CN117657160A - 训练机器学习算法以输出对车辆的控制的干预规范的方法 - Google Patents

Abstract

本发明涉及一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法，其中所述方法具有如下步骤：在所述机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一(2)；如果执行特定驾驶机动，则在执行所述驾驶机动期间检测所述机动车辆的驾驶员对所述机动车辆的控制的干预(3)；以及基于所述特定驾驶机动和所检测到的所述机动车辆的驾驶员对所述机动车辆的控制的干预，训练所述至少一种机器学习算法(4)。

Description

训练机器学习算法以输出对车辆的控制的干预规范的方法

技术领域

本发明涉及一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法，该机器学习算法可以被用于：以简单的方式和方法并且以低的资源消耗来评估在执行特定驾驶机动期间该机动车辆的控制的至少一个组件和/或至少一个相似的机动车辆的控制的组件的行为。

背景技术

普通机动车辆越来越多地配备有驾驶员辅助系统。在此，驾驶员辅助系统尤其被理解为电子附加装置，这些电子附加装置被设计为在某些驾驶情况下辅助机动车辆的驾驶员。在此，这种驾驶员辅助系统的示例是行驶动力学调节，诸如电子稳定性控制，其被设计为：通过有针对性地制动机动车辆的各个车轮来抵消机动车辆的打滑，并且其按标准尤其是必须被集成到重型商用车辆中。

由于这种行驶动力学调节干预机动车辆的控制，所以其与安全极其相关，并且必须在其使用之前经过充分测试，其中，对相对应的测试方法和/或测试系统或者相对应的测试规范提出了非常高的要求。

在此，对这种行驶动力学调节的测试通常基于手动测试方法，其中，通常区分开环(open-loop)调节和闭环(closed-loop)调节。开环调节基于：预定义的驾驶员输入或者对机动车辆的控制的干预是与车辆反应无关地进行的，并且评估所测量的或实际的车辆反应。此外，闭环调节基于：进行取决于车辆反应的驾驶员输入，并且评估为此所需的花费、例如用于保持指定的目标路线的花费，以及评估测量参量的在相对应的驾驶机动的情况下利用车辆配置所达到的极值。然而，在这种情况下例如被证明是不利的是：这种测试方法无法完全自动化，原因在于驾驶员的行为和/或反应在特定驾驶机动的情况下通常只能被手动记录。

从出版文献DE 102006031242 A1公知一种用于执行对位于车辆中的控制设备的测试的方法，在该方法中，自动模拟可在车辆的运行期间产生的至少一种运行情况。

发明内容

本发明所基于的任务在于：能够实现一种经改进的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的测试方法。

该任务通过一种按照专利权利要求1的特征的用于训练机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法来解决。

此外，该任务也通过一种按照专利权利要求6的特征的用于训练机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统来解决。

按照本发明的实施方式，该任务通过一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法来解决，其中该方法具有：在机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一；如果执行特定驾驶机动，则在执行该驾驶机动期间检测机动车辆的驾驶员对机动车辆的控制的干预；以及基于该特定驾驶机动和所检测到的机动车辆的驾驶员对机动车辆的控制的干预，训练该至少一种机器学习算法。

在此，驾驶机动被理解为为了引起车辆反应而进行的机动或者对机动车辆的控制的干预。

此外，机动车辆的控制或者机动车辆的控制的组件被理解为对于控制或运行或驾驶机动车辆所需的组件，尤其是与机动车辆的传动系共同起作用的机动车辆的组件。

此外，机器学习算法基于：使用统计方法，以便对数据处理系统进行训练，使得该数据处理系统可以在该数据处理系统最初未曾明确为了特定任务而被编程的情况下执行该特定任务。在此，机器学习的目的在于构建可以从数据中学习并做出预测的算法。这些算法创建数学模型，利用这些数学模型例如可以对数据进行分类。

