DE102018112929A1

DE102018112929A1 - Verfahren zur Validierung eines Fahrerassistenzsystems mithilfe von weiteren generierten Testeingangsdatensätzen

Info

Publication number: DE102018112929A1
Application number: DE102018112929.7A
Authority: DE
Inventors: Rainer Straschill; Tobias Schäfer
Original assignee: FEV Europe GmbH
Current assignee: FEV Europe GmbH
Priority date: 2018-05-30
Filing date: 2018-05-30
Publication date: 2018-07-26
Also published as: DE102019114049A1

Abstract

Die Erfindung betrifft ein Verfahren zur Validierung eines Fahrerassistenzsystems (1) eines Fahrzeugs (2), wobei das Fahrerassistenzsystem zumindest ein Modul (3) zur Modellierung eines Prozesses aufweist, mit den folgenden Schritten:- Berechnen zumindest eines ersten Ausgangswertes (21), der eine erste Information (22) aufweist, mithilfe einer ersten Abbildung (4) anhand eines ersten Eingangsdatensatzes (23), wobei die erste Abbildung (4) beim Berechnen des ersten Ausgangswertes (21) den Prozess approximiert,- Generieren von mehreren unterschiedlichen Hilfsdatensätzen (26) mithilfe einer zweiten Abbildung (5) und zumindest des ersten Eingangsdatensatzes (23),- Erzeugen von jeweiligen unterschiedlichen Testeingangsdatensätzen (29) mithilfe einer dritten Abbildung (6) und anhand der entsprechenden unterschiedlichen Hilfsdatensätze (26) und der ersten Information (22) als Eingangsdaten der dritten Abbildung (6),- Validierung des Moduls (3) mithilfe der unterschiedlichen Testeingangsdatensätze (29) und des ersten Ausgangswertes (21).

Description

Die Erfindung betrifft ein Verfahren zur Validierung eines Fahrerassistenzsystems eines Fahrzeugs, wobei das Fahrerassistenzsystem zumindest ein Modul zur Modellierung eines Prozesses aufweist.
Es ist bekannt, dass ein derartiges Fahrerassistenzsystem als ein Unfallassistenzsystem ausgebildet sein kann, welches eine Unfallwahrscheinlichkeit anhand von mit einer Kamera aufgenommenen Bildern ermittelt. Das Modul kann hierbei zur Bilderkennung benutzt werden. In der US 2017/0316285 A1 ist ein Modul beschrieben, das in Form eines neuronalen Netzes ausgebildet ist und eine Bilderkennung vornehmen kann. Weiterhin ist es bekannt, ein derartiges Modul und damit das Fahrerassistenzsystem unter Verwendung von Messdatensätzen zu testen, d. h. zu validieren. Je mehr Messdatensätze zum Validieren des Fahrerassistenzsystems zur Verfügung stehen, desto sicherer kann geprüft werden, ob das Fahrerassistenzsystem zuverlässig funktioniert, insbesondere eine vorgegebene Fehlerschwelle nicht überschreitet. Eine hohe Anzahl von Messdatensätzen zu sammeln, erfordert jedoch viel Aufwand und Kosten.
Aufgabe der vorliegenden Erfindung ist es daher, ein Verfahren zur Validierung eines Fahrerassistenzsystems eines Fahrzeugs bereitzustellen, mit welchem ein Aufwand der Validierung reduziert werden kann.
Diese Aufgabe wird mit einem Verfahren mit den Merkmalen des Anspruches 1 und einem Validierungssystem mit den Merkmalen des Anspruches 11 gelöst. Vorteilhafte Ausgestaltungen des Verfahrens sind Gegenstand der abhängigen Ansprüche.
Zur Lösung der Aufgabe wird ein Verfahren zur Validierung eines Fahrerassistenzsystems eines Fahrzeugs vorgeschlagen, wobei das Fahrerassistenzsystem zumindest ein Modul zur Modellierung eines Prozesses aufweist. Das Verfahren hat die folgenden Schritte. In einem ersten Schritt wird zumindest ein erster Ausgangswert, der eine erste Information aufweist, mithilfe einer ersten Abbildung und anhand eines ersten Eingangsdatensatzes berechnet, wobei die erste Abbildung beim Berechnen des ersten Ausgangswertes den Prozess approximiert. In einem zweiten Schritt werden mehrere unterschiedliche Hilfsdatensätze mithilfe einer zweiten Abbildung und zumindest des ersten Eingangsdatensatzes generiert. Ein dritter Schritt des Verfahrens sieht ein Erzeugen von jeweiligen unterschiedlichen Testeingangsdatensätzen mithilfe einer dritten Abbildung und anhand der entsprechenden unterschiedlichen Hilfsdatensätze und der ersten Information als Eingangsdaten der dritten Abbildung vor. In einem vierten Schritt wird das Modul mithilfe der unterschiedlichen Testeingangsdatensätze und dem ersten Ausgangswert validiert.
Die hier verwendete Nummerierung der Schritte eins bis vier gibt keine Reihenfolge der Schritte vor. Des Weiteren kann ein einzelner Teilschritt eines einzelnen Schrittes der vier Schritte durchgeführt, im Anschluss daran ein einzelner Teilschritt eines anderen Schrittes der vier Schritte und darauffolgend ein weiterer Teilschritt des einzelnen Schrittes umgesetzt werden. Die Ausdrücke „Modul“ und „Abbildung“, wie er hierin benutzt werden, beschreiben jeweils eine beliebige bekannte oder später entwickelte Hardware, Software, Hardware oder Kombination aus Hardware und Software, die in der Lage ist, die mit dem jeweiligen „Modul“ beziehungsweise der jeweiligen „Abbildung“ assoziierte Funktionalität auszuführen.
Der Prozess kann ein physikalischer Prozess, beispielsweise eine Annährung des Fahrzeugs an ein vor dem Fahrzeug fahrendes weiteres Fahrzeug oder ein Abbremsvorgang des Fahrzeugs, sein. Der erste Eingangsdatensatz enthält bevorzugt mithilfe von Sensoren des Fahrzeugs erfasste Sensorwerte. Die erste Information kann beispielsweise eine Information darüber sein, ob sich das weitere Fahrzeug in einem vorgegebenen Abstand von dem Fahrzeug befindet oder nicht.
Anhand der unterschiedlichen Testeingangsdatensätze und des ersten Ausgangswertes kann nun geprüft werden, ob das Modul den ersten Ausgangswert mit der ersten Information berechnet, wenn einer der unterschiedlichen Testeingangsdatensätze an einen Eingang des Moduls gesendet wird. Ist dies zu einer Häufigkeit, die höher als eine zu erreichende Häufigkeit ist, der Fall, so kann eine Validierung als erfolgreich angesehen werden.
Mithilfe des vorgeschlagenen Verfahrens können zur Bestimmung der Häufigkeit zusätzlich zu durch eine Messung gewonnen Messdatensätzen die erzeugten unterschiedlichen Testeingangsdatensätze verwendet werden. Dadurch kann der Aufwand der Validierung des Moduls reduziert werden.
Bevor die Schritte eins bis vier durchgeführt werden, werden bevorzugt Werte von Parametern der ersten Abbildung bei einem Training der ersten Abbildung derart angepasst, dass die erste Abbildung den Prozess mit einer vorgegebenen Genauigkeit approximieren kann. Hierzu werden vorteilhaft die Messdatensätze verwendet, die durch Messungen am Fahrzeug mithilfe der Sensoren gewonnen werden können. Die Messdatensätze werden in Trainingseingangsdatensätze und Trainingsausgangsdatensätze aufgeteilt. Die jeweiligen Trainingseingangsdatensätze können beispielsweise die gemessenen Sensorwerte, wie beispielsweise Helligkeitswerte einzelner Pixel einer Kamera des Fahrerassistenzsystems, umfassen. Die jeweiligen Trainingsausgangsdatensätze können eine Information enthalten, ob sich das weitere Fahrzeug innerhalb einer vorgegebenen Reichweite vor dem Fahrzeug befindet oder nicht.
Wird ein jeweiliger Trainingseingangsdatensatz an einen Eingang der ersten Abbildung geleitet, berechnet diese einen entsprechenden Ausgangswert. Anschließend werden Vergleiche zwischen den jeweiligen Ausgangswerten und den zu den entsprechenden Trainingseingangsdatensätzen korrespondierenden Trainingsausgangsdatensätzen durchgeführt. Anhand der Vergleiche können die Werte der Parameter angepasst werden.
