CN116893675A - 用于改变技术系统或技术过程的装置和方法 - Google Patents
用于改变技术系统或技术过程的装置和方法 Download PDFInfo
- Publication number
- CN116893675A CN116893675A CN202310358793.3A CN202310358793A CN116893675A CN 116893675 A CN116893675 A CN 116893675A CN 202310358793 A CN202310358793 A CN 202310358793A CN 116893675 A CN116893675 A CN 116893675A
- Authority
- CN
- China
- Prior art keywords
- function
- parameter
- output
- determined
- input
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 219
- 238000009826 distribution Methods 0.000 claims abstract description 66
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims description 135
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 22
- 238000005259 measurement Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013442 quality metrics Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/032—Fixing failures by repairing failed parts, e.g. loosening a sticking valve
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0037—Mathematical models of vehicle sub-units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
用于分析包括第一和第二功能的技术系统或技术过程的装置和方法,针对第一功能提供第一模型并针对第二功能提供第二模型,第一模型根据第一参数化以及关于第一参数化的分布来对第一功能的输入参量与输出参量的函数关系和第一干扰参量的影响进行建模,第二模型根据第二参数化以及关于第二参数化的分布来对第二功能的输入参量与输出参量的函数关系和第二干扰参量的影响进行建模,提供观察,其包括第一和第二功能的输入参量和输出参量,确定关于在第一干扰参量的影响下改变第一功能的效果和/或在第二干扰参量的影响下改变第二功能的效果的预测,选择这些功能中的其改变相对于这些功能中的另外功能的改变而言有更高概率实现所希望的效果的那个功能。
Description
技术领域
本发明基于一种用于改变技术系统或技术过程的装置和方法。
背景技术
该技术系统或该技术过程可以使用算法资源(Rekurs)来被改变,在该算法资源的情况下确定以推荐变化为形式的解释,其中该变化对于在该技术系统处或在该技术过程处的特定观察来说会引起经改善的结果。
Karimi,A.-H.,Kügelgen,J.V.,B.,&Valera,I.(2020).Algorithmic recourse under imperfect causal knowledge:a probabilisticapproach.NeurIPS,(23页).Vancouver,Canada(https://arxiv.org/pdf/2006.06831.pdf)(Karimi等人)公开了这种算法资源的示例。
发明内容
根据独立权利要求所述的方法和装置提供了相对于此被改进的做法。
用于分析包括第一功能和第二功能的技术系统或者用于分析包括第一功能和第二功能的技术过程的方法规定:针对该第一功能提供第一模型,并且针对该第二功能提供第二模型,其中该第一模型根据第一参数化并且根据指定的、尤其是所学习的关于该第一参数化的分布来对该第一功能的输入参量与输出参量的函数关系以及第一干扰参量的影响进行建模,其中该第二模型根据第二参数化并且根据指定的、尤其是所学习的关于该第二参数化的分布来对该第二功能的输入参量与输出参量的函数关系以及第二干扰参量的影响进行建模,其中提供观察,该观察包括该第一功能和该第二功能的输入参量和输出参量,其中确定关于在该第一干扰参量的影响下改变该第一功能的效果和/或在该第二干扰参量的影响下改变该第二功能的效果的预测,其中选择这些功能中的其改变相对于这些功能中的另外功能的改变而言有更高概率实现所希望的效果的那个功能。由此提供了更鲁棒的并且可解释的分析。经此,在所创建的模型内就已经可以对系统的潜在变化进行评估,而无需在实际系统上执行该变化。
可以规定:所选择的功能根据对该所选择的功能进行建模的模型的参数化来被改变,或者与此无关地来被改变。
可以规定:第一功能的输入参量根据传感器信号、尤其是用于检测数字图像的传感器的传感器信号来被确定,其中第二功能的输入参量根据第一功能的输出参量来被确定;或者第一功能的输入参量根据在生产线的第一生产单元的输入处的测量参量来被确定并且第一功能的输出参量根据在该第一生产单元的输出处的测量参量来被确定,而且第二功能的输入参量根据在该生产线的第二生产单元的输入处的测量参量来被确定并且第二功能的输出参量根据在该第二生产单元的输出处的测量参量来被确定,其中该第一生产单元执行该第一功能,其中该第二生产单元执行该第二功能。
