CN114386160A - 生成用于XiL系统的简化模型 - Google Patents

Abstract

本发明涉及一种用于生成在XiL系统中使用的简化模型的方法，方法具有以下步骤：确定用于起动模型的定量地表征模型的复杂性的规定参数(1)；生成起动模型的输入数据和输出数据(2)；使用起动模型的生成的输入数据和输出数据的训练集来训练神经网络以便生成简化模型，简化模型具有比起动模型的复杂性低的复杂性并且在简化模型中超过定量地表征模型的可靠性的参数的规定的下限阈值(3)；使用经过训练的神经网络生成简化模型(4)；确定用于简化模型的表征复杂性的参数(5)；如果生成的简化模型的确定的复杂性低于起动模型的复杂性(6)，则使用至少一个起动模型的生成的输入和输出数据的测试集来测试生成的简化模型，测试集与训练集不同，并且确定表征可靠性的生成的简化模型的参数(7)；如果简化模型的确定的可靠性超过规定阈值(8)，则输出简化模型(9)。

Description

生成用于XiL系统的简化模型

技术领域

本发明涉及一种用于生成在XiL系统中使用的简化模型的方法。本发明还涉及一种数据处理设备、一种计算机程序、一种用于对机动车辆(特别是自动驾驶机动车辆)的部件进行XiL测试的装置、一种用于执行XiL测试的方法、一种计算机可读存储介质、以及一种数据载波信号。

背景技术

自动驾驶机动车辆(有时也被称为自主陆地车辆)是在没有人类驾驶员影响的情况下可以行驶、转向和停车(高度自动化驾驶或自主驾驶)的机动车辆。如果不需要任何驾驶员的手动控制，则也使用术语机器人汽车。驾驶员座椅可以保持未占用；可能没有方向盘、没有制动踏板并且没有油门踏板。自动驾驶机动车辆可以借助于不同传感器的帮助来捕捉它们的环境并且可以根据获得的信息来确定它们的位置以及其他道路用户的位置、可以与导航软件合作驶向目的地并且可以在去那里的路上避免碰撞。

智能移动解决方案和自动驾驶功能的出现在测试这样的系统时带来新的挑战。物理原型和/或密集的真实试驾极具挑战性。由于这个原因，近年来已经开发用于虚拟工程的新技术。测试这样的系统的重要先决条件是提供X-in-the-Loop框架(XiL系统)，该框架使开发的软件在例如MiL、SiL、HiL、DiL的不同平台上用真实原型中的真实ECU(电子控制单元)进行测试成为可能。

例如，XiL测试可以是MiL(模型在环)、SiL(软件在环)、HiL(硬件在环)和/或DiL(驾驶员在环)。在这种情况下，MiL包含构建用于控制系统和ECU的模型以及具有用于行为仿真的闭环控制策略的闭环控制逻辑，SiL包含以ECU的目标语言创建用于软件开发中的自动化测试的模型，HiL表示一种方法，在该方法中嵌入式系统(例如真实电子ECU或真实机械电子组件、硬件)通过其输入和输出连接到适配的对应物，并且DiL理解为意指在DiL仿真环境中HiL仿真和驾驶模拟器的结合。

在这种情况下，ECU或控制单元被理解为意指设计用于例如使用开环或闭环控制策略对比如机动车辆的部件这样的其他部件进行开环或闭环控制的电子模块。在测试中典型地使用至少一个ECU和模型，该ECU具有要测试的软件，该模型仿真系统的行为。

文件DE 10 2018 206 188 A1描述一种用于执行自动驾驶机动车辆的部件的XiL测试的系统，其中可以在多个XiL平台上执行测试。文件US 2019/0303759 A1描述在仿真环境中使用神经网络测试虚拟车辆，其中通过真实环境中的车辆生成用于训练神经网络的物理传感器数据。

