DE102021201628B4 - Computer-implemented method and device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle - Google Patents
Computer-implemented method and device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle Download PDFInfo
- Publication number
- DE102021201628B4 DE102021201628B4 DE102021201628.6A DE102021201628A DE102021201628B4 DE 102021201628 B4 DE102021201628 B4 DE 102021201628B4 DE 102021201628 A DE102021201628 A DE 102021201628A DE 102021201628 B4 DE102021201628 B4 DE 102021201628B4
- Authority
- DE
- Germany
- Prior art keywords
- path data
- sensor path
- vehicle
- neural network
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 230000015654 memory Effects 0.000 claims abstract description 47
- 230000006835 compression Effects 0.000 claims abstract description 3
- 238000007906 compression Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 5
- 239000002826 coolant Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003936 working memory Effects 0.000 description 3
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
Computerimplementiertes Verfahren zur Codierung und Verarbeitung von hochdimensionalen Sensorpfaddaten (110) einer Sensoreinheit zur Steuerung eines Fahrzeugs, wobei die Sensoreinheit einen Sensor und eine Steuereinheit aufweist, die die hochdimensionalen Sensorpfaddaten (110) des Sensors verarbeitet, wobei das Verfahren die folgenden Schritte aufweist:- Erfassen von hochdimensionalen Sensorpfaddaten (110) mit dem Sensor während eines definierten Zeitraums (130) und / oder während einer vordefinierten Wegstrecke;- Speichern der erfassten hochdimensionalen Sensorpfaddaten (110) in einem ersten Speicher;- Bereitstellen eines trainierten neuronalen Netzes (200), wobei das neuronale Netz (200) einen Autoencoder (210) umfasst;- Codieren der in dem ersten Speicher gespeicherten hochdimensionalen Sensorpfaddaten (110) mittels einer Dimensionsreduzierung mit dem trainierten neuronalen Netz (200);- Speichern der codierten Sensorpfaddaten (230) in einem zweiten Speicher;- Verarbeitung der in dem zweiten Speicher gespeicherten codierten Sensorpfaddaten (230) zur Steuerung des Fahrzeugs, wobei für eine Ermittlung von Daten zur Steuerung des Fahrzeugs eine spezifische Auswahl und / oder eine Kombination von codierten Sensorpfaddaten (230) unterschiedlicher Komprimierungslevel herangezogen wird.Computer-implemented method for coding and processing high-dimensional sensor path data (110) of a sensor unit for controlling a vehicle, the sensor unit having a sensor and a control unit which processes the high-dimensional sensor path data (110) of the sensor, the method having the following steps:- detecting of high-dimensional sensor path data (110) with the sensor during a defined period of time (130) and/or during a predefined distance;- storing the detected high-dimensional sensor path data (110) in a first memory;- providing a trained neural network (200), wherein the the neural network (200) comprises an autoencoder (210);- encoding the high-dimensional sensor path data (110) stored in the first memory by means of a dimensionality reduction with the trained neural network (200);- storing the encoded sensor path data (230) in a second memory; - Processing the encoded sensor path data (230) stored in the second memory for controlling the vehicle, wherein a specific selection and/or a combination of encoded sensor path data (230) of different compression levels is used to determine data for controlling the vehicle.
Description
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zur Codierung und Verarbeitung von hochdimensionalen Sensorpfaddaten einer Sensoreinheit zur Steuerung eines Fahrzeugs.The present invention relates to a computer-implemented method and a device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle.
Moderne Fahrzeuge verfügen in der Regel über eine Vielzahl von Sensoren, Aktuatoren und/oder Steuergeräten. Diese Vorrichtungen erfassen eine große Anzahl von Signalen und führen diese einer Reihe von Softwarefunktionen zu. Diese Softwarefunktionen berechnen wiederum neue Signale und / oder Daten, die sowohl einer Systemüberwachung als auch der Ansteuerung von Aktuatoren dienen können. Dabei werden sehr häufig Modelle entworfen/verwendet, die nicht direkt messbare Größen ermitteln bzw. abschätzen (zum Beispiel Temperaturen von unzugänglichen Bauteilen) oder abstrakte Klassifikationen durchführen (zum Beispiel: einen Fahrstil eines Fahrers bestimmen). Diese Modelle werden deshalb verwendet, um auf die Kosten eines damit hinfälligen Sensors verzichten zu können.Modern vehicles usually have a large number of sensors, actuators and/or control units. These devices acquire large numbers of signals and feed them to a variety of software functions. These software functions, in turn, calculate new signals and/or data that can be used both for system monitoring and for controlling actuators. Models are very often designed/used that determine or estimate quantities that cannot be measured directly (e.g. temperatures of inaccessible components) or carry out abstract classifications (e.g. determine a driver’s driving style). These models are therefore used in order to be able to dispense with the costs of a sensor that is then obsolete.
Die große Anzahl von Signalen in Verbindung mit einem Zeit- und/oder positionsabhängigen Verlauf (Fahrtabhängigkeit) und die im Allgemeinen komplexen physikalischen Zusammenhänge sind häufig nur schwer mit den zur Verfügung stehenden Hardwareressourcen von herkömmlichen Steuereinheiten zu vereinbaren. Deshalb werden in der Regel stark vereinfachte Modelle entworfen, die nur einen Bruchteil der tatsächlich vorhandenen Informationen aus den Sensordaten verarbeiten. Alternativ werden auch händisch konstruierte Kennzahlen berechnet, um möglichst verlustfrei einen Großteil der verfügbaren Daten zu nutzen. Zusätzlich findet bei der Steuerung von herkömmlichen Fahrzeugen eine Informationsauswahl aus den zur Verfügung stehenden Daten und eine Aufbereitung für viele der Modelle teilweise redundant statt, wodurch ein hoher zeitlicher Aufwand und zum Teil redundante Prozess- und Rechenschritte einhergehen.The large number of signals in connection with a time and/or position-dependent course (dependency on travel) and the generally complex physical relationships are often difficult to reconcile with the hardware resources available from conventional control units. For this reason, highly simplified models are usually designed that process only a fraction of the information actually available from the sensor data. Alternatively, manually constructed key figures are calculated in order to use a large part of the available data with as little loss as possible. In addition, when controlling conventional vehicles, information is selected from the available data and processed for many of the models in a partially redundant manner, resulting in a high expenditure of time and partially redundant process and calculation steps.
Aus der
Die Aufgabe der vorliegenden Offenbarung ist daher ein computerimplementiertes Verfahren bzw. eine Vorrichtung zu schaffen, mit dem bzw. mit der eine Steuerung eines Fahrzeugs mittels hochdimensionalen Sensorpfaddaten vorteilhaft effizient möglich ist.The object of the present disclosure is therefore to provide a computer-implemented method and a device with which a vehicle can be advantageously and efficiently controlled using high-dimensional sensor path data.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren aufweisend die Merkmale der unabhängigen Patentansprüche und eine Vorrichtung, die dazu ausgebildet ist, das computerbasierte Verfahren auszuführen. Vorteilhafte Ausgestaltungen der vorliegenden computerimplementierten Verfahren sind in den abhängigen Ansprüchen und in der Beschreibung angegeben.The object is achieved by a computer-implemented method having the features of the independent patent claims and a device that is designed to carry out the computer-based method. Advantageous refinements of the present computer-implemented methods are specified in the dependent claims and in the description.