可以规定:第二功能的输出参量表征操控信号、尤其是用于转向装置的操控信号。
可以规定:选择该第一功能,其中该第一参数化根据正态分布来被确定,其中该第一干扰参量根据该正态分布来生成,而且其中该第一功能根据该第一模型的参数化来被改变。附加地,相比于Karimi等人的先前的方法,基于所学习的关于该参数化的分布,该分析相对于建模中的不准确而言更为鲁棒。
可以规定:选择该第一功能,其中该第二参数化根据正态分布来被确定,其中该第二干扰参量根据在该第二干扰参量上的后验分布来被确定,该后验分布为该观察估计作为起因的第二干扰参量。这种分析的优点在于:该分析与特定观察适配,而且变化的效果依据该观察来被预测并且因此对于系统开发人员来说能更容易被理解。
可以规定:在迭代中提供该观察并且根据该观察来改变所选择的功能,其中根据所改变的功能来提供用于下一次迭代的观察。
用于分析包括第一功能和第二功能的技术系统或者用于分析包括第一功能和第二功能的技术过程的装置规定:该装置被设计为执行该方法。
可以规定:该装置包括至少一个处理器和至少一个存储器,该处理器和该存储器被设计为执行该方法。
可以规定:该装置包括至少一个接口,该接口被设计为:检测在该第一功能或该第二功能上的观察并且改变所选择的功能。
一种计算机程序包括计算机可读指令,在这些计算机可读指令由计算机来执行时,该方法运行。
附图说明
其它有利的实施方案能从如下描述和附图中得知。在附图中:
图1示出了技术系统或技术过程的第一实施方式的示意图;
图2示出了在用于改变技术系统或技术过程的方法的第一实施方式中的步骤;
图3示出了技术系统或技术过程的第二实施方式的示意图;
图4示出了在该方法的第二实施方式中的步骤;
图5示出了用于改变技术系统或技术过程的装置。
具体实施方式
下文的公开内容涉及一种装置和一种方法。该装置和该方法被设计为作用于技术系统,其中该技术系统被改变,以便使特定观察的效果与所希望的观察尽可能好地匹配。
一方面,在下文以针对至少部分自主机器人、尤其是至少部分自主车辆的故障分析为例来描述该装置和该方法。在图1中示意性地示出了车辆100。
例如,考虑对车辆100的行为以及该车辆的环境102的观察。在该示例中,发现该观察不令人满意。例如,车辆100的行为偏离所希望的行为。
在下文,以车道保持辅助功能104为例来描述这一点,该车道保持辅助功能被设计为:借助于至少一个传感器108的传感器信号,通过识别,识别车道106;而且通过借助于操控信号来操控车辆100的可转向车轮110,操控车辆100,使得车辆100在车道106内移动。车道保持辅助功能104例如集成在控制设备112中,该控制设备被设计为:检测来自传感器108的传感器信号;而且向转向装置114输出用于使可转向车轮110转向的操控信号。
传感器108例如被设计为检测数字图像,尤其是视频、雷达、激光雷达、超声或移动图像或者运动图像。在该示例中,传感器108布置在车辆100上,使得该图像包含车辆100前方的区域。
车道保持辅助功能104的所希望的行为例如是:车辆100在车道106中间移动。例如当车辆100移动到车道106中间之外、例如离开车道106时,存在与所希望的行为的偏差。
在这种情况下,可能的改进例如涉及:根据传感器信号来检测车道106;或者在不改变对车道的检测的情况下,利用操控信号来对可转向车轮110另外地进行操控。
在图2中以用于车辆100的故障分析的实施方案来示出该方法的流程图。以车道保持辅助功能104为例。
在下文,以第一功能、第二功能和第三功能来描述该方法。在车道保持辅助功能104的示例中,第一功能是识别。在车道保持辅助功能104的示例中,第二功能是操控。在车道保持辅助功能104的示例中,第三功能是将操控信号转换成传感器信号。
第一功能、第二功能和第三功能分别被建模为模型
p(y|x)=∫p(y|f(x),ε,x,φ)p(f(x)|x,φ)p(ε|x,φ)p(φ)dεdf(x)。
对于每个模型,根据参数化、即在该示例中根据参数集φ以及关于该参数化的分布、在该示例是在该参数集φ上的分布p(φ),对输入参量x与输出参量y的函数关系f(x)以及干扰参量ε的影响进行建模。
在步骤202中,针对两个功能,对它们的模型p(y|x)进行训练。
然后,执行步骤204。
在步骤204中,例如在车辆100行驶期间执行测量。特定测量xF,yF表示包括输入参量xF和输出参量yF的观察。输入参量xF包括第一功能的输入参量、第二功能的输入参量和第三功能的输入参量。输出参量yF包括第一功能的输出参量、第二功能的输出参量和第三功能的输出参量。
在该示例中,第一功能的输入参量是传感器信号。在该示例中,第一功能的输出参量是第二功能的输入参量。在该示例中,第二功能的输出参量是操控信号。在该示例中,第三功能的输入参量是操控信号。在该示例中,第三功能的输出参量是传感器信号。
在该示例中,第一功能、第二功能和第三功能的输入参量和输出参量是可观察的状态参量。
还可以规定:将可在相应功能中设定的参数值、例如允许使用操控信号来被设置的最大扭矩作为参量一并列入输入参量xF。
第三功能虽然被建模,但是在该示例中事后并未被改变,原因在于这种改变会使车辆100在其中行驶的环境102发生变化。如果环境102的这种改变是可能的,则同样可能会提供第三功能的改变。在该示例中,第三功能被用于传播其它两个功能对彼此的效果。
