DE102018101049A1

DE102018101049A1 - Configuration of a motor vehicle odometry device with a neural network

Info

Publication number: DE102018101049A1
Application number: DE102018101049.4A
Authority: DE
Inventors: Mohanad Hammad
Original assignee: Valeo Schalter und Sensoren GmbH
Current assignee: Valeo Schalter und Sensoren GmbH
Priority date: 2018-01-18
Filing date: 2018-01-18
Publication date: 2019-07-18

Abstract

Die Erfindung betrifft ein Verfahren zum Konfigurieren einer Odometrievorrichtung (3) für ein Kraftfahrzeug (1) mit einem a) Bereitstellen (9) zumindest eines kraftfahrzeuginternen Parameters (IN) an die Odometrievorrichtung (3), einem b) Bereitstellen (9) zumindest einer Referenz-Lageinformation (REF) über das Kraftfahrzeug (1), welche dem kraftfahrzeuginternen Parameter (IN) zugeordnet ist, an die Odometrievorrichtung (3), einem c) Ermitteln einer Lageinformation (OUT1) über das Kraftfahrzeug (1) durch ein neurales Netz (4) der Odometrievorrichtung (3) anhand des bereitgestellten kraftfahrzeuginternen Parameters (IN) und einem d) Konfigurieren der Odometrievorrichtung (3) durch einen überwachten Lernprozess des neuralen Netzes (4), in welchem die Abweichung der ermittelten Lageinformation (OUT1) von der bereitgestellten Referenz-Lageinformation (REF) minimiert wird, um die Genauigkeit der Odometrievorrichtung (3) für das Kraftfahrzeug (1) mit geringem technischem Aufwand zu erhöhen. Die Erfindung betrifft auch eine entsprechende Odometrievorrichtung (3).

The invention relates to a method for configuring an odometry device (3) for a motor vehicle (1) having a) providing (9) at least one parameter (IN) for the motor vehicle to the odometry device (3), b) providing (9) at least one reference Attitude information (REF) via the motor vehicle (1), which is assigned to the vehicle-internal parameter (IN), to the odometry device (3), c) determining a position information (OUT1) via the motor vehicle (1) by a neural network (4 ) of the odometry device (3) on the basis of the provided in-vehicle parameter (IN) and d) configuring the odometry device (3) by a supervised learning process of the neural network (4), in which the deviation of the determined position information (OUT1) from the provided reference Position information (REF) is minimized in order to increase the accuracy of the odometry device (3) for the motor vehicle (1) with little technical effort hen. The invention also relates to a corresponding odometry device (3).

Description

Die Erfindung betrifft ein Verfahren zum Konfigurieren einer Odometrievorrichtung für ein Kraftfahrzeug, wobei die Odometrievorrichtung ein neurales Netz aufweist. Die Erfindung betrifft auch ein Verfahren zum Betreiben eines Odometriesystems eines Kraftfahrzeugs, wobei das Odometriesystem eine Odometrievorrichtung mit einem neuralen Netz und eine weitere Odometrievorrichtung ohne neurales Netz aufweist. Die Erfindung betrifft auch eine entsprechende Odometrievorrichtung beziehungsweise ein entsprechendes Odometriesystem.The invention relates to a method for configuring an odometry device for a motor vehicle, the odometry device having a neural network. The invention also relates to a method for operating an odometry system of a motor vehicle, wherein the odometry system comprises a neural network odometry device and another neural network odometry device. The invention also relates to a corresponding odometry device or a corresponding odometry system.

Üblicherweise kommen in Odometrievorrichtungen oder Odometern für ein Kraftfahrzeug Radsensoren an einem jeweiligen Rad zum Einsatz, die über eine Detektion der entsprechenden Raddrehung bei geringen Geschwindigkeiten sehr genaue Lage(änderungs)informationen bereitstellen. Gerade eine Positions- und/oder Orientierungsänderung des Kraftfahrzeugs kann dabei mit hoher Genauigkeit detektiert werden. Für höhere Geschwindigkeiten kommt im Allgemeinen zur Lokalisierung eines Kraftfahrzeugs ein globales Positionierungssystem, beispielsweise das Global Positioning System (GPS), zum Einsatz. Dieses hat allerdings einen verhältnismäßig großen Fehler, der bis zu zehn Meter betragen kann.Typically, in odometry devices or odometers for a motor vehicle, wheel sensors are used on a respective wheel which provide very accurate position (change) information via detection of the corresponding wheel rotation at low speeds. Just a change in position and / or orientation of the motor vehicle can be detected with high accuracy. For higher speeds, a global positioning system, such as the Global Positioning System (GPS), is generally used to locate a motor vehicle. However, this has a relatively large error, which can be up to ten feet.

Gerade im Bereich des autonomen Fahrens kommen auch zunehmend fortgeschrittene Algorithmen für die Lokalisierung oder Lagebestimmung des Kraftfahrzeugs, beziehungsweise das Ermitteln einer Lageinformation über das Kraftfahrzeug, zum Einsatz. Konventionelle Odometriemethoden, welche Rad- oder Inertialsensoren nutzen werden jedoch über einen längeren Gebrauchszeitraum hinweg typischerweise ungenauer. Dies steht beispielsweise im Kontrast zu Algorithmen zur simultanen Lokalisierung und Kartenerstellung (Simultaneous Localization and Mapping, SLAM), welche auf Sensoren des Kraftfahrzeugs wie beispielsweise Laserscanner, Kameras oder einen Radar zurückgreifen, um zugleich eine Karte zu erstellen und die Lage des Kraftfahrzeugs in der Umgebung zu bestimmen. Derartige Ansätze hängen damit grundsätzlich in ihrer Genauigkeit von der Genauigkeit der Detektion der Umgebung ab. Die genaueste Möglichkeit für eine Positionsbestimmung eines Kraftfahrzeugs ist dabei über ein differentielles globales Positionierungssystem, beispielsweise das „differential GPS“, oder am Boden befestigte Laserscanner wie das Velodyne Lidar, möglich. Mit derartigen Systemen ist eine Position des Kraftfahrzeugs bis auf Zentimeter genau ermittelbar. Allerdings ist mit diesen ein erheblicher technologischer Aufwand und entsprechend hohe Kosten verbunden.Especially in the field of autonomous driving increasingly advanced algorithms for the localization or orientation of the motor vehicle, or determining a position information on the motor vehicle are used. However, conventional odometry methods using wheel or inertial sensors typically become less accurate over a longer period of use. For example, this is in contrast to Simultaneous Localization and Mapping (SLAM) algorithms, which use sensors of the motor vehicle such as laser scanners, cameras or a radar to simultaneously create a map and the location of the motor vehicle in the environment to determine. In principle, such approaches depend in their accuracy on the accuracy of the detection of the environment. The most accurate way of determining the position of a motor vehicle is via a differential global positioning system, such as the "differential GPS", or mounted on the ground laser scanner such as the Velodyne Lidar possible. With such systems, a position of the motor vehicle can be determined to within centimeters. However, these are associated with a considerable technological effort and correspondingly high costs.

