在考虑第二交通工具的行驶行为的情况下确定第一交通工具的轨迹的制作方法

1.本发明涉及在考虑第二交通工具的行驶行为的情况下确定第一交通工具的轨迹，其中，第二交通工具在第一交通工具前方行驶。与此相关，本发明特别是要求保护处理器单元、驾驶员辅助系统、交通工具、方法和计算机程序产品。


背景技术：

2.众所周知，在自适应巡航控制系统(英语：adaptive cruise control，缩写：acc)中，在规划速度轨迹时也考虑到效率标准。在此，一种快速发展的方法是借助于所谓的mpc求解器进行轨迹规划。在使用这种方法时，大量可能的轨迹可以在虚拟界域上关于其整体效率被评价。在此，其它交通参与者也可能对最终所选择的轨迹的整体效率产生影响。例如，在前方交通工具引入制动过程或更缓慢地行驶并且因此使本交通工具的mpc求解器的解空间缩小时，则迫使本交通工具采用不那么最优的轨迹。这里的一个基本问题是，本交通工具通常不知道前方行驶的交通工具将如何行为。


技术实现要素：

3.本发明的任务可以被视为：提供对第一交通工具的mpc调控，其中，考虑在第一交通工具前方行驶的第二机动车辆的行为。
4.此任务通过独立专利权利要求的主题来解决。有利的实施方案是从属权利要求、以下描述和附图的主题。
5.本发明建议了关于前方行驶的交通工具的行驶行为对该前方行驶的交通工具进行模式化和随后使用驾驶员模式来实现驾驶员辅助功能。用于前方行驶的交通工具的这种模式化逻辑可以与基于mpc的行驶策略组合。在此，可以根据雷达数据对前方行驶的交通工具进行模式化，并且然后可以使用驾驶员模式来优化纵向自动化的驾驶辅助功能。本发明因此实现了关于前方行驶的交通工具的行为预知。
6.在此意义上，根据本发明的第一方面，为第一交通工具提供处理器单元。处理器单元被设置成用于在考虑第二交通工具的行驶行为的情况下确定第一交通工具的轨迹，其中，第二交通工具在第一交通工具(本交通工具)前方行驶。因此，第二交通工具是相对于第一交通工具在前方行驶的交通工具。特征“第一交通工具的轨迹”可以理解为第一交通工具在未来，例如在接下来的几秒钟内，应该遵循的路径。在此，可以将速度曲线配属给路径，其中，速度曲线可以针对沿路径的每个点预定第一交通工具的目标速度。由路径和速度的这种相配属得出了第一交通工具的速度轨迹。
7.处理器单元被设置成用于访问第二交通工具的速度数据，其中，速度数据已由第一交通工具的传感器产生。速度数据描述了第二交通工具以其运动的至少一个速度。速度可以是第二交通工具以其在可确定的时间段内运动的速度的时间曲线。第一交通工具的传感器特别是被设置成用于检测第二交通工具的速度。例如，传感器可以是雷达传感器。
8.利用所收集的信息，可以建立第二交通工具的行驶行为模式。例如，维持平均远低于法定允许的最大速度的交通工具可以被描述为不那么激进的交通参与者。在此意义上，处理器单元被设置成用于基于速度数据建立第二交通工具的行驶行为模式。
9.根据本发明，第二交通工具的行驶行为模式用于得到被模式化的交通工具的行驶预知。在此意义上，处理器单元被设置成用于基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为。
10.所得到的预知可以被转发到mpc逻辑，以用于规划第一交通工具的最优行驶轨迹。mpc逻辑在考虑路线拓扑、交通和其它环境信息的情况下针对前方路段为第一交通工具规划出最优的速度轨迹。现在可以在考虑关于前方行驶的交通工具的预知的情况下来细化并由此改进速度轨迹。以此方式，不同自由度的集成优化也是可能的，这造成了整体最优的行驶行为。关于前方行驶的交通工具的预测可以作为mpc逻辑的硬性辅助条件。硬性辅助条件可以理解为在对第一交通工具的轨迹进行确定时必须强制性遵守的辅助条件。在此意义上，处理器单元也被设置成用于通过执行包含第一交通工具的纵向动力学模型和待最小化的成本函数的mpc算法来确定第一交通工具的轨迹，从而使成本函数最小化，其中，在确定轨迹时将对第二交通工具的未来行驶行为的预知考虑为辅助条件。
11.基于模型的预测调控(mpc)的方法实现了：在给定的边界条件和限制的情况下，在每种状况中都为所谓的“行驶效率”行驶功能找到最优的解，该“行驶效率”行驶功能提供了高效的行驶方式。mpc方法基于描述了系统的行为的系统模型，在本发明中基于第一交通工具的纵向动力学模型。此外，mpc方法基于描述了优化问题并确定了哪些状态参量应被最小化的目标函数或成本函数。
