CN111824169B - 用于降低具有内燃机的车辆的驱动系统的废气排放的方法 - Google Patents

Abstract

本发明涉及一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法，该方法具有以下步骤：通过计算机实现的机器学习系统产生多个第一行驶走势，其中，第一行驶走势的统计分布取决于在行驶运行中测量的第二行驶走势的统计分布；借助于车辆的或车辆的驱动系统的计算机实现的建模计算用于第一行驶走势的相应的废气排放；根据所计算的废气排放中的至少一种来匹配车辆的驱动系统，其中，根据所计算的废气排放中的至少一种的程度或走势以及根据相应的第一行驶走势的统计频度来进行所述匹配，其中，借助于第一行驶走势的统计分布来测定相应的第一行驶走势的统计频度。

Description

用于降低具有内燃机的车辆的驱动系统的废气排放的方法

技术领域

本发明涉及一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法以及为此设置的计算机程序。

背景技术

DE 10 2017 107 271 A1 公开了一种用于测定行驶试验的主导行驶循环的方法，所述行驶试验用于测定机动车的废气排放。在此，用于不同的行驶循环的速度曲线基于参数组被导出。目的是测定主导循环，该主导循环尽可能反映在给定的边界条件内的“最大”排放情况。

发明内容

实际上，当前，驱动系统的排放的测定主要分两级进行：

1）测定一个或多个代表性的、应当描述所有车辆的行驶特性的行驶循环。这种行驶循环也应当映射对于驱动系统要求高的行驶情况（例如包含具有高动态和/或多个起动过程的部分）。这例如也包括由立法者规定的检验循环、例如WLTP （世界轻型汽车测试规程、Worldwide harmonized Light vehicles Test Procedure）。

2）驱动系统的优化和验证借助于这些行驶循环进行。车辆设有相应的测量设备并且根据在1）中测定的测试规程进行测量。系统拓扑结构、调控函数和参数的优化基本上在驱动系统的稳定状态上并且根据这些循环进行。

然而，由此并不能提供在其废气排放方面满足在真实的行驶运行中最低限度地影响环境的高要求的驱动系统。验证结果仅仅有限地具有说服力，因为仅仅非常随机地覆盖驱动系统的整个运行状态空间并且首先运行状态的统计分布不正确地通过这些行驶循环来表示。

因此，由此一方面产生值得一提的、不遵守关于废气排放的立法的风险，并且另一方面驱动系统在排放方面不是关于所有行程的整体并且在考虑相应的频度的情况下进行优化。

在一些国家，立法规定，根据在实际的行驶运行中产生的排放来许可借助于内燃机驱动的新机动车。为此，英语名称“真实的行驶排放”也是常用的。这种机动车例如包括仅由内燃机驱动的这种机动车，但也包括具有混合动力传动系的这种机动车。

为此规定，检测人员用机动车测试（bestreiten）一个或多个行驶循环并且测量在此产生的排放。机动车的许可然后与这些测量的排放相关。在这种情况下，可以由检测人员在宽的界限内自由选择行驶循环。行驶循环的典型的持续时间在此例如可以为90-120分钟。

因此，对于机动车的制造商来说，在机动车的研发过程中提出的挑战是，必须在新机动车的研发过程中提前就能预见，该机动车的排放在每个允许的行驶循环中是否保持在法律上规定的界限内。

因此重要的是，提供在机动车的研发阶段就已经能够可靠地预测机动车的预期排放的方法和装置，以便在预期超过界限值的情况下能够执行机动车的改变。这种仅基于在试验台上或在行驶的机动车中的测量的估计由于可考虑的行驶循环的大的多样性而极其耗费。

因此，在现有技术中例如提出，确定所谓的主导循环，对于所述主导循环来说，满足排放规定是特别具有挑战性的。在此假设，如果这对于最具挑战性的循环是这种情况，则可能对于所有可考虑的行驶循环都满足排放规定。

然而，除了在每个可考虑的或允许的行驶循环中必须满足废气规定的要求之外，车辆或驱动装置研发的重要目标是，使车辆驱动系统在真实运行中的总排放最小化。在使车辆驱动系统针对最关键或特别关键的行驶循环进行匹配或优化时，虽然可能确保在所有循环中满足标准，但是由此存在排放在不太关键的循环中明显恶化的危险。如果在真实的行驶运行中的不太关键的循环仍然是更频繁的循环（这通常是这种情况），那么通过这种优化，整个系统在真实运行中的排放方面变差。例如，将排放针对关键的、然而现实上非常不常见的具有极端的速度曲线（例如带有猛烈的加速的极端的颠簸路行驶）的行驶循环进行优化会导致，排放对于不太关键但更频繁的具有常见的速度曲线的行驶循环（例如具有交通信号灯的短的城市行程）变差，这在整体上可能导致在真实运行中更高的排放。

因此，对于具有内燃机的排放优化的车辆的研发及其排放优化的匹配而言，能够自动生成大量真实的速度曲线是非常有利的，其所生成的速度曲线的分布与真实预期的分布相对应或者近似于真实预期的分布。因此，匹配驱动系统的起始点是所生成的、具有代表真实运行的分布的速度曲线。

因此，速度曲线的计算机辅助的生成在代表真实运行的分布中是重要的技术起始基础，其在不同的场景中可以决定性地改善车辆驱动系统的研发或优化并且由此有助于排放较少且更有效的车辆，尤其有助于排放较少且更有效的车辆驱动系统。

因此提出一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法，其特征在于以下步骤：

- 通过计算机实现的机器学习系统产生多个第一行驶走势（51），其中，第一行驶走势的统计分布取决于行驶运行中测量的第二行驶走势的统计分布，特别是遵循该分布，

- 借助于车辆的或车辆的驱动系统的计算机实现的建模计算用于第一行驶走势的相应的废气排放（52），

- 根据所计算的废气排放中的至少一种来匹配车辆（53）的驱动系统，其中，根据所计算的废气排放中的至少一种的程度或走势以及根据相应的第一行驶走势的统计频度来进行所述匹配，其中，借助于第一行驶走势的统计分布来测定相应的第一行驶走势的统计频度。