因此，训练如下机器学习算法，该机器学习算法被设计为：在存在特定驾驶机动时自动指定驾驶员对机动车辆的控制的干预。因此，基于该机器学习算法，可以使对在特定驾驶机动的情况下机动车辆的控制的至少一个组件的行为的评估自动化。这所具有的优点在于：相比于手动测试方法，该评估或相对应的测试方法更不容易出错并且更鲁棒。此外，该机器学习算法也可以在相似的机动车辆中应用，而不必首先分别开发复杂的测试方法和/或测试系统，从而以简单的方式和方法以及低的资源消耗、尤其是存储器和/或处理器能力的比较低的需求，就可以评估该机动车辆的控制的至少一个组件和至少一个相似的机动车辆的控制的组件的行为。在此，该至少一个相似的机动车辆尤其可以是同一制造商的机动车辆，该机动车辆应该会具有相似的驾驶行为。

因此，总体上，能够实现一种经改进的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的测试方法。

在此，对该至少一种机器学习算法的训练可以具有：基于该特定驾驶机动、所检测到的机动车辆的驾驶员对机动车辆的控制的干预以及关于机动车辆的驾驶员的信息，训练该至少一种机器学习算法。

在此，关于机动车辆的驾驶员的信息被理解为表征该驾驶员的驾驶行为的信息，例如该驾驶员通常是更运动地(sportlicher)驾驶还是更谨慎地驾驶，该驾驶员通常驾驶什么品牌的车辆，或者该驾驶员通常驾驶什么类型的车辆。

经此，还可以进一步改善相对应地训练的机器学习算法的鲁棒性，而且也还可以进一步改善对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估。

此外，机动车辆的驾驶员对机动车辆的控制的干预可以具有：改变转向角和/或改变车辆加速度和/或改变横摆率。

在此，转向角被理解为机动车辆的车轮的平均车轮转向角、尤其是机动车辆的车轮的由机动车辆的驾驶通过转向系统所指定的平均车轮转向角。

此外，车辆加速度被理解为机动车辆的加速度或者机动车辆的速度的每单位时间的增加。

此外，横摆率被理解为机动车辆绕着机动车辆的垂直轴线的旋转的角速度。

尤其是，所有在普通机动车辆中已经按标准监控的对机动车辆的控制的干预都可以被监控或检测，而无需复杂且昂贵的调整。

然而，机动车辆的驾驶员对机动车辆的控制的干预具有改变转向角和/或改变车辆加速度和/或改变横摆率，只是一种可能的实施方式。这样，对机动车辆的控制的干预例如也可以具有：改变机动车辆的一个或多个车轮的车轮转速。

此外，可以分别通过测试规范来指定至少一种驾驶机动中的每种驾驶机动。

在此，测试规范被理解为：为了能够执行特定测试用例所需的规定和准备。

因此可以使该机器学习算法最佳地适应相对应的需求情况，并且因此也还可以进一步改善对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估。

利用本发明的另一实施方式，也说明了一种用于评估在执行至少一种特定驾驶机动期间机动车辆的控制的至少一个组件的行为的方法，其中该方法具有：提供用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法，其中，该机器学习算法是通过上述用于训练机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法来被训练的；在使用所提供的用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法的情况下，测试车辆的控制的至少一个组件，以便提供测试结果；以及基于这些测试结果，评估在执行该至少一种特定驾驶机动期间机动车辆的控制的至少一个组件的行为。

因此，说明了一种用于评估在执行至少一种特定驾驶机动期间机动车辆的控制的至少一个组件的行为的方法，该方法基于用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法，该机器学习算法能够实现一种经改进的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的测试方法。该方法尤其基于机器学习算法，该机器学习算法被设计为：在存在特定驾驶机动时自动指定驾驶员的干预。因此，基于该机器学习算法，可以使对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估自动化。这所具有的优点在于：相比于手动测试方法，该评估或相对应的测试方法更不容易出错并且更鲁棒。此外，该机器学习算法也可以在相似的机动车辆中应用，而不必首先分别开发复杂的测试方法和/或测试系统，从而以简单的方式和方法以及低的资源消耗、尤其是存储器和/或处理器能力的比较低的需求，就可以评估该机动车辆的控制的至少一个组件和至少一个相似的机动车辆的控制的组件的行为。