12.纵向动力学模型可以描绘交通工具的动力总成并且可以包括带有交通工具参数和动力总成损耗(有时是近似的特征曲线簇)的交通工具模型。关于前方路段拓扑图的消息(例如弯道和坡)也可以纳入到动力总成的纵向动力学模型中。此外，也可以将关于前方路段的限速的消息纳入到动力总成的动力学模型中。mpc算法可以包括软件模块形式的mpc求解器。mpc求解器可以包含指令或程序代码，由此指示处理器单元根据第一交通工具的纵向动力学模型来确定第一交通工具的轨迹，使得成本函数最小化。
13.处理器单元可以将第一交通工具的优化轨迹转发给软件模块(“目标生成器”)。借助此软件模块，处理器单元可以将所有可供使用的自由度的数学最优规划转换为实际可利用的分量信号。例如，可以通过mpc调控对接下来的5000m最优地规划出第一交通工具的速度轨迹。在此情况中，目标生成器将此轨迹的第一(＝当前需要的)速度值“转换”为例如第一交通工具的电机(作为与效率相关的部件)的需求转矩。然后组件软件可以使用该值来工作并且调控出希望的速度。
14.根据另一实施方式，成本函数的第一项包含以第一加权因子加权的并且根据动态模型预测的电能，该电能在预测界域内由第一交通工具的动力总成的电池提供用以驱动电机。此外，成本函数可以包含以第二加权因子加权的并且根据纵向动力学模型预测的行驶时间作为第二项，第一交通工具需要该行驶时间以驶过整个在预测界域内所预测的路段。处理器单元可以被设置成用于通过执行mpc算法依赖于第一项并且依赖于第二项地来确定电机的输入参量，从而使成本函数最小化。
15.用于行驶效率行驶功能的状态参量因此例如可以是车速或动能、电池中剩余的能
量和行驶时间。对能量消耗和行驶时间的优化可以例如基于前方路段的坡度以及对速度和驱动力的限制来进行，并且基于当前的系统状态来进行。借助行驶效率行驶策略的目标函数或成本函数，除了整体损耗或能量消耗之外也可以使行驶时间最小化。这导致：根据加权因子的选择，低速并不总是被评价为最优并且因此不再出现所得出的速度始终处于允许速度的下限处的问题。可以实现的是，驾驶员影响不再与第一交通工具的能量消耗和行驶时间相关，这是因为电机可以由处理器单元基于输入参量来控制，所述输入参量通过执行mpc算法确定。特别地，可以借助输入参量调节出电机的最优的马达运行点。由此，可以直接调控出第一交通工具的最优速度。
16.特别地，成本函数可以仅具有线性项和平方项。由此，整个问题具有带有线性辅助条件的平方优化形式并且表现为可以良好且快速求解的凸问题。目标函数或成本函数可以被配设权重(加权因子)，其中，特别是计算和加权能量效率、行驶时间和行驶舒适性。可以在处理器单元上针对前方界域在线计算能量最优的速度轨迹，该处理器单元特别是可以形成第一交通工具的中央控制器的组成部分。通过使用mpc方法，也可以基于当前行驶状态和前方路段信息周期性地重新计算第一交通工具的目标速度。
17.可以测量当前的状态参量，可以记录对应的数据并且提供给mpc算法。因此，来自电子地图的针对第一交通工具前方的前瞻界域或预测界域(例如400m)的路段数据可以被升级或更新，特别是周期性地升级或更新。路段数据可以包含例如坡度信息、弯道信息和关于限速的信息。此外，可以通过允许的最大横向加速度将弯道曲率转换为第一交通工具的限速。此外，可以对第一交通工具定方位，特别是通过gnss信号在电子地图上进行精确定位。
18.第二交通工具的速度数据可以包括由第一交通工具的传感器确定的第二交通工具的实际速度的时间曲线。通过函数在此可以计算与限速的相对偏差或百分比偏差的平均值(考虑到行驶情况)。此平均偏差可以应用于第二交通工具的前方最大速度。
19.在一个实施方式中，处理器单元可以被设置成用于访问第一限速值，该第一限速值适用于第二交通工具在其上行驶的第一路段，以及访问第二限速值，该第二限速值适用于第二交通工具未来将在其上行驶的第二路段。例如以km/h(千米/小时)规定的限速值是一个路段上法定许可或允许的交通工具的最大速度。限速值是对交通工具速度的约束性限值，其不允许被超过。通俗地说，术语“限速”也用于这种情况。限速值一般可由条例设定并且通过交通标志标明，并且适用于特定交通工具、特定货物的运输或道路、铁路或水路的特定路段，并且有时也适用于空域中。
20.处理器单元可以被设置成用于从第二交通工具的实际速度的时间曲线生成第二交通工具的实际速度与第一限速值的相对速度偏差的时间函数。“时间函数”可以被理解为一种数学函数，其描述了第二交通工具的实际速度与第一限速值的相对速度偏差关于时间的曲线。
21.处理器单元还可以被设置成用于从相对速度偏差的时间函数确定平均相对速度偏差，基于平均相对速度偏差建立第二交通工具的行驶行为模式，并且基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为，使得依赖于平均相对速度偏差和第二限速值来确定第二交通工具在第二路段上的未来的速度。
22.在一个简单的示例中，在第一路段上可以存在100km/h的恒定的第一限速，其中，
