DE102013208643B4

DE102013208643B4 - System, Verfahren und Produkt zum Lokalisieren eines Fahrzeugschlüssels mittels neuronaler Netzwerke

Info

Publication number: DE102013208643B4
Application number: DE102013208643.1A
Authority: DE
Inventors: Jordi Virgili Margalef; Daniel Cirujano Cuesta; Gema Barreda Martinez; Sameer Deshpande; Petru Macovei
Original assignee: Lear Corp
Current assignee: Lear Corp
Priority date: 2012-05-10
Filing date: 2013-05-10
Publication date: 2021-12-02
Anticipated expiration: 2033-05-11
Also published as: DE102013208643A1

Abstract

Ein System zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem, wobei das Lagebestimmungssystem umfasst:eine Steuereinheit zum Montieren in einem Fahrzeug, wobei die Steuereinheit zum Empfang einer Mehrzahl von Signalen ausgebildet ist, wobei jedes Signal eine Stärke eines Drahtlossignals repräsentiert, das zwischen dem Schlüsselanhänger und einer von einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen wird; undeine Mehrzahl von neuronalen Netzwerken mit einer Kaskadentopologie, wobei die Mehrzahl von neuronalen Netzwerken umfasstein erstes neuronales Netzwerk zum Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition das Berechnen einer Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen eines Innen-/Außen-Ausgabeneurons zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers umfasst,ein zweites neuronales Netzwerk, das in Kommunikation mit dem ersten neuronalen Netzwerk steht, zum Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen das Berechnen einer Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen einer Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers umfasst, undein drittes neuronales Netzwerk, das in Kommunikation mit dem ersten neuronalen Netzwerk steht, zum Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers das Berechnen einer Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen einer Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfasst.

Description

TECHNISCHES GEBIET
Das Folgende betrifft ein Verfahren und System zum Lokalisieren eines Fahrzeugschlüssels, eines Schlüsselanhängers oder einer Karte mittels eines neuronalen Netzwerks.
HINTERGRUND
Automobile können Komfortzugangssysteme (Comfort Access (CA) systems) umfassen, die es einem Nutzer ermöglichen, zu einem Fahrzeug Zugang zu erhalten und es zu starten, nur, indem er einen Schlüssel, einen Schlüsselanhänger oder eine Karte hält. Im Betrieb können derartige Systeme Fahrzeugzugangs- oder Fahrzeugstartfunktionen basierend auf einer festgestellten Lage des Schlüssels in dem oder um das Fahrzeug herum ausführen und/oder ermöglichen.
Um die Bestimmung der Lage des Schlüssels zu ermöglichen, kann der Schlüssel, der Schlüsselanhänger oder die Karte mit einer oder mehr Antennen versehen sein, und das CA-System kann mehrere Antennen verwenden, die an mehreren Stellen im Fahrzeug positioniert sind. Das CA-System kann ebenfalls eine elektronische Steuereinheit (Electronic Control Unit, ECU) mit einem entscheidungsbasierten Algorithmus umfassen, der die Lage des Schlüssels basierend auf der Übertragung von Niederfrequenzsignalen (low frequency oder LF-Signalen) (z.B. 125 kHz) zwischen der Schlüsselantenne und den fahrzeugbasierten Antennen bestimmt. Solche Algorithmen sind aus JP 2008-138 463 A , US 2008/ 0 048 829 A1 , US 2008 / 0 106 375 A1 und DE 199 57 549 A1 bekannt.
Die Kalibrierung solcher entscheidungsbasierter Algorithmen benötigt typischerweise durchschnittlich zwei Tage. Derartige entscheidungsbasierte Algorithmen und deren Kalibrierung zur Verwendung bei der Bestimmung der Lage eines Schlüssels sind ebenfalls in hohem Maße abhängig von dem besonderen Fahrzeug, dem Fahrzeugtyp, den Fahrzeugmaterialien und der Anzahl der Fahrzeugantennen sowie deren Positionen am Fahrzeug.
Daher besteht ein Bedarf nach einem Verfahren und einem System zum Bestimmen einer Lage eines Fahrzeugschlüssels mit einer größeren Flexibilität und einer höheren Zuverlässigkeit durch die Verwendung von einem oder mehr neuronalen Netzwerken. Ein solches Verfahren und System würde einen einzigen Algorithmus bereitstellen, der für alle Fahrzeuge genutzt werden könnte, unabhängig vom Fahrzeugtyp, den Materialien oder der Anzahl oder Lage der Fahrzeugantennen, wodurch die Flexibilität erhöht wird. Ein solches Verfahren und System würde auch in hohem Maße die Kalibrierzeit in der Praxis reduzieren, wodurch es die Zuverlässigkeit erhöht, indem es denselben Algorithmus und dieselbe Kalibrierungsprozedur für alle Fahrzeuge nutzt und somit das Risiko manueller Fehler bei der Kalibrierung reduziert.
ZUSAMMENFASSUNG
Gemäß einer hier offenbarten Ausführungsform wird ein System zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem bereitgestellt. Das Lagebestimmungssystem kann eine Steuereinheit zur Montage im Fahrzeug umfassen. Die Steuereinheit kann zum Empfang einer Mehrzahl von Signalen ausgebildet sein, wobei jedes Signal eine Stärke eines Drahtlossignals repräsentiert, das zwischen dem Schlüsselanhänger und einer von einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen wird.
Das Lagebestimmungssystem kann auch eine Mehrzahl von neuronalen Netzwerken mit einer Kaskadentopologie umfassen. Die Mehrzahl von neuronalen Netzwerken kann ein erstes neuronales Netzwerk zum Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf den Drahtlossignalstärken umfassen. Das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition kann das Berechnen einer Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen eines Innen-/Außen-Ausgabeneurons zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers umfassen.
Die Mehrzahl von neuronalen Netzwerken kann auch ein zweites neuronales Netzwerk umfassen, das in Kommunikation mit dem ersten neuronalen Netzwerk steht. Das zweite neuronale Netzwerk kann zur Bestimmung einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken ausgebildet sein. Das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen kann das Berechnen einer Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen einer Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers umfassen.
Die Mehrzahl von neuronalen Netzwerken kann auch ein drittes neuronales Netzwerk umfassen, das in Kommunikation mit dem ersten neuronalen Netzwerk steht. Das dritte neuronale Netzwerk kann zur Bestimmung einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken ausgebildet sein. Das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers kann das Berechnen einer Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen einer Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfassen.