行驶走势在此表示车辆的行驶特性的走势，其中，行驶特性可利用传感器测量的、特别是车辆的动力传动系的物理或技术特性，这些特性表征车辆的继续运动。作为最重要的变型方案，车辆的速度走势落入行驶走势的范围。车辆的速度走势对于特定的行程而言是一个或多个用于确定排放、消耗、磨损和类似参量的主导参量。在此，速度走势可以通过速度值、但也可以通过由此可导出的参量、如加速度值来确定。其它主要的行驶特性，这些行驶特性的走势对于诸如确定排放、消耗或磨损的应用是重要的，尤其包括加速踏板的位置、离合器踏板的位置、制动踏板的位置或变速器传动比。

所提出的方法使得能够不仅针对单个循环或场景而且针对现场运行全局地高效验证和优化驱动系统的废气排放。

对此也可以优选做出贡献的是，从大量第三行驶走势中选择第二行驶走势，其中，如此选择第二行驶走势，使得第二行驶走势的分布对应于实际行程的分布。如果不能针对所提出的方法动用统计上代表性的行程，则当通过从可用的数据中合适地选择来建立或近似这样的表示时，可以显著地改进所述方法。

与现有技术方法相比，与选出的采样的主导循环相比，虚拟测试环境允许基于多个生成的行驶循环来降低驱动系统的废气排放。行驶循环借助于真实行驶的模型产生，该模型确保，一方面足够紧密地覆盖整个状态空间并且另一方面确保，所产生的行驶循环关于特定问题（例如驱动系统的排放）良好地对应于真实行驶的统计。这尤其可以通过生成的行驶走势与在行驶运行中测量的行驶走势的相关性实现。考虑用于模拟的行驶走势的分布可取决于其它统计（例如在特定的区域中的行驶统计、天气统计等）。

因此，在所建议的方法中，不应再基于在先前项目上收集的知识预先确定测试情景并且根据该测试情景来检验和优化系统，而是应借助于模拟在整个状态空间中测定系统在排放方面的工作能力。在此，结果映射真实的出现概率。

由此，可以避免不必要地关注对于当前的驱动系统不太有帮助的测试情况、例如在先前项目中显示为有问题，然而在研发项目中没有问题或者不适合于显示实际的研发项目的问题域的测试情况，因为这些问题域在先前项目中还未知。

也可以避免对特别要求高的测试情况的过于强烈的关注，所述测试情况通常导致系统的超规格或过匹配，即使其例如是极少见的。这种过强的关注经常由缺乏如下知识导致，即在真实的行驶运行中在哪个状况和频度中出现单个问题域。

如已经说明的那样，在此可以通过所生成的行驶走势的代表性的分布来进行匹配，该匹配使得驱动系统在排放方面并不针对单个的或者特别关键的行驶走势进行优化。相反，如此实现驱动系统的优化，使得在真实运行中预期的排放总体上最小化，也就是说使得端管排放的总和在所有行程上最小化。

在此，优化可以通过驱动系统的组件的拓扑结构的自动匹配、驱动系统的组件的自动匹配或者在驱动系统的研发中用于驱动系统的软件功能的自动匹配来进行。相应地匹配的驱动系统然后相应地制造并且使用在车辆中。也可以通过在驱动系统的应用中匹配数据来进行优化，其中相应应用的驱动系统被使用在车辆中。此外，优化可以通过在车辆中的驱动系统的运行中匹配控制软件的控制功能或控制参量来进行。

在一种优选的设计方案中，废气排放的计算不仅根据生成的行驶走势，例如根据针对确定的行驶路线的速度曲线，而且还根据来自所属的行驶路线的路线信息，例如根据路线的坡度走势进行。由此可以计算更精确或更真实的废气排放值，这由此改善后续匹配。

第一行驶走势的统计分布优选包括第一行驶走势连同相应所属的第一行驶路线的统计分布。相应地，在行驶运行中测量的第二行驶走势的统计分布优选包括第二行驶走势连同相应所属的在行驶运行中测量的第二行驶路线的统计分布。也就是说，在这两种情况下，都考虑用于由行驶走势和所属的行驶路线组成的相应的配对的分布。在此，行驶路线包括路线特性，如特别是地理特性、交通流量特性、行车道特性、交通引导特性和/或路线的天气特性。

一种用于生成行驶走势的机器学习系统的优选的计算机实现的训练包括以下步骤：

- 从具有行驶路线的第一数据库中选择第一行驶路线，

- 机器学习系统的发生器获得第一行驶路线作为输入参量并且针对第一行驶路线生成相应所属的第一行驶走势，

- 在第二数据库中存储有行驶路线和相应所属的、在行驶运行中检测到的行驶走势，

- 从第二数据库中选择第二行驶路线以及相应所属的在行驶运行中检测到的第二行驶走势，

- 机器学习系统的鉴别器获得由具有相应所属的生成的第一行驶走势的第一行驶路线之一组成的配对和由具有相应所属的在行驶运行中检测到的第二行驶走势的第二行驶路线组成的配对作为输入参量，

- 鉴别器根据输入参量计算如下输出，所述输出表征每个作为输入参量获得的配对是指具有生成的第一行驶走势的配对还是指具有在行驶运行中检测到的第二行驶走势的配对，

- 根据鉴别器的输出优化目标函数，该目标函数表示具有生成的第一行驶走势的配对的分布和具有在行驶运行中检测到的第二行驶走势的配对的分布之间的间距。

一种用于生成行驶走势的机器学习系统的替代的优选的计算机实现的训练包括以下步骤：

- 所述机器学习系统的发生器获得第一随机矢量作为输入参量并且分别针对第一随机矢量生成第一行驶路线和所属的第一行驶走势，

- 在数据库中存储有行驶路线和相应所属的、在行驶运行中检测到的行驶走势，

- 从所述数据库中选择第二行驶路线以及相应所属的在行驶运行中检测到的第二行驶走势，

- 机器学习系统的鉴别器获得由生成的第一行驶路线和相应所属的生成的第一行驶走势组成的第一配对和由第二行驶路线和相应所属的在行驶运行中检测到的第二行驶走势组成的第二配对作为输入参量，

- 鉴别器根据输入参量计算如下输出，所述输出表征每个作为输入参量获得的配对是指由生成的第一行驶路线和相应所属的生成的第一行驶走势组成的第一配对还是指由第二行驶路线和相应所属的在行驶运行中检测到的第二行驶走势组成的第二配对，

- 根据鉴别器的输出，优化目标函数，该目标函数表示第一配对的分布和第二配对的分布之间的间距。

有利地，根据目标函数的优化来如此匹配机器学习系统的参数，使得

- 鉴别器被优化用于区分所生成的第一行驶走势和在行驶运行中检测到的第二行驶走势，

- 发生器被优化用于以第一分布生成所生成的第一行驶走势，通过鉴别器尽可能难以将所生成的第一行驶走势与以第二分布存在的、在行驶运行中检测到的第二行驶走势区分开。

所描述的训练方法提供了计算机实现的机器学习系统，利用该机器学习系统可以生成代表性的行驶走势，由此又可以在考虑到实际的代表性的影响的情况下进行诸如排放优化或系统关于排放方面的验证等措施。

在有利的设计方案中，车辆的或车辆的驱动系统的建模包括内燃机的模型和/或内燃机的废气后处理系统的模型和/或发动机控制器的模型和/或燃烧过程的模型，由此实现特别精确的模拟结果。

为了执行所描述的计算机实现的方法，可以设置计算机程序并且将其存储在能够机读的存储器上。包括这种能够机读的存储器的计算机实现的学习系统可以被设置为执行方法，其中有待执行的计算由计算机实现的学习系统的一个或多个处理器予以实施。

具体实施方式

图1示出了用于降低具有内燃机的车辆的废气排放的传统的方法。在步骤101中，观察先前项目的结果或经验值，并且在步骤102中找出尤其应覆盖关键的行驶循环的测试情况。在步骤103中列出规定的来自立法的测试规程。在步骤104中进行待优化的车辆或驱动系统的定义。在步骤105中，对于待优化的车辆或驱动系统，针对在步骤102和103中所选择的测试循环或所规定的测试规程执行废气排放的测量。在此，测量例如可以处于大约100h的数量级并且相应的结果在步骤106中被存储或分析。根据所执行的测量可以优化车辆或驱动系统。

图2示出了一种用于降低具有内燃机的车辆的废气排放的所建议的方法。在步骤201中，通过真实行驶的机器学习系统的生成模型获得由行驶走势和所属的行驶路线组成的代表性的配对。在步骤202中，针对待优化的车辆或驱动系统建立车辆模型或驱动系统的模型。图中的车辆或驱动系统的建模尤其包括废气后处理系统的子模型、燃烧模型和/或控制器的、尤其发动机控制器的模型。

在步骤203中，模拟地针对步骤201的由行驶走势和所属的行驶路线组成的代表性的配对借助于车辆模型或步骤202的驱动系统的模型来计算废气排放。然后在步骤204中存储或分析模拟的结果。在此，模拟的数量例如可以处于大约10000h的数量级。此外，模拟的分布可以与真实运行中的行驶走势和行驶路线的实际分布相应或近似。特定的行驶走势和行驶路线的相关性或统计频度可以在根据计算出的废气排放匹配驱动系统时被考虑。

图3示例性地示出了用于机器学习系统的计算机实现的训练方法，利用该训练方法可以生成代表针对图2所描述的方法的、由行驶走势和所属的行驶路线组成的配对。

在数据库301中存储有车辆的行驶路线或路线。

在图3中，数据库301中的示例路线用311表示。在数据库302中存储有车辆的行驶路线或者路线连同相应所属的行驶走势。在图3中，数据库302中的示例性的由路线和所属的行驶走势组成的配对由321表示。数据库302中的行驶走势在此对应于在车辆的行驶运行中测定或测量的行驶走势。也就是说，行驶走势优选在用车辆实际驶过所属的路线时由车辆的传感器检测和存储。数据库301和302在整个系统中特别是在能够机读的存储器上实现。在此，用数据库仅表示系统地存储在能够机读的存储器上的数据。

现在，在机器学习系统304中，发生器341要被训练用于，针对数据库301的路线生成行驶走势。这些行驶走势优选应根据随机的输入参量来确定，为此在框303中可以提供随机参量、如随机矢量。在框303中尤其可以实现随机发生器，其中在此该随机发生器也可以是指伪随机发生器。

由发生器341生成的行驶走势优选应当与在行驶运行中测定的、来自数据库302的行驶走势尽可能不可区分或几乎不可区分。为此，鉴别器342被训练为能够尽可能好地在由发生器341生成的行驶走势和由数据库302提取出的行驶走势之间进行区分，或者能够在相应的由行驶走势和路线特性组成的配对之间进行区分。学习系统在此应该不仅生成单个行驶走势，这些行驶走势尽可能不能或几乎不能与单个在行驶运行中测定的行驶走势区分开。相反，所生成的行驶走势在输入参量的参数空间中的分布也应该尽可能接近在行驶运行中测定的行驶走势在输入参量的参数空间中的分布，即实现行驶走势的代表性的分布。

机器学习系统304的训练为此包括目标函数305的优化，根据该目标函数来匹配发生器341的和鉴别器342的参数。

以下将参照图3更详细地描述机器学习系统304的所提出的训练。

在数据库301中的路线特别是作为离散的数据点的序列予以存储，其中对于每个数据点或每个离散化步而言以该离散化步来存储路线特性。

例如，数据库1中的路线r具有长度N：r＝（r₁，...，r_N）。每个数据点r_t对应于一个离散化步。特别优选的是其中离散化步对应于时间或空间离散化的实现方案。在时间离散化时，数据点分别对应于从路线开始起所经过的时间并且因此数据点的序列对应于时间走势。在空间离散化时，数据点分别对应于沿着路线所经过的路段。

采样率通常是恒定的。在时间离散化中，采样率例如可以定义为x秒，在空间离散化中例如定义为x米。

路线的每个数据点r_t描述了在相应的离散化步处的路线特性，也就是说r_t∈R^D。D是路线特性的数量，其中，在此多维路线特性的每个维度被计数为一维路线特性的维度。

这样的路线特性例如可以分别关于离散化步、特别是时间点或时间间隔或位置或路段或距离：

- 地理特征，如绝对高度或坡度，

- 交通流量特性，如交通的时间相关的平均速度，

- 行车道特性，如车道数量、行车道类型或行车道曲率，

- 交通引导特性，如速度限制、交通信号灯数量或特定交通指示牌的数量，特别是停车或让行，或者人行横道，

- 天气特性，如在预先给定的时间点的雨量、风速、雾的存在。

从数据库301中选择路线并在步骤313中将其传输给发生器341。

另外优选地，在框303中测定随机矢量并在步骤331中将其传输给发生器341。提取、即随机测定随机矢量z。在此，尤其适用z ∈R^L，其中L可以可选地取决于路线的长度N。分布优选固定到简单的分布族、例如高斯分布或均等分布，由所述分布来提取z。

现在，发生器341的输入参量优选地由变量、随机矢量z和路线r组成。与纯粹随机地生成到发生器341中的输入不同，所生成的行驶走势因此可以针对特定的路线特性予以调整（konditionieren）。例如，可以通过对不同的z进行采样来针对相同的预先给定的路线r生成不同的行驶走势。在此，数据库301中的路线r的路线特性可以是实际测量的路线特性、由专家定义的路线特性或通过机器学习系统、例如神经网络学习得到的路线特性。具有由这些变型方案中的两种或三种变型方案来创建的路线特性的路线也可以在数据库301中予以提供。

在一种示例性的应用情况中，在该应用情况中所生成的行驶走势用于确定车辆的驱动系统的排放特性，例如可以通过有针对性地改变一些路线特性，生成匹配的行驶走势并针对这些曲线模拟排放来有针对性地研究特定的路线特性对燃烧过程中的排放产生的影响程度。这允许例如针对特定的、例如针对例如控制器中的特别要求的路线曲线，特别是驱动系统的控制机构的参数来有针对性地优化驱动系统的参数。

发生器341现在根据输入参量、随机矢量（步骤331）并且根据所选择的路线（步骤313）来生成行驶走势。为此目的，发生器342具有计算机实现的算法，利用该算法来实现生成模型并输出行驶走势（步骤343）。

由发生器341生成的这种行驶走势可以例如输出为𝑥＝（𝑥₁，...，𝑥_𝑁）并且因此具有与如下路线相同的长度N，所述行驶走势针对该路线予以调整。然而替代地，路线特性例如也可以关于位置离散化地存在，但是生成的速度关于时间离散化。为此，在从上一个位置开始的每个单个步骤之后，可以关于生成的速度来计算下一个离散化时间点，并且然后可以将该位置处的路线特性用作x _{t+1}的输入。

行驶走势针对所选择的并且传输给发生器的、来自数据库301的路线来调整。同一条路线的可能的行驶走势的方差由z的随机分布来映射。生成模型通过参数𝜃_G进行参数化。例如，生成模型的架构可以是递归神经网络。通过将实现生成模型的算法和模型的参数存储在能够机读的存储器中，通过处理器处理算法的计算步骤并将生成的行驶走势存储在能够机读的存储器中，来实现发生器的计算机实现。

在一种可能的设计方案中，可以以固定的长度、即以固定数量的离散化步或数据点来生成行驶走势。当生成较长的行驶走势时，必须将生成的多个短时间顺序链接在一起。但是，过渡在此通常是不一致的。在一种替代的设计方案中，该方法可以以这样的方式扩展，使得也可以生成或评估任意长度的行驶走势，并且该过渡总是与学习的过渡模型一致。为此，发生器和鉴别器优选都被实现为递归神经网络，例如被实现为长短期记忆（LSTM）神经网络或门控递归单元（GRU）。在架构上，发生器优选地被设计为序列到序列模型，但是也可以被实现为矢量到序列模型。鉴别器优选地被设计为序列到标量模型，但是也可以被实现为序列到序列模型。

针对作为递归神经网络的生成模型的架构存在不同的可选方案。

例如，可以针对整个行驶走势采样全局随机矢量z，其中名称全局又可以指代时间或空间离散化。在这种设计方案中，在潜在空间中会考虑或学习全局地改变行驶走势的特性，例如关于路线恒定的特性、诸如恒定的驾驶员特性（例如年龄或经验），恒定的天气特性（例如连续下雨）或恒定的车辆特性（例如机动性）。现在，可以在第一时间步中使用此随机矢量来初始化隐藏状态（隐藏状态），和/或在每个时间步中将其输送至递归神经网络。

也可以对局部或暂时的随机矢量z进行采样，即在潜在空间中，考虑或学习会局部或暂时改变行驶走势的特性，例如短期特性、诸如短期的交通引导或交通流量特性（交通信号灯的状态，交叉路口的拥堵，行车道上的行人）。在此，在以M为间隔的时间步中重新生成一个随机矢量并将其输送到递归神经网络，其中M>0。 N也可以是随机的，即随机矢量也可以以随机的间隔改变。

在一种优选的设计方案中，也可以实现全局的和局部的或暂时的随机矢量的组合。在此，随机矢量的一些维度针对每个行驶走势仅采样一次，其余的维度每M个时间步发生改变。替代地，对此原则上也可以在每个时间步中将全局随机矢量输送到递归神经网络，其中每M个时间步用局部（即，重新采样的）随机矢量替换该全局随机矢量。

全局和局部的随机矢量的组合被证明是特别有利的，因为由此数据中的方差不仅可以基于全局影响而且可以基于局部或暂时影响得到映射。

优选地，在生成模型中也可以考虑预见性的或预测性的行驶。

因此，在一种可能的设计方案中，在通过发生器41计算时，在时间点t的路线特性r_t可选地通过路线特性r_t+1、…、r_t+m予以扩展或者补充。该设计方案在在线计算中，即在有限的计算资源的情况下是特别有利的，或者如果随后的路线特性的影响可以或应该限制到几个离散化步。

替代地，双向递归神经网络可以被用作生成模型，在该生成模型中附加地考虑到递归神经网络的随后的单元的隐藏状态（隐藏状态）。由此可以明确地将所有可能的将来的时间步一同包括在内。

也就是说，代替在时间点t生成速度，仅针对在当前的时间点t（以及必要时针对在时间点t-1的隐藏状态）的路线特性予以调整，也可以将用于在时间点t生成速度的将来的路线特性一同包括在内。因此，除了在时间点t的路线特性之外，在时间点t的速度的生成也针对时间点t+1、t+2、…、t+m （或其子集）的路线特性来调整。由此能够实现，对所谓的“预见性的行驶”进行模拟，例如驾驶员对在距离上已经可见的路线特性（例如交通信号灯、速度限制、高速公路出口等等）特别是在速度匹配的意义上作出提前反应。此外，所述算法能够学习在路线结束时回到速度0，例如其方式是在路线结束时仅还存在用于将来的路线特性的默认值、像比如0。

在数据库302中的路线特别是作为离散的数据点的序列予以存储，其中对于每个数据点或每个离散化步以所述离散化步来存储路线特性。

例如，数据库302中的路线r具有长度S：r＝（r₁，…，r_S）。每个数据点r_t对应于一个离散化步。特别优选的是在其中离散化步对应于时间或空间离散化的实现方案。在时间离散化时，数据点分别对应于从路线开始起所经过的时间并且因此数据点的序列对应于时间走势。在空间离散化时，数据点分别对应于沿着路线所经过的路段。

采样率通常是恒定的。在时间离散化中，采样率例如可以定义为x秒，在空间离散化中例如定义为x米。

路线的每个数据点r_t描述在相应的离散化步处的路线特性，也就是说。D是路线特性的数量，其中，在此多维路线特性的每个维度被计数为一维路线特性的维度。

这样的路线特性例如可以分别关于离散化步、特别是时间点或时间间隔或位置或路段或距离：

- 地理特征，如绝对高度或坡度，

- 交通流量特性，如交通密度或交通的时间相关的平均速度，

- 行车道特性，如车道数量、行车道类型或行车道曲率，

- 交通引导特性，如速度限制、交通信号灯数量或特定交通指示牌的数量，特别是停车或让行或者人行横道，

- 天气特性，如在预先给定的时间点的雨量、风速、雾的存在。

在此，这些路线特性优选地是指与在第一数据库中针对路线所存储的路线特性相同类型的路线特性。

以这种方式确定的路线分别与配属于路线的、在行驶运行中实际测量的行驶走势一起存储在数据库302中。由这些路线和所属的行驶走势组成的配对用作机器学习系统的训练数据。对于该训练，特别是选择由路线和所属的行驶走势组成的配对并且在步骤323和324中将其传输给鉴别器342。另外，在步骤314或343中也将由数据库301的路线和通过发生器341根据该路线生成的行驶走势组成的配对传输给鉴别器342。

鉴别器342具有计算机实现的算法，利用该算法实现鉴别模型。鉴别器342获得由路线和所属的行驶走势组成的配对作为输入参量，并判定所看到的配对是否包含（通过发生器341）所生成的或（从数据库302获得的）实际测量的行驶走势。该判定的结果在步骤344中输出。例如，鉴别器342可以针对判定“真实的行驶走势”输出值>0，并且针对判定“生成的行驶走势”输出值<0。替代地，例如也可以输出先前确定的值、例如类别标签。鉴别模型通过参数𝜃_D进行参数化。该判定的输出44尤其包括关于二元判定“是” /“否”的评价。

通过将实现鉴别模型的算法和模型的参数存储在能够机读的存储器中，通过处理器处理算法的计算步骤并将输出存储在能够机读的存储器中，来实现鉴别器的计算机实现。

鉴别器342可以例如被实现为递归神经网络。特别地，可以评估任意长度的行驶走势。

针对评估（判定生成的行驶走势与在行驶运行中测定的行驶走势轨迹）存在多种设计方案。尤其可以在单个时间步之后重新输出评估。于是，行驶走势的全局评估例如是单个评估的平均值或多数判定。替代地，也可以仅在最后一个时间步对整个行驶走势进行评估。后一种设计方案特别节省了额外的计算步骤并具有进一步的优点，即整个行驶走势也同样纳入了评估。

根据鉴别器342的输出344，在框305中优化目标函数，特别是使损失函数最小化。为此，将鉴别器的输入参量尤其标记为真实样本（即，具有在行驶运行中确定的行驶走势的配对）或标记为生成的样本（即，具有由发生器341生成的行驶走势的配对）。在此，目标函数表征所生成的行驶走势与实际测量的行驶走势相对应的程度，或者所生成的行驶走势在参数空间中的分布与所测量的行驶走势在参数空间中的分布相对应的程度。取决于目标函数的匹配，发生器341的或在那里实现的生成模型的参数𝜃_G以及鉴别器342的或在那里实现的鉴别模型的参数𝜃_D被匹配。在此，这些参数特别是关于目标函数的梯度进行匹配。

如此选择目标函数，使得该目标函数表征或表示所生成的行驶走势的分布与在行驶运行中测定的行驶走势的分布之间的差异或间距，或者表征或表示在具有所生成的行驶走势的路线-行驶走势-配对的分布与具有在行驶运行中测定的行驶走势的路线-行驶走势-配对的分布之间的差异或间距。通过选择这样的目标函数，可以这样来训练机器学习系统，使生成的数据的分布反映出所测量的数据的分布的全部方差。防止了所谓的模式崩溃。这意味着提供了行驶走势的代表性分布。目标函数在此尤其也考虑到不可观察的影响的方差。

为此，优选选择损失函数（损失）作为目标函数，该损失函数被实现为水石度量（Wasserstein-Metrik）或分布之间的水石间距。

在计算机实现的训练的设计方案中，鉴别器应当优选地限于由利普希茨限制（Lipschitzbeschränkt）的函数。在一种优选的设计方案中，为此通过正则化项来扩展目标函数，例如将梯度惩罚（梯度惩罚）或将（i）真实样本的梯度（即，具有在行驶运行中确定的行驶走势的配对）定中（zentrieren）为0或（ii）生成的样本（即具有生成的行驶走势的配对）的梯度定中为0或（iii）代表真实的样本和生成的样本的平均值的样本的梯度定中为1。特别优选地，在此进行可选方案“真实样本的梯度定中为0”，因为这已被证明是最快的可选方案并且导致优化问题的收敛速度特别快。替代地，可以在每个梯度步之后进行权重裁剪（weight clipping）。

上面描述的用于对包括发生器341和鉴别器342的整个学习系统进行计算机实现的训练的方法可以被描述为最小-最大训练目标。在此，鉴别器342最大化其正确的分类率，而发生器341通过尽可能生成误导鉴别器341的行驶走势来最小化正确的分类率。

除了发生器341的所描述的输入参量之外，也可以给发生器提供其它输入参量，例如其方式是，所述输入参量分别针对每个行驶路线存储在数据库301中。例如，对于每个行驶路线，除了离散的路线信息之外，也可以存储所属的关于驾驶员特性（如经验、年龄、攻击性或驾驶风格等）或车辆信息（如功率、机动性、驱动系统类型等）的信息。因此，所生成的行驶走势也可以根据这些附加的信息来调整。在这种情况下，为了训练机器学习系统304，也有利地分别针对存储在数据库302中的行驶路线来存储相应的信息。对于来自数据库301的路线信息（步骤314）以及来自数据库302的路线信息（步骤323），将该附加信息作为输入参量提供给鉴别器。

图4示例性地示出了用于机器学习系统404的替代的计算机实现的训练方法。

在此，学习系统404的发生器441基于随机矢量生成行驶走势和所属的行驶路线，所述发生器从框403、特别是随机发生器中在步骤431中作为输入参量得到所述随机矢量。行驶走势或行驶路线在步骤413或443中作为分别所属的配对作为输入参量提供给鉴别器442。该鉴别器按照上述方法对此进行优化，以便将所述配对与由行驶走势和行驶路线组成的配对区分开，该鉴别器在步骤423或424中作为输入参量从数据库402中得到所述行驶路线和行驶路线。如上文关于数据库302所述，车辆的行驶路线与相应所属的、在行驶运行中测量的行驶走势共同地存储在该数据库402中。在图4中以421来表示数据库402中的示例性的由路线和所属的行驶走势组成的配对。再次如上所述地进行鉴别器的输出444和目标函数405的依赖于此的计算以及在步骤451中发生器441的参数以及在步骤452中鉴别器442的参数的优化。特别地，目标函数405又描述由所生成的行驶走势和行驶路线组成的配对与实际所测量的、存储在数据库402中的由行驶走势和行驶路线组成的配对之间的间距。目标函数405的选择可以如针对目标函数305在图3中所描述的那样进行。

利用所描述的训练方法进行学习的计算机实现的机器学习系统能够生成行驶路线的代表性的行驶走势或由行驶走势和行驶路线组成的代表性的配对。为此，可以向这样学习的机器学习系统的发生器输送与训练中相同类型的输入参量，即特别是路线或随机参量以及必要时的其它信息，并且该发生器生成所属的行驶走势或行驶走势和行驶路线。

图5中示出了用于降低具有内燃机的车辆的废气排放的示例性方法。

在框51中，生成表示真实行驶运行的行驶走势或由行驶走势和行驶路线组成的代表性的配对。

在框52中，模拟地针对所生成的行驶走势（例如取决于所生成的速度走势）或针对由所生成的行驶走势和所属的行驶路线（例如取决于所生成的速度走势和特定的路线信息、如坡度走势）组成的配对来计算相应的废气排放。所计算的废气排放在此可以包括排放走势（在时间上或在位置上离散化）和总排放，例如划分为不同的排放类别（例如NOx、CO₂等）。在此，整个模拟尤其包括如下闭环模拟，该闭环模拟能够测定对于尽可能精确的排放模型所需的与废气相关的输入参数，像比如空气质量、喷射量、空气比例、废气再循环率、发动机温度或点火时间点或喷射时间点。

在框53中，可以进行模拟结果或计算的废气排放的分析和/或准备。最后，在框54中，根据所计算的废气排放中的至少一种来进行车辆的驱动系统的匹配，其中根据所计算的废气排放中的至少一种的程度或者走势以及根据相应的第一行驶走势的统计频度来进行该匹配。在此，相应的第一行驶走势的统计频度借助于第一行驶走势的统计分布来测定。

在此，在可选的第一步骤511中可以进行相关的车辆或者行驶路线选择或者可以定义相关的车辆车队。在步骤512中，所有从现场数据采集中获得的行驶路线的整体对于该选择或车辆车队而言都在数据库中予以提供。

在步骤513中，可以从数据库中提供的行驶路线的总量中选择代表性的行驶路线。在此也可以使用机器学习方法，像比如聚类算法。目的尤其是，这样选择行驶路线的子集，使得它们对应于总的行驶统计。例如，城市中的行程的频度应当对应于真实频度分布，并且特性，比如时间分配（例如高峰时段）、行程持续时间、行驶间距、坡度份额的分布等同样应当对应于真实频度分布。这在可供用于优化要求的行驶路线数据组不能充分地代表实际上在真实的行驶运行中遇到的频度或出现的分布时是特别有利的。

在514中，然后可以借助于基于现场数据训练的机器学习系统来生成所属的行驶路线的行驶走势，以便关于行驶走势来正确地映射统计。

行驶路线和所属的生成的行驶走势分别形成如下配对，所述配对的分布代表实际在行驶运行中出现的、由行驶路线和行驶走势组成的配对，或者所述配对的分布取决于实际在行驶运行中测量的配对的分布，或者跟随或近似于所述分布。

在步骤521中，所生成的行驶走势的配对和必要时所属的行驶路线或者说所属的行驶路线的路线信息作为输入参量输入到驾驶员模型中。在这种驾驶员模型中例如计算踏板位置的走势和档位信息的走势。这样生成的档位信息又可以在步骤522中作为输入参量输入到车辆基础模型中，该车辆基础模型例如计算车辆速度。在步骤522中计算的车辆速度和在步骤521中计算的踏板位置可以在步骤523中作为输入参量被输入到控制器的模型中，例如输入到在其上运行控制器软件的建模的发动机控制器中。控制器的模型基于输入参量例如计算控制参量，如虚拟控制器在引脚端（Pinlevel）上的信号。这些控制参量可以在步骤524中作为输入参量输入到驱动系统基础模型中。该驱动系统基础模型可以包括内燃机的模型以及必要时也可以包括其它模型，例如在混合系统的情况下包括电动机的模型。在该驱动系统基础模型中，可以基于输入参量一方面例如计算转矩，该转矩又可以在步骤522中作为输入参量输入到该车辆基础模型中。另一方面，例如可以计算其他的参量，如冷却器温度、空气质量流量、废气再循环流量、燃料质量流量、点火时间点或点火角度、喷射时间点等。这些另外计算的参量可以作为输入参量在步骤525中输入到发动机原始排放的模型中。在此，原始排放的模型尤其可以作为基于数据的模型实现，例如作为贝叶斯回归模型。基于这些输入参量，在原始排放的模型中可以计算与废气相关的参量，如用于不同废气组分的废气质量流量、废气压力、废气温度、废气成分等。这些计算出的与废气相关的参量可以在步骤526中作为输入参量输入到一个或多个废气后处理模型的模型中。这些模型可以包括废气后处理组件（例如催化器）或废气后处理方法（例如，选择性催化还原）的模型。基于输入参量，废气后处理模型可以计算废气排放。在此，尤其可以输出排放走势、总排放和/或排放的组成或者优选根据排放的类型单独细分的排放量的走势、例如根据时间或位置离散化的走势。

在步骤531中，可准备或分析计算的行驶走势特定的废气排放。尤其可以分析行驶走势或由行驶走势和行驶路线组成的配对（已针对其计算了废气排放）是否已经充分地覆盖待观察的总空间，或者已经考虑的行驶走势和行驶路线的分布是否已经充分地近似实际的分布。为了随后的匹配，可以选择特定的例如在统计学上特别相关的行驶走势或针对这些计算出的废气排放进行选择。在步骤532中，例如可以针对特别的事件自动地搜索所选择的行驶走势或废气排放，例如针对特别高的平均排放、特别高的总排放或特别高的、例如超过界限的排放最大值。

根据在步骤526中计算出的废气排放并且必要时根据在步骤531和532中的分析和准备，在步骤541中进行驱动系统的匹配以降低废气排放。

在此，驱动系统的匹配优选自动地基于所计算的废气排放中的至少一种在考虑相应的行驶走势或相应的行驶路线的统计相关性（特别是其在真实的行驶运行中的重要性或频度）的情况下实现。借助于模拟结果在此可以匹配驱动系统的硬件拓扑结构、驱动系统的硬件组件、驱动系统的控制软件的调控功能或驱动系统的控制软件的软件参数，从而优选设定全局的排放最优值，即在考虑特定的行程的频度（例如通过在行驶走势的出现概率和其累计的排放值的乘积上的加权积分）的情况下在真实行驶中的总排放的降低。

优化的自动化可以通过改变计算机实现的建模中的至少一个参数来实现，所述计算机实现的建模测定参数的改变对所计算的废气排放的影响并且根据改变进行优化。在此，该过程尤其迭代地进行，也就是说，在循环中根据确定的参数变化对所计算的废气排放的影响分别这样地进行参数的进一步改变，使得参数的改变导致所计算的废气排放的最小化。然后可以根据这样测定的最佳参数进行驱动系统的优化。在此，改变的参数可以对应于驱动系统的改变的硬件拓扑结构、驱动系统的改变的硬件组件、驱动系统的控制软件的改变的调控功能或驱动系统的控制软件的改变的软件参数。在一种优选的设计方案中，这种关于总排放的优化关于所有考虑的行程进行。为此，优选地针对迭代优化的每个步骤执行关于所有行驶走势或行驶路线的完整模拟，以便能够考虑参数改变对总排放的影响。

所生成的行驶走势或行驶路线因此可以用于模拟车辆的排放并且因此用于概率性的评价以遵守废气标准和用于排放优化，从中通过匹配驱动系统而导出排放优化。这种匹配可以在驱动系统的研发中进行，其中，这样匹配的驱动系统例如通过匹配驱动系统的拓扑结构或组件或者通过匹配软件功能相应地制造和设置并且使用在车辆中，由此实现废气排放的降低。该匹配也可以在驱动系统的数据应用中、例如通过给用于驱动系统控制机构的控制器加载数据来进行，其中，这样应用的驱动系统或控制器然后被使用在车辆中，由此实现废气排放的降低。所述匹配也可以在车辆本身中（“在线”）进行，例如通过控制功能的软件更新或者通过参数更新或者通过车辆中的参数的匹配来进行，由此直接实现废气排放的降低。

Claims (21)

1.一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法，其特征在于以下步骤：

-通过计算机实现的机器学习系统来产生多个第一行驶走势(51)，其中，第一行驶走势的统计分布取决于行驶运行中测量的第二行驶走势的统计分布，

-借助于车辆的或车辆的驱动系统的计算机实现的建模来计算用于第一行驶走势的相应的废气排放(52)，

-根据所计算的废气排放中的至少一种来匹配车辆(53)的驱动系统，其中，根据所计算的废气排放中的至少一种的程度或走势以及根据相应的第一行驶走势的统计频度来进行所述匹配，其中，借助于第一行驶走势的统计分布来测定相应的第一行驶走势的统计频度。