被观察的第二交通工具例如在完整的观察时长，例如30秒内在第一路段上以80km/h的速度在第一交通工具前方运动。在此情况中，也与第一限速平均产生了-20％的偏差。如果现在在前瞻的行驶界域内出现新的第二限速(例如50km/h)，则可以预知(在速度调整的过程完成后)第二交通工具的预知速度为40km/h(50km/h*(100％-20％)＝40km/h)。
23.在另一个实施方式中，处理器单元被设置成用于针对确定的时间段将第二交通工具的实际速度与第一限速值的时间离散的相对速度偏差按时间顺序存储在数据组中，并且从时间离散的、按时间顺序存储的相对速度偏差生成第二交通工具的实际速度与第一限速值的相对速度偏差的时间函数。
24.例如，可以借助可用的雷达信息来确定前方行驶的第二交通工具的实际速度v
detected
。然后可以得到前方行驶的第二交通工具的实际速度v
detected
与第一限速值v
limit1
的相对偏差δv
rel
。相对速度偏差可按下式计算：δv
rel
＝(v
limit1-v
detected
)/v
limit1
或δv
rel
＝(v
detected-v
limit1
)/v
limit1
。计算出的相对偏差或百分比偏差可以存储在数据组中，特别是存储在先进先出(fifo)向量中，其中，数据组可以具有预设的存储时长，例如30s。数据组，特别是fifo向量，可以描述为数据数组，如下所示：
[0025][0026]
在此，单个的值δv
rel
(t1)至δv
rel
(tn)是计算出的在相应的时间点t1至tn的百分比偏差，其中，t1是在预设的存储时长(例如30s；“确定的时间段”)期间的第一个时间点，并且其中，tn是在预设的存储时长期间的最后一个时间点。在数据组内的存储，特别是在fifo向量内的存储实现了对前方行驶的第二交通工具的实际速度与第一限速值的百分比偏差的曲线描述。为此，δv
rel
(t1)至δv
rel
(tn)以时间顺序存储在数据组内，特别是存储在fifo向量内。基于时间离散的值δv
rel
(t1)至δv
rel
(tn)可以生成相对速度差关于时间的函数。此函数可以两次求导，其中，一阶导数描述第二交通工具的加速度的时间曲线，并且其中，二阶导数描述第二交通工具的加加速度的时间曲线。
[0027]
在另一个实施方式中，处理器单元被设置成用于从速度偏差的时间函数关于时间的一阶导数确定第二交通工具的平均加速度，并且基于第二交通工具的平均加速度建立第二交通工具的行驶行为模式。例如，平均仅具有小的加速度的交通工具可以被模式化为不那么激进的交通参与者。
[0028]
关于平均加速度的信息可以应用于第二交通工具的加速操作和制动操作。加速操作和制动操作特别是在允许的最大速度突变时、在红绿灯前或在十字路口前进行。与对上述第二交通工具的速度进行预知类似，在此也计算加速度的平均(＝表征)值，例如在限速值过渡时。在此意义上，处理器单元可以被设置成用于基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为，使得依赖于平均加速度、平均相对速度偏差和第二限速值来确定第二交通工具特别是在第一路段上的未来的加速度。
[0029]
例如，针对平均加速度值计算出-1m/s2，也就是说第二交通工具平均以该负加速度值制动(制动操作)。如果现在在界域上限速值发生变化(例如从作为第一限速值的100km/h变化成作为第二限速值的50km/h)，则平均加速度或表征加速度可以被用于预知。在此，特别地可以假设第二交通工具在新的第二限速值开始时达到其目标速度，该目标速度可以如前所述那样依赖于平均相对速度偏差和第二限速值地被确定。然后，从该道路点(第一限速值适用的第一路段和第二限速值适用的第二路段之间的过渡)开始，可以反算出
制动操作在何时何地开始。
[0030]
第二交通工具的表征加加速度可以以类似方式用于预知第二交通工具的加速度过渡。在此意义上，处理器单元可以被设置成用于从速度偏差的时间函数关于时间的二阶导数确定第二交通工具的平均加加速度，并且基于第二交通工具的平均加加速度建立第二交通工具的行驶行为模式。例如，平均仅具有小的加加速度的交通工具可以被模式化为不那么激进的交通参与者。处理器单元还可以被设置成用于基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为，使得依赖于平均加加速度、平均加速度、平均相对速度偏差和第二限速值来确定第二交通工具特别是在第一路段上的未来的加加速度。例如，可以针对平均加加速度确定-1m/s3的值。在此情况中，在进一步的上述制动操作期间，例如加速度从0m/s2到-1m/s2的过渡需要一秒。由此可以预知在无制动踏板位置和表征制动踏板位置之间的过渡的时长。对于此过渡的长度，加加速度是保持不变的。