Eine bevorzugte Ausführungsform sieht vor, dass die erste Abbildung aus dem ersten Eingangsdatensatz zusätzlich einen transformierten Datensatz berechnet und eine zweite Abbildung zumindest aus dem transformierten Datensatz die unterschiedlichen Hilfsdatensätze berechnet. Vorteilhaft wird vor und/oder nach einem Generieren der unterschiedlichen Hilfsdatensätze die erste Abbildung unter Verwendung eines ersten Optimierungskriteriums verändert. Das erste Optimierungskriterium gibt dabei vor, dass ein Informationsgehalt des transformierten Datensatzes zusammen mit einem Informationsgehalt des ersten Ausgangswertes gleich einem Informationsgehalt des ersten Eingangsdatensatzes sein soll.
Der Informationsgehalt des transformierten Datensatzes, des ersten Ausgangswertes und des ersten Eingangsdatensatzes kann gemäß einer ersten Variante bestimmt werden, indem zunächst zumindest eine Operation eines Datenkompressionsalgorithmus auf den transformierten Datensatz x, den ersten Ausgangswert u bzw. den ersten Eingangsdatensatz y angewandt wird. Der Datenkompressionsalgorithmus kann beispielsweise der Algorithmus DEFLATE sein, mit welchem der transformierte Datensatz, der erste Ausgangswert und der erste Eingangsdatensatz jeweils verlustlos komprimiert werden können. Mithilfe des Datenkompressionsalgorithmus kann eine Obergrenze des Informationsgehalts des transformierten Datensatzes I(x), des ersten Ausgangswertes I(u) und des ersten Eingangsdatensatzes I(y) wie folgt abgeschätzt werden: $\begin{matrix} Ι (x) \leq L [D (x)] + G; & Ι (y) \leq L [D (y)] + G; & Ι (u) \leq L [D (u)] + G; \end{matrix}$
wobei der Operator L eine Länge in Bit des Argumentes ausgibt und D ein Operator ist, der bevorzugt eine DEFLATE Operation durchführt, und G eine Länge in Bit einer Implementierung, beispielsweise in Form eines Programmcodes, des Operators D ist. Der jeweilige Informationsgehalt des transformierten Datensatzes I(x), des ersten Ausgangswertes I(u) und des ersten Eingangsdatensatzes I(y) kann für eine Formulierung des ersten Optimierungskriteriums gleich der Obergrenze des Informationsgehaltes des transformierten Datensatzes I(x), des ersten Ausgangswertes I(u) beziehungsweise des ersten Eingangsdatensatzes I(y) gesetzt werden und entspricht bevorzugt näherungsweise jeweils einer Kolmogorow-Komplexität des transformierten Datensatzes K(x), des ersten Ausgangswertes K(u) bzw. des ersten Eingangsdatensatzes K(y). Das erste Optimierungskriterium kann beispielsweise folgendermaßen formuliert werden: $\begin{matrix} L [D (y)] + G ≅ L [D (x)] + L [D (u)] + G; & bzw . & L [D (y)] ≅ L [D (x)] + L [D (u)]; \end{matrix}$
Gemäß einer zweiten Variante ist es möglich, die jeweilige Obergrenze des Informationsgehalts des transformierten Datensatzes I(x), des ersten Ausgangswertes I(u) und des ersten Eingangsdatensatzes I(y) mithilfe einer jeweiligen Gesamtzahl S_x, S_u, S_y derjenigen Bits abzuschätzen, mit denen der transformierte Datensatz, der erste Ausgangswert beziehungsweise der erste Eingangsdatensatzes wiedergegeben wird. Die jeweilige Gesamtzahl S_x, S_u, S_y der Bits kann beispielsweise jeweils folgendermaßen berechnet werden: $S_{y} = \sum_{j = 1}^{m} (\sum_{i = 1}^{n} y {[j]}_{i}); S_{x} = \sum_{j = 1}^{m} (\sum_{i = 1}^{n} x {[j]}_{i}); S_{u} = \sum_{j = 1}^{m} (\sum_{i = 1}^{n} u {[j]}_{i})$
wobei y[j]_i,u[j]_i,x[j]_i jeweils die i-te Bitposition innerhalb von y[j], u[j] beziehungsweise x[j] ist und n jeweils die entsprechende Anzahl an Bitpositionen in y[j], u[j] beziehungsweise x[j] ist und m die entsprechende Anzahl an Daten innerhalb von y, u beziehungsweise x ist. Das erste Optimierungskriterium kann entsprechend der zweiten Variante wie folgt formuliert werden: $S_{y} = S_{x} + S_{u}$
Umso mehr das erste Optimierungskriterium, bevorzugt gemäß der ersten und/oder zweiten Variante, erfüllt ist, desto weniger Information enthält der transformierte Datensatz zur Bestimmung des ersten Ausgangswertes.
Der transformierte Datensatz zeichnet sich vorzugsweise dadurch aus, dass dieser einen geringeren Informationsgehalt als der erste Eingangsdatensatz hat. Bevorzugt kann mithilfe des transformierten Datensatzes der erste Ausgangswert mit der ersten Information nicht bestimmt werden.
Beispielsweise kann für den Fall, dass mit der ersten Abbildung und des ersten Eingangsdatensatzes eine Klassifikation durchgeführt wird, eine solche Klassifikation mithilfe einer weiteren Abbildung, die den transformierten Datensatz als Eingabe hat, nur mit einer geringeren Genauigkeit durchgeführt werden. Dies liegt daran, dass der erste Eingangsdatensatz gegenüber dem transformierten Datensatz zumindest eine Information, insbesondere die erste Information, zusätzlich aufweist, die zur Klassifikation verwendet werden kann. Vorzugsweise weist der erste Eingangsdatensatz gegenüber dem transformierten Datensatz mindestens so viele Informationen zusätzlich auf, die für eine erfolgreiche Klassifizierung notwendig sind. Besonders bevorzugt weist der erste Eingangsdatensatz alle Informationen auf, die für eine erfolgreiche Klassifizierung notwendig sind.
Eine besondere Anwendung des Verfahrens sieht vor, dass der erste Eingangsdatensatz eine Information eines mit der Kamera des Fahrerassistenzsystems aufgenommenen Bildes wiedergibt. Weiterhin ist es möglich, dass das aufgenommene Bild ein Verkehrsschild, eine Straße und/oder eine Umgebung der Straße, wie z. B. an die Straße angrenzende Bäume und Häuser, enthält. Das Modul und die erste Abbildung können darauf trainiert sein, anhand des ersten Eingangsdatensatzes zu erkennen, ob sich ein Verkehrsschild auf dem jeweiligen korrespondierenden Bild befindet. Der transformierte Datensatz kann gemäß diesem Beispiel jeweils Informationen enthalten die ein transformiertes Bild wiedergeben, welches alle Elemente des Bildes aufweist, außer diejenigen Elemente, mit denen die erste Abbildung und das Modul das Verkehrsschild erkennen können.
Im Rahmen einer vorteilhaften Weiterbildung wird die dritte Abbildung unter Verwendung zumindest eines zweiten Optimierungskriteriums verändert. Eine derartige zweite Optimierung kann vor oder nach dem zweiten Schritt erfolgen. Das zweite Optimierungskriterium gibt vor, dass die dritte Abbildung gegenüber der ersten Abbildung invers sein soll. Erfolgt die zweite Optimierung vor dem zweiten Schritt, so berechnet die dritte Abbildung anhand des ersten Ausgangswertes mit der ersten Information und des transformierten Datensatzes einen beispielhaften Testeingangsdatensatz. Anschließend berechnet die erste Abbildung aus dem beispielhaften Testeingangsdatensatz einen zweiten Ausgangswert mit der zweiten Information und einen zweiten transformierten Datensatz. Invers meint, dass der erste transformierte Datensatz gleich dem zweiten transformierten Datensatz ist und der erste Ausgangswert gleich dem zweiten Ausgangswert ist.
Wird die zweite Optimierung nach dem zweiten Schritt vorgenommen, so erfolgt bevorzugt die zweite Optimierung in gleicher Weise, nur dass anstatt des transformierten Datensatzes ein beispielhafter Hilfsdatensatz verwendet wird. Invers meint in diesem Fall, dass der beispielhafte Hilfsdatensatz gleich dem zweiten transformierten Datensatz ist und der erste Ausgangswert gleich dem zweiten Ausgangswert ist.
Wird die dritte Abbildung derart verändert, dass das zweite Optimierungskriterium erfüllt ist, hat dies den Vorteil, dass die erste Abbildung mit jedem der unterschiedlichen Testeingangsdatensätze einen jeweiligen Ausgangswert berechnet, der gleich dem ersten Ausgangswert ist. Somit kann die Validierung des Moduls mit einer höheren Sicherheit durchgeführt werden.
