparameter (flüssiger oder stockender Verkehr, Stau), ein Straßenoberflächenzustand (trockene, nasse, überfrorene, schneebedeckte Straßenoberfläche).The parameters p1 to p3 can be operating or control parameters that record, for example, a speed, a recuperation state (recuperating or non-recuperating), an actuation state of an accelerator pedal or a brake pedal, or a steering movement. Additionally or alternatively, these parameters p1 to p3 can be environmental parameters that characterize the state of the vehicle environment, for example a geoposition x related to a geocoordinate system, a direction of travel related to a geocoordinate system, an ambient temperature, a time of day, a date, a traffic flow parameter (flowing or slow-moving traffic, traffic jam), a road surface state (dry, wet, frozen, snow-covered road surface).

Von der Sensorik 11 des Fahrzeugs 10 erfasste Parameter p1 bis p3 werden an ein fahrzeuginternes Steuergerät 12 übertragen. In dem Steuergerät 12 sind auf nachfolgend noch erläuterte Weise Ereignismuster 1 abgelegt worden, vorzugsweise in einem nichtflüchtigen Speicher des Steuergeräts 12. Die Ereignismuster 1 charakterisieren interessante, zu erfassende Fahrsituationen, das heißt Bedingungen, unter denen von der Sensorik 11 Parameter p1 bis p3 erfasst werden sollen.Parameters p1 to p3 recorded by the sensor system 11 of the vehicle 10 are transmitted to an internal control unit 12. In the control unit 12, in a manner explained below, Event patterns 1 have been stored, preferably in a non-volatile memory of the control unit 12. The event patterns 1 characterize interesting driving situations to be recorded, i.e. conditions under which parameters p1 to p3 are to be recorded by the sensor system 11.

Ein Ereignismuster 1 kann explizit (regelbasiert) anhand von gewissen ausgewählten Parametern p1 bis p3 definiert sein. Beispielsweise kann ein Ereignismuster 1 über einem Zeitabschnitt Δt definiert sein, in dem ein erster bis dritter Parameter p1 bis p3 einen charakteristischen, jeweils vorbestimmten Verlauf aufweisen, wie er in 1 rein schematisch dargestellt ist. Rein beispielhaft und vereinfacht könnte ein Ereignismuster 1 als Regel formuliert sein: „Erfasse eine Ereignisbeschreibung, wenn über mindestens zwei Sekunden hinweg ununterbrochen rekuperiert wird.“An event pattern 1 can be defined explicitly (rule-based) using certain selected parameters p1 to p3. For example, an event pattern 1 can be defined over a time period Δt in which a first to third parameter p1 to p3 have a characteristic, predetermined course, as shown in 1 is shown purely schematically. Purely as an example and in a simplified manner, an event pattern 1 could be formulated as a rule: "Record an event description if recuperation occurs continuously for at least two seconds."

Alternativ oder zusätzlich zu einer regelbasierten Formulierung können Ereignismuster 1 mit Modellen des maschinellen Lernens gewonnen werden, beispielsweise mit neuronalen Netzen, insbesondere mit solchen neuronalen Netzen, die eine zur multivariaten Zeitreihenverarbeitung geeignete Architektur aufweisen.Alternatively or in addition to a rule-based formulation, event patterns 1 can be obtained using machine learning models, for example with neural networks, in particular with neural networks that have an architecture suitable for multivariate time series processing.

Das Training derartiger Modelle des maschinellen Lernens kann verschieden gestaltet werden. Beispielsweise kann das Modell mit einem vorausgewählten Satz an Signalen (das heißt, Zeitverläufen von Parametern p1 bis p3 entlang einer Zeitachse t, beispielsweise Zeitverläufen einer Beschleunigung, einer Drehzahl und einer Geschwindigkeit) überwacht (supervised) trainiert werden, die als Eingabe genutzt werden.The training of such machine learning models can be designed in different ways. For example, the model can be supervised and trained with a preselected set of signals (i.e., time courses of parameters p1 to p3 along a time axis t, for example time courses of acceleration, rotational speed and velocity) used as input.

Einer solchen Eingabe ist jeweils eine Klassifikation eines Ereignisses zugeordnet. Eine Klassifikation kann in binärer Form, also „Ereignis aufgetreten“ oder „Ereignis nicht aufgetreten“ zugeordnet werden. Alternativ kann eine Klassifikation durch die Zuordnung einer Ereigniskategorie aus einer Menge von mehreren verschiedenen Ereigniskategorien erfolgen, beispielsweise als Ereigniskategorie „Ladeevent aufgetreten, kein Kickdown aufgetreten“. Verfahren des überwachten Lernens sind aus dem Stand der Technik bekannt und verfügbar.Each such input is assigned a classification of an event. A classification can be assigned in binary form, i.e. "event occurred" or "event did not occur". Alternatively, a classification can be made by assigning an event category from a set of several different event categories, for example as an event category "charging event occurred, no kickdown occurred". Supervised learning methods are known and available from the state of the art.

Alternativ kann dem Modell des maschinellen Lernens eine möglichst große Anzahl an (potenziell auch unbedeutenden) Signalen als Eingabe gegeben werden, woraufhin das Modell während des Trainings eine implizite Priorisierung der Eingabesignale durchführen muss. Mit anderen Worten: das Modell erfasst anhand der Gesamtheit der übergebenen Signale, welche Signale oder welche Kombinationen von Signalen für eine binäre oder kategoriale Klassifikation eines Ereignisses bedeutsam sind.Alternatively, the machine learning model can be given as many (potentially insignificant) signals as possible as input, after which the model must perform an implicit prioritization of the input signals during training. In other words, the model uses the totality of the signals provided to determine which signals or combinations of signals are significant for a binary or categorical classification of an event.