XiL元素通常用于测试软件，该软件旨在用于自主地实施特定功能。在这种情况下，硬件模型(硬件在环、处理器在环)例如用作软件模型(软件在环)来配置测试和验证过程以便特别地降低原型和实际测试执行的成本。由于机动车辆系统(例如驾驶员辅助系统)中的硬件和软件元件的数量不断增加，以及传动系元件的数量不断增加，因此在可以发布原型之前所需测试数量增加。结果，不同的配置和测试需要的XiL模型的数量同样增加。

除此之外，这些模型变得越来越复杂，在计算上越来越复杂以及因此越来越昂贵。此外，模型应该能够实时操作或能够实时提供性能。这对于测试和验证过程尤其重要。然而，现代非常复杂的模型需要大量的计算能力以便能够实时执行。随着例如ADAS(高级驾驶员辅助系统)模型、传动系模型等的模型变得越来越复杂，包含实时处理器(例如dSpaceScalexio Boxes)的现有的XiL计算单元达到它们的极限。在某些环境下，它们不能符合必要的要求。因此，在这样的情况下不能使用相应复杂的模型。

发明内容

在描述的背景下，本发明的目的是提供用于生成或产生更简单的模型的方法和设备，其中特别地降低在某些情况下需要的开发工作和测试成本。

这些目的是通过根据专利权利要求1的用于生成在XiL系统中使用的简化模型的方法、根据专利权利要求8的数据处理设备、根据专利权利要求10的计算机程序、根据专利权利要求11的用于执行XiL测试的装置、根据专利权利要求14的用于执行XiL测试的方法、根据专利权利要求15的相应计算机程序、根据专利权利要求16的计算机可读存储介质、以及根据专利权利要求17的数据载波信号来实现的。从属权利要求包含本发明的更多有利配置。

根据本发明的用于生成在XiL系统中(特别地在至少一个XiL测试平台或在XiL测试方法中)使用的简化模型的方法，包含以下步骤：为至少一个起动模型确定定量地表征起动模型的复杂性的至少一个规定参数。在另一步骤中，生成该至少一个起动模型的输入数据和输出数据。在下一步骤中，使用该至少一个起动模型的生成的输入数据和输出数据的训练集来训练神经网络，以便生成(特别地开发)简化模型，该简化模型具有比该至少一个起动模型的复杂性低的复杂性，并且在该简化模型中低于定量地表征模型的可靠性的至少一个参数的规定的下限阈值。

使用经过训练的神经网络生成简化模型。为简化模型确定表征复杂性的参数。如果生成的简化模型的确定的复杂性低于起动模型的复杂性，则使用至少一个起动模型的生成的输入和输出数据的测试集来测试生成的简化模型，该测试集与训练集不同。在这种情况下，确定生成的简化模型的表征可靠性的至少一个参数。如果确定的简化模型的可靠性低于规定阈值，则输出简化模型。

方法具有的优势为：作为描述的使用神经网络的结果，可以降低基于复杂模型的更简单且优化的模型的开发成本，并且同时测试这样的模型的成本也可以降到最低。也可以将复杂且非实时能力模型转换成适合用于实时操作的有弹性的简化模型，在这个过程中不以不受欢迎的方式降低模型的可靠性。

例如，定量地表征起动模型的复杂性的参数可以包含每个输入数据项的计算操作的次数和/或执行代表模型的算法所需的计算时间和/或执行代表模型的算法所需的存储空间需求。定量地表征起动模型的可靠性的参数可以包含通过模型生成的输出数据与预期输出数据的偏差的测量，预期输出数据也就是说通过真实应用组件或应用功能提供的输出数据。

定量地表征模型的复杂性并且表征模型的可靠性的参数的适当选择和规定，可以能理解地确定通过神经网络生成的模型是否比起动模型简单以及通过神经网络生成的模型比起动模型简单的程度以及这对其可靠性是否有影响以及这对其可靠性有何影响。

神经网络可以以深度神经网络的形式。深度神经网络主要用于概括训练数据并且用于作出预测，其中使用经过训练的权重。深度神经网络能够学习复杂系统的行为。在这种情况下，可靠性随着可用数据量的增加而增加。因为XiL模型能够生成无限数量的训练数据项，所以深度神经网络可以学习这些模型的行为并且能够作出高度精确的预测。因此深度神经网络适合用于将各个复杂的模型转换成更通用且在计算上不太复杂的模型。

在另一变体中，至少一个起动模型是以一系列多个模型的形式。换句话说，起动模型可以具有可以连续使用的多个起动模型。神经网络可以以循环神经网络的形式。如果起动模型是以一系列多个模型的形式，则这是特别有利的。在这种情况下，两个或两个以上复杂的起动模型可以转换为单个简化模型。结果，显著地简化相应XiL系统的复杂性并且显著地提高其性能。特别地，这实现实时使用。

通过与深度神经网络相似的方式，循环神经网络(RNN)用于概括由一系列信息构成的训练数据。可以容易地使用包含在计算上复杂的模型的输入数据和输出数据的序列的数据训练循环神经网络。每个RNN单元都可以具有附加嵌入层，在附加嵌入层中训练数据包括分类变量。此外，RNN单元可以从卷积网络层接收输入数据。用于生成简化模型的循环神经网络的活动图以与神经网络的活动图相似的方式构建。

如果在神经网络的训练阶段稍微过拟合模型，其中训练可靠性高于测试可靠性，则是有利的。这样的背景是：如果有足够的数据可用，则稍微过拟合的AI模型(AI-人工智能)可以用重复的输入数据作出更准确的预测。在高度过拟合模型的情况下，比如Drop Out或L2和L1这样的调节技术，可以用于调节。

方法优选地设计用于生成用于模拟机动车辆(优选自动驾驶机动车辆)的至少一个功能的模型。例如，这可以是驾驶员辅助功能和/或机动车辆的传动系的功能。

根据本发明的数据处理设备包含用于执行在上面描述的根据本发明的方法的装置。特别地，设备可以具有用于规定表征起动模型的复杂性的至少一个参数的装置以及用于确定这个参数的装置。设备还可以包含用于规定和/或确定定量地表征模型的可靠性的参数。此外，设备可以具有一个或多个用于生成至少一个起动模型的输入和输出数据的装置。设备优选地包含神经网络和用于训练神经网络的装置。此外，设备可以具有用于输出使用神经网络生成的模型的装置。

数据处理设备可以以硬件元件的形式，该硬件元件包含用于执行神经网络算法的计算单元并且设计用于连接多个XiL单元或XiL元素。例如，计算单元可以是树莓派、dSpaceMicrobox或计算机。例如，设备可以具有用于连接至多个XiL单元的通信接口，例如USB接口、以太网接口、特别地TCP/IP，UDP连接器、或CAN接口。

根据本发明的计算机程序包含指令，当通过计算机执行程序时，该指令使计算机执行在上面描述的根据本发明的方法。

根据本发明的装置包含多个彼此连接的用于传输数据的XiL模型，该装置可以是例如用于对例如自动驾驶机动车辆的机动车辆的部件进行XiL测试的系统。装置设计成用使用在上面描述的根据本发明的方法生成的简化模型替换至少一个XiL模型。这具有的优势为，可以使用根据本发明的装置以在计算上更简单且可能实时的方式执行XiL测试。此外，与先前传统的配置相比，装置具有降低的复杂性并且可以以有成本效益的方式生产。

在一有利的变体中，装置设计成用使用在上面描述的根据本发明的方法生成的单一(也就是说通用)简化模型替换多个XiL模型。在另一变体中，装置可以包含在上面描述的根据本发明的数据处理设备和/或在上面描述的根据本发明的计算机程序。

根据本发明的用于特别地对例如自动驾驶机动车辆的机动车辆的部件进行XiL测试的方法，该方法包含以下步骤：在第一步骤中，初始化包含至少一个起动模型的XiL系统。在下一步骤中，使用在上面描述的根据本发明的方法生成至少一个起动模型的简化模型。然后用简化模型替换XiL系统中的至少一个起动模型。然后使用包含简化模型的XiL系统执行XiL测试。根据本发明的用于执行XiL测试的方法具有上面已经提到的优势。特别地方法可以实时执行，并且使XiL系统的复杂部分模型灵活高效地转换成简化且更强大的模型成为可能。