Gemäß einer vorteilhaften Weiterbildung wird eine Information eines Zustandes der ersten Abbildung erfasst, den die erste Abbildung einnimmt, wenn die erste Abbildung in Abhängigkeit eines zweiten Eingangsdatensatzes einen zweiten Ausgangswert berechnet. Diese Weiterbildung sieht weiterhin vor, dass die dritte Abbildung in Abhängigkeit des Zustandes der ersten Abbildung verändert wird. Der zweite Eingangsdatensatz ist vorzugsweise einer der Trainingseingangsdatensätze für ein Anpassen der Werte der Parameter der ersten Abbildung.
Der Zustand der ersten Abbildung wird bevorzugt mithilfe einer Speicherung von Werten von Parametern und/oder von Funktionen der ersten Abbildung bei einer Berechnung des zweiten Ausgangswertes erfasst. Die Parameter und/oder Funktionen können filternde und/oder diskreditierende Elemente sein. So kann die erste Abbildung in ihrer Gesamtheit beispielsweise als ein Filter, eine Gruppe von mehreren Filtern, ein neuronales Netz und/oder als eine Kombination aus zumindest einem Filter und einem neuronalen Netz aufgebaut sein. Ein Zustand der ersten Abbildung kann beispielsweise dadurch erfasst werden, indem ein Zustandsvektor der ersten Abbildung gebildet wird. Dabei kann der Zustandsvektor Zwischenwerte, die für eine Berechnung des zweiten Ausgangswertes benötigt werden, enthalten. Ist die erste Abbildung ein Filter, so können die Zwischenwerte Werte von Koeffizienten einer Fouriertransformation sein.
Bevorzugt ist die erste Abbildung in Form eines neuronalen Netzes mit Neuronen und Verbindungsgewichten zwischen den Neuronen ausgebildet. Das neuronale Netz kann gemäß einer ersten Variante mit einer Software auf einem Prozessor abgebildet werden. Dabei kann der Prozessor in einem Validierungssystem oder in dem Fahrerassistenzsystem integriert sein. Gemäß einer zweiten Variante kann das neuronale Netz mit Hilfe einer mechanischen und/oder biologischen Struktur abgebildet werden. Beispielsweise kann dies dadurch realisiert sein, dass die Struktur zumindest Elemente, wie ein Und-Gatter und einen Inverter, aufweist, wobei diese Elemente vorzugsweise durch eine Verformung eines, insbesondere biologischen, Materials die jeweilige Funktion des Und-Gatters bzw. Inverters nachbilden. Die Verformungen können abgegriffen und in elektrische Signale umgewandelt werden.
Das neuronale Netz hat zumindest eine Eingabeschicht mit Neuronen, wobei an jedes Neuron der Eingabeschicht jeweils ein Datum des zweiten Eingangsdatensatzes angelegt werden kann, zumindest eine erste verdeckte Schicht mit Neuronen und eine Ausgabeschicht mit zumindest einem Neuron. Angelegt bedeutet, dass das Datum an das entsprechende Neuron elektronisch gesendet oder mechanisch aufgeprägt wird. Die Ausgabeschicht gibt den zweiten Ausgangswert aus.
Ist die erste Abbildung in Form eines neuronalen Netzes ausgebildet, so kann die Information des Zustandes der ersten Abbildung eine Information darüber sein, welche der Neuronen aktiviert sind, wenn der zweite Eingangsdatensatz an den Eingang der ersten Abbildung angelegt wird und das Netz daraufhin den ersten Ausgangswert berechnet. In diesem Fall kann ein Zustandsvektor des Netzes gebildet werden, der vorzugsweise binäre Einträge aufweist, wobei die Einträge jeweils einem einzelnen Neuron des Netzes zugeordnet sind. Nimmt der jeweilige Eintrag des Zustandsvektors des Netzes den Wert Eins an, so ist das entsprechende Neuron bei einer Berechnung des zweiten Ausgangswertes aktiviert. Der jeweilige Eintrag weist entsprechend im umgekehrten Fall den Wert Null auf.
Mithilfe des Zustandsvektors des Netzes ist es möglich unter anderem diejenige Information zu erfassen, die in dem zweiten Eingangsdatensatz enthalten ist, aber keinen Beitrag für eine Berechnung des zweiten Ausgangswertes leistet. Beispielsweise kann ein erstes aktiviertes Neuron verursachen, dass Ausgangswerte von anderen Neuronen des Netzes nicht für die Berechnung des zweiten Ausgangswertes verwendet werden. Das erste Neuron arbeitet in diesem Fall wie ein Teil eines logischen NAND-Operators, der in einem Teil des Netzes abgebildet werden kann. Das erste Neuron blockiert im aktivierten Zustand die anderen Neuronen. Ein erster Teil von Daten des zweiten Eingangsdatensatzes, mit denen die Ausgangswerte der anderen blockierten Neuronen berechnet werden, leistet mit einer hohen Wahrscheinlichkeit keinen Beitrag für die Berechnung des zweiten Ausgangswertes. Mithilfe des Zustandsvektors des Netzes ist es jedoch möglich eine Information über den ersten Teil der Daten des zweiten Eingangsdatensatzes zu speichern.
In vorteilhafterweise enthält der Zustandsvektor des Netzes den Zustand des ersten aktivierten Neurons und Zustände der anderen Neuronen, die von dem ersten aktivierten Neuron blockiert werden. Auf diese Weise können Informationen über den ersten Teil der Daten des zweiten Eingangsdatensatzes in dem Zustandsvektor des Netzes gespeichert werden, die in dem zweiten Ausgangswert nicht mehr enthalten sind.
Im Folgenden soll beschrieben werden wie der Zustandsvektor der ersten Abbildung, insbesondere des Netzes, für die Veränderung der dritten Abbildung, wie zum Beispiel eine Anpassung von Werten von Parametern der dritten Abbildung, verwendet werden kann. Hierzu werden vorzugsweise nicht nur für den zweiten Eingangsdatensatz der zweite Ausgangswert, sondern nacheinander für jeden der oben genannten Trainingseingangsdatensätze ein korrespondierender zweiter Ausgangswert und bevorzugt ein korrespondierender transformierter Datensatz mithilfe der ersten Abbildung berechnet. Die derart berechneten transformierten Datensätze können die gleichen Eigenschaften wie der oben beschriebene transformierte Datensatz haben.
Zusätzlich wird bei der Berechnung des jeweiligen zweiten Ausgangswertes ein jeweiliger korrespondierender Zustandsvektor des Netzes in gleicher Art wie der oben beschriebene Zustandsvektor des Netzes ermittelt. In einer speziellen Variante der Erfindung kann der zu dem jeweiligen zweiten Ausgangswert korrespondierende transformierte Datensatz gleich dem zu dem jeweiligen zweiten Ausgangswert korrespondierende Zustandsvektor der ersten Abbildung, insbesondere des Netzes, sein. Generell kann der transformierte Datensatz mithilfe des Zustandsvektors der ersten Abbildung berechnet werden.
Des Weiteren wird zu jedem Trainingseingangsdatensatz ein jeweiliger neuer Trainingseingangsdatensatz für ein Anpassen der Werte der Parameter der dritten Abbildung, im Folgenden Training der dritten Abbildung genannt, gebildet. Der neue Trainingseingangsdatensatz umfasst den jeweiligen zweiten Ausgangswert und den zu dem jeweiligen zweiten Ausgangswert korrespondierenden Zustandsvektor des Netzes und bevorzugt den zu dem jeweiligen zweiten Ausgangswert korrespondierenden transformierten Datensatz. Im letzteren Fall ist der Zustandsvektor des Netzes in dem transformierten Datensatz enthalten.