[0031]
加加速度的最大值和加速度的最大值也可用于探知紧急制动的可能性。在此意义上，处理器单元可以被设置成用于从速度偏差的时间函数关于时间的一阶导数确定第二交通工具的最大加速度，以及从速度偏差的时间函数关于时间的二阶导数确定第二交通工具的最大加加速度，以及基于第二交通工具的最大加速度和最大加加速度建立第二交通工具的行驶行为模式。此外，处理器单元可以被设置成用于基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为，使得依赖于最大加速度和最大加加速度地探知第二交通工具的紧急制动。
[0032]
在mpc方法的范围内，可以在每个计算步长(通常都为10ms)中执行上述功能或步骤。在此意义上，处理器单元可以被设置成用于：对于每次执行mpc算法以确定第一交通工具的轨迹时，都预知第二交通工具的未来行驶行为。
[0033]
根据本发明的第二方面提供了在考虑第二交通工具的行驶行为的情况下执行第一交通工具的驾驶员辅助功能的驾驶员辅助系统，其中，第二交通工具在第一交通工具前方行驶。驾驶员辅助系统被设置成用于特别是借助通信接口访问由根据本发明的第一方面的处理器单元所确定的第一交通工具的轨迹，并且特别是借助处理器单元在使用第一交通工具的轨迹的情况下执行第一交通工具的驾驶员辅助功能。
[0034]
驾驶员辅助功能包括自主或半自主的行驶功能。自主行驶功能允许交通工具自行行驶，即无需交通工具乘员控制交通工具。驾驶员已将对交通工具的控制移交给驾驶员辅助系统。因此，自主行驶功能包括：交通工具特别是借助用于确定交通工具的轨迹的处理器单元或驾驶员辅助系统的处理器单元被设置成用于执行例如转向、灯光指示、加速和制动操作，而无需人为干预，以及特别是控制外部灯光和信号指示，例如交通工具的指示灯。半自主行驶功能可以理解为支持交通工具驾驶员控制交通工具的行驶功能，特别是在转向、灯光指示、加速和制动操作时，其中，驾驶员仍然具有对交通工具的控制。
[0035]
根据本发明的第三方面提供了第一交通工具。第一交通工具包括传感器，特别是雷达传感器。传感器被设置成用于生成在第一交通工具前方行驶的第二交通工具的速度数据。此外，第一交通工具包括根据本发明第一方面的处理器单元和根据本发明第二方面的驾驶员辅助系统。
[0036]
第一交通工具特别是机动车辆，例如轿车(例如重量小于3.5t的乘用车)、摩托车、小型摩托车、轻便摩托车、自行车、电动自行车、公交车或载货车(例如重量超过3.5t)，或是
轨道车辆、船、飞行器，例如直升机或飞机。本发明还可以使用在微型机动性的小型且轻型的电动机动车中，其中，这些机动车特别是用于城市交通和农村地区的第一英里和最后一英里的交通。第一英里和最后一英里的交通可以理解为所有在移动链的第一个和最后一个环节中的路段和路程。这例如是从家到火车站的路程或从火车站到工作场所的路段。换言之，本发明可用于所有运输方式的领域，例如机动车辆、航空、航海、航天等。
[0037]
根据本发明的第四方面提供了用于在考虑第二交通工具的行驶行为的情况下确定第一交通工具的轨迹的方法，其中，第二交通工具在第一交通工具前方行驶。方法包括以下步骤：
[0038]-生成第二交通工具的速度数据，
[0039]-基于速度数据建立第二交通工具的行驶行为模式，
[0040]-基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为，和
[0041]-通过执行包含第一交通工具的纵向动力学模型和待最小化的成本函数的mpc算法确定第一交通工具的轨迹，从而使成本函数最小化，其中，在确定轨迹时将对第二交通工具的未来行驶行为的预知考虑为辅助条件。
[0042]
根据本发明的第五方面提供了用于在考虑第二交通工具的行驶行为的情况下确定第一交通工具的轨迹的计算机程序产品，其中，第二交通工具在第一交通工具前方行驶。计算机程序产品在处理器单元上执行时指示处理器单元：
[0043]-访问第二交通工具的速度数据，其中，速度数据已由第一交通工具的传感器生成，
[0044]-基于速度数据建立第二交通工具的行驶行为模式，
[0045]-基于第二交通工具的行驶行为模式预知第二交通工具的未来行驶行为，和
[0046]-通过执行包含第一交通工具的纵向动力学模型和待最小化的成本函数的mpc算法确定第一交通工具的轨迹，从而使成本函数最小化，其中，在确定轨迹时将对第二交通工具的未来行驶行为的预知考虑为辅助条件。mpc算法可以作为软件代码形成计算机程序产品的组成部分。
[0047]
