-
Die Erfindung betrifft ein Verfahren zum Ermitteln von Benutzerdaten, die jeweils ein individuelles Benutzerverhalten eines Benutzers bei der Benutzung zumindest eines Kraftfahrzeugs beschreiben. Die Benutzerdaten können beispielsweise angeben, wie viel Zeit ab Beginn einer Fahrt vergeht, bevor der Benutzer das Radio einschaltet. Zu der Erfindung gehört auch eine Analysevorrichtung, mittels welcher das erfindungsgemäße Verfahren durchgeführt werden kann.
-
In einem Kraftfahrzeug kann eine personalisierte Fahrzeugfunktion bereitgestellt werden. Die Personalisierung erfolgt dahingehend, dass die Fahrzeugfunktion in Abhängigkeit davon konfiguriert wird, wer aktuell in dem Kraftfahrzeug anwesend ist, das heißt, welcher Benutzer oder welche Benutzeridentität in dem Kraftfahrzeug erkannt wird. Hierdurch kann eine personalisierte Fahrzeugfunktion beispielsweise automatisiert gestartet werden, wenn für einen im Kraftfahrzeug erkannten Benutzer bekannt ist, dass dieser die Fahrzeugfunktion nutzen möchte oder in der Regel benutzt. Das Benutzerverhalten ergibt sich dabei oftmals in Abhängigkeit von zumindest einer in dem Kraftfahrzeug vorliegenden Benutzungsbedingung, z.B. einer Temperatur in dem Kraftfahrzeug und/oder der Tageszeit.
-
Um eine solche personalisierte Fahrzeugfunktion zu entwickeln, müssen Tests durchgeführt werden können, anhand derer erkannt werden kann, ob sich die Fahrzeugfunktion korrekt personalisiert, also korrekt auf die zumindest eine Benutzungsbedingung reagiert. Hierzu sind Benutzerdaten nötig, also Beispielfälle oder Testfälle, anhand welcher eine entwickelte, personalisierbare Fahrzeugfunktion getestet werden kann.
-
Mittels Benutzerdaten lässt sich eine personalisierbare Fahrzeugfunktion auch konfigurieren. Ein Beispiel für eine solche personalisierte Fahrzeugfunktion ist eine Sitzheizungsprädiktion, die abschätzt, welche Temperatur der aktuell im Fahrzeugsitz befindliche Benutzer wünscht. Eine solche Sitzheizungsprädiktion kann beispielsweise durch ein Training mittels eines maschinellen Lernverfahrens entwickelt werden, wozu aber ebenfalls die besagte große Menge an Benutzerdaten nötig sein kann.
-
Personalisierte oder individuelle Benutzerdaten können heute aber nur mit großem Aufwand und mit strengen rechtlichen Restriktionen bezüglich des Schutzes der Privatsphäre in Kraftfahrzeugen erhoben werden, wenn diese Benutzerdaten nicht auf gezielten Testfahrten, sondern in Kraftfahrzeugen im Straßenverkehr erhoben werden sollen. Deshalb ist die vorhandene Menge an Benutzerdaten in den meisten Anwendungsfällen zu gering, um sie für das Entwickeln einer personalisierten Fahrzeugfunktion nutzen zu können.
-
Ein weiteres Beispiel für eine personalisierte Fahrzeugfunktion ist aus der
US 2016/0174028 A1 bekannt, in welcher beschrieben ist, dass ein abzuspielendes Musikstück in Abhängigkeit von Benutzerdaten ausgewählt wird.
-
Aus der
WO 2015/041668 A1 ist bekannt, das Benutzerverhalten mittels einer Methode des maschinellen Lernens auf der Grundlage von Benutzerdaten nachzubilden, um hierdurch auf einen inneren Zustand eines Benutzers schließen zu können.
-
Aus der
US 2015/0147741 A1 ist bekannt, dass ein menschlicher Student sein Lernverhalten optimieren kann, indem er beim Lernen durch ein Computersystem überwacht wird.
-
Aus der
DE 10 2016 207 356 A1 ist ein Verfahren bekannt, mittels welchem Kraftfahrzeuge individuell auf Kraftfahrzeugführer abgestimmt werden können.
