Method for Predicting Driver Interventions, Method for Training an Algorithm, and Motor Vehicle

Simple SummaryContent extracted from patent full text and abstract with AI.

This invention describes a method for predicting driving interventions (such as braking, accelerating, or steering) for one or more road users using a machine learning algorithm. The algorithm is trained through multiple steps by analyzing training data, adjusting its parameters based on the lowest prediction error, and improving its accuracy in predicting different types of driving actions.

Use CasesContent extracted from patent full text and abstract with AI.

• Autonomous vehicle control systems for predicting and responding to traffic situations
• Advanced driver-assistance systems (ADAS) for real-time intervention suggestions
• Intelligent traffic management systems to anticipate driver actions
• Fleet management tools for monitoring and predicting driver behavior
• Simulation environments for training and testing automotive AI algorithms

BenefitsContent extracted from patent full text and abstract with AI.

• Increases the accuracy of predictions for driving actions, enhancing safety and reliability
• Enables more responsive and intelligent autonomous or assisted driving systems
• Reduces the risk of accidents by anticipating driver interventions
• Improves adaptability of AI models to complex traffic scenarios
• Supports development of more robust machine learning models for automotive use

Technical Classifications (CPCs)

Inventors & Applicants

Patent Abstract

Verfahren zur Prädiktion von Fahreingriffen (21) für einen Verkehrsteilnehmer (2) und/oder wenigstens einen weiteren Verkehrsteilnehmer (5, 6), wobei in einem jeweiligen Prädiktionsschritt ein Algorithmus (20) angewandt wird, um für den und/oder den jeweiligen weiteren Verkehrsteilnehmer (2, 5, 6) jeweils mehrere verschiedene Fahreingriffe (21) zu prädizieren, wobei ein Verfahren des Maschinenlernens zum Training des Algorithmus mehrere Trainingsschritte umfasst, in denen jeweils- der Algorithmus (20) mit einer zu Beginn des jeweiligen Trainingsschritts vorliegenden Anfangsparametrisierung auf jeweilige Eingangsdaten (26) von Trainingsdatensätzen (25) angewandt wird, um mehrere verschiedene Fahreingriffe (21) zu ermitteln,- für den jeweiligen Trainingsdatensatz (25) ein jeweiliges Fehlermaß (31) für die ermittelten Fahreingriffe (21) ermittelt wird,- für jeden Trainingsdatensatz (25) das kleinste Fehlermaß (31) ausgewählt wird, und- die Parameter (28) des Algorithmus (20) in Abhängigkeit einer Kostenfunktion (34) angepasst werden, die ausschließlich von den ausgewählten Fehlermaßen (32) abhängt.