2.根据权利要求1所述的方法，其特征在于，所述第一和第二行驶走势表示车辆的动力传动系的能够用传感器测量的物理特性或技术特性，所述物理特性或技术特性表征车辆的继续运动。

3.根据权利要求1或2所述的方法，其特征在于，所述第一行驶走势和所述第二行驶走势表示速度走势、加速踏板的位置的走势、离合器踏板的位置的走势、制动踏板的位置的走势或变速器传动比的走势。

4.根据权利要求1或2所述的方法，其特征在于，分别针对所属的第一行驶路线生成第一行驶走势。

5.根据权利要求4所述的方法，其特征在于，根据所述第一行驶走势和/或所属的第一行驶路线来计算用于所述第一行驶走势的相应的废气排放。

6.根据权利要求4所述的方法，其特征在于，第一行驶走势的统计分布包括具有相应所属的第一行驶路线的第一行驶走势的统计分布，并且在行驶运行中测量的第二行驶走势的统计分布包括具有相应所属的在行驶运行中测量的第二行驶路线的第二行驶走势的统计分布。

7.根据权利要求5所述的方法，其特征在于，所述第一行驶路线通过所述计算机实现的机器学习系统来生成，或者通过另一计算机实现的机器学习系统来生成。

8.根据权利要求4所述的方法，其特征在于，所述第一行驶路线包括路线特性。

9.根据权利要求1或2所述的方法，其特征在于，所述机器学习系统利用计算机实现的训练进行学习，所述训练包括以下步骤：

-从具有行驶路线的第一数据库中选择第一行驶路线，

-机器学习系统的发生器获得第一行驶路线作为输入参量，并且针对所述第一行驶路线生成相应所属的第一行驶走势，

-在第二数据库中存储有行驶路线和相应所属的、在行驶运行中检测到的行驶走势，

-从第二数据库中选择第二行驶路线以及相应所属的在行驶运行中检测到的第二行驶走势，

-机器学习系统的鉴别器获得由具有相应所属的生成的第一行驶走势的第一行驶路线之一所组成的配对和由具有相应所属的在行驶运行中检测到的第二行驶走势的第二行驶路线所组成的配对来作为输入参量，

-鉴别器根据输入参量来计算如下输出，所述输出表征每个作为输入参量所获得的配对是指具有生成的第一行驶走势的配对还是指具有在行驶运行中检测到的第二行驶走势的配对，

-根据鉴别器的输出来优化目标函数，该目标函数表示在具有生成的第一行驶走势的配对的分布和具有在行驶运行中检测到的第二行驶走势的配对的分布之间的间距。

10.根据权利要求1或2所述的方法，其特征在于，所述机器学习系统利用计算机实现的训练来学习，所述训练包括以下步骤：

-所述机器学习系统的发生器获得第一随机矢量来作为输入参量，并且分别针对第一随机矢量生成第一行驶路线和所属的第一行驶走势，

-在数据库中存储有行驶路线和相应所属的、在行驶运行中检测到的行驶走势，

-从所述数据库中选择第二行驶路线以及相应所属的在行驶运行中检测到的第二行驶走势，

-机器学习系统的鉴别器获得由生成的第一行驶路线和相应所属的生成的第一行驶走势所组成的第一配对以及由第二行驶路线和相应所属的在行驶运行中检测到的第二行驶走势所组成的第二配对来作为输入参量，

-所述鉴别器根据输入参量来计算如下输出，所述输出表征每个作为输入参量获得的配对是指由生成的第一行驶路线和相应所属的生成的第一行驶走势所组成的第一配对还是指由第二行驶路线和相应所属的在行驶运行中检测到的第二行驶走势所组成的第二配对，

-根据鉴别器的输出，优化目标函数，该目标函数表示在第一配对的分布和第二配对的分布之间的间距。

11.根据权利要求9所述的方法，其特征在于，根据所述目标函数的优化来如此匹配所述机器学习系统的参数，使得

-所述鉴别器被优化用于区分所生成的第一行驶走势和在行驶运行中检测到的第二行驶走势，

-所述发生器被优化用于以第一分布来生成所生成的第一行驶走势，通过所述鉴别器尽可能难以将所生成的第一行驶走势与以第二分布存在的、在行驶运行中检测到的第二行驶走势区分开。

12.根据权利要求11所述的方法，其特征在于，根据所述目标函数的梯度来匹配所述机器学习系统的参数。

13.根据权利要求9所述的方法，其特征在于，将在第一行驶走势的第一分布与第二行驶走势的第二分布之间的统计间距实现为目标函数。

14.根据权利要求9所述的方法，其特征在于，所述发生器和/或鉴别器分别被实现为神经网络。

15.根据权利要求1或2所述的方法，其特征在于，车辆的或车辆的驱动系统的建模包括内燃机的模型和/或内燃机的废气后处理系统的模型和/或发动机控制器的模型和/或燃烧过程的模型。

16.根据权利要求1或2所述的方法，其特征在于，所述匹配通过匹配驱动系统的拓扑结构或组件、通过匹配在驱动系统中设置的软件的控制功能、通过匹配在驱动系统的应用中的参数或者通过匹配在车辆中的驱动系统的运行中的控制参量来进行。

17.根据权利要求1或2所述的方法，其特征在于，从大量第三行驶走势中选择第二行驶走势。

18.根据权利要求17所述的方法，其特征在于，如此选择第二行驶走势，使得所述第二行驶走势的分布对应于实际行程的分布。

19.根据权利要求4所述的方法，其特征在于，所述第一行驶路线包括地理特性、交通流量特性、行车道特性、交通引导特性和/或路线的天气特性。

20.根据权利要求9所述的方法，其特征在于，所述发生器和/或鉴别器分别被实现为递归神经网络。

21.一种能够机读的存储介质，在所述存储介质上存储有计算机程序，该计算机程序被设置用于执行根据前述权利要求中任一项所述的方法。

Images