具体实施方式

图1示出用于操作在图3中被更详细示出的车辆2的装置1的框图，其中，该车辆2被设计用于自动驾驶、特别是高度自动化驾驶模式或自主驾驶。

车辆2的这种自动化操作需要根据当前交通状况和预测的交通状况PU来规划车辆2的运动轨迹T。

为了规划，装置1包括车辆自身的传感器装置1.1、用于预测交通状况PU的预测模块1.2、用于规划运动轨迹T的规划模块1.3、用于实现运动轨迹T的实施模块1.4、传感器装置缓存器1.5、用于经由通信信道3通信的通信模块1.6、预测缓存器1.7和比较模块1.8。

为了实现车辆2的自动驾驶功能，借助于车辆自身的传感器装置1.1连续采集车辆2的当前环境数据，其也称为传感器信息I。

借助预测模块1.2，依据传感器信息I连续执行交通状况PU的预测，以便针对未来时刻、例如针对接下来的2秒至5秒确定预测的环境数据、即预测的交通状况PU。

该预测按照其它交通参与者的预期行为来进行。所述预期代表在图2中被详细示出的预测参数P、即作为预测依据的边界条件。因此，例如假设其它交通参与者遵守交通规则，并且例如不会越过实线车道标记变道、不使用路肩来超车、通过操作闪光灯预示并显示想要变道等等。还假设交通参与者使其行为适应于交通流量、不会鲁莽地迫使他人刹车或让道等。

根据预测结果，特别是在考虑其它交通参与者的可能运动行为的情况下，借助规划模块1.3来执行运动轨迹T的规划，其中，借助实施模块1.4通过干预车辆2的纵向和横向运动来实现规划的运动轨迹T。

所采集的环境数据、即传感器信息I以及预测的环境数据、即预测的交通状况PU二者都被暂存以用于后续评估。对于传感器信息I，暂存是在传感器系统缓存器1.5中进行的；对于包含所属预测参数P的预测的交通状况PU，暂存是在预测缓存器1.7中进行的。然后，在传感器装置缓存器1.5的输出端，可以调用缓存的传感器信息I^TO，在预测缓存器1.7的输出端调用缓存的预测的交通状况PU^TO。

在未来时刻，借助比较模块1.8将此刻所采集的实际环境数据(即此刻所采集的相应传感器数据I和进而此刻所测得的当前真实交通状况)与针对此时刻所预测的交通状况PU相比较。在此，由预测缓存器1.7向比较模块1.8提供缓存的预测的交通状况PU^TO连同所包括的缓存的所属预测参数P。如果比较表明当前所测得的交通状况和预测的交通状况PU之间的偏差在规定容差范围之外，则比较模块1.8生成触发信号TR，使得包含真实交通状况、针对共同时刻所预测的交通状况PU、用以确定预测的交通状况PU的传感器信息I和作为预测基础的预测参数P的数据组D借助通信模块1.6经由通信信道3被传输至在图2中所详细示出的车外中央计算单元4，例如所谓的后端服务器。

可能出现的是交通参与者在某些地方、某些时间或某些情况下通常不会按预期行事。例如可能的是高速公路上的交通参与者可能在交通拥堵或上下班交通中比其它时候更频繁地违规使用路肩作为分流车道，或者在下雨或太阳初升或西下时被晃眼并比其它时候更频繁地意外刹车或离开车道。无法将这种特殊状况或这种地点纳入考量的预测模块1.2现在必须假定，其它的交通参与者很大可能不会驶过所述标记，而知晓所述地点或这种状况的人已将该经验一并纳入其预测中。

还假设受保护的传感器信号和因此传感器信息I是无误的。但传感器信号可以在某些位置和某些情况下比其它时候更频繁地出错，例如因为由潮湿车道面造成的反射。

其它交通参与者的这种意外行为或意外的有误传感器信号可能导致预测误差、即错误的预测交通状况PU，进而导致错误的规划运动轨迹T且因此在极端情况下导致碰撞。通过将针对未来时刻所预测的交通状况PU未来时刻实际确定的交通状况相互比较，可以识别预测误差。如果比较表明偏差超过某个容差值，则存在预测误差。当于是还知道执行预测的条件和作为预测依据的预测参数P时，能够通过将预测误差最小化来修正该预测参数P。当预测误差例如在一天某个时间如在早上上班交通中、在某些地点如高速公路出口、在某些情况下例如在拥堵或下雨时出现，则针对所述时刻、地点或情况来修正该预测参数P。

因此提供如下可能，即，可以汇总交通状况、针对未来加以预测并对此作出反应，就像人可用到其经验财富那样。为了也能将“经验财富”提供给新车2，车辆还需要共享记忆或经验财富。在此可发挥作用的框架条件尤其包括区域特定特点、视野状况、时刻、天气、交通状况等。

所述修正借助车外中央计算单元4执行，其同时形成用于车辆2的共有记忆或共同经验财富。

图2示出车外中央计算单元4的可能实施例的框图。

计算单元4包括用于经由通信信道3与装置1通信的通信模块4.1、用于参数改善的模块4.2和前后自适应的参数存储器4.3。

计算单元4从多台车辆2接收数据组D，数据组分别包含真实交通状况、针对共同时刻所预测的交通状况PU、用以确定预测交通状况PU的传感器信息I和作为预测依据的预测参数P。