此外，利用本发明的另一实施方式，也说明了一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统，其中该系统具有：确定单元，该确定单元被设计为：在机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一；至少一个检测单元，该检测单元被设计为：如果执行特定驾驶机动，则在执行该驾驶机动期间检测机动车辆的驾驶员对机动车辆的控制的干预；和训练单元，该训练单元被设计为：基于该特定驾驶机动和所检测到的机动车辆的驾驶员对机动车辆的控制的干预，训练该至少一种机器学习算法。

因此，说明了一种系统，利用该系统，能够实现一种经改进的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的测试方法。尤其说明了一种系统，该系统被设计为训练机器学习算法，该机器学习算法被设计为在存在特定驾驶机动时自动指定驾驶员的干预。因此，基于该机器学习算法，可以使对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估自动化。这所具有的优点在于：相比于手动测试方法，该评估或相对应的测试方法更不容易出错并且更鲁棒。此外，该机器学习算法也可以在相似的机动车辆中应用，而不必首先分别开发复杂的测试方法和/或测试系统，从而以简单的方式和方法以及低的资源消耗、尤其是存储器和/或处理器能力的比较低的需求，就可以评估该机动车辆的控制的至少一个组件和至少一个相似的机动车辆的控制的组件的行为。

在此，该训练单元可以被设计为：基于所执行的驾驶机动、所检测到的机动车辆的驾驶员对机动车辆的控制的干预以及关于机动车辆的驾驶员的信息，训练该至少一种机器学习算法。经此，还可以进一步改善相对应地训练的机器学习算法的鲁棒性，而且也还可以进一步改善对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估。

此外，机动车辆的驾驶员对机动车辆的控制的干预又可以具有：改变转向角和/或改变车辆加速度和/或改变横摆率。尤其是，所有在普通机动车辆中已经按标准监控的对机动车辆的控制的干预都可以被监控或检测，而无需复杂且昂贵的调整。

然而，机动车辆的驾驶员对机动车辆的控制的干预具有改变转向角和/或改变车辆加速度和/或改变横摆率，又只是一种可能的实施方式。这样，对机动车辆的控制的干预例如也可以具有：改变机动车辆的一个或多个车轮的车轮转速。

此外，又可以分别通过测试规范来指定至少一种驾驶机动中的每种驾驶机动。因此可以使该机器学习算法最佳地适应相对应的需求情况，并且因此也还可以进一步改善对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估。

此外，利用本发明的另一实施方式，也说明了一种用于评估在执行至少一种特定驾驶机动期间机动车辆的控制的至少一个组件的行为的系统，其中该系统具有：提供单元，该提供单元被设计为：提供用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法，其中，该机器学习算法是通过上述用于训练机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统来被训练的；测试单元，该测试单元被设计为：在使用所提供的用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法的情况下，测试车辆的控制的至少一个组件，以便提供测试结果；和评估单元，该评估单元被设计为：基于这些测试结果，评估在执行该至少一种特定驾驶机动期间机动车辆的控制的至少一个组件的行为。

因此，说明了一种用于评估在执行至少一种特定驾驶机动期间机动车辆的控制的至少一个组件的行为的系统，该系统基于用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法，该机器学习算法能够实现一种经改进的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的测试方法。该系统尤其基于机器学习算法，该机器学习算法被设计为在存在特定驾驶机动时自动指定驾驶员的干预。因此，基于该机器学习算法，可以使对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估自动化。这所具有的优点在于：相比于手动测试方法，该评估或相对应的测试方法更不容易出错并且更鲁棒。此外，该机器学习算法也可以在相似的机动车辆中应用，而不必首先分别开发复杂的测试方法和/或测试系统，从而以简单的方式和方法以及低的资源消耗、尤其是存储器和/或处理器能力的比较低的需求，就可以评估该机动车辆的控制的至少一个组件和至少一个相似的机动车辆的控制的组件的行为。