Gemäß der vorliegenden Offenbarung weist ein computerimplementiertes Verfahren zur Codierung und Verarbeitung von hochdimensionalen Sensorpfaddaten einer Sensoreinheit zur Steuerung eines Fahrzeugs auf, wobei die Sensoreinheit einen Sensor, der hochdimensionale Sensorpfaddaten erfasst, und eine Steuereinheit aufweist, die die hochdimensionalen Sensorpfaddaten des Sensors verarbeitet, die folgenden Schritte auf:
- - Erfassen von hochdimensionalen Sensorpfaddaten mit dem Sensor während eines definierten Zeitraums und/oder während einer vordefinierten Wegstrecke;
- - Speichern der erfassten hochdimensionalen Sensorpfaddaten in einem ersten Speicher;
- - Bereitstellen eines trainierten neuronalen Netzes, wobei das neuronale Netz einen Autoencoder umfasst;
- - Codieren der in dem ersten Speicher gespeicherten hochdimensionalen Sensorpfaddaten mittels einer Dimensionsreduzierung mit dem trainierten neuronalen Netz;
- - Speichern der codierten Sensorpfaddaten in einem zweiten Speicher;
- - Verarbeitung der in dem zweiten Speicher gespeicherten codierten Sensorpfaddaten zur Steuerung des Fahrzeugs.
- - Acquiring high-dimensional sensor path data with the sensor during a defined period of time and/or during a predefined route;
- - storing the acquired high dimensional sensor path data in a first memory;
- - providing a trained neural network, the neural network comprising an autoencoder;
- - encoding the high-dimensional sensor path data stored in the first memory by means of a dimensionality reduction with the trained neural network;
- - storing the encoded sensor path data in a second memory;
- - processing the encoded sensor path data stored in the second memory to control the vehicle.
Hochdimensionale Sensorpfaddaten sind Sensordaten, die einen hochdimensionalen Informationsgehalt, in anderen Worten einen mehrdimensionalen Informationsgehalt, aufweisen. Die hochdimensionalen Sensorpfaddaten können beispielsweise aus einem einzigen Sensor, dessen Sensordaten hochdimensionale Informationen beinhalten herstammen oder es ist auch denkbar, dass die hochdimensionalen Sensorpfaddaten aus einer Mehrzahl von einzelnen Sensoren zusammengesetzt die hochdimensionalen Sensorpfaddaten ergeben.High-dimensional sensor path data is sensor data that has a high-dimensional information content, in other words, a multi-dimensional information content. The high-dimensional sensor path data can, for example, consist of a single sensor whose sensor data contains high-dimensional information hold come from or it is also conceivable that the high-dimensional sensor path data from a plurality of individual sensors result in the high-dimensional sensor path data.
Die Sensorpfaddaten sind gemäß der vorliegenden Offenbarungen Sensordaten, die über eine bestimmte Zeit und / oder Wegstrecke (Pfad) erfasst werden. Gemäß der vorliegenden Offenbarung werden die hochdimensionalen Sensorpfaddaten von der Steuereinheit verarbeitet. Dementsprechend werden die hochdimensionalen Sensorpfaddaten der Steuereinheit zugeführt, und die Steuereinheit führt das computerimplementierte Verfahren gemäß der vorliegenden Offenbarung durch. Die Steuereinheit selbst kann dabei Teil des Fahrzeugs sein, es ist aber auch denkbar, dass beispielsweise die hochdimensionalen Sensorpfaddaten mittels einer Schnittstelle an eine externe Steuereinheit übermittelt werden, die wiederum die hochdimensionalen Sensorpfaddaten verarbeitet und die Ergebnisse wiederum an das Fahrzeug zurückübermittelt. Dementsprechend wären der Sensor bzw. die Sensoren in dem Fahrzeug angeordnet und die Steuereinheit außerhalb des Fahrzeugs angeordnet.According to the present disclosures, the sensor path data is sensor data that is recorded over a specific time and/or distance (path). According to the present disclosure, the high dimensional sensor path data is processed by the controller. Accordingly, the high-dimensional sensor path data is provided to the control unit, and the control unit performs the computer-implemented method according to the present disclosure. The control unit itself can be part of the vehicle, but it is also conceivable that, for example, the high-dimensional sensor path data is transmitted via an interface to an external control unit, which in turn processes the high-dimensional sensor path data and transmits the results back to the vehicle. Accordingly, the sensor or sensors would be arranged in the vehicle and the control unit would be arranged outside of the vehicle.
Gemäß der vorliegenden Offenbarung werden zunächst die hochdimensionalen Sensorpfaddaten mit dem Sensor während eines definierten Zeitraums und/oder während einer vordefinierten Wegstrecke erfasst. Der definierte Zeitraum kann beispielsweise von 10 bis 20 Sekunden, vorzugsweise 16 Sekunden, betragen, wobei innerhalb des definierten Zeitraums von beispielsweise 16 Sekunden mit einer gewissen Abtastrate die hochdimensionalen Sensorpfaddaten erfasst werden. Die Abtastrate kann beispielsweise von 0,5 bis 2 Sekunden, vorzugsweise 1 Sekunde, betragen, sodass innerhalb des definierten Zeitrahmens von beispielsweise 16 Sekunden, 16 Sensorpfaddatenpunkte erfasst werden. Die vordefinierte Wegstrecke kann beispielsweise 100 Meter bis 200 Meter, vorzugsweise 150 Meter, betragen, sodass innerhalb dieser Wegstrecke von beispielsweise 150 m die hochdimensionalen Sensorpfaddaten mittels einer vordefinierten Abtastrate von beispielsweise 10 m abgetastet bzw. erfasst werden.According to the present disclosure, the high-dimensional sensor path data is first recorded with the sensor during a defined period of time and/or during a predefined route. The defined period of time can be, for example, from 10 to 20 seconds, preferably 16 seconds, with the high-dimensional sensor path data being recorded within the defined period of, for example, 16 seconds at a certain sampling rate. The sampling rate can be, for example, from 0.5 to 2 seconds, preferably 1 second, so that 16 sensor path data points are recorded within the defined time frame of, for example, 16 seconds. The predefined distance can be, for example, 100 meters to 200 meters, preferably 150 meters, so that within this distance of, for example, 150 m, the high-dimensional sensor path data is sampled or recorded using a predefined sampling rate of, for example, 10 m.
In einem weiteren Verfahrensschritt werden gemäß der vorliegenden Offenbarung die erfassten hochdimensionalen Sensorpfaddaten in einem ersten Speicher gespeichert. Der erste Speicher kann gemäß einer Ausführungsform der Arbeitsspeicher der Steuereinheit sein. Gemäß einer anderen Ausführungsform werden die erfassten hochdimensionalen Sensorpfaddaten in einem externen Speicher als den ersten Speicher der Steuereinheit gespeichert. Der erste Speicher kann dementsprechend auch nur ein Teil eines Speicherplatzes sein. Dieser Teil kann dementsprechend zur Speicherung der erfassten hochdimensionalen Sensorpfaddaten klassifiziert sein.In a further method step, according to the present disclosure, the acquired high-dimensional sensor path data are stored in a first memory. According to one embodiment, the first memory can be the working memory of the control unit. According to another embodiment, the acquired high-dimensional sensor path data is stored in an external memory as the first memory of the control unit. Accordingly, the first memory can also only be part of a memory location. Accordingly, this part can be classified for storing the acquired high-dimensional sensor path data.