可以规定:根据测量,确定第二功能的输出参量是否引起高质量结果。该质量例如使用根据这些功能的输入和输出的值所定义的量度来被确定。在步骤204中,这些值根据特定测量xF,yF来被指定。可以规定:如果该测量指示第二功能的输出参量引起高质量结果,则重复步骤204。在该示例中,如果车道保持功能104使车辆100保持在车道106中间,则引起高质量结果。那么,在该示例中,不需要调整。可以规定:否则,执行步骤206。
在步骤206中,在该测量上,对于每个功能,确定噪声后验p(ε|xF,yF,X,Y)。
噪声后验p(ε|xF,yF,X,Y)是在干扰参量ε上的分布,该分布在模型的模型假设下估计干扰参量ε的哪些值造成了特定测量,即需要哪个干扰参量ε来将输入xF转换成特定值yF。
然后,执行步骤208。
在步骤208中,执行反事实分析。
对于每个功能,利用该反事实分析,做出关于这些功能之一的改变对特定观察的效果的预测。
在该反事实分析中,针对相应功能的由于在系统处的改变而出现的新输入x*,生成该功能的新输出值y*,这些新输出值保留用于该功能的模型p(y|x)的函数关系并且将这些函数关系和与观察适配的干扰参量ε|xF,yF,X,Y相组合。
该组合对于第一功能来说得出反事实模型p(y|x,X,Y,xF,yF,0),对于第二功能来说得出反事实模型p(y|x,X,Y,xF,yF,1),而且对于第三功能来说得出反事实模型p(y|x,X,Y,xF,yF,2)。
利用这些反事实模型,生成伪观察。
首先,对于每个功能,参数化、即在该示例中是参数集φ,按照关于用于该功能的模型p(y|x)的参数化的分布、即在该示例中关于参数集φ的分布p(φ)来生成。可以规定:分布p(φ)如针对下列示例所描述的那样借助于证据下限(evidence lower bound)、即ELBO来被学习。附加地,借助于新输入值x*的条件分布p(f(x*)|x*,φ,X,Y)来确定与相应功能的输出参量的函数关系,即生成输出参量的新值f(x*)。
a.如果应改变第一功能或第二功能,则为此按照来自用于该功能的模型p(y|x)中的N(0,σ)来生成干扰参量ε。对于其中旨在分析特定变化的车道辅助示例来说,例如进行相应模型的输入参量和输出参量的变化。在其中应该对变化直接进行评估的该车道辅助示例中,可以规定:替代输出参量的新值f(x*),设置输出yinterv。该输出yinterv定义了后续功能的新输入值x*,并且在该示例中被用于确定对该后续功能以及必要时还有对其它后续功能的效果。这意味着:如果为第一功能设置该输出yinterv,则确定对第二功能以及必要时还有对第三功能的效果。这意味着:如果为第二功能设置该输出yinterv,则确定对第三功能以及对第一功能的效果。
b.如果不应改变功能,则按照针对该功能所确定的噪声后验p(ε|xF,yF,X,Y)来生成干扰参量ε。在该示例中,使用下列等式根据该噪声后验p(ε|xF,yF,X,Y)来生成干扰参量ε的新值:
p(ε|xF,yF,X,Y)=∫ψ(ε;μr,sr)p(φ|xF,yF,X,Y)dφ
其中ψ是特定参数集φ的具有均值
μr=σ2(kΘ(xF,xF)+σ2)-1(gφ(yF,xF))
和方差
sr=σ2(I-σ2(kΘ(xF,xF)+σ2)-1)的高斯密度。即,确定正态分布的均值μr和方差sr,该均值和该方差又取决于训练数据、特定观察以及关于该参数集φ的分布p(φ|xF,yF,X,Y)。这意味着:干扰参量ε的影响根据参数化、在该示例中是参数集φ并且根据关于该参数化的分布、在该示例中关于该参数集φ的分布p(φ|xF,yF,X,Y)来被建模。该分布、在该示例中p(φ|xF,yF,X,Y),可以被指定或者从训练数据中被学习。在该示例中,从这些训练数据中学习该分布p(φ|xF,yF,X,Y)。该分布对关于该参数化、在该示例中关于该参数集φ的不确定性进行建模。在该示例中按如下地进行:
i.对于该功能,评估模型p(y|x)的后验预测协方差kθ(xF,xF)。该后验预测协方差作为观察值xF的第一条件分布p(f(xF)|xF,X,Y,φ)的方差得出,并且通过下列等式来给出:
kθ(xF,xF)=Kθ(xF,xF)-Kθ(xF,X)(Kθ(X,X)+σI)-1Kθ(X,xF))
在该示例中,确定观察值yF,xF的第二函数关系gφ(yF,xF),并且由此确定ψ(ε,μr,sr)的均值μr和方差sr。
ii对于该功能,从具有均值μr和方差sr的正态分布生成新干扰参量ε。
c.新干扰参量ε与新输入值x*的函数关系f(x*)相组合,并且被组合成输出参量的新值y*=gφ -1(f(x*)+ε,x*)。在此,gφ -1表示在干扰参量ε对第一函数关系f(x)的加法影响下在该功能的输入x与输出y之间的双射第二函数关系gφ的倒数。
这意味着:该功能的反事实分析的结果包括大量伪观察。
然后,执行步骤210。
在步骤210中,根据反事实分析的结果、即根据所述多个伪观察,确定这两个功能中的哪个功能在其已被改变时具有更高概率来改善结果质量。在该示例中,确定具有最高概率来改善该质量的功能。在车道辅助示例中,可以规定:利用明确的变化,测试多个可能的变化或其质量,即按照算法来对所述多个可能的变化或其质量进行模拟。
在该示例中,使用相应反事实模型p(y|x,X,Y,xF,yF,i)的伪观察,其中i=0,1,以便确定这些功能中的哪个功能在其已被改变时具有最高概率来改善该质量。例如,使用该量度根据相应反事实模型p(y|x,X,Y,xF,yF,i)的伪观察中的每一个伪观察来计算该质量,其中i=0,1。
例如,对于当前的伪观察来说,确定这些功能中的该功能,如果该功能会像在正常运行时那样工作,则该功能会引起质量改善。通过选择这些功能中的在对其进行改变时实现最高质量的那个功能,标识潜在有问题的功能。
