DE102019105848A1

DE102019105848A1 - Verfahren zur Erzeugung eines reduzierten neuronalen Netzes

Info

Publication number: DE102019105848A1
Application number: DE102019105848.1A
Authority: DE
Inventors: Mohammad Rasty
Original assignee: FEV Europe GmbH
Current assignee: FEV Group GmbH
Priority date: 2019-03-07
Filing date: 2019-03-07
Publication date: 2019-04-18
Also published as: DE102020105783A1

Abstract

Die Erfindung betrifft Verfahren zur Erzeugung eines reduzierten neuronalen Netzes (20) für ein Steuergerät (2) eines Fahrzeugs (1) mit den folgenden Schritten:
- Initialisieren des reduzierten neuronalen Netzes (20) in einem ersten Schritt (11),
- Berechnen von jeweiligen ersten korrespondierenden Ausgangsdatensätzen (31a, 31b, 31z) mithilfe eines ersten neuronalen Netzes (30) und in Abhängigkeit eines jeweiligen Eingangsdatensatzes (32a, 32b, 32z), wobei eine Gesamtheit der jeweiligen Eingangsdatensätze (32a, 32b, 32z) eine erste Menge (32) der Eingangsdatensätze bildet, in einem zweiten Schritt (12)
- Bestimmen von jeweiligen Abweichungen (42a, 42b, 42z) der ersten Ausgangsdatensätze (31a, 31b, 31z) von jeweiligen Vergleichsdatensätzen (41a, 41b, 41z) in einem dritten Schritt (13), wobei der jeweilige erste Ausgangsdatensatz (31a, 31b, 31z) mit dem jeweiligen Vergleichsdatensatz (41a, 41b, 41z) korrespondiert,
- Adaptieren des reduzierten neuronalen Netzes (20) in Abhängigkeit einer zweiten Menge der Eingangsdatensätze, die eine Teilmenge der ersten Menge ist, wobei die zu den Eingangsdatensätzen der zweiten Menge korrespondierenden ersten Ausgangsdatensätze im Durchschnitt eine größere Abweichung aufweisen als die zu den übrigen Eingangsdatensätzen der ersten Menge korrespondierenden ersten Ausgangsdatensätze, wobei die übrigen Eingangsdatensätze eine dritte Menge der Eingangsdatensätze bilden und das reduzierte neuronale Netz (20) unabhängig von der dritten Menge der Eingangsdatensätze adaptiert wird, in einem vierten Schritt (16),
- Wiederholen der Schritte drei und vier, bis ein Abbruchkriterium erfüllt ist.

Description

Die Erfindung betrifft ein Verfahren zur Erzeugung eines reduzierten neuronalen Netzes für ein Steuergerät eines Fahrzeugs und/oder einer Fahrzeugkomponente, ein Steuergerät für ein Fahrzeug und/oder eine Fahrzeugkomponente, ein Fahrzeug, ein reduziertes neuronales Netz und ein Computerprogrammprodukt.
Die DE 10 2018 103 113 offenbart ein Steuergerät eines Fahrzeugs mit einem neuronalen Netz.
Das vorgeschlagene Verfahren zum Erstellen eines reduzierten neuronalen Netzes für ein Steuergerät eines Fahrzeugs und/oder einer Fahrzeugkomponente umfasst die folgenden Schritte:

- Initialisieren des reduzierten neuronalen Netzes in einem ersten Schritt,
- Berechnen von jeweiligen ersten korrespondierenden Ausgangsdatensätzen mithilfe eines ersten neuronalen Netzes und in Abhängigkeit eines jeweiligen Eingangsdatensatzes, wobei eine Gesamtheit der jeweiligen Eingangsdatensätze eine erste Menge der Eingangsdatensätze bildet, in einem zweiten Schritt,
- Bestimmen von jeweiligen Abweichungen der ersten Ausgangsdatensätze von jeweiligen Vergleichsdatensätzen in einem dritten Schritt, wobei der jeweilige erste Ausgangsdatensatz mit dem jeweiligen Vergleichsdatensatz korrespondiert,
- Adaptieren des reduzierten neuronalen Netzes in Abhängigkeit einer zweiten Menge der Eingangsdatensätze, die eine Teilmenge der ersten Menge ist, wobei die zu den Eingangsdatensätzen der zweiten Menge korrespondierenden ersten Ausgangsdatensätze im Durchschnitt eine größere Abweichung aufweisen als die zu den übrigen Eingangsdatensätzen der ersten Menge korrespondierenden ersten Ausgangsdatensätze, wobei die übrigen Eingangsdatensätze eine dritte Menge der Eingangsdatensätze bilden und das reduzierte neuronale Netz unabhängig von der dritten Menge der Eingangsdatensätze adaptiert wird, in einem vierten Schritt,
- Wiederholen der Schritte drei und vier, bis ein Abbruchkriterium erfüllt ist.

Die Eingangsdatensätze der dritten Menge sind nicht in der zweiten Menge enthalten. Für den Begriff „neuronales Netz“ wird im Folgenden der Begriff „Netz“ verwendet.
Die Eingangsdatensätze, die ersten Ausgangsdatensätze und die Vergleichsdatensätze können jeweils Vektoren sein. Die jeweilige Abweichung der ersten Ausgangsdatensätze kann beispielsweise mit Hilfe einer Vektornorm eines jeweiligen Differenzvektors bestimmt werden. Der jeweilige Differenzvektor wird bevorzugt aus einer Differenz zwischen dem entsprechenden ersten Ausgangsdatensatz und dem entsprechenden Vergleichsdatensatz berechnet. Mit den jeweiligen ersten korrespondierenden Ausgangsdatensätzen ist jeweils ein einzelner erster Ausgangsdatensatz gemeint, der in Abhängigkeit des zu diesem Ausgangsdatensatz korrespondierenden jeweiligen Eingangsdatensatz berechnet wird.
Ein Korrespondieren des jeweiligen ersten Ausgangsdatensatzes mit dem jeweiligen Vergleichsdatensatz meint, dass diese beiden Datensätze in einem Zusammenhang mit demjenigen Eingangsdatensatz stehen, mit dem der jeweilige erste Ausgangsdatensatz berechnet wird. Beispielsweise kann der jeweilige Vergleichsdatensatz mithilfe des reduzierten Netzes und in Abhängigkeit desjenigen Eingangsdatensatzes berechnet werden, mit dem der zu diesem Eingangsdatensatz korrespondierende erste Ausgangsdatensatz anhand des ersten Netzes berechnet wird. Der entsprechende Vergleichsdatensatz ist in diesem Fall bevorzugt ein Ausgangsdatensatz des reduzierten Netzes.
Das Steuergerät des Fahrzeugs und/oder der Fahrzeugkomponente ist eingerichtet, zumindest einen Betriebsparameter des Fahrzeugs und/oder der Fahrzeugkomponente zu steuern. Der Betriebsparameter kann beispielsweise eine Geschwindigkeit, eine Beschleunigung, Abstände zwischen dem Fahrzeug und einem weiteren Fahrzeug, eine Motordrehzahl, eine Bremskraft oder ein Lenkwinkel sein. Vorteilhafterweise sind das Fahrzeug und/oder die Fahrzeugkomponente für ein autonomes und/oder teilweise autonomes Fahren einsetzbar.
Das vorgeschlagene Verfahren und das Steuergerät ermöglichen eine Steuerung des autonomen und/oder teilweise autonomen Fahrzeuges und/oder der Fahrzeugkomponente in verschiedenen Fahrsituationen. Fahrsituationen können beispielsweise das Fahren auf der Autobahn und/oder das Fahren innerhalb von Städten und/oder das Fahren in verkehrsberuhigten Bereichen sein.