Gemäß der vorliegenden Offenbarung wird in dem nachfolgenden Schritt ein trainiertes neuronales Netz bereitgestellt, wobei das neuronale Netz einen Autoencoder umfasst. Der Autoencoder ist ein künstliches neuronales Netz oder ein Teil eines künstlichen neuronalen Netzes, das dazu genutzt wird, effiziente Codierungen zu lernen bzw. durchzuführen, wobei insbesondere besonders effiziente Codierungen erzielbar sind. Der Autoencoder kann dabei drei oder mehrere Schichten (Layer) aufweisen. Gemäß einer Ausführungsform weist der Autoencoder eine Eingabeschicht, eine signifikant kleinere Schicht, die das Encoding bildet, und eine Ausgabeschicht auf. Gemäß der vorliegenden Offenbarung wird das trainierte neuronale Netz bereitgestellt, dies bedeutet, dass das neuronale Netz mit Trainingsdaten bereits trainiert wurde, sodass mit dem trainierten neuronalen Netz, das den Autoencoder umfasst eine Codierung der erfassten hochdimensionalen Sensorpfaddaten möglich ist.According to the present disclosure, in the subsequent step, a trained neural network is provided, the neural network including an autoencoder. The autoencoder is an artificial neural network or part of an artificial neural network that is used to learn or carry out efficient coding, particularly efficient coding being able to be achieved in particular. The autoencoder can have three or more layers. According to one embodiment, the autoencoder has an input layer, a significantly smaller layer that forms the encoding, and an output layer. According to the present disclosure, the trained neural network is provided, which means that the neural network has already been trained with training data, so that coding of the detected high-dimensional sensor path data is possible with the trained neural network that includes the autoencoder.
Gemäß der vorliegenden Offenbarung werden in einem nachfolgenden Schritt die in dem ersten Speicher gespeicherten hochdimensionalen Sensorpfaddaten mittels einer Dimensionsreduzierung mit dem trainierten neuronalen Netz codiert. Die Codierung der hochdimensionalen Sensorpfaddaten erfolgt mittels des Autoencoders des trainierten neuronalen Netzes. Dabei erfolgt die Dimensionsreduzierung, wodurch der Speicherplatzbedarf für die Sensorpfaddaten reduziert wird. Die Dimensionsreduzierung geht an sich mit Informationsverlust einher, allerdings ist der Informationsverlust aufgrund der Codierung mit dem Autoencoder derart ausgebildet, dass keine für die Verarbeitung bzw. Steuerung des Fahrzeugs relevanten Informationen verloren gehen, da der Autoencoder derart trainiert wurde, dass eben die relevanten Informationen auch nach der Dimensionsreduzierung vorhanden bzw. nutzbar bleiben.According to the present disclosure, in a subsequent step, the high-dimensional sensor path data stored in the first memory is encoded by means of a dimension reduction with the trained neural network. The high-dimensional sensor path data is encoded using the autoencoder of the trained neural network. The dimensions are reduced, which reduces the memory space required for the sensor path data. The dimension reduction is inherently associated with a loss of information, but the loss of information due to the coding with the autoencoder is such that no information relevant to the processing or control of the vehicle is lost, since the autoencoder has been trained in such a way that the relevant information is also remain available or usable after the dimension reduction.
Gemäß der vorliegenden Offenbarung werden in einem nachfolgenden Schritt die codierten Sensorpfaddaten in einem zweiten Speicher gespeichert. Der zweite Speicher, oder der zweite Speicherort ist von dem ersten Speicherort verschieden und dient spezifisch zur Speicherung der codierten, also dimensionsreduzierten Sensorpfaddaten. In dem zweiten Speicher können dementsprechend die codierten Sensorpfaddaten, die weniger Speicherplatz als die erfassten hochdimensionalen Sensorpfaddaten benötigen, gespeichert werden. Der zweite Speicher ist gemäß einer Ausführungsform der Arbeitsspeicher des Steuergeräts. Gemäß einer weiteren Ausführungsform können die hochdimensionalen Sensorpfaddaten in einem nicht flüchtigen Speicherbereich gespeichert werden.According to the present disclosure, in a subsequent step, the encoded sensor path data is stored in a second memory. The second memory, or the second memory location, differs from the first memory location and is used specifically to store the encoded, ie dimension-reduced, sensor path data. Accordingly, the encoded sensor path data, which require less storage space than the detected high-dimensional sensor path data, can be stored in the second memory. According to one embodiment, the second memory is the main memory of the control unit. According to another embodiment, the hochdimensionala len sensor path data is stored in a non-volatile memory area.
Gemäß der vorliegenden Offenbarung werden in einem nachfolgenden Schritt die in dem zweiten Speicher gespeicherten codierten Sensorpfaddaten zur Steuerung des Fahrzeugs verarbeitet. Die Verarbeitung wird gemäß einer Ausführungsform in der Steuereinheit durchgeführt. Gemäß einer anderen Ausführungsform wird die Verarbeitung der codierten Sensorpfaddaten zur Steuerung des Fahrzeugs von einer zusätzlichen Steuereinheit durchgeführt. Es ist auch denkbar, dass je nach Anforderung bzw. je nach Steuerung von unterschiedlichen Komponenten/Aktuatoren des Fahrzeugs, die Verarbeitung der codierten Sensorpfaddaten von einer entsprechenden vordefinierten Steuereinheit durchgeführt wird. Gemäß der vorliegenden Offenbarung werden dementsprechend die hochdimensionalen Sensorpfaddaten derart codiert, sodass bei der Dimensionsreduzierung die für die beabsichtigte Steuerung relevanten Informationen erhalten bleiben. Dementsprechend kann mittels aller erfassten hochdimensionalen Sensorpfaddaten, die für die Steuerung des Fahrzeugs bzw. die für die Steuerung von Komponenten/Aktuatoren des Fahrzeugs relevant sind die Steuerung des Fahrzeugs vorteilhaft genau vorgenommen werden. Die Steuerung des Fahrzeugs kann gemäß einer Ausführungsform auch eine Überwachung von Fahrzeugfunktionen und / oder Komponenten umfassen. Es ist somit möglich mittels allen grundsätzlich zur Verfügung stehenden Informationen aus den hochdimensionalen Sensorpfaddaten eine vorteilhaft genaue und gute Steuerung des Fahrzeugs bzw. Steuerung von Komponenten/Aktuatoren des Fahrzeugs vorzunehmen.According to the present disclosure, in a subsequent step, the encoded sensor path data stored in the second memory is processed to control the vehicle. According to one embodiment, the processing is performed in the control unit. According to another embodiment, the processing of the encoded sensor path data for controlling the vehicle is performed by an additional control unit. It is also conceivable that, depending on the requirement or depending on the control of different components/actuators of the vehicle, the processing of the encoded sensor path data is carried out by a corresponding predefined control unit. Accordingly, according to the present disclosure, the high-dimensional sensor path data is encoded in such a way that the information relevant to the intended control is retained during the dimensional reduction. Accordingly, the vehicle can advantageously be precisely controlled using all of the detected high-dimensional sensor path data that is relevant for the control of the vehicle or for the control of components/actuators of the vehicle. According to one embodiment, the control of the vehicle can also include a monitoring of vehicle functions and/or components. It is thus possible to carry out an advantageously accurate and good control of the vehicle or control of components/actuators of the vehicle using all the information that is fundamentally available from the high-dimensional sensor path data.