在其中旨在评估系统处的直接变化的车道辅助示例中,规定:选择实现最佳质量的变化。
可以规定:在对同一功能进行不同改变的情况下确定多个伪观察;并且根据这些伪观察来确定该质量的相应量度。可以规定:确定平均质量、即针对所述多个伪观察分别确定的质量量度的均值。可以规定:确定这些功能中的具有最高概率来改善该平均质量的功能。
然后,执行步骤212。在步骤212中,所选择的函数根据其模型的参数化来被改变。
在其中旨在实现系统处的直接变化的车道辅助示例中,规定:应用所选择的实现最佳质量的变化。即,该系统与此相对应地被改变。
然后,执行步骤204。借此,该车辆继续被监控。
在该示例中,标识:该识别或该操控是否应该被改变。由此,在该示例中,标识:车道保持功能104的哪个部分应该被调整。
可以规定:在该反事实分析中检查:由于第一功能或第二功能的变化,行为是否会使观察发生变化。借此,会发现变化是否应被评估为有前途。
可以规定:分别使用噪声后验p(ε|xF,yF,X,Y),通过该系统来传播该变化。在这种情况下,分析该变化对该观察的效果。
由于该观察是已知的并且第一功能、例如该识别或者第二功能、例如该操控是否被改变,该改变及其影响都是可解释的。
在该示例中,在训练阶段,第一功能的输入参量、该状态参量以及第二功能的输出参量从训练数据中被指定。来自这些训练数据中的第二功能的输出参量是第一功能的输入参量的所希望的行为。这些训练数据包括彼此分配的参量,分别是:第一功能的输入参量;以及被分配给该输入参量的状态参量;以及被分配给该输入参量的第二功能的输出参量。
在该示例中,所观察的传感器信号被指定为该识别的输入参量,该识别的所观察的输出值被指定为该操控的输入参量,而且所观察的操控信号被指定为该操控的输出参量,以及为此所观察的状态参量在车辆100的所希望的行为的情况下被指定。该识别的输出值例如是一种对环境102的感知的表示,例如道路左右的车道边界。
在训练阶段,第一功能的模型根据第一功能的输入参量以及状态参量来被训练。在训练阶段,第二功能的模型根据状态参量以及第二功能的输出参量来被训练。第一功能的模型被训练来根据这些训练数据尽可能精确地预测状态参量。第二功能的模型被训练来根据这些训练数据为状态参量尽可能精确地预测第二模型的输出参量。
在该示例中,该识别的模型p(y|x)被学习,其中x是第一功能的输入参量并且y是状态参量。在该示例中,该操控的模型p(y|x)被学习,其中x是状态参量并且y是第二功能的输出参量。在该示例中,该环境的模型p(y|x)被学习,其中x是状态参量并且y是第三功能的输出参量。该识别的模型p(y|x)、该操控p(y|x)的模型和该环境p(y|x)的模型考虑相应的随机干扰参量ε的影响。
在分析阶段,通过随机干扰参量ε的可能的多次随机实验,对于用于特定观察的每个模型或功能,预测当第一功能或第二功能会被改变时第二功能的输出参量的行为如何发生变化。
在分析阶段,从分析数据中指定第一功能的输入参量。这些分析数据包括彼此分配的参量,分别是:第一功能的输入参量;以及被分配给该输入参量的用于状态参量的参考;以及被分配给该输入参量的用于第二功能的输出参量的参考。
在分析阶段,使用第一功能的模型来确定经建模的状态参量,而且使用第二功能的模型来确定第二功能的经建模的输出参量。根据经建模的状态参量与用于该状态参量的参考的偏差并且根据经建模的输出参量与用于第二功能的输出参量的参考的偏差,改变第一功能或者改变第二功能。
所观察的传感器信号或经建模的状态参量可以包括车辆100的移动的距离、速度、加速度。
另一方面,在下文以针对生产线300的故障分析为例来描述该装置和该方法。
在图3中示意性示出了生产线300。
在该示例中,生产线300包括多个生产单元302。
在该示例中,示出了三个生产单元302。
第一生产单元302具有第一输出参量304,该第一输出参量是用于第二生产单元302的输入参量。第一生产单元302具有第二输出参量306,该第二输出参量是用于第二生产单元302的另一输入参量。第一生产单元302具有第三输出参量308,该第三输出参量是用于第三生产单元302的输入参量。
第二生产单元302具有第一输出参量310,该第一输出参量是用于第三生产单元302的输入参量。第二生产单元302具有第二输出参量312,该第二输出参量是用于第三生产单元302的另一输入参量。第三生产单元302具有输出参量314,该输出参量是用于第二生产单元302的输入参量。
在图4中以用于生产线300的故障分析的实施方案来示出该方法的流程图。如针对第一功能和第二功能所描述的那样,这些生产单元302表示生产线300的不同功能。
针对生产线300的每个生产单元302,在步骤402中,对模型
p(y|x)=∫p(y|f(x),ε,x,φ)p(f(x)|x,φ)p(ε|x,φ)p(φ)dεdf(x)
进行训练。在下文,描述针对生产线300的生产单元302之一的训练。在该示例中,对于生产线300的其它生产单元302来说,其它模型以相同方式来被训练。还可以规定:仅针对生产线300的生产单元302的一部分,在该方法中训练相应模型,例如如果为生产线300的生产单元302的另一部分提供已经经过预训练的模型的话。
模型p(y|x)包括第一分布p(f(x)|x,φ),其中f(x)描述了生产单元302的输入x与输出y之间的第一函数关系,并且f(x)使用高斯过程来被建模。模型p(y|x)包括第二分布p(ε|x,φ),该第二分布对干扰参量ε的影响进行建模。模型p(y|x)包括第三分布p(φ),该第三分布对这些分布之间的关系的关于参数化、即在该示例中是参数集φ的不确定性进行建模。模型p(y|x)包括第四分布p(y|f(x),ε,x,φ),该第四分布将函数关系以及干扰参量的影响按照该参数化、即在该示例中按照该参数集φ来转换成输入x和输出y的观察。