Die Schritte drei und vier werden so lange wiederholt, bis ein Abbruchkriterium erfüllt ist. Des Weiteren ist eine andere Reihenfolge als die bisher genannte Reihenfolge der Schritte möglich. Beispielsweise kann der zweite Schritt vor dem ersten Schritt durchgeführt werden.
Es ist möglich, dass das reduzierte Netz in dem vierten Schritt nur in Abhängigkeit eines einzelnen Eingangsdatensatzes adaptiert wird. Die zweite Menge weist in diesem Fall nur diesen einen Eingangsdatensatz auf.
Das Adaptieren des reduzierten Netzes in Abhängigkeit der zweiten Menge der Eingangsdatensätze kann beispielsweise für den Fall, dass die zweite Menge nur einen einzigen Eingangsdatensatz hat folgendermaßen erfolgen. Das reduzierte Netz wird in Abhängigkeit des zu dem Eingangsdatensatz der zweiten Menge korrespondierenden ersten Ausgangsdatensatz und/oder dessen Abweichung adaptiert. Da dieser korrespondierende erste Ausgangsdatensatz beziehungsweise dessen Abweichung mithilfe des Eingangsdatensatzes der zweiten Menge berechnet wurde, erfolgt das Adaptieren indirekt in Abhängigkeit dieses Eingangsdatensatzes. Mit der Abhängigkeit ist demnach auch eine indirekte Abhängigkeit gemeint.
Des Weiteren soll auch eine vierte Menge von Eingangsdatensätzen betrachtet werden, die alle diejenigen Eingangsdatensätze zusammenfasst, die im vierten Schritt bei mehrmaligem Wiederholen der Schritte drei und vier jeweils zu der zweiten Menge gehören.
Die erste Menge ist vorteilhaft diejenige Menge an Eingangsdatensätzen, die für ein Training oder für ein Training und ein Testen des ersten Netzes verwendet wurde, bevor der zweite oder erste Schritt durchgeführt wird. In diesem Sinne kann das Verfahren auch einen initialen Schritt umfassen, in dem das erste Netz mithilfe der ersten Menge der Eingangsdatensätze erzeugt wird.
Vorteilhaft enthalten die zweite Menge und die vierte Menge weniger als ein Drittel der Eingangsdatensätze der ersten Menge. Der erste Vorteil, das reduzierte Netz in Abhängigkeit der zweiten Menge zu adaptieren, besteht darin, dass ein Rechenaufwand beim Adaptieren reduziert werden kann. Dies ist ein Unterschied gegenüber einem Lernverfahren beispielsweise des ersten Netzes, bei welchem das erste Netz in Abhängigkeit von allen Eingangsdatensätzen der ersten Menge adaptiert wird. Bei einem solchen Lernverfahren kann das erste Netz beim Training in Abhängigkeit von einem gemittelten Fehler adaptiert werden, der in Abhängigkeit von allen Ausgangsdatensätzen des ersten Netzes berechnet wird, die mithilfe aller Eingangsdatensätze der ersten Menge berechnet wurden.
Ein zweiter Vorteil, das reduzierte Netz in Abhängigkeit der zweiten Menge zu adaptieren, besteht darin, dass ein Rechenaufwand des reduzierten Netzes bei einem Einsatz des reduzierten Netzes in dem Steuergerät reduziert werden kann. Dies kann dadurch bewirkt werden, dass das reduzierte Netz eine geringe Komplexität als das erste Netz aufweisen kann und eine Dimension einer Mannigfaltigkeit des reduzierten Netzes kleiner als eine Dimension einer Mannigfaltigkeit des ersten Netzes sein kann. Die geringere Komplexität und/oder die kleinere Mannigfaltigkeit können bewirken, dass Differenzenquotienten, die mithilfe des reduzierten Netzes gebildet werden können, geringer sein können als Differenzenquotienten, die mithilfe des ersten Netzes gebildet werden können. Dieser Vorteil und der geringere Rechenaufwand beim Adaptieren des reduzierten Netzes verbessert Einsatzmöglichkeiten des reduzierten Netzes im Vergleich zu dem ersten Netz, insbesondere bei einem Einsatz des reduzierten Netzes in einer Regelschleife des Steuergerätes.
Mit der jeweiligen Mannigfaltigkeit ist jeweils eine Menge von möglichen Datensätzen, die das reduzierte Netz bzw. das erste Netz zur Bestimmung von möglichen Ausgangsdatensätzen des entsprechenden Netzes in Abhängigkeit von allen möglichen Eingangsdatensätzen für die jeweiligen Netze berechnen kann. Mit anderen Worten ist die erste Menge der Eingangsdatensätze mit Hilfe einer internen Logik des reduzierten Netzes oder des ersten Netzes auf die Mannigfaltigkeit des reduzierten Netzes bzw. des ersten Netzes, d.h. auf die jeweilige Menge der möglichen Datensätze, abbildbar.
Die hier benutzte Definition einer Mannigfaltigkeit unterscheidet sich von der mathematischen Definition einer Mannigfaltigkeit, bei welcher die Mannigfaltigkeit bestimmte Eigenschaften erfüllen muss, beispielsweise dass sie ein Hausdorff-Raum oder lokal euklidisch ist. So kann eine Mannigfaltigkeit im Sinne der Erfindung unstetig sein oder Löcher aufweisen.
Gemäß einer ersten Variante können die möglichen Datensätze die möglichen Ausgangsdatensätze sein. Gemäß einer zweiten Variante können die möglichen Datensätze interne Datensätze des jeweiligen Netzes sein, die nicht an einen Ausgang des Netzes geleitet werden. Im Rahmen der zweiten Variante wird die jeweilige Mannigfaltigkeit im Folgenden als interne Mannigfaltigkeit bezeichnet.
Ein dritter Vorteil, das reduzierte Netz in Abhängigkeit der zweiten Menge zu adaptieren, besteht darin, dass die Eingangsdatensätze der zweiten Menge beim Adaptieren eine Veränderung der internen Logik des reduzierten Netzes stark beeinflussen können. Das Adaptieren des reduzierten Netzes kann somit beschleunigt werden. Der dritte Vorteil kann besonders gut erzielt werden, wenn die zweite Menge nur einen einzelnen Eingangsdatensatz aufweist.
Vorteilhafterweise wird die zweite Menge derart gebildet, dass die jeweiligen Abweichungen der zu den Eingangsdatensätzen der zweiten Menge korrespondierenden ersten Ausgangsdatensätze größer als alle einzelnen Abweichungen der ersten Ausgangsdatensätze der dritten Menge sind. Bei dieser Ausgestaltung kann der dritte Vorteil besonders gut umgesetzt werden. In diesem Fall haben nämlich diejenigen Eingangsdatensätze einen besonders starken Einfluss auf die Adaption des reduzierten Netzes, die hohe Abweichungen erzeugen. In diesem Fall kann die vierte Menge als eine Menge der Eingangsdatensätze betrachtet werden, die die relevantesten Eingangsdatensätze enthält.
Ausgehend von dieser Ausgestaltung kann der dritte Vorteil noch einfacher erzielt werden, wenn die zweite Menge nur einen einzelnen Eingangsdatensatz aufweist. Beim Wiederholen des vierten Schrittes ist bevorzugt ein einzelner Eingangsdatensatz der ersten Menge nicht ein weiteres Mal in der zweiten Menge enthalten. Dies bewirkt, dass nacheinander unterschiedliche Eingangsdatensätze, die jedoch jeweils einen besonders starken Einfluss auf die Adaption des reduzierten Netzes haben, für das Adaptieren verwendet werden. Dadurch kann die Adaption weiter beschleunigt werden.