Da die dritte Abbildung gegenüber der ersten Abbildung invers sein soll, wird für das Training der dritten Abbildung der jeweilige Trainingseingangsdatensatz als ein Trainingsausgangsdatensatz für die dritte Abbildung verwendet. Bei dem Training der dritten Abbildung werden jeweils nacheinander die neuen Trainingseingangsdatensätze an einen Eingang der dritten Abbildung angelegt und mithilfe der dritten Abbildung jeweilige dritte Ausgangsdatensätze berechnet. Die jeweiligen dritten Ausgangsdatensätze werden mit den zu den neuen Trainingseingangsdatensätzen korrespondierenden Trainingseingangsdatensätzen verglichen. Vorzugsweise kann eine Fehlerquadratsumme aus einer Norm von jeweiligen Differenzen zwischen den jeweiligen dritten Ausgangsdatensätzen und den korrespondierenden Trainingseingangsdatensätzen berechnet werden. Die Fehlerquadratsumme wird bevorzugt jeweils nach den einzelnen Parametern der dritten Abbildung abgeleitet und aus einem Wert einer derart gebildeten Ableitung eine Änderung des Wertes des Parameters ermittelt. Die dritte Abbildung kann als ein neuronales Netz und die Parameter können in Form von Verbindungsgewichten ausgebildet sein. Die Veränderung der dritten Abbildung kann sowohl vor als auch nach dem zweiten Schritt des vorgeschlagenen Verfahrens erfolgen. Möglich ist, dass die dritte Abbildung durch eine zufällige Initialisierung der Parameter der dritten Abbildung initialisiert wird und mithilfe des Trainings der dritten Abbildung verändert wird.
Die unterschiedlichen Hilfsdatensätze können in einer einfachen Variante wie folgt bestimmt werden. Zunächst wird jeder der oben genannten Messdatensätze in zwei einzelne Vektorpaare umgewandelt. In einem ersten Vektor des jeweiligen Vektorpaars befinden sich die Sensorwerte und in einem zweiten Vektor des jeweiligen Vektorpaars zumindest ein entsprechender Zielwert, beispielsweise eine Information darüber, ob sich beispielsweise das weitere Fahrzeug innerhalb einer vorgegebenen Reichweite vor dem Fahrzeug befindet oder nicht.
Anschließend werden nacheinander einzelne Werte einzelner Elemente des jeweiligen ersten Vektors eines jeden Vektorpaares verändert und überprüft, wie stark sich ein mit der ersten Abbildung berechneter Ausgangswert in Abhängigkeit von einer Änderung eines einzelnen Wertes des Elementes des ersten Vektors ändert. Die einzelnen Werte der Elemente des ersten Vektors eines jeweiligen Vektorpaars werden vorzugsweise durch eine Multiplikation mit einem bekannten Faktor verändert.
In gleicher Weise können zwei einzelne Elemente oder mehrere einzelne Elemente des ersten Vektors der jeweiligen Vektorpaare gleichzeitig geändert werden und überprüft werden, wie stark sich der jeweilige berechnete Ausgangswert der ersten Abbildung daraufhin ändert. Hierbei können die einzelnen Elemente des ersten Vektors derart verändert werden, dass eine Änderung eines ersten Elementes des ersten Vektors in einem funktionalen Zusammenhang mit einer Änderung eines zweiten Elementes des ersten Vektors steht.
Auf diese Art können bestimmte Elemente des ersten Vektors gefunden werden, die den berechneten Ausgangswert der ersten Abbildung weniger stark ändern als andere Elemente des ersten Vektors. Diejenigen Elemente des ersten Vektors, die eine vergleichsweise starke Veränderung des berechneten Ausgangswertes hervorrufen, werden zur Konstruktion der Hilfsdatensätze vorzugsweise konstant gehalten. Diejenigen Elemente, die eine vergleichsweise schwache Veränderung des berechneten Ausgangswertes hervorrufen, werden für eine Konstruktion mehrerer Hilfsdatensätze variiert.
Um auf einfache Weise die unterschiedlichen Testeingangsdatensätze zu generieren, wird bevorzugt eine Iterationsschleife mehrmals durchlaufen. Die Iterationsschleife wird gebildet, indem zunächst ein mithilfe der zweiten Abbildung erzeugter einzelner Hilfsdatensatz an einen ersten Eingang der dritten Abbildung geleitet wird. Im Anschluss daran wird ein mithilfe der dritten Abbildung, des einzelnen Hilfsdatensatzes und dem ersten Ausgangswert berechneter einzelner Testeingangsdatensatz an einen Eingang der ersten Abbildung geleitet. Die erste Abbildung berechnet anhand des einzelnen Testeingangsdatensatzes einen einzelnen transformierten Datensatz und einen weiteren Ausgangswert mit einer weiteren Information.
Anschließend ermittelt die zweite Abbildung mithilfe des einzelnen transformierten Datensatzes einen weiteren Hilfsdatensatz. Darauffolgend berechnet die dritte Abbildung mithilfe des weiteren Hilfsdatensatzes und der weiteren Information einen weiteren Testeingangsdatensatz. Die Iterationsschleife wird zur Optimierung der ersten Abbildung, der zweiten Abbildung und/oder der dritten Abbildung unter Verwendung zumindest des ersten und/oder zweiten Optimierungskriteriums mehrmals durchlaufen.
Gemäß einer vorteilhaften Variante erzeugt die erste Abbildung bei jedem Durchlauf der Iterationsschleife anhand des jeweiligen weiteren Testeingangsdatensatzes einen entsprechenden weiteren transformierten Datensatz. Zusätzlich wird der jeweilige weitere transformierte Datensatz gespeichert. Die zweite Abbildung ermittelt bei dieser Variante den jeweiligen weiteren Hilfsdatensatz anhand von zumindest zwei der gespeicherten transformierten Datensätze. Die weiteren transformierten Datensätze können jeweils mithilfe weiterer Zustandsvektoren der ersten Abbildung, die einen Zustand der ersten Abbildung bei einer jeweiligen Berechnung des weiteren Ausgangswertes beschreiben, ermittelt werden. Die weiteren Zustandsvektoren werden bevorzugt in gleicher Weise berechnet wie der oben beschriebene Zustandsvektor der ersten Abbildung bei der Berechnung des zweiten Ausgangswertes.
Wird die erste Abbildung derart verändert, dass das erste Optimierungskriterium erfüllt ist, kann mithilfe der gespeicherten transformierten Datensätze ein möglichst großer Unterraum gebildet werden, wobei der Unterraum eine Datenmenge repräsentiert, die diejenigen Variationen des ersten Eingangsdatensatzes repräsentieren, die möglichst wenig, bevorzugt keinen, Einfluss auf eine Berechnung des ersten Ausgangswertes haben.
Eine Weiterbildung dieser Variante sieht vor, dass der jeweilige weitere transformierte Datensatz dann gespeichert wird, wenn ein Informationsgehalt der gespeicherten transformierten Datensätze durch ein Speichern des jeweiligen weiteren transformierten Datensatzes erhöht wird. Der Informationsgehalt der gespeicherten transformierten Datensätze kann beispielsweise dann erhöht werden, wenn eine Summe aus jeweiligen paarweisen Skalarprodukten von zwei transformierten Datensätzen minimal wird. Zur Bildung der Summe werden vorzugsweise alle möglichen Skalarprodukte aus zwei möglichen transformierten Datensätzen gebildet. Die möglichen transformierten Datensätze umfassen dabei die gespeicherten transformierten Datensätze und den weiteren transformierten Datensatz.
Der jeweilige weitere Hilfsdatensatz kann beispielsweise mit Hilfe einer Linearkombination aus zumindest zwei der gespeicherten weiteren transformierten Datensätze erzeugt werden. Hierbei wird der weitere Hilfsdatensatz als eine Summe aus einem ersten Produkt, welches einen ersten der zwei gespeicherten weiteren transformierten Datensätze als einen ersten Faktor und einen ersten Multiplikator als einen zweiten Faktor hat, und einem zweiten Produkt berechnet, welches einen zweiten der zwei gespeicherten weiteren transformierten Datensätze als einen ersten Faktor und einen zweiten Multiplikator als einen zweiten Faktor aufweist. Hierbei sind die beiden gespeicherten weiteren transformierten Datensätze, das erste und zweite Produkt und die Summe bevorzugt jeweils Vektoren und die beiden Multiplikatoren jeweils Skalare.
Durch eine Veränderung zumindest einer der beiden Multiplikatoren kann zusätzlich zu dem weiteren Hilfsdatensatz ein neuer weiterer Hilfsdatensatz erzeugt werden. Die Veränderung einer der beiden Multiplikatoren bewirkt, dass der neue weitere Hilfsdatensatz unterschiedlich gegenüber dem weiteren Hilfsdatensatz ist. Der erste und der zweite Multiplikator stellen jeweils einen ersten beziehungsweise zweiten Parameter der zweiten Abbildung dar.