Es ist die Aufgabe der vorliegenden Erfindung, die Genauigkeit einer Odometrievorrichtung für ein Kraftfahrzeug mit geringem technischem Aufwand zu erhöhen.It is the object of the present invention to increase the accuracy of an odometry device for a motor vehicle with little technical effort.

Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen ergeben sich aus den abhängigen Patentansprüchen, der Beschreibung und der Figur.This object is solved by the subject matters of the independent claims. Advantageous embodiments will become apparent from the dependent claims, the description and the figure.

Die Erfindung betrifft ein Verfahren zum Konfigurieren einer Odometrievorrichtung für ein Kraftfahrzeug. Ein erster Verfahrensschritt ist dabei ein Bereitstellen zumindest eines, also eines oder mehrerer, kraftfahrzeuginternen Parameters an die Odometrievorrichtung. Ein kraftfahrzeuginterner Parameter kann beispielsweise ein Parameter sein, der über ein Bussystem des Kraftfahrzeugs wie den CAN-Bus abgerufen werden kann. Ein weiterer Verfahrensschritt ist ein Bereitstellen zumindest einer Referenz-Lageinformation über das Kraftfahrzeug, welche dem kraftfahrzeuginternen Parameter zugeordnet ist, an die Odometrievorrichtung. Die Referenz-Lageinformation kann beispielsweise durch besagtes „differential GPS“ oder am Boden befestigte Laserscanner bereitgestellt werden. Die Lageinformation kann dabei eine Information über eine Orientierung und/oder über eine Position des Kraftfahrzeugs und/oder eine Änderung von Orientierung und/oder Position, eine Geschwindigkeit, des Kraftfahrzeugs umfassen.The invention relates to a method for configuring an odometry device for a motor vehicle. A first method step is thereby providing at least one, that is, one or more parameters internal to the vehicle, to the odometry device. An internal-vehicle parameter, for example, be a parameter that can be accessed via a bus system of the motor vehicle such as the CAN bus. A further method step is to provide at least one reference position information about the motor vehicle, which is assigned to the vehicle-internal parameter, to the odometry device. The reference attitude information may be provided, for example, by said "differential GPS" or ground mounted laser scanners. The position information may include information about an orientation and / or about a position of the motor vehicle and / or a change of orientation and / or position, a speed of the motor vehicle.

Da Referenz-Lageinformationen und der jeweilige kraftfahrzeuginterne Parameter einander zugeordnet sind, entsprechend sie einander, sodass beispielsweise die Lageinformation aus dem jeweils zugeordneten kraftfahrzeuginternen Parameter abgeleitet werden kann. Die Referenz-Lageinformation und der zugeordnete kraftfahrzeuginterne Parameter bildet dabei jeweils ein Datenpaar. Beispielsweise können mehrere Datenpaare jeweils in unterschiedlichen Fahrsituationen, also beispielsweise in unterschiedlichen Geschwindigkeiten oder beim Durchfahren unterschiedlicher Streckenverläufe wie beispielsweise Kurven, von einem Testfahrzeug aufgezeichnet werden, um später im Rahmen der Konfiguration der Odometrievorrichtung an die Odometrievorrichtung bereitgestellt zu werden. Die Referenz-Lageinformation und der zugeordnete kraftfahrzeuginternen Parameter, das heißt der Wert des zugeordneten kraftfahrzeuginternen Parameters, können aber auch artifiziell erzeugt werden, beispielsweise im Rahmen einer nummerischen Simulation. Ein nächster Verfahrensschritt ist ein Ermitteln einer Lageinformation über das Kraftfahrzeug durch ein neurales Netz oder Netzwerk der Odometrievorrichtung anhand des bereitgestellten kraftfahrzeuginternen Parameters. Es liegen somit zwei unterschiedliche Lageinformationen, nämlich die vom neuralen Netz ermittelte Lageinformation und die bereitgestellte Referenz-Lageinformation vor, welche beiden dem gleichen kraftfahrzeuginternen Parameter zugeordnet sind.Since reference position information and the respective motor vehicle-internal parameters are assigned to one another, they correspond to one another, so that, for example, the position information can be derived from the respectively assigned motor vehicle-internal parameter. The reference position information and the associated motor vehicle internal parameter each form a data pair. For example, several pairs of data can each be recorded by a test vehicle in different driving situations, that is, for example, at different speeds or when traveling through different route courses, such as curves, in order to be provided later to the odometry device in the context of the configuration of the odometry device. The reference position information and the associated motor vehicle-internal parameter, that is, the value of the associated motor vehicle internal parameter, but can also be generated artificially, for example in the context of a numerical simulation. A next method step is determining position information about the motor vehicle through a neural network or network of the odometry device on the basis of the provided motor vehicle-internal parameter. There are thus two different position information, namely the position information determined by the neural network and the provided reference position information, which are both assigned to the same motor vehicle-internal parameter.