Dies minimiert das Risiko eines menschlichen Feature Subset Selection Bias, welcher zu einer inkorrekten Erkennung von Ereignissen führen könnte, da das mit manuell ausgewählten Merkmalen trainierte Modell möglicherweise falsche Zusammenhänge herleiten würde. Allerdings muss auch bei dieser Variante eine Prüfung auf genutzte Signale durchgeführt werden, da sonst ein ähnliches Problem auftreten könnte. This minimizes the risk of human feature subset selection bias, which could lead to incorrect detection of events, as the model trained with manually selected features might derive incorrect correlations. However, this variant also requires a check for signals used, otherwise a similar problem could occur.

Trainingslabels, das heißt eine binäre Zuordnung („Ereignis aufgetreten“ oder „Ereignis nicht aufgetreten“ oder alternativ die Zuordnung einer konkreten Ereigniskategorie) werden/wird in beiden Fällen in gleicher Weise gewählt.Training labels, i.e. a binary assignment (“event occurred” or “event did not occur” or alternatively the assignment of a concrete event category) are/will be chosen in the same way in both cases.

Die durch explizite Regeln formulierten oder aus dem Training eines Modells des maschinellen Lernens implizit gewonnenen Ereignismuster 1 werden an mindestens ein sammelndes Fahrzeug 10 übertragen, vorzugsweise an eine Mehrzahl solcher Fahrzeuge 10, die zu einer Fahrzeugflotte zusammengefasst sind. Diese Bereitstellung kann über eine drahtgebundene Verbindung von einem lokalen Repository 30 (beispielsweise einem Rechner in einer Werkstatt) erfolgen. Alternativ kann diese Bereitstellung auch über eine drahtlose (over-the-air, OTA) Verbindung von einem entfernten Repository 22 erfolgen, das über ein Backend 21 einer Cloud 20 mit einer Datenfernübertragungseinrichtung (DFÜ-Einrichtung) 13 des Fahrzeugs 10 kommuniziert. Die Repositories 22, 30 können beispielsweise als Datenbank oder als Dateiübertragungsdienst (file transfer protocol, FTP) oder nach einem anderen geeigneten Datenübertragungsprotokoll ausgebildet sein.The event patterns 1 formulated by explicit rules or obtained implicitly from the training of a machine learning model are transmitted to at least one collecting vehicle 10, preferably to a plurality of such vehicles 10 that are combined to form a vehicle fleet. This provision can be made via a wired connection from a local repository 30 (for example a computer in a workshop). Alternatively, this provision can also be made via a wireless (over-the-air, OTA) connection from a remote repository 22 that communicates via a backend 21 of a cloud 20 with a remote data transmission device (RDT device) 13 of the vehicle 10. The repositories 22, 30 can be designed, for example, as a database or as a file transfer service (file transfer protocol, FTP) or according to another suitable data transfer protocol.

Das sammelnde Fahrzeug 10 erfasst eine Teilmenge von Parametern p1 bis p3 fortlaufend, um festzustellen, ob es sich in einer mit dem Ereignismuster 1 übereinstimmenden Fahrsituation befindet. Eine solche übereinstimmende Fahrsituation wird beispielsweise anhand einer explizit formulierten Regel dann erkannt, wenn jeder der im Ereignismuster 1 vorbestimmten, in einem Repository 22, 30 erfassten Verläufe des ersten bis dritten Parameters p1 bis p3 ausreichend ähnlich (im Sinne einer vorbestimmten Ähnlichkeitsmetrik) zu dem aktuell vom Fahrzeug 10 erfassten Verlauf des jeweiligen Parameters p1 bis p3 ist.The collecting vehicle 10 continuously records a subset of parameters p1 to p3 in order to determine whether it is in a driving situation that matches the event pattern 1. Such a matching driving situation is recognized, for example, using an explicitly formulated rule when each of the courses of the first to third parameters p1 to p3 predetermined in the event pattern 1 and recorded in a repository 22, 30 is sufficiently similar (in the sense of a predetermined similarity metric) to the course of the respective parameter p1 to p3 currently recorded by the vehicle 10.

Alternativ kann eine solche übereinstimmende Fahrsituation anhand eines maschinell trainierten Modells bestimmt werden, mit dem Werte oder Zeitverläufe von Parametern p1 bis p3 in eine binäre oder kategoriale Ereignisklassifikation transformiert werden. In diesem Fall wird das Ereignismuster 1 als maschinell trainiertes Modell von einem Repository 22, 30 bereitgestellt.Alternatively, such a matching driving situation can be determined using a machine-trained model that transforms values or time courses of parameters p1 to p3 into a binary or categorical event classification. In this case, the event pattern 1 is provided as a machine-trained model from a repository 22, 30.

Das Fahrzeug 10 nutzt nun während jeder Fahrt die Ereignismuster 1 entweder im laufenden Betrieb, um die Ereignisse in Echtzeit zu erkennen oder nach abgeschlossener Fahrt wird eine Analyse diesbezüglich durchgeführt. The vehicle 10 now uses the event patterns 1 during each journey either during operation to detect the events in real time or an analysis is carried out in this regard after the journey has been completed.