Gemäß einer Weiterbildung ist vorgesehen, dass das reduzierte Netz Basisfunktionen aufweist. Bei dieser Weiterbildung wird das reduzierte Netz in dem vierten Schritt derart adaptiert, dass zumindest eine weitere Basisfunktion dem reduzierten Netz hinzugefügt wird. Durch das Hinzufügen der weiteren Basisfunktion wird eine Dimension der Mannigfaltigkeit, bevorzugt der internen Mannigfaltigkeit, des reduzierten Netzes erhöht. Das Hinzufügen der weiteren Basisfunktion erfolgt bevorzugt indirekt in Abhängigkeit der zweiten Menge der Eingangsdatensätze. Beispielsweise kann die weitere Basisfunktion mithilfe derjenigen ersten Ausgangsdatensätze bestimmt werden, die mit den Eingangsdatensätzen der zweiten Menge korrespondieren. Die erste Menge der Eingangsdatensätze ist bevorzugt mithilfe der Basisfunktionen einschließlich der weiteren Basisfunktion auf die Mannigfaltigkeit des reduzierten Netzes abbildbar. Der Vorteil dieser Weiterbildung ist, dass jedes Mal, wenn die Dimension der Mannigfaltigkeit des reduzierten Netzes erhöht wird, die interne Logik des reduzierten Netzes an eine Information, die in dem Eingangsdatensatz der zweiten Menge und in dem zu diesem korrespondierenden ersten Ausgangsdatensatz enthalten ist, angepasst werden kann.
Ebenfalls können dadurch Informationen, die in der internen Logik des ersten Netzes enthalten sind, beim Adaptieren des reduzierten Netzes berücksichtigt werden und können dadurch auch durch die interne Logik des reduzierten Netzes repräsentiert werden. Werden die Schritte drei und vier sukzessive wiederholt, so kann bei jeder Wiederholung die interne Logik des reduzierten Netzes an die interne Logik des ersten Netzes angeglichen werden. Somit ist es möglich, mit Hilfe des reduzierten Netzes eine Performanz zu erzielen, die ähnlich zu einer Performanz des ersten Netzes ist, wobei das reduzierte Netz zusätzlich die oben genannten Vorteile aufweist. Im Rahmen des Einsatzes des reduzierten Netzes in der Regelschleife kann dessen Performanz aus folgendem Grund sogar besser als die des ersten Netzes sein. Die Mannigfaltigkeit des reduzierten Netzes kann einen weicheren Verlauf in einem möglichen Ausgaberaum des reduzierten Netzes als die Mannigfaltigkeit des ersten Netzes in dem möglichen Ausgaberaum haben. Dadurch können die oben beschriebenen Differenzenquotienten des reduzierten Netzes geringer sein, was eine Regelung der Fahrzeugkomponente mithilfe der Regelschleife erleichtern kann.
Sowohl die Basisfunktionen als auch die weiteren Basisfunktion haben keinen Eingang oder Ausgang, d.h. kein Argument beziehungsweise Funktionswert, sondern sind jeweils durch unveränderliche Werte definiert. Vorteilhaft sind die Basisfunktion und die weitere Basisfunktion Vektoren mit unveränderlichen Einträgen.
Das vorgeschlagene reduzierte neuronale Netz kann nach einer der oben genannten, bevorzugt auch nach einer der im Folgenden genannten, Ausgestaltungen erzeugt werden.
Das vorgeschlagene Steuergerät ist für das Fahrzeug und/oder die Fahrzeugkomponente geeignet und eingerichtet durch ein Verfahren und/oder für die Durchführung eines Verfahrens nach einer der bereits beschriebenen, bevorzugt auch nach einer der im Folgenden genannten, Ausführungsformen. Das Steuergerät weist vorteilhaft das reduzierte neuronalen Netz auf, wie es nach einer der oben genannten, bevorzugt auch nach einer der im Folgenden genannten, Ausgestaltungen erzeugt werden kann, nachdem das Verfahren durchgeführt wurde.
Das vorgeschlagene Fahrzeug umfasst das Steuergerät. Dadurch, dass das vorgeschlagene Steuergerät und das vorgeschlagene Fahrzeug das reduzierte Netz aufweisen oder dieses bei einer Durchführung des Verfahrens erzeugen können, können mit dem Fahrzeug und dem Steuergerät dieselben Vorteile erzielt werden wie mit dem reduzierten Netz.
Das vorgeschlagene Computerprogrammprodukt veranlasst einen Computer, wenn das Computerprogrammprodukt von dem Computer ausgeführt wird, das vorgeschlagene Verfahren, bevorzugt nach den im Folgenden genannten Varianten, durchzuführen. Das Computerprogrammprodukt kann in dem Steuergerät gespeichert sein oder in einer weiteren Variante als Programm auf einem externen Datenträger außerhalb des Fahrzeugs vorliegen. Der Computer befindet sich vorteilhaft in dem Steuergerät und kann in Form eines Mikrocontrollers ausgebildet sein. Dadurch, dass mithilfe des Computerproduktes das vorgeschlagene Verfahren auf dem Computer ausgeführt werden kann, weist es die im Folgenden für das Verfahren genannten Vorteile auf.
Das erste und reduzierte Netz können in Form einer jeweiligen speziellen Datenstruktur ausgebildete sein, die, wenn sie von einem Speicher des Computers in einen Arbeitsspeicher des Computers geladen werden und von dem Computerprogrammprodukt aus dem Arbeitsspeicher aufgerufen werden, folgende Aktionen veranlassen können. Bevorzugt kann mithilfe des ersten beziehungsweise reduzierten Netzes ein entsprechendes physisches neuronales erstes beziehungsweise reduziertes Netz mit Neuronen simuliert werden, wobei Ausgangssignale von mehreren Neuronen des entsprechenden physischen Netzes zu Eingängen von weiteren Neuronen des entsprechenden physischen Netzes geleitet werden. Die Neuronen des ersten und reduzierten Netzes entsprechen damit den jeweiligen Neuronen der entsprechenden physischen Netze und können als Modelle mit Eingängen und Ausgänge, bevorzugt nur einem Ausgang, betrachtet werden.
Darüber hinaus können das erste beziehungsweise reduzierte Netz jeweilige Aktivierungsfunktionen und/oder Schwellwerte für jeweils ein Neuron des entsprechenden Netzes aufweisen. Die Aktivierungsfunktionen und/oder Schwellwerte können ebenfalls in der entsprechenden speziellen Datenstruktur, d.h. in dem ersten beziehungsweise reduzierten Netz, vorliegen.
Die abhängigen Ansprüche beschreiben weitere vorteilhafte Ausführungsformen der Erfindung. Bevorzugte Ausführungsbeispiele werden anhand der folgenden Figuren näher erläutert. Dabei zeigen die Figuren schematisch in:

1 Ein Fahrzeug mit einem Steuergerät und Fahrzeugkomponenten,
2 Schritte eines Verfahrens zur Erzeugung eines reduzierten neuronalen Netzes für das Steuergerät nach 1,
3 ein erstes neuronales Netz,
4 ein Datenfluss zur Berechnung von Abweichungen zwischen Ausgangsdatensätzen des ersten neuronalen Netzes und des reduzierten neuronalen Netzes,
5 eine Mannigfaltigkeit des ersten Netzes nach 3,
6 das reduzierte neuronale Netz nach einem Initialisieren des reduzierten neuronalen Netzes,
7 das reduzierte neuronale Netz nach einem Hinzufügen einer weiteren Basisfunktion,
8 das reduzierte neuronale Netz nach Beendigung des Verfahrens nach 2,
9 eine Mannigfaltigkeit des reduzierten neuronalen Netzes nach Beendigung des Verfahrens.

1 zeigt ein erfindungsgemäßes Fahrzeug 1 mit einem erfindungsgemäßen Steuergerät 2. Das Fahrzeug 1 kann eine Kamera 3, einen Entfernungssensor 4, eine Messeinrichtung 5 zur Erfassung von Betriebsparametern des Fahrzeugs 1 und eine Einrichtung 6 zur Erfassung eines Zustandes eines Fahrers des Fahrzeugs 1 aufweisen. Die Betriebsparameter können die oben genannten Parameter sein. Zudem hat das Fahrzeug zumindest eine erste Fahrzeugkomponente 7, eine zweite Fahrzeugkomponente 8 und eine dritte Fahrzeugkomponente 9, die beispielsweise jeweils eine Antriebseinheit, eine Fahrwerkskomponente oder ein Sicherheitselement, wie ein Airbag oder ein Gurtsystem, sein können.
2 zeigt einzelne Schritte des erfindungsgemäßen Verfahrens zur Erzeugung eines reduzierten neuronalen Netzes 20 für das Steuergerät 2 des Fahrzeugs 1. Ein erster Schritt 11 umfasst ein Initialisieren des reduzierten neuronalen Netzes 20. Ein zweiter Schritt 12 umfasst ein Berechnen von jeweiligen ersten korrespondierenden Ausgangsdatensätzen (31a, 31b, 31z) mit Hilfe eines ersten neuronalen Netzes 30 und in Abhängigkeit eines jeweiligen Eingangsdatensatzes (32a, 32b, 32z), wobei eine Gesamtheit der Eingangsdatensätze (32a, 32b, 32z) eine erste Menge 32 der Eingangsdatensätze (32a, 32b, 32z) bildet.
Ein dritter Schritt 13 umfasst ein Bestimmen, bevorzug mithilfe eines Vergleichsmoduls 44, von jeweiligen Abweichungen 42 der ersten Ausgangsdatensätze 31 von jeweiligen Vergleichsdatensätzen 41, in der 4 beispielhaft mit 42a, 42b, 42z bezeichnet. Der jeweilige erste Ausgangsdatensatz, in der 4 beispielsweise mit 31a, 31b, 31z bezeichnet, korrespondiert mit dem jeweiligen Vergleichsdatensatz, in 4 beispielsweise mit 41a, 41b, 41z bezeichnet.
Die in 3 und 4 gezeigten Datensätze, die denselben Buchstaben aufweisen, korrespondieren miteinander. Dies meint, dass diese Datensätze zu einem einzelnen Ereignis, insbesondere zu einem einzelnen Zeitpunkt gehören können, bei dem beispielsweise eine Aufzeichnung von Sensordaten des Fahrzeugs 1 durchgeführt wurde.
Dabei kann die erste Menge 32 erste Sensordaten 33a, 33b, 33z, die beispielsweise mit der Kamera 3 erfasst wurden, zweite Sensordaten 34a, 34b, 34z, die mit dem Entfernungssensor 4 erfasst wurden, dritte Sensordaten 35a, 35b, 35z, die mit Hilfe der Messeinrichtung 5 erfasst wurden, und vierte Sensordaten 36a, 36b, 36z, die mit der Einrichtung 6 erfasst wurden, aufweisen.
Die ersten Ausgangsdatensätze 31 können jeweils beispielsweise erste Steuerungsparameter 37a, 37b, 37z zum Steuern der ersten Fahrzeugkomponente 7, zweite Steuerungsparameter 38a, 38b, 38z zur Steuerung der zweiten Fahrzeugkomponente 8 und dritte Steuerungsparameter 39a, 39b, 39z zur Steuerung der dritten Fahrzeugkomponente 9 aufweisen.
Ein vierter Schritt 14 des Verfahrens umfasst ein Adaptieren des reduzierten neuronalen Netzes 20 in Abhängigkeit einer zweiten Menge der Eingangsdatensätze. Die zweite Menge ist eine Teilmenge der ersten Menge 32. Die zu den Eingangsdatensätzen der zweiten Menge korrespondierenden ersten Ausgangsdatensätze weisen im Durchschnitt eine größere Abweichung auf als die zu den übrigen Eingangsdatensätzen der ersten Menge 32 korrespondierenden ersten Ausgangsdatensätze. Die übrigen Eingangsdatensätze bilden eine dritte Menge der Eingangsdatensätze. Das reduzierte neuronale Netz 20 wird in dem vierten Schritt 14 unabhängig von der dritten Menge der Eingangsdatensätze adaptiert. Mit anderen Worten wird das reduzierte Netz 20 indirekt in Abhängigkeit derjenigen Eingangsdatensätze der ersten Menge 32 adaptiert, die die im Durchschnitt die größten Abweichungen der ersten korrespondierenden Ausgangsdatensätze 31 erzeugen. Die Abhängigkeit kann wie oben beschrieben auch indirekt sein.
Der dritte Schritt 13 und der vierte Schritt 14 werden so lange wiederholt, bis ein Abbruchkriterium 15 erfüllt ist. Vorteilhaft werden alle Eingangsdatensätze, die in dem vierten Schritt 14 in der zweiten Menge enthalten sind, beim Wiederholen der Schritte 13, 14 in Form einer vierten Menge gesammelt.
Gemäß einer ersten Variante ist das Steuergerät 2 derart eingerichtet, die einzelnen Schritte des erfindungsgemäßen Verfahrens nach einer der bereits genannten oder im Folgenden genannten Varianten durchzuführen. Gemäß einer zweiten Variante ist das Steuergerät 2 mit Hilfe des erfindungsgemäßen Verfahrens nach den bereits genannten oder im Folgenden genannten Varianten erzeugt.
1 zeigt weiterhin ein Computerprogrammprodukt 10, das, wenn es von einem Computer ausgeführt wird, den Computer veranlasst, ein Verfahren nach den bisher genannten oder im Folgenden genannten Varianten durchzuführen. Das Computerprogrammprodukt 10 kann in dem Steuergerät 2 gespeichert sein oder in einer weiteren Variante als Programm auf einem externen Datenträger außerhalb des Fahrzeugs 1 vorliegen. Der Computer befindet sich vorteilhaft in dem Steuergerät und kann in Form eines Mikrocontrollers ausgebildet sein. Dadurch, dass mithilfe des Computerproduktes 10 das vorgeschlagene Verfahren auf dem Computer ausgeführt werden kann, weist es die bereits für das Verfahren genannten Vorteile auf.
Gemäß einer bevorzugten Ausgestaltung wird der jeweilige Vergleichsdatensatz 41a, 41b, 41z mit Hilfe des reduzierten Netzes 20 und in Abhängigkeit von dem entsprechenden Eingangsdatensatz 32a, 32b, 32z berechnet. Eine weitere Ausgestaltung sieht vor, dass das erste neuronale Netz 30 mit Hilfe der ersten Ausgangsdatensätze 31 und der ersten Menge 32 der Eingangsdatensätze trainiert wurde.
Gemäß eines einfachen Beispiels ist ein einzelner Ausgangsdatensatz, wie beispielsweise der erste Ausgangsdatensatz 31a, 31b oder 31z, in Form eines Vektors mit drei Einträgen ausgebildet, wie es in 3 gezeigt ist. Des Weiteren können die Eingangsdatensätze der ersten Menge 32 sehr viele Einträge, d. h. bis zu beispielsweise 20.000 Einträge, aufweisen. Eine interne Logik des ersten neuronalen Netzes 30 kann mit Hilfe folgender Formel dargestellt werden: $\vec{y_{J}} = \sum_{i = 1}^{n} [α_{i} (\vec{u_{J}}) \cdot φ_{i}]; mit \vec{y_{J}} = (\begin{matrix} y_{1} \\ y_{2} \\ y_{3} \end{matrix}),$
wobei $α_{i} (\vec{μ})$
ein jeweiliger Koeffizient ist, dessen Wert von seinem Argument $\vec{μ_{J}}$
abhängt, φ_i Basisfunktionen sind und $\vec{y_{J}}$
ein Ausgangsvektor des ersten neuronalen Netzes 30 ist. Der Ausgangsvektor $\vec{y_{J}}$
des ersten Netzes 30 kann, je nachdem welcher der Eingangsdatensätze der ersten Menge 32 an einem Eingang des Netzes 30 anliegt, in Form einer der ersten Ausgangsdatensätze 31a, 31b oder 31z vorliegen. Dabei kann der Vektor $\vec{μ_{J}}$
einer der Eingangsdatensätze 32a, 32b oder 32z sein. Alle möglichen Ausgangsvektoren $\vec{y_{J}},$
die das erste Netz 30 in Abhängigkeit von allen möglichen Eingangsdatensätzen $\vec{μ_{J}}$
des ersten Netzes 30 errechnen kann, sind für ein einfaches Anwendungsbeispiel in 5 in einem dreidimensionalen Raum in Form einer Kurve 51 dargestellt. Die Kurve 51 kann in diesem Sinne eine Mannigfaltigkeit des ersten neuronalen Netzes 30 ausbilden, auf die alle möglichen Eingangsdatensätze, die als Eingabe für das erste neuronale Netz 30 verwendet werden können, mit Hilfe der internen Logik des ersten Netzes 30 auf diese Mannigfaltigkeit abgebildet werden können.
5 zeigt beispielhaft einzelne Punkte 51a, 51b, 51z, die auf der Kurve 51 liegen und entsprechend mit dem ersten Ausgangsdatensatz 31a, 31b beziehungsweise 31z korrespondieren. Jedes Mal, wenn mit Hilfe eines Eingangsdatensatzes und des ersten neuronalen Netzes 30 ein weiterer erster Ausgangsdatensatz berechnet wird, kann computergestützt ein weiterer Punkt in dem in 5 gezeigten dreidimensionalen Raum eingefügt und dadurch die Kurve 51 approximiert werden.
Im Folgenden soll die Erzeugung des reduzierten Netzes 20 beschrieben werden. Nach dem ersten Schritt 11 weist das reduzierte Netz 20 vorzugsweise eine initiale Basisfunktion 21, im Folgenden auch als Ψ₀ bezeichnet, und bevorzugt ein initiales Gewicht 22, im Folgenden als β₀ bezeichnet, auf. Beispielhaft und nicht einschränkend hat das reduzierte Netz 20 einen ersten Ausgang 61, einen zweiten Ausgang 62 und einen dritten Ausgang 63 und vorzugsweise so viele Eingänge 64, wie ein einzelner Eingangsdatensatz der ersten Menge 32 an Einträgen aufweist. Die initiale Basisfunktion 21 und das initiale Gewicht 22 werden vorzugsweise mit Hilfe eines Zufallsgenerators bestimmt.
Vorteilhafterweise weist die zweite Menge bei der Durchführung, und insbesondere auch bei jeder wiederholten Durchführung, des vierten Schrittes 14 nur einen einzigen Eingangsdatensatz auf. Die jeweilige Abweichung des zu diesem einzigen Eingangsdatensatz der zweiten Menge korrespondierenden ersten Ausgangsdatensatzes ist vorteilhaft größer als alle einzelnen Abweichungen der übrigen ersten Ausgangsdatensätze der ersten Menge. In diesem Fall kann das reduzierte Netz in dem vierten Schritt nach einem „Greedy Algorithm“ adaptiert werden.
Ist beispielsweise die Abweichung 42a größer als alle anderen Abweichungen, die in dem dritten Schritt 13 berechnet werden, wie beispielsweise die Abweichungen 42b bis 42z, so kann die zweite Menge durch den mit dem ersten Ausgangsdatensatz 31a korrespondierenden Eingangsdatensatz 32a gebildet werden, da der erste Ausgangsdatensatz 31a mit der Abweichung 42a korrespondiert. Korrespondieren meint, dass die Abweichung 42a mit Hilfe des ersten Ausgangsdatensatzes 31a berechnet wird. Die übrigen ersten Ausgangsdatensätze sind in diesem Fall die ersten Ausgangsdatensätze 31b bis 31z. Entsprechend bilden in diesem Beispiel die Eingangsdatensätze 32b bis 32z die dritte Menge der Eingangsdatensätze 32. Das Adaptieren des reduzierten Netzes 20 erfolgt gemäß diesem einfachen Beispiel in dem vierten Schritt 14 in Abhängigkeit von der zweiten Menge der Eingangsdatensätze 32, die in diesem Beispiel durch den einzelnen Eingangsdatensatz 32a ausgebildet ist, und unabhängig von der dritten Menge der Eingangsdatensätze 32.
Das Adaptieren des reduzierten Netzes 20 kann in einer bevorzugten Ausgestaltung durch ein Hinzufügen einer weiteren Basisfunktion 71, im Folgenden auch weitere Basisfunktion ψ_i+1 genannt, und vorteilhaft durch ein Hinzufügen eines weiteren Gewichtes 72, im Folgenden auch weiteres Gewicht β_i+1 genannt, wie es in 7 gezeigt ist, erfolgen. Demnach zeigt 6 das reduzierte Netz 20 nach dem ersten Schritt 11 und vor dem vierten Schritt 14 und die 7 das reduzierte Netz 20 nach dem vierten Schritt 14. Nach einem mehrmaligen Wiederholen der Schritte 13, 14 kann das reduzierte Netz 20, wie in 8 gezeigt, mehrere Basisfunktionen 81 und mehrere Gewichte 82 aufweisen. Die Gewichte 82 können bevorzugt jeweils in Abhängigkeit von einem an den Eingängen 64 angelegten Eingangsdatensatz der ersten Menge 32 ihre jeweiligen Werte ändern und nehmen bevorzugt für denselben Eingangsdatensatz unterschiedliche Werte an. Eine interne Logik des reduzierten Netzes 20 kann durch folgende Formel dargestellt werden: ${\vec{y}}_{J r e d} = \sum_{i = 1}^{N} [β_{i} (\vec{μ_{J}}) \cdot ψ_{i}], mit \vec{y_{J r e d}} = (\begin{matrix} y_{1_{r e d}} \\ y_{2_{r e d}} \\ y_{3_{r e d}} \end{matrix}),$
wobei $β_{i} (\vec{μ})$
eines der mehreren Gewichte 82 ist, dessen Wert von seinem Argument $\vec{μ_{J}}$
abhängt, ψ_i Basisfunktionen des reduzierten Netzes 20 sind und $\vec{y_{J r e d}}$
ein Ausgangsvektor des reduzierten Netzes 20, wie beispielsweise der erste Ausgangsdatensatz 31a, ist.
Gemäß einer Variante kann beim Wiederholen der Schritte 13, 14 die weitere Basisfunktion ψ_i+1, die dem reduzierten Netz 20 hinzugefügt wird, als Vektor ausgebildet sein und vorteilhaft derjenige erste Ausgangsdatensatz der ersten Ausgangsdatensätze 31 sein, dessen Abweichung am größten ist. Gemäß dem oben genannten Beispiel kann die weitere Basisfunktion ψ₁, der erste Ausgangsdatensatz 31a sein, wenn der vierte Schritt 14 zum ersten Mal durchgeführt wird. In diesem Fall kann der Ausgangsvektor des reduzierten Netzes 20 die Werte des ersten Ausgangsdatensatz 31a annehmen, wenn an die Eingänge 64 Signale, die Informationen der Einträge des Eingangsdatensatzes 32a enthalten, geleitet werden.
Vorteilhaft wird das weitere Gewicht β_i+1, das in dem vierten Schritt dem reduzierten Netz hinzugefügt wird, zumindest an eine Information angepasst, die in dem Eingangsdatensatz enthalten ist, der in der zweiten Menge enthalten ist. In einer Weiterbildung kann die jeweilige weitere Basisfunktion und bevorzugt auch das weitere Gewicht mithilfe einer „Reduced Basis Method“ bestimmt werden.
Besonders vorteilhaft ist beim Wiederholen des vierten Schrittes 14 ein einzelner Eingangsdatensatz der ersten Menge 32, bezogen auf das bisherige Beispiel der Eingangsdatensatz 32a, nicht ein weiteres Mal in der zweiten Menge enthalten.
Vorteilhafterweise enthält die zweite Menge denjenigen Eingangsdatensatz, dessen korrespondierender erster Ausgangsdatensatz die größte Abweichung aufweist. Dieser korrespondierende erste Ausgangsdatensatz kann in Form der weiteren Basisfunktion dem reduzierten Netz 20 hinzugefügt werden. Bezogen auf das bisherige Beispiel ist hier der erste Ausgangsdatensatz 31a gemeint. Nachdem die Schritte 13, 14 mehrmals wiederholt worden sind, können die hinzugefügten weiteren Basisfunktionen eine Spur der relevantesten ersten Ausgangsdatensätze darstellen.
Das Abbruchkriterium 15 kann beispielsweise dann erfüllt sein, wenn die Abweichung desjenigen ersten Ausgangsdatensatzes, der mit dem Eingangsdatensatz der zweiten Menge korrespondiert, unterhalb einer vorgegebenen ersten Schranke liegt. Die Abweichung kann in Form der oben genannten Vektornorm des oben genannten des Differenzvektors berechnet werden. Die Vektornorm kann beispielsweise die Maximumsnorm sein. Möglich ist weiterhin, dass eine maximale Abweichung aller ersten Ausgangsdatensätze 31 mithilfe einer oberen Schranke approximiert werden. Dadurch kann eine Rechenzeit zur Ausführung des Verfahrens reduziert werden.
Das vorgeschlagene Verfahren ermöglicht es, dass eine Anzahl der Basisfunktionen ψ_j des reduzierten Netzes 20 um einen Faktor von größer als 1 geringer als eine Anzahl der Basisfunktionen φ_i des ersten Netzes 30 ist, nachdem die Schritte 13, 14 so oft wiederholt worden, bis das Abbruchkriterium 15 erfüllt ist. Der Faktor kann beispielsweise in einem Bereich zwischen zehn und eintausend liegen. Dadurch kann eine Mannigfaltigkeit des reduzierten Netzes geringer als die Mannigfaltigkeit des ersten Netzes sein. Die Mannigfaltigkeit des reduzierten Netzes kann bevorzugt mithilfe einer Gesamtheit der hinzufügten Basisfunktionen approximiert werden. Vorzugsweise sind alle Basisfunktionen des reduzierten Netzes 20 linear unabhängig voneinander. Dadurch kann der Faktor weiter erhöht werden.
Das vorgeschlagene Verfahren ermöglicht es, die Mannigfaltigkeit des ersten Netzes 30 ausreichend genau mithilfe der Basisfunktionen des reduzierten Netzes 20 zu approximieren. Ausreichend genau meint, dass das Abbruchkriterium erfüllt ist, insbesondere wenn eine Anzahl der Eingangsdatensätze der vierten Menge kleiner als ein Drittel einer Anzahl der Eingangsdatensätze der ersten Menge ist.
Die Mannigfaltigkeit des reduzierten Netzes kann als eine Gesamtheit aller möglichen Ausgangsvektoren $\vec{y_{J r e d}}$
betrachtet werden, die das reduzierte Netz 20 in Abhängigkeit von allen möglichen Eingangsdatensätzen $\vec{μ_{J}}$
berechnen kann. Die Mannigfaltigkeit des reduzierten Netzes 20 ist beispielhaft in 9 in einem dreidimensionalen Raum in Form einer Kurve 91 dargestellt, wobei die Kurve 91 einen weicheren Verlauf als die Kurve 51 hat. In einer weiteren Ausgestaltung kann die jeweilige Abweichung abgeschätzt werden. Dadurch kann eine Rechenzeit eingespart werden.
In einer weiteren Ausführungsform werden zu jedem der Eingangsdatensätze der vierten Menge jeweilige zweite korrespondierende Ausgangsdatensätze mithilfe des reduzierten Netzes 20 berechnet. Anhand der zweiten Ausgangsdatensätze kann eine Verteilung der zweiten Ausgangsdatensätze in einem Ausgaberaum des reduzierten Netzes 20, im Folgenden reduzierter Ausgaberaum genannt, zur Analyse des reduzierten Netzes 20 oder zur Analyse der vierten Menge errechnet werden. Die Verteilung wird bevorzugt visualisiert, um zumindest einen ersten Bereich 92 in dem reduzierten Ausgaberaum zu ermitteln, in dem eine hohe Dichte an zweiten Ausgangsdatensätzen im Vergleich zu einer durchschnittlichen Dichte der zweiten Ausgangsdatensätzen in dem reduzierten Ausgaberaum vorliegt. Analog kann zumindest ein zweiter Bereich 93 erfasst werden, in dem eine niedrige Dichte an zweiten Ausgangsdatensätzen im Vergleich zu der durchschnittlichen Dichte vorliegt. In dem zweiten Bereich 93 weist das reduzierte Netz 20 eine vergleichsweise geringe und in dem ersten Bereich 92 eine vergleichsweise hohe Sensitivität gegenüber Veränderungen von an den Eingängen 64 angelegten Eingangsdatensätzen der ersten Menge auf.
Anhand derjenigen Eingangsdatensätze, die mit den zweiten Ausgangsdatensätzen, die in dem ersten Bereich 92 liegen, korrespondieren, kann ein Unterraum eines möglichen Eingaberaumes des reduzierten Netzes 20 gebildet werden, der diese Eingangsdatensätze begrenzt. In diesem Unterraum können neue Eingangsdatensätze gebildet werden und zu diesen neuen Eingangsdatensätzen entsprechende neue Ausgangsdatensätze erfasst werden, zum Beispiel während Testfahrten mit dem Fahrzeug 1. Dabei können die neuen Eingangsdatensätze mithilfe eines Auslesens von weiteren ersten Steuerungsparametern zum Steuern der ersten Fahrzeugkomponente 7, weiteren zweiten Steuerungsparametern zur Steuerung der zweiten Fahrzeugkomponente 8 und dritten Steuerungsparametern zur Steuerung der dritten Fahrzeugkomponente 9 aus entsprechenden Steuergeräten gewonnen werden.
Mithilfe der neuen Eingangsdatensätze und der neuen Ausgangsdatensätze kann das reduzierte Netz 20 optimiert werden. Hierzu kann der Schritt 12 erneut, bevorzugt einmalig, wiederholt und die Schritte 13, 14 erneut mehrmalig wiederholt werden. Hierbei bilden bevorzugt die neuen Eingangsdatensätze die erste Menge der Eingangsdatensätze und die neuen Ausgangsdatensätze die Vergleichsdatensätze.
