DE102021110309A1

DE102021110309A1 - Verfahren zum Modellieren eines menschlichen Fahrverhaltens zum Trainieren von Bewegungssteuerungen, die auf einem neuronalen Netzwerk basieren

Info

Publication number: DE102021110309A1
Application number: DE102021110309.6A
Authority: DE
Inventors: Omkar Karve
Original assignee: Steering Solutions IP Holding Corp; Continental Automotive Systems Inc
Current assignee: Steering Solutions IP Holding Corp; Continental Automotive Systems Inc
Priority date: 2021-03-01
Filing date: 2021-04-22
Publication date: 2022-09-01
Also published as: CN114987511A; US20220274603A1

Abstract

Einige Variationen können ein Verfahren zum Trainieren einer auf einem neuronalen Netzwerk basierenden Fahrzeugbewegungssteuerung umfassen, welches exakter nachbildet, wie ein Mensch ein Fahrzeug fahren würde, unter Verwendung intuitiver Fahrzeugdynamikvariablen und vorwegnehmender Parameter, um zu ermitteln, wie eine Bewegungssteuerung den Lenkwinkel, Gaspedal- und Bremseingaben für das Fahrzeug steuert, um das Fahrzeug zu navigieren.

Description

Technisches Gebiet
Das Gebiet, auf welches sich die Offenbarung allgemein bezieht, umfasst Fahrzeugbewegungssteuerungen und Verfahren zum Herstellen und Verwenden derselben, umfassend ein Verfahren zum Modellieren eines menschlichen Fahrverhaltens zum Trainieren von Fahrzeugbewegungssteuerungen, die auf neuronalen Netzwerken basieren.
Hintergrund
Autonome und halbautonome Fahrzeuge können Bewegungssteuerungen verwenden, um eine Längs- und eine Querbewegung des Fahrzeugs zu steuern.
Zusammenfassung veranschaulichender Variationen
Einige veranschaulichende Variationen können Fahrzeugbewegungssteuerungen und Verfahren zum Herstellen und Verwenden derselben aufweisen, umfassend ein Verfahren zum Modellieren eines menschlichen Fahrverhaltens zum Trainieren von Fahrzeugbewegungssteuerungen, die auf neuronalen Netzwerken basieren.
Einige Variationen können ein Verfahren zum Trainieren einer auf einem neuronalen Netzwerk basierenden Fahrzeugbewegungssteuerung umfassen, welches exakter nachbildet, wie ein Mensch ein Fahrzeug fahren würde, unter Verwendung intuitiver Fahrzeugdynamikvariablen und vorwegnehmender Parameter, um zu ermitteln, wie eine Bewegungssteuerung den Lenkwinkel, Gaspedal- und Bremseingaben für das Fahrzeug steuert, um das Fahrzeug zu navigieren.
Weitere veranschaulichende Variationen innerhalb des Schutzbereichs der Erfindung werden anhand der nachfolgend bereitgestellten detaillierten Beschreibung deutlicher. Es sollte verstanden werden, dass die detaillierte Beschreibung und konkrete Beispiele, während diese Variationen innerhalb des Schutzbereichs der Erfindung offenbaren, ausschließlich zum Zweck der Veranschaulichung gedacht sind und nicht dazu gedacht sind, den Schutzbereich der Erfindung zu beschränken.
Figurenliste
Ausgewählte Beispiele von Variationen innerhalb des Schutzbereichs der Erfindung werden anhand der detaillierten Beschreibung und der begleitenden Figuren deutlicher, wobei:

1 ein Verfahren zum Trainieren eines neuronalen Netzwerkes zum Modellieren eines menschlichen Fahrverhaltens veranschaulicht, welches ein Charakterisieren des aktuellen Zustands des Fahrzeugs, und dessen, was der Fahrer vorausliegend hinsichtlich der Pfadgeometrie und der wahrgenommenen Fehler sieht, welche der Fahrer durch Anwenden eines Lenkens und einer Gaspedal-/Bremseingabe korrigiert, umfassen kann.