Die Ergebnisse der Analyse mit den vorherrschenden Umgebungsinformationen werden einer auswertenden Instanz mitgeteilt, um durch Aggregation eine multivariate Wahrscheinlichkeitsverteilung f für ein Straßennetz 40 anzureichern. Diese Übertragung kann entweder ohne Drahtlosanbindung ausgelesen werden (beispielsweise in Werkstätten oder auf Prüfständen nach Erprobungsfahrten) oder es wird eine Schnittstelle 21 zur auswertenden Instanz genutzt. Dies kann beispielsweise eine Cloud 20 und/oder ein als zentraler Datenbankserver ausgebildetes entferntes Repository 22 sein, der über eine Internetverbindung angesprochen wird, sein.The results of the analysis with the prevailing environmental information are communicated to an evaluating instance in order to enrich a multivariate probability distribution f for a road network 40 by aggregation. This transmission can either be read out without a wireless connection (for example in workshops or on test benches after test drives) or an interface 21 to the evaluating instance is used. This can be, for example, a cloud 20 and/or a remote repository 22 designed as a central database server that is accessed via an Internet connection.

Die relevanten Umgebungsinformationen dienen zur Einschränkung der aktuellen Verkehrs- und Umweltsituation, bei der das Ereignis erkannt wurde. Diese Informationen sind möglichst aussagekräftig für das betrachtete Ereignis zu wählen. Dies kann aber beispielsweise Uhrzeit, Wochentag, Außentemperatur, Durchschnittsgeschwindigkeit eines zurückliegenden Zeitabschnitts Δt, Auftreten von Niederschlag, Vorliegen eines Feiertags oder ähnliche Informationen beinhalten, wodurch genauer bestimmt werden kann, unter welchen Bedingungen ein Ereignis zu erwarten ist.The relevant environmental information is used to limit the current traffic and environmental situation in which the event was detected. This information should be selected to be as meaningful as possible for the event in question. However, this can include, for example, time of day, day of the week, outside temperature, average speed over a previous period of time Δt, occurrence of precipitation, presence of a public holiday or similar information, which can be used to determine more precisely under which conditions an event is to be expected.

Es kann vorteilhaft sein, ein von einem Repository 22, 30 bezogenes Ereignismuster 1 an das sammelnde Fahrzeug 10 anzupassen. Die Anpassung an das Fahrzeug 10 kann beispielsweise durch einen zusätzlichen Anpassungsparameter unterstützt werden. Ein solcher Anpassungsparameter kann beispielsweise als eine Konstante ausgebildet sein, die den Erwartungswert eines zugeordneten Parameters p1 bis p3 angibt. Eine derartige Konstante wird mit dem empirischen Mittelwert des tatsächlich erfassten, zugeordneten Parameterwerts verglichen. Die Differenz zwischen dem Erwartungswert und dem empirischen Mittelwert wird bei der Prüfung auf ein vorliegendes Ereignis mit dem tatsächlichen Signal oder mit dem zu findenden Muster verrechnet.It can be advantageous to adapt an event pattern 1 obtained from a repository 22, 30 to the collecting vehicle 10. The adaptation to the vehicle 10 can be supported, for example, by an additional adaptation parameter. Such an adaptation parameter can, for example, be designed as a constant that indicates the expected value of an assigned parameter p1 to p3. Such a constant is compared with the empirical mean value of the actually recorded, assigned parameter value. The difference between the expected value and the empirical mean value is offset against the actual signal or with the pattern to be found when checking for an existing event.

Zusätzlich oder alternativ kann die Anpassung an das Fahrzeug 10 durch ein Modell des maschinellen Lernens unterstützt werden. Beispielsweise können Methoden des continual learning genutzt werden, indem zusätzlich zur eigentlichen Ereignisbeschreibung das Parameterverhalten in anderen häufig auftretenden Situationen für ein dem jeweiligen Fahrzeug 10 zugeordnetes Referenzfahrzeug gegeben wird. Das Modell des maschinellen Lernens lernt nun anhand der gegebenen Situationen (welche als Label beziehungsweise Wahrheitswert bereitgestellt werden) und anhand des tatsächlichen Verfahrens im Fahrzeug den Unterschied in den Parameterdimensionen. Das Modell des maschinellen Lernens kann so entweder als Ausgabe auf das Fahrzeug 10 angepasste Ereignisdefinitionen erzeugen, oder als Transformationswerkzeug verwendet werden, welches vor dem Vergleich der Parameter p1 bis p3 mit der Definition angewandt wird.Additionally or alternatively, the adaptation to the vehicle 10 can be supported by a machine learning model. For example, continual learning methods can be used by providing, in addition to the actual event description, the parameter behavior in other frequently occurring situations for a reference vehicle assigned to the respective vehicle 10. The machine learning model now learns the difference in the parameter dimensions based on the given situations (which are provided as a label or truth value) and the actual procedure in the vehicle. The machine learning model can thus either generate event definitions adapted to the vehicle 10 as output, or be used as a transformation tool that is applied before comparing the parameters p1 to p3 with the definition.