Die erste Abbildung weist vorzugsweise eine erste Empfindlichkeit gegenüber einer mittleren zufälligen Änderung von Elementen des ersten Eingangsdatensatzes auf. Weiterhin hat die erste Abbildung bevorzugt eine zweite Empfindlichkeit gegenüber einer zufälligen mittleren Änderung des weiteren Testeingangsdatensatzes, der aus dem weiteren Hilfsdatensatz berechnet wird. Die zweite Empfindlichkeit ist bevorzugt niedriger als die erste Empfindlichkeit. Je größer die erste Empfindlichkeit gegenüber der zweiten Empfindlichkeit ist, desto geringer ist ein Informationsgehalt des weiteren Hilfsdatensatzes, aus dem die erste Information gewonnen werden kann. Ist die zweite Empfindlichkeit gleich Null, so ist es nicht möglich die erste Information aus dem weiteren Hilfsdatensatz zu bestimmen.
Um die zufällige mittlere Änderung des ersten Eingangsdatensatzes zu erhalten, werden bevorzugt zunächst jeweilige einzelne zufällige Änderungen der Elemente des ersten Eingangsdatensatzes bestimmt. Dies kann beispielsweise dadurch umgesetzt werden, dass ein einzelner jeweiliger Wert eines einzelnen Elementes des ersten Eingangsdatensatzes zufällig geändert wird, wobei eine jeweilige Änderung der einzelnen Werte betragsmäßig bevorzugt kleiner als 5 Prozent ist. Wird mithilfe der ersten Abbildung eine Klassifikation durchgeführt, so liegt die jeweilige Änderung der einzelnen Werte bevorzugt in einem Bereich von -30 und 30 Prozent.
Vorzugsweise werden sämtliche einzelne Werte des ersten Eingangsdatensatzes mit Hilfe eines Zufallsgenerators geändert. Ein Vektor mit allen einzelnen derart geänderten Werten des ersten Eingangsdatensatzes als Einträge des Vektors ist ein geänderter erster Eingangsdatensatz. Bevorzugt wird ein erster Differenzvektor aus einer Differenz zwischen dem ersten Eingangsdatensatz und dem geänderten ersten Eingangsdatensatz berechnet.
Für den geänderten ersten Eingangsdatensatz kann mithilfe der ersten Abbildung ein geänderter Ausgangswert berechnet werden. Weiterhin kann ein zweiter Differenzvektor aus einer Differenz zwischen dem ersten Ausgangswert und dem geänderten Ausgangswert ermittelt werden. Aus dem ersten und dem zweiten Differenzvektor wird eine erste beziehungsweise eine zweite Norm gebildet. Die erste Empfindlichkeit kann als ein Quotient mit der zweiten Norm als Dividend und der ersten Norm als Divisor berechnet werden.
Die zweite Empfindlichkeit kann mithilfe einer Änderung eines Wertes des ersten Parameters der zweiten Abbildung bestimmt werden. Bevorzugt ist die Änderung des Wertes des ersten Parameters doppelt so hoch wie die maximale Änderung eines einzelnen Wertes des ersten Eingangsdatensatzes. Durch die Änderung des Wertes des ersten Parameters wird der weitere Hilfsdatensatz anders berechnet und somit ein veränderter weiterer Hilfsdatensatz erzeugt. Aus dem veränderten weiteren Hilfsdatensatz generiert die dritte Abbildung entsprechend einen veränderten weiteren Testeingangsdatensatz. Eine derartige veränderte Berechnung des veränderten weiteren Testeingangsdatensatzes gegenüber dem weiteren Testeingangsdatensatz bewirkt nur Änderungen in einem Unterraum eines durch die unterschiedlichen Testeingangsdatensätze beziehungsweise eines durch die beliebig ausgewählten Eingangsdatensätze gebildeten Raumes.
Bevorzugt wird ein dritter Differenzvektor aus einer Differenz zwischen dem weiteren Testeingangsdatensatzes und dem veränderten weiteren Testeingangsdatensatz berechnet. Für den veränderten weiteren Testeingangsdatensatz kann mithilfe der ersten Abbildung ein geänderter zweiter Ausgangswert berechnet werden. Weiterhin kann ein vierter Differenzvektor aus einer Differenz zwischen dem ersten Ausgangswert und dem geänderten zweiten Ausgangswert ermittelt werden. Aus dem dritten und dem vierten Differenzvektor wird eine dritte beziehungsweise eine vierte Norm gebildet. Die zweite Empfindlichkeit kann als ein Quotient mit der dritten Norm als Dividend und der vierten Norm als Divisor berechnet werden.
Die unterschiedlichen Hilfsdatensätze werden mit Hilfe der zweiten Abbildung derart generiert, dass die unterschiedlichen Testeingangsdatensätze einen derartigen Inhalt haben, dass die zweite Empfindlichkeit niedriger als die erste Empfindlichkeit ist.
Dadurch, dass die zweite Empfindlichkeit niedriger als die erste Empfindlichkeit ist, kann sichergestellt werden, dass eine Veränderung der unterschiedlichen Hilfsdatensätze einen geringeren Einfluss auf eine Berechnung der Ausgangswerte der ersten Abbildung im Vergleich zu einer Veränderung des ersten Eingangsdatensatzes hat.
Vorzugsweise ist die zweite Empfindlichkeit gleich Null. Dies bedeutet, dass die erste Abbildung bei veränderten Testeingangsdatensätzen immer den ersten Ausgangswert mit der ersten Information berechnet. Dies stellt einen optimalen Fall des vorgeschlagenen Verfahrens dar.
In einer speziellen Variante des Verfahrens ist vorgesehen, dass die gespeicherten weiteren transformierten Datensätze für ein Training eines Generative-Adversarial-Networks verwendet werden. Mithilfe des Generative-Adversarial-Networks werden gemäß dieser Variante die unterschiedlichen Hilfsdatensätze generiert. Den gespeicherten transformierten Datensätzen werden bei dem Training des Generative-Adversarial-Networks jeweils die Funktion eines realen Datensatzes zugewiesen.
Ziel des Trainings des Generative-Adversarial-Networks ist es, gefälschte Datensätze zu erzeugen, die ähnlich zu den realen Datensätzen sind. Die gefälschten Datensätze entsprechen den unterschiedlichen Hilfsdatensätzen, wenn das Training des Generative-Adversarial-Networks abgeschlossen ist. Im Fall eines optimalen Trainings des Generative-Adversarial-Networks kann ein Diskriminator einen realen Datensatz nicht mehr von einem gefälschten Datensatz unterscheiden. Wie das Generative-Adversarial-Network aufgebaut werden kann, kann aus der Veröffentlichung „Generative Adversarial Nets“ von Ian J. Goodfellow; Departement d'informatique et de recherche operationnelle, Universite de Montreal, Montreal, QC H3C 3J7, entnommen werden. Bei dieser Ausgestaltung kann die dritte Abbildung beispielsweise derart ausgebildet sein, dass diese einem mit dem Generative-Adversarial-Network generierten Hilfsdatensatz, der Informationen zur Darstellung eines Bildes aufweisen kann, Informationen, insbesondere die erste Information, zur Darstellung eines Bildes des Verkehrsschilds hinzufügt.
Eine bevorzugte Weiterbildung sieht vor, dass eine Erzeugung der unterschiedlichen Hilfsdatensätze mit der zweiten Abbildung zumindest unter einer Randbedingung erfolgt, die einen Raum, der mit den unterschiedlichen Hilfsdatensätzen gebildet werden kann, einschränkt. Die Randbedingung kann vorgeben, dass nur Hilfsdatensätze erzeugt werden, die eine Fahrt des Fahrzeugs mit einer Geschwindigkeit von über 80 km/h oder nur Verkehrssituationen in einer Nähe von Straßenkreuzungen repräsentieren.
Ein weiterer Gegenstand der Erfindung ist ein Validierungssystem zur Validierung des Fahrerassistenzsystems. Das Validierungssystem hat zumindest einen Speicher, auf dem ein Computerprogramm gespeichert ist, welches eingerichtet ist, jeden Schritt des Verfahrens gemäß einer der oben beschriebenen Varianten durchzuführen. Weiterhin weist das Validierungssystem zumindest eine Schnittstelle auf, die dazu eingerichtet ist, Informationen zwischen dem Modul und jeweiligen Eingängen und Ausgängen der zweiten Abbildung und der dritten Abbildung auszutauschen, wobei die zweite Abbildung und die dritte Abbildung bei einem Ausführen von Befehlen des Computerprogramms simuliert werden.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung sowie anhand der Figuren. Dabei bezeichnet ein mehrfach verwendetes Bezugszeichen dieselbe Komponente. Die Figuren zeigen in:

1 eine schematische Ansicht eines Fahrzeugs mit einem Modul und eines Validierungssystems mit einer ersten, zweiten und dritten Abbildung zum Validieren des Moduls;
2 eine schematische Ansicht eines Datenflusses zwischen der ersten, zweiten und dritten Abbildung bei einer Erzeugung eines Testeingangsdatensatzes;
3 einzelne Schritte eines Verfahrens zum Validieren des Moduls aus 1;
4 eine schematische Ansicht eines Datenflusses zwischen der ersten, zweiten und dritten Abbildung bei einer Erzeugung eines Testeingangsdatensatzes nach einer speziellen Variante des Verfahrens;
5 eine schematische Ansicht eines Datenflusses zwischen der ersten, zweiten und dritten Abbildung bei einer Erzeugung mehrerer Testeingangsdatensätze;
6 eine schematische Darstellung einer Aufteilung von Messdatensätzen für ein Training der ersten Abbildung;
7 eine schematische Darstellung einer Erzeugung von Zustandsvektoren der ersten Abbildung;
8 eine schematische Darstellung von Datensätzen für ein Training der dritten Abbildung.