2 ein Blockschaltbild einer Implementierung des trainierten neuronalen Netzwerkes ist, welches trainierte Parameter umfasst, die auf der neuronalen Netzwerkarchitektur basieren, wobei X1 ein Vektor von Trainingseingaben ist, die in 1 gezeigt sind und Y1 ein Vektor von Steuerparametern ist, welche an die Aktuatoren gesendet werden, um die Quer- und Längsbewegung des Fahrzeugs zu steuern.
3 ein Blockschaltbild ist, welches ein Verfahren zum Trainieren eines neuronalen Netzwerkes veranschaulicht.

Detaillierte Beschreibung veranschaulichender Variationen
Die nachfolgende Beschreibung von Variationen ist ausschließlich veranschaulichende Natur und ist in keiner Weise dazu gedacht, den Schutzbereich der Erfindung, ihre Anwendung oder Verwendungen einzuschränken.
Einige Variationen können Fahrzeugbewegungssteuerungen und Verfahren zum Herstellen und Verwenden derselben aufweisen, umfassend ein Verfahren zum Modellieren eines menschlichen Fahrverhaltens zum Trainieren von Fahrzeugbewegungssteuerungen, die auf einem neuronalen Netzwerk basieren.
Einige Variationen können ein Verfahren zum Trainieren einer auf einem neuronalen Netzwerk basierenden Fahrzeugbewegungssteuerung umfassen, welches exakter nachbildet, wie ein Mensch ein Fahrzeug fahren würde, unter Verwendung eines „intuitiven“ Gefühls, welches durch Fahrzeugdynamikvariablen und vorwegnehmende Parameter charakterisiert ist, um zu ermitteln, wie eine Bewegungssteuerung den Lenkwinkel, Gaspedal- und Bremseingaben für das Fahrzeug steuert, um das Fahrzeug zu navigieren.
Bisher waren die Quer- und Längsfahrzeugbewegungssteuerungen getrennt und schließen nur auf ihre gegenseitigen Einflüsse auf die Fahrzeugdynamik, wenn den Fahrzeugaktuatoren Steuereingaben bereitgestellt werden. Diese Arten von Verfahren der Bewegungssteuerung führen zu einem sehr roboterhaften und unnatürlichen Fahrzeugverhalten, welches sich für einen menschlichen Fahrer und/oder einen Insassen deutlich ungewohnt und unangenehm anfühlt.
In einigen Variationen können vorwegnehmende Daten wie vorliegend verwendet werden oder sie können auf einen Satz von Gleichungen parametrisiert werden, welcher durch Differentialgleichungen höherer Ordnung repräsentiert wird. Später können diese Daten in dem zuvor vorbereiteten Eingabe-/Ausgabeformat in ein neuronales Netzwerk eingespeist werden, um ein Netzwerk mit Gewichten und Schwellenwerten (engl. „biases“) zu erhalten, welches an den Eingabedatensatz so nah wie möglich angepasst ist. Diese Gewichte und Schwellenwerte können anschließend als „homogene Bewegungssteuerung“ genutzt werden, um eine Quer- und eine Längsfahrzeugbewegungssteuerung in einem autonomen oder einem halbautonomen Modus zu erzielen. Das Gleiche kann bezüglich des Bremsens erreicht werden. Gewichte und Schwellenwerte können als eine „homogene Bewegungssteuerung“ eingesetzt werden, um eine Bewegungssteuerung einer Fahrzeugverlangsamung in einem autonomen oder halbautonomen Modus zu erzielen. Die Eingaben für eine solche Fahrzeugbewegungssteuerung sind exakt dieselben wie jene, die während des Trainings hinsichtlich der Variablen verwendet wurden. Aber aufgrund der Art der verallgemeinernden Natur des neuronalen Netzwerkes, wird diese hinsichtlich Abweichungen im Vergleich zu Trainingsdaten roboterhaft sein und wird in der Lage sein, auf der vorausliegenden Straße mit einer gewünschten Geschwindigkeit zu fahren, welche für einen Pfadplaner erforderlich ist. Da das neuronale Netzwerk mittels derselben Vektors von Eingaben trainiert wurde, wird die Ausgabe der Steuerung, basierend auf dem gelernten Verhalten, welches durch die Gewichte, Schwellenwerte und zugehörigen Prozessunsicherheiten modelliert wurde, sehr eng mit dem übereinstimmen, was ein Mensch ausgeführt hätte, wenn derselbe Satz von Eingaben vorgelegen hätte. Dies erlaubt es dem Fahrzeug, den Pfad in einer Weise eines Menschen zu befahren, selbst wenn die Steuerung als solche nicht durch einen Menschen erfolgt.
In einigen Variationen kann eine homogene Bewegungssteuerung Quer- und Längsbewegungssteuersignale bereitstellen, welche ein menschliches Fahrverhalten nachahmen. In einigen Variationen kann die homogene Bewegungssteuerung konstruiert und eingerichtet sein, Persönlichkeiten und variierende Fahrverhaltensmerkmale bereitzustellen, indem das neuronale Netzwerk durch menschliche Fahrzeugführer mit unterschiedlichen Persönlichkeiten und Charaktereigenschaften trainiert wird. In einigen Variationen kann die homogene Bewegungssteuerung über die Fähigkeit verfügen, das Verhalten des Fahrers kontinuierlich zu erlernen und sich an dieses unter Verwendung von Gewichten und Schwellenwerten anzupassen und das neuronale Netzwerk von Zeit zu Zeit zu aktualisieren. Das neuronale Netzwerk kann trainiert werden, indem das Fahrzeug mit einer Vielzahl unterschiedlicher Persönlichkeiten und Charakteristiken wie einer ersten Fahrcharakteristik gefahren wird, die aggressiv ist, welche die Richtungsänderungen des Fahrers in schneller oder scharfer Weise durchführt, und in aggressiver oder schneller Weise beschleunigt und/oder verlangsamt; und einer zweiten Fahrcharakteristik, die moderater ist, als die erste Fahrcharakteristik und bei welcher der Fahrer in einer moderaten oder weniger scharfen Weise die Richtung ändert, und in einer moderaten oder weniger schnellen Weise als in der ersten Fahrcharakteristik beschleunigt und verlangsamt; und in einer dritten Fahrcharakteristik, die konservativer ist, als die zweite Fahrcharakteristik und bei welcher der Fahrer die Richtung langsamer und weniger scharf ändert, und in einer langsameren oder konservativeren Weise als in der zweiten Fahrcharakteristik beschleunigt oder verlangsamt. Das trainierte neuronale Netzwerk wird nachgelagert eingeschränkt, um innerhalb von Grenzen eines sicheren Betriebs des Fahrzeugs und des Umfeldes zu bleiben, unabhängig von einem gelernten Verhalten.
Bezugnehmend auf 1 kann ein Fahrzeug 10 eine Vielzahl von Sensoren 12, 14 aufweisen und ein oder mehrere Module oder Rechengeräte 15 können verwendet werden, um den aktuellen Zustand eines Fahrzeugs bezüglich einer Vielzahl von Variablen zu ermitteln, welche ein Gieren 18, eine Geschwindigkeit 20, eine Querbeschleunigung 22, eine Längsbeschleunigung 24, eine Gierrate 26, eine Lenkradgeschwindigkeit 28, einen Lenkradwinkel 30, oder ein Lenkwinkelziel 32 umfassen. Der aktuelle Zustand eines Fahrzeugs in Bezug auf diese Parameter kann zu unterschiedlichen Zeitpunkten aufgezeichnet werden, wie t=0 und t=1, während sich das Fahrzeug 10 entlang eines Pfades 11 bewegt. Das neuronale Netzwerk kann darüber hinaus aufzeichnen, was der Fahrer vorausliegend 34 sieht bezüglich einer Vielzahl von Variablen, welche die X-Richtung 36 und/oder die Y-Richtung 38 und/oder einen Koeffizienten #1 40 und/oder einen Koeffizienten #2 42 und/oder einen Koeffizienten #3 44 umfassen, wobei die Koeffizienten #1, #2, und #3 eine charakteristische oder parametrische Kurvengleichung, eine Querabweichung des Fahrzeugs vom beabsichtigten Pfad 46, eine Fahrtrichtungsabweichung des Fahrzeugs von der Fahrtrichtung des beabsichtigten Pfades 48, eine Krümmung der zukünftigen Trajektorie 50, oder eine Zielgeschwindigkeit 52 repräsentieren. Eine oder mehrere dieser Variablen können durch das eine oder mehrere Module oder Rechengeräte 15 bezogen werden. Zum aktuellen Fahrzeugzustand 16 können weitere Parameter hinzugefügt werden, wie Umweltbedingungen, eine Fahrbahnreibung und eine Fahrzeuggesundheitsinformation.
Bezugnehmend auf 2, können die Eingabedaten an ein neuronales Netzwerk übertragen werden, wobei solche Eingabedaten von einem aktuellen Zustand des Fahrzeugs 16 und dem, was ein Fahrer vorausliegend 34 sieht und nach Bedarf von weiteren Parameter abstammen wie, ob die Ausgabe für die erste Fahrcharakteristik, die aggressiv ist, für die zweite Fahrcharakteristik, die moderat ist, oder für die dritte Fahrcharakteristik, die konservativ ist, benötigt wird. Das neuronale Netzwerk wäre eine separate Steuerung und kann entweder unabhängig arbeiten oder in Verbindung mit bestehenden herkömmlichen Steuerungsfunktionen stehen und deren jeweilige Ausgaben können verglichen oder gemittelt werden.
Einige Variationen können ein Verfahren zum Trainieren eines neuronalen Netzwerkes aufweisen, welches umfasst: Fahren durch einen menschlichen Fahrer auf einer Teststrecke mit einer ersten Geschwindigkeit für eine erste Fahrcharakteristik und Verwenden einer Vielzahl von Sensoren 12, 14 und eines oder mehrerer Module oder Rechengeräte 15, Ermitteln des aktuellen Zustandes des Fahrzeugs zu unterschiedlichen Zeitpunkten unter Verwendung eines Gierens 18 und/oder einer Geschwindigkeit 20, und/oder einer Querbeschleunigung 22 und/oder einer Längsbeschleunigung 24 und/oder einer Gierrate 26 und/oder einer Lenkradgeschwindigkeit 28 und/oder eines Lenkradwinkels 30 und/oder eines Lenkwinkelziels 32, und Ermitteln, was der Fahrer vorausliegend sieht hinsichtlich der X-Richtung 36 und/oder der Y-Richtung 38 und/oder eines Koeffizienten #1 40 und/oder eines Koeffizienten #2 42 und/oder eines Koeffizienten #3 44, wobei die Koeffizienten #1, #2, und #3 die charakteristische oder parametrische Kurvengleichung repräsentieren und/oder einer Querabweichung des Fahrzeugs vom beabsichtigten Pfad 46 und/oder einer Fahrtrichtungsabweichung des Fahrzeugs von einer Fahrtrichtung eines beabsichtigten Pfades 48 und/oder einer Krümmung der zukünftigen Trajektorie 50 und/oder einer Zielgeschwindigkeit 52, und Erzeugen von Eingabedaten aus dem Ermitteln, und Kommunizieren der Eingabedaten an ein neuronales Netzwerk, um ein menschliches Fahrverhalten zu modellieren, und Erzeugen von Ausgabedaten auf deren Basis, und Kommunizieren der Ausgabedaten an ein Modul eines autonom fahrenden Fahrzeugs, welches konstruiert und eingerichtet ist, ein Fahrzeug wenigstens für einen Zeitraum ohne eine menschlichen Eingabe zu führen. Die erste Geschwindigkeit kann eine relativ hohe Geschwindigkeit sein, um ein menschliches Fahrverhalten eines aggressiven Fahrers zu modellieren. Derselbe Vorgang kann mit einer zweiten Geschwindigkeit, die geringer als die erste Geschwindigkeit ist, wiederholt werden, um das menschliche Fahrverhalten eines moderaten Fahrers zu modellieren. Auf ähnliche Weise kann derselbe Vorgang für eine dritte Geschwindigkeit wiederholt werden, welche geringer ist, als die zweite Geschwindigkeit, um das menschliche Fahrverhalten eines konservativen Fahrers zu modellieren.