Dadurch kann beispielsweise ein Alterungszustand oder eine Modellarchitektur- oder Ausstattungsvariante des Fahrzeugs 10 berücksichtigt werden. Solche Faktoren können den absoluten Wert von Parametern p1 bis p3 (beispielsweise eine Spannung, die von einem gewissen Sensor abhängig von einem Betriebs- oder Umgebungsparameter geliefert wird) beeinflussen. Diese Ausführungsform ermöglicht die Nutzung einer besonders breiten Vielfalt von Fahrzeugen 10 zur Datenerfassung und zugleich eine besonders genaue (mit einem vorgegebenen Ereignismuster 1 besonders gut übereinstimmende) Datenerfassung.This makes it possible, for example, to take into account an ageing state or a model architecture or equipment variant of the vehicle 10. Such factors can influence the absolute value of parameters p1 to p3 (for example a voltage supplied by a certain sensor depending on an operating or environmental parameter). This embodiment enables the use of a particularly wide variety of vehicles 10 for data acquisition and at the same time particularly accurate data acquisition (which corresponds particularly well to a predetermined event pattern 1).

Wird eine ausreichende Übereinstimmung der aktuellen Fahrsituation mit einem der Ereignismuster 1 festgestellt, die auf dem Steuergerät 12 hinterlegt sind, so startet das Steuergerät 12 die Erfassung weiterer Parameter p1 bis p3, die über die in dem Ereignismuster 1 bereitgestellten Parameter p1 bis p3 hinausgehen, typischerweise insbesondere die Erfassung der jeweiligen Geoposition x. Die insgesamt für die jeweilige Fahrsituation erfassten Parameter p1 bis p3 (oder eine davon abgeleitete, beispielsweise komprimierte oder vorverarbeitete Darstellung) werden zu einer Ereignisbeschreibung 2 zusammengefasst. Mit anderen Worten: Die Ereignisbeschreibung 2 umfasst sowohl diejenigen Parameter p1 bis p3, die zum Erkennen einer Fahrsituation als Ereignismuster 1 bereitgestellt wurden, als auch diejenigen Parameter p1 bis p3, die in einer Fahrsituation erfasst wurden, welche als übereinstimmend mit einem solchen Ereignismuster 1 erkannt wurde.If a sufficient match between the current driving situation and one of the event patterns 1 stored on the control unit 12 is determined, the control unit 12 starts the recording of further parameters p1 to p3 that go beyond the parameters p1 to p3 provided in the event pattern 1, typically in particular the recording of the respective geoposition x. The total of parameters p1 to p3 recorded for the respective driving situation (or a representation derived therefrom, for example compressed or preprocessed) are combined to form an event description 2. In other words: the event description 2 includes both those parameters p1 to p3 that were provided as event pattern 1 to recognize a driving situation, and those parameters p1 to p3 that were recorded in a driving situation that was recognized as matching such an event pattern 1.

Welche Parameter p1 bis p3 dabei in einer Ereignisbeschreibung 2 zu erfassen sind, kann abhängig von dem jeweiligen Ereignismuster 1 festgelegt werden. Dabei werden die Parameter p1 bis p3 so ausgewählt, dass sie besonders aussagekräftig oder spezifisch für das zu erfassende Ereignis sind, das heißt, dass anhand dieser Parameter p1 bis p3 ein wiederholtes Auftreten des erfassten Ereignisses besonders zuverlässig vorhergesagt werden kann. Beispielsweise können als ergänzende Parameter p1 bis p3 eine Uhrzeit, ein Wochentag, eine Außentemperatur, eine während einer bestimmten Zeitdauer erfasste Durchschnittsgeschwindigkeit des Fahrzeugs 10, das Auftreten von Niederschlag oder eine Beschreibung einer Straßenoberfläche erfasst werden.Which parameters p1 to p3 are to be recorded in an event description 2 can be determined depending on the respective event pattern 1. The parameters p1 to p3 are selected so that they are particularly meaningful or specific to the event to be recorded, i.e. that a repeated occurrence of the recorded event can be predicted particularly reliably using these parameters p1 to p3. For example, additional parameters p1 to p3 can be a time of day, a day of the week, an outside temperature, an average recorded during a certain period of time. speed of the vehicle 10, the occurrence of precipitation or a description of a road surface.

Die Ereignisbeschreibungen 2 werden bevorzugt in Echtzeit (während der Fahrt des Fahrzeugs 10) generiert, weil dadurch das Zwischenspeichern von Parametern p1 bis p3 entfallen kann. Es ist aber auch möglich, dass Ereignisbeschreibungen 2 offline (nach abgeschlossener Fahrt) anhand von online erfassten und zwischengespeicherten Parametern p1 bis p3 generiert werden. Dadurch können die Anforderungen an die Rechenleistung des Steuergeräts 12 verringert werden.The event descriptions 2 are preferably generated in real time (while the vehicle 10 is driving) because this eliminates the need to temporarily store parameters p1 to p3. However, it is also possible for event descriptions 2 to be generated offline (after the journey has been completed) based on parameters p1 to p3 recorded online and temporarily stored. This can reduce the requirements for the computing power of the control unit 12.

Die generierten Ereignisbeschreibungen 2 werden vom Fahrzeug 10 an ein Repository 22, 30 übertragen, das nicht zwingend dasselbe Repository 22, 30 sein muss, von dem die Ereignismuster 1 bezogen worden waren. Die Gesamtheit aller, von typischerweise mehreren Fahrzeugen 10 erfassten und übertragenen Ereignisbeschreibungen 2 wird von einer Auswerteeinheit 23 ausgewertet, die vorliegend beispielhaft ebenfalls in der Cloud 20 bereitgestellt wird.The generated event descriptions 2 are transmitted from the vehicle 10 to a repository 22, 30, which does not necessarily have to be the same repository 22, 30 from which the event patterns 1 were obtained. The totality of all event descriptions 2 recorded and transmitted by typically several vehicles 10 is evaluated by an evaluation unit 23, which in the present example is also provided in the cloud 20.