Gemäß einer weiteren hier offenbarten Ausführungsform wird ein computerlesbares Medium mit darauf gespeicherten, nicht-transitorischen, durch einen Computer ausführbaren Befehlen zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem bereitgestellt. Die durch einen Computer ausführbaren Befehle können Befehle zum Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf Signalstärken einer Mehrzahl von Drahtlossignalen umfassen, die zwischen dem Schlüsselanhänger und einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen werden. Das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition kann umfassen, dass ein erstes neuronales Netzwerk eine Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und ein Innen-/Außen-Ausgabeneuron zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers berechnet.
Die durch einen Computer ausführbaren Befehle können des Weiteren Befehle zur Bestimmung einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken umfassen. Das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen umfasst, dass ein zweites neuronales Netzwerk eine Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers berechnet.
Die durch einen Computer ausführbaren Befehle können des Weiteren Befehle zur Bestimmung einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken umfassen. Das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfasst, dass ein drittes neuronales Netzwerk eine Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers berechnet. Das erste, zweite und dritte neuronale Netzwerk können ebenfalls eine Kaskadentopologie aufweisen.
Gemäß einer weiteren hier offenbarten Ausführungsform wird ein Verfahren zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem bereitgestellt. Das Verfahren kann den Empfang einer Mehrzahl von Signalen umfassen, wobei jedes Signal eine Stärke eines Drahtlossignals repräsentiert, das zwischen dem Schlüsselanhänger und einer von einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen wird. Das Verfahren kann des Weiteren das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf den Drahtlossignalstärken umfassen, wobei das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition umfasst, dass ein erstes neuronales Netzwerk eine Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und ein Innen-/Außen-Ausgabeneuron zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers berechnet.
Das Verfahren kann des Weiteren das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken umfassen, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen umfasst, dass ein zweites neuronales Netzwerk eine Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers berechnet. Das Verfahren kann des Weiteren das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken umfassen, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfasst, dass ein drittes neuronales Netzwerk eine Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers berechnet. Das erste, zweite und dritte neuronale Netzwerk können eine Kaskadentopologie aufweisen.
Eine detaillierte Beschreibung dieser Ausführungsformen wird unten zusammen mit begleitenden Zeichnungen dargelegt.
Figurenliste

1 ist ein vereinfachtes, beispielhaftes Blockdiagramm eines neuronalen Netzwerks;
2 ist ein vereinfachtes, beispielhaftes Blockdiagramm eines Neurons zur Verwendung in einem neuronalen Netzwerk, wie etwa dem in 1 gezeigten neuronalen Netzwerk;
3 ist ein vereinfachtes, beispielhaftes Blockdiagramm eines Systems zum Trainieren eines neuronalen Netzwerks durch überwachtes oder assoziatives Lernen;
4 ist ein vereinfachtes, beispielhaftes Blockdiagramm einer Prozedur zum Trainieren eines neuronalen Netzwerks zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers;
5 ist ein vereinfachtes, beispielhaftes Blockdiagramm, das die Verwendung eines neuronalen Netzwerks bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers verdeutlicht;
6 ist ein vereinfachtes, beispielhaftes Blockdiagramm eines neuronalen Netzwerks mit klassischer Topologie zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers;
7 ist ein vereinfachtes, beispielhaftes Blockdiagramm eines neuronalen Netzwerks mit Kaskadentopologie zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers;
8 ist ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks mit klassischer Topologie zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers;
9 ist ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks mit Kaskadentopologie zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers, das ein neuronales Netzwerk zum Bestimmen einer Innen- oder Außenposition des Schlüsselanhängers relativ zu einem Fahrzeug, ein neuronales Netzwerk zum Bestimmen einer bestimmten Fahrzeuginnenbereichsposition des Schlüsselanhängers und ein neuronales Netzwerk zum Bestimmen einer bestimmten Fahrzeugaußenbereichsposition des Schlüsselanhängers umfasst;
10 ist ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks zur Bestimmung einer Innen- oder Außenposition eines Schlüsselanhängers relativ zu einem Fahrzeug;
11 ist ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks zur Bestimmung einer bestimmten Fahrzeuginnenbereichsposition eines Schlüsselanhängers;
12 ist ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks zur Bestimmung einer bestimmten Fahrzeugaußenbereichsposition eines Schlüsselanhängers;
13 ist ein vereinfachtes, beispielhaftes Anwendungsfalldiagramm für ein neuronales Netzwerk zur Bestimmung einer Lage eines Fahrzeugschlüsselanhängers; und
14 ist ein vereinfachtes, beispielhaftes Ablaufdiagramm oder Aktivitätsdiagramm für ein Verfahren zur Bestimmung einer Lage eines Fahrzeugschlüsselanhängers mittels neuronaler Netzwerke.

DETAILLIERTE BESCHREIBUNG
Wie es erforderlich ist, werden hier detaillierte Ausführungsformen offenbart. Jedoch versteht es sich, dass die offenbarten Ausführungsformen nur beispielhaft sind, und dass verschiedene und alternative Formen eingesetzt werden können. Die Ausführungsformen werden aufgenommen, um Prinzipien der Offenbarung zu erklären, und nicht, um deren Umfang einzuschränken, der durch die angehängten Ansprüche definiert ist. Details aus zwei oder mehr Ausführungsformen können miteinander kombiniert werden. Die Figuren sind nicht notwendigerweise maßstabsgerecht. Einige Merkmale können übertrieben dargestellt oder minimiert werden, um Details bestimmter Komponenten zu zeigen. Daher sollen hier offenbarte spezifische strukturelle und funktionelle Details nicht als beschränkend interpretiert werden, sondern nur als eine repräsentative Basis, um einen Fachmann zu lehren.
Unter Bezug auf die 1-14 werden verschiedene Ausführungsformen des hier offenbarten Verfahrens und Systems gezeigt und beschrieben. Zur leichten Verdeutlichung und um das Verständnis zu erleichtern wurden ähnliche Bezugszeichen über die gesamte folgende Beschreibung verwendet, um gegebenenfalls ähnliche Elemente, Teile, Gegenstände oder Merkmale in den Zeichnungen zu bezeichnen.