Gemäß einer Ausführungsform wurde das trainierte neuronale Netz mittels vorerfasster Sensorpfaddaten als Trainingsdaten trainiert. Dabei wurde dem Autoencoder des neuronalen Netzes während einer Trainingsphase die vorerfassten Sensorpfaddaten zum Training bereitgestellt. Die vorerfassten Sensorpfaddaten sind demgemäß die Eingangsdaten für das Training des Autoencoders. Als Ausgangsdaten können dementsprechend andere oder zusätzliche Trainingsdaten zur Verfügung gestellt werden, sodass während der Trainingsphase des neuronalen Netzes bzw. während der Trainingsphase des Autoencoders das entsprechende Training mittels der vorerfassten Sensorpfaddaten als Eingangsgrößen und mittels der zusätzlich bereitgestellten Ausgangsdaten möglich ist, sodass das neuronale Netz trainiert werden kann. Als Ausgangsdaten für den Trainingsprozess können dementsprechend codierte Daten, deren Informationsverlust für die entsprechende Steuerung nicht relevant ist, bereitgestellt werden. Ein derartiges Training wird als „(semi)-supervised learning“ (überwachtes Lernen) bezeichnet. Andere Trainingsmethoden, wie zum Beispiel „unsupervised learning“ sind ebenso denkbar. Gemäß dieser Ausführungsform ist es vorteilhaft einfach das neuronale Netz bzw. den Autoencoder derart zu trainieren, dass der trainierte Autoencoder die gewünschte Dimensionsreduktion bei gleichzeitig lediglich für die entsprechende Anwendung irrelevantem Informationsverlust vornehmen kann. Dementsprechend kann mittels der derartig trainierten Autoencoders die Dimensionsreduzierung der neu erfassten hochdimensionalen Sensorpfaddaten vorteilhaft genau durchgeführt werden, sodass kein unerwünschter Informationsverlust erfolgt.According to one embodiment, the trained neural network was trained using pre-acquired sensor path data as training data. The autoencoder of the neural network was provided with the pre-recorded sensor path data for training during a training phase. Accordingly, the pre-acquired sensor path data is the input data for the training of the autoencoder. Accordingly, other or additional training data can be made available as output data, so that during the training phase of the neural network or during the training phase of the autoencoder, the corresponding training is possible using the pre-recorded sensor path data as input variables and using the additionally provided output data, so that the neural network trains can be. Correspondingly encoded data, whose information loss is not relevant for the corresponding control, can be provided as output data for the training process. Such training is referred to as "(semi)-supervised learning". Other training methods, such as unsupervised learning, are also conceivable. According to this embodiment, it is advantageous to simply train the neural network or the autoencoder in such a way that the trained autoencoder can carry out the desired dimension reduction while at the same time only losing information that is irrelevant for the corresponding application. Accordingly, the dimension reduction of the newly acquired high-dimensional sensor path data can advantageously be carried out precisely by means of the autoencoders trained in this way, so that no undesired loss of information occurs.
Gemäß einer Ausführungsform weist die Sensoreinheit eine Mehrzahl von Sensoren auf, die jeweils hochdimensionale Sensorpfaddaten erfassen und die mittels des trainierten neuronalen Netzes codiert werden. Die Sensoreinheit weist gemäß dieser Ausführungsform zwei oder mehrere Sensoren auf. Die Sensoren wiederum erfassen, beispielsweise während des Betriebs des Fahrzeugs, ihre jeweiligen hochdimensionalen Sensorpfaddaten, die jeweils in einem dafür vorgesehenen Speicherort des ersten Speichers hinterlegt werden und anschließend mittels des trainierten neuronalen Netzes codiert werden. Der erste Speicher kann beispielsweise ein Arbeitsspeicher der Steuereinheit sein. Die jeweils gespeicherten hochdimensionalen Sensorpfaddaten werden anschließend beispielsweise sequentiell oder gleichzeitig dem trainierten neuronalen Netz zur Codierung zugeführt, wodurch die gewünschte Dimensionsreduzierung durchgeführt wird, wobei anschließend die codierten Sensorpfaddaten jeweils in einem vorgesehenen Speicherort des zweiten Speichers hinterlegt werden können. Gemäß dieser Ausführungsform ist es möglich mittels des trainierten neuronalen Netzes eine Vielzahl von hochdimensionalen Sensorpfaddaten aus einer Mehrzahl von Sensoren zur Steuerung des Fahrzeugs vorteilhaft einfach zu verarbeiten und heranzuziehen.According to one embodiment, the sensor unit has a plurality of sensors, which each acquire high-dimensional sensor path data and which are encoded using the trained neural network. According to this embodiment, the sensor unit has two or more sensors. The sensors, in turn, record their respective high-dimensional sensor path data, for example during operation of the vehicle, which are each stored in a memory location provided for this purpose in the first memory and are then encoded using the trained neural network. The first memory can be a working memory of the control unit, for example. The stored high-dimensional sensor path data are then, for example, sequentially or simultaneously fed to the trained neural network for coding, whereby the desired dimension reduction is carried out, with the coded sensor path data then being able to be stored in a designated storage location of the second memory. According to this specific embodiment, the trained neural network makes it possible to process and use a large number of high-dimensional sensor path data from a large number of sensors for controlling the vehicle in an advantageously simple manner.
Gemäß einer Ausführungsform wird die Codierung der erfassten hochdimensionalen Sensorpfaddaten mittels eines Layers des neuronalen Netzes durchgeführt. Der Layer des neuronalen Netzes weist Parameter (weights und bias) auf, die während der Trainingsphase des neuronalen Netzes trainiert bzw. festgelegt wurden, und mittels dessen die hochdimensionalen Sensorpfaddaten codiert werden. Gemäß einer weiteren Ausführungsform wird jedes Codierungslevel der erfassten hochdimensionalen Pfaddaten mit einem speziell dafür vorgesehen Layer vorgenommen. Beispielsweise erfolgt die zweite Codierung mittels Ausgangsdaten des Layers der ersten CodierungAccording to one embodiment, the detected high-dimensional sensor path data is encoded using a layer of the neural network. The neural network layer has parameters (weights and bias) trained during the neural network training phase that are used to encode the high dimensional sensor path data. According to a further embodiment, each coding level of the recorded high-dimensional path data is carried out with a layer specially provided for this purpose. For example, the second coding takes place using the output data of the layer of the first coding
Gemäß einer Ausführungsform werden während einem dem ersten definierten Zeitraum nachfolgenden Zeitraum und/oder einer der vordefinierten Wegstrecke nachfolgenden Wegstrecke neu erfasste hochdimensionale Sensorpfaddaten in dem ersten Speicher gespeichert und mittels des trainierten neuronalen Netzes codiert und zur Steuerung des Fahrzeugs herangezogen, wodurch das computerimplementierte Verfahren iterativ durchgeführt wird. Gemäß dieser Ausführungsform werden während des dem ersten Zeitraum nachfolgenden Zeitraum erfassten hochdimensionalen Sensorpfaddaten in dem ersten Speicher gespeichert, wobei gemäß einer Ausführungsform die in dem ersten definierten Zeitraum erfassten hochdimensionalen Sensorpfaddaten überschrieben werden. Die neu erfassten hochdimensionalen Sensorpfaddaten werden anschließend dem trainierten neuronalen Netz zugeführt und dadurch codiert und dementsprechend erfolgt die Dimensionsreduzierung wodurch der Speicherplatzbedarf reduziert wird. Die dadurch neu codierten hochdimensionalen Sensorpfaddaten werden in dem zweiten Speicher gespeichert. Es ist beispielsweise denkbar, dass diese neben den ursprünglich codierten Sensorpfaddaten zusätzlich gespeichert werden oder es ist auch denkbar, dass die ursprünglich codierten Sensorpfaddaten überschrieben werden. Für die Steuerung des Fahrzeugs werden anschließend die neu codierten hochdimensionalen Sensorpfaddaten herangezogen oder gemäß einer Ausführungsform werden die vorhergehenden codierten Sensorpfaddaten und die neu codierten Sensorpfaddaten zur Steuerung des Fahrzeugs herangezogen. According to one embodiment, during a period of time following the first defined period and/or a route following the predefined route, newly acquired high-dimensional sensor path data are stored in the first memory and coded by means of the trained neural network and used to control the vehicle, as a result of which the computer-implemented method is carried out iteratively becomes. According to this embodiment, high-dimensional sensor path data acquired during the period of time following the first period of time is stored in the first memory, wherein according to one embodiment, the high-dimensional sensor path data acquired in the first defined period of time are overwritten. The newly acquired high-dimensional sensor path data is then fed to the trained neural network and thereby encoded, and the dimensions are reduced accordingly, thereby reducing the memory space requirement. The high-dimensional sensor path data re-encoded thereby is stored in the second memory. It is conceivable, for example, that these are additionally stored in addition to the originally encoded sensor path data, or it is also conceivable that the originally encoded sensor path data are overwritten. The newly encoded, high-dimensional sensor path data is then used to control the vehicle, or according to one embodiment, the previously encoded sensor path data and the newly encoded sensor path data are used to control the vehicle.