Einige Variationen können ein trainiertes neuronales Netzwerk aufweisen, welches konstruiert und eingerichtet ist, Ausgabedaten zu erzeugen, wobei das neuronale Netzwerk trainiert wurde, indem Eingabedaten empfangen wurden, die bezogen wurden, indem ein menschlicher Fahrer auf einer Teststrecke mit einer ersten Geschwindigkeit für eine erste Fahrcharakteristik gefahren ist und indem eine Vielzahl von Sensoren 12, 14 und ein oder mehrere Module oder Rechengeräte 15 verwendet wurden, um den aktuellen Zustand des Fahrzeugs zu unterschiedlichen Zeitpunkten zu ermitteln, unter Verwendung eines Gierens 18 und/oder einer Geschwindigkeit 20 und/oder einer Querbeschleunigung und/oder einer Längsbeschleunigung 24 und/oder einer Gierrate 26 und/oder einer Lenkradgeschwindigkeit 28 und/oder eines Lenkradwinkels 30 und/oder eines Lenkwinkelziels 32, und indem ermittelt wurde, was der Fahrer vorausliegend sieht hinsichtlich der X-Richtung 36 und/oder der Y-Richtung 38 und/oder eines Koeffizienten #1 40 und/oder eines Koeffizienten #2 42 und/oder eines Koeffizienten #3 44, wobei die Koeffizienten #1, #2, und #3 die charakteristische oder parametrische Kurvengleichung repräsentieren, und/oder einer Querabweichung des Fahrzeugs von einem beabsichtigten Pfad 46 und/oder einer Fahrtrichtungsabweichung einer aktuellen Fahrtrichtung des Fahrzeugs vom beabsichtigten Pfad 48 und/oder einer Krümmung der zukünftigen Trajektorie 50 und/oder der Zielgeschwindigkeit 52.
Zusätzlich zu dem oben beschriebenen Trainingsverfahren kann, sobald das Fahrzeug mit einem grundtrainierten neuronalen Netzwerk an den Kunden ausgeliefert wurde, ein Software-Modul derart ausgeführt werden, dass es den Fahrzeugzustand, vorwegnehmende Informationen und Fahrereingaben in Fällen kontinuierlich aufzeichnet, in denen der Fahrer das Fahrzeug manuell betreibt. Falls ermittelt wird, dass die aufgezeichnete Information aus einem Bereich einer Fahrcharakteristik stammt, der als ein Bereich mit einer geringeren Konfidenz im trainierten neuronalen Netzwerk angesehen wird, wird die Information als zusätzliche Information in das neuronale Netzwerk zurückgeführt und die Gewichte, die Schwellenwerte und Unsicherheiten werden aktualisiert. Dieser Vorgang stellt ein kontinuierliches Lernen und eine kontinuierliche Verbesserung der auf dem neuronalen Netzwerk basierenden homogenen Steuerung sicher.
Bezugnehmend auf 3, können einige Variationen ein Verfahren zum Trainieren eines neuronalen Netzwerkes aufweisen, welches umfasst: initiales Trainieren des neuronalen Netzwerkes und von Entwicklungsvorgängen, die, wie mittels 1 beschrieben, ein Erfassen 302 tatsächlicher Fahrdaten für mehrere Fahrer einschließen, die mit einem vorgegeben Satz von Komfortparametern und Geschwindigkeiten fahren; Vorverarbeiten 304 der Fahrdaten, um ein Einspeisen dieser in einen Trainingsalgorithmus zu ermöglichen; Verwenden 306 eines neuronalen Netzwerkes / eines Trainingsalgorithmus' eines maschinellen Lernens, um ein mehrschichtiges tiefes Netzwerk zu trainieren, in welchem die unterschiedlichen Unsicherheiten zusammen mit Mittelwerten und Standardabweichungen von Daten verstanden werden und in welchem dieser Satz von Gewichten und Schwellenwerten als eine mathematische Repräsentation für eine Antwort eines menschlichen Fahrers auf einen vorgegeben Satz von Eingaben verwendet wird; Verwenden 308 der Gewichte und Schwellenwerte, um eine Quer- und Längsbewegungssteuerung zu erzeugen, welche die Trajektorie des Fahrzeugs steuert; und anschließendes Ausführen eines laufenden oder nachgelagerten Trainings des neuronalen Netzwerkes und von Entwicklungsvorgängen, welche das Erfassen 310 von Daten einschließen, während der menschliche Fahrer damit fortfährt in einem manuellen Modus zu fahren, sobald das trainierte neuronale Netzwerk eingesetzt wird; Hochladen 314 der Daten entweder in die Cloud-Infrastruktur oder in eine bordeigene Rechenressource, in welcher das neuronale Netzwerk hinsichtlich neuer Trainingsdaten bewertet wird und in welcher Unsicherheiten, Mittelwerte und Schwellenwerte mit dem ursprünglich trainierten neuronalen Netzwerk verglichen 312 werden; und, falls Unterschiede derart angesehen werden, dass sie die Leistung des neuronalen Netzwerks innerhalb der Sicherheitsgrenzen verbessern, Aktualisieren 316 der Gewichte und Schwellenwerte, falls dies für den Besitzer/Fahrer des Fahrzeugs akzeptabel ist.