Schließlich erfolgt ein Konfigurieren der Odometrievorrichtung durch einen überwachten Lernprozess des neuralen Netzes, in welchem die Abweichung der ermittelten Lageinformation von der bereitgestellten Referenz-Lageinformation minimiert wird. Ein derartiger überwachter Lernprozess kann auch als „Supervised Learning“ bezeichnet werden. Dabei kann die Referenz-Lageinformation, welche das Wunschergebnis für das neurale Netz repräsentiert die Rolle des „Lehrers“ oder „Supervisors“ einnehmen. Das neurale Netz wird also anhand der Referenz-Lageinformationen darauf trainiert, aus dem fahrzeuginternen Parameter eine der Referenz-Lageinformation ähnliche oder zu dieser identische Lageinformation zu ermitteln. Damit wird ermöglicht, dass das trainierte oder ausgelernte neurale Netz, bei welchem es sich um ein mathematisches neurales Netzmodell handelt, in diesem Kraftfahrzeug oder weiteren Kraftfahrzeugen implementiert werden kann, um die Lage des jeweiligen Kraftfahrzeugs, also die Position und/oder Positionsänderung und/oder Orientierung und/oder Orientierungsänderung in Abhängigkeit der kraftfahrzeuginternen Parameter wie beispielsweise Beschleunigung und Lenkwinkel, im Sinne eines Abschätzens ermittelt werden kann. Finally, the odometry device is configured by a supervised learning process of the neural network, in which the deviation of the determined position information from the provided reference position information is minimized. Such a supervised learning process can also be referred to as "supervised learning". In this case, the reference position information, which represents the desired result for the neural network, can assume the role of the "teacher" or "supervisor". The neural network is thus trained on the basis of the reference position information to determine from the vehicle-internal parameter one of the reference position information similar or identical to this position information. This makes it possible that the trained or learned neural network, which is a mathematical neural network model, can be implemented in this motor vehicle or other motor vehicles to the position of the respective motor vehicle, so the position and / or position change and / or Orientation and / or orientation change as a function of the vehicle-internal parameters such as acceleration and steering angle, can be determined in the sense of an estimation.

Nach dem Aufnehmen oder Erfassen wird das bereitgestellte Datenset (eine Vielzahl von Datenpaaren mit Lageinformation und dem zugeordneten kraftfahrzeuginternen Parameter) einer Test- oder Trainingsfahrt also genutzt werden, um das neurale Netzwerk (-modell), insbesondere ein neurales Netzwerk-Regressionsmodell, zu trainieren oder anzulernen. Dieses trainierte neurale Netzwerk (-modell) wird dann in einer Produktionsphase in der Hardware (der Odometrievorrichtung) implementiert werden, um einen Fehler der konventionellen Odometrie-Logik zu korrigieren.After recording or capturing, the provided data set (a plurality of data pairs with position information and the associated motor vehicle internal parameter) of a test or training run will thus be used to train the neural network (model), in particular a neural network regression model to learn. This trained neural network (model) will then be implemented in a production phase in the hardware (the odometry device) to correct for an error in conventional odometry logic.

Konsequenterweise werden die Daten von der Referenz-Einrichtung wie dem „differential GPS“ oder dem am Boden befestigte Laserscanner nur in der Konfigurations- oder Trainingsphase genutzt. In der Betriebsphase werden dann neben dem neuralen Netzwerk zum Berechnen der Lage des Kraftfahrzeugs, beispielsweise der Position oder der Veränderung einer Position (Geschwindigkeit), bevorzugt nur gemessene Lageinformationen des Kraftfahrzeugs (ohne Daten von der Referenzeinrichtung wie dem „differential GPS“ oder dem am Boden befestigte Laserscanner) genutzt.Consequently, the data from the reference device such as the "differential GPS" or the bottom-mounted laser scanner are used only in the configuration or training phase. In the operating phase, in addition to the neural network for calculating the position of the motor vehicle, for example the position or the change of a position (speed), preferably only measured position information of the motor vehicle (without data from the reference device such as the "differential GPS" or the ground attached laser scanner) used.

Die vorgeschlagene Methode basiert also darauf, dass erwartet wird, dass das Ergebnis des neuralen Netzwerks für die Position und/oder Geschwindigkeit unterschiedliche von und nicht identisch mit den Ergebnissen interner Sensoren, der gemessenen Lageinformation, sein sollte, sondern genauer. Und diese genaue Abschätzung von dem neuralen Netzwerk (-modell) wird dann genutzt, um die fehlerbedingte Abweichung der konventionellen Odometrie-Logik zu korrigieren.The proposed method is therefore based on expecting that the result of the neural network for the position and / or speed should be different from and not identical with the results of internal sensors, the measured position information, but more accurately. And this accurate estimate of the neural network (model) is then used to correct the error-related deviation of conventional odometry logic.

Das hat den Vorteil, dass die Lage des Kraftfahrzeugs mit verbesserter Genauigkeit abgeschätzt werden kann, ohne dass hierfür zusätzliche Sensoren erforderlich sind. Es kann hier eine Genauigkeit erreicht werden, welche der Genauigkeit eines differentiellen globalen Positionierungssystems oder des besagten am Boden befestigten Laserscanners gleichwertig ist. Einer der Hauptvorteile ist hier, dass nicht nur wie in bekannten Odometrievorrichtungen die durch die Raddrehungen und Lenkwinkel bestimmte Kinematik des Kraftfahrzeugs berücksichtigt wird, sondern auch die Dynamik des Kraftfahrzeugs, welche beispielsweise einen Schlupf oder eine Drift des Kraftfahrzeugs berücksichtigt und für unterschiedliche Fahrsituationen unterschiedliche Werte annehmen kann. Somit ist die vorgeschlagene Methode gerade im Bereich hoher Geschwindigkeiten und autonomen Fahrens hilfreich. Daher entspricht beziehungsweise entsprechen die für das Konfigurieren genutzten Referenz-Lageinformation oder Referenz-Lageinformationen nebst den zugeordneten kraftfahrzeuginternen Parametern bevorzugt einer Vielzahl von unterschiedlichen Fahrsituationen, sodass das neurale Netz anhand der unterschiedlichen Referenz-Lageinformationen lernt die zusätzliche, nicht durch Radsensoren erfassbare Lageänderung des Kraftfahrzeugs korrekt einzuschätzen und somit die Lageinformation über das Kraftfahrzeug mit einer erhöhten Genauigkeit ermitteln kann.This has the advantage that the position of the motor vehicle can be estimated with improved accuracy, without requiring additional sensors for this purpose. Accuracy may be achieved here which is equivalent to the accuracy of a differential global positioning system or said bottom-mounted laser scanner. One of the main advantages here is that not only as in known Odometrievorrichtungen the determined by the wheel rotation and steering angle kinematics of the motor vehicle is taken into account, but also the dynamics of the motor vehicle, for example, considered a slip or drift of the motor vehicle and take different values for different driving situations can. Thus, the proposed method is helpful especially in the field of high speeds and autonomous driving. Therefore, the reference position information or reference position information used for the configuration preferably corresponds to a plurality of different driving situations in addition to the assigned motor vehicle-internal parameters, so that the neural network using the different reference position information correctly learns the additional change in position of the motor vehicle that can not be detected by wheel sensors estimate and thus determine the position information about the motor vehicle with increased accuracy.