Gemäß dieser Ausführungsform ist eine kontinuierliche Erfassung von hochdimensionalen Sensorpfaddaten, die Codierung dieser hochdimensionalen Sensorpfaddaten und dementsprechend die Steuerung des Fahrzeugs anhand der codierten Sensorpfaddaten möglich. Das computerimplementierte Verfahren wird dementsprechend iterativ durchgeführt, wodurch die Steuerung des Fahrzeugs vorteilhaft genau über einen längeren Zeitraum durchgeführt werden kann. Zusätzlich werden Rechenressourcen geschont, da jeweils während der vordefinierten Zeiträume die hochdimensionalen Sensorpfaddaten gespeichert und codiert werden.According to this embodiment, continuous acquisition of high-dimensional sensor path data, coding of this high-dimensional sensor path data and corresponding control of the vehicle using the coded sensor path data is possible. The computer-implemented method is accordingly carried out iteratively, as a result of which the vehicle can advantageously be precisely controlled over a longer period of time. In addition, computing resources are saved because the high-dimensional sensor path data is stored and encoded during the predefined time periods.
Gemäß einer Ausführungsform werden die codierten Sensorpfaddaten in einem zweiten Codierschritt mittels einer weiteren Dimensionsreduzierung mit demselben trainierten neuronalen Netz codiert und in einem weiteren Speicher gespeichert und zur Steuerung des Fahrzeugs herangezogen. Gemäß dieser Ausführungsform wird dementsprechend die Codierung der bereits codierten Sensorpfaddaten durchgeführt. Dabei erfolgt eine weitere Dimensionsreduzierung und dadurch eine weitere Reduktion des Speicherplatzbedarfs der Sensorpfaddaten. Diese weitere Dimensionsreduzierung ist ebenfalls informationsverlustbehaftet, allerdings ist der Informationsverlust mittels des trainierten neuronalen Netzes derart ausgestaltet, dass lediglich Informationen verloren gehen, die nicht zur Steuerung des Fahrzeugs bzw. zur Steuerung der relevanten Komponenten des Fahrzeugs herangezogen werden müssen. Dementsprechend werden die mit den zweimalig codierten Sensorpfaddaten lediglich zur Steuerung von Komponenten des Fahrzeugs bzw. von Aktuatoren des Fahrzeugs herangezogen, die mit den zweimalig codierten Sensorpfaddaten gesteuert werden können. Gemäß einer weiteren Ausführungsform ist es auch denkbar, dass zur Steuerung des Fahrzeugs bzw. zur Steuerung von Aktuatoren und/oder Komponenten des Fahrzeugs gleichzeitig die einmalig codierte Sensorpfaddaten und die zweimalig codierte Sensorpfaddaten herangezogen werden. Dementsprechend fließen beispielsweise in eine Teilsteuerung die einmalig codierten Sensorpfaddaten und in eine andere Teilsteuerung die zweimalig codierten Sensorpfaddaten zur Steuerung der entsprechenden Komponente bzw. zur Steuerung des Fahrzeugs ein.According to one specific embodiment, the coded sensor path data is coded in a second coding step by means of a further dimensional reduction using the same trained neural network and is stored in a further memory and used to control the vehicle. According to this embodiment, the coding of the already coded sensor path data is carried out accordingly. This results in a further reduction in dimensions and thereby a further reduction in the storage space required for the sensor path data. This further dimension reduction is also subject to information loss, but the information loss by means of the trained neural network is designed in such a way that only information that does not have to be used to control the vehicle or to control the relevant components of the vehicle is lost. Accordingly, the sensor path data encoded twice are only used to control components of the vehicle or actuators of the vehicle that can be controlled using the sensor path data encoded twice. According to a further specific embodiment, it is also conceivable for the sensor path data encoded once and the sensor path data encoded twice to be used simultaneously to control the vehicle or to control actuators and/or components of the vehicle. Accordingly, the sensor path data encoded once flow into one sub-control and the sensor path data encoded twice flow into another sub-control for controlling the corresponding component or for controlling the vehicle.
Dementsprechend kann die Steuerung des Fahrzeugs vorteilhaft effizient und genau durchgeführt werden.Accordingly, the control of the vehicle can advantageously be performed efficiently and accurately.
Gemäß einer weiteren Ausführungsform werden die codierten Sensorpfaddaten von mindestens einem weiteren neuronalen Netz für die Steuerung des Fahrzeugs verarbeitet. Dementsprechend werden die beispielsweise einmalig codierten bzw. zweimalig codierten Sensorpfaddaten einem weiteren neuronalen Netz zugeführt, das beispielsweise ein Modell zur Ermittlung beispielsweise einer Temperatur oder einer Drehzahl oder eines Leistungsstands bildet, wodurch mittels dieses weiteren neuronalen Netzt entsprechend Daten generiert werden, die wiederum zur Steuerung des Fahrzeugs verarbeitet werden. Das weitere neuronale Netz kann beispielsweise mittels einer zusätzlichen Steuereinheit oder der Steuereinheit der Sensoreinheit bereitgestellt und ausgeführt werden. Die mittels des trainierten neuronalen Netzes codierten Sensorpfaddaten können vorteilhaft einfach von dem weiteren neuronalen Netz zur Ermittlung von Daten verarbeiten werden, sodass die Steuerung des Fahrzeugs bzw. die Steuerung von Aktuatoren/Komponenten des Fahrzeugs vorteilhaft einfach und genau durchgeführt werden kann.According to a further embodiment, the encoded sensor path data is processed by at least one further neural network for the control of the vehicle. Accordingly, the sensor path data encoded once or encoded twice, for example, is fed to a further neural network, which forms a model for determining, for example, a temperature or a speed or a performance level, whereby data is generated by means of this further neural network, which in turn is used to control the vehicle are processed. The additional neural network can be provided and executed, for example, by means of an additional control unit or the control unit of the sensor unit. The sensor path data encoded using the trained neural network can advantageously be easily processed by the further neural network to determine data, so that the vehicle or the control of actuators/components of the vehicle can advantageously be carried out easily and precisely.