模型p(y|x)有关输入x和输出y的指定的训练数据X,Y来被训练。例如使用如下输入x和输出y,在这些输入和输出的情况下,生产线300产生高质量结果。经训练的模型p(y|x)表示正常运行。
对模型p(y|x)的训练包括:确定各个因素,即第二分布p(ε|x,φ)和第三分布p(φ),其中这些因素以所看到的训练数据X,Y为条件。由于该条件,这些分布会发生变化。
对于第一分布p(f(x)|x,φ),在训练中,确定第一条件分布p(f(x)|x,φ,X,Y)。对于第二分布p(ε|x,φ),在训练中,确定第二条件分布p(ε|x,φ,X,Y)。对于第三分布p(φ),在训练中,确定第三条件分布p(φ|X,Y)。
接着,这些条件分布被用于使用模型p(y|x)的预测。该预测可以生成输出y的新值,这些新值与训练数据X,Y相似。
可以规定:分布p(φ)通过正态分布N(m,s)来给出,该正态分布借助于下列等式来被学习:
该等式利用证据下限、即ELBO来表示。在该示例中,第一条件分布p(f(x)|x,φ,X,Y)通过高斯过程的后验预测分布来给出。
在该示例中,第二条件分布p(ε|x,φ,X,Y)=N(0,σ)呈正态分布。在该示例中,该第二条件分布的方差σ通过对ELBO的优化来被确定。
在该示例中,第四分布p(y|f(x),ε,x,φ)通过具有第五分布的模型假设来得出:
p(y|f(x),ε,x,φ)=δ(gφ -1(f(x)+ε,x))
其中gφ -1表示在干扰参量ε对第一函数关系f(x)的加法影响下在生产单元302的输入x与输出y之间的双射第二函数关系gφ的倒数。即,在该模型假设中,在函数关系(f(x))、干扰参量ε与到观察的参数化转换gφ之间的这种关系被假设。这里,δ表示狄拉克(Dirac)分布,即y的不对应于g-1 φ(f(x)+ε)的值被排除。
然后,执行步骤404。
在步骤404中,例如在使用生产线300进行生产期间,执行测量,即存在针对生产单元302的输入和输出的特定测量xF,yF,为这些生产单元提供模型p(y|x)。
在图3中示出的示例中,例如在该测量中检测:第一生产单元的第一输出参量304和第二输出参量306和第三输出参量308;以及第二生产单元的第一输出参量310和第二输出参量312;以及第三生产单元的输出参量314。借此,在该示例中,还检测相应的输入参量。
可以规定:根据该测量,确定生产线300是否产生高质量结果。该质量例如使用根据生产单元302的输入和输出的值所定义的量度来被确定。在步骤404中,这些值根据特定测量xF,yF来被指定。可以规定:如果该测量指示生产线300产生高质量结果,则重复步骤404。那么,在该示例中,不需要调整。可以规定:否则,执行步骤406。
在步骤406,在该测量上,为生产线300的对其提供模型p(y|x)的每个生产单元302,确定噪声后验p(ε|xF,yF,X,Y)。
通过对来自该测量中的测量值进行调节,该噪声后验p(ε|xF,yF,X,Y)不再一定分布在0附近。
噪声后验p(ε|xF,yF,X,Y)是在干扰参量ε上的分布,该分布在模型的模型假设下估计干扰参量ε的哪些值造成了特定测量,即需要哪个干扰参量ε来将输入xF转换成特定值yF。
可以规定:为生产线300的生产单元302的子集确定噪声后验p(ε|xF,yF,X,Y)。
然后,执行步骤408。
在步骤408中,执行反事实分析。
对于生产线300的为其提供模型p(y|x)的每个生产单元302,为此所提供的噪声后验p(ε|xF,yF,X,Y)与来自该测量中的特定观察适配。
利用反事实分析,对于生产线300的为其提供模型p(y|x)的每个生产单元302,做出关于在生产线300的生产单元302中的改变对特定观察的效果的预测。
在该反事实分析中,针对在相应生产单元302上的由于在系统处的改变而出现的新输入x*,生成该生产单元302的新输出值y*,这些新输出值保留用于该生产单元302的模型p(y|x)的函数关系并且将这些函数关系和与观察适配的干扰参量ε|xF,yF,X,Y相组合。
该组合对于该生产单元302来说得出反事实模型p(y|x,X,Y,xF,yF,i)。在这种情况下,索引i说明哪个生产单元302应该被改变。
这意味着:为至少一个应被改变的生产单元302并且为i个生产单元302中的不应直接被改变的其它生产单元,创建反事实模型p(y|x,X,Y,xF,yF,i)。在该至少一个生产单元302中的变化由于被改变的输出而被传播到其它生产单元。这意味着:这些其它生产单元的输入可能发生变化。
可以规定:在生产线300的至少一个生产单元302的情况下,该生产单元的输出能以分析方式来被确定,即没有噪声后验。在这种情况下,该生产单元的输出以分析方式被确定,并且针对生产线300的生产单元302的子集来确定噪声后验p(ε|xF,yF,X,Y)。
可以规定:为针对其确定该噪声后验p(ε|xF,yF,X,Y)的生产单元302,或者为这些生产单元302的子集,确定反事实模型p(y|x,X,Y,xF,yF,i)。
这里,变化意味着:替代属于特定观察xF,yF的干扰参量影响,确定用于该生产单元302的模型p(y|x)的干扰参量影响的效果。
生产线的i个生产单元302的反事实模型p(y|x,X,Y,xF,yF,i)表示如下模型,在该示例中,在该模型中生成伪观察。为此,执行下列算法,以便将生产单元302的变化的效果传播到其它生产单元302:
第一生产单元302的特点在于:生产线300的其它生产单元302都不具有如下输出,该输出是用于该第一生产单元302的输入。这意味着:对于第一生产单元302来说,在该示例中不提供输入值x。如果第一生产单元302应该被改变,则为第一生产单元302提供新输出值y*。
对于生产单元302来说,如果存在为其提供新输出值y*的生产单元302,该新输出值定义了该生产单元302的新输入值x*,则新输入值x*可用。利用生产单元302的反事实模型p(y|x,X,Y,xF,yF,i),根据当前单元是否应被改变,如在下文针对该生产单元302所描述的那样产生该新输出值y*。
首先,针对生产单元302,按照所学习的关于该生产单元302的模型(y|x)的参数化的分布q(φ),生成参数化、即在该示例中是参数集φ。附加地,借助于新输入值x*的第一条件分布p(f(x*)|x*,φ,X,Y),确定与该生产单元302的输出参量的函数关系,即生成输出参量的新值f(x*)。在该示例中,对于第一生产单元302来说,不存在输入值x,即也不存在新输入值x*。在这种情况下,设置输入值x*=1。
a.如果应该改变该生产单元302,则按照来自该生产单元302的模型p(y|x)中的N(0,σ)来生成干扰参量ε。
b.如果不应改变该生产单元302,则按照针对该生产单元302所确定的噪声后验p(ε|xF,yF,X,Y)来生成干扰参量ε。在该示例中,使用下列等式根据该噪声后验p(ε|xF,yF,X,Y)来生成干扰参量ε的新值:
p(ε|xF,yF,X,Y)=∫ψ(ε;μr,sr)p(φ|xF,yF,X,Y)dφ
其中ψ是特定参数集φ的具有均值
μr=σ2(kΘ(xF,xF)+σ2)-1(gφ(yF,xF))
和方差
sr=σ2(I-σ2(kΘ(xF,xF)+σ2)-1)的高斯密度。即,确定正态分布的均值μr和方差sr,该均值和该方差又取决于训练数据、特定观察以及关于该参数集φ的分布p(φ|xF,yF,X,Y)。这意味着:干扰参量ε的影响根据参数化、在该示例中是参数集φ并且根据关于该参数化、在该示例中关于该参数集φ的分布p(φ|xF,yF,X,Y)来被建模。该分布p(φ|xF,yF,X,Y)可以被指定或者被学习。在该示例中,从这些训练数据中学习该分布p(φ|xF,yF,X,Y)。该分布对关于该参数化、在该示例中关于该参数集φ的不确定性进行建模。在该示例中按如下地进行:
i.对于该生产单元302来说,评估模型p(y|x)的后验预测协方差kθ(xF,xF)。该后验预测协方差作为观察值xF的第一条件分布p(f(xF)|xF,X,Y,φ)的方差得出,并且通过下列等式来给出:kθ(xF,xF)=Kθ(xF,xF)-Kθ(xF,X)(Kθ(X,X)+σI)-1Kθ(X,xF))。在该示例中,确定观察值yF,xF的第二函数关系gφ(yF,xF),并且由此确定ψ(ε,μr,sr)的均值μr和方差sr。
ii对于该生产单元302来说,从具有均值μr和方差sr的正态分布生成新干扰参量ε。
c.新干扰参量ε与新输入值x*的第一函数关系f(x*)相组合,并且被组合成输出参量的新值y*=gφ -1(f(x*)+ε,x*)。
这意味着:用于生产单元302的反事实分析的结果包括多个伪观察。
然后,执行步骤410。
在步骤410中,根据反事实分析的结果、即根据所述多个伪观察,确定哪个生产单元302在其已被改变时具有比另一生产单元302更高的概率来改善生产线300产生的结果的质量。在该示例中,确定具有最高概率来改善该质量的生产单元302。
在该示例中,使用反事实模型p(y|x,X,Y,xF,yF,i)的伪观察,以便确定哪个生产单元302在其已被改变时具有最高概率来改善该质量。该质量例如使用根据这些生产单元302的输入和输出的值所定义的量度来被确定。在步骤410中,根据反事实模型p(y|x,X,Y,xF,yF,i)的伪观察中的每一个伪观察来计算这些值。
例如,对于当前的伪观察来说,确定生产单元302,如果该生产单元会像在正常运行时那样工作,则该生产单元会引起质量改善。通过选择在对其进行改变时实现最高质量的那个生产单元302,标识潜在有问题的生产单元302。
可以规定:在对同一生产单元302进行不同改变的情况下确定多个伪观察;并且根据这些伪观察来确定该质量的相应量度。可以规定:确定平均质量、即针对所述多个伪观察分别确定的质量量度的均值。可以规定:确定具有最高概率来改善该平均质量的生产单元302。
然后,执行步骤412。在步骤412中,输出所选择的生产单元302。
在该示例中,然后执行步骤404。借此,生产线300继续被监控。还可以规定:该方法结束。
参数化φ不一定必须与物理生产单元302的参数化相关联。利用所描述的做法,标识是否应改变生产单元302。该变化涉及:通过生产单元302的正常运行来替换该生产单元的当前运行。在该示例中,未确定生产单元302的硬件或对其的控制应如何被改变。
在图5中,示意性示出了用于改变包括第一功能和第二功能的技术系统或者用于改变包括第一功能和第二功能的技术过程的装置500。该装置500被设计为执行该方法。在该示例中,该装置500包括至少一个处理器502和至少一个存储器504,该处理器和该存储器被设计为执行该方法。在该示例中,该装置500包括至少一个接口506,该接口被设计为:检测在该第一功能或该第二功能上的观察并且改变所选择的功能。
对于车辆100来说,该装置500例如被设计为:检测传感器信号作为观察;而且改变操控信号。
对于生产线300来说,该装置500例如被设计为:检测生产单元302的输入和输出参量作为观察;而且改变这些生产单元302中的一个。
