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 PDF

Info

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
Application number
DE102021201628.6A
Other languages
German (de)
Other versions
DE102021201628A1 (en
Inventor
Michael Kausche
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vitesco Technologies GmbH
Original Assignee
Vitesco Technologies GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Vitesco Technologies GmbH filed Critical Vitesco Technologies GmbH
Priority to DE102021201628.6A priority Critical patent/DE102021201628B4/en
Priority to PCT/EP2021/086826 priority patent/WO2022174960A1/en
Publication of DE102021201628A1 publication Critical patent/DE102021201628A1/en
Application granted granted Critical
Publication of DE102021201628B4 publication Critical patent/DE102021201628B4/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 DE 10 2018 200 982 A1 ist ein Verfahren zur Verarbeitung von Sensordaten in einer Anzahl von Steuergeräten eines Steuergeräteverbundes bekannt. Die Steuergeräte werden über wenigstens einen Kommunikationsbus mit mindestens einem Sensor verbunden, wobei die Sensordaten des wenigstens einen Sensors von wenigstens zwei verschiedenen Steuergeräten stufenweise verarbeitet werden. Dabei ist es so, dass wenigstens eine Verarbeitungsstufe in beiden Steuergeräten übereinstimmt. Es wird eine Vorverarbeitungseinheit vorgesehen, der die Sensordaten des wenigstens einen Sensors zugeführt werden, wobei in der Vorverarbeitungseinheit die Verarbeitung der Sensordaten in der wenigstens einen übereinstimmenden Verarbeitungsstufe durchgeführt wird und die bearbeiteten Sensordaten an die wenigstens zwei verschiedenen Steuergeräte zur individuellen Weiterverarbeitung weitergeleitet werden.From the DE 10 2018 200 982 A1 a method for processing sensor data in a number of control units of a control unit network is known. The control units are connected to at least one sensor via at least one communication bus, with the sensor data of the at least one sensor being processed in stages by at least two different control units. It is the case that at least one processing stage in both control units is the same. A pre-processing unit is provided, to which the sensor data of the at least one sensor is supplied, with the processing of the sensor data being carried out in the pre-processing unit in the at least one matching processing stage and the processed sensor data being forwarded to the at least two different control units for individual further processing.

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.
According to the present disclosure, a computer-implemented method for encoding and processing high-dimensional sensor path data of a sensor unit for controlling a vehicle, the sensor unit having a sensor that detects high-dimensional sensor path data and a control unit that processes the high-dimensional sensor path data of the sensor, the following steps on:
  • - 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.
Show it:
  • 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 1 zeigt ein Sensorpfaddatendiagramm 100 gemäß einer Ausführungsform. In dem Sensorpfaddatendiagramm 100 sind Sensorpfaddaten 110 dargestellt. Die Sensorpfaddaten 110 sind über einen vordefinierten Zeitrahmen 130 aufgenommen. Der Zeitraum 130 entspricht einer Zeitschrittreihe 140 mit mehreren Zeitschrittpunkten 150. Gemäß dieser Ausführungsform weist die Zeitschrittreihe 140 sechzehn Zeitschrittpunkte 150 auf. Das dargestellte Sensorpfaddatendiagramm 100 wird von insgesamt neun Sensorpfaddaten 110 befüllt. Während jedes Zeitschrittpunkts 150 wird ein entsprechender Sensorpfaddatenpunkt 120 der jeweiligen neuen Sensoren befüllt. Die derartig erfassten hochdimensionalen Sensorpfaddaten 110 werden in einem ersten Speicher hinterlegt. Der erste Speicher ist beispielsweise ein Arbeitsspeicher einer Steuereinheit.The 1 10 shows a sensor path data diagram 100 according to an embodiment. Sensor path data 110 is represented in the sensor path data diagram 100 . The sensor path data 110 is recorded over a predefined time frame 130 . The time period 130 corresponds to a time step series 140 with a plurality of time step points 150 . According to this embodiment, the time step series 140 has sixteen time step points 150 . The sensor path data diagram 100 shown is filled with a total of nine sensor path data 110 . During each time step point 150, a corresponding sensor path data point 120 of the respective new sensors is populated. The high-dimensional sensor path data 110 recorded in this way is stored in a first memory. The first memory is, for example, a working memory of a control unit.