Gemäß einer Ausführungsform werden zur Steuerung des Fahrzeugs zusätzlich spezifische Eingangsdaten herangezogen. Die spezifischen Eingangsdaten sind beispielsweise zusätzliche Messdaten von Sensoren oder Klassifizierungsdaten, die nicht codiert wurden und direkt beispielsweise dem weiteren neuronalen Netz oder einem anderen Modell zur Steuerung des Fahrzeugs zugefügt werden. Dadurch kann zusätzlich genau das Fahrzeug bzw. die entsprechende Komponente / Aktuator des Fahrzeugs gesteuert werden.According to one embodiment, specific input data are additionally used to control the vehicle. The specific input data is, for example, additional measurement data from sensors or classification data that has not been encoded and directly, for example, to the further neural network or another Added model to control the vehicle. As a result, the vehicle or the corresponding component/actuator of the vehicle can also be precisely controlled.
Erfindungsgemäß wird für eine Ermittlung von Daten zur Steuerung des Fahrzeugs eine spezifische Auswahl und/oder eine Kombination von codierten Sensorpfaddaten unterschiedlicher Komprimierungslevels und/oder spezifische Eingangsdaten herangezogen. Beispielsweise kann für die Ermittlung einer Temperatur mittels eines weiteren neuronalen Netzes einmalig codierte Sensorpfaddaten, und zweimalig codierte Sensorpfaddaten und zusätzlich die vordefinierten spezifischen Eingangsdaten verwendet werden. Derartige Modelle können beispielsweise vordefiniert in dem entsprechenden Steuergerät hinterlegt werden und führen dementsprechend anschließend die Datenermittlung gemäß vordefinierten Prozessen durch.According to the invention, a specific selection and/or a combination of encoded sensor path data of different compression levels and/or specific input data is used to determine data for controlling the vehicle. For example, sensor path data encoded once and sensor path data encoded twice and additionally the predefined specific input data can be used to determine a temperature by means of a further neural network. Such models can, for example, be stored in a predefined manner in the corresponding control device and accordingly then carry out the data determination according to predefined processes.
Gemäß einem weiteren Aspekt der vorliegenden Offenbarung weist eine Vorrichtung zur Codierung und Verarbeitung von hochdimensionalen Sensorpfaddaten eine Steuereinheit auf, die zur Steuerung eines computerimplementierten Verfahrens gemäß den oben ausgeführten Aspekten ausgebildet ist. Die Vorrichtung kann beispielsweise eine Steuereinheit für das Fahrzeug bzw. eine Steuereinheit für eine spezifische Komponente des Fahrzeugs sein. Es ist auch denkbar, dass die Vorrichtung ein Teil oder ein Bestandteil einer zusätzlichen Steuereinheit ist oder als zusätzliche Steuereinheit verbaut ist.According to a further aspect of the present disclosure, a device for coding and processing high-dimensional sensor path data has a control unit which is designed to control a computer-implemented method according to the aspects set out above. The device can be, for example, a control unit for the vehicle or a control unit for a specific component of the vehicle. It is also conceivable that the device is a part or component of an additional control unit or is installed as an additional control unit.
Die hochdimensionalen Sensorpfaddaten können gemäß einer Ausführungsform von einem Antriebsstrang oder einem System eines Antriebsstrangs stammen. Das System kann gemäß einer Ausführungsform eine Leistungselektronik, wie beispielsweise eine Hoch-Voltbox eines elektrischen oder eines hybriden Antriebsstrangs sein. Die Leistungselektronik weist gemäß einer Ausführungsform eine Vielzahl von Funktionen und Subsystemen auf. Gemäß einer Ausführungsform weist die Leistungselektronik ein On-Board-Charger Subsystem auf, das eine Umwandlung eines mehrphasigen AC-Netzeingangs (Spannung) in einen DC-Strom zur Versorgung des Fahrzeugnetzes vornimmt, beispielsweise zum Laden eines Akkumulators. Gemäß einer weiteren Ausführungsform weist die Leistungselektronik eine Power Distribution Unit (PDU) auf, die dazu ausgebildet ist direktes DC-Laden des Akkumulators mit externer DC-Hochspannung zu ermögliche und eine Verteilung von Hochspannung an alle Konsumenten, wie beispielsweise Elektrische Maschine(n), Klimakompressor, elektrischer Kompressor und elektrischer Heizkatalysator zu realisieren. Gemäß einer weiteren Ausführungsform weist die Leistungselektronik einen Low Voltage (LV) DCDC-Converter auf, der dazu ausgebildet ist eine Bidirektionale Wandlung zwischen 12V Bordnetz und Hochvolt-Netz, das Laden eines 12V Akkumulators aus dem Hochvolt-Netz, Bereitstellung der 12V-Spannung für Konsumenten des Antriebsstrangs oder des Fahrzeugs wie beispielweise Steuergeräte, Displayeinheiten, Fensterheber etc. zu realisieren. Gemäß einer weiteren Ausführungsform weist die Leistungselektronik einen aktiven Wasserkühlkreislauf auf, der dazu ausgebildet ist, eine Temperatur innerhalb der Leistungselektronik zu überwachen. Gemäß einer Ausführungsform weist die Leistungselektronik eine Kombination der unterschiedlichen Subsysteme auf. Die Leistungselektronik weist dementsprechend verschiedene Sensoren auf, beispielsweise Temperatursensoren. Zudem können die entsprechenden Subsysteme unterschiedliche Sensoren aufweisen.The high-dimensional sensor path data may originate from a powertrain or a system of a powertrain, according to one embodiment. According to one embodiment, the system can be power electronics, such as a high-voltage box of an electric or hybrid drive train. According to one embodiment, the power electronics have a large number of functions and subsystems. According to one embodiment, the power electronics have an on-board charger subsystem that converts a multi-phase AC mains input (voltage) into a DC current for supplying the vehicle network, for example for charging an accumulator. According to a further embodiment, the power electronics have a power distribution unit (PDU), which is designed to enable direct DC charging of the accumulator with external DC high voltage and distribution of high voltage to all consumers, such as electrical machine(s), To realize air conditioning compressor, electric compressor and electric heated catalyst. According to a further embodiment, the power electronics have a low-voltage (LV) DCDC converter, which is designed for bidirectional conversion between the 12V vehicle electrical system and the high-voltage network, charging a 12V accumulator from the high-voltage network, providing the 12V voltage for To realize consumers of the drive train or the vehicle such as control units, display units, window regulators, etc. According to a further embodiment, the power electronics has an active water cooling circuit, which is designed to monitor a temperature within the power electronics. According to one embodiment, the power electronics have a combination of the different subsystems. The power electronics accordingly has various sensors, for example temperature sensors. In addition, the corresponding subsystems can have different sensors.
Das On-Board-Charger Subsystem weist beispielsweise Sensoren zur Erfassung von Netzspannung, Netzladestrom, Zwischenkreisspannung, Zwischenkreisladestrom, Ausgangsspannung/Hochvolt-Netzspannung und / oder Ausgangsstrom/Akkumulatorladestrom auf. Die Power Distribution Unit (PDU) weist gemäß einer Ausführungsform Sensoren zur Erfassung von Busbar (Sammelschienen) Temperatur, DC-Ladestrom und / oder DC-Ladespannung auf. Der Low Voltage (LV) DCDC-Converter weist gemäß einer Ausführungsform Sensoren zur Erfassung von LV-Spannung, LV- Aus-/Eingangsstrom, HV-Aus-/Eingangsstrom und / oder einer Temperatur auf. Der aktive Wasserkühlkreislauf weist gemäß einer Ausführungsform Kühlkreislauf Sensoren zur Erfassung von Volumenstrom, Kühlmitteleingangstemperatur, Kühlmittelausgangstemperatur, Kühlmitteleingangsdruck und / oder Kühlmittelausgangsdruck auf.The on-board charger subsystem has, for example, sensors for detecting mains voltage, mains charging current, intermediate circuit voltage, intermediate circuit charging current, output voltage/high-voltage mains voltage and/or output current/accumulator charging current. According to one embodiment, the power distribution unit (PDU) has sensors for detecting busbar (busbars) temperature, DC charging current and/or DC charging voltage. According to one embodiment, the low voltage (LV) DCDC converter has sensors for detecting LV voltage, LV output/input current, HV output/input current and/or a temperature. According to one embodiment, the active water cooling circuit has cooling circuit sensors for detecting volume flow, coolant inlet temperature, coolant outlet temperature, coolant inlet pressure and/or coolant outlet pressure.