Die Auswerteeinheit 23 erstellt aus der Gesamtheit der Ereignisbeschreibungen 2 eine multivariate Wahrscheinlichkeitsverteilung f, die eine bedingte Wahrscheinlichkeit für das Auftreten eines Ereignisses entsprechend einem Ereignismuster 1 angibt. Unabhängige Variablen der Wahrscheinlichkeitsverteilung f können beispielsweise und insbesondere eine Geoposition x, eine Tageszeit (als ein Zeitintervall), ein Wochentag, eine Umgebungstemperatur und/oder eine Verkehrsflussinformation sein.The evaluation unit 23 creates a multivariate probability distribution f from the totality of the event descriptions 2, which indicates a conditional probability for the occurrence of an event according to an event pattern 1. Independent variables of the probability distribution f can be, for example and in particular, a geoposition x, a time of day (as a time interval), a day of the week, an ambient temperature and/or traffic flow information.

Über eine erfasste Geoposition x kann eine Ereignisbeschreibung 2 insbesondere einer Position in einem Straßennetz 40 zugeordnet werden, das in 1 rein schematisch dargestellt ist und das vorliegend eine Fahrbahn 41 sowie weitere, nicht näher mit Bezugszeichen versehene Straßen umfasst. Zur vereinfachten Darstellung wird die typischerweise über einen mehrdimensionalen Definitionsbereich von unabhängigen Variablen verteilte Wahrscheinlichkeitsverteilung f hier als eindimensionale Wahrscheinlichkeitsverteilung f in Abhängigkeit von einer Fahrstrecke s entlang der Fahrbahn 41 dargestellt.Via a recorded geoposition x, an event description 2 can be assigned in particular to a position in a road network 40, which in 1 is shown purely schematically and which in the present case comprises a roadway 41 and further roads not provided with any further reference symbols. For simplified representation, the probability distribution f, which is typically distributed over a multi-dimensional definition range of independent variables, is shown here as a one-dimensional probability distribution f as a function of a travel distance s along the roadway 41.

Innerhalb eines Streckenabschnitts zwischen einem Streckenanfang s0 und einem Streckenende s1 weist die Wahrscheinlichkeitsverteilung f erhöhte Wahrscheinlichkeitswerte auf, die aus einer Häufung von Ereignisbeschreibungen 2 resultieren, die von Geopositionen x dieses Streckenabschnitts aus gemeldet wurden. Daraus kann die Auswerteeinheit 23 eine (relativ zu angrenzenden Streckenabschnitten und/oder anderen Straßen des Straßennetzes 40) erhöhte Auftretenswahrscheinlichkeit bestimmen.Within a route section between a route start s0 and a route end s1, the probability distribution f has increased probability values that result from an accumulation of event descriptions 2 that were reported from geopositions x of this route section. From this, the evaluation unit 23 can determine an increased probability of occurrence (relative to adjacent route sections and/or other roads of the road network 40).

In gleicher Weise wie vorstehend für einen Ort entlang einer Fahrstrecke s beschrieben, können Wahrscheinlichkeitsverteilungen f für auch für andere unabhängige Variable (Tageszeit, Jahreszeit, Verkehrsfluss, Niederschlag) oder Kombinationen solcher unabhängiger Variabler ermittelt werden. Eine solche Wahrscheinlichkeitsverteilung f kann für das Auftreten irgendeines interessierenden Ereignisses (entsprechend einer binären Klassifikation) oder spezifisch für das Auftreten eines bestimmten Ereignistyps (entsprechend einer kategorialen Klassifikation) bestimmt werden.In the same way as described above for a location along a route s, probability distributions f can also be determined for other independent variables (time of day, season, traffic flow, precipitation) or combinations of such independent variables. Such a probability distribution f can be determined for the occurrence of any event of interest (according to a binary classification) or specifically for the occurrence of a certain type of event (according to a categorical classification).

Eine aggregierte Wahrscheinlichkeitsverteilung f kann nun beispielsweise von dem Fahrzeughersteller genutzt werden, um Erprobungsfahrten durchzuführen und die Wahrscheinlichkeit für die gewünschten Ereignisse auch noch während der Fahrt dynamisch zu maximieren. Hierfür kann beispielsweise ein Kennwert genutzt werden, der als Schwellwert für die Wahrscheinlichkeitsangabe dient und somit die kontinuierliche Wahrscheinlichkeitsinformation in einzelne voraussichtlich auftretende Ereignisse diskretisiert. Es kann nun in der Routenplanung entweder die Gesamtauftrittswahrscheinlichkeit in Bezug auf die Umgebungsvariablen maximiert werden, oder es wird ein Schwellwert definiert, wodurch dann einzelne, möglichst wahrscheinliche Auftrittsstellen angefahren werden können.An aggregated probability distribution f can now be used, for example, by the vehicle manufacturer to carry out test drives and to dynamically maximize the probability of the desired events even during the journey. For this purpose, a characteristic value can be used, for example, which serves as a threshold value for the probability specification and thus discretizes the continuous probability information into individual events that are likely to occur. In route planning, either the overall probability of occurrence can be maximized in relation to the environmental variables, or a threshold value can be defined, which can then be used to approach individual, most likely occurrence locations.