In einer vorteilhaften Ausführungsform ist dabei vorgesehen, dass der kraftfahrzeuginterne Parameter einen Lenkwinkel des Kraftfahrzeugs und/oder eine laterale Geschwindigkeit des Kraftfahrzeugs und/oder eine longitudinale Geschwindigkeit des Kraftfahrzeugs und/oder eine laterale Beschleunigung des Kraftfahrzeugs und/oder eine longitudinale Beschleunigung des Kraftfahrzeugs und/oder eine Gierrate des Kraftfahrzeugs umfasst oder ist.In an advantageous embodiment, it is provided that the parameter internal to the motor vehicle is a steering angle of the motor vehicle and / or a lateral speed of the motor vehicle and / or a longitudinal speed of the motor vehicle and / or a lateral acceleration of the motor vehicle and / or a longitudinal acceleration of the motor vehicle and / or or a yaw rate of the motor vehicle comprises or is.

Das hat den Vorteil, dass die genannten Parameter bereits üblicherweise durch in dem Kraftfahrzeug vorhandene Sensoren erfasst werden und über beispielsweise einen CAN-Bus ohne Weiteres abrufbar sind und zur Verfügung stehen. Auch lässt sich aus den genannten kraftfahrzeuginternen Parametern die Lage, das heißt die Position und/oder Orientierung, des Kraftfahrzeugs und folglich auch die Lageinformation besonders gut ermitteln oder bestimmen.This has the advantage that the said parameters are already usually detected by sensors present in the motor vehicle and can be called up and are readily available via, for example, a CAN bus. Also, the position, that is to say the position and / or orientation, of the motor vehicle and consequently also the position information can be determined or determined particularly well from the aforementioned motor vehicle-internal parameters.

In einer bevorzugten Ausführungsform ist vorgesehen, dass der kraftfahrzeuginterne Parameter von einer Rad-Sensoreinrichtung mit einem Radsensor an die Odometrievorrichtung bereitgestellt wird, insbesondere von einer Lenkrad-Sensoreinrichtung und/oder von einer Laufrad-Sensoreinrichtung. Der kraftfahrzeuginterne Parameter kann dabei einen Lenkwinkel des Lenkrads und/oder einen Drehwinkel und/oder eine Drehzahl des Laufrads umfassen. Das hat den Vorteil der besonderen Eignung der kraftfahrzeuginternen Parameter für die Lagebestimmung des Kraftfahrzeugs.In a preferred embodiment, it is provided that the motor vehicle-internal parameter is provided by a wheel sensor device with a wheel sensor to the odometry device, in particular by a steering wheel sensor device and / or by an impeller sensor device. The vehicle-internal parameter may include a steering angle of the steering wheel and / or a rotational angle and / or a rotational speed of the impeller. This has the advantage of the particular suitability of the motor vehicle internal parameters for determining the position of the motor vehicle.

In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass die Lageinformation eine Position des Kraftfahrzeugs und/oder eine Orientierung des Kraftfahrzeugs in globalen Koordinaten einer in der Odometrievorrichtung hinterlegten Karte repräsentiert. Dies ist besonders vorteilhaft für die weitere Verarbeitung der von der Odometrievorrichtung gegebenenfalls bereitgestellten Lageinformation in dem Kraftfahrzeug und für eine Kompatibilität der bereitgestellten Lageinformation oder erzeugten Lageinformation mit weiteren Vorrichtungen oder Systemen des Kraftfahrzeugs.In a further advantageous embodiment, it is provided that the position information represents a position of the motor vehicle and / or an orientation of the motor vehicle in global coordinates of a map stored in the odometry device. This is particularly advantageous for the further processing of the position information optionally provided by the odometry device in the motor vehicle and for a compatibility of the provided position information or generated position information with other devices or systems of the motor vehicle.

In einer besonders bevorzugten Ausführungsform ist vorgesehen, dass die Referenz-Lageinformation jeweils ganz oder teilweise von einer globalen Positions-Erfassungseinrichtung des Kraftfahrzeugs, insbesondere von einer differentiellen globalen Positions-Erfassungseinrichtung, und/oder einer Kompasseinrichtung des Kraftfahrzeugs und/oder einer Trägheits-Sensoreinrichtung des Kraftfahrzeugs und/oder einer weiteren Sensoreinrichtung des Kraftfahrzeugs, insbesondere der unten genannten zusätzlichen Sensoreinrichtung, an die Odometrievorrichtung bereitgestellt wird. Bei der globalen Positions-Erfassungseinrichtung des Kraftfahrzeugs kann es sich beispielsweise um ein Modul oder eine Einrichtung des bekannten Global Positioning Systems handeln. Das neurale Netz kann nach der Konfiguration, das heißt nach dem Anlernen oder Trainieren, dabei auch in anderen Kraftfahrzeugen, insbesondere baugleichen Kraftfahrzeugen, eingesetzt werden.In a particularly preferred embodiment it is provided that the reference position information in each case in whole or in part by a global position detection device of the motor vehicle, in particular by a differential global position detection device, and / or a compass device of the motor vehicle and / or an inertial sensor device of the Motor vehicle and / or another sensor device of the motor vehicle, in particular the below-mentioned additional sensor device is provided to the odometry device. The global position detection device of the motor vehicle may, for example, be a module or a device of the known Global Positioning System. The neural network can after the configuration, that is, after learning or training, thereby also in other motor vehicles, especially identical motor vehicles, are used.

Das hat den Vorteil, dass die bereitgestellte Referenz-Lageinformation von besonders hoher Genauigkeit ist und somit das neurale Netz besonders genau angelernt oder trainiert werden kann, sodass die Odometrievorrichtung bei bestimmungsgemäßem Gebrauch die Lage des Kraftfahrzeugs besonders genau ermitteln kann.This has the advantage that the provided reference position information is of particularly high accuracy and thus the neural network can be trained or trained particularly accurately, so that the odometry device can determine the position of the motor vehicle particularly accurately when used as intended.

