-
Die vorliegende Erfindung betrifft ein Verfahren zum Erweitern einer Datenbasis eines Bayesschen Netzes mit den Merkmalen nach Anspruch 1, eine Steuereinrichtung mit den Merkmalen nach Anspruch 4, ein Computerprogrammprodukt mit den Merkmalen nach Anspruch 5 und ein Computerlesbares Medium mit den Merkmalen nach Anspruch 6.
-
Bayessche Netze (BN) können zur Fusion mehrerer Sensoren in einem Fahrzeug dienen. Diese haben das Ziel, die Schätzung einer ggfs. nicht direkt messbaren und z.B. fahrdynamisch relevanten Zielgröße zu verbessern. Die dabei zum Einsatz kommenden Likelihood-Tabellen, welche die Unsicherheit des jeweiligen Sensors quantifizieren, werden üblicherweise einmal aus einer vorgegebenen Menge von Messdaten/Trainingsdaten ermittelt („Parameter-Lernen“). Diese sind daher statisch, d. h. das Bayessche Netz ist bezüglich der zugrundeliegenden Datenbasis nicht adaptiv und kann gegebenenfalls verfügbare neue Messdaten nicht für eine automatische Anpassung der Likelihood-Tabellen verwenden. Es ist auch keine Regel verfügbar, nach der entschieden werden kann, ob verfügbare neue Messdatenpunkte in die bestehende Datenbasis einfließen sollen.
-
Aus
DE102016209984 A1 ist ein Verfahren zur Schätzung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs bekannt. Diese Schätzung erfolgt mittels Likelihood-Wahrscheinlichkeitsverteilungen und eines Bayesschen Netzes. Dem Bayesschen Netz werden bedingte Wahrscheinlichkeiten zugewiesen, die aus Erfahrungs- beziehungsweise Trainingsdaten und/oder Expertenwissen gewonnen werden können. In einem Korrekturschritt wird mit Hilfe einer A-Priori- Wahrscheinlichkeitsverteilung und einer Likelihood- Wahrscheinlichkeitsverteilungen eine jeweilige A-Posteriori- Wahrscheinlichkeitsverteilung für den max. Reibwert ermittelt und bewertet. Die Ermittlung der A-Posteriori- Wahrscheinlichkeitsverteilung umfasst demnach die Bestimmung einer A-Priori- sowie einer Likelihood-Verteilung aus gemessenen Daten und/oder Expertenwissen.
-
Der vorliegenden Erfindung liegt ausgehend vom Stand der Technik die Aufgabe zu Grunde, ein verbessertes Verfahren vorzuschlagen, bei welchem ein Bayessches Netzt während eines Fahrbetriebs trainiert werden kann, indem dessen Datenbasis erweitert wird.
-
Die vorliegende Erfindung schlägt ausgehend von der vorgenannten Aufgabe ein Verfahren zum Erweitern einer Datenbasis eines Bayesschen Netzes nach Anspruch 1, eine Steuereinrichtung nach Anspruch 4, ein Computerprogrammprodukt nach Anspruch 5 und ein Computerlesbares Medium nach Anspruch 6 vor. Weitere vorteilhafte Ausgestaltungen und Weiterbildungen gehen aus den Unteransprüchen hervor.
-
Bei einem Verfahren zum Erweitern einer Datenbasis eines Bayesschen Netzes für mehrere Sensoren eines Fahrzeugs, wird zuerst das Bayessche Netz mittels einer statischen Likelihood-Tabelle für jeden Sensor in Betrieb genommen. Während einer Fahrt des Fahrzeugs werden aktuelle Werte der Sensoren in Abhängigkeit von einer Fahrsituation ermittelt. Mittels dieser aktuellen Werte der Sensoren werden variable Likelihood-Tabellen bestimmt. Die Datenbasis wird um wenigstens einen der aktuellen Werte in Abhängigkeit von einer Entropie an wenigstens einem Knoten des Bayesschen Netzes erweitert. Das Fahrzeug ist beispielsweise ein Landfahrzeug, z. B. PKW oder NKW, kann aber auch ein Wasserfahrzeug oder ein Flugzeug sein.
-
Das Fahrzeug weist mehrere Sensoren auf, die beispielsweise dazu eingerichtet sind, eine Umgebung des Fahrzeugs zu überwachen, oder Daten bezüglich eines Fahrzeug-Zustands des Fahrzeugs zu ermitteln. Beispielsweise können diese Sensoren Beschleunigungssensoren, Geschwindigkeitssensoren, Neigungssensoren, bildgebende Sensoren (Radar, Lidar, Kamera, Infrarot, etc.), oder andere geeignete Sensoren sein, die das Fahrzeug aufweist. Diese Sensoren können von wenigstens einem Fahrerassistenzsystem genutzt werden, um diesem Informationen in Abhängigkeit von der Fahrsituation zu liefern, so dass das Fahrerassistenzsystem auf Ereignisse z. B. autonom reagieren kann.
-
Für jeden Sensor liegt eine statische Likelihood-Tabelle vor, welche mittels einer initialen Datenbasis (Trainingsdaten) erstellt worden ist. Dies wird als initiales Parameter-Lernen bezeichnet. Die initiale Datenbasis deckt dabei die Datenpunkte 1 bis n ab, d. h. bereits bekannte Datenpunkte. Diese Trainingsdaten sind also vordefiniert und abhängig von Hardware und Software des Fahrzeugs. Diese Trainingsdaten berücksichtigen keine Produktionstoleranzen oder Kalibrierungstoleranzen für die einzelnen Sensoren. Weiterhin können die statischen Likelihood-Tabellen in der Regel nicht alle relevanten Sensorfusions-Möglichkeiten abdecken, da dies einen hohen Messaufwand zum Erstellen der statischen Likelihood-Tabellen erfordert. Die statischen Likelihood-Tabellen und die darin hinterlegte initiale Datenbasis dienen somit lediglich dazu, das Bayessche Netz in Betrieb zu nehmen. Das In-Betrieb-Nehmen kann beispielsweise bereits vor Beginn einer Fahrt des Fahrzeugs erfolgen.
-
Während der Fahrt des Fahrzeugs werden anschließend aktuelle Werte der Sensoren in Abhängigkeit von einer aktuell vorliegenden Fahrsituation ermittelt. Diese aktuellen Werte sind Messdaten, die von den Sensoren ermittelt werden und die mit der Fahrsituation zusammenhängen. Beispielsweise betreffen die aktuellen Werte eine Umgebung des Fahrzeugs, beispielsweise einen Abstand des Fahrzeugs zu einem Hindernis, Fahrbahn-Beschaffenheit, Luftfeuchtigkeit, Helligkeit o. ä., oder einen Fahrzeug-Zustand, beispielsweise eine Beschleunigung, Geschwindigkeit, Lenkwinkel oder andere geeignete Messdaten, die den Fahrzeug-Zustand betreffen. Die aktuell vorliegende Fahrsituation ist dabei diejenige Situation, die während des Fahrbetriebs des Fahrzeugs vorliegt. Das heißt, die aktuellen Werte werden während der Fahrt des Fahrzeugs entlang einer Strecke ermittelt. Die aktuellen Werte sind spezifisch für das Fahrzeug. Die aktuellen Werte können daher vorzugsweise verschieden von den initialen Trainingsdaten sein.
-
Die aktuellen Werte werden genutzt, um eine variable Likelihood-Tabelle für jeden Sensor zu erstellen. Dies wird als iteratives Parameter-Lernen bezeichnet. Jede variable Likelihood-Tabelle deckt dabei wenigstens einen Datenpunkt ab dem Datenpunkt n+1 ab. Diese sind verschieden von den Datenpunkten der initialen Datenbasis der statischen Likelihood-Tabellen. Jede variable Likelihood-Tabelle ist spezifisch für die Sensoren, die das Fahrzeug aufweist, also für das Fahrzeug selbst.
-
Die Datenbasis, auf die das Bayessche Netz für seine Auswertungen von aktuellen Werten der Sensoren zurückgreift, wird anschließend in Abhängigkeit von der Entropie an wenigstens einem Knoten des Bayesschen Netzes um wenigstens einen der aktuellen Werte erweitert. Die Entropie ist dabei die Unsicherheit, die an dem wenigstens einen Knoten auftritt. Die Entropie ist hierbei stets auf das Intervall [0,1] normiert. Im Falle eines diskreten Knotens (diskrete Zufallsvariable) entspricht [0] einer (diskreten) Wahrscheinlichkeitsverteilung, bei der alle Werte - außer einem - die Wahrscheinlichkeit 0 haben. Dies stellt ein sicheres Ereignis dar. [1] entspricht einer Wahrscheinlichkeitsverteilung, bei der alle möglichen diskreten Knoten-Werte N die Wahrscheinlichkeit 1/N haben. Dies stellt eine Gleichverteilung dar.
-
Jeder Knoten des Bayesschen Netzes ist dabei als eine Zufallsvariable zu sehen, welche das Sensorsignal eines Sensors oder auch eine nicht direkt messbare Variablen repräsentiert. Ein Sensorsignal ist als kontinuierlicher Output eines einzelnen Sensors anzusehen. Selbstverständlich kann die Entropie an mehr als einem Knoten beobachtet werden, um zu bestimmen, ob die Datenbasis um den wenigstens einen aktuellen Wert erweitert wird. Ebenso kann die Datenbasis um mehr als einen aktuellen Wert erweitert werden. Die genutzte Datenbasis ist somit eine Kombination aus der initialen Datenbasis und dem wenigstens einen aktuellen Wert. Das heißt, dass das Bayessche Netzt eine selbsterweiternde Datenbasis aufweist, welche während der Fahrt des Fahrzeugs ständig aktualisiert werden kann. Das Bayessche Netz nutzt somit eine Kombination der statischen Likelihood-Tabellen und der variablen Likelihood-Tabellen zur Auswertung ermittelter Messdaten von den Sensoren.
-
Die Datenbasis wird nur dann erweitert, wenn die Entropie an dem wenigstens einen Knoten des Bayesschen Netzes unterhalb eines Schwellenwerts liegt. Dieser Schwellenwert ist vorbestimmt und für jedes Bayessche Netz spezifisch. Der Schwellenwert wird dabei so gewählt, dass die Entropie gering ist. Nur wenn die Entropie an dem wenigstens einen Knoten oder an mehr als einem Knoten gering genug ist, wird die Datenbasis um den wenigstens einen aktuellen Wert erweitert. Der Schwellenwert ist beispielsweise bei einer Entropie im Intervall zwischen [0,3, 0,5] angeordnet. Vorzugsweise ist der Schwellenwert bei einer Entropie von 0,3 angeordnet. Eine Entropie unterhalb dieses Schwellenwerts ist daher als gering anzusehen. Liegt der Schwellenwert im eben genannten Intervall, wird die Datenbasis nur um diejenigen aktuellen Werte erweitert, welche zu einer geringen Unsicherheit an wenigstens einem Knoten des Bayesschen Netzes führen. Dadurch wird die Genauigkeit der Auswertungen durch das Bayessche Netz gesteigert.
-
Vorteilhaft daran ist, dass der Erstellungsaufwand der statischen Likelihood-Tabellen vor der Inbetriebnahme des Bayesschen Netzes und somit der gesamte Messaufwand reduziert werden kann. Weil die statischen Likelihood-Tabellen lediglich zur Inbetriebnahme des Bayesschen Netzes dienen, müssen diese weniger genau sein. Die Genauigkeit der Auswertungen mittels des Bayesschen Netzes wird während des Fahrbetriebs des Fahrzeugs gesteigert, da die variablen Likelihood-Tabellen kontinuierlich aktualisiert werden und die Datenbasis ständig erweitert wird. Das vorgestellte Verfahren erleichtert beispielsweise den Austausch von vorhandenen Sensoren mit neuen Sensoren (z. B. neue Generation, andere Hersteller, etc.), indem die variable Likelihood-Tabelle, welche die Charakteristika des neuen Sensors widerspiegelt, während der Fahrt erstellt werden kann. Damit können auch Produktionstoleranzen oder Kalibrierungstoleranzen von einzelnen Sensoren nach deren Einbau im Fahrzeug bis zu einem gewissen Maße kompensiert werden.
-
Eine Steuereinrichtung für ein Fahrzeug ist mit den mehreren Sensoren des Fahrzeugs verbindbar. Verbindbar heißt, dass die Steuereinrichtung mit den mehreren Sensoren des Fahrzeugs verbunden werden kann. Diese Verbindung ist derart ausgeformt, dass ein Daten- und Signalaustausch in beide Richtungen ermöglicht ist. Die Verbindung kann drahtlos oder kabelgebunden ausgebildet sein. Die Steuereinrichtung umfasst Mittel, die geeignet sind, die Schritte des Verfahrens auszuführen, das bereits in der vorherigen Beschreibung beschrieben wurde. Die Steuereinrichtung kann beispielsweise als ein ECU oder Domain-ECU ausgeformt sein. Vorzugsweise umfasst die Steuereinrichtung Computerprogrammcode zur Durchführung des Verfahrens. Die Steuereinrichtung ist beispielsweise Teil einer Fahrzeugsteuerung oder eine separate Steuereinrichtung.
-
Ein Computerprogrammprodukt umfasst Befehle, die bewirken, dass die Steuereinrichtung, die bereits in der vorherigen Beschreibung beschrieben wurde, die Verfahrensschritte des Verfahrens ausführt, das ebenfalls in der vorherigen Beschreibung beschrieben wurde.
-
Ein computerlesbares Medium umfasst ein Computerprogrammprodukt, das bereits in der vorherigen Beschreibung beschrieben wurde. Unter dem Begriff „computerlesbares Medium“ sind z. B. Festplatten und/oder Server und/oder Memorysticks und/oder Flash-Speicher und/oder DVDs und/oder Bluerays und/oder CDs und/oder ein herunterladbarer Datenstrom zu verstehen.
-
Anhand der im Folgenden erläuterten Figuren werden verschiedene Ausführungsbeispiele und Details der Erfindung näher beschrieben. Es zeigen:
- 1 eine schematische Darstellung eines Verfahrens zum Erweitern einer Datenbasis eines Bayesschen Netzes nach einem Ausführungsbeispiel,
- 2 eine schematische Darstellung eines Fahrzeugs nach einem Ausführungsbeispiel.
-
1 zeigt eine schematische Darstellung eines Verfahrens V zum Erweitern einer Datenbasis 1 eines Bayesschen Netzes 2 nach einem Ausführungsbeispiel. Um das Bayessche Netz 2 in Betrieb zu nehmen, liegt für jeden Sensor des Fahrzeugs eine statische Likelihood-Tabelle 5 vor. Diese wurden mittels einer initialen Datenbasis 110 erstellt. Diese initiale Datenbasis 110 umfasst die Datenpunkte (1 bis n) 101. Diese sind sog. initiale Trainingsdaten. Das Erstellen der statischen Likelihood-Tabellen 5 erfolgt mittels initialem Parameter-Lernens 103. Vor einer ersten Fahrt des Fahrzeugs liegen nur die statischen Likelihood-Tabellen 5 vor. Das Bayessche Netz 2 nutzt diese zur Auswertung der aktuellen Werte 6, d. h. der Messdaten der Sensoren.
-
Während des Fahrbetriebs des Fahrzeugs ermitteln die Sensoren ab der ersten Fahrt aktuelle Werte 6. Diese werden von dem Bayesschen Netz 2 ausgehend von der Datenbasis 1 ausgewertet. Bei der ersten Fahrt des Fahrzeugs liegt nur die initiale Datenbasis 110 vor. Damit können die aktuellen Werte 6 zunächst ausgewertet werden. Jeder Knoten des Bayesschen Netzes 2 ist mit einer Entropie behaftet. Die Entropie der einzelnen Knoten wird während des Fahrbetriebs des Fahrzeugs beobachtet 105. Dies kann kontinuierlich erfolgen. Die Entropie ist dabei normiert und bewegt sich im Intervall von [0,1].
-
Bei dieser Beobachtung 105 wird die Entropie an wenigstens einem Knoten oder an mehreren Koten des Bayesschen Netzes 2 mit einem Schwellenwert verglichen. Ist die Entropie gleich oder oberhalb eines Schwellenwerts 108, findet keine Erweiterung 106 der Datenbasis 1 statt. Ist die Entropie unterhalb eines Schwellenwerts 109, findet eine Erweiterung 107 der Datenbasis 1 statt. Der Schwellenwert ist dabei so gewählt, dass die Entropie gering ist. Der Schwellenwert liegt vorzugsweise bei 0,3.Die Datenbasis 1 wird sodann um den aktuellen Wert 6 erweitert.
-
Der aktuelle Wert bildet z. B. einen Datenpunkt (n+1) 102 ab. Selbstverständlich kann mehr als ein aktueller Wert 6 herangezogen werden, um die Datenbasis 1 zu erweitern. Sobald der aktuelle Wert 6 in der Datenbasis 1 vorhanden ist, wird mittels dieses aktuellen Wertes 6 eine variable Likelihood-Tabelle 7 für jeden Sensor gebildet. Dies wird als iteratives Parameter-Lernen 104 bezeichnet. Die variablen Likelihood-Tabellen 7 sind verschieden von den statischen Likelihood-Tabellen 5. Zudem werden die variablen Likelihood-Tabellen 7 kontinuierlich erweitert mittels neuer aktueller Werte 6, die während der Fahrt des Fahrzeugs mittels der Sensoren ermittelt werden. Daher ist dies in 1 strichliert dargestellt. In anderen Worten wird die Datenbasis 1 in Abhängigkeit von der vorliegenden Fahrsituation des Fahrzeugs kontinuierlich erweitert. Dem Bayesschen Netz 2 stehen somit stetig aktualisierte variable Likelihood-Tabellen 7 zur Verfügung.
-
Sobald für die Sensoren des Fahrzeugs sowohl statische Likelihood-Tabellen 5 als auch variable Likelihood-Tabellen 7 vorliegen, nutzt das Bayessche Netz 2 eine Kombination aus beiden Likelihood-Tabellen 5, 7 für die Auswertung der aktuellen Werte 6. Dadurch steigert sich die Genauigkeit der Auswertungen durch das Bayessche Netz 2. Das Bayessche Netz 2 kann somit an die in dem Fahrzeug vorhandenen Sensoren angepasst und auf diese spezifiziert werden, selbst wenn ein Austausch der Sensoren erforderlich war.
-
2 zeigt eine schematische Darstellung eines Fahrzeugs 4 nach einem Ausführungsbeispiel. Das Fahrzeug 4 weist mehrere Sensoren 3 auf, von welchen hier beispielhaft nur einer dargestellt ist. Zudem weist das Fahrzeug 4 eine Steuereinrichtung 8 auf. Diese ist mit den Sensoren 3 verbunden, so dass ein Daten- und Signalaustausch stattfinden kann.
-
Das Fahrzeug 4 bewegt sich entlang der Fahrbahn in Fahrtrichtung R. Dies ist mittels des Pfeils dargestellt. Während dieser Fahrt, d. h. während des Fahrbetriebs, werden von den Sensoren 3 aktuelle Werte ermittelt. Beispielsweise können sich diese aktuellen Werte auf die Umgebung des Fahrzeugs 4 beziehen, z. B. auf einen Abstand des Fahrzeugs 4 zu einem Hindernis, auf eine Luftfeuchte, eine Helligkeit der Umgebung, eine Temperatur, einen Fahrbahnzustand o. ä. Dies ist mittels der Bögen angedeutet. Alternativ oder zusätzlich dazu können sich die aktuellen Werte auf den Fahrzustand des Fahrzeugs 4 beziehen, beispielsweise auf eine Geschwindigkeit, eine Beschleunigung, eine Neigung, einen Lenkwinkel o. ä. des Fahrzeugs 4.
-
Die Steuereinrichtung 8 ist dabei so eingerichtet, dass diese Mittel umfasst, um das Verfahren V, das in 1 dargestellt ist, durchzuführen. Diese Mittel können z. B. Computerprogrammcode zur Durchführung des Verfahrens V umfassen.
-
Bezugszeichenliste
-
- 1
- Datenbasis
- 2
- Bayessches Netz
- 3
- Sensor
- 4
- Fahrzeug
- 5
- statische Likelihood-Tabellen
- 6
- aktuellen Werte
- 7
- variable Likelihood-Tabellen
- 8
- Steuereinrichtung
- 101
- Datenpunkt 1 bis Datenpunkt n
- 102
- Datenpunkt n+1
- 103
- initiales Parameter-Lernen
- 104
- iteratives Parameter-Lernen
- 105
- Beobachtung
- 106
- Keine Erweiterung
- 107
- Erweiterung
- 108
- Entropie gleich oder oberhalb eines Schwellenwerts
- 109
- Entropie unterhalb eines Schwellenwerts
- 110
- initiale Datenbasis
- V
- Verfahren
- R
- Fahrtrichtung
-
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
-
- DE 102016209984 A1 [0003]