-
Aus der
DE 10 2017 109 730 A1 ist ein System bekannt, welches über eine Temperaturmessung im Fahrzeuginneren Fahrgastaktivitäten überwacht und auf Basis vorab gespeicherter Insassendaten über ein Ausgabeschnittstellenmodul korrespondierende Aktionen auslösen kann.
-
Der Erfindung liegt die Aufgabe zugrunde, Benutzerdaten zum Entwickeln einer personalisierten Fahrzeugfunktion zu beschaffen.
-
Die Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen der Erfindung sind durch die abhängigen Patentansprüche, die folgende Beschreibung sowie die Figuren beschrieben.
-
Durch die Erfindung ist ein Verfahren zum Generieren oder Ermitteln von Benutzerdaten bereitgestellt. Die Benutzerdaten beschreiben jeweils ein mögliches individuelles Benutzerverhalten zumindest eines Benutzers, wie dieser es in zumindest einem Kraftfahrzeug zeigen könnte. Mit anderen Worten wird für zumindest einen Benutzer, der sich in dem jeweiligen Kraftfahrzeug aufhalten oder befinden könnte, dessen individuelles Benutzerverhalten beschrieben. Bei dem Verfahren werden hierzu durch eine Analysevorrichtung zunächst mittels einer Erfassungseinrichtung echte Benutzerdaten erfasst. Die Analysevorrichtung ermittelt die echten Benutzerdaten also indirekt mittels der Erfassungseinrichtung, die in zumindest einem realen Kraftfahrzeug jeweils die Erfassung der echten Benutzerdaten durchführen kann. Die echten Benutzerdaten beschreiben ein jeweiliges reales Benutzerverhalten zumindest eines Benutzers in dem zumindest einen realen Kraftfahrzeug bei Vorliegen einer jeweiligen Benutzungsbedingung. Es wird also nicht nur das Verhalten des Benutzers selbst erfasst und durch die Benutzerdaten beschrieben, sondern auch die Benutzungsbedingung oder Randbedingung, unter welcher der Benutzer das Benutzerverhalten gezeigt hat.
-
Um nicht ausschließlich solche echten Benutzerdaten benutzen zu müssen, sieht die Erfindung des Weiteren vor, dass durch die Analyseeinrichtung mittels der erfassten echten Benutzerdaten ein digitales Benutzermodell konfiguriert wird.
-
Mittels des Benutzermodells können erfindungsgemäß also künstliche Benutzerdaten erzeugt werden. Die künstlichen Benutzerdaten beschreiben ein jeweiliges simuliertes Benutzerverhalten für zumindest eine simulierte Benutzerbedingung. Mit anderen Worten wird zumindest eine simulierte Benutzerbedingung vorgegeben, die sich von den beschriebenen echten Benutzungsbedingungen unterscheiden kann, und ermittelt, welches Benutzerverhalten das digitale Benutzermodell hierzu simuliert. Dies ergibt die künstlichen Benutzerdaten, also Benutzerdaten, die auf dem Benutzermodell beruhen. Die künstlichen Benutzerdaten werden dann dazu verwendet, die gewünschten oder zu ermittelnden Benutzerdaten zu bilden oder bereitzustellen. Die künstlichen Benutzerdaten bilden hierbei zumindest einen Teil der zu ermittelnden Benutzerdaten. Natürlich können die zu ermittelnden Benutzerdaten auch die besagten, erfassten, echten Benutzerdaten enthalten.
-
Des Weiteren sieht die Erfindung vor, dass das Benutzermodell mittels einer vorbestimmten GAN-Methode für maschinelles Lernen auf der Grundlage von GANs, Generative Adversarial Networks, erzeugt wird. Die GANs umfassen ein künstliches neuronales Generatornetzwerk und ein künstliches neuronales Diskriminatornetzwerk. Das Generatornetzwerk erzeugt hierbei mögliche oder vorläufige künstliche Benutzerdaten und das Diskriminatornetzwerk unterscheidet zwischen den möglichen künstlichen Benutzerdaten und den echten Benutzerdaten. Mit anderen Worten werden nacheinander dem Diskriminatornetzwerk z.B. zufällig ausgewählt entweder mögliche künstliche Benutzerdaten des Generatornetzwerks oder echte Benutzerdaten vorgelegt, die jeweils also entweder ein simuliertes Benutzerverhalten oder ein echtes Benutzerverhalten beschreiben. Das Diskriminatornetzwerk muss zu den jeweils vorgelegten Benutzerdaten entscheiden, ob sie künstlich oder echt sind. Das Ergebnis der Unterscheidung besteht darin, dass ermittelt wird, ob das Diskriminatornetzwerk richtig oder falsch entschieden oder unterschieden hat. In Abhängigkeit von dem jeweiligen Ergebnis der Unterscheidung werden dann gemäß der GAN-Methode das Generatornetzwerk und das Diskriminatornetzwerk trainiert. Eine solche GAN-Methode zum Trainieren von künstlichen neuronalen Netzwerken, das heißt einem Generatornetzwerk und einem Diskriminatornetzwerk, kann an sich aus dem Stand der Technik entnommen werden. Das fertig trainierte Generatornetzwerk wird dann als das Benutzermodell verwendet.
-
Zusätzlich oder alternativ umfassen die echten Benutzerdaten zumindest ein Zeitsignal des zumindest einen Kraftfahrzeugs. Ein solches Zeitsignal beschreibt einen zeitlichen Verlauf beispielsweise eines Parameterwerts einer Fahrzeugfunktion. Mittels des Benutzermodells wird dann als zumindest ein Teil der künstlichen Benutzerdaten zumindest ein künstliches Zeitsignal generiert. Das Benutzermodell modelliert oder simuliert also einen Zeitverlauf beispielsweise eines Parameterwerts einer Fahrzeugfunktion.
-
Durch die Erfindung ergibt sich der Vorteil, dass mit dem fertig konfigurierten, digitalen Benutzermodell beliebig viele neue oder künstliche Benutzerdaten erzeugt werden können, ohne dass hierzu der Aufwand der Erfassung echter Benutzerdaten weiterbetrieben werden muss. Es kann zumindest eine simulierte Benutzungsbedingung definiert oder vorgegeben werden und hierzu dann die Reaktion oder Ausgabe des digitalen Benutzermodells ermittelt werden, also das simulierte Benutzerverhalten zu der simulierten Benutzungsbedingung generiert werden. Beispielsweise können mehrere unterschiedliche, zufällig simulierte Benutzungsbedingungen mittels eines Zufallssimulators erzeugt werden und/oder es kann zumindest eine Benutzungsbedingung, zu der man das Benutzerverhalten erfahren möchte, vorgegeben werden. Die Verwendung der GAN-Methode weist den Vorteil auf, dass das Benutzermodell in Form des Generatornetzwerks selbstoptimierend trainiert wird.
-
Die Erfindung umfasst auch Ausführungsformen, durch die sich zusätzliche Vorteile ergeben.
-
Gemäß einer Ausführungsform wird das Benutzermodell auf der Grundlage eines künstlichen neuronalen Netzwerks gebildet, welches auf der Grundlage der echten Benutzerdaten mittels einer vorbestimmten Trainingsmethode dahingehend trainiert wird, dass es zumindest einer in den echten Benutzerdaten angegebenen Benutzungsbedingung das zu der Benutzungsbedingung erfasste Benutzerverhalten zuordnet. Gibt man also die Benutzungsbedingung vor, so gibt das Benutzermodel als Ausgabe das zugehörige Benutzerverhalten an. Eine entsprechende Trainingsmethode für ein künstliches neuronales Netzwerk kann aus dem Stand der Technik gewählt werden (z.B. Deep-Learning). Ein künstliches neuronales Netzwerk weist den Vorteil auf, dass es die Fähigkeit zur Interpolation aufweist, also auch zu einer solchen simulierten Benutzungsbedingung, die sich von jeder tatsächlich beobachteten echten Benutzungsbedingung, wie sie durch die echten Benutzerdaten beschrieben ist, unterscheidet, dennoch ein Benutzerverhalten simulieren kann.
-
Eine Ausführungsform sieht vor, dass für den Fall, dass während des Trainings des Generatornetzwerks ein Unterschied zwischen den möglichen künstlichen Benutzerdaten des Generatornetzwerks und den echten Benutzerdaten kleiner als ein vorbestimmter Schwellenwert ist, mittels einer vorbestimmten Loss-Funktion oder Korrektur-Funktion eine Konfiguration des Generatornetzwerks verändert wird. Hierdurch wird in vorteilhafter Weise verhindert, dass das Generatornetzwerk die Neigung oder die Tendenz entwickelt, Kopien der echten Benutzerdaten zu erzeugen. Der Unterschied wird gemäß einem vorbestimmten Unterschiedsmaß ermittelt. Das Unterschiedsmaß kann beispielsweise ein Abstandsmaß sein. Hierzu können die zu vergleichenden echten Benutzerdaten und die möglichen künstlichen Benutzerdaten jeweils beispielsweise als Vektor zusammengefasst und ein Abstand der Vektoren als Unterschiedsmaß definiert werden.
-
Um eine personalisierbare Fahrzeugfunktion geeignet trainieren oder entwickeln oder konfigurieren oder testen zu können, ist gemäß einer Ausführungsform vorgesehen, dass das Benutzerverhalten umfasst: die Benutzung einer vorbestimmten Fahrzeugfunktion und/oder eine Umstellung der Fahrzeugfunktion. Es wird also bevorzugt überprüft, ob ein Benutzer eine Fahrzeugfunktion überhaupt verwendet und/oder welche Einstellungen oder Veränderungen der Benutzer an der Fahrzeugfunktion während der Fahrt vornimmt. Eine solche Umstellung kann beispielsweise das Verändern einer Solltemperatur an der Fahrzeugfunktion „Klimatisierung“ sein.
-
Eine Ausführungsform sieht vor, dass die jeweilige Benutzungsbedingung, die ebenfalls erfasst wird, jeweils angibt: eine Uhrzeit und/oder eine Tageszeit (Tag oder Nacht oder vormittags oder mittags oder nachmittags oder abends) und/oder ein Geschlecht des Benutzers und/oder ein Ziel der aktuellen Fahrt (beispielsweise zur Arbeit oder nach Hause) und/oder eine Zeitdauer seit Beginn der aktuellen Fahrt. Diese Benutzungsbedingungen haben sich als vorteilhafte Eingabeparameter für personalisierbare Fahrzeugfunktionen erwiesen. Wird also eine solche Benutzungsbedingung erkannt, so lässt sich hieran eine geeignete Personalisierung einer Fahrzeugfunktion festlegen oder einstellen.
-
Gemäß einer weiteren Ausführungsform ist vorgesehen, dass das zumindest eine künstliche Zeitsignal mittels eines rekurrenten, künstlichen neuronalen Netzwerks des Benutzermodells erzeugt wird. Hierdurch ergibt sich der Vorteil, dass eine zeitliche Abhängigkeit oder eine zeitliche Korrelation innerhalb der echten Benutzerdaten durch das rekurrente, künstliche neuronale Netzwerk nachgebildet werden kann und somit eine zeitliche Abhängigkeit in die Benutzerdaten modelliert wird und auch in den künstlichen Benutzerdaten enthalten sein wird. Das rekurrente, künstliche neuronale Netzwerk kann in einem Zeittakt betrieben werden und mit jedem Zeitschritt einen Sample-Wert oder Abtastwert des künstlichen Zeitsignals erzeugen. Durch Zusammenfügen der Zeitreihe dieser Abtastwerte kann dann das künstliche Zeitsignal erzeugt oder gebildet werden.
-
Eine Ausführungsform sieht vor, dass auf der Grundlage der ermittelten Benutzerdaten zumindest eine personalisierbare Fahrzeugfunktion konfiguriert und/oder getestet wird. Eine solche personalisierbare Fahrzeugfunktion kann beispielsweise die beschriebene Sitzheizungsprädiktion sein. Eine andere Bezeichnung für eine personalisierbare Fahrzeugfunktion ist auch „intelligente Fahrzeugfunktion“, da sie zumindest eine Parametereinstellung in Abhängigkeit von zumindest einer aktuellen Benutzungsbedingung vornimmt und/oder auf die aktuelle Benutzungsbedingung reagiert. Die Verwendung der ermittelten Benutzerdaten für die Konfiguration und/oder das Testen einer personalisierbaren Fahrzeugfunktion weist den Vorteil auf, dass die personalisierbare Fahrzeugfunktion mit geringen Entwicklungskosten realisiert werden kann. Die Konfiguration kann z.B. das Trainieren eines künstlichen neuronalen Netzwerks, mittels welchem die Fahrzeugfunktion realisiert wird, umfassen.
-
Um das erfindungsgemäße Verfahren durchführen zu können, ist durch die Erfindung auch eine Analysevorrichtung zum Ermitteln von Benutzerdaten bereitgestellt. Die Benutzerdaten beschreiben zumindest ein mögliches individuelles Benutzerverhalten bei der Benutzung zumindest eines Kraftfahrzeugs. Die Analysevorrichtung weist eine Prozessoreinrichtung auf, die dazu eingerichtet ist, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Die Prozessoreinrichtung kann hierzu zumindest einen Mikroprozessor und/oder zumindest einen Mikrokontroller aufweisen. Die Prozessoreinrichtung kann einen Programmcode aufweisen, der dazu eingerichtet ist, bei Ausführen durch die Prozessoreinrichtung die Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Der Programmcode kann in einem Datenspeicher der Analysevorrichtung gespeichert sein.
-
Zum Ermitteln der echten Benutzerdaten kann die Analysevorrichtung mit einer jeweiligen Erfassungseinrichtung zumindest eines Kraftfahrzeugs gekoppelt sein. Dieses Koppeln kann beispielsweise über eine Internetverbindung und/oder einer Mobilfunkverbindung und/oder WLAN-Verbindung (WLAN - Wireless Local Area Network) realisiert sein. Die Erfassungseinrichtung kann beispielsweise einen jeweiligen Zustand zumindest einer Fahrzeugfunktion des jeweiligen Kraftfahrzeugs erfassen. Insbesondere kann das beschriebene Zeitsignal erfasst werden.
-
Die Erfindung umfasst auch die Kombinationen der beschriebenen Ausführungsformen.
-
Im Folgenden ist ein Ausführungsbeispiel der Erfindung beschrieben. Hierzu zeigt:
- 1 eine schematische Darstellung einer Ausführungsform der erfindungsgemäßen Analysevorrichtung; und
- 2 ein Flussschaudiagramm zu einer Ausführungsform des erfindungsgemäßen Verfahrens.
-
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
-
1 zeigt eine Analysevorrichtung 10, die aus einem oder mehreren realen Kraftfahrzeugen 11 jeweils echte Benutzerdaten 12 empfangen kann, die zu dem zumindest einen Kraftfahrzeug 11 jeweils zumindest ein Benutzerverhalten 13 beschreiben, das ein Benutzer des jeweiligen Kraftfahrzeugs 11 bei Vorliegen einer jeweiligen Benutzungsbedingung 14 z.B. während einer Fahrt gezeigt hat. Mit anderen Worten wird zu einem erfassten Benutzerverhalten 13 auch die jeweils vorliegende oder vorherrschende Benutzungsbedingung 14 ermittelt, sodass sich eine paarweise Zuordnung aus Benutzerverhalten 13 und zumindest einer zugehörigen Benutzungsbedingung 14 ergibt, was in 1 durch eine Verbindungslinie für ein Zuordnungspaar veranschaulicht ist. Die Auslassungspunkte 15 symbolisieren, dass die Benutzerdaten 12 mehrere solcher Zuordnungen oder Zuordnungspaare aus Benutzerhalten 13 und zugehöriger Benutzungsbedingung 14 beschreiben können.
-
Die Benutzerdaten 12 können aus den Kraftfahrzeugen 11 über eine jeweilige Kommunikationsverbindung 16 empfangen werden. Die Kommunikationsverbindung 16 kann eine Funkverbindung (z.B. eine Mobilfunkverbindung und/oder WLAN-Verbindung) und/oder eine Internetverbindung umfassen. In jedem Kraftfahrzeug 11 kann hierzu eine Kommunikationseinrichtung 17 bereitgestellt sein, die beispielsweise ein Mobilfunkmodul und/oder ein WLAN-Funkmodul umfassen kann. In jedem Kraftfahrzeug 11 kann jeweils ein Bestandteil einer Erfassungseinrichtung 18 vorgesehen sein, durch die das jeweilige Benutzerverhalten 13 und die währenddessen in dem Kraftfahrzeug 11 vorliegende Benutzungsbedingung 14 ermittelt oder erfasst wird. Als Benutzerverhalten kann insbesondere das Betätigen oder Umstellen einer Fahrzeugfunktion 19 oder mehrerer Fahrzeugfunktionen 19 erfasst oder erkannt werden. Als Benutzungsbedingung 14 kann zumindest eine der bereits beschriebenen Bedingungen erfasst werden.
-
Mittels der Analysevorrichtung 10 kann nun auf Basis der echten Benutzerdaten 12 ein Benutzermodell 20 bereitgestellt oder erzeugt werden, welches künstliche Benutzerdaten 21 erzeugen kann, die von den echten Benutzerdaten 12 verschieden, aber dennoch derart realistisch sind, dass sie als Ersatz oder als Ergänzung zu den echten Benutzerdaten 12 beispielweise bei der Entwicklung zumindest einer intelligenten oder personalisierbaren Fahrzeugfunktion verwendet werden können, die dann die vom Benutzer manuell zu bedienende Fahrzeugfunktion 19 oder die vom Benutzer manuell bedienbaren Fahrzeugfunktionen 19 ersetzen können.
-
Um das Benutzermodell 20 bereitzustellen, kann bei der Analysevorrichtung 10 vorgesehen sein, dass eine GAN-Methode mit GANs 22 vorgesehen wird. Die GANs 22 setzen sich zum einen aus einem künstlichen neuronalen Diskriminatornetzwerk 23 und einem künstlichen neuronalen Generatornetzwerk 24 zusammen. Das Generatornetzwerk 24 kann mittels eines sogenannten Seed 26, beispielsweise einem Rauschsignal oder zumindest einem Wert zumindest einer Benutzungsbedingung 14, dazu angeregt werden, auf Grundlage seiner aktuellen Konfiguration 27 mögliche künstliche Benutzerdaten 21' zu erzeugen. Nun liegen also echte Benutzerdaten 12 und künstliche Benutzerdaten 21' z.B. zu einer Benutzungsbedingung 14 vor. Die Benutzungsbedingungen für das Generatornetzwerk 24 muss aber nicht identisch mit einer realen Benutzungsbedingung 14 sein. Es kann auch eine frei gewählte, d.h. simulierte Benutzungsbedingung 14' vorgegeben werden.
-
Durch die künstlichen Benutzerdaten 21' kann ein simuliertes Benutzerverhalten 13' für die Benutzungsbedingung 14 oder eine simulierte Benutzungsbedingung 14' beschrieben sein. Es können auch mehrere unterschiedliche Benutzungsbedingungen 14 und/oder simulierte Benutzungsbedingungen 14' und ein jeweils zugehöriges Benutzerverhalten 13' durch die möglichen künstlichen Benutzerdaten 21' beschrieben sein.
-
Ein Zuordnungspaar aus einer Benutzungshandlung 13 und der zugehörigen Benutzungsbedingung 14 wird im Folgenden auch als Sample oder Probe bezeichnet. Ein Zuordnungspaar aus simulierter Benutzungshandlung 13' und zugehöriger Benutzungsbedingung 14 wird auch als simuliertes Sample S' bezeichnet.
-
Dem Diskriminatornetzwerk 23 kann nun in mehreren Trainingsrunden oder Trainingszyklen jeweils aus den echten Benutzerdaten 12 ein Sample S oder ein simuliertes Sample S' präsentiert oder vorgelegt werden. Mit jedem Trainingszyklus wird hierbei entweder ein Sample S oder ein simuliertes Sample S' dem Diskriminatornetzwerk 23 vorgelegt. Dem Diskriminatornetzwerk 23 ist dabei nicht bekannt, ob es sich bei dem vorgelegten oder präsentierten Sample um ein echtes Sample S oder ein simuliertes Sample S' handelt. Das Diskriminatornetzwerk 23 entscheidet oder unterscheidet, ob es sich bei dem aktuell vorliegenden Sample um ein echtes oder ein simuliertes Sample handelt. Das Ergebnis 25 dieser Unterscheidung gibt an, ob das Diskriminatornetzwerk 23 besser ist als das Generatornetzwerk 24 (das Diskriminatornetzwerk 23 hat ein simuliertes Sample S' als solches erkannt und nicht mit einem echten Sample S verwechselt) oder ob das Generatornetzwerk 24 besser ist als das Diskriminatornetzwerk 23 (das Diskriminatornetzwerk 23 hat ein simuliertes Sample S' für ein echtes Sample S gehalten). In Abhängigkeit von dem Ergebnis 25 wird entweder das Diskriminatornetzwerk 23 oder das Generatornetzwerk 24 verändert, indem die jeweilige Konfiguration, insbesondere die Konfiguration 27 des Generatornetzwerks 24, verändert wird. Danach kann ein weiterer Trainingszyklus in der beschriebenen Weise mit einer neuen Auswahl aus den Samples durchgeführt werden. Insgesamt wird also für das Training vorgesehen, dass das Generatornetzwerk 24 mögliche künstliche Benutzerdaten 21' erzeugt und das Diskriminatornetzwerk 23 zwischen den möglichen künstlichen Benutzerdaten 21' und den echten Benutzerdaten 12 unterscheidet und dabei mittels einer GAN-Methode die das Generatornetzwerk 24 und das Diskriminatornetzwerk 23 trainiert werden.
-
Das Training kann mit einer Abbruchbedingung beendet werden. Beispielsweise kann eine vorbestimmte Anzahl an Trainingszyklen vorgesehen sein und/oder eine Veränderung des Generatornetzwerks 24 in aufeinanderfolgenden Trainingszyklen ist geringer als ein vorbestimmter Schwellenwert.
-
Um zu verhindern, dass das Generatornetzwerk 24 exakte Kopien der echten Benutzerdaten 12 als mögliche künstliche Benutzerdaten 21' erzeugt, kann eine Loss-Funktion 28 vorgesehen sein, die für den Fall, dass bei der aktuellen Konfiguration 27 des Generatornetzwerks 24 die möglichen künstlichen Benutzerdaten 21' gemäß einem vorbestimmten Unterschiedsmaß einen geringeren Unterschied zu den echten Benutzerdaten 12 aufweisen, als es ein Schwellenwert vorgibt, die Konfiguration 27 des Generatornetzwerks 24 auch aus diesem Grund ändert.
-
Mit dem fertig trainierten Generatornetzwerk 24 steht dann das Benutzermodell 20 bereit, welches durch Anregen mit einem Anregungswert oder Seed 26 dazu gebracht werden kann, die künstlichen Benutzerdaten 21 zu erzeugen.
-
2 fasst noch einmal die relevanten Schritte des beschriebenen Verfahrens zusammen. In einem Schritt S10 kann durch die Analysevorrichtung 10 mittels einer Erfassungseinrichtung 18, die die in den Kraftfahrzeugen 11 angeordneten Bestandteile aufweisen kann, echte Benutzerdaten 12 erfasst werden, die ein jeweiliges reales Benutzerverhalten 13 zumindest eines Benutzers in dem zumindest einen realen Kraftfahrzeug 11 bei Vorliegen zumindest einer jeweiligen Benutzungsbedingung 14 beschreiben. In einem Schritt S11 kann durch die Analyseeinrichtung mittels der erfassten, echten Benutzerdaten 12 ein digitales Benutzermodell 20 konfiguriert oder trainiert werden und mittels des Benutzermodells 20 künstliche Benutzerdaten 21', welche ein jeweils simuliertes Benutzerverhalten 13' für zumindest eine simulierte Benutzungsbedingung 14' beschreiben, erzeugt und die künstlichen Benutzerdaten 21' zumindest als ein Teil von zu ermittelnden Benutzerdaten 21 bereitgestellt werden.
-
1 zeigt somit eine Übersicht einer GAN-Architektur: Das Diskriminatornetzwerk (Diskriminator oder Discriminator) hat die Aufgabe, die künstlich generierten Benutzerdaten zu entlarven und wird belohnt, wenn ihm dies gelingt. Das Generatornetzwerk (Generator) hingegen bekommt einen höheren Score oder Punktestand, wenn die von ihm erzeugten möglichen künstlichen Benutzerdaten 21' vom Diskriminator 23 als echt eingestuft werden. Somit hat man zwei künstliche neuronale Netzwerke 23, 24, die in Konkurrenz zueinander trainiert werden und sich so gegenseitig optimieren.
-
Die Analysevorrichtung 10 verwendet Generative Adversarial Networks (GANs), um Benutzerdaten künstlich zu erzeugen, welche von realen oder echten Benutzerdaten nicht unterscheidbar sind. Die Menge der Trainingsdaten (Benutzerdaten 21 für das Training eines weiteren neuronalen Netzwerks für eine personalisierbare oder intelligente Fahrzeugfunktion) kann damit angereichert werden, ohne hohe Kosten durch die Datenerhebung zu erzeugen und ohne rechtliche Restriktionen (Datenschutz) zu verletzten.
-
Prinzipiell könnte man das Verfahren mit einer Simulation vergleichen, nur dass man die Benutzerdaten nicht simuliert, sondern künstlich generiert. Die Regeln für die Generierung werden gelernt oder antrainiert, und nicht manuell definiert. Hierfür werden die GANs in der beschriebenen Weise verwendet.
-
GANs werden aktuell vor allem darauf angewandt, Bilder künstlich zu erzeugen, welche von realen Bildern nicht unterscheidbar sind. Hierzu kann z.B. auf die Erläuterung auf der Internetseite http://blog.aylien.com/introductiongenerative-adversarial-networks-code-tensorflow/ zurückgegriffen werden. Das gleiche Prinzip lässt sich allerdings auch auf beliebige andere Daten anwenden, wie z.B. Benutzerdaten.
-
Für zeitlich abhängige Benutzerdaten können GAN-Variationen verwendet werden, welche mit rekurrenten Netzwerken arbeiten. Dies ist z.B. auf der Grundlage der Publikation von (Cristóbal Esteban, Stephanie L. Hyland, Gunnar Rätsch, „Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs“, https://arxiv.org/abs/1706.02633 möglich. Mit diesem Verfahren lassen sich künstliche zeitliche Signale generieren.
-
Bei der Analysevorrichtung 10 sieht die GAN-Architektur ähnlich aus. Als Sample S werden Zeitreihen der von einer echten Fahrt dokumentierten Signale verwendet.
-
Der Generator bekommt zur Erzeugung der künstlichen Benutzerdaten 21 als Input einen Seed 26 sowie unterschiedliche Benutzungsbedingungen vorgegeben. Diese können z.B. eine jeweilige Angabe zu Uhrzeit, Tag/Nacht, Geschlecht des Fahrers, Weg zur Arbeit oder private Fahrt sein. Die Ausgabe des Generatornetzwerks ist zu jedem Zeitschritt ein generierter Wert für jedes Signal. Bevorzugt hierbei ist, dass die Ausgabe des Generatornetzwerkes exakt die gleiche Datenstruktur aufweist wie die echten Benutzerdaten 12. Die einzelnen Ausgaben der Zeitschritte werden zu einer Zeitreihe zusammengefügt.
-
Der Diskriminator 23 bekommt jeweils Zeitreihen einer definierten Länge entweder aus den echten Benutzerdaten 12 oder aus den möglichen künstlichen Benutzerdaten 21' zugespielt. Zusätzlich zu der Entscheidung, ob das aktuelle Sample generiert oder echt ist, erhält der Diskriminator bevorzugt eine weitere Loss-Funktion 28, welche den Fehler des Generatornetzwerkes 24 erhöht, wenn sich die generierten möglichen künstlichen Benutzerdaten 21 zu stark an die echten Benutzerdaten 12 annähern. Dies verhindert das „kopieren“ der echten Benutzerdaten 12 im Generatornetzwerk 24.
-
Über die Trainingszeit wird der Generator 24 immer besser und fängt an, Zeitsignale oder Zeitreihen zu generieren, die von den echten Benutzerdaten 12 durch das Diskriminatornetzwerk nicht mehr unterscheidbar sind. Diese können im Anschluss als die zu ermittelnden Benutzerdaten 21 für die Entwicklung personalisierter Funktionen 19 verwendet werden.
-
Insgesamt zeigen die Beispiele, wie durch die Erfindung mittels GANs (Generative Adversarial Netzworks) personalisierte Benutzerdaten erzeugt werden können.