In einer anderen besonders vorteilhaften Ausführungsform ist vorgesehen, dass das Bereitstellen gemäß der Verfahrensschritte a) und b) und das Ermitteln gemäß Verfahrensschritt c) für mehrere unterschiedliche Fahrsituationen, also wiederholt, mit dem zumindest einen kraftfahrzeuginternen Parameter und der zumindest einen zugeordneten Referenz-Lageinformation durchgeführt werden und in dem überwachten Lernprozess der kraftfahrzeuginterne Parameter und die zugeordnete Referenz-Lageinformation der unterschiedlichen Fahrsituationen berücksichtigt wird. Damit werden unterschiedliche Fahrsituationen, das heißt mehrere Datenpaare von kraftfahrzeuginternen Parametern und Referenz-Lageinformationen aus unterschiedlichen Fahrsituationen für das Anlernen des neuralen Netzes genutzt.In another particularly advantageous embodiment, provision is made in accordance with method steps a) and b) and the determination according to method step c) for a plurality of different driving situations, ie repeatedly, with the at least one motor vehicle-internal parameter and the at least one associated reference position information and in the monitored learning process, the vehicle-internal parameters and the associated reference position information of the different driving situations is taken into account. Thus, different driving situations, that is, multiple data pairs of vehicle-internal parameters and reference position information from different driving situations are used for teaching the neural network.

Das hat den Vorteil, dass das neurale Netz aus dem oder den bereitgestellten kraftfahrzeuginternen Parametern mit einer großen Genauigkeit auch in unterschiedlichen Fahrsituationen den Zusammenhang zwischen dem jeweiligen Wert eines kraftfahrzeuginternen Parameters und der Referenz-Lageinformation, also dem korrekten Wert für die Lageinformation, erlernt und somit die Lageinformation anhand des bereitgestellten kraftfahrzeuginternen Parameters besonders genau ermitteln kann. Damit wird auch bei einem späteren Einsatz nach der Konfiguration die Dynamik des Kraftfahrzeugs (und nicht nur dessen interne Kinematik) besonders realistisch eingeschätzt.This has the advantage that the neural network learns the relationship between the respective value of an internal-vehicle parameter and the reference position information, ie the correct value for the position information, from the one or more provided internal-vehicle parameters with great accuracy, and thus in different driving situations The position information can be determined particularly accurately on the basis of the provided motor vehicle internal parameter. Thus, the dynamics of the motor vehicle (and not only its internal kinematics) is estimated particularly realistic in a later use after the configuration.

In einer weiteren Ausführungsform ist vorgesehen, dass zusätzlich zu dem kraftfahrzeuginternen Parameter zusätzliche Daten zumindest eines zusätzlichen Sensorsystems, beispielsweise einer Kamera und/oder eines Laserscanners und/oder eines Radars, an die Odometrievorrichtung bereitgestellt werden, und das Ermitteln der Lageinformation durch das neurale Netz auch anhand der oder unter Berücksichtigt der bereitgestellten zusätzlichen Daten erfolgt. Dabei ist die Referenz-Lageinformation dem kraftfahrzeuginternen Parameter und zugleich den zusätzlichen Daten zugeordnet. Die zusätzlichen Daten können so beispielsweise in der gleichen Fahrsituation erhoben oder gemessen worden sein wie der zumindest eine kraftfahrzeuginterne Parameter.In a further embodiment it is provided that, in addition to the vehicle-internal parameter, additional data of at least one additional sensor system, for example a camera and / or a laser scanner and / or a radar, are provided to the odometry device, and the location information is also determined by the neural network based on or taking into account the additional data provided. In this case, the reference position information is assigned to the vehicle-internal parameter and at the same time to the additional data. The additional data may for example have been collected or measured in the same driving situation as the at least one vehicle-internal parameter.

Das hat den Vorteil, dass die Genauigkeit der Odometrievorrichtung nochmals deutlich gesteigert werden kann, da zusätzliche, von den genannten kraftfahrzeuginternen Parametern unterschiedliche und von diesen unabhängige Daten oder Informationen mitberücksichtigt werden können.This has the advantage that the accuracy of the odometry device can be significantly increased once again, since additional data or information which is different from the said motor vehicle internal parameters and which is independent of these can also be taken into account.

In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass der überwachte Lernprozess ein Rückpropagieren, eine sogenannte Back-Propagation oder Backward Propagation, umfasst. Damit kann auf besonders einfache und zuverlässige Weise im Lernprozess die Abweichung der ermittelten Lageinformation von der bereitgestellten Referenz-Lageinformation minimiert werden.In a further advantageous embodiment, it is provided that the monitored learning process comprises a backpropagation, a so-called backpropagation or backward propagation. This can be minimized in a particularly simple and reliable manner in the learning process, the deviation of the determined position information from the provided reference position information.

Die Erfindung betrifft auch eine Odometrievorrichtung für ein Kraftfahrzeug, welche ein neurales Netz aufweist und welche mittels einer der beschriebenen Ausführungsformen des Verfahrens konfiguriert ist.The invention also relates to an odometry device for a motor vehicle, which has a neural network and which is configured by means of one of the described embodiments of the method.