Die in dem Sensorpfaddatendiagramm 100 der 1 aufgenommenen Sensorpfaddaten 110 werden mittels einhundertvierundvierzig Sensorpfaddatenpunkte 120, also neun Signale mal sechzehn Zeitschrittpunkte 150 (9*16=144) erfasst und in dem ersten Speicher hinterlegt.The data shown in the sensor path data diagram 100 of FIG 1 The sensor path data 110 recorded are recorded using one hundred and forty-four sensor path data points 120, ie nine signals times sixteen time step points 150 (9*16=144) and stored in the first memory.

Die 2 zeigt ein erstes Codierungsdiagramm 190 das mittels eines neuronalen Netzes 200, das einen Autoencoder 210 umfasst eine Codierung der erfassten Sensorpfaddaten 110 durchführt. Der Autoencoder 210 weist diesbezüglich einen Layer 220 auf, der die Codierung der Sensorpfaddaten 110 vornimmt. Auf der linken Seite der 2 sind beispielhaft eine Vielzahl von nicht codierten erfassten hochdimensionalen Sensorpfaddaten 110 dargestellt, die mittels der Codierung durch das neuronale Netz 200 in codierte Sensorpfaddaten 230 umgewandelt werden. Die codierten Sensorpfaddaten 230 sind in 2 auf der rechten Seite symbolisch dargestellt. Durch die Codierung der Sensorpfaddaten 110 erfolgt eine Dimensionsreduktion, wodurch auch ein Informationsverlust einhergeht. Der Informationsverlust ist allerdings derart ausgestaltet, dass er keine relevanten Informationen für die Steuerung des Fahrzeugs verloren gehen. Dies wird durch das entsprechende Training des neuronalen Netzes 200 realisiert.The 2 shows a first coding diagram 190 which carries out a coding of the detected sensor path data 110 by means of a neural network 200 which comprises an autoencoder 210 . In this regard, the autoencoder 210 has a layer 220 which carries out the coding of the sensor path data 110 . On the left of the 2 a large number of non-coded, acquired high-dimensional sensor path data 110 are shown by way of example, which are converted into coded sensor path data 230 by means of the coding by the neural network 200 . The encoded sensor path data 230 is in 2 shown symbolically on the right. The coding of the sensor path data 110 results in a dimension reduction, which is also accompanied by a loss of information. However, the loss of information is designed in such a way that no information relevant to the control of the vehicle is lost. This is through the corresponding training of the neural network 200 is realized.

Die 3 zeigt ein zweites Codierungsdiagramm 300. In dem zweiten Codierungsdiagramm 300 werden zunächst eine Reihe von Sensorpfaddaten 110 (nicht gezeigt) über einen vordefinierten Zeitraum 130 erfasst. Die erfassten Sensorpfaddaten 110 werden anschließend iterativ mittels des neuronalen Netzes 200 (nicht gezeigt) codiert. Die codierten Sensorpfaddaten 230 werden anschließend in dem zweiten Speicher hinterlegt. Die hochdimensionalen Sensorpfaddaten 110 werden erfasst, codiert und gespeichert, gleichzeitig werden neue Sensorpfaddaten 110 erfasst, die wiederum anschließend codiert und gespeichert werden. Dieser iterative Prozess ist in dem zweiten Codierungsdiagramm 300 schematisch dargestellt.The 3 12 shows a second coding diagram 300. In the second coding diagram 300, a series of sensor path data 110 (not shown) are first recorded over a predefined period of time 130. FIG. The captured sensor path data 110 is then iteratively encoded using the neural network 200 (not shown). The encoded sensor path data 230 is then stored in the second memory. The high-dimensional sensor path data 110 is recorded, encoded and stored, at the same time new sensor path data 110 is recorded, which in turn is subsequently encoded and stored. This iterative process is shown schematically in the second coding diagram 300 .

Die 4 zeigt ein drittes Codierungsdiagramm 400. Das dritte Codierungsdiagramm 400 unterscheidet sich von dem zweiten Codierungsdiagramm 300 dadurch, dass zusätzlich mittels des neuronalen Netzes 200 (nicht dargestellt) eine zweite Codierung der bereits codierten Sensorpfaddaten 230 erfolgt. Dabei kommt es zu einer weiteren Dimensionsreduktion, wodurch der Speicherbedarf für zweimalig codierten Sensorpfaddaten weiter reduziert wird. Auch diese Codierung ist informationsverlustbehaftet. Allerdings ist auch hier der Informationsverlust derart ausgestaltet, dass keine relevanten Informationen verloren gehen, die zur Steuerung des Fahrzeugs bzw. zur Steuerung von Komponenten des Fahrzeugs benötigt werden. Das neuronale Netz 200 (nicht gezeigt) bzw. dessen Autoencoder 210 wurden entsprechend trainiert.The 4 shows a third coding diagram 400. The third coding diagram 400 differs from the second coding diagram 300 in that the already coded sensor path data 230 is additionally coded a second time by means of the neural network 200 (not shown). This leads to a further reduction in dimensions, as a result of which the memory requirement for sensor path data encoded twice is further reduced. This coding is also subject to information loss. However, here too the loss of information is designed in such a way that no relevant information that is required for controlling the vehicle or for controlling components of the vehicle is lost. The neural network 200 (not shown) and its autoencoder 210 have been trained accordingly.

Die 5 zeigt ein Flussdiagramm 500, das ein computerimplementierte Verfahren gemäß einer Ausführungsform darstellen soll. Das Flussdiagramm 500 beginnt in einem ersten Schritt 510. In dem ersten Schritt 510 werden die hochdimensionalen Sensorpfaddaten 110 (nicht dargestellt) erfasst. Die hochdimensionalen Sensorpfaddaten 110 können beispielsweise Geschwindigkeiten, Beschleunigungen, Höchstgeschwindigkeiten, Kurvenneigungen, Straßentypen, Straßenverhältnisse, Temperaturen des Fahrzeugs, Drehzahlen oder Ähnliches umfassen.The 5 FIG. 5 shows a flowchart 500 intended to illustrate a computer-implemented method according to an embodiment. The flowchart 500 begins in a first step 510. In the first step 510, the high-dimensional sensor path data 110 (not shown) is acquired. The high-dimensional sensor path data 110 can include, for example, speeds, accelerations, maximum speeds, curve gradients, road types, road conditions, temperatures of the vehicle, rotational speeds or the like.

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 second step 520, this data is supplied to the neural network 200 (not shown) or to the autoencoder 210 (not shown), in particular to an encoder layer. As a result, the detected high-dimensional sensor path data 110 is encoded for the first time. The sensor path data, encoded once, are then stored in the second memory. In addition, the sensor path data 230 encoded once are added to a further encoder layer of the autoencoder 210 for further coding. As a result, the originally acquired high-dimensional sensor path data 110 is encoded twice. This twice encoded sensor path data 230 is in turn stored.

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 5 zeigt zusätzlich in einem Block 560, dass zusätzlich spezifische Eingangsdaten wie beispielsweise eine zusätzliche Temperatur oder eine zusätzliche Drehzahl einem entsprechenden Verarbeitungsschritt zur Ermittlung der Verfahrensergebnisse 550 hinzu eingepflegt werden kann. Verfahrensergebnisse 550 könnten beispielsweise eine Temperaturvorhersage, eine Reichweitenvorhersage, eine Fahrerklassifikation, ein intelligentes Batteriethermomanagement, ein intelligentes Abgasbehandlungsmanagement oder Ähnliches sein. Die Dimensionsreduktion mittels des Autoencoders 210 findet zentral statt und wird anderen Modellen (beispielsweise weiteren neuronalen Netzen) zur Ermittlung von Verfahrensergebnissen 550 zur Steuerung des Fahrzeugs bzw. zur Steuerung von Aktuatoren oder Komponenten des Fahrzeugs bereitgestellt. Insgesamt reduziert sich dadurch der Entwicklungs- und Rechenaufwand.This storage of the sensor path data 230 encoded once and the sensor path data 230 encoded twice is illustrated in the flowchart 500 in the fourth step 540 . At the same time, in the fourth step 540, a calculation of method results 550 is shown schematically. Correspondingly, sensor path data 230 , partially encoded once, or sensor path data 230 encoded twice, or also a combination thereof, is used to determine method results 550 or to determine data for controlling the vehicle or for controlling actuators of the vehicle. The 5 additionally shows in a block 560 that specific input data, such as an additional temperature or an additional speed, can also be entered into a corresponding processing step for determining the method results 550. Method results 550 could be, for example, a temperature prediction, a range prediction, a driver classification, an intelligent battery thermal management, an intelligent exhaust gas treatment management, or the like. The dimension reduction by means of the autoencoder 210 takes place centrally and is made available to other models (for example other neural networks) for determining method results 550 for controlling the vehicle or for controlling actuators or components of the vehicle. Overall, this reduces the development and computing effort.

