DE102018207565A1 - System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen - Google Patents
System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen Download PDFInfo
- Publication number
- DE102018207565A1 DE102018207565A1 DE102018207565.4A DE102018207565A DE102018207565A1 DE 102018207565 A1 DE102018207565 A1 DE 102018207565A1 DE 102018207565 A DE102018207565 A DE 102018207565A DE 102018207565 A1 DE102018207565 A1 DE 102018207565A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- record
- motor vehicles
- tests
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/263—Generation of test inputs, e.g. test vectors, patterns or sequences ; with adaptation of the tested hardware for testability with external testers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
Die Erfindung betrifft ein System (2) zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen, wobei das System (2) dazu ausgebildet ist, einen Modell-Datensatz (MD) repräsentativ für ein Modell einer Komponente des Kraftfahrzeugs einzulesen, den Modell-Datensatz (MD) zu klassifizieren, und einen Test-Datensatz (TS) sowie einen zum Test-Datensatz (TS) korrespondierenden Ausgangs-Datensatz (AD) unter Verwendung des Modell-Datensatzes (MD) für Test weiterer Komponenten zu bestimmen.
Description
- Die Erfindung betrifft ein System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen.
- Selbstfahrende Kraftfahrzeuge (manchmal auch autonome Landfahrzeuge genannt) sind Kraftfahrzeuge, die ohne Einflussnahme eines menschlichen Fahrers fahren, steuern und einparken können (hochautomatisiertes Fahren bzw. autonomes Fahren). Im Falle, dass keinerlei manuelles Steuern seitens eines Fahrers nötig ist, wird auch der Begriff Roboterauto verwendet. Der Fahrersitz kann unbesetzt bleiben; eventuell sind kein Lenkrad, Brems- und Gaspedal vorhanden.
- Selbstfahrende Kraftfahrzeuge können mit Hilfe verschiedener Sensoren ihre Umgebung erfassen und aus den gewonnenen Informationen ihre Position und die anderer Verkehrsteilnehmer bestimmen, in Zusammenarbeit mit einer Navigationssoftware ein Fahrziel ansteuern und Kollisionen auf dem Weg dahin vermeiden.
- Aufgrund der zunehmenden Anzahl von Hardware- und Software-Komponenten in selbstfahrenden Kraftfahrzeugen steigt die Anzahl von erforderlichen Tests insbesondere vor der Freigabe von Prototypen.
- Es besteht also Bedarf daran, Wege aufzuzeigen, wie der Aufwand zur Durchführung derartiger Tests reduziert werden kann.
- Die Aufgabe der Erfindung wird gelöst durch ein System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen, wobei das System dazu ausgebildet ist, einen Modell-Datensatz repräsentativ für ein Modell einer Komponente des Kraftfahrzeugs einzulesen, den Modell-Datensatz zu klassifizieren, und einen Test-Datensatz sowie einen zum Test-Datensatz korrespondierenden Ausgangs-Datensatz unter Verwendung des Modell-Datensatzes für Test weiterer Komponenten zu bestimmen.
- Bei den XiL-Tests kann es sich um MiL (Model-in-the-Loop), SiL (Software-in-the-Loop), PiL-Tests (Processor-in-the-Loop und/oder HiL (Hardware-in-the-Loop) handeln. MiL umfasst dabei den Aufbau von Modellen für eine Regelstrecke und ein ECU zur Verhaltenssimulation, SiL das Erstellen von Modellen in der Zielsprache des ECUs zum automatisierten Testen im Softwareentwicklungen, PiL das Testen von Prozessoren, und HiL bezeichnet ein Verfahren, bei dem ein eingebettetes System (z.B. reales elektronisches ECU oder reale mechatronische Komponente, die Hardware) über seine Ein- und Ausgänge an ein angepasstes Gegenstück angeschlossen wird.
- Im Betrieb liest das System eine Mehrzahl von Modellen von Komponenten des Kraftfahrzeugs ein, die von verschiedenen Nutzern zum Durchführen von XiL-Test erstellt wurden. Das System analysiert in einem ersten Schritt diese Modelle und klassifiziert sie entsprechend ihrer Eigenschaften, z.B. nach ihrem dynamischen Übertragungsverhalten. In einem weiteren Schritt bestimmt das System Test-Datensätze für jedes Modell sowie zum jeweiligen Test-Datensatz korrespondierenden Ausgangs-Datensätze unter Verwendung des jeweiligen Modells. Somit stellt das System Test-Datensätze und Ausgangs-Datensätze bereit, die für weitere Tests verwendet werden können, indem bei weiteren Tests das zu testende System eingangsseitig mit dem jeweiligen Test-Datensatz beaufschlagt wird und die ausgangsseitigen Größen mit dem dazu korrespondierenden Ausgangs-Datensatz verglichen werden.
- So kann der Aufwand zur Durchführung derartiger Tests reduziert werden.
- Gemäß einer Ausführungsform ist das System selbstlernend ausgebildet. Mit anderen Worten, dass System ist zum maschinellen Lernen ausgebildet. D.h., das System erkennt Muster und Gesetzmäßigkeiten in den Modell-Datensätzen. So kann das System auch unbekannte Modell-Datensätze beurteilen. Hierzu können überwachte oder unüberwachte Lernalgorithmen verwendet werden.
- Gemäß einer weiteren Ausführungsform weist das System ein künstliches neuronales Netz auf. Ein derartiges künstliches neuronales Netz besteht aus einer Mehrzahl untereinander über Kommunikationskanäle verknüpfter Verarbeitungseinheiten, den künstlichen Neuronen. In Betrieb werden Eingangsgrößen innerhalb des künstlichen neuronalen Netzes von den Neuronen i.d.R. über nicht lineare Funktionen verarbeitet und das Ergebnis über die Kommunikationskanäle an andere künstliche Neuronen weitergeleitet. Die Ausgabegrößen stellen das Ergebnis der Verarbeitungsprozesse dar. Künstliche neuronale Netze erlauben eine hochparallele Datenverarbeitung. Dadurch können sehr komplexe, auch nicht lineare Abhängigkeiten in den Eingabegrößen abgebildet werden.
- Gemäß einer weiteren Ausführungsform ist das künstliche neuronale Netz ein mehrschichtiges neuronales Netz. Dabei kann es sich um ein mehrschichtiges künstliches neuronales Netz ohne Rückkopplung (feedforward) mit einer Eingabeschicht, einer oder mehreren Zwischenschichten und einer Ausgabeschicht handeln, die jeweils eine Mehrzahl künstlicher Neuronen aufweisen können. Jedem künstlichen Neuron sind Koeffizienten zugeordnet, die dessen Aktivität oder Verhalten bei Vorliegen von Eingangswerten definieren, wie z.B. die Koeffizienten einer Aktivierungsfunktion. Zum Bestimmen der jeweiligen Werte der Koeffizienten können im Rahmen einer Lern- bzw. Trainingsphase z.B. Deep Learning-Algorithmen Verwendung finden. Abweichend hiervon können auch andere künstliche neuronale Netze eingesetzt werden, wie z.B. künstliche neuronale Netze mit Rückkopplung und/oder einschichtige künstliche neuronale Netze.
- Gemäß einer weiteren Ausführungsform ist das künstliche neuronale Netz ein Convolutional Neural Network. Das Convolutional Neural Networks weist einen oder mehrere Convolutional Layer, gefolgt von einem Pooling Layer auf.
- Diese Einheit kann sich prinzipiell beliebig oft wiederholen, bei ausreichenden Wiederholungen spricht man dann von Deep Convolutional Neural Networks, die in den Bereich Deep Learning fallen. Durch den Pooling Layer, der überflüssige Daten verwirft, wird eine erhöhte Berechnungsgeschwindigkeit erreicht, es können tiefere Netzwerke erzeugt werden, die komplexere Aufgaben lösen, es erfolgt eine automatische Größenanpassung der rezeptiven Felder in tieferen Convolutional Layers ohne dass dafür explizit die Größe der Faltungsmatrizen erhöht werden müsste, und sie stellen eine Präventionsmaßnahme gegen Overfitting bereit.
- Gemäß einer weiteren Ausführungsform beruht der Test-Datensatz und der dazu korrespondierenden Ausgangs-Datensatz auf Messungen an einer realen Vorrichtung. So können auch reale Messdaten Verwendung finden und so die Genauigkeit der Vorhersagen steigern.
- Ferner gehört zur Erfindung ein Computerprogrammprodukt für ein derartiges System.
- Es wird nun die Erfindung anhand einer Zeichnung erläutert. Es zeigen:
-
1 in schematischer Darstellung ein System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen. -
2 in schematischer Darstellung weitere Details des in1 dargestellten Systems. - Es wird zunächst auf
1 Bezug genommen. - Das System
2 ist zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen, ausgebildet. - Das Kraftfahrzeug ist im vorliegenden Ausführungsbeispiel ein PKW. Ferner ist das Kraftfahrzeug im vorliegenden Ausführungsbeispiel als selbstfahrendes Kraftfahrzeug ausgebildet, dass ohne Einflussnahme eines menschlichen Fahrers fahren, steuern und einparken kann. Hierzu weist das reale Kraftfahrzeug verschiedene Sensoren zur Umgebungserfassung auf und kann aus den gewonnenen Informationen seine Position und die anderer Verkehrsteilnehmer bestimmen, in Zusammenarbeit mit einer Navigationssoftware ein Fahrziel ansteuern und Kollisionen auf dem Weg dorthin vermeiden.
- Das System
2 weist im vorliegenden Ausführungsbeispiel ein künstliches neuronales Netz4 und eine Datenbank6 auf. - Das System
2 wird von einem Hochleistungsrechner eines Rechenzentrums gehostet. - Das künstliche neuronale Netz
4 ist im vorliegenden Ausführungsbeispiel ein mehrschichtiges neuronales Netz ohne Rückkopplung (feedforward) mit einer Eingabeschicht, einer oder mehreren Zwischenschichten und einer Ausgabeschicht, die jeweils eine Mehrzahl künstlicher Neuronen aufweisen. Jedem künstlichen Neuron sind Koeffizienten zugeordnet, die dessen Aktivität oder Verhalten bei Vorliegen von Eingangswerten definieren, wie z.B. die Koeffizienten einer Aktivierungsfunktion. Zum Bestimmen der jeweiligen Werte der Koeffizienten können im Rahmen einer Lern- bzw. Trainingsphase z.B. Deep Learning-Algorithmen Verwendung finden. Somit ist das System2 selbstlernend ausgebildet. - Im vorliegenden Ausführungsbeispiel ist das künstliche neuronale Netz
4 ein Convolutional Neural Network (CNN). Das Convolutional Neural Networks weist einen oder mehrere Convolutional Layer, gefolgt von einem Pooling Layer auf. Diese Einheit kann sich prinzipiell beliebig oft wiederholen, bei ausreichenden Wiederholungen spricht man dann von Deep Convolutional Neural Networks, die in den Bereich Deep Learning fallen. - Die Datenbank
6 dient der Archivierung von Daten in Form von Datensätzen, wie dies später noch detailliert erläutert wird. - Das System
2 mit dem künstlichen neuronalen Netz4 und der Datenbank6 kann für seine Aufgaben und Funktionen Hard- und/oder Software-Komponenten aufweisen. - Das System
2 ist dazu ausgebildet, in einem ersten Schritt z.B. über Internetverbindungen Modell-DatensätzeMD einzulesen, die von verschiedenen Nutzern an verschiedenen Orten für verschiedene XiL-Tests 8 erstellt wurden. - Bei den XiL-Tests 8 im vorliegenden Ausführungsbeispiel handelt es sich um HiL-Tests. Abweichend vom vorliegenden Ausführungsbeispiel kann es sich aber auch um MiL-Tests (Model-in-the-Loop), SiL-Tests (Software-in-the-Loop) und/oder PiL-Tests (Processor-in-the-Loop handeln.
- Die Modell-Datensätze
MD umfassen im vorliegenden Ausführungsbeispiel jeweils ein Hardware-ModellHM und ein Software-ModellSM . Die Modell-DatensätzeMD beschreiben z.B. das dynamische Verhalten einer oder mehrere Komponenten des Kraftfahrzeugs. - Das System
2 klassifiziert in einem weiteren Schritt die Modell-DatensätzeMD , z.B. nach ihrem dynamischen Übertragungsverhalten, wie dies später noch detailliert erläutert wird. - Ferner erstellt das System
2 einen Test-DatensatzTS sowie einem zum Test-DatensatzTS korrespondierenden Ausgangs-DatensatzAD unter Verwendung des jeweiligen Modell-DatensatzesMD . - Der Test-Datensatz
TS und der jeweilige korrespondierende Ausgangs-DatensatzAD werden dann in der Datenbank6 archiviert. - Um einen weiteren XiL-Test
8 durchzuführen werden vom System2 dann der jeweilige Test-DatensatzTS und der jeweilige korrespondierende Ausgangs-DatensatzAD zu dem XiL-Test8 übertragen. - Eingangsseitig wird der weitere XiL-Test
8 mit dem jeweiligen Test-DatensatzTS beaufschlagt und die ausgangsseitigen Größen werden mit dem dazu korrespondieren Ausgangs-DatensatzAD verglichen. So kann der weitere XiL-Test8 besonders einfach durchgeführt werden. - Es wird nun unter zusätzliche Bezugnahme auf
2 der Betrieb des Systems2 erläutert. - Ein erster Nutzer
N1 erstellt ein erstes ModellM1 eines Federmechanismus. Das erste ModellM1 enthält eine einzige Feder und eine Krafteingabe. Der erste NutzerN1 testet das erste ModellM1 und speichert die Ergebnisse ab. - Das System
2 liest den Modell-DatensatzMD für das erste ModellM1 ein, klassifiziert den Modell-DatensatzMD und beaufschlagt das erste ModellM1 eingangsseitig mit z.B. hunderten Werten für eine Federkonstante k der Feder und verschiedenen Werten für die Kräfte und speichert die Ergebnisse in der Datenbank6 ab. Das System2 erstellt dann mit Hilfe des künstlichen neuronalen Netzes4 einen Test-DatensatzTS . - Ferner erstellt ein zweiter Nutzer
N2 ein zweites ModellM2 eines weiteren Federmechanismus. Das zweite ModellM2 enthält zwei und drei Federn. Der zweite NutzerN2 testet das zweite ModellM2 und speichert die Ergebnisse ab. - Des Weiteren liest das System
2 den Modell-DatensatzMD für das zweites ModellM2 ein, klassifiziert den Modell-DatensatzMD und beaufschlagt das zweite ModellM2 eingangsseitig mit z.B. hunderten Werten für die jeweiligen Federkonstanten k der jeweiligen Feder und speichert die Ergebnisse in der Datenbank6 ab. - Das System
2 erstellt dann mit Hilfe des künstlichen neuronalen Netzes4 einen Test-DatensatzTS . - Ein dritter Nutzer
N3 erstellt ein drittes ModellM3 eines Federmechanismus. Das dritte ModellM3 enthält vier und eine einzige Feder. Der dritte NutzerN3 testet das dritte ModellM3 und speichert die Ergebnisse ab. - Das System
2 liest den Modell-DatensatzMD für das dritte ModellM3 ein, klassifiziert den Modell-DatensatzMD und beaufschlagt das dritte ModellM3 eingangsseitig mit z.B. hunderten Werten für die jeweiligen Federkonstanten k der jeweiligen Feder und speichert die Ergebnisse in der Datenbank6 ab. Das System2 erstellt dann mit Hilfe des künstlichen neuronalen Netzes4 einen Test-DatensatzTS . - Das System
2 ist dazu ausgebildet, aus den Modell-DatensätzenMD Modelle für ein anderes ModellMX mit einer anderen Anzahl von Federn zu bestimmen. Mit anderen Worten, dass System2 stellt für das andere ModellMX einen weiteren Test-DatensatzTS und dazu korrespondierende Ausgangs-DatensätzeAD bereit. - Es wird dann das andere Model
MX eingangsseitig mit dem weiteren Test-DatensatzTS beaufschlagt und der vom anderen ModellMX gelieferte Ausgangs-DatensatzAD' bestimmt, der dann mit dem korrespondierenden Ausgangs-DatensatzAD verglichen werden kann. - Es kann auch vorgesehen sein, den Test-Datensatz (
TS ) und den dazu korrespondierenden Ausgangs-Datensatz (AD ) durch Messungen an realen Vorrichtungen zu bestimmen. Im vorliegenden Ausführungsbeispiel wären dies Messungen an einer realen Feder oder Federbaugruppe, deren Verhalten z.B. von dem ModellM1 beschrieben wird. - Die Genauigkeit bzw. Güte des anderen Modells kann gesteigert werden, in dem die Anzahl der Modell-Datensätze
MD erhöht wird. - So kann mit dem System
2 der Aufwand zur Durchführung derartiger Tests reduziert werden. - Bezugszeichenliste
-
- 2
- System
- 4
- künstliches neuronales Netz
- 6
- Datenbank
- 8
- XiL-Test
- AD
- Ausgangs-Datensatz
- AD'
- Ausgangs-Datensatz
- HM
- Hardware-Modell
- MD
- Modell-Datensatz
- M1
- Modell
- M2
- Modell
- M3
- Modell
- MX
- Model
- N1
- Nutzer
- N2
- Nutzer
- N3
- Nutzer
- SM
- Software-Modell
- TS
- Test-Datensatz
Claims (7)
- System (2) zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen, wobei das System (2) dazu ausgebildet ist, einen Modell-Datensatz (MD) repräsentativ für ein Modell einer Komponente des Kraftfahrzeugs einzulesen, den Modell-Datensatz (MD) zu klassifizieren, und einen Test-Datensatz (TS) sowie einen zum Test-Datensatz (TS) korrespondierenden Ausgangs-Datensatz (AD) unter Verwendung des Modell-Datensatzes (MD) für Tests weiterer Komponenten zu bestimmen
- System (2) nach
Anspruch 1 , wobei das System (2) selbstlernend ausgebildet ist. - System (2) nach
Anspruch 2 , wobei das System (2) ein künstliches neuronales Netz aufweist. - System (2) nach
Anspruch 3 , wobei das künstliche neuronale Netz ein mehrschichtiges neuronales Netz ist. - System (2) nach
Anspruch 4 , wobei das künstliche neuronale Netz ein Convolutional Neural Network ist. - System (2) nach einem der
Ansprüche 1 bis5 , wobei der Test-Datensatz (TS) und der dazu korrespondierenden Ausgangs-Datensatz (AD) auf Messungen an einer realen Vorrichtung beruht. - Computerprogrammprodukt für ein System (2) nach einem der
Ansprüche 1 bis6 .
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018207565.4A DE102018207565A1 (de) | 2018-05-16 | 2018-05-16 | System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen |
EP18173327.0A EP3570120A1 (de) | 2018-05-16 | 2018-05-18 | System zum durchführen von xil-tests von komponenten von kraftfahrzeugen |
CN201910392101.0A CN110501991A (zh) | 2018-05-16 | 2019-05-13 | 用于对机动车辆,特别是自动驾驶机动车辆的部件进行XiL测试的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018207565.4A DE102018207565A1 (de) | 2018-05-16 | 2018-05-16 | System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018207565A1 true DE102018207565A1 (de) | 2019-11-21 |
Family
ID=62222408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018207565.4A Pending DE102018207565A1 (de) | 2018-05-16 | 2018-05-16 | System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3570120A1 (de) |
CN (1) | CN110501991A (de) |
DE (1) | DE102018207565A1 (de) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020212505A1 (de) | 2020-10-02 | 2022-04-07 | Ford Global Technologies, Llc | Erzeugen eines vereinfachten Modells für XiL-Systeme |
DE102020214922A1 (de) | 2020-11-27 | 2022-06-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Testen einer Anwendung für Fahrzeuge |
DE102022112221A1 (de) | 2022-05-16 | 2023-11-16 | Cariad Se | Verfahren zum Installieren eines mittels einer Trainingsplattform trainierten Modells des Maschinellen Lernens in eine Prozessorschaltung eines Kraftfahrzeugs sowie computerlesbares Speichermedium, Testplattform und Kraftfahrzeug |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111766848B (zh) * | 2020-06-29 | 2021-09-10 | 北京广利核系统工程有限公司 | 仪控系统中子系统的拒动率验证方法和装置 |
-
2018
- 2018-05-16 DE DE102018207565.4A patent/DE102018207565A1/de active Pending
- 2018-05-18 EP EP18173327.0A patent/EP3570120A1/de not_active Withdrawn
-
2019
- 2019-05-13 CN CN201910392101.0A patent/CN110501991A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020212505A1 (de) | 2020-10-02 | 2022-04-07 | Ford Global Technologies, Llc | Erzeugen eines vereinfachten Modells für XiL-Systeme |
DE102020214922A1 (de) | 2020-11-27 | 2022-06-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Testen einer Anwendung für Fahrzeuge |
US11853747B2 (en) | 2020-11-27 | 2023-12-26 | Robert Bosch Gmbh | Method for testing an application for vehicles |
DE102022112221A1 (de) | 2022-05-16 | 2023-11-16 | Cariad Se | Verfahren zum Installieren eines mittels einer Trainingsplattform trainierten Modells des Maschinellen Lernens in eine Prozessorschaltung eines Kraftfahrzeugs sowie computerlesbares Speichermedium, Testplattform und Kraftfahrzeug |
Also Published As
Publication number | Publication date |
---|---|
CN110501991A (zh) | 2019-11-26 |
EP3570120A1 (de) | 2019-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018207565A1 (de) | System zum Durchführen von XiL-Tests von Komponenten von Kraftfahrzeugen, insbesondere von selbstfahrenden Kraftfahrzeugen | |
AT523834B1 (de) | Verfahren und System zum Testen eines Fahrerassistenzsystems | |
DE102019124018A1 (de) | Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme | |
EP3899682A1 (de) | Überwachung von auf neuronalen netzwerken basierten fahrfunktionen | |
DE102019203712A1 (de) | Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System | |
EP3179372A1 (de) | Verfahren und vorrichtung zum testen einer mehrzahl von steuereinheiten einer technischen einheit | |
DE102020120141A1 (de) | Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme mittels probabilistisch prädizierter Systemantworten | |
DE102017103385A1 (de) | Verfahren zum Auswerten von Körperschall an einer Maschine und Vorrichtung zur Durchführung eines derartigen Verfahrens | |
WO2020216621A1 (de) | Training trainierbarer module mit lern-daten, deren labels verrauscht sind | |
DE102019218349A1 (de) | Verfahren zum Klassifizieren von zumindest einem Ultraschallecho aus Echosignalen | |
DE102018125712A1 (de) | Fahrunterstützungsverfahrens für ein Fahrzeug | |
DE102020212505A1 (de) | Erzeugen eines vereinfachten Modells für XiL-Systeme | |
WO2021089499A1 (de) | Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning | |
DE102020201742A1 (de) | Selektieren von sensorumgebungsbezogenen Trainingsdaten | |
DE102020213830A1 (de) | Verfahren und System zur Bereitstellung einer Diagnoseinformation | |
DE102019213818A1 (de) | Detektieren von akustischen Betriebsmitteln eines Bahnübergangs | |
DE102019124257A1 (de) | Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug und Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges | |
DE102019128223A1 (de) | Verfahren, Vorrichtungen und Computerprogramme | |
DE102019212830A1 (de) | Analyse und Validierung eines neuronalen Netzes für ein Fahrzeug | |
DE102022200060A1 (de) | Bestimmung der Relevanz von Bildanteilen für das Ergebnis einer Verarbeitung des Bildes durch ein Transformer-Netzwerk | |
DE102020132042A1 (de) | Verfahren, System, Testsystem und Computerprogrammprodukt zur prädiktiven Bestimmung von Testergebnissen für ein technisches Testobjekt | |
DE102022106764A1 (de) | Verfahren zur Zustandskontrolle einer Komponente in einer Komponentenumgebung | |
WO2023275401A1 (de) | Simulation von verkehrsteilnehmern mit emotionen | |
DE102020209900A1 (de) | Verfahren und Analysiereinrichtung zum Verarbeiten von Umfeldsensordaten | |
DE102021200215A1 (de) | Ermitteln einer Konfidenz eines künstlichen neuronalen Netzwerks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R082 | Change of representative |
Representative=s name: DOERFLER, THOMAS, DR.-ING., DE |
|
R082 | Change of representative |
Representative=s name: MARKOWITZ, MARKUS, DR.-ING., DE |