Die obige Beschreibung ausgewählter Variationen innerhalb des Schutzbereichs der Erfindung sind ausschließlich veranschaulichender Natur und folglich sind Variationen oder Varianten davon nicht als eine Abweichung vom Geist und Schutzbereich der Erfindung anzusehen.
Bezugszeichenliste

10: Fahrzeug
11: Pfad
12: Sensor
14: Sensor
15: Rechengerät
16: Fahrzeugzustand
18: Gieren
20: Geschwindigkeit
22: Querbeschleunigung
24: Längsbeschleunigung
26: Gierrate
28: Lenkradgeschwindigkeit
30: Lenkradwinkel
32: Lenkwinkelziel
34: was der Fahrer vorausliegend sieht
36: X-Richtung
38: Y-Richtung
40: Koeffizient #1
42: Koeffizient #2
44: Koeffizient #3
46: Querabweichung vom beabsichtigten Pfad
48: Richtungsabweichung vom beabsichtigten Pfad
50: zukünftige Trajektorie
52: Zielgeschwindigkeit
54: Vektor von Trainingseingaben X1
56: Eingang des funktionsanpassenden neuronalen Netzwerks
58: Ausgang des funktionsanpassenden neuronalen Netzwerks
60: Vektor von Steuerparametern Y1
302 - 316: Verfahrensschritte

Claims

Verfahren zum Trainieren eines neuronalen Netzwerks umfassend: • Fahren durch einen menschlichen Fahrer auf einer Teststrecke mit einer ersten Geschwindigkeit für eine erste Fahrcharakteristik und Verwenden einer Vielzahl von Sensoren (12, 14) und eines oder mehrerer Module oder Rechengeräte (15), welche den aktuellen Zustand (16) des Fahrzeugs (10) zu unterschiedlichen Zeitpunkten unter Verwendung eines Gierens (18) und/oder einer Geschwindigkeit (20) und/oder einer Querbeschleunigung (22) und/oder einer Längsbeschleunigung (24) und/oder einer Gierrate (26) und/oder einer Lenkradgeschwindigkeit (28) und/oder eines Lenkradwinkels (30) und/oder eines Lenkwinkelziels (32) bestimmen; und • Ermitteln, was der Fahrer vorausliegend (34) sieht, hinsichtlich der X-Richtung (36) und/oder der Y-Richtung (38) und/oder eines Koeffizienten #1 (40) und/oder eines Koeffizienten #2 (42) und/oder eines Koeffizienten #3 (44), wobei die Koeffizienten #1 (40), #2 (42), und #3 (44) die charakteristische oder parametrische Kurvengleichung repräsentieren, und/oder der Querabweichung (46) des Fahrzeugs (10) von einem beabsichtigten Pfad (11) und/oder einer Fahrtrichtungsabweichung (48) der aktuellen Fahrtrichtung des Fahrzeugs (10) vom beabsichtigten Pfad (11) und/oder einer Krümmung der zukünftigen Trajektorie (50) und/oder einer Zielgeschwindigkeit (52), und Erzeugen von Eingabedaten (54) aus dem Ermitteln, und Kommunizieren der Eingabedaten (54) an ein neuronales Netzwerk (56, 58), um ein menschliches Fahrverhalten zu modellieren und Erzeugen von Ausgabedaten (60) aus dem neuronalen Netzwerk (56, 58), und Kommunizieren der Ausgabedaten (60) an ein Modul eines autonom fahrenden Fahrzeugs (10), welches konstruiert und eingerichtet ist, ein Fahrzeug (10) wenigstens in einem Zeitraum ohne eine menschliche Eingabe zu führen.
Verfahren nach Anspruch 1 weiter umfassend: • Fahren auf einer Teststrecke durch einen menschlichen Fahrer mit einer ersten Geschwindigkeit für eine erste Fahrcharakteristik und Verwenden einer Vielzahl von Sensoren (12, 14) und eines oder mehrerer Module oder Rechengeräte (15), welche den aktuellen Zustand (16) des Fahrzeugs zu unterschiedlichen Zeitpunkten unter Verwendung eines Gierens (18) und/oder einer Geschwindigkeit (20) und/oder einer Querbeschleunigung (22) und/oder einer Längsbeschleunigung (24) und/oder einer Gierrate (26) und/oder einer Lenkradgeschwindigkeit (28) und/oder eines Lenkradwinkels (30) und/oder eines Lenkwinkelziels (32) ermitteln; und • Ermitteln, was der Fahrer vorausliegend (34) sieht, hinsichtlich der X-Richtung (36) und/oder der Y-Richtung (38) und/oder eines Koeffizienten #1 (40) und/oder eines Koeffizienten #2 (42) und/oder eines Koeffizienten #3 (44), wobei die Koeffizienten #1 (40), #2 (42), und #3 (44) die charakteristische oder parametrische Kurvengleichung repräsentieren, und/oder einer Querabweichung (46) des Fahrzeugs (10) von einem beabsichtigten Pfad (11) und/oder einer Fahrtrichtungsabweichung (48) der aktuellen Fahrtrichtung des Fahrzeugs (10) von einem beabsichtigten Pfad (11) und/oder einer Krümmung der zukünftigen Trajektorie (50) und/oder einer Zielgeschwindigkeit (52), und Erzeugen von Eingabedaten (54) aus dem Ermitteln, und Kommunizieren der Eingabedaten (54) an ein neuronales Netzwerk (56, 58), um ein menschliches Fahrverhalten zu modellieren und um Ausgabedaten (60) aus dem neuronalen Netzwerk (56, 58) zu erzeugen, und Kommunizieren der Ausgabedaten (60) an ein Modul eines autonom fahrenden Fahrzeugs (10), welches konstruiert und eingerichtet ist, das Fahrzeug (10) wenigstens für einen Zeitraum ohne menschliche Eingabe zu führen, und wobei die zweite Geschwindigkeit geringer ist, als die erste Geschwindigkeit.
Verfahren nach Anspruch 1 oder 2 weiter umfassend: • Fahren auf einer Teststrecke durch einen menschlichen Fahrer mit einer ersten Geschwindigkeit für eine erste Fahrcharakteristik und ein Verwenden einer Vielzahl von Sensoren (12, 14) und eines oder mehrerer Module oder Rechengeräte (15), welche den aktuellen Zustand (16) des Fahrzeugs zu unterschiedlichen Zeitpunkten unter Verwendung eines Gierens (18) und/oder einer Geschwindigkeit (20) und/oder einer Querbeschleunigung (22) und/oder einer Längsbeschleunigung (24) und/oder einer Gierrate (26) und/oder einer Lenkradgeschwindigkeit (28) und/oder eines Lenkradwinkels (30) und/oder eines Lenkwinkelziels (32) ermitteln; und • Ermitteln, was der Fahrer vorausliegend (34) sieht, hinsichtlich der X-Richtung (36) und/oder der Y-Richtung (38) und/oder eines Koeffizienten #1 (40) und/oder eines Koeffizienten #2 (42) und/oder eines Koeffizienten #3 (44), wobei die Koeffizienten #1 (40), #2 (42), und #3 (44) die charakteristische oder parametrische Kurvengleichung repräsentieren, und/oder einer Querabweichung (46) des Fahrzeugs (10) vom beabsichtigten Pfad (11) und/oder einer Fahrtrichtungsabweichung (28) einer aktuellen Fahrtrichtung des Fahrzeugs (10) vom beabsichtigten Pfad (11) und/oder einer Krümmung der zukünftigen Trajektorie (50) und/oder einer Zielgeschwindigkeit (52), und Erzeugen von Eingabedaten (54) aus dem Ermitteln, und Kommunizieren der Eingabedaten (54) an ein neuronales Netzwerk (56, 58), um ein menschliches Fahrverhalten zu modellieren und um Ausgabedaten (60) aus dem neuronalen Netzwerk (56, 58) zu erzeugen, und Kommunizieren der Ausgabedaten (60) an ein Modul eines autonom fahrenden Fahrzeugs (10), welches konstruiert und eingerichtet ist, ein Fahrzeug (10) wenigstens für einen Zeitraum ohne eine menschliche Eingabe zu führen, und wobei die dritte Geschwindigkeit geringer ist, als die zweite Geschwindigkeit.
Trainiertes neuronales Netzwerk (56, 58), welches konstruiert und eingerichtet ist, Ausgabedaten (60) zu erzeugen, wobei das neuronale Netzwerk (56, 58) trainiert worden ist, indem Eingabedaten (54) empfangen werden, die bezogen werden, indem ein menschlicher Fahrer auf einer Testrecke mit einer ersten Geschwindigkeit für eine erste Fahrcharakteristik fährt und indem eine Vielzahl von Sensoren (12, 14), und ein oder mehrere Module oder Rechengeräte (15) verwendet werden, indem der aktuelle Zustand (16) des Fahrzeugs (10) zu unterschiedlichen Zeitpunkten ermittelt wird, unter Verwendung eines Gierens (18) und/oder einer Geschwindigkeit (20) und/oder einer Querbeschleunigung (22) und/oder einer Längsbeschleunigung (24) und/oder einer Gierrate (26) und/oder einer Lenkradgeschwindigkeit (28) und/oder eines Lenkradwinkels (30) und/oder eines Lenkwinkelziels (32), und indem ermittelt wird, was der Fahrer sieht hinsichtlich der X-Richtung (36) und/oder der Y-Richtung (38) und/oder eines Koeffizienten #1 (40) und/oder eines Koeffizienten #2 (42) und/oder eines Koeffizienten #3 (44), wobei die Koeffizienten #1 (40), #2 (42), und #3 (44) die charakteristische oder parametrische Kurvengleichung repräsentieren, und/oder einer Querabweichung (46) des Fahrzeugs (10) vom beabsichtigten Pfad (11) und/oder einer Fahrtrichtungsabweichung (48) der aktuellen Fahrtrichtung des Fahrzeugs (10) vom beabsichtigten Pfad (11) und/oder der Krümmung der zukünftigen Trajektorie (50) und/oder einer Zielgeschwindigkeit (52), und indem Eingabedaten (54) aus dem Ermitteln erzeugt werden, und indem die Eingabedaten (54) in ein neuronales Netzwerk (56, 58) eingespeist werden, um ein menschliches Fahrverhalten zu modellieren.
Verfahren umfassend Trainieren eines neuronalen Netzwerks (56, 58), welches eine vordefinierte neuronale Netzwerkwerk-Modellarchitektur aufweist, wobei das Verfahren umfasst: Ermitteln der inhärenten Unsicherheiten innerhalb eines Trainingsdatensatzes und der Unsicherheiten innerhalb der neuronalen Netzwerkwerk-Modellarchitektur vor dem Einspeisen des Trainingsdatensatzes, was bewirkt, dass in der Datenvorverarbeitung homoskedastische und heteroskedastische Unsicherheiten ermittelt werden und Verwenden dieser als Eingaben, um es dem neuronalen Netzwerk (56, 58) zu ermöglichen zu verstehen und zu lernen, wie die Eingaben innerhalb des Fahrraums verteilt sind und um den Mittelwert und Standardabweichungen zu erlernen/anzupassen, welche mit jedem Netzwerkneuron der neuronalen Gewichte und Schwellenwerte in Verbindung stehen.