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 sensor path data 110 every twenty meters or every twenty seconds . The sixteen times seven high-dimensional sensor path data points are then first coded to ten values. This process is repeated iteratively, for example, for 100 m or one minute, whereupon the sum of the high-dimensional sensor path data encoded multiple times as a result then arises. Subsequently, for example, the uniquely encoded sensor path data can be used to classify the driver as sporty, environmentally friendly or normal. For example, the second coding and part of the first coding and additional specific input data 560 for determining a Tem temperature, for example, the temperature of a high-voltage battery can be used.

Claims (9)

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: - Acquisition of high-dimensional sensor path data (110) with the sensor during a defined period of time (130) and / or during a predefined route; - storing the acquired high dimensional sensor path data (110) in a first memory; - providing a trained neural network (200), the neural network (200) comprising 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. Computerimplementiertes Verfahren gemäß Anspruch 1, wobei das trainierte neuronale Netz (200) mittels vorerfassten Sensorpfaddaten als Trainingsdaten trainiert wurde, wobei dem Autoencoder (210) während einer Trainingsphase die vorerfassten Sensorpfaddaten zum Training zugeführt werden.Computer-implemented method according to claim 1 , wherein the trained neural network (200) was trained using pre-acquired sensor path data as training data, the auto encoder (210) being supplied with the pre-acquired sensor path data for training during a training phase. Computerimplementiertes Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Sensoreinheit eine Mehrzahl von Sensoren aufweist, die jeweils hochdimensionale Sensorpfaddaten (110) erfassen und mittels des trainierten neuronalen Netzes (200) codiert werden.Computer-implemented method according to one of the preceding claims, wherein the sensor unit comprises a plurality of sensors, each of which acquires high-dimensional sensor path data (110) and is encoded by means of the trained neural network (200). Computerimplementiertes Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Codierung der erfassten hochdimensionalen Sensorpfaddaten (110) mittels eines Layers (220) des neuronalen Netzes (200) durchgeführt wird.Computer-implemented method according to one of the preceding claims, wherein the coding of the acquired high-dimensional sensor path data (110) is carried out by means of a layer (220) of the neural network (200). Computerimplementiertes Verfahren gemäß einem der vorhergehenden Ansprüche, wobei während einem dem ersten definierten Zeitraum (130) nachfolgendem Zeitraum und / oder einer der vordefinierten Wegstrecke nachfolgenden Wegstrecke neu erfasste hochdimensionale Sensorpfaddaten (110) in dem ersten Speicher gespeichert werden und mittels des trainierten neuronalen Netzes (200) codiert werden und zur Steuerung des Fahrzeugs herangezogen werden, sodass das Verfahren iterativ durchgeführt wird.Computer-implemented method according to one of the preceding claims, wherein during a period of time following the first defined period (130) and/or a route following the predefined route, newly acquired high-dimensional sensor path data (110) are stored in the first memory and, by means of the trained neural network (200 ) are coded and used to control the vehicle, so that the method is carried out iteratively. Computerimplementiertes Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die codierten Sensorpfaddaten (230) in einem zweiten Codierschritt mittels einer weiteren Dimensionsreduzierung mit dem trainierten neuronalen Netz (200) codiert werden und in dem zweiten Speicher oder in einem weiteren Speicher gespeichert werden und zur Steuerung des Fahrzeugs herangezogen werden.Computer-implemented method according to one of the preceding claims, wherein the coded sensor path data (230) are coded in a second coding step by means of a further dimensionality reduction with the trained neural network (200) and are stored in the second memory or in a further memory and for controlling the vehicle be used. Computerimplementiertes Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die codierten Sensorpfaddaten (230) von mindestens einem weiteren neuronalen Netz für die Steuerung des Fahrzeugs verarbeitet werden.A computer-implemented method as claimed in any preceding claim, wherein the encoded sensor path data (230) is processed by at least one further neural network for control of the vehicle. Computerimplementiertes Verfahren gemäß einem der vorhergehenden Ansprüche, wobei zur Steuerung des Fahrzeugs zusätzlich spezifische Eingangsdaten (560) herangezogen werden.Computer-implemented method according to one of the preceding claims, wherein specific input data (560) are additionally used to control the vehicle. Vorrichtung zur Codierung und Verarbeitung von hochdimensionalen Sensorpfaddaten (110) einer Sensoreinheit, wobei die Vorrichtung eine Steuereinheit aufweist, die zur Steuerung eines computerimplementierten Verfahrens gemäß einem der vorhergehenden Ansprüche ausgebildet ist.Device for coding and processing high-dimensional sensor path data (110) of a sensor unit, the device having a control unit which is designed to control a computer-implemented method according to one of the preceding claims.
DE102021201628.6A 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 Active DE102021201628B4 (en)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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