根据本发明的用于执行XiL测试的计算机程序包含指令，当通过计算机执行程序时，该指令使计算机执行在上面描述的根据本发明的用于执行XiL测试的方法。计算机程序具有已经在上面提到的优势。

根据本发明的计算机可读存储介质包含指令，当通过计算机执行时，该指令使计算机执行在上面描述的根据本发明的用于生成在XiL系统中使用的简化模型的方法和/或在上面描述的根据本发明的用于执行XiL测试的方法。根据本发明的数据载波信号传输一个已经描述的计算机程序，也就是说用于生成在XiL系统中使用的简化模型的计算机程序和/或用于执行XiL测试的计算机程序。

本发明总体上具有以下优势：使创建XiL系统成为可能，该XiL系统也可以以降低的计算复杂性并且以降低的技术要求实时实施复杂模型。

附图说明

下面参考附图根据示例性实施例更详细地解释本发明。虽然通过优选的示例性实施例更详细具体地描述和说明本发明，但本发明不受公开示例的限制并且本领域技术人员可以在不背离本发明的保护范围的情况下从中得出其他变体。

附图不一定在每个细节上都是准确的并且不一定真实地按比例绘制，并且可以以放大比例或缩小比例呈现以便提供更好的概览。因此，在这里公开的功能细节不被理解为具有限制性而是仅作为向这个技术领域中的技术人员提供以多种方式使用本发明的指导的说明性基础。

在这里使用的词句“和/或”，当在一系列的两个或两个以上元素中使用时，意指每个陈述的元素都可以单独地使用，或可以使用两个或两个以上陈述的元素的任何组合。例如，如果配置以其包含部件A、B和/或C这样的方式描述，则配置可以单独包含A；单独包含B；单独包含C；包含A和B的组合；包含A和C的组合；包含B和C的组合；或包含A、B和C的组合。

图1以流程图的形式示意性地显示根据本发明的用于生成在XiL系统中使用的简化模型的方法；

图2以框图的形式示意性地显示根据本发明的使用深度神经网络执行XiL测试的装置的第一变体以及其操作方法；

图3以框图的形式示意性地显示根据本发明的使用循环神经网络执行XiL测试的装置的第二变体以及其操作方法；

图4以流程图的形式示意性地显示根据本发明的用于执行XiL测试的方法。

具体实施方式

下面根据图1更详细地解释根据本发明的用于生成在XiL系统中使用的简化模型的方法。在第一步骤1中，为至少一个起动模型确定定量地表征模型的复杂性的至少一个规定参数。在这种情况下，参数可以在方法的过程中规定或可能已经被规定和预先定义。也可以为起动模型确定定量地表征起动模型的复杂性的多个规定参数。

在下一步骤2中，生成至少一个起动模型的输入数据和输出数据。在步骤3中，使用至少一个起动模型的生成的输入数据和输出数据的训练集来训练神经网络以便生成或开发简化模型，其中简化模型具有比至少一个起动模型的复杂性更低的复杂性，并且其中超过用于定量地表征模型的可靠性的至少一个参数的规定下限阈值。

定量地表征模型的可靠性的至少一个参数和基于其的阈值两者可能已经预先定义或可以在方法的过程中单独地规定。

在第四步骤4中，使用经过训练的神经网络生成简化模型。在第五步骤中，为简化模型确定表征复杂性的至少一个参数。在第六步骤6中，执行检查以便确定生成的简化模型的确定的复杂性是否低于起动模型的复杂性。如果是这种情况，则在步骤7中使用至少一个起动模型的生成的输入数据和输出数据的测试集测试生成的简化模型，该测试集与训练集不同，并且确定表征可靠性的生成的简化模型的至少一个参数。如果在步骤6中生成的简化模型的确定的复杂性不低于起动模型的复杂性，则方法跳回到步骤3或4。

在步骤7之后，在步骤8中执行检查以便确定简化模型的确定的可靠性是否超过规定阈值。如果是这种情况，则在步骤9中输出简化模型。如果不是这种情况，则方法跳回到步骤3或4。

图2以框图的形式说明本发明，具体地根据本发明的在使用深度神经网络时执行XiL测试的装置20的第一变体以及其操作方法。框21是包含多个XiL模型的用于执行XiL测试的XiL系统或装置。

使用附图标记11标记XiL模型A。使用附图标记12标记XiL模型B并且使用附图标记13标记XiL模型C。此外，XiL系统21包含车辆硬件组件14。XiL系统21以XiL模型A11的输出数据构成XiL模型B12的输入数据以及XiL模型B12的输出数据形成XiL模型C13的输入数据这样的方式配置。XiL模型C13的输出数据形成硬件组件14的输入数据。在显示的变体中，XiL模型B12如此复杂以至于不能实时实施。

显示的XiL单元以及基础模型11、12和13优选地分配给特定的车辆部件或车辆功能。例如，XiL系统21可以代表驾驶员辅助系统，也被称为ADAS系统(高级驾驶员辅助系统)。在这种情况下，XiL模型A11可以代表传感器模型，XiL模型B12可以代表ADAS ECU模型并且XiL模型C13可以代表马达控制单元或ECU，其中车辆硬件可以在底盘测功机上进行。这些模型也可以在具有I/O接口的例如dSpace Micro Box的计算单元中实施。它们同样可以是基于模型的仿真系统或相应的工具集的一部分。

图2中的框22代表使用深度神经网络(DNN)简化模型的装置，在下面简称为模型简化器。这可以是装置，例如计算机程序，该装置设计用于执行根据图1描述的方法。模型简化器22用于将复杂的XiL模型B12转换成基于AI的模型，也就是说基于人工智能的模型，该模型可以实时实施。为了这个目的，XiL模型B12在系统21中用通过这种方式新生成的基于AI的XiL模型B15替换。通过这种方式新生成的XiL系统在图2中用框23说明。新生成的XiL系统包含XiL系统21的部件，其中XiL模型B12已经用XiL模型B15替换。

与XiL系统21相比，新的XiL系统23可以实时实施。特别地，新的XiL系统23需要较少的计算能力用于其实施，并且具有较低的技术要求。新的基于AI的XiL模型B15包含经过训练的模型权重并且仅用于预测。例如，可以在例如dSpace Microbox、树莓派的计算硬件环境中或在计算机的桌面上实施新的基于AI的XiL模型B15。新的基于AI的XiL模型B15也可能已经通过例如CAN、以太网(TCP/IP、UDP连接器等)的不同的通信接口或通过例如CAN、以太网(TCP/IP、UDP连接器等)的不同的通信接口连接至其他XiL模型。通过相似的方式，模型简化器22使用计算硬件环境。然而，这具有高的性能要求并且需要高的计算能力，因为在这样的背景下必须训练神经网络并且训练是计算上复杂的过程。

在图3中以框图的形式显示用于执行XiL测试的装置30的另一实施例变体。在这个变体中，启动XiL系统31包含串联连接的四个XiL模型A、B、C和D，使用附图标记41到44标记四个XiL模型A、B、C和D并且在四个XiL模型A、B、C和D中的每个上游模型的输出数据形成下游模型的输入数据。根据高复杂性的XiL模型B42和C43，系统31不能实时实施。因此，用框32说明的模型简化器用于将XiL模型B42和C43转换成通用的XiL模型45。优选地根据在图1中说明的方法使用循环神经网络(RNN)执行这些。通过这种方式生成并且替换XiL模型B42和C43的基于AI的XiL模型45没有XiL模型B42和C43复杂并且在使用时需要较低的技术复杂性。

基于AI的XiL模型45可以在计算单元中生成，例如在树莓派、dSpace Microbox或计算机中。通过这种方式生成的模型包括经过训练的模型权重并且仅用于预测。生成的XiL模型45设计用于连接至其他XiL设备，例如XiL模型A41和D44，用于传输数据。为了这个目的，生成的基于AI的XiL模型45具有通信接口，例如该通信接口特别地允许使用CAN和以太网的通信。

模型简化器32同样在计算环境中实施，然而，该计算环境需要比XiL系统33的实施更高的计算能力。通过与图2中显示的深度神经网络22相似的方式训练循环神经网络32。作为图3中显示的方法的结果，生成新的XiL系统33，在该新的XiL系统33中已经用XiL模型45替换XiL模型B42和C43，并且结果是可以实时实施系统。

图4示意性地显示流程图，该流程图描述使用深度神经网络的示例生成基于AI的简化模型并且说明其在用于执行XiL测试的方法过程中的使用。方法还可以通过相似的方式用于循环深度神经网络。

在方法已经开始之后50，在步骤51中初始化XiL系统，例如使用图2中的附图标记21标记的XiL系统或使用图3中的附图标记31标记的XiL系统。在步骤52中，然后生成模型的输入和输出数据，对于实时应用来说，也就是说例如对于图2中的XiL模型B12或图3中的XiL模型B42和C43来说，该模型太复杂。在步骤53中，生成的数据然后用于训练神经网络，例如深度神经网络或循环深度神经网络，以便生成简化的XiL模型。

在步骤54中，使用神经网络生成的模型使用在步骤52中生成的输入和输出数据相对于其可靠性进行测试。在步骤55中，相对于定义的极限值检查可靠性。如果可靠性低于规定的极限值，则方法跳回到步骤52。如果可靠性超过规定的极限值，则在步骤56中，用生成的基于AI的XiL模型，也就是说例如图2中的XiL模型15或图3中的XiL模型45，替换复杂的起动模型，也就是说例如图2中的XiL模型B12或图3中的XiL模型B42和C43。然后在步骤57中用替换的模型启动XiL系统并且用步骤58结束方法。

附图标记列表

1 为至少一个起动模型确定定量地表征模型的复杂性的至少一个规定的参数

2 生成至少一个起动模型的输入数据和输出数据

3 使用至少一个起动模型的生成的输入数据和输出数据的训练集来训练神经网络以便生成简化模型，该简化模型具有比至少一个起动模型的复杂性低的复杂性并且在简化模型中超过定量地表征模型的可靠性的至少一个参数的规定的下限阈值

4 使用经过训练的神经网络生成简化模型

5 确定用于简化模型的表征复杂性的至少一个参数

6 检查生成的简化模型的确定的复杂性是否低于起动模型的复杂性

7 如果生成的简化模型的确定的复杂性低于起动模型的复杂性，则使用至少一个起动模型的生成的输入数据和输出数据的测试集来测试生成的简化模型，该测试集与训练集不同，并且确定表征可靠性的生成的简化模型的至少一个参数

8 检查简化模型的确定的可靠性是否超过规定阈值

9 如果简化模型的确定的可靠性超过规定阈值，则输出简化模型

11 XiL模型A

12 XiL模型B

13 XiL模型C

14 车辆硬件组件

15 简化的XiL模型

20 用于执行XiL测试的装置

21 XiL系统

22 使用深度神经网络简化模型的装置

23 新生成的XiL系统

30 用于执行XiL测试的装置

31 XiL系统

32 使用循环神经网络简化模型的装置

33 新生成的XiL系统

41 XiL模型A

42 XiL模型B

43 XiL模型C

44 XiL模型D

45 简化的XiL模型

50 开始

51 初始化XiL系统

52 生成复杂模型的输入和输出数据

53 训练神经网络

54 测试生成的模型的可靠性

55 超过用于可靠性的极限值？

56 用基于AI的XiL模型替换复杂的XiL模型

57 开始使用XiL系统

58 结束

J 是

N 否

Claims (17)

1.一种用于生成在XiL系统中使用的简化模型的方法，其中所述方法包括以下步骤：

-为至少一个起动模型确定定量地表征模型的复杂性的至少一个规定参数(1)，

-生成所述至少一个起动模型的输入数据和输出数据(2)，

-使用所述至少一个起动模型的生成的输入数据和输出数据的训练集来训练神经网络以便生成简化模型，所述简化模型具有比所述至少一个起动模型的复杂性低的复杂性并且在所述简化模型中超过定量地表征所述模型的可靠性的至少一个参数的规定的下限阈值(3)，

-使用经过训练的神经网络生成所述简化模型(4)，

-确定用于所述简化模型的表征复杂性的至少一个参数(5)，

-如果生成的所述简化模型的确定的复杂性低于所述起动模型的复杂性(6)，则使用所述至少一个起动模型的生成的输入数据和输出数据的测试集来测试生成的所述简化模型，所述测试集与所述训练集不同，并且确定表征可靠性的生成的简化模型的所述至少一个参数(7)，

-如果所述简化模型的确定的可靠性超过所述规定阈值(8)，则输出所述简化模型(9)。

2.根据权利要求1所述的方法，

其特征在于，

定量地表征所述起动模型的复杂性的参数包含用于每个输入数据项的计算操作的次数和/或用于执行代表所述模型的算法的所需计算时间和/或用于执行代表所述模型的算法的所需存储空间需求。

3.根据权利要求1或2所述的方法，

其特征在于，

定量地表征所述起动模型的可靠性的参数包含通过模型生成的输出数据与预期输出数据的偏差的测量。

4.根据权利要求1至3中任一项所述的方法，

其特征在于，

所述神经网络是以深度神经网络的形式。

5.根据权利要求1至4中任一项所述的方法，

其特征在于，

所述至少一个起动模型是以一系列多个模型的形式。

6.根据权利要求1至5中任一项所述的方法，

其特征在于，

所述神经网络是以循环神经网络的形式。

7.根据权利要求1至6中任一项所述的方法，

其特征在于，

所述方法设计用于生成用于仿真机动车辆的至少一个功能的模型。

8.一种包含用于执行根据权利要求1至7中任一项所述的方法的装置的数据处理设备(22、32)。

9.根据权利要求8所述的设备(22、32)，

其特征在于，

所述设备是以硬件元件的形式，所述硬件元件包含用于执行神经网络算法的计算单元并且设计用于连接至多个XiL单元。

10.一种包含指令的计算机程序，当通过计算机执行所述程序时，所述指令使所述计算机执行根据权利要求1至7中任一项所述的方法。

11.一种用于执行机动车辆的部件的XiL测试的装置(20、30)，所述装置包含彼此连接的用于传输数据的多个XiL模型(11-14、41-44)，

其特征在于，

所述装置(20、30)设计成用使用根据权利要求1至7中任一项所述的方法生成的简化的XiL模型(15、45)替换至少一个XiL模型(11-14、41-44)。

12.根据权利要求11所述的装置(20、30)，

其特征在于，

所述装置(20、30)设计成用使用根据权利要求1至7中任一项所述的方法生成的单个简化的XiL模型(45)替换多个XiL模型(42、43)。

13.根据权利要求11或12所述的装置(20、30)，

其特征在于，

所述装置(20、30)包含根据权利要求8所述的设备(22、32)和/或根据权利要求10所述的计算机程序。

14.一种用于执行XiL测试的方法，所述方法包括以下步骤：

-初始化包含至少一个起动模型(11-14、41-44)的XiL系统，(51)

-依照根据权利要求1至7中任一项所述的方法生成所述至少一个起动模型(12、42、43)的简化模型(15、45)，(52-55)

-用所述简化模型替换所述XiL系统中的所述至少一个起动模型(12、42、43)，(56)

-使用包含所述简化模型的所述XiL系统执行XiL测试(57)。

15.一种用于执行XiL测试的计算机程序，所述计算机程序包含指令，当通过计算机执行所述程序时，所述指令使所述计算机执行根据权利要求14所述的方法。

16.一种计算机可读存储介质，所述计算机可读存储介质包含指令，当通过计算机执行时，所述指令使所述计算机执行根据权利要求1至7中任一项所述的方法和/或根据权利要求14所述的方法。

17.一种传输根据权利要求10和/或根据权利要求15所述的计算机程序的数据载波信号。

Images