计算单元4因此有大数据库可供使用。在计算单元4中对收到的数据组D进行聚类，以识别频繁出现通报预测误差的区域。此外，将数据组D传输给模块4.2。当确定在某些位置经常出现预测误差时，借助模块4.2对在这些位置被考虑用于预测的预测参数P进行修正，以尽量减小预测误差。可以达成修正是因为基于收到的数据组D知道了哪些是预测输入数据、哪些是预测输出数据，即相应的预测交通状况PU以及知道了输出数据的实际状况、即在预测时刻所确定的实际交通状况。可以借助学习方法、例如借助人工神经元网络进行修正。为了修正预测参数P，例如通过聚合来确定某些预测误差可归咎于哪个具体原因，例如像在一天中的同一时间和/或在同一地点多次出现误差。例如给学习系统提供一系列输入参数例如横向速度、距前者/车的距离等，以及提供一系列输出参数例如1秒内的相对横向位置、1秒内的相对纵向位置、2秒内的相对横向位置。然后，用这些提供的数据组D来示教该系统。如果此时确定所述行为例如在白天和黑夜之间截然不同，则按照该参数来划分该数据集合，并且将数据例如在两个分开的学习过程中提供给两个并行系统以便学习。这两个经过示教的系统然后是相应的预测组件，其在某些条件下适用并且在架构上设计成相同，但包含不同的参数组合。

接着，将修正后的预测参数P⁺与所属传感器信息I和数据组D一起以前后相关联的方式存在参数存储器4.3中并可供车辆2通过通信信道3调取。

在一个可能设计中，车外中央计算单元4请求车辆2在被标记为关键的位置处在不存在预测误差情况下将相应的数据组D传输到计算单元4，其中，数据组D也包括作为预测依据的数据、预测参数P、预测的交通状况PU和真实交通状况。因此当修正预测参数P时，可提供数据库用于无误预测。

然后，自动驾驶车辆2在驶过某个路段之前从计算单元4调取适用于该路段的预测参数P以用于预测算法，然后如关于图1所描述地执行交通状况PU的预测和运动轨迹T的规划。然后，依据该运动轨迹T执行车辆2的自动驾驶。即，车辆2随后向计算单元4查询针对其当前情况需要考虑的可能特点、即其当前位置、时刻等。

在此情况下，车辆2分别在当前情况下调取针对相应预测组件的参数调整，例如像针对在高速公路出口处驶过车道标记的例子而言，尽管有实线标记但变道概率增大。预测组件通过经过修正的预测参数P⁺知道了要考虑某些特性，以便它能相应调整所述预测。

对于驶过高速公路出口的标记的例子，在此可以如下进行预测参数P的修正。

依据大量收集的数据组D来确定在高速公路出口处交通参与者倾向于在有实线的车道标记情况下仍要进行变道，但这是违规的并且与在这种状况下的正常驾驶行为相背。例如这种不允许的超限可被如此识别，即，车队的车辆2通过其传感器装置1.1如摄像头、雷达等观察到标记以及其它交通参与者的活动。现在，借助计算单元4将关于在相关位置的违规行为的信息提供给将经过该位置的所有后随车辆2。它们能按照该信息通过调整其预测参数P而对周围交通参与者的运动预测做出反应，因此在此例子中，与通常很低的概率相比，明显提升用于车辆在越过实线标记“之后”的驶入概率。由此能明显提高在该地理位置的实际预测准确度。

当在车辆2中确定针对其它交通参与者之一的预测在某个点与交通参与者实际经行运动轨迹不太匹配时，在计算单元4中收集数据组D。为此设有如下的组成部件，其至少针对该预测的最长持续时间持续进行所述预测，从而可将在过去针对当前时刻所做的预测与期间所获得的关于交通状况的知识、即传感器信息I相互比较。该组成部件由传感器装置缓存器1.5和预测缓存器1.7形成。

图3示出车辆2和车外计算单元4的框图。车辆2和计算单元4借助其相应的通信模块1.6、4.1经由通信信道3进行通信。

在此如此进行通信，即，依据当前测知情况将所属的当前传感器信息I从相应的车辆2传输到计算单元4。

如果由比较模块1.8触发数据组D，则它还包括来自传感器装置1.1的信息以及传感器装置缓存器1.5的和预测缓存器1.7的内容。

此外，当计算单元4对车辆2作出响应时，预测参数P尤其也接收呈用于预测模块1.2的参数设定形式的特性。

图4示出用于操作车辆2的方法的可能实施例的过程。

在第一方法步骤S1中，依据传感器装置1.1测知交通状况，其中，在第三方法步骤S3中，依据由计算单元4在第二方法步骤S2中提供的前后关联信息执行交通状况PU的预测，这尤其借助车辆控制器和在其上实现的软件来执行。

然后，在第四方法步骤S4中，特别是借助车辆控制器和在其上实现的软件进行运动轨迹T的规划，以及在第五方法步骤S5中借助实施模块1.4的相应执行器来实现运动轨迹T。