Außerdem können gemäß einer Ausführungsform eine sehr große Zahl von Größen wie beispielsweise elektrische Ladung, elektrische Leistung, elektrische Wirkungsgrade, Systemzustände (Leerlauf/AC-Laden,DC-Laden, etc.) berechnet werden, zudem können mittels Modellen für nicht direkt ableitbare Temperaturen, Ströme, Spannungen, etc. deren Größen ermittelt werden.In addition, according to one embodiment, a very large number of variables such as electrical charge, electrical power, electrical efficiency, system states (idle/AC charging, DC charging, etc.) can be calculated, and models for temperatures that cannot be derived directly Currents, voltages, etc. whose magnitudes are determined.
Viele Komponenten innerhalb der Leistungselektronikeinheit können zum Teil starken Bauteiltoleranzen und außerdem erheblichen Alterungseffekten über deren Laufzeit unterliegen. Hierbei sind vor allem Leistungselektronikbauteile wie beispielsweise Spulen, Kondensatoren, Widerstände, Dioden und MOSFETS besonders stark betroffen. Bauteiltoleranzen und Alterungseffekte kommen bei derartigen Bauteilen besonders stark durch thermische Belastung zum Tragen. Die genaue thermische Belastung der einzelnen Komponenten ergibt sich primär durch das letztendliche Nutzerverhalten, welches naturgemäß sehr unterschiedlich sein kann.Many components within the power electronics unit can be subject to strong component tolerances and also significant aging effects over their lifetime. Power electronic components such as coils, capacitors, resistors, diodes and MOSFETS are particularly badly affected. Component tolerances and aging effects have a particularly strong impact on components of this type due to thermal stress. The precise thermal load on the individual components results primarily from the ultimate user behavior, which can of course be very different.
Eine direkte Temperaturbestimmung von den unterschiedlichen Bauteilen ist nur für eine begrenzte Anzahl möglich. Die sehr hohe Anzahl derartiger Komponenten erschwert zudem die Erstellung dedizierter Modelle, beispielsweise zur Temperaturermittlung. Dadurch, dass Temperaturen integraler Natur sind, also eine Summe aller Wärmequellen und -senken, sollte die Historie der relevanten Signale aus vorhandenen Temperatursignalen berücksichtigt werden. Dies wird gemäß dieser Ausführungsform dadurch realisiert, dass die vorhandenen Temperatursignale der vorhandenen Sensoren als hochdimensionale Sensorpfaddaten während des vordefinierten Zeitraums erfasst und gespeichert werden. Diese hochdimensionalen Sensorpfaddaten können anschließend mittels des trainierten neuronalen Netzes codiert werden, gespeichert werden und zur Steuerung der Leistungselektronik bzw. zur Überwachung der Leistungselektronik herangezogen werden.A direct determination of the temperature of the different components is only possible for a limited number. The very high number of such components also makes it difficult to create dedicated models, for example to determine the temperature. Since temperatures are of an integral nature, i.e. a sum of all heat sources and sinks, the history of the relevant signals from existing temperature signals should be taken into account. According to this embodiment, this is realized in that the existing temperature signals of the existing sensors are recorded and stored as high-dimensional sensor path data during the predefined period of time. This high-dimensional sensor path data can then be encoded using the trained neural network, stored and used to control the power electronics or to monitor the power electronics.
Während der Entwicklungsphase der Leistungselektronik können die jeweiligen Bauteiltemperaturmessung im Betrieb hingegen relativ einfach ermittelt werden. Hierbei kann beispielsweise eine Infrarotkamera eine Vielzahl von Bauteiltemperaturen gleichzeitig erfassen. Mittels dieser Daten kann dementsprechend das neuronale Netz trainiert werden, um im Betrieb in Abhängigkeit der ermittelbaren Temperaturen und beispielsweise des Nutzerverhaltens weitere relevante Temperaturen der Leistungselektronik zu ermitteln, wodurch die Leistungselektronik gesteuert bzw. überwacht werden kann.During the development phase of the power electronics, however, the respective component temperature measurements can be determined relatively easily during operation. Here, for example, an infrared camera can record a large number of component temperatures at the same time. The neural network can accordingly be trained using this data in order to determine further relevant temperatures of the power electronics during operation as a function of the temperatures that can be determined and, for example, user behavior, as a result of which the power electronics can be controlled or monitored.
Demgemäß werden gemäß der vorliegenden Ausführungsform die Vielzahl von Sensorpfaddaten genutzt, um eine Codierung aller temperaturrelevanten Informationen durchzuführen. Die codierten Signale können prinzipiell für die Temperaturmodellierung aller relevanten Komponenten / Subsysteme genutzt werden. Gemäß einer Ausführungsform weist jede Komponente lediglich ein „kleines“ neuronles Netz auf, um die codierten Informationen für seinen speziellen Anwendungsfall z.B.: Spule XYZ auszuwerten.
Die dadurch ermittelten Daten wie beispielsweise Temperaturen können dann zudem Alterungsmodellen zugeführt werden, um den aktuellen Bauteilzustand zu ermitteln und ggf. die Regelung des Systems anzupassen.Accordingly, according to the present embodiment, the large number of sensor path data are used to carry out a coding of all temperature-relevant information. In principle, the coded signals can be used for the temperature modeling of all relevant components / subsystems. According to one embodiment, each component has only a “small” neural network in order to evaluate the encoded information for its specific application, for example coil XYZ.
The data determined in this way, such as temperatures, can then also be fed into aging models in order to determine the current component condition and, if necessary, adjust the system control.
Ausführungsbeispiele und Weiterbildungen des computerimplementierten Verfahrens gemäß der vorliegenden Offenbarung sind in den Figuren dargestellt und werden anhand der nachfolgenden Beschreibung näher erläutert.Exemplary embodiments and developments of the computer-implemented method according to the present disclosure are shown in the figures and are explained in more detail on the basis of the following description.
Es zeigen:
-
1 ein Sensorpfaddatendiagramm gemäß einer Ausführungsform, -
2 ein erstes Codierungsdiagramm gemäß einer ersten Ausführungsform, -
3 ein zweites Codierungsdiagramm gemäß einer zweiten Ausführungsform, -
4 ein drittes Codierungsdiagramm gemäß einer dritten Ausführungsform, -
5 ein Flussdiagramm gemäß einer Ausführungsform.
-
1 a sensor path data diagram according to an embodiment, -
2 a first coding diagram according to a first embodiment, -
3 a second coding diagram according to a second embodiment, -
4 a third coding diagram according to a third embodiment, -
5 a flowchart according to an embodiment.