1 zeigt ein Fahrerassistenzsystem 1 eines Fahrzeugs 2. Das Fahrerassistenzsystem 1 hat zumindest ein Modul 3 zur Modellierung eines Prozesses. Um das vorgeschlagene Verfahren zur Validierung des Fahrerassistenzsystems 1 durchzuführen, werden eine erste , eine zweite und eine dritte benötigt. Gemäß einer ersten Variante können die erste , die zweite und die dritte in einem Testgerät 7 angeordnet sein, wobei das Testgerät 7 über eine Kommunikationsverbindung 8 mit dem Modul 3 und zumindest mit einem Eingang und einem Ausgang der ersten verbunden ist.
Gemäß einer nicht dargestellten zweiten Variante können die erste , die zweite und die dritte innerhalb des Fahrzeugs 2, bevorzugt innerhalb des Moduls 3, angeordnet sein. In diesem Fall ist es möglich, das vorgeschlagene Verfahren zur Validierung des Fahrerassistenzsystems 1 während eines normalen Betriebes des Fahrzeugs 2 durchzuführen. Dies kann dann sinnvoll sein, wenn das Fahrerassistenzsystem 1 ein sich veränderndes System ist. Beispielsweise kann sich eine Kamera 11 des Fahrerassistenzsystems 1 während einer Lebensdauer des Fahrzeugs 2 verändern. Damit einhergehend kann sich ebenfalls die erste verändern, die beispielsweise veränderte Linseneigenschaften der Kamera 11 kompensieren kann. Aufgrund derartiger Veränderungen ist es sinnvoll, wenn das Fahrerassistenzsystem 1 auch während des normalen Betriebes des Fahrzeugs 2 erneut validiert werden kann. Das Fahrerassistenzsystem 1 kann weiterhin einen Airbag 10 haben, der in Abhängigkeit von einem mit dem Modul 3 berechneten Signal ausgelöst werden kann.
2 zeigt, wie einzelne Datensätze mit Hilfe der ersten, zweiten und dritten , , bei einer Durchführung des vorgeschlagenen Verfahrens berechnet werden. In einem ersten Schritt 31 wird zumindest ein erster Ausgangswert 21 mit Hilfe der ersten und anhand eines ersten Eingangsdatensatzes 23 berechnet, wobei die erste den Prozess approximiert. Der erste Ausgangswert 21 weist zumindest eine erste Information 22 auf.
In einem zweiten Schritt 32 werden mehrere unterschiedliche Hilfsdatensätze 26 mit Hilfe der zweiten und zumindest des ersten Eingangsdatensatzes 23 und bevorzugt durch ein mehrfaches Variieren eines Wertes 27 eines Parameters 28 der zweiten generiert.
In einem dritten Schritt 33 werden jeweilige unterschiedliche Testeingangsdatensätze 29 mit Hilfe der dritten und anhand der entsprechenden unterschiedlichen Hilfsdatensätze 26 und der ersten Information 22 erzeugt. Hierbei werden bevorzugt einer der Hilfsdatensätze 26 und die erste Information 22 gleichzeitig für eine Berechnung einer der Testeingangsdatensätze 29 an einen Eingang der dritten gesendet. In einem vierten Schritt 34 wird das Modul 3 mit Hilfe der unterschiedlichen Testeingangsdatensätze 29 und dem ersten Ausgangswert 21 validiert. Eine Validierung kann wie oben beschrieben erfolgen.
Die Nummerierung der Schritte 31, 32, 33, 34 gibt keine zwingende Reihenfolge vor. Vielmehr können Schritte, insbesondere die Schritte 32, 33 und 34 parallel durchgeführt werden. Insbesondere können die Schritte 32, 33 und 34 jeweils in Teilschritte aufgeteilt werden. Möglich ist, dass ein erster Teilschritt des Schrittes 33 nach einem ersten Teilschritt des Schrittes 32 ausgeführt wird und danach ein zweiter Teilschritt des Schrittes 32 umgesetzt wird. Dies ist vor allem dann vorteilhaft, wenn eine Iterationsschleife gebildet wird, um die unterschiedlichen Testeingangsdatensätze 29 zu erzeugen.
3 zeigt eine mögliche Abfolge der einzelnen Schritte 31, 32, 33 und 34 des vorgeschlagenen Verfahrens.
4 zeigt schematisch einen Datenfluss bei einer vorteilhaften Ausgestaltung des Verfahrens, bei welcher die erste aus dem ersten Eingangsdatensatz 23 zusätzlich einen transformierten Datensatz 43 berechnet, und die zweite Abbildung zumindest aus dem transformierten Datensatz 43 die unterschiedlichen Hilfsdatensätze 26 berechnet.
5 zeigt schematisch einen Datenfluss bei einer weiteren vorteilhaften Ausgestaltung des Verfahrens, bei der eine Iterationsschleife durchlaufen wird. Die Iterationsschleife wird gebildet, indem zunächst ein mithilfe der zweiten erzeugter einzelner Hilfsdatensatz 51 an einen ersten Eingang 52 der dritten geleitet wird. Im Anschluss daran wird ein mithilfe der dritten , des einzelnen Hilfsdatensatzes 51 und dem ersten Ausgangswert 21 berechneter einzelner Testeingangsdatensatz 53 an einen Eingang 64 der ersten geleitet. Die erste berechnet anhand des einzelnen Testeingangsdatensatzes 53 einen einzelnen transformierten Datensatz 60 und einen weiteren Ausgangswert 58 mit einer weiteren Information 59.
Anschließend ermittelt die zweite mithilfe des einzelnen transformierten Datensatzes 60 einen weiteren Hilfsdatensatz 55. Darauffolgend berechnet die dritte mithilfe des weiteren Hilfsdatensatzes 55 und der weiteren Information 59 einen weiteren Testeingangsdatensatz 63. Die Iterationsschleife wird zur Optimierung der ersten , der zweiten und/oder der dritten unter Verwendung zumindest des oben genannten ersten und/oder zweiten Optimierungskriteriums mehrmals durchlaufen.
Besonders vorteilhaft erzeugt die erste bei jedem Durchlauf der Iterationsschleife anhand des jeweiligen weiteren Testeingangsdatensatzes 63 einen entsprechenden weiteren transformierten Datensatz 56, insbesondere jeweils weitere transformierte Datensätze 56_1, 56₂, 56_i und 56_n. Dabei wird der jeweilige weitere Testeingangsdatensatz 63 an den Eingang 64 der ersten Abbildung gesendet.
Vorteilhaft werden die jeweiligen weiteren transformierten Datensätze 56₁, 56₂, 56_i und 56_n in einem Speicher 57 des Fahrerassistenzsystems 1 gespeichert. Die zweite ermittelt den jeweiligen weiteren Hilfsdatensatz 55 anhand von zumindest zwei der gespeicherten weiteren transformierten Datensätze 56₁, 56₂, 56_i, 56_n. Hierbei kann der weitere Hilfsdatensatz 55 aus einer Linearkombination der gespeicherten weiteren transformierten Datensätze 56₁, 56₂, 56_i, 56_n berechnet werden. Hierzu weist die zweite Abbildung bevorzugt zumindest den Parameter 28 mit dem veränderbaren Wert 27 auf. Der Wert 27 des Parameters 28 kann ein Faktor sein, mit welcher einer der gespeicherten weiteren transformierten Datensätze 56₁, 56₂, 56_i, 56_n multipliziert wird. Die zweite hat vorzugsweise mehrere Parameter zur Berechnung von mehreren weiteren Hilfsdatensätzen beim mehrmaligen Durchlaufen der Iterationsschleife.
Im Folgenden wird eine Anwendung des Verfahrens beschrieben, bei welcher das Modul 3 approximiert, ob das Fahrzeug 2 innerhalb einer vorgegebenen Zeit auf ein vorrausfahrendes Fahrzeug aufprallt oder nicht aufprallt. Hierzu weist das Fahrerassistenzsystem 1 eine mit der Kamera 11 verbundene Auswertungseinheit 12 auf. Die Auswertungseinheit 12 ermittelt mithilfe von mit der Kamera 11 aufgenommenen Bildern einen Abstand 24 des vorausfahrenden weiteren Fahrzeugs und eine Relativgeschwindigkeit 25 des vorausfahrenden Fahrzeugs jeweils in Bezug zu dem Fahrzeug 2. Die Auswertungseinheit 12 sendet im Betrieb des Fahrzeugs 2 eine Eingabe, die den Abstand 24 und die Relativgeschwindigkeit 25 enthält, an das Modul 3. Das Modul 3 ermittelt eine Ausgabe mit einer Information, ob das Fahrzeug 2 innerhalb der vorgegebenen Zeit auf das vorrausfahrende Fahrzeug aufprallt oder nicht aufprallt. Die vorgegebene Zeit soll im Folgenden gleich 3 Sekunden sein.
Um das Modul 3 mit dem vorgeschlagenen Verfahren zu validieren, wird mithilfe einer Messung zumindest der erste Eingabedatensatz 23 erzeugt, der den Abstand 24 und die Relativgeschwindigkeit 25 enthält. Anhand des ersten Eingabedatensatzes 23 ermittelt die erste den ersten Ausgangswert 21 mit der ersten Information 22, wobei die erste Information 22 eine Information darüber ist, ob das Fahrzeug 2 innerhalb der vorgegebenen Zeit auf das vorrausfahrende Fahrzeug aufprallt oder nicht aufprallt.
Bevorzugt ermittelt die erste anhand der Relativgeschwindigkeit 25 und des Abstandes 24 eine Zeit, im Folgenden als Kollisionszeit bezeichnet, innerhalb welcher das Fahrzeug 2 auf das vorrausfahrende Fahrzeug bei konstanter Relativgeschwindigkeit 25 aufprallen würde. Die Kollisionszeit wird bevorzugt mithilfe eines Quotienten berechnet, der den Abstand 24 als Dividend und die relative Geschwindigkeit 25 als Divisor hat, und in eine erste Binärzahl, vorzugsweise mit einer Länge von 8-Bit, ohne Vorzeichen umgewandelt. Diese Umwandlung erfolgt derart, dass die erste Binärzahl einen Wert von kleiner als 10000000 für eine Kollisionszeit von unter 3 Sekunden annimmt und einen entsprechenden größeren Wert für eine Kollisionszeit von größer gleich 3 Sekunden annimmt. Die erste Abbildung setzt den ersten Ausgangswert 21 gleich dem höchstwertigen Bit der ersten Binärzahl.
In diesem Beispiel ist der erste Ausgangswert 21 gleich der ersten Information 22. Nimmt die erste Information 22 den Wert 1 an, so prallt das Fahrzeug 2 nicht innerhalb von 3 Sekunden auf das vorrausfahrende Fahrzeug. Entsprechend hat die erste Information 22 den Wert 0 für den Fall, dass ein Aufprall innerhalb von 3 Sekunden stattfindet. Das Fahrerassistenzsystem 1 verarbeitet die erste Information 22 vorzugsweise derart, dass für den Fall, dass die erste Information 22 gleich Null ist, ein Druck in einem Druckbehälter des Airbags 10 auf einen Solldruck eingestellt wird.
Die erste kann den transformierten Datensatz 60 in Form einer zweiten Binärzahl bilden. Die zweite Binärzahl enthält ein Wert eines Produktes, das aus der relativen Geschwindigkeit 24 und dem Abstand 25 als Faktoren gebildet wird, in Form einer dritten Binärzahl und eine vierte Binärzahl, die sämtliche Bits außer dem höchstwertigen Bit der ersten Binärzahl aufweist. Damit enthält der transformierte Datensatz 60 keine Information darüber, ob das Fahrzeug 2 innerhalb von 3 Sekunden auf das vorrausfahrende Fahrzeug auftrifft.
Die zweite erzeugt aus dem transformierten Datensatz 60 den einzelnen Hilfsdatensatz 51, indem die dritte Binärzahl des transformierten Datensatzes 60 verändert und die vierte Binärzahl konstant gehalten wird. Die dritte generiert mithilfe der ersten Information 22 und dem einzelnen Hilfsdatensatz 51 eine fünfte Binärzahl, die als höchstwertigstes Bit das höchstwertigste Bit der ersten Binärzahl hat. Die übrigen Bits der fünften Binärzahl entsprechen der vierten Binärzahl.
Aus der dritten Binärzahl und der fünften Binärzahl bestimmt die dritte den einzelnen Testeingangsdatensatz 53, der eine weitere relative Geschwindigkeit 61 und einen weiteren Abstand 62 enthält. Den weiteren Abstand 62 bestimmt die dritte bevorzugt dadurch, dass der Wert der dritten Binärzahl mit der vorgegebenen Zeit, d.h. 3 Sekunden, multipliziert und aus dem daraus berechneten Produkt die Wurzel gebildet wird. Die weitere relative Geschwindigkeit 61 wird ermittelt, indem der weitere Abstand 62 durch die vorgegebene Zeit geteilt wird. In ähnlicher Weise wie der einzelne Testeingangsdatensatz 53 erzeugt wird, werden die weiteren Testeingangsdatensätze 63 mithilfe der weiteren Hilfsdatensätze 55 generiert. Die weiteren Hilfsdatensätze 55 werden in ähnlicher Weise wie der einzelne Hilfsdatensatz 51 erzeugt. Mittels der weiteren Testeingangsdatensätze 53 kann die erste dahingehend validiert werden, ob diese für beliebig viele Kombinationen aus relativen Abständen und relativen Geschwindigkeiten des vorrausfahrenden Fahrzeugs korrekt ermittelt, ob innerhalb von 3 Sekunden ein Aufprall erfolgt oder nicht.
Die für diesen Anwendungsfall beschriebenen Berechnungen können die erste , die zweite und die dritte vorzugsweise durchführen, nachdem die erste , die zweite beziehungsweise die dritte optimiert wurden. Um eine Optimierung der ersten , der zweiten und/oder der dritten durchzuführen, wird bevorzugt die Iterationsschleife mehrmals durchlaufen. Hierbei wird der weitere Testeingangsdatensatz 63 an den Eingang 64 der ersten geleitet.
Die erste , die zweite und/oder die dritte weisen bevorzugt jeweils Parameter auf, deren Werte nach jedem Durchlauf der Iterationsschleife unter Verwendung des oben beschriebenen ersten und/oder zweiten Optimierungskriteriums verändert werden. Dabei kann ein drittes Optimierungskriterium angewendet werden, welches vorgibt, dass eine Änderung des Ausgangswertes 21 minimiert wird.
Des Weiteren kann vorgesehen sein, dass der transformierte Datensatz 60 überprüft wird. Eine Überprüfung des transformierten Datensatzes 60 kann durch eine Visualisierung des transformierten Datensatzes 60 und eine anschließende Eingabe eines Benutzers erfolgen. Die Eingabe kann eine Information umfassen, ob der transformierte Datensatz 60 höchstwahrscheinlich keine Information enthält, mit der der Ausgangswert 21 bestimmt werden kann. Die Überprüfung kann gemäß einer anderen Variante automatisiert mithilfe einer Datenbank und einer Vorrichtung zum Vergleichen des visualisierten transformierten Datensatzes 60 mit Bildern der Datenbank durchgeführt werden.
Bevor der erste Schritt 31 des vorgeschlagenen Verfahrens gestartet wird, können Werte der Parameter der ersten mithilfe eines Trainings angepasst werden. Das Training kann wie oben beschrieben durchgeführt werden. Dabei werden Messdatensätze 71, die mithilfe von zumindest eines Sensors, wie beispielsweise der Kamera 11, des Fahrzeugs 2 gewonnen werden in jeweilige miteinander korrespondierende Trainingseingangsdatensätze 72 und Trainingsausgangsdatensätze 73, wie in 6 gezeigt, aufgeteilt. Ein entsprechender zu einem einzelnen Trainingsausgangsdatensatz 75 der Trainingsausgangsdatensätze 73 korrespondierender einzelner Trainingseingangsdatensatz 74 der Trainingseingangsdatensätze ist in 6 in derselben Zeile abgebildet.