Die Erfindung betrifft auch ein Verfahren zum Betreiben eines Odometriesystems eines Kraftfahrzeugs, wobei das Odometriesystem eine erste Odometrievorrichtung mit einem neuralen Netz und eine weitere, zweite Odometrievorrichtung ohne neurales Netz aufweist. Insbesondere kann die erste und die zweite Odometrievorrichtung in einer Hardware-Einheit realisiert werden, beispielsweise auf einer Platine. In diesem Fall kann die Software auf der gleichen Hardware eine konventionelle Odometrie-Logik und das neurale Netzwerk umfassen. Ein Verfahrensschritt ist dabei ein Ermitteln einer Lageinformation für das Kraftfahrzeug durch die eine erste Odometrievorrichtung. Ein weiterer Verfahrensschritt ist ein weiteres Ermitteln, welches auch im Sinne eines Messens verstanden werden kann, einer weiteren, zweiten Lageinformation für das Kraftfahrzeug durch die weitere, zweite Odometrievorrichtung. Ein nachfolgender Verfahrensschritt ist ein Abschätzen eines Fehlers, insbesondere eines Messfehlers, der weiteren Odometrievorrichtung anhand eines Vergleichs der einen, ersten Lageinformation mit der weiteren, zweiten Lageinformation. Schließlich kann als abschließender Verfahrensschritt ein Kompensieren des Fehlers der zweiten Lageinformation erfolgen.The invention also relates to a method for operating an odometry system of a Motor vehicle, wherein the odometry system comprises a first odometry device with a neural network and another, second odometry device without neural network. In particular, the first and the second odometry device can be realized in a hardware unit, for example on a circuit board. In this case, the software may include conventional odometry logic and the neural network on the same hardware. A method step is thereby determining a position information for the motor vehicle by a first odometry device. A further method step is a further determination, which can also be understood in the sense of a measurement, of a further, second position information for the motor vehicle by the further, second odometry device. A subsequent method step is an estimation of an error, in particular a measurement error, of the further odometry device on the basis of a comparison of the one, first position information with the further, second position information. Finally, as a final method step, the error of the second position information can be compensated.

Das hat den Vorteil, dass durch die Odometrievorrichtung mit dem neuralen Netz für die Korrektur der Odometrie, welche durch die weitere, gewöhnliche Odometrievorrichtung ohne neurales Netz erfolgt, ähnlich einer Justierung oder Korrektur durch ein differentielles globales Positionierungssystem ermöglicht wird. Durch das neurale Netz wird somit ein ansonsten nicht durch eine konventionelle Odometrievorrichtung erfassbare Dynamik, beispielsweise ein Drift, detektiert und dieses Wissen für eine erhöhte Genauigkeit der Lageinformation genutzt. Gleichzeitig liefert in Situationen, in welchen die konventionelle Odometrievorrichtung ohne neurales Netz sich bewährt hat, diese zuverlässig eine genaue Lageinformation.This has the advantage that the odometry device with the neural network for the correction of the odometry, which is carried out by the further ordinary odometry device without a neural network, is made possible similarly to an adjustment or correction by a differential global positioning system. The neural network thus detects a dynamic which can not otherwise be detected by a conventional odometry device, for example a drift, and uses this knowledge for an increased accuracy of the position information. At the same time, in situations where the conventional non-neural network odometry device has proven itself, it reliably provides accurate location information.

Die Erfindung betrifft auch ein Odometriesystem für ein Kraftfahrzeug, mit einer Odometrievorrichtung mit neuralem Netz, wie sie oben beschrieben ist, sowie mit einer weiteren Odometrievorrichtung ohne neurales Netz. Dabei ist das Odometriesystem ausgebildet, anhand eines Vergleichens der von der Odometrievorrichtung mit neuralem Netz ermittelten Lageinformation und der von der weiteren Odometrievorrichtung ermittelten oder gemessenen weiteren Lageinformation einen Fehler, insbesondere einen Messfehler, der weiteren Odometrievorrichtung abzuschätzen und insbesondere zu kompensieren.The invention also relates to an odometry system for a motor vehicle, having a neural network odometry device as described above, as well as to another neural network odometry device. In this case, the odometry system is designed to estimate and in particular to compensate an error, in particular a measurement error, of the further odometry device by comparing the position information determined by the odometry device with the neural network and the further position information determined or measured by the further odometry device.

Die Erfindung betrifft auch ein Fahrerassistenzsystem für ein Kraftfahrzeug mit einer solchen Odometrievorrichtung oder mit einem solchen Odometriesystem sowie ein entsprechend mit einem solchen Fahrerassistenzsystem oder einer solchen Odometrievorrichtung oder einem solchen Odometriesystem ausgestatteten Kraftfahrzeug.The invention also relates to a driver assistance system for a motor vehicle with such an odometry device or with such an odometry system and a motor vehicle equipped accordingly with such a driver assistance system or such an odometry device or such an odometry system.

Vorteile und vorteilhafte Ausführungsformen der Verfahren entsprechen hier Vorteilen und vorteilhaften Ausführungsformen der Odometrievorrichtung beziehungsweise des Odometriesystems und umgekehrt.Advantages and advantageous embodiments of the method correspond here to advantages and advantageous embodiments of the odometry device or the odometry system and vice versa.

Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder abweichen. The features and feature combinations mentioned above in the description, as well as the features and feature combinations mentioned below in the description of the figures and / or shown alone in the figures, can be used not only in the respectively specified combination but also in other combinations without the scope of the invention leave. Thus, embodiments of the invention are to be regarded as encompassed and disclosed, which are not explicitly shown and explained in the figures, however, emerge and can be produced by separated combinations of features from the embodiments explained. Embodiments and combinations of features are also to be regarded as disclosed, which thus do not have all the features of an originally formulated independent claim. Moreover, embodiments and combinations of features, in particular by the embodiments set out above, are to be regarded as disclosed, which go beyond or deviate from the combinations of features set out in the back references of the claims.

Ausführungsbeispiele der Erfindung werden nachfolgend anhand schematischer Zeichnungen näher erläutert. Dabei zeigen:

1 eine beispielhafte Ausführungsform eines Odometriesystems für ein Kraftfahrzeug mit zwei Odometrievorrichtungen;
2 eine schematische Darstellung eines Verfahrens zum Konfigurieren einer Odometrievorrichtung für ein Kraftfahrzeug; und
3 eine weitere schematische Darstellung einer beispielhaften Ausführungsform eines Odometriesystems für ein Kraftfahrzeug mit zwei Odometrievorrichtu ngen.

Embodiments of the invention are explained in more detail below with reference to schematic drawings. Showing:

1 an exemplary embodiment of an odometry system for a motor vehicle with two odometry devices;
2 a schematic representation of a method for configuring an odometry device for a motor vehicle; and
3 a further schematic representation of an exemplary embodiment of an odometry system for a motor vehicle with two Odometrievorrichtu lengths.

In den Figuren sind dabei gleiche Merkmale mit den gleichen Bezugszeichen versehen.In the figures, the same features are provided with the same reference numerals.

In 1 ist ein Kraftfahrzeug 1 mit einem beispielhaften Odometriesystem 2 für das Kraftfahrzeug 1 dargestellt. Das Odometriesystem 2 umfasst hier eine Odometrievorrichtung 3 mit einem neuralen Netz 4 sowie eine weitere Odometrievorrichtung 5, welche nicht über ein neurales Netz verfügt. Das Odometriesystem 2 ist vorliegend mit Radsensoreinrichtungen 6a bis 6e gekoppelt, wobei im gezeigten Beispiel die Radsensoreinrichtung 6a einem Lenkrad 7 zugeordnet ist und die Radsensoreinrichtungen 6b bis 6e jeweiligen Laufrädern 8a bis 8d.In 1 is a motor vehicle 1 with an exemplary odometry system 2 for the motor vehicle 1 shown. The odometry system 2 here includes an odometry device 3 with a neural network 4 and another odometry device 5 which does not have a neural network. The odometry system 2 is present with wheel sensor devices 6a to 6e coupled, in the example shown, the Radsensoreinrichtung 6a a steering wheel 7 is assigned and the wheel sensor devices 6b to 6e respective wheels 8a to 8d ,

Dabei ist das Odometriesystem 2 ausgebildet, anhand eines Vergleichens der von der Odometrievorrichtung 3 mit dem neuralen Netz 4 ermittelten Lageinformation OUT1 ( 2) und mit der von der weiteren Odometrievorrichtung 5 ermittelten weiteren Lageinformation OUT2 (3) einen Fehler der weiteren Odometrievorrichtung 5 abzuschätzen. Beide Odometrievorrichtungen 3, 4 ermitteln dabei die Lageinformation, also beispielsweise Position und/oder Ausrichtung des Kraftfahrzeugs 1 anhand eines kraftfahrzeuginternen Parameters, beispielsweise eines Lenkwinkels α und/oder einer Geschwindigkeit des Kraftfahrzeugs 1 unabhängig voneinander.Here is the odometry system 2 formed, based on a comparison of the odometry device 3 with the neural network 4 determined position information OUT1 ( 2 ) and with that of the further odometry device 5 determined further position information OUT2 ( 3 ) an error of the other odometry device 5 estimate. Both odometry devices 3 . 4 determine the position information, so for example position and / or orientation of the motor vehicle 1 on the basis of an internal-vehicle parameter, for example a steering angle α and / or a speed of the motor vehicle 1 independently of each other.

Die Odometrievorrichtung 3 ist dabei mit einem Verfahren, wie es beispielsweise im Folgenden beschrieben wird, konfiguriert.The odometry device 3 is configured with a method such as described below.

In 2 wird das Verfahren zum Konfigurieren der Odometrievorrichtung 3 schematisch dargestellt. Es erfolgt hier zunächst ein Bereitstellen 9 eines kraftfahrzeuginternen Parameters IN an die Odometrievorrichtung 3 beziehungsweise das neurale Netz 4. Ein Bereitstellen 10 zumindest einer Referenz-Lageinformation REF an die Odometrievorrichtung 3 ist ein weiterer Verfahrensschritt. Es erfolgt auch ein Ermitteln einer Lageinformation OUT1 über das Kraftfahrzeug 1 (1) anhand des bereitgestellten kraftfahrzeuginternen Parameters IN durch das neurale Netz 4. Im Rahmen eines Vergleichens 11 der Referenz-Lageinformation REF mit der ermittelten Lageinformation OUT1 wird eine Abweichung DIFF der ermittelten Lageinformation OUT1 von der bereitgestellten Referenz-Lageinformation REF berechnet und als zu minimierender Lernparameter in einem überwachten Lernprozess des neuralen Netzes 4 genutzt. Damit wird die Odometrievorrichtung 3 unter Zuhilfenahme des überwachten Lernprozesses des konfiguriert.In 2 Turns to the method of configuring the odometry device 3 shown schematically. First, a provision is made here 9 of a vehicle-internal parameter IN to the odometry device 3 or the neural network 4 , A Deploy 10 at least one reference position information REF to the odometry device 3 is another process step. There is also a determination of a location information OUT1 over the motor vehicle 1 ( 1 ) using the provided motor vehicle internal parameter IN through the neural network 4 , As part of a comparison 11 the reference position information REF with the determined position information OUT1 is a deviation DIFF the determined position information OUT1 calculated from the provided reference position information REF and as a learning parameter to be minimized in a supervised learning process of the neural network 4 used. This will be the odometry device 3 with the help of the supervised learning process of the configured.

Als Teil des Konfigurierens kann eine Vielzahl von Referenz-Lageinformationen REF und entsprechend eine Vielzahl von zugeordneten kraftfahrzeuginternen Parametern IN, d.h. Vielzahl von Werten für den oder die kraftfahrzeuginternen Parameter IN, in jeweils unterschiedlichen Fahrsituationen gemessen werden. In den Fahrsituationen können beispielsweise Geschwindigkeiten und Kurvenradien des Kraftfahrzeugs 1 variiert werden, um das neurale Netz 4 auf die unterschiedlichen, bei bestimmungsgemäßem Gebrauch der konfigurierten Odometrievorrichtung 3 zu erwartenden Fahrsituationen vorzubereiten.As part of the configuration, a plurality of reference attitude information REF and correspondingly a plurality of associated in-vehicle parameters IN, ie, a plurality of values for the one or more in-vehicle parameters IN, may be measured in different driving situations, respectively. In the driving situations, for example, speeds and curve radii of the motor vehicle 1 be varied to the neural network 4 on the different, when used as intended the configured odometry device 3 to prepare for expected driving situations.

In 3 ist eine weitere schematische Darstellung einer beispielhaften Ausführungsform eines Odometriesystems für ein Kraftfahrzeug mit zwei Odometrievorrichtungen dargestellt. Das Odometriesystem 2 umfasst wie in 1 dargestellt die Odometrievorrichtungen 3, 5 mit und ohne neurales Netzwerk 4. Im Gegensatz zu 1, erhält die erste Odometrievorrichtung 3 im vorliegenden Beispiel eine Information von einer zusätzlichen Sensorsystem 11, beispielsweise eine globale Positionsinformation von einer globalen Positionserfassungs-Sensoreinheit und/oder eine Inertialmoment-Information von einer Inertialmoment-Sensoreinheit.In 3 is another schematic representation of an exemplary embodiment of an odometry system for a motor vehicle with two odometry devices shown. The odometry system 2 includes as in 1 presented the odometry devices 3 . 5 with and without a neural network 4 , In contrast to 1 , receives the first odometry device 3 in the present example, information from an additional sensor system 11 For example, a global position information from a global position detection sensor unit and / or an inertial torque information from an inertial torque sensor unit.

Während der Trainings- oder Konfigurationsphase sind hier die innerhalb des Kastens 12 dargestellten Komponenten relevant. Während der Betriebsphase sind nur die außerhalb des Kastens 12 dargestellten Komponenten relevant. Dabei ist Pfeil 13 für die Trainingsphase nicht relevant.During the training or configuration phase, they are inside the box 12 relevant components. During the operating phase, only the outside of the box 12 relevant components. This is arrow 13 not relevant for the training phase.

In diesem Beispiel stellen erste und zweite Odometrievorrichtung 3, 5 eine jeweilige Lageinformation OUT1, OUT2 bereit. Die zweite Lageinformation OUT2 wird in dem vorliegenden Beispiel mit der Referenz-Lageinformation REF verglichen, und die Abweichung DIFF der Lageinformation OUT2 von der bereitgestellten Referenz-Lageinformation verglichen.In this example introduce first and second odometry device 3 . 5 a respective position information OUT1 . OUT2 ready. The second location information OUT2 is compared with the reference attitude information REF in the present example, and the deviation DIFF of the attitude information OUT2 from the provided reference attitude information.

Beispielsweise kann die Referenz-Lageinformation REF bei eine anderen Sensoreinheit 14, einem „differential GPS“ oder einem am Boden befestigten Laserscanner, bereitgestellt werden. Im vorliegenden Beispiel wird die Abweichung DIFF mit der Lageinformation OUT1 verglichen und einer Ergebnis des Vergleichens wird von einer Lehrinstanz 15 genutzt, um das neurale Netzwerk 4 anzupassen oder zu konfigurieren. Alle innerhalb des Kastens 12 dargestellten Komponenten sind konsequenterweise Teil des überwachten Lernprozesses.For example, the reference position information REF in another sensor unit 14 , a "differential GPS" or ground mounted laser scanner. In the present example, the deviation DIFF with the position information OUT1 and a result of the comparison is made by a teaching instance 15 used to the neural network 4 adapt or configure. All within the box 12 consequently, components are part of the supervised learning process.

Dabei wird in der Betriebsphase die Lageinformation OUT2 an die erste Odometrievorrichtung 3 bereitgestellt (Pfeil 13), und das neurale Netzwerk 4 (1) kann zum Verbessern der Lageinformation OUT2 der zweiten Odometrievorrichtung 5 konfiguriert werden.In this case, the position information in the operating phase OUT2 to the first odometry device 3 provided (arrow 13 ), and the neural network 4 ( 1 ) can be used to improve the location information OUT2 the second odometry device 5 be configured.

Claims

Method for configuring an odometry device (3) for a motor vehicle (1) with the method steps: a) providing (9) at least one vehicle-internal parameter (IN) to the odometry device (3); b) providing (10) at least one reference position information (REF) via the motor vehicle (1), which is assigned to the vehicle-internal parameter (IN), to the odometry device (3); c) determining a location information (OUT1) via the motor vehicle (1) through a neural network (4) of Odometrievorrichtung (3) based on the provided motor vehicle internal parameter (IN); d) Configuring the odometry device (3) by a supervised learning process of the neural network (4), in which a deviation of the determined position information (OUT1) from the provided reference position information (REF) is minimized.

Method according to Claim 1 , characterized in that the motor vehicle internal parameter (IN) a steering angle (a) of the motor vehicle (1) and / or a lateral speed of the motor vehicle (1) and / or a longitudinal speed of the motor vehicle (1) and / or a lateral acceleration of Motor vehicle (1) and / or a longitudinal acceleration of the motor vehicle (1) and / or a yaw rate of the motor vehicle (1).

Method according to one of the preceding claims, characterized in that the vehicle-internal parameter (IN) is provided by a wheel sensor device (6a-6e) to the odometry device (3), in particular by a steering wheel sensor device (6a) and / or by a Impeller sensor device (6b-6e).

Method according to one of the preceding claims, characterized in that the position information (OUT1) represents a position of the motor vehicle (1) and / or an orientation of the motor vehicle (1) in global coordinates.

Method according to one of the preceding claims, characterized in that the reference position information (REF) from a global position detection device of the motor vehicle (1), in particular from a differential global position detection device, and / or a compass device of the motor vehicle (1) and / or an inertial sensor device of the motor vehicle (1) to the odometry device (3) is provided.

Method according to one of the preceding claims, characterized in that the providing (9, 10) according to the method steps a) and b) and the determination according to method step c) for several different driving situations with the at least one motor vehicle internal parameter (IN) and the at least one associated reference position information (REF) are performed and in the monitored learning process of the motor vehicle internal parameters (IN) and the associated reference position information (REF) of the different driving situations is taken into account.

Method according to one of the preceding claims, characterized in that in addition to the vehicle-internal parameter (IN) additional data of at least one additional sensor system (11) to the odometry device (3) are provided, and the determination of the position information (OUT1) by the neural network ( 4) also takes place on the basis of the additional data provided, the reference position information (REF) being assigned to the vehicle-internal parameter (IN) and at the same time to the additional data.

Method according to one of the preceding claims, characterized in that the monitored learning process comprises a backpropagation.

Odometerievorrichtung (3) for a motor vehicle (1), with a neural network (4), which by means of a method according to one of Claims 1 to 7 is configured.

Method for operating an odometry system (2) of a motor vehicle (1), the odometry system (2) having an odometry device (3) with a neural network (4) and a further odometry device (5) without a neural network, with the method steps: a) determining a position information (OUT1) for the motor vehicle (1) by the one odometry device (3); b) further determining a further position information (OUT2) for the motor vehicle (1) by the further odometry device (5); c) estimating a fault of the further odometry device (5) based on a comparison of one position information (OUT1) with the further position information (OUT2).

Odometry system (2) for a motor vehicle (1), with an odometry device (3) according to Claim 9 , and with a further odometry device (5), wherein the odometry system (2) is formed by comparing the position information (OUT1) determined by the neural network odometry device (3) and that determined by the further odometry device (5) further position information (OUT2) to estimate an error of the other odometry device (5).