Die
Die in dem Sensorpfaddatendiagramm 100 der
Die
Die
Die
Die
In einem zweiten Schritt 520 werden diese Daten dem neuronalen Netz 200 (nicht dargestellt) bzw. dem Autoencoder 210 (nicht dargestellt) insbesondere einer Encoderschicht zugeführt. Dadurch erfolgt die erstmalige Codierung der erfassten hochdimensionalen Sensorpfaddaten 110. Anschließend werden die einmalig codierten Sensorpfaddaten in dem zweiten Speicher gespeichert. Zusätzlich werden die einmalig codieren Sensorpfaddaten 230 einer weiteren Encoderschicht des Autoencoders 210 zur weiteren Codierung hinzugeführt. Dadurch werden die ursprünglich erfassten hochdimensionalen Sensorpfaddaten 110 zweifach codiert. Diese zweifach codierten Sensorpfaddaten 230 werden wiederum gespeichert. In a
Diese Speicherung der einmalig codierten Sensorpfaddaten 230 und der zweimalig codierten Sensorpfaddaten 230 ist in dem Flussdiagramm 500 in dem vierten Schritt 540 dargestellt. Gleichzeitig ist in dem vierten Schritt 540 eine Berechnung von Verfahrensergebnissen 550 schematisch dargestellt. Dementsprechend werden die teilweise einfach codierten Sensorpfaddaten 230 bzw. zweifach codierten Sensorpfaddaten 230 bzw. auch eine Kombination daraus zur Ermittlung von Verfahrensergebnissen 550 bzw. zur Ermittlung von Daten zur Steuerung des Fahrzeugs bzw. zur Steuerung von Aktuatoren des Fahrzeugs herangezogen. Die
Beispielsweise werden als hochdimensionale Sensorpfaddaten 110 alle zwanzig Meter bzw. alle zwanzig Sekunden jeweils eine Geschwindigkeit, eine Längsbeschleunigung, eine Querbeschleunigung, eine Steigung der Straße, eine Krümmung der Straße, ein zulässige Höchstgeschwindigkeit der Straße und ein Abstand zum vorausfahrenden Fahrzeug mittels jeweils sechzehn Werte erfasst. Anschließend erfolgt eine erste Codierung der sechzehn mal sieben hochdimensionalen Sensorpfaddatenpunkte auf zehn Werte. Dieser Prozess wird beispielsweise für 100 m oder eine Minute iterativ wiederholt, woraufhin anschließend die Summe der dadurch mehrfach einmalig codierten hochdimensionalen Sensorpfaddaten entsteht. Anschließend können beispielsweise die einmalig codierten Sensorpfaddaten zur Klassifizierung des Fahrers in sportlich, umweltfreundlich oder normal erfolgen. Beispielsweise kann zusätzlich die zweite Codierung und ein Teil der ersten Codierung und zusätzliche spezifische Eingangsdaten 560 zur Bestimmung einer Temperatur beispielsweise der Temperatur einer Hochvoltbatterie herangezogen werden.For example, a speed, a longitudinal acceleration, a lateral acceleration, a slope of the road, a curvature of the road, a maximum permissible speed of the road and a distance to the vehicle in front are recorded by means of sixteen values as high-dimensional
Claims (9)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021201628.6A DE102021201628B4 (en) | 2021-02-19 | 2021-02-19 | Computer-implemented method and device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle |
PCT/EP2021/086826 WO2022174960A1 (en) | 2021-02-19 | 2021-12-20 | Computer-implemented method and device for coding and processing high-dimensional sensor path data of a sensor unit in order to control a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021201628.6A DE102021201628B4 (en) | 2021-02-19 | 2021-02-19 | Computer-implemented method and device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102021201628A1 DE102021201628A1 (en) | 2022-08-25 |
DE102021201628B4 true DE102021201628B4 (en) | 2023-07-13 |
Family
ID=79602253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021201628.6A Active DE102021201628B4 (en) | 2021-02-19 | 2021-02-19 | Computer-implemented method and device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102021201628B4 (en) |
WO (1) | WO2022174960A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018200982A1 (en) | 2018-01-23 | 2019-08-08 | Volkswagen Aktiengesellschaft | Method for processing sensor data in a number of control units, appropriately designed preprocessing unit and vehicle |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11214268B2 (en) * | 2018-12-28 | 2022-01-04 | Intel Corporation | Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles |
US20200356835A1 (en) * | 2019-05-09 | 2020-11-12 | LGN Innovations Limited | Sensor-Action Fusion System for Optimising Sensor Measurement Collection from Multiple Sensors |
-
2021
- 2021-02-19 DE DE102021201628.6A patent/DE102021201628B4/en active Active
- 2021-12-20 WO PCT/EP2021/086826 patent/WO2022174960A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018200982A1 (en) | 2018-01-23 | 2019-08-08 | Volkswagen Aktiengesellschaft | Method for processing sensor data in a number of control units, appropriately designed preprocessing unit and vehicle |
Also Published As
Publication number | Publication date |
---|---|
WO2022174960A1 (en) | 2022-08-25 |
DE102021201628A1 (en) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018220494A1 (en) | Method for monitoring an energy store in an electrical system | |
DE102015207674A1 (en) | METHOD FOR ADJUSTING MINIMUM LOAD CONDITION LIMITATIONS OF A BATTERY BASED ON A PERFORMANCE OF THE BATTERY | |
EP1259941A1 (en) | Method and device for determining the remaining serviceable life of a product | |
EP3203574A1 (en) | Life cycle management for an energy store | |
DE102019217299A1 (en) | Method for predicting an aging condition of a battery | |
DE102016221249A1 (en) | Method for operating a vehicle electrical system | |
DE102005044829A1 (en) | Energy management system for motor vehicle, has energy source and energy storage that are assigned to different operating conditions, where conditions are represented by summation of real energy source and virtual energy consumers | |
EP2884295A1 (en) | Systems and methods for the designing and testing of hybrid energy stores | |
DE102022211063A1 (en) | Controller for estimating characteristic parameters of a battery and method therefor | |
EP3460727A1 (en) | Method for examining a functional behaviour of a technical system and evaluation unit | |
DE102018210411A1 (en) | Method for checking a temperature measurement value recorded in a battery system and battery system | |
DE102021201628B4 (en) | Computer-implemented method and device for coding and processing high-dimensional sensor path data from a sensor unit for controlling a vehicle | |
EP2631663A1 (en) | Method for continuously monitoring battery ageing | |
DE102020107001A1 (en) | Method and device for determining the status of an on-board electrical system of a vehicle | |
DE102019212426A1 (en) | Method for comparing data from a first control unit with a second control unit in order to determine precise prediction values | |
DE102020110155A1 (en) | Battery resistance measuring device | |
EP4174593A1 (en) | Method for operating a device in an iot system | |
DE102021122094A1 (en) | Method for operating a motor vehicle | |
EP3356834A1 (en) | Method for determining parameters of an electrochemical energy store in a computer-aided manner | |
DE102020215864A1 (en) | Method and device for machine-specific improvement of the service life of a device battery in a battery-operated machine | |
DE102022207420B4 (en) | Method and device for operating an electric drive system for a motor vehicle by means of a transmission model and/or characteristic map | |
DE102015204242A1 (en) | Error analysis and / or optimization of a power plant network of a motor vehicle | |
DE102021104535A1 (en) | Method for monitoring the energy supply of a motor vehicle | |
DE102021129635A1 (en) | Method for determining the state of health of an electrical energy store of an at least partially electrically operated motor vehicle, computer program product and monitoring system | |
DE10218672A1 (en) | Determining current production required from fuel system to meet required power output, determines demand, voltage and current iteratively to enable control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R081 | Change of applicant/patentee |
Owner name: VITESCO TECHNOLOGIES GMBH, DE Free format text: FORMER OWNER: VITESCO TECHNOLOGIES GMBH, 30165 HANNOVER, DE |
|
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |