-
Die Offenbarung betrifft Verfahren und Systeme zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen. Die Offenbarung betrifft insbesondere Verfahren und Systeme zur Bereitstellung von kontextbasierten proaktiven Diensteempfehlungen in Fahrzeugen, die einen höheren Personalisierungsgrad aufweisen und basierend auf einer genaueren Vorschlagslogik bereitgestellt werden.
-
Stand der Technik
-
Im Stand der Technik sind Verfahren und Systeme zur Erkennung bzw. Erfassung des physischen und/oder emotionalen Zustands eines Fahrzeugnutzers, insbesondere eines Fahrers des Fahrzeugs, bekannt. Überwiegend nutzen solche Verfahren und Systeme einen regelbasierten Ansatz, um den aktuellen Zustand des Nutzers mit Hilfe von Fahrzeugsensoren (z.B. Kamera, Mikrofon) und wahlweise Fahrzeugdaten (z.B. Lenkwinkel, Beschleunigung) zu erkennen. Sobald eine Erkennung erfolgt ist, werden dem Nutzer proaktiv zur Nutzung empfohlene Dienste (z.B. Regelung der Beleuchtung oder Klimaanlage) oder anderweitige Möglichkeiten (z.B. Einlegen einer Pause) zur Unterstützung aufgezeigt. Ein Beispiel dafür ist ein sogenannter Müdigkeitsassistent, welcher beispielsweise durch Eye-Tracking und/oder Lenkbewegungen über einen bestimmten Zeitraum erkennen kann, ob ein Fahrer Müdigkeitserscheinungen aufweist. Sollten solche Müdigkeitserscheinungen erfasst werden, wird dem Fahrer in der Instrumentenkombi und/oder in der zentralen Informationsanzeige (CID) ein Kaffeetassen-Symbol angezeigt, zur Empfehlung, möglichst bald eine Pause einzulegen.
-
Unabhängig von der Art der Datengewinnung liegt der Fokus bei im Stand der Technik bekannten auf der Erkennung von vordefinierten Fahrerprofilen bzw. -zuständen (z.B. normal, ermüdet, aggressiv), die durch eine Überwachung des Fahrers bzw. des Fahrverhaltens (z.B. Fahren von „Schlangenlinien“) generiert werden können. Vorschläge zur Nutzung von Diensten oder anderweitigen Möglichkeiten zur Unterstützung (siehe oben) werden dann auf Grund von statisch festgelegten Regeln ausgewählt.
-
Die Druckschrift
US 9,402,577 beschreibt ein System und Verfahren zur Erfassung von Fahrerermüdung. Das System umfasst eine Vitalzeichenerkennungsvorrichtung, die mindestens einen persönlichen Vitalzeichenwert erzeugt, eine Speichervorrichtung, die eine lineare statistische Gleichung speichert, einen Prozessor, der elektrisch mit der Vitalzeichenerkennungsvorrichtung und der Speichervorrichtung verbunden ist, und eine Anzeigevorrichtung, die elektrisch mit dem Prozessor verbunden ist. Der Prozessor empfängt den persönlichen Vitalzeichenwert, ruft die lineare statistische Gleichung ab, setzt den persönlichen Vitalwert in die lineare Statistikgleichung ein, um einen Vorhersagefahrzeugabweichungswert zu erzeugen, und ermittelt, ob der Vorhersagefahrzeugabweichungswert über einem voreingestellten Fahrzeugabweichungswert liegt. Falls ja, erzeugt der Prozessor ein Alarmsignal an die Anzeigevorrichtung, um ein Alarmbild zu präsentieren.
-
Die Druckschrift
US 6,927,694 beschreibt visuelle Methoden und Systeme, um die Aufmerksamkeit und Wachsamkeit von Personen unter Bedingungen von Erschöpfung, Schlafmangel und der Einwirkung von bewusstseinsverändernden Substanzen wie Alkohol und Drogen zu ermitteln, insbesondere bei speziellen Anwendungen für LKW-Fahrer, Busfahrer, Zugbetreiber, Piloten und Wasserfahrzeugsteuerungen und stationäre schwere Ausrüstungsbediener während Tages- oder Nachtbedingungen. Die beschriebenen Methoden und Systeme verfolgen verlässlich die Kopf- und Gesichtsmerkmale einer Person mit einer einzigen On-Board-Kamera mit einem vollautomatischen System, das automatisch initialisiert werden kann. Das System kann, falls nötig, neu initialisiert werden, und Ausgaben in Echtzeit bereitstellen. Das System kann weiter die Rotation in alle Blickrichtungen klassifizieren, „Augen- / Mundokklusion“ erkennen und „Augenblinzeln“ erkennen. Hierbei können visuelle und akustische Alarme für den Fahrer ausgelöst werden. Die beschriebenen Methoden und System sind anscheinend nicht darauf ausgerichtet, ein dauerhaftes Ausbleiben von Augenlidbewegungen (z.B. Blinzeln) zu erkennen, sondern konzentrieren sich darauf, längere Okklusionen (d.h. Augenlider geschlossen) zu erfassen.
-
Die Druckschrift
US 2014/0139655 A1 betrifft eine Fahrzeugtelematikvorrichtung zur Unfallvermeidung basierend auf Fahrerüberwachung hinsichtlich Schläfrigkeit und Ablenkung.
-
Ablenkung und Schläfrigkeit werden durch Verarbeitung von Informationen betreffend das Gesicht und die Pose des Fahrers in Abhängigkeit von der Geschwindigkeit und der maximal erlaubten Reisedistanz erkannt, und es wird ein Fahreralarm ausgelöst, wenn eine Benommenheit oder Ablenkung festgestellt wird. Die daraufhin ausgelösten Maßnahmen umfassen akustische Alarme, sowie andere Methoden wie Anpassung der Beleuchtung, um den Fahrer munter zu machen. Die beschriebene Vorrichtung ist anscheinend ebenfalls nicht darauf ausgerichtet, ein dauerhaftes Ausbleiben von Augenlidbewegungen (z.B. Blinzeln) zu erkennen.
-
Die Druckschrift
US 2007/014431 A stellt ein System und ein Verfahren zum Erfassen eines oder beider Augen des Fahrers eines Fahrzeugs bereit. Das System enthält eine Videokamera, die ausgerichtet ist, Bilder des Gesichts des Fahrers zu erzeugen. Das System enthält auch einen Videoprozessor zum Verarbeiten der mit der Videoabbildungskamera erzeugten Bilder. Filter werden auf jeden der potenziellen Augenkandidaten angewendet, um zu bestimmen, welche Kandidaten ein Auge darstellen, gewichtete Werte werden den gefilterten Augenkandidaten zugewiesen und ein Auge wird basierend auf der Gewichtung jedes Augenkandidaten erfasst. Gemäß einem Aspekt werden Patches unterschiedlicher Größe potentieller Augenkandidaten verarbeitet und mit Modellen verglichen.
-
Im Stand der Technik bekannte Verfahren und Systeme weisen für gewöhnlich einen oder mehrere der folgenden Nachteile auf.
-
Typischerweise wird eine Vorauswahl von vorbestimmten Datentypen festgelegt, die das System zur Erkennung eines Zustands verwenden soll. Eine Erfassung besonderer Zustände oder von Grenzfällen wird dadurch erschwert.
-
Die zu Grunde liegenden Modelle basieren gewöhnlich auf starren, vorbestimmten Regeln und sind nach Inbetriebnahme nicht weiter anpassbar. Daher weisen die Modelle und die darauf basierenden Systeme überwiegend eine geringe bzw. keine Flexibilität auf. Außerdem ist es durch die notwendige Generalisierung nicht möglich, in jeder Situation zuverlässig Zustände zu erkennen. Infolgedessen besteht zumeist ein Zielkonflikt zwischen der Vermeidung von „false positives“ und „false negatives“, oft mit dem Ergebnis zu häufiger Fehlalarme.
-
Im Stand der Technik bekannte Verfahren und Systeme kategorisieren typischerweise vorbestimmte Nutzerzustände, beispielsweise Freude oder Müdigkeit. Fahrzeug- und nutzerspezifischer Kontext der auf diese Weise durch vorbestimmte Nutzerzustände nicht abgebildet ist, kann von solchen Systemen nicht erkannt werden.
-
Im Stand der Technik werden Vorschläge aufgrund von zuvor kategorisierten Fahrermodellen erstellt. In den meisten Fällen ist jedoch nur schwer zu interpretieren, wie diese Modelle mit verschiedenen Dienste Vorschlägen in Verbindung stehen. In existierenden Systemen wird zumeist jeweils einer Zustandskategorie ein Vorschlag für ein Angebot zugeordnet. Basierend auf den zu Grunde liegenden Konzepten kann es sehr schwer sein, für einen neuen Service ein passendes Zustand-Angebot-Paar zu finden.
-
Ausführungsformen der vorliegend offenbarten Verfahren und Systeme beheben teilweise oder vollständig einen oder mehrere der vorgenannten Nachteile und ermöglichen einen oder mehrere der folgenden Vorteile.
-
Vorliegend offenbarte Verfahren und Systeme ermöglichen eine stärker personalisierte und genauere Vorschlagslogik. Dies wird wesentlich dadurch ermöglicht, dass auf eine Vorkategorisierung verzichtet wird.
-
Vorliegend offenbarte Verfahren und Systeme ermöglichen weiter eine Anpassung der zu Grunde liegenden Modelle. Durch einen Updatemechanismus und verschiedene Verfahren maschinellen Lernens, können die Verfahren und Systeme flexibel auf neue und sich verändernde Gegebenheiten anpassen. Bestehende Zustände können gleitend verfeinert abgebildet werden und die Erkennungsrate kann weiter verbessert werden. Neue bzw. als neu erkannte Zustände können individuell eingebunden und zuverlässig erkannt werden.
-
Vorliegend offenbarte Verfahren und Systeme ermöglichen weiter, dass neue Dienste mit geringem Aufwand angebunden werden können, ohne dass die verschiedenen Prozesse (z.B. Datensammeln, Situationsmodell, Verifizieren/Testen, Deployment, Angebotsmapping) durchlaufen werden müssen. Eine einfach Festlegung der relevanten Label für jedes neue Angebot ist ausreichend.
-
Offenbarung der Erfindung
-
Es ist eine Aufgabe der vorliegenden Offenbarung, Verfahren und Systeme zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen, sowie Fahrzeuge mit solchen Systemen, bereitzustellen, die ein oder mehrere der vorgenannten Nachteile vermeiden und ein oder mehrere der vorgenannten Vorteile realisieren.
-
Diese Aufgabe wird durch den jeweiligen Gegenstand der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
-
Gemäß Ausführungsformen der vorliegenden Offenbarung ist ein Verfahren zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen angegeben. Das Verfahren umfasst Erfassen von Daten spezifisch für eine Nutzung des Fahrzeugs durch den Nutzer; Ermitteln eines oder mehrerer Vorschläge für empfohlene Dienste basierend auf einem Vorhersagemodell, das Vorhersagemodell umfassend maschinelles Lernen von Mustern zur Abbildung der Daten auf Vorschläge für empfohlene Dienste; Bereitstellen der ein oder mehreren Vorschläge an den Nutzer; Erfassen einer Rückmeldung des Nutzers; und Aktualisieren des Vorhersagemodells basierend auf der Rückmeldung des Nutzers.
-
Vorzugsweise umfasst das Verfahren weiter Bereitstellen und/oder Aktualisieren des Vorhersagemodells basierend auf einem Basismodell, wobei das Basismodell basierend auf erfassten Daten und maschinellem Lernen vortrainiert ist.
-
Vorzugsweise umfasst das Verfahren weiter Aktualisieren des Basismodells basierend auf der Rückmeldung des Nutzers und/oder den Daten, wobei das Aktualisieren wahlweise kontinuierlich erfolgt, sobald Rückmeldungen des Nutzers oder Daten verfügbar sind.
-
Vorzugsweise umfass die Daten umfassen nutzerspezifische Daten, die den Nutzer des Fahrzeugs betreffen, wobei die nutzerspezifischen Daten wahlweise ein oder mehrere der folgenden umfassen: Daten, die einen Gefühlszustand des Nutzers anzeigen; demographische Daten; Daten, die einen Persönlichkeitstyp anzeigen; Daten, die soziale Beziehungen anzeigen; Daten, die eine Fahrzeugbedienung charakterisieren, insbesondere Daten, die eine gefahrene Geschwindigkeit bzw. Geschwindigkeitsprofile anzeigen; Daten, die eine Gaspedalstellung anzeigen; und Daten, die Lenkbewegungen anzeigen.
-
Alternativ oder zusätzlich umfassen die Daten fahrzeugspezifische Daten, die das Fahrzeugs betreffen, wobei die fahrzeugspezifische Daten wahlweise ein oder mehrere der folgenden umfassen: Daten, die eine aktuelle Geschwindigkeit anzeigen; Daten, die Innen- bzw. Außentemperaturen anzeigen; Daten, die eine Position bzw. einen Positionsverlauf des Fahrzeugs anzeigen; und Daten, die einen Zustand des Fahrzeugs anzeigen.
-
Alternativ oder zusätzlich umfassen die Daten kontextspezifische Daten, die einen Benutzungskontext des Nutzers und des Fahrzeugs betreffen, wobei die kontextspezifische Daten wahlweise ein oder mehrere der folgenden umfassen: Datum und Uhrzeit der Fahrt; Daten, die einen befahrenen Straßentyp anzeigen; Daten, die einen Abfahrtsort und/oder ein Ziel einer Fahrt anzeigen; und Wetterdaten; vorzugsweise wobei die Daten die nutzerspezifischen Daten, die fahrzeugspezifischen Daten und die kontextspezifische Daten umfassen.
-
Vorzugsweise umfasst die Rückmeldung des Nutzers eine aktive Annahme der ein oder mehreren Vorschläge durch den Nutzer. Alternativ setzt die Rückmeldung des Nutzers keine Aktivität des Nutzers voraus und das Erfassen der Rückmeldung des Nutzers erfolgt als Erfassung einer positiven Rückmeldung mit dem Ausbleiben einer Reaktion des Nutzers, vorzugsweise nach einer vorbestimmten Zeitspanne, als Annahme der ein oder mehreren Vorschläge.
-
Gemäß Ausführungsformen der vorliegenden Offenbarung ist ein System zur Bereitstellung einer Diensteempfehlung in einem Fahrzeug an einen Nutzer des Fahrzeugs angegeben. Das System umfasst eine Steuereinheit, wobei die Steuereinheit konfiguriert ist zur Ausführung des Verfahrens gemäß Ausführungsformen der vorliegenden Offenbarung. Das System umfasst wahlweise weiter eine Kommunikationseinheit, die zum Senden und/oder Empfangen der Daten konfiguriert ist.
-
Vorzugsweise erfolgt einer oder mehrere der folgenden Schritte mittels einer Backend-Infrastruktur extern zum Fahrzeug: Bereitstellen des Vorhersagemodells; Aktualisieren des Vorhersagemodells; Aktualisieren des Basismodells; und Vortrainieren des Basismodells.
-
Gemäß Ausführungsformen der vorliegenden Offenbarung ist ein Fahrzeug angegeben, umfassend das System gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Figurenliste
-
Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben.
- 1 zeigt eine schematische Darstellung eines bekannten Systems zur Zuordnung von Eingabedaten zu verschiedenen vorbestimmten Fahrerprofilen aus dem Stand der Technik,
- 2 zeigt eine schematische Darstellung eines Systems zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen gemäß einer ersten Ausführungsform der vorliegenden Offenbarung,
- 3 zeigt eine schematische Darstellung eines Systems zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen gemäß einer zweiten Ausführungsform der vorliegenden Offenbarung, und
- 4 zeigt ein Flussdiagram eines Verfahrens zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Ausführungsformen der Offenbarung
-
Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente gleiche Bezugszeichen verwendet.
-
1 zeigt eine schematische Darstellung eines bekannten Systems 40 zur Zuordnung von Eingabedaten 41 zu verschiedenen vorbestimmten Fahrerprofilen 42 aus dem Stand der Technik. Das System 40 dient generell der Erkennung des Zustands eines Nutzers eines Fahrzeugs 100. Hierbei werden Daten 41, die wahlweise Daten 41' aus verschiedenen Quellen beinhalten (z.B. Kamera, Mikrofon), verarbeitet, um einzelne vordefinierte Fahrerprofile 42, die jeweils einem Fahrerzustand (z.B. normal, ermüdet, aggressiv) zugeordnet werden, regelbasiert einer von mehreren Vorschlagskategorien 44 zuzuordnen. Die Daten 41 können beispielsweise durch Eye-Tracking und/oder Lenkbewegungen über einen bestimmten Zeitraum erfasst werden. Alternativ oder zusätzlich können weitere Fahrzeugdaten, beispielsweise Lenkwinkel, erfasst werden.
-
Im gezeigten Beispiel wird auf diese Weise, im Falle der Erkennung eines Zustands, der dem Fahrerprofil „3“ zugeordnet werden kann, die Vorschlagskategorie „2“ ausgewählt. Über die so ausgewählte Vorschlagskategorie 44, im Beispiel die Kategorie „2“, wird dann ein Vorschlag 48 ermittelt, der dem Nutzer angeboten wird. Wahlweise wird die ausgewählte Vorschlagskategorie nachgeschaltet über einen Randomizer verarbeitet, um gegebenenfalls unterschiedliche Vorschläge aus einer Reihe vordefinierter Vorschläge der jeweiligen Vorschlagskategorie (z.B. Regelung der Klimaanlage, Aktivieren einer Anzeige zum Einlegen einer Pause) auszuwählen. Der im Einzelfall ermittelte Vorschlag wird anschließend dem Nutzer im Fahrzeug 100 angezeigt.
-
Das System 40 basiert im Wesentlichen auf der Erkennung von Zuständen zur Zuordnung zu vordefinierten Fahrerprofilen 42 und der Verwendung statisch festgelegter Regeln zur Ermittlung von Vorschlägen zur Nutzung von Diensten oder anderweitigen Möglichkeiten zur Unterstützung.
-
2 zeigt eine schematische Darstellung eines Systems 200 zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen 100 gemäß einer ersten Ausführungsform der vorliegenden Offenbarung. Das System 200 kann im Wesentlichen auf einer Steuereinheit 120 des Fahrzeugs 100 ausgeführt werden (vgl. Run-time Umgebung 120'). Wahlweise umfasst das Fahrzeug 100 neben der Steuereinheit weiter eine Kommunikationseinheit 130, die zur Datenkommunikation mit zum Fahrzeug externen Komponenten (z.B. mobile Endgeräte, Backend, Server) konfiguriert ist. Die Daten 110 beinhalten wahlweise Daten 110' aus verschiedenen Datenquellen und werden, wie in 2 dargestellt, mittels eines Vorhersagemodells 220 („prediction model“) verarbeitet, um einen personalisierten Vorschlag 240 zu erstellen. Dieser Vorschlag 240 wird dem Fahrzeugnutzer zur Verfügung gestellt.
-
Die gezeigten Komponenten bzw. Vorgänge finden gemäß der ersten Ausführungsform im Wesentlichen sämtlich innerhalb der Run-time Umgebung 120' im Fahrzeug 100, insbesondere in der Steuereinheit 120 statt. Die Steuereinheit 120 kann eine einzige im Fahrzeug 100 vorhandene Steuereinheit umfassen. Alternativ kann die von der Steuereinheit 120 zur Verfügung gestellte Funktionalität über mehrere separate Steuereinheiten des Fahrzeugs 100 zur Verfügung gestellt werden
-
Die Daten 110, die durch das System 200 verarbeitet werden beinhalten ein oder mehrere der folgenden Daten bzw. Datentypen. Zum einen beinhalten die Daten 110 nutzerspezifische Daten (oder User Daten), beispielsweise einen Gefühlszustand, demographische Daten, Daten, die einen Persönlichkeitstyp anzeigen, Daten, die soziale Beziehungen anzeigen, Daten, die eine Fahrzeugbedienung charakterisieren (z.B. gefahrene Geschwindigkeiten bzw. Geschwindigkeitsprofile, Gaspedalstellungen, Lenkbewegungen), und dergleichen mehr. Die vorgenannten nutzerspezifischen Daten können über fest in das Fahrzeug 100 integrierte Komponenten erfasst werden (z.B. Erfassung einer Herzschlagfrequenz des Nutzers über Elektroden im Sitz oder Lenkrad, Erfassung von Merkmalen wie Gestik/Mimik/Verhaltensmuster über eine Kamera) und/oder über nicht fest im Fahrzeug 100 verbaute Komponenten (z.B. mobile Endgeräte).
-
Zum anderen beinhalten die Daten 110 fahrzeugspezifische Daten, beispielsweise aktuelle Geschwindigkeit, Innen- bzw. Außentemperaturen, Position des Fahrzeugs 100, Zustand des Fahrzeugs 100, und/oder sonstige kontextbezogene Daten. Kontextbezogene Daten umfassen unter anderem Datum und Uhrzeit der Fahrt (z.B. über Zeitstempel), den derzeit befahrenen Straßentyp, den Abfahrtsort und das Ziel im persönlichen Bezug auf den User (Arbeitsstätte, Familie, Sportverein, ...), Wetterlage und dergleichen mehr.
-
Nutzerspezifische, fahrzeugspezifische und kontextspezifische Daten 110 werden gesammelt und vorzugsweise gemeinsam analysiert ohne vorab eine Kategorisierung (z.B. nach Fahrmodus oder ähnlichem) vorzunehmen. Die Daten 110 werden gesamthaft betrachtet und mittels datengetriebenen Algorithmen, beispielsweise des Machine Leamings (ML) analysiert. Dadurch werden Muster erkannt, die es erlauben, dem Nutzer personalisierte und auf die Gesamtsituation angepasste proaktive Vorschläge zu machen.
-
Das System 200 sowie die beschriebenen Verfahren vermeiden bewusst eine Zustandskategorisierung und priorisieren die Ermittlung personalisierter Vorschläge basierend auf den empfangenen Daten 110 und den darauf basierend bestimmten Zuständen. Um die Vorschläge direkt mit Nutzer- bzw. Kontextdaten zu verknüpfen, werden sogenannte Labels definiert (z.B. Produktivität, Entertainment), die diese näher beschreiben
-
Befindet sich ein Fahrzeugnutzer beispielsweise ohne weitere Mitfahrer auf der Strecke von München nach Berlin, und befindet sich der Nutzer in einem aktiven und positiven Gemütszustand, bei mäßiger Verkehrslage, könnte das System 200 den Vorschlag 240 unterbreiten, für den Nutzer eingegangene E-Mails vorzulesen. Stellt sich dieser Vorschlag als passend heraus, beispielsweise dadurch, dass der Vorschlag 240 vom Nutzer angenommen wird (z.B. Bestätigung durch Spracherkennung oder Ausbleiben einer Handlung, die ein fehlendes Einverständnis signalisiert), kann das System 200 basierend auf erfolgreichen Vorschlägen das Vorhersagemodell anpassen. Dadurch wird dem System 200 ermöglicht, das Vorhersagemodell über die Zeit zu verfeinern und zu optimieren, und auf diese Weise auch anderen Nutzern in Situationen mit ähnlichem Datenmuster (Strecke, Gemütszustand, Verkehr, Geographische Lage, ...) ähnliche Vorschläge zu unterbreiten.
-
In Abwandlung des vorgenannten Beispiels, befindet sich der Fahrzeugnutzer hingegen im Stau auf einer Kurzstrecke, könnte es für den Nutzer hilfreich sein, eine von ihm/ihr präferierte Unterhaltung (z.B. Einspielen von ausgewählter Musik, Einschalten einer bevorzugten Radiostation oder eines -programmes), die stressige Situation besser zu bewältigen.
-
Durch die Nutzung von Datenmodellen bzw. spezifisch ausgewählten ML Algorithmen wird eine Verbindung zwischen der Umgebung, dem Verhalten des Fahrers, seinem Profil und der erwarteten Zustände/Bedürfnisse des Fahrers hergestellt. Die jeweilige Auswahl des bzw. der Algorithmen, die auch in Kombination eingesetzt werden können, kann in Abhängigkeit der jeweiligen Anwendung bzw. spezifischer Bedürfnisse erfolgen.
-
3 zeigt eine schematische Darstellung eines System 200 zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen 100 gemäß einer zweiten Ausführungsform der vorliegenden Offenbarung. Das System 200, wie in 3 gezeigt, entspricht funktional im Wesentlichen dem in 2 gezeigten System, mit dem wesentlichen Unterschied, dass bestimmte Komponenten bzw. Funktionen in ein sogenanntes Backend 260 ausgelagert sind. Das bedeutet, dass insbesondere ressourcenintensive Verarbeitung auf geeigneten Rechenanlagen (z.B. Server, Rechenzentren) ausgeführt werden können. Ebenso kann die Verarbeitung von globalen Daten 110, also von Daten, die eine Vielzahl von Nutzern betreffen, auf einer solchen, extern zum Fahrzeug 100 bereitgestellten, Infrastruktur erfolgen. Der Klarheit halber werden intern im Fahrzeug 100 vorhandene Datenströme 110' in 3 nicht gesondert dargestellt. Diese finden jedoch, wie in 2 dargestellt, weiter statt.
-
Insbesondere erfolgt eine vorzugsweise kontinuierliche Anpassung bzw. Aktualisierung der zu Grunde liegenden Modelle (z.B. Vorhersagemodell 220 und/oder Basismodell 256) mittels der Backend-Infrastruktur 260. Hierbei werden dem Backend 260 Daten 110 vom Fahrzeug 100, vorzugsweise die Daten 110 einer Vielzahl von Fahrzeugen 100 bzw. Nutzern, übermittelt, um basierend darauf die Modelle 220, 256 zu aktualisieren. In einer bevorzugten Ausführungsform werden die Modelle insbesondere basierend auf Rückmeldungen der Nutzer aktualisiert. Rückmeldungen können darin bestehen, dass ein Nutzer ein oder mehrere Vorschläge für empfohlene Dienste aktive bzw. explizit annimmt (z.B. Auslösen einer Funktion im Fahrzeug, Erhöhen der Lautstärke eines durch das System 200 vorgeschlagenen und eingeschalteten Radiosensors) oder dies durch Inaktivität (bzw. fehlende konträre Aktivität) signalisiert (z.B. Laufenlassen einer vom System 200 vorgeschlagenen Musik, ausbleiben einer Veränderung einer vom System 200 vorgeschlagenen Einstellung der Klimatisierung des Fahrzeugs 100).
-
4 zeigt ein Flussdiagram eines Verfahrens 400 zur proaktiven Bereitstellung von kontextbasierten Diensteempfehlungen in Fahrzeugen 100 gemäß Ausführungsformen der vorliegenden Offenbarung. Das Verfahren 400 beginnt in Schritt 401. In Schritt 402 werden von Daten 110 erfasst, die spezifisch für eine Nutzung des Fahrzeugs 100 durch den Nutzer sind. Hierbei kann es sich, wie beschrieben, um fahrerspezifische, fahrzeugspezifische, und/oder kontextspezifische Daten handeln. Bevorzugt werden alle zur Verfügung stehenden fahrerspezifischen, fahrzeugspezifischen, und kontextspezifischen Daten gemeinsam, gleichzeitig und ganzheitlich verarbeitet. In Schritt 404 werden ein oder mehrerer Vorschläge 240 für empfohlene Dienste basierend auf einem Vorhersagemodell 220 ermittelt. Das Vorhersagemodell umfasst maschinelles Lernen von Mustern zur Abbildung der Daten 110 auf Vorschläge 240 für empfohlene Dienste. Das Vorhersagemodell umfasst spezifisch abgestimmt ML Algorithmen, die in der Lage sind, Muster in den Daten zu erkennen und so Vorschläge für empfohlene Dienste ermitteln zu können. In Schritt 406 werden die ein oder mehreren Vorschläge 240 dem Nutzer bereitgestellt, d.h. angezeigt, ausgelöst oder anderweitig übermittelt. In Schritt 408 wird eine Rückmeldung des Nutzers erfasst. Wie beschrieben kann die Rückmeldung explizit oder implizit sein und sowohl positiv (d.h. Annahme des/der Vorschläge) oder negativ (d.h. Ablehnung des/der Vorschläge) ausfallen. In Schritt 410 wird das Vorhersagemodell 240 basierend auf der (impliziten oder expliziten, positiven oder negativen) Rückmeldung des Nutzers aktualisiert.
-
Wenn vorliegend von einem Fahrzeug die Rede ist, so handelt es hierbei bevorzugt um ein mehrspuriges Kraftfahrzeug (PKW, LKW, Transporter). Daraus ergeben sich mehrere im Rahmen dieses Dokuments explizit beschriebene sowie mehrere weitere für den Fachmann nachvollziehbare Vorteile.
-
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehenden Erläuterungen in der Beschreibung, definiert wird.
-
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 9402577 [0004]
- US 6927694 [0005]
- US 2014/0139655 A1 [0006]
- US 2007014431 A [0008]