In einer vorteilhaften Ausführung kann von den Erprobungsfahrern der auswertenden Instanz eine Rückmeldung gegeben werden, ob im Falle von konkret ermittelten Auftrittsstellen auch das Ereignis aufgetreten ist. Diese Bewertung kann anschließend positiv (im Falle eines Auftritts) oder negativ (im Falle einer falschen Vorhersage) in die Wahrscheinlichkeit einbezogen werden. Hierbei ist die Rückmeldung eines solchen Testfahrers höher zu gewichten als die der messenden Fahrzeuge 10, da bei diesen auch mögliche Fehler in der Ereignisdefinition präsent sein können.In an advantageous embodiment, the test drivers can provide feedback to the evaluating entity as to whether the event has occurred in the case of specifically identified occurrence locations. This evaluation can then be included in the probability as positive (in the case of an occurrence) or negative (in the case of an incorrect prediction). The feedback from such a test driver is to be given a higher weighting than that of the measuring vehicles 10, since these may also contain possible errors in the event definition.

In einer weiteren vorteilhaften Ausführung wird anhand der gemessenen Ereignisse und der Umgebungsinformationen ein Modell des maschinellen Lernens trainiert, welches auch auf unbekannten Streckenabschnitten Auftrittswahrscheinlichkeiten vorhersagen kann. Hierfür werden die Umgebungsinformationen (wie beispielsweise Wochentag, Temperatur, Steigung, kreuzende Straßen und ähnliche Umgebungsinformationen) als Eingabe in das Modell gegeben. Als Ausgabe kann direkt die Auftrittswahrscheinlichkeit für eine Regressionsarchitektur genutzt werden, alternativ oder zusätzlich können die über einen Schwellwert definierten Ereignisse als Klassifikationslabel genutzt und/oder es werden die konkreten tatsächlich von den messenden Fahrzeugen 10 gemeldeten Ereignisse ebenfalls für eine Klassifikation genutzt.In a further advantageous embodiment, a machine learning model is trained based on the measured events and the environmental information, which can also predict occurrence probabilities on unknown sections of the route. For this purpose, the environmental information (such as day of the week, temperature, gradient, intersecting roads and similar environmental information) is given as input to the model. The probability of occurrence can be used directly as output for a regression architecture; alternatively or additionally, the events defined by a threshold value can be used as classification labels and/or The concrete events actually reported by the measuring vehicles 10 are also used for classification.

Mittels aggregierter Wahrscheinlichkeitsverteilungen f kann die Auswerteeinheit 23 somit Fahrtrouten für Testfahrten bestimmen, die (bezogen beispielsweise auf die Fahrtlänge oder Fahrtdauer) eine besonders hohe Wahrscheinlichkeit für das Auftreten irgendeines Ereignisses oder für das Auftreten von Ereignissen eines bestimmten Typs aufweist. In einer Ausführungsform wird denjenigen Kombinationen von unabhängigen Variablen (beispielsweise Geoposition x, Tageszeit, Wochentag), für die die Wahrscheinlichkeitsverteilung f oberhalb eines Schwellwerts liegt, ein Klassifikationslabel zugeordnet und/oder es werden die konkreten, tatsächlich von dem mindestens einen messenden Fahrzeug 10 erfassten Ereignisse ebenfalls für eine Klassifikation genutzt.Using aggregated probability distributions f, the evaluation unit 23 can thus determine travel routes for test drives that have a particularly high probability of the occurrence of any event or of the occurrence of events of a certain type (based on, for example, the length or duration of the journey). In one embodiment, those combinations of independent variables (for example, geoposition x, time of day, day of the week) for which the probability distribution f is above a threshold value are assigned a classification label and/or the specific events actually recorded by the at least one measuring vehicle 10 are also used for classification.

In einer vorteilhaften Ausführung sind die messenden Fahrzeuge 10 in einer Fahrzeugflotte zusammengefasst. Diese Flottenfahrzeuge bekommen über eine Drahtlosschnittstelle die Definitionen der Ereignisse mitgeteilt und messen diese, bis ein Abbruchkriterium (beispielsweise drei Ereignisse erkannt, Messung für eine Messdauer von mindestens 20 Minuten) erreicht ist, was von der Schnittstelle 21 entweder direkt mitgesandt oder nach gewisser Zeit mitgeteilt wird. Die Verteilung dieser Messaufträge kann allgemein über die gesamte Fahrzeugflotte gleich erfolgen oder es werden Informationen über die Umgebungssituation der Fahrzeuge 10 genutzt, um entsprechende Aufträge zu verteilen.In an advantageous embodiment, the measuring vehicles 10 are combined in a vehicle fleet. These fleet vehicles are informed of the definitions of the events via a wireless interface and measure them until a termination criterion is reached (for example, three events detected, measurement for a measurement duration of at least 20 minutes), which is either sent directly by the interface 21 or communicated after a certain time. The distribution of these measurement orders can generally be carried out equally across the entire vehicle fleet or information about the environmental situation of the vehicles 10 is used to distribute corresponding orders.