Des Weiteren können zu jedem der Eingangsdatensätze der vierten Menge jeweilige dritte Ausgangsdatensätze mithilfe des ersten Netzes 30 berechnet und eine jeweilige zweite Abweichung zwischen den zweiten und den korrespondierenden dritten Ausgangsdatensätzen bestimmt werden. Anhand der zweiten Abweichungen können kritische Bereiche der reduzierten Mannigfaltigkeit gebildet werden, in denen die zweiten Abweichungen höher als ein Durchschnitt der zweiten Abweichungen sind. Für die kritischen Bereiche können analog wie für den ersten Bereich 92 weitere neue Eingangsdatensätze und Ausgangsdatensätze ermittelt werden und das reduzierte Netz 20 mithilfe dieser weiteren neuen Daten in gleicher Weise optimiert werden. Hierzu kann der Schritt 12 erneut bevorzugt einmalig wiederholt werden und die Schritte 13, 14 erneut mehrmalig wiederholt werden, wobei bevorzugt die weiteren neuen Eingangsdatensätze die erste Menge der Eingangsdatensätze bilden und die weiteren neuen Ausgangsdatensätze als Vergleichsdatensätze verwendet werden.
Weiterhin können die kritischen Bereiche als Bereiche erfasst werden, in denen das reduzierte Netz 20 nicht betrieben wird. Dadurch kann eine Sicherheit bei einem Einsatz des reduzierten Netzes 20 in dem Steuergerät 2 erhöht werden.
Im Folgenden soll ein weiteres Anwendungsbeispiel betrachtet werden, bei welchem das erste Netz 30 und das reduzierte Netz jeweils als ein Klassifikator verwendet werden können. Die Eingangsdatensätze 32 können Bilddatensätze von einem Objekt sein, das die Kamera 3 erfasst. Die Werte y₁ , y₂ , y₃ können jeweils Wahrscheinlichkeitswerte sein, die angeben, mit welcher Wahrscheinlichkeit das Objekt zu einer ersten, zweiten beziehungsweise dritten Klasse gehört. Somit sind die Werte y₁ , y₂ , y₃ den entsprechenden Klassen zugeordnet. Dabei können die erste Klasse eine Vielfalt von Personen, die zweite Klasse eine Vielfalt von Fahrzeugen und die dritte Klasse eine Vielfalt von weiteren Objekten umfassen. In diesem Beispiel kann die erste Schranke gleich zehn Prozent und die jeweilige Abweichung die Maximumsnorm des Differenzvektors sein.
Mit dem vorgeschlagenen Verfahren ist es möglich, das reduzierte Netz 20 derart zu erzeugen, dass es eine ähnlich gute Trefferquote beim Klassifizieren des Objektes hat, aber der oben genannte Faktor bei etwa zehn oder höher liegt. In Abhängigkeit entsprechender Werte y_1red, y_2red, y_3red , die das reduzierte Netz 20 bei dem Einsatz des reduzierten Netzes 20 in dem Steuergerät 2 ausgeben kann, kann das Steuergerät 2 den Airbag aktivieren. Aufgrund der geringeren reduzierten Mannigfaltigkeit im Vergleich zur Mannigfaltigkeit des ersten Netzes 30 kann das Steuergerät 2 die Werte y_1red, y_2red, y_3red schneller berechnen und in Abhängigkeit dieser Werte den Airbag schneller aktivieren. Des Weiteren ist es möglich, dass das reduzierte Netz 20 verrauschte Eingangsdaten besser als das erste Netz 30 filtern kann und dadurch bessere Ergebnisse bei der Klassifizierung von Objekten, die mit der Kamera 3 erfasst werden, erzielt.
In einer weiteren Ausgestaltung werden mithilfe des reduzierten Netzes 20 und mit zumindest einem Testeingangsdatensatz ein erster Testausgangsdatensatz und mithilfe des ersten Netzes 30 und des Testeingangsdatensatzes ein zweiter Testausgangsdatensatz erzeugt. Weiterhin kann bei dieser Ausgestaltung ein Vergleich zwischen dem ersten Testausgangsdatensatz und dem zweiten Testausgangsdatensatz durchgeführt werden. In Abhängigkeit eines Ergebnisses des Vergleiches fließt zumindest eine Information des ersten und/oder des zweiten Testausgangsdatensatzes in eine weitere Datenverarbeitung mit ein. Diese Ausgestaltung sieht bevorzugt vor, dass sowohl das reduzierte Netz 20 als auch das erste Netz 30 in dem Fahrzeug 1, insbesondere in dem Steuergerät 2, integriert sind und bei einem Betrieb des Fahrzeugs 1 eingesetzt werden.
Auf das obige Beispiel bezogen kann der Testeingangsdatensatz einer der Bilddatensätze sein und der erste Testausgangsdatensatz durch die Werte y_1red, y_2red, y_3red und der zweite Testausgangsdatensatz durch die Werte y₁ , y₂ , y₃ ausgebildet sein. Vorteilhaft wird mithilfe eines Entscheidungsalgorithmus anhand des ersten und des zweiten Testausgangsdatensatzes eine erste beziehungsweise eine zweite Klassifikation des Objektes durchgeführt. Bezogen auf das obige Beispiel wird dem Objekt bei der ersten und bei der zweiten Klassifikation jeweils entweder die erste, zweite oder dritte Klasse zugeordnet. Der Entscheidungsalgorithmus kann vorsehen, dass jeweils diejenige Klasse ausgewählt wird, dessen zugeordneter Wahrscheinlichkeitswert am höchsten ist. Im Anschluss daran kann der Vergleich in Form eines Vergleiches eines Ergebnisses der ersten Klassifikation mit einem Ergebnis der zweiten Klassifikation durchgeführt werden.
Der Vergleich zwischen dem ersten Testausgangsdatensatz und dem zweiten Testausgangsdatensatz wird in diesem Fall indirekt anhand des Vergleiches zwischen dem Ergebnis der ersten und der zweiten Klassifikation durchgeführt. Gemäß einer anderen Variante kann jeweils das Ergebnis der ersten Klassifikation als erster Testausgangsdatensatz und das Ergebnis der zweiten Klassifikation als zweiter Testausgangsdatensatz betrachtet und der Vergleich direkt durchgeführt werden.
In Abhängigkeit eines Ergebnisses des Vergleiches fließt zumindest eine Information des ersten und/oder des zweiten Testausgangsdatensatzes in die weitere Datenverarbeitung mit ein.
Ist in einem ersten Fall das Ergebnis der ersten Klassifikation gleich dem Ergebnis der zweiten Klassifikation, d.h. dem Objekt wurde in beiden Fällen dieselbe Klasse zugeordnet, so kann das Ergebnis der ersten und/oder zweiten Klassifikation an eine weitere Komponente 101 zur Auslösung einer der Fahrzeugkomponenten 7, 8, 9, insbesondere des Sicherheitselementes, weitergeleitet werden. Die weitere Komponente 101 kann ein Steuergerät einer der Fahrzeugkomponenten 7, 8, 9 oder ein Aktivierungsmodul des Steuergerätes 2 sein. Die weitere Datenverarbeitung wird in diesem Fall mithilfe der weiteren Komponente 101 durchgeführt, wobei die Information des ersten und/oder des zweiten Testausgangsdatensatzes bevorzugt der jeweilige höchste Wert der Werte y_1red, y_2red, y_3red beziehungsweise der Werte y₁ , y₂ , y₃ sein kann.
Ist in einem zweiten Fall das Ergebnis der ersten Klassifikation gegenüber dem Ergebnis der zweiten Klassifikation unterschiedlich, d.h. dem Objekt wurde eine unterschiedliche Klasse zugeordnet, so sind mithilfe des Steuergerätes 2 bevorzugt eine erste Alternative und/oder eine zweite Alternative umsetzbar.
Gemäß der ersten Alternative des zweiten Falls kann zumindest ein Unterschied zwischen zumindest einem ersten Wertepaar y_1red, y₁ , einem zweiten Wertepaar y_2red, y₂ und/oder einem dritten Wertepaar y_3red, y₃ ermittelt werden. Bevorzugt wird zumindest der Unterschied desjenigen Wertepaares ermittelt, das zumindest den höchsten Wert der Werte y_1red, y_2red, y_3red aufweist, im Folgenden kritisches Wertepaar genannt.
Je nachdem wie das Ergebnis der ersten Klassifikation ausfällt, kann das kritische Wertepaar die Werte y₁ , y₂ oder y₃ aufweisen. Weist das kritische Wertepaar einen Wert auf, der der zweithöchste der Werte y₁ , y₂ und y₃ ist, so leitet das Steuergerät vorteilhaft das Ergebnis der ersten Klassifikation an die weitere Komponente 101 zur Auslösung einer der Fahrzeugkomponenten 7, 8, 9 weiter. In diesem Fall wird davon ausgegangen, dass das reduzierte Netz 20 eine bessere Klassifizierung als das erste Netz 30 vorgenommen hat. Die weitere Datenverarbeitung wird in diesem Fall mithilfe der weiteren Komponente 101 durchgeführt, wobei die Information des ersten Testausgangsdatensatzes der jeweilige höchste Wert der Werte y_1red, y_2red, y_3red ist.
Gemäß der zweiten Alternative des zweiten Falls kann ein Notfallprogramm ausgelöst werden, insbesondere, wenn das kritische Wertepaar einen Wert aufweist, der der niedrigste der Werte y₁ , y₂ und y₃ ist. In diesem Fall weichen das Ergebnis der ersten und der zweiten Klassifikation stark voneinander ab. Das Notfallprogramm kann vorsehen, dass das Fahrzeug 1 gebremst wird oder ein Warnzeichen in einem Cockpit des Fahrzeugs 1 aktiviert wird. Die weitere Datenverarbeitung kann in diesem Fall in dem Steuergerät 2 stattfinden und das Notfallprogramm auslösen. In diesem Fall fließen Informationen des ersten und des zweiten Testausgangsdatensatzes mit in die weitere Datenverarbeitung ein, weil die unterschiedlichen Ergebnisse der Klassifizierungen das Notfallprogramm auslösen.
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 102018103113 [0002]

Claims

Verfahren zur Erzeugung eines reduzierten neuronalen Netzes (20) für ein Steuergerät (2) eines Fahrzeugs (1) und/oder einer Fahrzeugkomponente (7, 8, 9) mit den folgenden Schritten: - Initialisieren des reduzierten neuronalen Netzes (20) in einem ersten Schritt (11), - Berechnen von jeweiligen ersten korrespondierenden Ausgangsdatensätzen (31a, 31b, 31z) mithilfe eines ersten neuronalen Netzes (30) und in Abhängigkeit eines jeweiligen Eingangsdatensatzes (32a, 32b, 32z), wobei eine Gesamtheit der jeweiligen Eingangsdatensätze (32a, 32b, 32z) eine erste Menge (32) der Eingangsdatensätze bildet, in einem zweiten Schritt (12) - Bestimmen von jeweiligen Abweichungen (42a, 42b, 42z) der ersten Ausgangsdatensätze (31a, 31b, 31z) von jeweiligen Vergleichsdatensätzen (41a, 41b, 41z) in einem dritten Schritt (13), wobei der jeweilige erste Ausgangsdatensatz (31a, 31b, 31z) mit dem jeweiligen Vergleichsdatensatz (41a, 41b, 41z) korrespondiert, - Adaptieren des reduzierten neuronalen Netzes (20) in Abhängigkeit einer zweiten Menge der Eingangsdatensätze, die eine Teilmenge der ersten Menge ist, wobei die zu den Eingangsdatensätzen der zweiten Menge korrespondierenden ersten Ausgangsdatensätze im Durchschnitt eine größere Abweichung aufweisen als die zu den übrigen Eingangsdatensätzen der ersten Menge korrespondierenden ersten Ausgangsdatensätze, wobei die übrigen Eingangsdatensätze eine dritte Menge der Eingangsdatensätze bilden und das reduzierte neuronale Netz (20) unabhängig von der dritten Menge der Eingangsdatensätze adaptiert wird, in einem vierten Schritt (16), - Wiederholen der Schritte drei und vier, bis ein Abbruchkriterium erfüllt ist.
Verfahren nach Anspruch 1, wobei der jeweilige Vergleichsdatensatz (41a, 41b, 41z) mithilfe des reduzierten neuronalen Netzes (20) und in Abhängigkeit desjenigen Eingangsdatensatzes (32a, 32b, 32z), mit dem jeweils der erste korrespondierende Ausgangsdatensatz berechnet wird, berechnet wird.
Verfahren nach Anspruch 1 oder 2, wobei die jeweilige Abweichung mithilfe einer oberen Schranke abgeschätzt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das reduzierte neuronale Netz (20) Basisfunktionen (81) aufweist und das reduzierte neuronale Netz (20) derart adaptiert wird, dass in dem vierten Schritt zumindest eine weitere Basisfunktion (71) dem reduzierten neuronale Netz (20) hinzugefügt wird und durch das Hinzufügen der weiteren Basisfunktion (71) eine Dimension einer Mannigfaltigkeit des reduzierten neuronalen Netzes (20) erhöht wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei alle bei einem mehrmaligen Wiederholen des vierten Schrittes in der zweiten Menge enthaltenen Eingangsdatensätze in Form einer vierten Menge der Eingangsdatensätze gesammelt werden und zu den jeweiligen Eingangsdatensätzen der vierten Menge jeweilige zweite korrespondierende Ausgangsdatensätze mithilfe des reduzierten neuronalen Netzes (20) berechnet werden und anhand der zweiten Ausgangsdatensätze eine Verteilung der zweiten Ausgangsdatensätze in einem Ausgaberaum des reduzierten neuronalen Netzes (20) zur Analyse des reduzierten neuronalen Netzes oder zur Analyse der vierten Menge errechnet wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei mithilfe des reduzierten neuronalen Netzes und mit zumindest einem Testeingangsdatensatz ein erster Testausgangsdatensatz und mithilfe des ersten neuronalen Netzes und des Testeingangsdatensatzes ein zweiter Testausgangsdatensatz erzeugt werden und ein Vergleich zwischen dem ersten Testausgangsdatensatz und dem zweiten Testausgangsdatensatz durchgeführt wird und in Abhängigkeit eines Ergebnisses des Vergleiches zumindest eine Information des ersten und/oder des zweiten Testausgangsdatensatzes in eine weitere Datenverarbeitung mit einfließt.
Reduziertes neuronales Netz (20), eingerichtet durch ein Verfahren nach einem der Ansprüche 1 bis 6.
Steuergerät (2) für ein Fahrzeug (1) und/oder eine Fahrzeugkomponente (7, 8, 9), eingerichtet durch ein Verfahren und/oder für die Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 6.
Fahrzeug (1), umfassend ein Steuergerät (2) nach Anspruch 8.
Computerprogrammprodukt (10), umfassend ein Programm, das, wenn es von einem Computer ausgeführt wird, den Computer veranlasst, ein Verfahren nach einem der Ansprüche 1 bis 6 durchzuführen.