总而言之，应着重指出：利用本发明，说明了一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法，该机器学习算法可以被用于：以简单的方式和方法并且以低的资源消耗来评估在执行特定驾驶机动期间该机动车辆的控制的至少一个组件和/或至少一个相似的机动车辆的控制的组件的行为。

本发明的其它可能的设计方案、扩展方案、实现方案也包括本发明的之前或者在下文关于实施例所描述的特征的没有明确提到的组合。

附图说明

随附的附图旨在提供对本发明的实施方式的进一步理解。这些附图阐明了实施方式并且与说明书相结合地用于阐述本发明的原理和设计。

其它实施方式和所提到的优点中的多个优点参考这些附图得出。这些附图的所呈现的要素不一定彼此按正确比例地被示出。

其中：

图1示出了按照本发明的实施方式的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的方法的流程图；以及

图2示出了按照本发明的实施方式的用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统的示意性框图。

在这些附图的图中，只要不另作说明，相同的附图标记就表示相同或功能相同的要素、构件或组件。

具体实施方式

图1示出了按照本发明的实施方式的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的方法1的流程图。

普通机动车辆越来越多地配备有驾驶员辅助系统。在此，驾驶员辅助系统尤其被理解为电子附加装置，这些电子附加装置被设计为在某些驾驶情况下辅助机动车辆的驾驶员。在此，这种驾驶员辅助系统的示例是行驶动力学调节，诸如电子稳定性控制，其被设计为：通过有针对性地制动机动车辆的各个车轮来抵消机动车辆的打滑，并且其按标准尤其是必须被集成到重型商用车辆中。

由于这种行驶动力学调节干预机动车辆的控制，所以其与安全极其相关，并且必须在其使用之前经过充分测试，其中，对相对应的测试方法和/或测试系统提出了非常高的要求。

在此，对这种行驶动力学调节的测试通常基于手动测试方法，其中，通常区分开环(open-loop)调节和闭环(closed-loop)调节。开环调节基于：预定义的驾驶员输入或者对机动车辆的控制的干预是与车辆反应无关地进行的，并且评估所测量的或实际的车辆反应。此外，闭环调节基于：进行取决于车辆反应的驾驶员输入，并且评估为此所需的花费、例如用于保持指定的目标路线的花费，以及评估测量参量的在相对应的驾驶机动的情况下利用车辆配置所达到的极值。然而，在这种情况下例如被证明是不利的是：这种测试方法无法完全自动化，原因在于驾驶员的行为和/或反应在特定驾驶机动的情况下通常只能被手动记录。

在此，图1示出了方法1，该方法具有：步骤2：在机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一；步骤3：如果执行特定驾驶机动，则在执行该驾驶机动期间检测机动车辆的驾驶员对机动车辆的控制的干预；和步骤4：基于该特定驾驶机动和所检测到的机动车辆的驾驶员对机动车辆的控制的干预，训练至少一种机器学习算法，以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范。

因此，训练如下机器学习算法，该机器学习算法被设计为：在存在特定驾驶机动时自动指定驾驶员的干预。因此，基于该机器学习算法，可以使对在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的评估自动化。这所具有的优点在于：相比于手动测试方法，该评估或相对应的测试方法更不容易出错并且更鲁棒。此外，该机器学习算法也可以在相似的机动车辆中应用，而不必首先分别开发复杂的测试方法和/或测试系统，从而以简单的方式和方法以及低的资源消耗、尤其是存储器和/或处理器能力的比较低的需求，就可以评估该机动车辆的控制的至少一个组件和至少一个相似的机动车辆、例如同一制造商的机动车辆的控制的组件的行为。