So kann beispielsweise mittels Geofencing ein Messauftrag an ein Fahrzeug 10 verteilt werden, welches eine durch einen Geofence bezeichnete Region voraussichtlich durchfährt. Andere Beispiele für genutzte Signale können Temperatur, Ladezustand oder Wochentag sein.For example, geofencing can be used to distribute a measurement order to a vehicle 10 that is expected to travel through a region designated by a geofence. Other examples of signals used can be temperature, state of charge or day of the week.

In einer weiteren vorteilhaften Ausführung wird bei Start und/oder Änderung einer für ein Fahrzeug 10 geplanten Navigation die vorgesehene Route an eine Schnittstelle 21 der Auswerteinheit 23 gesendet und diese antwortet mit erwünschten Messaufträgen in Form von Ereignismustern 1. Diese können in einer Weiterentwicklung nicht nur in Abhängigkeit von der gefahrenen Route, sondern ebenfalls anhand von Umgebungszuständen dynamisch verteilt werden. So können Streckenabschnitte beziehungsweise Umgebungszustandskombinationen, in denen noch sehr wenige Beobachtungen in die Wahrscheinlichkeitsverteilung f eingeflossen sind, besser angereichert werden.In a further advantageous embodiment, when starting and/or changing a navigation planned for a vehicle 10, the planned route is sent to an interface 21 of the evaluation unit 23, which responds with desired measurement orders in the form of event patterns 1. In a further development, these can be distributed dynamically not only depending on the route taken, but also based on environmental conditions. In this way, route sections or combinations of environmental conditions in which very few observations have been included in the probability distribution f can be better enriched.

In einer weiteren vorteilhaften Ausführung wird eine gestartete oder vorgeschlagene Route so angepasst, dass sie nicht nur nach Routenführungseigenschaften (beispielsweise zur Minimierung einer Fahrtdauer, Minimierung der Länge einer Fahrstrecke s oder ähnlichem), sondern auch nach einem maximalen Beitrag zur Bestimmung der Wahrscheinlichkeitsverteilung f optimiert wird. Die Kostenfunktion, die als einen ersten Term die Fahrtdauer und/oder die Länge der Fahrstrecke s und als einen zweiten Term den Beitrag zur Bestimmung der Wahrscheinlichkeitsverteilung f umfasst, wird also so angepasst, dass bei nicht zu starker Änderung (quantifiziert durch die Gewichtung der beiden Terme in der Kostenfunktion) in dem Hauptkriterium ein Umweg beziehungsweise eine gleichwertige, aber noch weniger gut aufgeklärte Strecke vorgeschlagen wird.In a further advantageous embodiment, a started or suggested route is adapted so that it is optimized not only according to route guidance properties (for example to minimize a journey time, minimize the length of a route s or similar), but also according to a maximum contribution to determining the probability distribution f. The cost function, which includes the journey time and/or the length of the route s as a first term and the contribution to determining the probability distribution f as a second term, is thus adapted so that if the change in the main criterion is not too great (quantified by the weighting of the two terms in the cost function), a detour or an equivalent but even less well-explained route is suggested.

Die konkrete Gewichtung, also die maximal zulässige Abweichung von der nach Routenführungskriterium optimalen Route, kann vom Nutzer über eine Interaktionsschnittstelle mit dem Fahrzeug 10 festgelegt werden. Um hier eine Kohärenz zwischen verschiedenen Routenführungen zu ermöglichen, kann diese Gewichtung durch einen normierten Kennwert, der beispielsweise zwischen 0 und 1 liegt, angegeben werden, wobei dem normierten Kennwert 0 keine Abweichung und dem normierten Kennwert 1 eine sehr hohe Abweichung von der ursprünglich geplanten Route zugeordnet ist.The specific weighting, i.e. the maximum permissible deviation from the optimal route according to the route guidance criterion, can be set by the user via an interaction interface with the vehicle 10. In order to enable coherence between different route guidances, this weighting can be specified by a standardized characteristic value, which lies, for example, between 0 and 1, whereby the standardized characteristic value 0 is assigned no deviation and the standardized characteristic value 1 is assigned a very high deviation from the originally planned route.

Die maximal mögliche Abweichung kann auch entweder vom Nutzer oder durch den Fahrzeughersteller anhand einer Zeit- und oder Distanzangabe definiert werden. In einer vorteilhaften Ausführung kann diese Art der Routenabweichung mit einer für die Fahrzeuginsassen positiven Routeneigenschaft kombiniert werden. So kann beispielsweise ein Navigationsmodus für Sehenswürdigkeiten ebenfalls durch die Maximierung der Datensammlung von unbekannten Strecken angereichert werden.The maximum possible deviation can also be defined either by the user or by the vehicle manufacturer based on a time and/or distance specification. In an advantageous embodiment, this type of route deviation can be combined with a route property that is positive for the vehicle occupants. For example, a navigation mode for sights can also be enriched by maximizing the data collection of unknown routes.

In einer weiteren vorteilhaften Ausführung können diese Wahrscheinlichkeiten auch zur Warnung genutzt werden. Sollte beispielsweise in einem Streckenabschnitt unter ähnlichen Umgebungszuständen besonders oft ein Wildwechselereignis registriert werden, können Fahrzeuge 10, die diesen Streckenabschnitt voraussichtlich durchfahren, davor gewarnt werden.In a further advantageous embodiment, these probabilities can also be used for warning purposes. If, for example, a wild animal crossing event is registered particularly frequently in a section of road under similar environmental conditions, vehicles 10 that are expected to travel through this section of road can be warned of this.