Die jeweiligen Trainingseingangsdatensätze 72 können im Rahmen einer möglichen weiteren Anwendung des vorgeschlagenen Verfahrens erfasste Intensitätswerte von Pixeln eines Photosensors der Kamera 11 enthalten und die jeweiligen Trainingsausgangsdatensätze 73 einen Typ des vor dem Fahrzeug 2 vorrausfahrenden Fahrzeugs aufweisen. Die Trainingsausgangsdatensätze 73 werden vorzugsweise durch einen Benutzer erzeugt.
Mithilfe der Trainingseingangsdatensätze 72 und der Trainingsausgangsdatensätze 73 wird die erste derart trainiert, dass sie in Abhängigkeit eines präsentierten einzelnen Trainingseingangsdatensatzes der Trainingseingangsdatensätze 72 den korrespondierenden Trainingsausgangsdatensatz, beispielsweise den Typ des Fahrzeugs, mit einer hinreichenden Genauigkeit approximiert. Hierzu werden zu den einzelnen Trainingseingangsdatensätzen 72 jeweils korrespondierende erste Ausgangswerte 76 berechnet und jeweils Vergleiche zwischen den einzelnen ersten Ausgangswerten 76 und den einzelnen korrespondierenden Trainingsausgangsdatensätzen 73 durchgeführt und anhand von Ergebnissen der Vergleiche die Werte der Parameter der ersten Abbildung geändert.
Um die dritte zu verändern, können zu den ersten Ausgangswerten 76 korrespondierende Zustandsvektoren 77 generiert werden, wie in 7 gezeigt. Ein einzelner Zustandsvektor der Zustandsvektoren 77 kann Werte von einzelnen Funktionen der ersten enthalten, die die Funktionen annehmen, wenn ein einzelner zu einem einzelnen Trainingseingangsdatensatzes der Trainingseingangsdatensätze 72 korrespondierender Ausgangswert der ersten Ausgangswerte 76 berechnet wird. Für ein Training der dritten werden bevorzugt zumindest aus den Zustandsvektoren 77 und den ersten Ausgangswerten 76 neue Trainingseingangsdatensätze 78 gebildet, wie in 8 gezeigt. Die Trainingseingangsdatensätze 72 werden für das Training der dritten als Trainingsausgangsdatensätze verwendet, da die dritte gegenüber der ersten invers sein soll. Während des Trainings werden die Zustandsvektoren 77 an den ersten Eingang 52 und die ersten Ausgangswerte 76 bevorzugt an einen zweiten Eingang 79 der dritten gesendet.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2017/0316285 A1 [0002]

Claims

Verfahren zur Validierung eines Fahrerassistenzsystems (1) eines Fahrzeugs (2), wobei das Fahrerassistenzsystem zumindest ein Modul (3) zur Modellierung eines Prozesses aufweist, mit den folgenden Schritten: - Berechnen zumindest eines ersten Ausgangswertes (21), der eine erste Information (22) aufweist, mithilfe einer ersten Abbildung (4) anhand eines ersten Eingangsdatensatzes (23), wobei die erste Abbildung (4) beim Berechnen des ersten Ausgangswertes (21) den Prozess approximiert, - Generieren von mehreren unterschiedlichen Hilfsdatensätzen (26) mithilfe einer zweiten Abbildung (5) und zumindest des ersten Eingangsdatensatzes (23), - Erzeugen von jeweiligen unterschiedlichen Testeingangsdatensätzen (29) mithilfe einer dritten Abbildung (6) und anhand der entsprechenden unterschiedlichen Hilfsdatensätze (26) und der ersten Information (22) als Eingangsdaten der dritten Abbildung (6), - Validierung des Moduls (3) mithilfe der unterschiedlichen Testeingangsdatensätze (29) und des ersten Ausgangswertes (21).
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die erste Abbildung (4) aus dem ersten Eingangsdatensatz (23) zusätzlich einen transformierten Datensatz (43) berechnet und die zweite Abbildung (5) zumindest aus dem transformierten Datensatz (43) die unterschiedlichen Hilfsdatensätze (26) berechnet.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die erste Abbildung (4) unter Verwendung eines ersten Optimierungskriteriums verändert wird und das erste Optimierungskriterium vorgibt, dass ein Informationsgehalt des transformierten Datensatzes (43; 60) zusammen mit einem Informationsgehalt des ersten Ausgangswertes (21) gleich einem Informationsgehalt des ersten Eingangsdatensatzes (23) sein soll.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die dritte Abbildung (6) unter Verwendung zumindest eines zweiten Optimierungskriteriums verändert wird und das zweite Optimierungskriterium vorgibt, dass die dritte Abbildung (6) gegenüber der ersten Abbildung (4) invers sein soll.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Information eines Zustandes der ersten Abbildung (4) erfasst wird, den die erste Abbildung (4) einnimmt, wenn die erste Abbildung (4) in Abhängigkeit eines zweiten Eingangsdatensatzes einen zweiten Ausgangswert berechnet, und die dritte Abbildung (6) in Abhängigkeit des Zustandes der ersten Abbildung (4) verändert wird.
Verfahren nach einem der vorhergehenden Ansprüche 2 bis 5, dadurch gekennzeichnet, dass eine Iterationsschleife durchlaufen wird, indem ein mithilfe der zweiten Abbildung (5) erzeugter einzelner Hilfsdatensatz (51) an einen ersten Eingang (52) der dritten Abbildung (6) geleitet wird und ein mithilfe der dritten Abbildung (6), des einzelnen Hilfsdatensatzes (51) und dem ersten Ausgangswert (21) berechneter einzelner Testeingangsdatensatz (53) an einen Eingang (64) der ersten Abbildung (4) geleitet wird und die erste Abbildung (4) anhand des einzelnen Testeingangsdatensatzes (53) einen einzelnen transformierten Datensatz (60) und einen weiteren Ausgangswert (58) mit einer weiteren Information (59) berechnet und die zweite Abbildung (5) mithilfe des einzelnen transformierten Datensatzes (60) einen weiteren Hilfsdatensatz (55) berechnet und die dritte Abbildung (6) mithilfe des weiteren Hilfsdatensatzes (55) und der weiteren Information (59) einen weiteren Testeingangsdatensatz (63) berechnet, und die Iterationsschleife zur Optimierung der ersten Abbildung (4), der zweiten Abbildung (5) und/oder der dritten Abbildung (6) unter Verwendung zumindest des ersten und/oder zweiten Optimierungskriteriums mehrmals durchlaufen wird.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass bei jedem Durchlauf der Iterationsschleife die erste Abbildung (4) anhand des jeweiligen weiteren Testeingangsdatensatzes (63) einen entsprechenden weiteren transformierten Datensatz (56) erzeugt und der jeweilige weitere transformierte Datensatz (56) gespeichert wird und die zweite Abbildung (5) den jeweiligen weiteren Hilfsdatensatz (55) anhand von zumindest zwei der gespeicherten transformierten Datensätze (56₁, 56₂, 56_i, 56_n) ermittelt.
Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass der jeweilige weitere transformierte Datensatz (56_i) dann gespeichert wird, wenn ein Informationsgehalt der gespeicherten transformierten Datensätze (56₁, 56₂, 56_i-1) durch ein Speichern des jeweiligen weiteren transformierten Datensatzes erhöht wird.
Verfahren nach Anspruch 7 oder 8, dadurch gekennzeichnet, dass die gespeicherten weiteren transformierten Datensätze (56₁, 56₂, 56_i, 56_n) für ein Training eines Generative-Adversarial-Networks verwendet werden und mithilfe des Generative-Adversarial-Networks die unterschiedlichen Hilfsdatensätze (26, 55) generiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Erzeugung der unterschiedlichen Hilfsdatensätze (26; 55) mit der zweiten Abbildung zumindest unter einer Randbedingung erfolgt, die einen Raum, der mit den unterschiedlichen Hilfsdatensätzen (26, 55) gebildet werden kann, einschränkt.
Validierungssystem zur Validierung eines Fahrerassistenzsystems (1), das Validierungssystem (7) aufweisend zumindest einen Speicher, auf dem ein Computerprogramm gespeichert ist, welches eingerichtet ist, jeden Schritt des Verfahrens nach einem der Ansprüche 1 bis 9 durchzuführen, und zumindest eine Schnittstelle, die dazu eingerichtet ist, Informationen zwischen dem Modul (3) und zumindest jeweiligen Eingängen und Ausgängen der zweiten Abbildung (5) und der dritten Abbildung (6) auszutauschen, wobei zumindest die zweite Abbildung (5) und die dritte Abbildung (6) bei einem Ausführen von Befehlen des Computerprogramms simuliert werden.