CN112298189A - 用于训练神经元网络的方法、用于估计摩擦系数的方法和设备及机器可读的存储介质 - Google Patents

Abstract

本发明涉及一种用于训练用于估计车轮相对于地面的摩擦系数的神经元网络的方法、一种用于估计摩擦系数的方法和相应设备以及机器可读的存储介质，其中，提供至少一个特定于摩擦系数的传感器类型的离散数据序列(311、312、313、314)(S1)；提供车轮的有限加速度范围的用于车轮的至少一个行驶动态传感器类型的离散数据序列(311、312、313、314)(S2)；同步(S3)至少两个离散数据序列(311、312、313、314)；提供针对车轮的主动确定的摩擦系数(S5)；借助所述离散数据序列(311、312、313、314)生成用于神经元网络(320)的输入张量(S4)；借助输入张量来训练神经元网络(S7)，以便来估计摩擦系数。

Description

用于训练神经元网络的方法、用于估计摩擦系数的方法和设 备及机器可读的存储介质

技术领域

本发明涉及一种用于训练神经元网络的方法和一种利用经训练的神经元网络来估计车轮相对于地面的摩擦系数的方法。

背景技术

道路状况对于车辆的行驶、对于普遍的道路安全性至关重要，道路状况在事故中起着关键作用。如果例如在(轮胎)滑水或冬季条件下，例如大雨、雪或冰，超过了车轮与行车道之间的最大摩擦系数，则由于车轮对行车道的附着力损失而面临不稳定的行驶状况。对于多个驾驶员辅助系统以及对于部分自动化的车辆，重要的是，不要超过最大摩擦系数，以便始终保证安全行驶状态或者必要时终止自动驾驶功能。

现代机动车具有调节装置如行驶动态调节(ESP，电子稳定程序)。在此，电子稳定程序基本上也是一种侧滑调节系统。然后，当出现临界的行驶状况时，安全系统如防抱死系统(ABS)或牵引力控制系统(TCS)进行干预。

在调节装置干预期间，可以通过测量来求取实际的摩擦系数，从而在这种情况下存在可靠的值。然而，由于驾驶员辅助系统的干预在正常行驶行为中相当少见，因此在车辆运行期间通常很少存在关于当前现有的最小摩擦系数的信息。那么久必须对最大摩擦系数进行估计。

通常，上面所提及的调节设备具有多个用于求取机动车的车轮与行车道之间的当前摩擦系数的装置。在此，这些所谓的摩擦系数估计器是针对不同的驾驶员辅助装置专门设计的，并且彼此独立。

发明内容

轮胎-行车道摩擦的估计主要基于摩擦系数的与滑移相关的建模。根据道路中间层例如干沥青或湿沥青而定，这种相关性显示出非常特定的特性曲线，该特性曲线可以被用于估计最大可能的摩擦(μmax)，其中，这种估计基于特性曲线在线性区域中的斜率。

本发明公开一种用于训练神经元网络的方法、一种用于借助经训练的神经元网络来估计摩擦系数的方法、一种设备、一种计算机程序以及一种机器可读的存储介质，所述方法、设备、计算机程序以及存储介质至少部分地解决上面所提及的任务。

本发明基于以下知识：在多个传感器安装在现代车辆中并且不仅可以提供特定于摩擦系数的数据序列而且可以提供行驶动态的数据序列的情况下，用于估计摩擦系数的神经元网络可以在没有模型假设的情况下借助主动确定的摩擦系数来训练。

在本发明的整个说明书中，方法步骤的顺序是这样描述的，使得该方法易于理解。然而本领域技术人员将会看出，许多方法步骤也可以以其他顺序执行，并且导致相同的或相应的结果。在这个意义上，方法步骤的顺序可以被相应地改变。

根据一个方面，给出一种用于训练用于估计车轮相对于地面的摩擦系数的神经元网络的方法。在一个步骤中，提供至少一个特定于摩擦系数的传感器类型的离散数据序列。在另一步骤中，提供该车轮的有限加速度范围的针对该车轮的至少一个行驶动态传感器类型的离散数据序列。在另一步骤中，将这至少两个离散数据序列同步。在另一步骤中，提供车轮的主动确定的摩擦系数，该摩擦系数对于所述离散数据序列是特定的。另一步骤借助特定于摩擦系数的传感器类型和行驶动态传感器类型的离散数据序列生成用于神经元网络的输入张量。

在另一步骤中，借助至少特定于摩擦系数的传感器类型和行驶动态传感器类型的多个不同数据序列形成这样生成的多个输入张量，所述多个输入张量分别具有从属的、主动确定的摩擦系数。在另一步骤中，用具有分别特定的、主动确定的摩擦系数的所述多个输入张量来训练神经元网络，以便借助至少特定于摩擦系数的传感器类型和行驶动态传感器类型的离散数据序列来估计摩擦系数。

在此，特定于摩擦系数的传感器类型理解为这种传感器类型：这些传感器可以确定影响所确定的车轮相对于地面的摩擦系数的因素。这例如尤其是外部影响因素，例如温度，地面上的附加层(例如水或冰)，但也可以是地面本身的类型和性质，以及车轮的材料、性质和几何特征。

图1示例性地示出在不同地面特质情况下附着力或者说摩擦系数μ与滑移λ的典型相关性。根据干燥度110或雪120和冰130，得出具有不同最大摩擦系数的不同的摩擦系数变化过程。

行驶动态传感器类型描述记录允许推断出车辆动态行驶过程的数据或数据序列的传感器类型，该车辆至少部分地由所述车轮驱动或稳定并且也包含车轮本身的行驶动态数据序列。但仅提供从车辆的有限加速度范围中所得的数据序列，即去除例如当自动安全系统介入时出现的数据序列。其理由是，应在正常运行中估计车辆的摩擦系数。因为当自动安全系统介入时，如上面按照现有技术所述，可以直接确定摩擦系数。但是，这种介入在正常的驾驶运行中仅偶尔发生，因此产生给出一种可以借以估计摩擦系数的方法的必要性。

在图1中，在曲线的第一部分，即在小的滑移λ时，可以看到摩擦系数μ关于滑移λ的函数的线性变化过程，其中，该线性变化过程的斜率说明纵向轮胎刚度或者也称轮胎刚度。在此，μ-λ曲线的斜率，即轮胎刚度，尤其与轮胎和可能的中间层的结构有关。软的轮胎(例如冬季轮胎)比硬轮胎具有明显更加平缓的μ-λ曲线。即，即使已经在有限的加速度范围内求取了行驶动态传感器类型的数据序列，也可以借助这些数据序列推断出摩擦系数。

由于训练神经元网络既借助特定于摩擦系数的传感器类型的数据或数据序列也借助行驶动态传感器类型的数据序列来估计摩擦系数，行驶动态与摩擦系数外部影响因素之间的复杂关系的基于模型的方案成为多余。特别是，由于该训练可以借助特定的车辆来执行，因此在估计摩擦系数时也考虑完全特定的车辆特性。

在此，数据序列的持续时间不必预先给定，而是可以适配于情况。特别是，也可以由不同的传感器类型提供相同长度的数据序列或确定时间区间的数据序列用于训练神经元网络。对于一些传感器类型，还可以通过说明值在确定时间区间的有效性来确定数据序列的持续时间。

由于不同的传感器类型在不同的时间点或以不同的频率生成数据，因此在该方法的同步步骤中可以通过这些数据可以设置有的时间戳来进行数据的时间同步。但是也可以在一个传感器类型的数据点之间进行内插补，以便执行与例如以不同频率生成数据的另一传感器类型的同步。

在后面阐述了用于生成主动确定的摩擦系数的不同方法，该摩擦系数被提供给用于训练神经元网络的方法。在确定相应的摩擦系数时，与离散数据序列的时间相关性是必要的，以便建立离散数据序列与待估计的摩擦系数之间的因果关系。根据用于主动确定摩擦系数的方法，该摩擦系数可以同时或以紧密的时间关系(即以保留函数因果关系的程度)随同离散数据序列以及也在确定离散数据序列之后进行确定。换句话说重要的是，将分别特定的、主动确定的摩擦系数分配给所述离散数据序列。

神经元网络为用于机器学习、用于协作和用于处理复杂数据输入的许多不同算法提供框架。这种神经元网络学习基于示例来执行任务，而典型地无需以特定于任务的规则进行编程。

神经元网络基于被称为人工神经元的连接单元或节点的集合。每个连接部都可以将信号从一个人工神经元传输到另一人工神经元。接收信号的人工神经元可以对信号进行处理，然后激活与其连接的另外的人工神经元。

在常规实现神经元网络时，人工神经元的连接部上的信号是实数，人工神经元的输出通过该人工神经元的输入的总和的非线性函数来计算出。人工神经元的连接部典型地具有随着学习进展而适配的权重。权重增加或减小连接部上的信号的强度。人工神经元可以具有阈，从而仅当总信号超过该阈时才输出信号。通常将多个人工神经元分层合并。不同的层对该层的输入可能执行不同类型的非线性变换。信号从第一层(输入层)传播到最后一层(输出层)，之前可能多次穿过这些层。

人工神经元前馈网络或循环神经元网络的架构可以是这样一种架构：该架构这样配置，使得该架构在其输入级接收相当于图或数据序列的单个数据模式并且提供输出分类向量，该输出分类向量将输入数据中的模式分配给不同的类。

根据该方法的一个方面提出，神经元网络是循环神经元网络(RNN)。这样的神经元网络被称为循环或反馈神经元网络：与前馈网络相反，这些神经元网络的特点在于，一个层的神经元连接至同一层或前一层的神经元。模型神经元的这种循环互连可以用于发现数据中的时间编码信息。

RNN是与其输入值的顺序属性有关的一类神经元网络。RNN基于这样的基础而开发：输入与先前的输入(值在时间序列中的次序)有关，其方式是，输入具有“存储器”，该存储器检测至今所看到的内容，所述所看到的内容对任意时间区间上的值的“记忆”负责。附加地，可以给出任意数量的输入时间序列，这为多变量的估计提供直接支持。这在分析时间序列观察来自多个来源并且具有多变量属性的车辆信号时特别有意义，例如速度、加速度、扭矩等的序列——全部与目标参量关联，在这种情况下为最大轮胎路面摩擦μmax。

机器学习算法可以自动从数据中学习并且做出预测或估计。对于最大摩擦预测任务这意味着必须收集“足够”的数据，这些数据包括干的和湿的路面、沥青路面和混凝土路面等多个场景，以便能够实现代表性模式的提取。也就是说，必须在从干到湿到冰的不同覆盖表面上执行测量，以便正确估计这些自变量对μmax的作用。

神经元网络可以借助训练数据(即借助训练张量)和测得的摩擦系数进行训练，以便从数据序列中再现摩擦系数。借助神经元网络的定义结构，每个神经元连接部例如获得随机的初始权重。然后将输入数据(即训练张量)给入到网络中，每个神经元以其权重对输入信号进行加权，并且将结果继续传递给下一层的神经元。然后在输出层提供整个结果。可以计算出摩擦系数再现的误差大小以及每个神经元在该误差中所占的份额，然后朝向使误差最小化的方向改变每个神经元的权重。然后进行递归运行、误差的重新测量和权重的适配，直到误差位于预给定的边界之下。

根据该方法的一个方面提出，输入张量分别借助第一多个特定于摩擦系数的传感器类型的一个提供的离散数据序列和第二多个行驶动态传感器类型的一个提供的离散数据序列来生成，其中，所有这些离散数据序列已经被彼此同步。

多个传感器类型可以包括例如两个或三个传感器类型，多个传感器类型还可以包括100个或更多个传感器类型，借助这些传感器类型的离散数据序列训练或使用神经元网络。在此，第一多个和第二多个传感器类型的数量可以不同。

如上所示，车轮相对于地面的摩擦系数受许多外部因素的影响，这些因素可以借助第一多个特定于摩擦系数的传感器类型在使用车轮的不同条件下来检测。特定于摩擦系数的对应传感器类型分别检测这些条件的不同特征，并且，由于这些第一多个传感器类型生成相应数量的数据段，因此可以将这些数据段提供给神经元网络以进行训练和估计摩擦系数，以便实现尽可能高的准确性和可靠性。

与单个行驶动态传感器类型相比，通过第二多个行驶动态传感器类型，可以更容易地推断设置有这种车轮的车辆的行驶动态行为且可以更可靠地检测。因此，如果在训练时和在借助神经元网络估计时都使用第二多个行驶动态传感器类型的数据段，则神经元网络关于摩擦系数的预测得到改善。

通过使用不同类型的传感器，在训练神经元网络时在无需另外的技术模型的情况下也可考虑用于估计摩擦系数的这样的因素：这些因素对于从不同传感器类型的数据序列中估计摩擦系数而言可能是不利的。例如，应当仅在没有换档过程或发动机扭矩发生变化或不存在不良路面状况时才确定摩擦系数。如果尤其借助行驶动态传感器类型的数据序列探测到这些状态，则神经元网络可以训练出来这些效应。

根据该方法的一个方面提出，所述至少一个行驶动态传感器类型是纵向加速度传感器、横向加速度传感器、横摆率传感器、车轮速度传感器、制动压力传感器或转向角传感器。

根据该方法的一个方面提出，所述至少一个特定于摩擦系数的传感器类型是数字摄像机系统、雷达系统、激光雷达系统、超声系统、光学地面探测系统、温度传感器、摩擦系数地图、导航系统或无线信息系统。

在此，不同的特定于摩擦系数的传感器类型探测可能与摩擦系数的水平相关的环境条件。例如，超声波传感器除了其作为距离探测器的任务之外还可以在行驶期间探测溅起的水，或者超声波传感器的超声波信号可以根据地面的性质接收不同的信号，这些信号对摩擦系数的水平有影响。雷达系统和激光雷达系统也可以探测车辆的地面或地面上的中间层的性质，并且因此提供用于估计摩擦系数的相关信息。

如果基于摩擦系数地图已知地面的类型，则这进一步改善摩擦系数的估计。在此，借助导航系统可以将车辆或车轮的位置分配给这种摩擦系数地图，或者可以从导航系统获取关于地面的其他信息。

此外，借助无线信息系统可以将关于地面的其他信息传输给车辆，并且在估计摩擦系数时考虑在内。此外，通过这种无线信息系统也可以从其他车辆或向其他车辆传输信息，这些信息改善摩擦系数的估计。

可以例如通过光学地面探测系统生成的直接信息或者关于环境或地面或行车道或车轮本身的温度数据可以进一步改善摩擦系数的估计。在此，不必为了使用这些数据来估计摩擦系数而存储函数模型，只需在用于神经元网络的训练数据集中包含足够的此类数据即可。不同传感器类型的数据序列可以经由车辆的总线系统(例如CAN总线)提供，并且以这种方式也可以将其他传感器灵活地整合到该方法中。

换句话说，用于训练用于估计摩擦系数的神经元网络的方法包括以下步骤：

1.在不同的道路结构类型(例如沥青或混凝土等)上在地面的不同条件或涂层的情况下(如在干的、湿的或结冰的状况下)对多个车辆传感器信号(例如车辆的加速度、速度、滑移、驱动扭矩等)进行代表性数据检测。可以从来自ABS或ESP等的干预信号来计算主动确定的摩擦系数μmax，这些干预信号用作训练神经元网络(尤其循环神经元网络)的地面真相标签(Ground-Truth-Label)。

2.将成对的长度为T的传感器信号的多变量时间序列和主动确定的摩擦系数μmax用于训练神经元网络以预测或估计μmax。神经元网络识别传感器信号的时间序列中的模式，以便“学习”μmax的与多变量顺序时间序列输入有关的行为。

通过一种用于借助相应地经训练的神经元网络来估计摩擦系数的方法，将该神经元网络用于在多个车辆中实时预测或估计最大摩擦，即摩擦系数，其中，该估计基于对车辆的不同传感器的数据的时间序列进行的分析和处理。这种神经元网络的训练可以借助所提供的数据离线进行，经训练的神经元网络则可以在不同的车辆中在线使用，以便估计摩擦系数。因此该方法是可扩展的，即该方法可以一次性创建并且在多个车辆中使用。

根据该方法的一个方面提出，当训练神经元网络时，以统计学方式控制地从特定于摩擦系数的传感器类型和/或行驶动态传感器类型的多个数据序列中去除个别数据序列。

由此可以实现：即使在不同传感器类型的数据序列出现故障的情况下神经元网络也被训练，以继续估计摩擦系数。因为在至少部分自动化的车辆的真实情况下可以认为，并非不同传感器类型的所有数据序列总是可用。这可以归因于，既可以由于技术故障也可以由于环境决定的故障引起系统失效，但也可能由以下原因造成：例如对于一定地区不存如摩擦系数地图之类的数据。为了能够保证在所有这些条件下安全运行，有利的是，将神经元网络一般化到如此程度，使得即使在这种条件下也估计出可靠的摩擦系数。

数据序列的这种去除一方面可以以统计学方式进行，如果对于确定的传感器类型的数据序列的失效不能求取到可预见的情况。但也可以预见，特定传感器类型或一组传感器类型的哪些数据序列在实际运行中至少暂时失效，从而可以在策略上针对这种场景训练神经元网络。由此使得神经元网络的使用独立于外部信息源，例如气象服务信息。然后，为了借助神经元网络进行预测仅需要车辆的不同传感器类型的信号或数据序列。

根据该方法的一个方面提出，借助行驶动态传感器类型借助基于模型的行驶动态测量针对车辆确定所述主动确定的摩擦系数。

如上所述，如果安全系统(例如ESP系统)介入，则借助安装在车辆中的传感装置进行这种基于模型的行驶动态测量。

根据该方法的一个方面提出，借助主动的直接摩擦系数测量来针对车轮确定所述主动确定的摩擦系数。

为了主动的直接摩擦系数测量，使用具有摩擦系数测量技术的测量车辆，该测量车辆例如借助表明摩擦测试仪(Surface Friction Tester)确定摩擦系数。两者均基于测力。表面摩擦测试仪是带有三个轮子的车辆拖车。第三个轮子被制动到物理极限范围，即制动到具有确定的滑移。通过为此所需的制动力以及为此所需的制动扭矩可以确定摩擦力并且借助已知的法向力可以确定摩擦系数。由于这种示例性地提及的用于主动直接摩擦系数测量的测量方法费事且昂贵，因此该方法仅是上面提出的用于确定主动确定的摩擦系数的方法的可能的替代方法。

提出一种用于借助相应地如上所述经训练的神经元网络来估计车轮相对于地面的摩擦系数的方法。在该方法的一个步骤中，提供至少一个特定于摩擦系数的传感器类型的离散数据序列。在另一步骤中，提供车轮的有限加速度范围的用于车轮的至少一个行驶动态传感器类型的离散数据序列。此外，在一个步骤中至少将前述两个离散的数据序列同步。在一个步骤中，借助特定于摩擦系数的传感器类型的离散数据序列和行驶动态传感器类型的离散数据序列生成用于经训练的神经元网络的输入张量。在另一步骤中，借助输入张量和经训练的神经元网络估计摩擦系数。

由此也可以在没有安全系统必须介入的情况下估计摩擦系数并将其提供给进一步的使用，例如提供给至少部分自动化的车辆的控制系统，以便能够保证安全的至少部分自动化行驶。

根据用于估计摩擦系数的方法的一个方面提出，输入张量分别借助第一多个特定于摩擦系数的传感器类型的所提供的一个离散数据序列和第二多个行驶动态传感器类型的所提供的一个离散数据序列来生成，其中，所有这些离散数据序列已经被彼此同步。

如在上文中已经在神经元网络的训练中所述，借助不同传感器类型的更大数量的数据序列，可以更可靠且更准确地确定摩擦系数。在此尤其也可以设置，一些传感器类型被冗余地设计。

根据用于估计摩擦系数的方法的一个方面提出，借助可信性计算来检查所估计的摩擦系数。由于根据所辨识的环境、相应的条件、所使用的车轮和其他类似知识而定，也可以借助计算来估计摩擦系数，因此可以检查由神经元网络估计的摩擦系数的可信性。因此，可以辨识出由于例如非寻常的输入数据而引起的异常值，神经元网络还未针对该非寻常的输入数据训练过。

根据该方法的一个方面提出，根据所估计的摩擦系数的值中的至少一个来发送用于操控至少部分自动化的车辆的操控信号和/或用于警告车辆乘员的警告信号。因此，例如，至少部分自动化的车辆的控制器可以以相应改变的驾驶方式对特别低的摩擦系数做出反应，或者可以向车辆乘员指出摩擦系数低，以便相应地匹配该车辆乘员的驾驶方式。

根据一个方面，提出一种设备，该设备设置为用于执行上述方法中的一个。借助这种设备可以轻松地将相应的方法集成到不同的系统中。

根据另一方面，提出一种计算机程序，该计算机程序包括指令，当通过计算机运行该计算机程序时，该指令安排该计算机实施上述方法中的一个。这种计算机程序使得能够实现所描述的方法在不同系统中的使用。

提出一种机器可读的存储介质，在该存储介质上存储有上述计算机程序。

附图说明

参考图1至4示出本发明的实施例并且在下面进一步阐述。附图示出：

图1：在地面不同状况时的摩擦系数曲线；

图2：具有多个特定于摩擦系数的传感器类型或行驶动态传感器类型的车辆。

图3：训练用于估计摩擦系数的神经元网络的简图；

图4：借助经训练的神经元网络来估计摩擦系数的简图。

具体实施方式

图1示出对于不同的路面状况摩擦系数μ与滑移λ的相关性的示例，其中，根据干燥度110或雪和冰120、130，产生摩擦系数μ与滑移λ相关的不同变化过程。此外，图1示出，对于小的滑移值，在滑移λ与摩擦系数μ之间存在几乎线性的关系。这以虚直线115、125表明并且表明，即使在有限的加速度范围内，即无需经过该曲线的大部分(例如在安全系统介入是这种情况)，也可以基于行驶动态数据估计摩擦系数。

图2粗略地示出一定数量的不同传感器类型和这些传感器类型相对于车辆200的示例性布置。尤其是制动系统中的压力传感器215、车轮的旋转传感器230、雷达传感器240、激光雷达传感器245、超声波传感器250、摄像机260、用于探测地面的光学传感器265、通信装置275、定位装置(GPS)280、导航设备292、用于辨识轮胎类型的RFID传感器294、转向角传感器296、齿条力传感器298和ESP系统210，其中，所有传感器类型按照信号关系耦合到以一根线表示的总线(例如CAN总线)上。附加地还简绘用于将信息传输给车辆乘员的指示装置270。

图3描绘用于训练用于估计车轮相对于地面的摩擦系数的神经元网络320的方法300。在步骤S1中，提供至少一个特定于摩擦系数的传感器类型的离散数据序列311、312、313、314。在另一步骤S2中，提供车轮的有限加速度范围的至少一个车轮行驶动态传感器类型的离散数据序列311、312、313、314。在另一步骤S3中，将这至少两个离散数据序列同步。在另一步骤S5中，提供主动确定的车轮摩擦系数，该摩擦系数对于所述离散数据序列311、312、313、314是特定的。这种特定性或者说相关性在图3中以虚线310表示。

另一步骤S4借助特定于摩擦系数的传感器类型和行驶动态传感器类型的离散数据序列311、312、313、314生成用于神经元网络320的输入张量。在另一步骤S6中，借助至少特定于摩擦系数的传感器类型和行驶动态传感器类型的多个不同数据序列311、312、313、314形成多个这样生成的输入张量连同分别从属的、主动确定的摩擦系数。在另一步骤S7中，用具有分别从属的主动确定的摩擦系数的多个输入张量训练神经元网络300，以便借助至少特定于摩擦系数的传感器类型和行驶动态传感器类型的离散数据序列(311、312、313、314)来估计摩擦系数。尤其在训练S7神经元网络时，可以以在统计学上或策略上控制的方式从特定于摩擦系数的传感器类型和/或行驶动态传感器类型的多个数据序列311、312、313、314中去除S8个别数据序列311、312、313、314，如上面已经更详细地阐述的那样。

图4描绘一种用于借助按照前面所述训练的神经元网络320来估计车轮相对于地面的摩擦系数的方法。在该方法的步骤S11中，提供至少一个特定于摩擦系数的传感器类型的离散数据序列311、312、313、314。在另一步骤S12中，提供用于车轮的有限加速度范围的至少一个车轮行驶动态传感器类型的离散数据序列311、312、313、314。此外，在步骤S13中，将至少两个离散数据序列311、312、313、314同步。在步骤S14中，借助特定于摩擦系数的传感器类型和行驶动态传感器类型的离散数据序列311、312、313、314生成用于经训练的神经元网络320的输入张量。在另一步骤S15中，借助输入传感器和经训练的神经元网络来估计摩擦系数350。尤其可以借助可信性计算来检查所估计的摩擦系数350，步骤S16。

Claims (14)

1.一种用于训练用于估计车轮相对于地面的摩擦系数的神经元网络(320)的方法(300)，其中，所述方法包括：

提供至少一个特定于摩擦系数的传感器类型的离散数据序列(311，312，313，314)(S1)；

提供所述车轮的有限加速度范围的用于所述车轮的至少一个行驶动态传感器类型的离散数据序列(311，312，313，314)(S2)；

将至少两个离散数据序列(311，312，313，314)同步(S3)；

提供针对所述车轮的主动确定的摩擦系数(S5)，所述摩擦系数对于所述离散数据序列是特定的；

借助所述特定于摩擦系数的传感器类型和所述行驶动态传感器类型的所述离散数据序列(311，312，313，314)生成用于所述神经元网络(320)的输入张量(S4)；

借助至少所述特定于摩擦系数的传感器类型和所述行驶动态传感器类型的多个不同数据序列(311，312，313，314)形成这样生成的多个输入张量(S6)，所述输入张量具有分别从属的、主动确定的摩擦系数；

借助具有分别特定的、主动确定的摩擦系数的所述多个输入张量训练所述神经元网络(S7)，以便借助至少所述特定于摩擦系数的传感器类型的所述离散数据序列和所述行驶动态传感器类型的所述离散数据序列(311，312，313，314)来估计摩擦系数。

2.根据权利要求1所述的方法，其中，所述输入张量分别借助第一多个特定于摩擦系数的传感器类型的所提供的一个离散数据序列(311，312，313，314)和第二多个行驶动态传感器类型的所提供的一个离散数据序列(311，312，313，314)生成，其中，所有这些离散数据序列(311，312，313，314)已经被彼此同步。

3.根据以上权利要求中任一项所述的方法，其中，所述至少一个行驶动态传感器类型从包含纵向加速度传感器、横向加速度传感器、横摆率传感器、车轮速度传感器、制动压力传感器、转向角传感器的组中选出。

4.根据以上权利要求中任一项所述的方法，其中，所述至少一个特定于摩擦系数的传感器类型从包含数字摄像机系统、雷达系统、激光雷达系统、超声系统、光学地面探测系统、温度传感器、摩擦系数地图、导航系统、无线信息系统的组中选出。

5.根据以上权利要求中任一项所述的方法，其中，在训练(S7)所述神经元网络(320)时，以在统计学上控制的方式从来自特定于摩擦系数的传感器类型和/或行驶动态传感器类型的多个数据序列中去除个别数据序列(S8)。

6.根据以上权利要求中任一项所述的方法，其中，借助行驶动态传感器类型借助基于模型的行驶动态测量来确定针对所述车轮的所述主动确定的摩擦系数。

7.根据以上权利要求中任一项所述的方法，其中，借助主动的直接摩擦系数测量来确定针对所述车轮的所述主动确定的摩擦系数。

8.一种用于借助按照权利要求1至7中任一项所述的方法进行训练的神经元网络(320)来估计车轮相对于地面的摩擦系数的方法(400)，其中，所述方法包括：

提供(S11)至少一个特定于摩擦系数的传感器类型的离散数据序列(311，312，313，314)；

提供(S12)所述车轮的有限加速度范围的用于所述车轮的至少一个行驶动态传感器类型的离散数据序列(311，312，313，314)；

将前述至少两个离散数据序列(311，312，313，314)同步(S13)；

借助所述特定于摩擦系数的传感器类型的所述离散数据序列和所述行驶动态传感器类型的所述离散数据序列(311，312，313，314)生成用于所述经训练的神经元网络(320)的输入张量(S14)；

借助所述输入张量和所述经训练的神经元网络(320)来估计摩擦系数(S15)。

9.根据权利要求8所述的方法，其中，所述输入张量分别借助第一多个特定于摩擦系数的传感器类型的所提供的一个离散数据序列(311，312，313，314)和第二多个行驶动态传感器类型的所提供的一个离散数据序列(311，312，313，314)来生成，其中，所有这些离散数据序列(311，312，313，314)已经被彼此同步。

10.根据权利要求8或9所述的方法，其中，借助可信性计算来检查所估计的摩擦系数(S16)。

11.根据权利要求7至10中任一项所述的方法，其中，根据所估计的摩擦系数的值中的至少一个，发送用于操控至少部分自动化的车辆的操控信号和/或用于警告车辆乘员的警告信号。

12.一种设备，所述设备设置为用于执行根据权利要求1至11中任一项所述的方法。

13.一种计算机程序，所述计算机程序包括指令，当通过计算机运行所述计算机程序时，所述指令安排所述计算机实施根据权利要求1至12中任一项所述的方法。

14.一种机器可读的存储介质，在所述存储介质上存储有根据权利要求13所述的计算机程序。

Images