In einer weiteren vorteilhaften Ausführung können die ermittelten Wahrscheinlichkeiten erneut für die Routenoptimierung im klassischen Sinne eingesetzt werden. Wenn also beispielsweise unter gewissen Umständen ein Streckenabschnitt eine hohe Wahrscheinlichkeit für das Auftreten von Brems- und/oder Stauereignissen aufweist, dann kann diese Information in die Routenführung einfließen.In a further advantageous embodiment, the determined probabilities can be used again for route optimization in the classic sense. For example, if under certain circumstances a section of the route has a high probability of braking and/or traffic jams occurring, then This information can be incorporated into route guidance.

BezugszeichenlisteList of reference symbols

11: EreignismusterEvent pattern
1010: Fahrzeugvehicle
1111: SensorikSensor technology
1212: SteuergerätControl unit
1313: Datenfernübertragungseinrichtung (DFÜ-Einrichtung)Remote data transmission facility (RDF facility)
22: EreignisbeschreibungEvent description
2020: CloudCloud
2121: Backend, SchnittstelleBackend, interface
2222: entferntes Repositoryremote repository
2323: AuswerteeinheitEvaluation unit
3030: lokales Repositorylocal repository
4040: StraßennetzRoad network
4141: Fahrbahnroadway
fe: WahrscheinlichkeitsverteilungProbability distribution
p1 bis p3p1 to p3: erster bis dritter Parameterfirst to third parameters
ss: FahrstreckeDriving distance
s0s0: StreckenanfangStart of route
s1s1: StreckenendeEnd of route
tt: ZeitachseTimeline
ΔtΔt: ZeitabschnittTime period
xx: GeopositionGeoposition

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

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.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA accepts no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

US 20170060129 A1 [0005]

Claims

Computer-implemented method for recording an aggregated probability distribution (f) of an event of interest that is dependent on at least one geoposition (x), characterized in that - at least one event pattern (1) that characterizes the event of interest is distributed to at least one measuring vehicle (10), - the at least one measuring vehicle (10) o continuously records at least one parameter (p1 to p3) by means of a vehicle-related sensor system (11), and o continuously determines by comparison with the at least one event pattern (1) whether an event corresponding to the respective event pattern (1) is present, and o if such an event is present, at least one geoposition (x) is recorded as a further parameter (p1 to p3) and an event description (2) is generated from the totality of the recorded parameters (p1 to p3), and - a probability distribution (f) is aggregated from the totality of the event descriptions (2) generated by the at least one measuring vehicle (10), which determines the conditional probability of occurrence of an event corresponding to the at least one event corresponding to the event pattern (1) depending on at least the geoposition (x).

Procedure according to Claim 1 , characterized in that an event pattern (1) is detected rule-based depending on parameters (p1 to p3).

Method according to one of the preceding claims, characterized in that an event pattern (1) is recorded as a model which is adapted using a machine learning method to a training data set which comprises tuples of parameter values and/or time courses of parameter values of parameters (p1 to p3), each of which is assigned an event classification.

Method according to one of the preceding claims, characterized in that the at least one event pattern (1) is transmitted to a measuring vehicle (10) dynamically depending on its position and/or planned route (s) such that an aggregated probability distribution (f) is supplemented in at least one geoposition (x) presumably passed through by the measuring vehicle (10).

Method according to one of the preceding claims, characterized in that a route (s) of a measuring vehicle (10) is planned or adapted depending on the at least one event pattern (1) transmitted to the measuring vehicle (10).

Method according to one of the preceding claims, characterized in that an event pattern (1) transmitted to the measuring vehicle (10) is adapted to the individual vehicle.

Method according to one of the preceding claims, characterized in that at least one value of the aggregated probability distribution (f) assigned to a first geoposition (x) is transferred to at least one further geoposition (x) which is assigned to a situation similar to the occurrence of an event described by the aggregated probability distribution (f).

Method according to one of the preceding claims, characterized in that at least one event pattern (1) characterizes a test condition for a test to be carried out in a test drive of a vehicle (10), and a driving distance (s) for the test drive is determined on the basis of the aggregated probability distribution (f) in such a way that the probability of occurrence of the test condition related to a driving distance and/or driving time is maximized.

Method according to one of the preceding claims, characterized in that a travel distance (s) of a vehicle (10) is determined on the basis of the aggregated probability distribution (f) in such a way that an event attributable to the aggregated probability distribution (f) is avoided.

Computer system comprising at least one measuring vehicle (10), each with a control unit (12) and a sensor system (11) connected thereto, at least one repository (22, 30) and an evaluation unit (23), characterized in that - at least one repository (22, 30) is set up to store and provide event patterns (1), - at least one repository (22, 30) is set up to store and provide event descriptions (2), - the sensor system (11) is set up to continuously record parameters (p1 to p3) comprising at least one geoposition (x), - the at least one control unit (12) ◯ for receiving event patterns (1) from at least one repository (22, 30) and for storing them in a non-volatile manner, ◯ for continuously comparing parameters (p1 to p3) provided by the sensor system (11) with at least one stored event pattern (1) and, if they match, to trigger the detection of at least the current geoposition (x) by the sensor system (11), ◯ to transmit an event description (2) comprising at least the parameters (p1 to p3) and the current geoposition (x) to at least one repository (22, 30), and - the evaluation unit (23) is set up to determine an aggregated probability distribution (f) from the totality of the event descriptions (2) recorded in the at least one repository (22, 30).