该方法和该装置500既不限于观察两个功能,也不限于从这两个功能中选择所要改变的功能。更确切地说,可以通过模型来对任意数量的功能进行建模并且从这些功能中选择所要改变的功能。
Claims (11)
1.一种用于分析包括第一功能和第二功能的技术系统或者用于分析包括第一功能和第二功能的技术过程的方法,其特征在于,针对所述第一功能提供(202;402)第一模型并且针对所述第二功能提供第二模型,其中所述第一模型根据第一参数化并且根据指定的、尤其是所学习的关于所述第一参数化的分布来对所述第一功能的输入参量与输出参量的函数关系以及第一干扰参量的影响进行建模,其中所述第二模型根据第二参数化并且根据指定的、尤其是所学习的关于所述第二参数化的分布来对所述第二功能的输入参量与输出参量的函数关系以及第二干扰参量的影响进行建模,其中提供(204;404)观察,所述观察包括所述第一功能和所述第二功能的输入参量和输出参量,其中确定(206、208;406、408)关于在所述第一干扰参量的影响下改变所述第一功能的效果和/或在所述第二干扰参量的影响下改变所述第二功能的效果的预测,其中选择(210;410)这些功能中的其改变相对于这些功能中的另外功能的改变而言有更高概率实现所希望的效果的那个功能。
2.根据权利要求1所述的方法,其特征在于,所选择的功能根据对所述所选择的功能进行建模的模型的参数化来被改变(212),或者与此无关地来被改变。
3.根据权利要求1或2所述的方法,
其特征在于,
所述第一功能的输入参量根据传感器信号、尤其是用于检测数字图像的传感器(108)的传感器信号来被确定(204),其中所述第二功能的输入参量根据所述第一功能的输出参量来被确定;或者
所述第一功能的输入参量根据在生产线(300)的第一生产单元(302)的输入处的测量参量来被确定(404)并且所述第一功能的输出参量根据在所述第一生产单元(302)的输出处的测量参量来被确定,而且所述第二功能的输入参量根据在所述生产线(300)的第二生产单元(302)的输入处的测量参量来被确定并且所述第二功能的输出参量根据在所述第二生产单元(302)的输出处的测量参量来被确定,
其中所述第一生产单元(302)执行所述第一功能,其中所述第二生产单元(302)执行所述第二功能。
4.根据权利要求1至3所述的方法,其特征在于,所述第二功能的输出参量表征操控信号、尤其是用于转向装置(114)的操控信号。
5.根据权利要求1至4中任一项所述的方法,
其特征在于,
选择(210、410)所述第一功能,其中所述第一参数化根据正态分布来被确定,其中所述第一干扰参量根据所述正态分布来生成(208、408),而且其中所述第一功能根据所述第一模型的参数化来被改变。
6.根据权利要求1至5中任一项所述的方法,其特征在于,选择(210、410)所述第一功能,其中所述第二参数化根据正态分布来被确定,其中所述第二干扰参量根据在所述第二干扰参量上的后验分布来被确定,所述后验分布为所述观察估计(208、408)作为起因的第二干扰参量。
7.根据权利要求1至6中任一项所述的方法,其特征在于,在迭代中提供(204、404)所述观察并且根据所述观察来改变(212、412)所选择的功能,其中根据所改变的功能来提供(204、404)用于下一次迭代的观察。
8.一种用于分析包括第一功能和第二功能的技术系统或者用于分析包括第一功能和第二功能的技术过程的装置(500),其特征在于,所述装置(500)被设计为执行根据权利要求1至7中任一项所述的方法。
9.根据权利要求8所述的装置(500),其特征在于,所述装置(500)包括至少一个处理器(502)和至少一个存储器(504),所述处理器和所述处理器被设计为执行根据权利要求1至7中任一项所述的方法。
10.根据权利要求9所述的装置(500),其特征在于,所述装置包括至少一个接口(506),所述接口被设计为:检测在所述第一功能或所述第二功能上的观察并且改变所选择的功能。
11.一种计算机程序,其特征在于,所述计算机程序包括计算机可读指令,在所述计算机可读指令由计算机来执行时,根据权利要求1至7中任一项所述的方法运行。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022203370.1A DE102022203370A1 (de) | 2022-04-05 | 2022-04-05 | Vorrichtung und Verfahren zum Verändern eines technischen Systems oder eines technischen Ablaufs |
DE102022203370.1 | 2022-04-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116893675A true CN116893675A (zh) | 2023-10-17 |
Family
ID=88018786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310358793.3A Pending CN116893675A (zh) | 2022-04-05 | 2023-04-06 | 用于改变技术系统或技术过程的装置和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230341826A1 (zh) |
CN (1) | CN116893675A (zh) |