因此，总体上，能够实现一种经改进的用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的测试方法。

在此，图1尤其示出了方法1，在该方法中，可以根据在先前或过去的行驶或者过去执行相对应的测试方法期间所获得的数据来产生以机器学习算法为形式的特殊驾驶员模型，在该驾驶员模型中，测量并且存储这些数据，以及然后将这些数据相对应地用于训练该至少一种机器学习算法。

在此，机器学习算法例如可以是人工神经网络。在此，人工网络可具有比较简单的架构或者比较少的中间层，原因在于分别只须指定具有大约二十至三十秒的时长的驾驶或测试序列。

此外，该至少驾驶机动例如可以是车道变换或者驼鹿测试。

此外，按照图1的实施方式，训练该至少一种机器学习算法的步骤4具有：基于所执行的驾驶机动、所检测到的机动车辆的驾驶员对机动车辆的控制的干预以及关于机动车辆的驾驶员的信息，训练该至少一种机器学习算法。

在此，尤其是例如可以为每个车辆制造商和/或每种车辆类型训练单独的机器学习算法。

此外，按照图1的实施方式，机动车辆的驾驶员对机动车辆的控制的干预又具有：改变转向角和/或改变车辆加速度和/或改变横摆率。

因此，可以基于通过按标准集成到ESP车辆中的传感器所检测到的数据来训练该至少一种机器学习算法。

此外，分别通过测试规范来指定该至少一种驾驶机动中的每种驾驶机动。

然后，该至少一种经过训练的机器学习算法例如可以被用于自动化地执行相对应的系统测试或者用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为。

如图1所示，在这种情况下，该方法1还具有：步骤5：在使用相对应的经过训练的用于输出在执行特定驾驶机动期间对机动车辆的控制进行干预的规范的机器学习算法的情况下，测试车辆的控制的至少一个组件，以便提供测试结果；和步骤6：基于这些测试结果，评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为。

在此，在使用至少一种经过训练的用于输出在执行特定驾驶机动期间关于机动车辆的虚拟驾驶员的行为的信息的机器学习算法的情况下测试车辆的控制的至少一个组件的步骤5尤其可以具有：对该测试方法进行虚拟执行，其中，基于人工智能以及尤其是相对应的机器学习算法来对该车辆进行转向或控制。

此外，基于这些测试结果来评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的步骤6可以具有：将这些测试结果与相对应的阈值进行比较。

然后，对机动车辆的控制的至少一个组件的行为的评估结果例如可以被用于开发车辆组件，例如制动系统。

但是，替代地，基于该至少一种经过训练的机器学习算法，也可以评估或验证相对应的手动测试方法。

图2示出了按照本发明的实施方式的用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统10的示意性框图。

在此，如图2所示，该系统10具有：确定单元11，该确定单元被设计为：在机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一；至少一个检测单元12，该检测单元被设计为：如果执行特定驾驶机动，则在执行该驾驶机动期间检测机动车辆的驾驶员对机动车辆的控制的干预；和训练单元13，该训练单元被设计为：基于该特定驾驶机动和所检测到的机动车辆的驾驶员对机动车辆的控制的干预，训练该至少一种机器学习算法。

在此，该确定单元和该训练单元例如可以分别基于寄存在存储器中并且可通过处理器来执行的代码予以实现。此外，该至少一个检测单元例如可以是车辆传感器或接收器，该接收器被设计为接收相对应的传感器数据。

该确定单元还可以被设计为：基于机动车辆的控制的数据和/或机动车辆的至少一个控制设备的数据，确定是否执行至少一种特定驾驶机动之一。

在此，按照图2的实施方式，该训练单元13还被设计为：基于所执行的驾驶机动、所检测到的机动车辆的驾驶员对机动车辆的控制的干预以及关于机动车辆的驾驶员的信息，训练该至少一种机器学习算法。

此外，机动车辆的驾驶员对机动车辆的控制的干预又具有：改变转向角、改变车辆加速度和改变横摆率。

此外，又分别通过测试规范来指定该至少一种驾驶机动中的每种驾驶机动。

在此，该系统10尤其可以被设计为：执行上述用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法。

Claims (10)

1.一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法，其中所述方法具有如下步骤：

-在所述机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一(2)；

-如果执行特定驾驶机动，则在执行所述驾驶机动期间检测所述机动车辆的驾驶员对所述机动车辆的控制的干预(3)；以及

-基于所述特定驾驶机动和所检测到的所述机动车辆的驾驶员对所述机动车辆的控制的干预，训练所述至少一种机器学习算法(4)。

2.根据权利要求1所述的方法，其中，对所述至少一种机器学习算法的训练(4)具有：基于所述特定驾驶机动、所检测到的所述机动车辆的驾驶员对所述机动车辆的控制的干预以及关于所述机动车辆的驾驶员的信息，训练所述至少一种机器学习算法。

3.根据权利要求1或2所述的方法，其中，所述机动车辆的驾驶员对所述机动车辆的控制的干预具有：改变转向角和/或改变车辆加速度和/或改变横摆率。

4.根据权利要求1至3中任一项所述的方法，其中，分别通过测试规范来指定所述至少一种驾驶机动中的每种驾驶机动。

5.一种用于评估在执行至少一种驾驶机动期间机动车辆的控制的至少一个组件的行为的方法，其中所述方法(1)具有如下步骤：

-提供用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法，其中，所述机器学习算法是通过根据权利要求1至4中任一项所述的用于训练机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的方法来被训练的；

-在使用所提供的用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法的情况下，测试所述车辆的控制的至少一个组件，以便提供测试结果(5)；以及

-基于所述测试结果，评估在执行所述至少一种特定驾驶机动期间所述机动车辆的控制的至少一个组件的行为(6)。

6.一种用于训练至少一种机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统，其中所述系统(10)具有：确定单元(11)，所述确定单元被设计为：在所述机动车辆的运行期间，确定是否执行至少一种特定驾驶机动之一；至少一个检测单元(12)，所述检测单元被设计为：如果执行特定驾驶机动，则在执行所述驾驶机动期间检测所述机动车辆的驾驶员对所述机动车辆的控制的干预；和训练单元(13)，所述训练单元被设计为：基于所述特定驾驶机动和所检测到的所述机动车辆的驾驶员对所述机动车辆的控制的干预，训练所述至少一种机器学习算法。

7.根据权利要求6所述的系统，其中，所述训练单元(13)被设计为：基于所述特定驾驶机动、所检测到的所述机动车辆的驾驶员对所述机动车辆的控制的干预以及关于所述机动车辆的驾驶员的信息，训练所述至少一种机器学习算法。

8.根据权利要求6或7所述的系统，其中，所述机动车辆的驾驶员对所述机动车辆的控制的干预具有：改变转向角和/或改变车辆加速度和/或改变横摆率。

9.根据权利要求6至8中任一项所述的系统，其中，分别通过测试规范来指定所述至少一种驾驶机动中的每种驾驶机动。

10.一种用于评估在执行特定驾驶机动期间机动车辆的控制的至少一个组件的行为的系统，其中所述系统具有：提供单元，所述提供单元被设计为：提供用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法，其中，所述机器学习算法是通过根据权利要求6至9中任一项所述的用于训练机器学习算法以输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的系统来被训练的；测试单元，所述测试单元被设计为：在使用所提供的用于输出在特定驾驶机动的情况下对机动车辆的控制进行干预的规范的机器学习算法的情况下，测试所述车辆的控制的至少一个组件，以便提供测试结果；和评估单元，所述评估单元被设计为：基于所述测试结果，评估在执行所述至少一种特定驾驶机动期间所述机动车辆的控制的至少一个组件的行为。