Wie darin zu sehen, präsentieren die 1-3 eine Übersicht über neuronale Netzwerke einschließlich von Modellierungstechniken, die Neuronen verwenden, wie auch Trainingsprozeduren, wie etwa überwachtes oder assoziatives Lernen unter Verwendung von Trainingsdaten zur Erzeugung von Neuronengewichten. Insbesondere zeigt 1 ein vereinfachtes, beispielhaftes Blockdiagramm eines neuronalen Netzwerks 30, das eine Modellierungstechnik ist, die auf dem beobachteten Verhalten von biologischen Neuronen basiert und zur Nachahmung der Leistung eines Systems verwendet wird. Neuronale Netzwerke umfassen eine Menge von Elementen, die in einem zufälligen Muster verbunden beginnen und basierend auf Rückmeldungen im Betrieb in das Muster gebracht werden, das zur Erzeugung der benötigten Resultate notwendig ist. Neuronale Netzwerke, die eine Eingabeschicht 32, eine verdeckte Schicht 34 und eine Ausgabeschicht 36 umfassen, werden in Anwendungen wie der Robotik, der Diagnose, der Vorhersage, der Bildverarbeitung und der Mustererkennung verwendet.
2 zeigt ein vereinfachtes, beispielhaftes Blockdiagramm eines künstlichen Neurons 38 zur Verwendung in einem neuronalen Netzwerk, wie etwa dem in 1 gezeigten neuronalen Netzwerk 30. Wie darin zu sehen, kann ein Neuron 38 eine beliebige Anzahl von Eingaben 40 von eins bis n aufweisen, wobei n die Gesamtzahl der Eingaben 40 ist. Die Eingaben 40 können daher als x₁, x₂, x₃, ... x_n dargestellt werden. Entsprechende Gewichte 42 für die Eingaben 40 können als w₁, w₂, w₃, ... w_n dargestellt werden. Die Summe der Gewichte 42 multipliziert mit den Eingaben 40 ist die Eingabe für eine Aktivierungsfunktion 43 (z.B. sigmoid, Kosinus, Sinus, linear).
Ein vereinfachtes, beispielhaftes Blockdiagramm eines Systems 44 zum Trainieren eines neuronalen Netzwerks 30 durch überwachtes oder assoziatives Lernen wird in 3 gezeigt. Überwachtes oder assoziatives Lernen ist eine Technik, bei der das neuronale Netzwerk 30 trainiert wird, indem es mit Eingaben und passenden Ausgabemustern versorgt wird. Genauer stellt das neuronale Netzwerk 30 basierend auf einer Gewichts-/Schwellenwertanpassung 46 aus einem Überwachtes-Lernen-Algorithmus 48 wie auch auf einem Eingabemerkmal 50 eine Ausgabe 52 bereit. Ein Vergleich der Ausgabe 52 des neuronalen Netzwerks und eines Zielmerkmals 54 stellt einen Fehlervektor 56 bereit, der dem Überwachtes-Lernen-Algorithmus 48 zur Verwendung bei der Bereitstellung der Gewichts-/Schwellenwertanpassung 46 rückgemeldet wird. Auf diese Weise kann das neuronale Netzwerk 30 darauf trainiert werden, die benötigten Ergebnisse eines Systems auszugeben, das emuliert wird.
4 ist ein vereinfachtes, beispielhaftes Blockdiagramm einer Prozedur zum Trainieren eines neuronalen Netzwerks 30 zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58. 5 ist ein vereinfachtes, beispielhaftes Blockdiagramm, das die Verwendung eines neuronalen Netzwerks 30 bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58 verdeutlicht. Genauer stellen die 4 und 5 eine Neuronalnetzwerk-Trainingsprozedur für ein Zielfahrzeug 60 unter Verwendung eines Personal Computers (PC) 62 und die Verwendung eines solchen neuronalen Netzwerks 30 dar. Wie darin zu sehen, werden Trainingsdaten in einem realen Fahrzeug 60 während des Kalibrierungsprozesses aufgenommen, und derartige Daten werden einem Überwachtes-Lernen-Algorithmus 48 im PC 42 für das Training bereitgestellt. Die Ausgabe der Trainingsprozedur wird eine Menge von Gewichten 42 sein, die in den Zielen als Kodierdaten eingebunden werden.
Wie in 4 zu sehen, kann ein Überwachtes-Lernen-Algorithmus 48 für ein solches Training eingesetzt werden, das Trainingsdatenmengen 64 nutzt, wie etwa Signal- oder Antennenfeldstärkeanzeigen 66 von Drahtlossignalen, die zwischen dem Schlüsselanhänger 58 und mehreren Antennen 68 übertragen werden, die sich an mehreren Positionen an einem Fahrzeug 60 befinden. In diesem Bezug ist der in 4 gezeigte Überwachtes-Lernen-Algorithmus 48 FaNNTool.exe ein Beispiel eines kommerziell erhältlichen Tools, das dazu verwendet werden kann, ein überwachtes Training eines neuronalen Netzwerks 30 durchzuführen. Das überwachte Lernen unter Verwendung solcher Trainingsdatenmengen 64 erzeugt Nachverarbeitungs-Netzwerkkodierdatenmengen 70, die Neuronengewichte 42, Funktionen 43 und Parameter oder Steilheit 74 umfassen können.
Nimmt man nun Bezug auf 5, können solche Kodierdaten 70 anschließend von dem Netzwerk 30 zur Bestimmung der Lage oder Position eines Schlüssels 58 verwendet werden. Wie darin zu sehen, können Feldstärkeanzeigen 76 für Drahtlos-LF-Signale, die zwischen mehreren, am Fahrzeug 60 befindlichen Komfortzugangsantennen 68 und dem Schlüsselanhänger 58 übertragen werden, der Eingabeschicht 32 des neuronalen Netzwerks 30 als Eingaben 40 bereitgestellt werden. Kodierdaten 70 aus dem Trainingsprozess können der verdeckten Schicht 34 des neuronalen Netzwerks 30 bereitgestellt werden und zusammen mit den Eingaben 40 zur Ausgabe einer relativen Lage oder Position des Schlüsselanhängers 58 aus der Ausgabeschicht 36 des neuronalen Netzwerks 30 verwendet werden.
Die 6-12 stellen zwei Typen von Topologien eines neuronalen Netzwerks dar, nämlich klassische und Kaskadentopologien. Wie hier zu sehen, umfasst die klassische Topologie ein einziges Netzwerk, während die Kaskadentopologie mehrere Netzwerke in einem hierarchischen Aufbau umfasst.
Bezug nehmend auf 6 ist dort ein vereinfachtes, beispielhaftes Blockdiagramm eines neuronalen Netzwerks 30 mit klassischer Topologie gezeigt, wobei das Netzwerk 30 zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58 da ist. Das Netzwerk 30 umfasst eine Eingabeschicht 32, eine verdeckte Schicht 34 einschließlich eines Bias-Neurons 35 und eine Ausgabeschicht 36. Zur Umsetzung des Netzwerks 30 gehört bei einem solchen neuronalen Netzwerk 30 weniger Komplexität, da es weniger Verbindungen zwischen Neuronen gibt und es nur zwei Aktivierungsfunktionen (Zwischenschichten und Ausgabeschichten) gibt. Das Trainieren eines solchen neuronalen Netzwerks 30 mit klassischer Topologie kann ungefähr einen Tag erfordern.
Bezug nehmend auf 7 ist dort ein vereinfachtes, beispielhaftes Blockdiagramm eines neuronalen Netzwerks 30 mit Kaskadentopologie gezeigt, wobei das Netzwerk 30 zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58 da ist. Das Netzwerk 30 umfasst Neuronen einer Eingabeschicht 32 einschließlich eines Bias-Neurons 35, wobei die Neuronen der Eingabeschicht 32 zum Empfang von Eingaben 40 ausgebildet sind, eine verdeckte Schicht 34 einschließlich von Zwischenneuronen und eine Ausgabeschicht 36, die Ausgaben bereitstellt. Zur Umsetzung des Netzwerks 30 gehört bei einem solchen neuronalen Netzwerk 30 mehr Komplexität, da es mehr Verbindungen zwischen Neuronen und verschiedene Aktivierungsfunktionen für jedes Neuron gibt. Jedoch kann das Trainieren eines solchen neuronalen Netzwerks 30 mit Kaskadentopologie ungefähr zwei Stunden erfordern.
8 ist ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks 30 mit klassischer Topologie zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58. Wie darin zu sehen, kann das neuronale Netzwerk 30 Eingabeneuronen 0-5 und ein Bias-Neuron 6 umfassen. Eingabeneuronen 0-5 sind zum Empfang von Eingaben 40 von mehreren Antennen 68 an einem Fahrzeug ausgebildet, wobei die Eingaben 40 Signalstärken von Drahtlossignalen repräsentieren, die zwischen den Antennen 68 und dem Schlüsselanhänger 58 übertragen werden. Das Netzwerk 30 kann auch Zwischenneuronen 7-21 umfassen. In diesem Bezug umfasst 8, um die Verdeutlichung der klassischen Netzwerktopologie zu vereinfachen, ein Neuron der verdeckten Schicht ohne besonderes Bezugszeichen (mit „...‟ gekennzeichnet), das mehrere Neuronen der verdeckten Schichten repräsentiert, die nicht spezifisch gezeigt sind (d.h. Neuronen 12-19).
Das Netzwerk 30 kann auch Ausgabeneuronen 22-27 umfassen, die verschiedene Positionen des Schlüsselanhängers 58 relativ zum Fahrzeug 60 repräsentieren. Ein solches neuronales Netzwerk 30 umfasst insgesamt 342 Gewichte 42, insgesamt 21 Funktionen 43 und insgesamt 21 Parameter 74. Es ist jedoch zu beachten, dass die Anzahl der gezeigten Neuronen (z.B. Eingabeneuronen, Zwischenneuronen, Ausgabeneuronen) nur beispielhaft ist, und Netzwerke mit einer kleineren oder größeren Anzahl von Neuronen eingesetzt werden können. Ein solches neuronales Netzwerk 30 mit klassischer Topologie bietet verschiedene Vorteile, einschließlich hoher Genauigkeit, eines einzigen Netzwerks (Eingabe->Ausgabe), des Lernens des neuronalen Netzwerks außerhalb des Ziels (z.B. in einem PC), hoher Flexibilität und hoher Fahrzeugvalidierung. Ein Netzwerk mit klassischer Topologie kann höhere Rechenkosten und eine höhere Anzahl von Codierungen 50 (d.h. Gewichte 42, Aktivierungsfunktionen 72, Funktionsparametrisierung 74) aufweisen.
Nimmt man als nächstes Bezug auf 9, wird dort ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks 30 mit Kaskadentopologie zur Verwendung bei der Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58 gezeigt. Wie darin zu sehen ist, umfasst ein Netzwerk 30 mit Kaskadentopologie ein erstes neuronales Netzwerk 80 zum Bestimmen einer Innen- oder Außenposition des Schlüsselanhängers 58 relativ zu einem Fahrzeug 60, ein zweites neuronales Netzwerk 82 zum Bestimmen einer bestimmten Fahrzeuginnenbereichsposition des Schlüsselanhängers 58 und ein drittes neuronales Netzwerk 84 zum Bestimmen einer bestimmten Fahrzeugaußenbereichsposition des Schlüsselanhängers 58.
Genauer ist das erste neuronale Netzwerk 80 zum Empfang von Eingaben 40 von mehreren Antennen 68 an einem Fahrzeug ausgebildet, wobei die Eingaben 40 Signalstärken von Drahtlossignalen repräsentieren, die zwischen den Antennen 68 und dem Schlüsselanhänger 58 übertragen werden. Basierend auf solchen Antenneneingaben 40 bestimmt oder wählt das erste neuronale Netzwerk 80 eine Innenbereichs-, Innen- oder innen liegende Position für den Schlüsselanhänger 58 relativ zu dem Fahrzeug 60, oder eine Außenbereichs-, Außen- oder außen liegende Position des Schlüsselanhängers 58 relativ zu dem Fahrzeug 60 aus. Eine Innenpositionsbestimmung durch das erste neuronale Netzwerk 80 kann dem zweiten neuronalen Netzwerk 82 zur Bestimmung einer bestimmten Fahrzeuginnenbereichsposition des Schlüsselanhängers 58 kommuniziert werden. Alternativ kann eine Außenpositionsbestimmung durch das erste neuronale Netzwerk 80 dem dritten neuronalen Netzwerk 84 zur Bestimmung einer bestimmten Fahrzeugaußenbereichsposition des Schlüsselanhängers 58 kommuniziert werden.
In diesem Bezug ist das zweite neuronale Netzwerk 82 ausgebildet, die Innenpositionsbestimmung durch das erste neuronale Netzwerk 80 zu empfangen und die zuvor beschriebenen Antenneneingaben 40 zu empfangen. Unter Verwendung derartiger Informationen bestimmt oder wählt das zweite neuronale Netzwerk 82 eine von einer Mehrzahl von oder von mehreren Innenbereichspositionen des Schlüsselanhängers 58 innerhalb des Fahrzeugs 60 aus. Ähnlich ist das dritte neuronale Netzwerk 84 ausgebildet, die Außenpositionsbestimmung durch das erste neuronale Netzwerk 80 zu empfangen und die zuvor beschriebenen Antenneneingaben 40 zu empfangen. Unter Verwendung derartiger Informationen bestimmt oder wählt das dritte neuronale Netzwerk 84 eine von einer Mehrzahl von oder von mehreren Außenbereichspositionen des Schlüsselanhängers 58 außerhalb des Fahrzeugs 60 aus.
Ein solches neuronales Netzwerk 30 mit Kaskadentopologie bietet verschiedene Vorteile, einschließlich hoher Genauigkeit, eines einzigen Netzwerks (Eingabe->Ausgabe), des Lernens des neuronalen Netzwerks außerhalb des Ziels (z.B. in einem PC), hoher Flexibilität und hoher Fahrzeugvalidierung. Ein Netzwerk mit klassischer Topologie weist ebenfalls geringere Rechenkosten und eine geringere Anzahl von Codierungen 50 (d.h. Gewichte 42, Aktivierungsfunktionen 43, Funktionsparametrisierung 74) auf. Die Verwendung dreier neuronaler Netzwerke 80, 82, 84 kann die Softwarekomplexität erhöhen. Es ist ebenfalls zu beachten, dass die Anzahl und der Aufbau neuronaler Netzwerke, die in der Kaskadentopologie von 9 gezeigt sind, nur beispielhaft sind, und dass eine größere oder kleinere Anzahl von Netzwerken mit verschiedenen Kaskadentopologien eingesetzt werden können.
Nimmt man nun Bezug auf 10, ist dort ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks 80 zur Bestimmung einer Innen- oder Außenposition eines Schlüsselanhängers 58 relativ zu einem Fahrzeug 60 gezeigt. Wie darin zu sehen, kann das neuronale Netzwerk 80 Eingabeneuronen 0-7 und ein Bias-Neuron 8 umfassen. Eingabeneuronen 0-7 sind zum Empfang von Eingaben 40 von mehreren Antennen 68 an einem Fahrzeug ausgebildet, wobei die Eingaben 40 Signalstärken von Drahtlossignalen repräsentieren, die zwischen den Antennen 68 und dem Schlüsselanhänger 58 übertragen werden. Das Netzwerk 80 kann auch Zwischenneuronen 9-13 umfassen. Das Netzwerk 80 kann auch ein Ausgabeneuron 14 umfassen, das eine Bestimmung einer Innen- oder einer Außenposition des Schlüsselanhängers 58 relativ zum Fahrzeug 60 repräsentiert. Ein solches neuronales Netzwerk 80 umfasst insgesamt 69 Gewichte 42, insgesamt sechs Funktionen 43 und insgesamt sechs Parameter 74. Es ist jedoch zu beachten, dass die Anzahl der gezeigten Neuronen (z.B. Eingabeneuronen, Zwischenneuronen, Ausgabeneuron) nur beispielhaft ist, und Netzwerke mit einer kleineren oder größeren Anzahl von Neuronen eingesetzt werden können.
Nimmt man nun Bezug zu 11, ist dort ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks 82 zur Bestimmung einer bestimmten Fahrzeuginnenbereichsposition eines Schlüsselanhängers 58 gezeigt. Wie darin zu sehen, kann das neuronale Netzwerk 82 Eingabeneuronen 0-7 und ein Bias-Neuron 8 umfassen. Eingabeneuronen 0-7 sind zum Empfang von Antenneneingaben 40 ausgebildet. Das Netzwerk 82 kann auch Zwischenneuronen 9-11 umfassen. Das Netzwerk 82 kann auch Ausgabeneuronen 12-15 umfassen, die eine Bestimmung einer von vier bestimmten Innenbereichspositionen des Schlüsselanhängers 58 relativ zum Fahrzeug 60 repräsentieren. Ein solches neuronales Netzwerk 82 umfasst insgesamt 77 Gewichte 42, insgesamt sieben Funktionen 43 und insgesamt sieben Parameter 74. Es ist jedoch zu beachten, dass die Anzahl der gezeigten Neuronen (z.B. Eingabeneuronen, Zwischenneuronen, Ausgabeneuronen) nur beispielhaft ist, und Netzwerke mit einer kleineren oder größeren Anzahl von Neuronen eingesetzt werden können.
Nimmt man nun Bezug zu 12, ist dort ein detaillierteres beispielhaftes Blockdiagramm eines neuronalen Netzwerks 84 zur Bestimmung einer bestimmten Fahrzeugaußenbereichsposition eines Schlüsselanhängers 58 gezeigt. Wie darin zu sehen, kann das neuronale Netzwerk 84 Eingabeneuronen 0-7 und ein Bias-Neuron 8 umfassen. Eingabeneuronen 0-7 sind zum Empfang von Antenneneingaben 40 ausgebildet. Das Netzwerk 84 kann auch Zwischenneuronen 9-1 umfassen. Das Netzwerk 82 kann auch Ausgabeneuronen 12-15 umfassen, die eine Bestimmung einer von vier bestimmten Außenbereichspositionen des Schlüsselanhängers 58 außerhalb des Fahrzeugs 60 repräsentieren. Ein solches neuronales Netzwerk 82 umfasst insgesamt 77 Gewichte 42, insgesamt sieben Funktionen 43 und insgesamt sieben Parameter 74. Es ist jedoch zu beachten, dass die Anzahl der gezeigten Neuronen (z.B. Eingabeneuronen, Zwischenneuronen, Ausgabeneuronen) nur beispielhaft ist, und Netzwerke mit einer kleineren oder größeren Anzahl von Neuronen eingesetzt werden können.
Die 13 und 14 zeigen sowohl allgemeine wie auch spezifische Umsetzungsdetails einer Kaskadentopologie eines Netzwerks (z.B. der in den 9-12 gezeigten Kaskadentopologie), wie auch einen Algorithmus zur Verwendung mit einem solchen Netzwerk zum Bestimmen einer Lage eines Fahrzeugschlüssels. Insbesondere ist 13 ein vereinfachtes, beispielhaftes Anwendungsfalldiagramm eines neuronalen Netzwerks 30 mit Kaskadentopologie zur Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58. Wie zuvor beschrieben, kann das neuronale Netzwerk 80 auf dem höchsten Level der Kaskadentopologie (IntExt NN) dazu verwendet werden, zu entscheiden, ob sich der Schlüssel innerhalb oder außerhalb des Fahrzeugs befindet. Nach dieser Entscheidung kann eines der beiden neuronalen Netzwerk 82, 84 auf niedrigerem Level (Ext NN oder Int NN) dazu verwendet werden, um über die spezifische Position des Schlüssels entweder außerhalb oder innerhalb des Fahrzeugs zu entscheiden.
Jedes der neuronalen Netzwerke 80, 82, 84 (IntExt NN, Ext NN, Int NN) kann in Software als ein Array von Neuronen dargestellt werden. Jedes neuronale Netzwerk 80, 82, 84 kann auch Kodierinformation umfassen, die durch ein Trainingstool erzeugt wurde, wie etwa Neuronengewichte 42, Aktivierungsfunktionen 43 und Aktivierungssteilheiten 74. Neuronengewichte 42 können in Software als zweidimensionale Arrays dargestellt werden. Aktivierungsfunktionen 72 sind Funktionen, die aufzurufen sind, um die Ausgabe eines Zwischen- oder eines Ausgabeneurons zu berechnen. Aktivierungssteilheiten sind Parameter, die einen Hinweis darauf geben, wie schnell eine Aktivierungsfunktion von einem Minimum zu einem Maximum verläuft.
Wie in 13 zu sehen, wirken Antennenmessungen 40, gespeicherte Kodierinformation 50 und ein Schlüsseldetektionsauslöser 86 zusammen, um eine Schlüssellagenentscheidung 88 zu erzeugen. In diesem Bezug ist ein Schlüsseldetektionsauslöser 86 ein Signal oder ein anderer Mechanismus zur Anforderung einer Detektion oder einer Bestimmung einer Position eines Schlüsselanhängers 58. Wie zuvor beschrieben, sind die Antennenmessungen 40 die Eingaben von mehreren Antennen 68 an einem Fahrzeug, wobei die Eingaben 40 Signalstärken von Drahtlossignalen repräsentieren, die zwischen den Antennen 68 und dem Schlüsselanhänger 58 übertragen werden. Wie ebenfalls zuvor beschrieben, sind die gespeicherten Kodierungen 50 die Gewichte, 42, Aktivierungsfunktionen 43 und Aktivierungssteilheiten oder Parameter 74, die zu jedem der neuronalen Netzwerke 80, 82, 84 gehören. Derartige Kodierungen 50 können auch maximale und minimale Antennenwerte und das minimale Gewicht umfassen.
Es ist zu beachten, dass Kodierungen 50 in einem nichtflüchtigen Direktzugriffsspeicher (nonvolatile random access memory, NVRAM) gespeichert werden können, der sich an Bord des Fahrzeugs 60 befindet, wie etwa in der ECU 90 (siehe 4) zur Verwendung in einem Fahrzeugzugangssystem. Wenn eine Schlüsselsuche ausgelöst wird, wird über eine Schlüsselposition entschieden, sie wird bestimmt oder ausgewählt, abhängig von und basierend auf Antennenfeld- oder Signalstärken und den Kodierungen 50 der neuronalen Netzwerks 80, 82, 84, die im NVRAM gespeichert sind. In diesem Bezug ist auch zu beachten, dass die ECU 90 und die neuronalen Netzwerke 30, 80, 82, 84 in oder als Hardware, Software, Firmware oder einer beliebigen Kombination davon ausgebildet oder implementiert sein können, und das neuronale Netzwerke 30, 80, 82, 84 als Teil der ECU 90, eines anderen Controllers oder Steuereinheit, oder separat implementiert sein können.
14 ist ein vereinfachtes, beispielhaftes Ablaufdiagramm oder Aktivitätsdiagramm für ein Verfahren 100 zur Bestimmung einer Lage eines Fahrzeugschlüsselanhängers 58 mittels neuronaler Netzwerke 80, 82, 84. 14 zeigt einen Algorithmus, der die Aktivitäten, Funktionen oder Schritte umfasst, die, wie zuvor beschrieben, dabei beteiligt sind, zu bestimmen, ob ein Schlüssel sich außerhalb oder innerhalb eines Fahrzeugs befindet, und dann die bestimmte Lage des Schlüssels außerhalb oder innerhalb des Fahrzeugs zu bestimmen. Das Verfahren 100 kann mit dem Einlesen von Antennenwerten 102 starten. In diesem Bezug empfangen die Neuronen der Eingabeschicht des neuronalen Netzwerks 80 die Antenneneingaben 40. Eine solche Aktivität kann unter Verwendung von Arrays bewerkstelligt werden, wie sie zuvor beschrieben wurden, und ein beispielhafter Algorithmus kann wie folgt verdeutlicht werden: $\begin{array}{l} Für (Index = 0; Index < Antenne_Nr; Index + +) \\ ANS_Netzwerk [Index] = normalisiert (Antenne_Stärke [Index]); \end{array}$
Das Verfahren 100 kann ebenfalls die Entscheidung über, die Auswahl oder Bestimmung 104 von einer Innen- oder einer Außenposition des Schlüsselanhängers 58 relativ zum Fahrzeug 60 umfassen. Eine solche Aktivität kann, wie zuvor beschrieben, durch das erste neuronale Netzwerk 80 bewerkstelligt werden, und kann die Berechnung jedes Zwischenneurons und des Ausgabeneurons des ersten neuronalen Netzwerks 80 umfassen, wie ebenfalls zuvor beschrieben. Wenn das erste neuronale Netzwerk 80 über eine Innenposition für den Schlüsselanhänger 58 entscheidet, sie auswählt oder bestimmt, kann das Verfahren 100 die Entscheidung über, die Auswahl oder Bestimmung 106 von einer bestimmten Innenbereichsposition des Schlüsselanhängers 58 innerhalb des Fahrzeugs 60 umfassen. Eine solche Aktivität kann, wie zuvor beschrieben, durch das zweite neuronale Netzwerk 82 bewerkstelligt werden, und kann die Berechnung jedes Zwischenneurons und jedes Ausgabeneurons des zweiten neuronalen Netzwerks 80 umfassen, wie ebenfalls zuvor beschrieben. Wenn das erste neuronale Netzwerk 80 alternativ über eine Außenposition für den Schlüsselanhänger 58 entscheidet, sie auswählt oder bestimmt, kann das Verfahren 100 die Entscheidung über, die Auswahl oder Bestimmung 108 von einer bestimmten Außenbereichsposition des Schlüsselanhängers 58 außerhalb des Fahrzeugs 60 umfassen. Eine solche Aktivität kann, wie zuvor beschrieben, durch das dritte neuronale Netzwerk 84 bewerkstelligt werden, und kann die Berechnung jedes Zwischenneurons und jedes Ausgabeneurons des dritten neuronalen Netzwerks 84 umfassen, wie ebenfalls zuvor beschrieben.
Das Verfahren 100 kann ebenfalls die Rücksendung 110 einer bestimmten Innenbereichs- oder Außenbereichsposition des Schlüsselanhängers 58 innerhalb oder außerhalb des Fahrzeugs 60 umfassen. Die Position, über die entschieden wurde, die ausgewählt oder bestimmt wurde, ob im Innenbereich oder Außenbereich, kann das höchste berechnete Ausgabeneuron sein. Eine solche Aktivität kann basierend auf den Berechnungen jedes Zwischenneurons und jedes Ausgabeneurons durch das entsprechende neuronale Netzwerk 82, 84 bewerkstelligt werden, wie zuvor beschrieben. In diesem Bezug können beispielhafte Algorithmen zur Berechnung jedes Zwischenneurons und jedes Ausgabeneurons in irgendeinem der neuronalen Netzwerke 80, 82, 84 wie folgt verdeutlicht werden: $\begin{array}{l} Für jedes Zwischenneuron führe aus {Summe = 0 Schleife durch alle seine Eingaben \\ Summe + = Eingabewert * Gewicht [Zwischenneuron] [Eingabe] beende Schleife \\ ANS_Netzwer k [Zwischenneuron] = Aktivierungsfunktion (Summe * \\ Aktivierungssteilheit [Zwischenneuron]);} \end{array}$
$\begin{array}{l} Für jedes Ausgabeneuron führe aus {Summe = 0 Schleife durch alle seine Eingaben \\ Summe + = Eingabewert * Gewicht [Ausgabeneuron] [Eingabe] beende Schleife \\ ANS_Netzwer k [Ausgabeneuron] = Aktivierungsfunktion (Summe * \\ Aktivierungssteilheit [Ausgabeneuron]);} \end{array}$
Die oben beschriebenen Aktivitäten, Funktionen oder Schritte des Systems und Verfahrens zum Bestimmen der Position eines Schlüsselanhängers 58 relativ zu einem Fahrzeug 60 können auch in einem oder als ein computerlesbares Medium mit darauf gespeicherten, nicht-transitorischen, durch einen Computer ausführbaren Befehlen zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem implementiert werden. Genauer können die auf dem computerlesbaren Medium gespeicherten, durch einen Computer ausführbaren Befehle Befehle zur Durchführung irgendeiner oder aller der Aktivitäten, Funktionen oder Schritte umfassen, die in Verbindung mit dem hier offenbarten System oder Verfahren oben beschrieben werden.
Wie aus dem Vorangehenden ohne Weiteres entnehmbar ist, wurden ein Verfahren, ein System und ein Produkt zum Lokalisieren eines Fahrzeugschlüssels mittels eines oder mehr neuronaler Netzwerke beschrieben. Die beschriebenen Ausführungsformen stellen einen einzigen Algorithmus bereit, der für mehrere Fahrzeuge genutzt werden kann, unabhängig vom Fahrzeugtyp, den Materialien, der Anzahl oder Lage der Fahrzeugantennen, wodurch die Flexibilität erhöht wird. Die beschriebenen Ausführungsformen reduzieren auch in hohem Maße die Kalibrierzeit in der Praxis, wodurch sie die Zuverlässigkeit erhöhen, indem sie denselben Algorithmus und dieselbe Kalibrierungsprozedur für alle Fahrzeuge nutzten und somit das Risiko manueller Fehler bei der Kalibrierung reduzieren.
Während verschiedene Ausführungsformen eines Systems, Verfahrens und Produkts zur Bestimmung der Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem hierin verdeutlicht und beschrieben wurden, sind diese nur beispielhaft, und es ist nicht beabsichtigt, dass diese Ausführungsformen alle diejenigen verdeutlichen und beschrieben, die möglich sind. Anstelle dessen sind die hier verwendeten Wörter Wörter der Beschreibung, und nicht der Beschränkung, und es versteht sich, dass verschiedene Änderungen an diesen Ausführungsformen gemacht werden können, ohne vom Geist und Umfang der folgenden Ansprüche abzuweichen.

Claims

Ein System zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem, wobei das Lagebestimmungssystem umfasst: eine Steuereinheit zum Montieren in einem Fahrzeug, wobei die Steuereinheit zum Empfang einer Mehrzahl von Signalen ausgebildet ist, wobei jedes Signal eine Stärke eines Drahtlossignals repräsentiert, das zwischen dem Schlüsselanhänger und einer von einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen wird; und eine Mehrzahl von neuronalen Netzwerken mit einer Kaskadentopologie, wobei die Mehrzahl von neuronalen Netzwerken umfasst ein erstes neuronales Netzwerk zum Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition das Berechnen einer Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen eines Innen-/Außen-Ausgabeneurons zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers umfasst, ein zweites neuronales Netzwerk, das in Kommunikation mit dem ersten neuronalen Netzwerk steht, zum Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen das Berechnen einer Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen einer Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers umfasst, und ein drittes neuronales Netzwerk, das in Kommunikation mit dem ersten neuronalen Netzwerk steht, zum Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers das Berechnen einer Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen und das Berechnen einer Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfasst.
Das System nach Anspruch 1, wobei die Steuereinheit des Weiteren ausgebildet ist, einen Schlüsseldetektionsauslöser zur Verwendung bei der Initiierung einer Bestimmung einer Schlüsselanhängerlage zu empfangen.
Das System nach Anspruch 1, des Weiteren umfassend eine Mehrzahl von Antennen, wobei jede Antenne zur Montage an einem Ort an dem Fahrzeug ausgebildet ist.
Das System nach Anspruch 1, des Weiteren umfassend einen Schlüsselanhänger, wobei der Schlüsselanhänger eine Antenne umfasst, um eine Kommunikation zwischen dem Schlüsselanhänger und der Mehrzahl von am Fahrzeug befindlichen Antennen zu ermöglichen.
Das System nach Anspruch 1, wobei die erlernten Gewichte und Aktivierungsfunktionen, die zu den Neuronen der Mehrzahl von neuronalen Netzwerken gehören, Neuronalnetzwerkkodierungen zum Speichern in einem Speicher an Bord des Fahrzeugs repräsentieren.
Das System nach Anspruch 1, wobei jedes der Mehrzahl von neuronalen Netzwerken zum Training für das Erlernen der Gewichte und Aktivierungsfunktionen, die zu den Neuronen des neuronalen Netzwerkes gehören, angepasst ist.
Das System nach Anspruch 1, wobei die Mehrzahl von neuronalen Netzwerken Software zum Speichern in einem Speicher an Bord des Fahrzeugs umfassen.
Das System nach Anspruch 1, wobei das erste neuronale Netzwerk acht Eingabeneuronen, fünf Innen-/Außenlage-Zwischenneuronen und ein Innen-/Außen-Ausgabeneuron umfasst; das zweite neuronale Netzwerk acht Eingabeneuronen, drei Innenbereichspositions-Zwischenneuronen und vier Innenbereichs-Ausgabeneuronen umfasst; und das dritte neuronale Netzwerk acht Eingabeneuronen, drei Außenbereichspositions-Zwischenneuronen und vier Außenbereichs-Ausgabeneuronen umfasst.
Ein computerlesbares Medium mit darauf gespeicherten, nicht-transitorischen, durch einen Computer ausführbaren Befehlen zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem, wobei die durch einen Computer ausführbare Befehle Befehle umfassen zum: Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf Drahtlossignalstärken einer Mehrzahl von Drahtlossignalen, die zwischen dem Schlüsselanhänger und einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen werden, wobei das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition umfasst, dass ein erstes neuronales Netzwerk eine Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und ein Innen-/Außen-Ausgabeneuron zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers berechnet; Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen umfasst, dass ein zweites neuronales Netzwerk eine Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers berechnet; und Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfasst, dass ein drittes neuronales Netzwerk eine Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers berechnet; wobei das erste, zweite und dritte neuronale Netzwerk eine Kaskadentopologie aufweisen.
Das computerlesbare Medium nach Anspruch 9, wobei die durch einen Computer ausführbaren Befehle des Weiteren Befehle zur Initiierung einer Bestimmung einer Schlüsselanhängerlage basierend auf einem Schlüsseldetektionsauslöser umfassen.
Das computerlesbare Medium nach Anspruch 9, wobei die durch einen Computer ausführbaren Befehle des Weiteren Befehle zum Speichern von Neuronalnetzwerkkodierungen umfassen, die die erlernten Gewichte und Aktivierungsfunktionen, die zu den Neuronen der neuronalen Netzwerken gehören, repräsentieren.
Das computerlesbare Medium nach Anspruch 9, wobei die durch einen Computer ausführbaren Befehle des Weiteren Befehle zum Erlernen der erlernten Gewichte und Aktivierungsfunktionen, die zu den Neuronen der neuronalen Netzwerken gehören, umfassen.
Das computerlesbare Medium nach Anspruch 9, wobei das erste neuronale Netzwerk acht Eingabeneuronen, fünf Innen-/Außenlage-Zwischenneuronen und ein Innen-/Außen-Ausgabeneuron umfasst; das zweite neuronale Netzwerk acht Eingabeneuronen, drei Innenbereichspositions-Zwischenneuronen und vier Innenbereichs-Ausgabeneuronen umfasst; und das dritte neuronale Netzwerk acht Eingabeneuronen, drei Außenbereichspositions-Zwischenneuronen und vier Außenbereichs-Ausgabeneuronen umfasst.
Ein Verfahren zur Bestimmung einer Lage eines Schlüsselanhängers zur Verwendung in einem Fahrzeugzugangssystem, wobei das Verfahren umfasst: Empfang einer Mehrzahl von Signalen, wobei jedes Signal eine Stärke eines Drahtlossignals repräsentiert, das zwischen dem Schlüsselanhänger und einer von einer Mehrzahl von an einem Fahrzeug befindlichen Antennen übertragen wird; Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Fahrzeuginnenposition und einer Fahrzeugaußenposition umfasst, dass ein erstes neuronales Netzwerk eine Mehrzahl von Innen-/Außenpositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und ein Innen-/Außen-Ausgabeneuron zur Verwendung bei der Anzeige einer von der Fahrzeuginnenposition und der Fahrzeugaußenposition des Schlüsselanhängers berechnet; Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen umfasst, dass ein zweites neuronales Netzwerk eine Mehrzahl von Innenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Innenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeuginnenbereichspositionen des Schlüsselanhängers berechnet; und Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers basierend auf den Drahtlossignalstärken, wobei das Bestimmen einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers umfasst, dass ein drittes neuronales Netzwerk eine Mehrzahl von Außenbereichspositions-Zwischenneuronen mit dazugehörigen erlernten Gewichten und Aktivierungsfunktionen berechnet und eine Mehrzahl von Außenbereichspositions-Ausgabeneuronen zur Verwendung bei der Anzeige einer von einer Mehrzahl von Fahrzeugaußenbereichspositionen des Schlüsselanhängers berechnet; wobei das erste, zweite und dritte neuronale Netzwerk eine Kaskadentopologie aufweisen.
Das Verfahren nach Anspruch 14, des Weiteren umfassend den Empfang eines Schlüsseldetektionsauslösers zur Verwendung bei der Initiierung einer Bestimmung einer Schlüsselanhängerlage.
Das Verfahren nach Anspruch 14, des Weiteren umfassend die Montage einer Mehrzahl von Antennen an einer Mehrzahl von Orten an dem Fahrzeug.
Das Verfahren nach Anspruch 14, des Weiteren umfassend das Bereitstellen eines Schlüsselanhängers, wobei der Schlüsselanhänger eine Antenne umfasst, um eine Kommunikation zwischen dem Schlüsselanhänger und der Mehrzahl von am Fahrzeug befindlichen Antennen zu ermöglichen.
Das Verfahren nach Anspruch 14, des Weiteren umfassend das Speichern von Neuronalnetzwerkkodierungen, die die erlernten Gewichte und Aktivierungsfunktionen repräsentieren, die zu den Neuronen der neuronalen Netzwerke gehören, in einem Speicher an Bord des Fahrzeugs.
Das Verfahren nach Anspruch 14, des Weiteren umfassend das Erlernen der Gewichte und Aktivierungsfunktionen, die zu den Neuronen der neuronalen Netzwerke gehören, durch jedes der neuronalen Netzwerke.
Das Verfahren nach Anspruch 14, wobei das erste neuronale Netzwerk acht Eingabeneuronen, fünf Innen-/Außenlage-Zwischenneuronen und ein Innen-/Außen-Ausgabeneuron umfasst; das zweite neuronale Netzwerk acht Eingabeneuronen, drei Innenbereichspositions-Zwischenneuronen und vier Innenbereichs-Ausgabeneuronen umfasst; und das dritte neuronale Netzwerk acht Eingabeneuronen, drei Außenbereichspositions-Zwischenneuronen und vier Außenbereichs-Ausgabeneuronen umfasst.