与根据本发明第一方面的处理器单元相关的实施方案也类似地适用于根据本发明第二方面的驾驶员辅助系统、根据本发明第三方面的第一交通工具、根据本发明的第四方面的方法和根据本发明第五方面的计算机程序产品。
附图说明
[0048]
在下文中根据示意图详细解释本发明的实施例，其中，相同的或类似的元件设有相同的附图标记。其中：
[0049]
图1示出第一交通工具的示意图，和
[0050]
图2示出第二交通工具，该第二交通工具在道路的第一路段上在根据图2的第一交通工具前方行驶。
具体实施方式
[0051]
图1示出了第一交通工具1。在所示的实施例中，第一交通工具是机动车辆，例如乘用车。机动车辆1包括用于在考虑到通过图2示出的第二交通工具18的行驶行为的情况下确
定第一机动车辆1的轨迹的mpc系统2，其中，第二交通工具18在第一机动车辆1前方行驶。在所示的实施例中，第二交通工具18也是机动车辆，例如也是乘用车。第一机动车辆1还包括具有处理器单元和通信接口20的驾驶员辅助系统16。
[0052]
在所示的实施例中，mpc系统2包括处理器单元3、存储器单元4、通信接口5和检测单元6，该检测单元尤其是用于确定前方行驶的交通工具(在通过图2示出的实施例中的第二机动车辆18)的速度以及用于检测与机动车辆1有关的其它环境数据和状态数据。机动车辆1还包括动力总成7，该动力总成例如可以包括能够作为马达并且作为发电机运行的电机8、电池9和传动装置10。在马达运行期间，电机8可以通过传动装置10驱动机动车辆1的车轮，该传动装置例如可以具有恒定的传动比。电池9可以提供为此所需的电能。当电机8在发电机运行中运行(回收)时，电池9可以由电机8充电。电池9也可以可选地在外部充电站处被充电。机动车辆1的动力总成也可以可选地具有内燃机17，该内燃机作为电机8的替代或补充可以驱动机动车辆1。内燃机17也可以驱动电机8，以便为电池9充电。
[0053]
计算机程序产品11可以存储在存储器单元4上。计算机程序产品11可以在处理器单元3上执行，为此处理器单元3和存储器单元4通过通信接口5相互连接。当计算机程序产品11在处理器单元3上被执行时，则计算机程序产品11指引处理器单元3实现结合附图所描述的功能或执行方法步骤。
[0054]
计算机程序产品11包含mpc算法13。mpc算法13又包含机动车辆1的动力总成7的纵向动力学模型14。mpc算法13还包含待最小化的成本函数15。处理器单元3执行mpc算法13，并且在此基于纵向动力学模型14来确定第一机动车辆1的最优的速度轨迹，从而使成本函数15最小化。
[0055]
针对预测界域内的计算点也可以得到电机8的最优转速和最优转矩来作为通过mpc算法13优化的输出。为此，处理器单元3可以确定用于电机8的输入参量，从而产生最优转速和最优转矩。处理器单元3可以基于所确定的输入参量来控制电机8。然而，这也可以由驾驶员辅助系统16来实现。
[0056]
检测单元6可以测量第一机动车辆1的当前的状态参量、记录对应的数据并将其输送给mpc算法13。此外，来自电子地图的对于机动车辆1前方的前瞻界域或预测界域(例如400m)的路线数据也可以特别地周期地被升级或更新。路线数据可以包含例如坡度信息、弯道信息和关于限速的信息。此外，可以通过允许的最大横向加速度将弯道曲率换算为机动车辆1的限速。此外，可以通过检测单元6进行对第一机动车辆1的定方位，尤其是通过由gnss传感器12生成的信号在电子地图上进行精确定位。此外，检测单元6具有尤其是用于确定前方行驶的交通工具18的速度(图2)的雷达传感器24。处理器单元3可以例如通过通信接口5访问所提到的元件的信息。这些信息可以尤其是作为限制或辅助条件流入到机动车辆1的纵向模型14中。
[0057]
根据图2的明显简化的示例示出了道路21的第一路段22上的第一机动车辆1。第一机动车辆1在前述的驾驶员辅助功能的支持下以第一速度v1在第一行驶方向x1上自主行驶。第二机动车辆18处在第一机动车辆1的前方并且也在道路21的第一路段22上。第二机动车辆1在第一机动车辆1前方以第二速度v2在第二行驶方向x2上行驶。在所示的实施例中，第一路段22笔直地延伸，并且第一机动车辆1的第一行驶方向x1与第二机动车辆18的第二行驶方向x2相同。然而，这仅是示例性的并且不是强制性的。第一机动车辆1的第一速度v1可以等
于第二机动车辆18的第二速度v2(v1＝v2)，但这也仅是示例性的并且不是强制性的。第一机动车辆1的第一速度v1也可以不同于第二机动车辆18的第二速度v2(v1≠v2)。
[0058]
第一法定限速适用于第一路段22，其例如可以被设定成第一限速值v
limit1
＝100km/h。第二机动车辆18向第二路段23方向在第一机动车辆前方行驶，第二机动车辆2预期将在所述第二路段23上行驶。第一机动车辆1向第二路段23方向跟随第二机动车辆18。第二法定限速适用于第二路段23，其例如可以被设定成第二限速值v
limit2
＝50km/h。
[0059]
例如，第一限速值v
limit1
和第二限速值v
limit2
可以储存在第一机动车辆1的导航系统的地图内。mpc系统2的处理器单元3可以通过通信接口5访问第一限速值v
limit1
和第二限速值v
limit2
。
[0060]
雷达传感器24生成第二机动车辆18的速度数据。mpc系统2的处理器单元3可以通过通信接口5访问速度数据。在所示的实施例中，雷达传感器24在离散的时间点t1至tn分别确定第二机动车辆18的实际速度v
detected
(t1)至v
detected
(tn)，由此可以描述第二机动车辆18的速度v1的时间曲线。
[0061]
基于所确定的第二机动车辆18的实际速度v
detected
(t1)至v
detected
(tn)和第一限速值v
limit1
，处理器单元3确定第二机动车辆18的实际速度v
detected
(t1)至v
detected
(tn)与第一限速值v
limitl
的时间离散的相对速度偏差δv
rel
(t1)至δv
rel
(tn)。相对速度偏差δv
rel
(t1)至δv
rel
(tn)可以例如如下地计算：
[0062]
对于从1至n的所有i，
[0063]
相对速度偏差δv
rel
(t1)至δv
rel
(tn)可以存储在数据组中，在所示的示例中所述数据组为先进先出(fifo)向量，其中，fifo向量可以具有预设的存储时间，例如30s。fifo向量可以为如下所描述的数据数组：
[0064][0065]
在此，单个的值δv
rel
(t1)至δv
rel
(tn)是在相应的时间点t1到tn计算出的百分比偏差，其中t1是预设的存储时间(例如30s)期间的第一个时间点，并且其中，tn是预设的存储时间期间的最后一个时间点。在fifo向量内的存储实现了：描绘出前方行驶的第二交通工具18的实际速度与第一限速值v
limit1
的百分比偏差的曲线。为此，将值δv
rel
(t1)至δv
rel
(tn)以时间顺序存储在fifo向量中。基于时间离散的值δv
rel
(t1)至δv
rel
(tn)，处理器单元3可以生成函数δv
rel
(t)，其描述了关于时间的速度差δv
rel
。此函数可以通过处理器单元3两次求导，其中，一阶导数δv
′
rel
(t)描述了第二交通工具18的加速度a的时间曲线，并且其中，二阶导数δv
″
rel
(t)描述了第二交通工具18的加加速度j的时间曲线。
[0066]
处理器单元3确定以下值：
[0067]-从描述了相对速度差δv
rel
关于时间t的函数δv
rel
(t)确定的第二交通工具18的平均相对速度偏差δv
rel average
，
[0068]-从描述了相对速度差δv
rel
关于时间t的函数δv
rel
(t)的一阶时间导数δv
′
rel
(t)确定的第二交通工具18的平均加速度a
average
，
[0069]-从描述了相对速度差δv
rel
关于时间t的函数δv
rel
(t)的一阶时间导数δv
′
rel
(t)确定的第二交通工具18的最大加速度a
max
，
[0070]-从描述了相对速度差δv
rel
关于时间t的函数δv
rel
(t)的二阶时间导数δv
″
ref
(t)确定的第二交通工具18的平均加加速度j
average
，和
[0071]-从描述了相对速度差δv
rel
关于时间t的函数δv
rel
(t)的二阶时间导数δv
″
rel
(t)确定的第二交通工具18的最大加加速度j
max
。
[0072]
基于这些值δv
relaverage
、a
average
、a
max
、j
average
、j
max
中的至少一个值，处理器单元3构建出描述第二机动车辆18的行驶行为的模式(“行驶行为模式”)。如果第二机动车辆18例如维持平均远低于最高速度v
limit1
并且平均仅具有小的加速度a和加加速度i，则第二机动车辆18例如可以被模式化为不那么激进的交通参与者。基于第二交通工具18的行驶行为模式，处理器单元3预知第二交通工具18的未来行驶行为。
[0073]
如已提到的那样，限速值v
limit1
＝100km/h适用于第一路段22。例如，第二交通工具18可以在例如30秒的完整的观察时间内以80km/h的实际速度v
detected
在第一路段22上在第一交通工具1前方运动。在此情况中，得到相对于第一限速值v
limit1
的平均相对速度偏差δv
rel average
为-20％。在预测的行驶界域上，针对第二路段23得到50km/h的第二限速值。在此情况中，处理器单元3预知(在完成速度调整的过程之后)第二交通工具18在第二路段23上以40km/h的速度运动(50km/h*(100％-20％)＝40km/h)。
[0074]
例如，对于平均加速度可以计算出值-1m/s2，也就是说第二交通工具18平均以该负加速度值制动(制动操作)。如果现在在界域上得到限速值从100km/h变为50km/h，则平均加速度a
average
可以被用于预知第二机动车辆18的行驶行为。在此，尤其是可以假设第二交通工具18将在第二限速值v
limit2
开始时就已经达到其目标速度(40km/h)，该目标速度如前述那样能够依赖于平均相对速度偏差δv
rel average
和第二限速值v
limit2
来确定。随后，基于该道路点(第一路段22和第二路段23之间的过渡)可以反算出第二机动车辆18的制动操作在何时何地开始。
[0075]
第二交通工具18的平均加加速度j
average
能够以类似的方式用于预知第二交通工具18的加速度过渡。例如，可以针对平均加加速度j
average
确定-1m/s3的值。在此情况中，在前述制动操作的情况下，例如加速度从0m/s2到-1m/s2的过渡需要一秒。由此可以预知在无制动踏板位置和表征的制动踏板位置之间的过渡时间。在该过渡期间，加加速度j保持不变。加速度的最大值a
max
和加加速度的最大值j
max
也可以用于探知紧急制动的可能性。
[0076]
处理器单元3通过执行mpc算法13来确定第一机动车辆1的轨迹，从而使成本函数15最小化，其中，在确定轨迹时考虑关于第二交通工具18的未来行驶行为的预知作为辅助条件。此外，尤其是连同考虑路线地形、交通和其它环境信息，以确定对于前方路段而言第一交通工具1的最优速度轨迹。
[0077]
驾驶员辅助系统16的处理器单元19借助通信接口20访问由mpc系统2的处理器单元3所确定的第一机动车辆1的轨迹，并且在使用第一机动车辆1的轨迹的情况下执行第一机动车辆1的自主行驶功能。替选地，mpc系统2的处理器单元3也可以在使用第一机动车辆1的轨迹的情况下执行第一机动车辆1的自主行驶功能。在此情况中，驾驶员辅助系统16被集成到mpc系统2内，或mpc系统2形成驾驶员辅助系统16。
[0078]
下面更详细地描述作为用于确定第一机动车辆1的轨迹的mpc算法13的组成部分的纵向动力学模型14的和成本函数15的可能的实施方式。
[0079]
因此，机动车辆1的纵向动力学模型14可以在数学上如下表示：
[0080][0081]
在此：
[0082]
v机动车辆的速度，
[0083]ftrac
由马达或制动器施加到机动车辆的车轮上的牵引力，
[0084]fr
滚动阻力，滚动阻力是轮胎在滚动时变形的效应并且依赖于车轮上的负荷(车轮与道路之间的法向力)并因此依赖于道路的倾斜角度，
[0085]fgr
坡阻力，坡阻力描述了在上坡或下坡行驶运行中作用到机动车辆上的重力的纵向分量，坡阻力依赖于车道的坡度，
[0086]
fd机动车辆的空气阻力，和
[0087]meq
机动车辆的等效质量，等效质量尤其是包含动力总成的转动部分的惯性，所述转动部分(马达、传动装置驱动轴、车轮)经受机动车辆的加速度。
[0088]
通过从关于时间到关于路程的转换和为了消除空气阻力中的速度平方项而利用的坐标变换得到：
[0089][0090]
为使得问题可通过mpc算法13快速和简单地解决，可以如下地将纵向动力学模型14的动力学方程线性化，即，将速度通过坐标变换由动能de
kjn
来表达。由此，用于计算空气阻力fd的平方项由线性项替代，并且同时机动车辆1的纵向动力学模型14不再如通常那样根据时间描述，而是根据路程描述。就该方面而言这很好地适用于优化问题，这是因为电界域的前瞻信息是基于路程的。
[0091]
除了动能之外还有另外两个状态参量，其在简单优化问题的意义上也能够以线性的且根据路程的方式来描述。一方面，动力总成7的电能消耗通常是以特征曲线的形式依赖于转矩和马达转速来描述的。在所示的实施例中，机动车辆1在电机8和机动车辆1在其上运动的道路之间具有固定的传动比。由此可将电机8的转速直接换算为机动车辆1的速度或机动车辆1的动能。此外，通过将每米的能量消耗除以对应的速度可换算出电机8的电功率。为了可以使用针对优化的对应的特征曲线，进行线性近似：对于所有的i，energy
permeter
≥ai*e
kin
bi*f
trac
，(energy
permeter
：能量
每米
)。
[0092]
待最小化的成本函数15可以在数学上例如如下表达：
[0093][0094]
在此：
[0095]wbat
ꢀꢀꢀꢀꢀꢀ
用于电池的能量消耗的加权因子
[0096]ebat
ꢀꢀꢀꢀꢀꢀ
电池的能量消耗
[0097]sꢀꢀꢀꢀꢀꢀꢀꢀ
路程
[0098]se-1
ꢀꢀꢀꢀꢀꢀ
预测界域结束前的时间步长的路程
[0099]
faꢀꢀꢀꢀꢀꢀꢀ
由电机提供的驱动力，所述驱动力被传动装置恒定地转换并且被施加到机动车辆的车轮上
[0100]wtem
ꢀꢀꢀꢀꢀꢀ
转矩梯度的加权因子
[0101]wtemstart
ꢀꢀ
力矩突变的加权因子
[0102]
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
交通工具驶过预测界域内的整个预测的路程所需要的时间
[0103]wtime
ꢀꢀꢀꢀꢀ
时间t的加权因子
[0104]
seꢀꢀꢀꢀꢀꢀꢀ
界域结束时的路程
[0105]wslack
ꢀꢀꢀꢀ
松弛变量的加权因子
[0106]
var
slack
ꢀꢀ
松弛变量。
[0107]
在所示的实施例中，成本函数15仅具有线性项和平方项。由此，整个问题具有带有线性辅助条件的平方优化的形式并且得到了可以良好且快速解决的凸问题。
[0108]
成本函数15包含以第一加权因子w
bat
加权的且根据纵向动力学模型预测的电能e
bat
作为第一项，该电能在预测界域内由动力总成7的电池9提供以用于驱动电机8。
[0109]
成本函数15包含以第二加权因子w
time
加权的且根据纵向动力学模型14预测的行驶时间t作为另外的项，该行驶时间是机动车辆1为了驶过预测的路程所需要的。这导致：根据加权因子的选择，并不总是将低的速度评价为最优，并且因此不再存在所得出的速度始终处于允许的速度下限处的问题。
[0110]
能量消耗和行驶时间可以分别在界域结束时被评估和加权。因此，这些项仅对于界域的最后一个点有效。
[0111]
界域内的过高的转矩梯度是不利的。因此，转矩梯度已在成本函数15中被惩罚，即通过项被惩罚。将每米驱动力偏差的平方以加权因子w
tem
加权，并且使其在成本函数中最小化。作为每米驱动力fa的替代，也可以使用由电机8提供的转矩m
em
并且以加权因子wtem加权，从而得到替代的项由于传动装置10的恒定的传动比，驱动力和转矩彼此直接成正比。
[0112]
为了确保舒适的行驶，在成本函数15中引入了用于惩罚扭矩突变的另一项，即w
temstart
·
(fa(s1)-fa(s0))2。作为驱动力fa的替代，在此也可以使用由电机8提供的转矩m
em
，从而得到替代的项w
temstart
·
(m
em
(s1)-m
em
(s0))2。对于预测界域内的第一个点而言，与上一个设定的力矩的偏差被评价为负面的并且以加权因子w
temstart
加权，以确保在旧轨迹和新轨迹之间切换时存在无缝的且无顿挫的过渡。
[0113]
限速是用于优化的硬性限制，其不允许被超过。实际上，总是允许稍微超过限速，并且尤其从第一个速度区过渡到第二个速度区时是正常情况。在其中限速从一个计算周期转移到下一个计算周期的动态环境中，在完全的硬性限制的情况中不再能够找到针对速度曲线的有效解。为了提高计算算法的稳定性，将限制(“软约束”)引入成本函数15内。在此，以加权因子w
slack
加权的松弛变量var
slack
在达到硬性限速之前在预定的窄范围内变成有效的。非常接近该硬性限速的解，也就是其速度轨迹与硬性限制保持一定距离的解，被更差地评价。
[0114]
附图标记列表
[0115]
v1ꢀꢀꢀ
第一机动车辆的速度
[0116]
x1ꢀꢀꢀ
第一机动车辆的行驶方向
[0117]
v2ꢀꢀꢀ
第二机动车辆的速度
[0118]
x2ꢀꢀꢀ
第二机动车辆的行驶方向
[0119]1ꢀꢀꢀꢀ
第一机动车辆
[0120]2ꢀꢀꢀꢀ
mpc系统
[0121]3ꢀꢀꢀꢀ
处理器单元
[0122]4ꢀꢀꢀꢀ
存储器单元
[0123]5ꢀꢀꢀꢀ
通信接口
[0124]6ꢀꢀꢀꢀ
检测单元
[0125]7ꢀꢀꢀꢀ
动力总成
[0126]8ꢀꢀꢀꢀ
电机
[0127]9ꢀꢀꢀꢀ
电池
[0128]
10
ꢀꢀꢀ
传动装置
[0129]
11
ꢀꢀꢀ
计算机程序产品
[0130]
12
ꢀꢀꢀ
gnss传感器
[0131]
13
ꢀꢀꢀ
mpc算法
[0132]
14
ꢀꢀꢀ
纵向动力学模型
[0133]
15
ꢀꢀꢀ
成本函数
[0134]
16
ꢀꢀꢀ
驾驶员辅助系统
[0135]
17
ꢀꢀꢀ
内燃机
[0136]
18
ꢀꢀꢀ
第二机动车辆
[0137]
19
ꢀꢀꢀ
驾驶员辅助系统的处理器单元
[0138]
20
ꢀꢀꢀ
驾驶员辅助系统的通信接口
[0139]
21
ꢀꢀꢀ
道路
[0140]
22
ꢀꢀꢀ
第一路段
[0141]
23
ꢀꢀꢀ
第二路段
[0142]
24
ꢀꢀꢀ
雷达传感器