DE (1) | DE102022203370A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006059829A1 (de) | 2006-12-15 | 2008-06-19 | Slawomir Suchy | Universalcomputer |
-
2022
- 2022-04-05 DE DE102022203370.1A patent/DE102022203370A1/de active Pending
-
2023
- 2023-04-03 US US18/295,030 patent/US20230341826A1/en active Pending
- 2023-04-06 CN CN202310358793.3A patent/CN116893675A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022203370A1 (de) | 2023-10-05 |
US20230341826A1 (en) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10449958B2 (en) | Feedback-based control model generation for an autonomous vehicle | |
US11531899B2 (en) | Method for estimating a global uncertainty of a neural network | |
WO2021037765A1 (en) | Performance testing for robotic systems | |
US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
US10677686B2 (en) | Method and apparatus for autonomous system performance and grading | |
JP2022546729A (ja) | 複雑な人間挙動に関するモジュール式予測 | |
CN111433689B (zh) | 用于目标系统的控制系统的生成 | |
JP2007091104A (ja) | 車両挙動推定予測装置および車両安定化制御システム | |
Zhang et al. | Thruster fault diagnosis in autonomous underwater vehicle based on grey qualitative simulation | |
CN114648633A (zh) | 确定车辆环境的语义分割的方法 | |
EP3640857B1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation | |
Wang et al. | Sensor fault detection of vehicle suspension systems based on transmissibility operators and Neyman–Pearson test | |
CN116893675A (zh) | 用于改变技术系统或技术过程的装置和方法 | |
KR20210064070A (ko) | 센서 데이터 프로세싱 방법 및 디바이스 | |
Liang et al. | Wip: End-to-end analysis of adversarial attacks to automated lane centering systems | |
US20220390596A1 (en) | Method, apparatus and computer program for enabling a sensor system for detecting objects in an environment of a vehicle | |
CN115169477A (zh) | 辅助驾驶系统的安全感评估方法、装置、设备及存储介质 | |
KR20220002087A (ko) | 심층 신경망을 이용한 차선 추정 방법 및 장치 | |
JP2023548749A (ja) | センサデータのアノテーションのための方法およびシステム | |
CN117121028A (zh) | 用于概率时空预测的方法、系统及计算机可读介质 | |
Wissing et al. | Development and test of a lane change prediction algorithm for automated driving | |
US20240078437A1 (en) | Method for training a generative adversarial network | |
EP4336407A1 (en) | Method for uncertainty estimation in object detection models | |
RU2764873C1 (ru) | Способ обнаружения аномалий в инфокоммуникационных системах | |
US20230195977A1 (en) | Method and system for classifying scenarios of a virtual test, and training method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |