-
Die Erfindung betrifft ein Verfahren zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs. Die Erfindung betrifft des Weiteren eine Vorrichtung zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs. Die Erfindung betrifft des Weiteren ein Computerprogramm und computerlesbares Speichermedium zum Ermitteln eines Datensatzes einer Straßenkarte.
-
Durch eine Vielzahl von elektrischen Verbrauchern weisen moderne Fahrzeuge, insbesondere Elektro- oder Hybridfahrzeuge, immer komplexere Energiesysteme auf.
-
Die Aufgabe, die der Erfindung zugrunde liegt, ist zu einem verbesserten Energiemanagement in Fahrzeugen beizutragen.
-
Die Aufgabe wird gelöst durch die Merkmale der unabhängigen Patentansprüche. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.
-
Die Erfindung zeichnet sich aus durch ein Verfahren zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs. Die Erfindung zeichnet sich des Weiteren aus durch eine Vorrichtung zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs, wobei die Vorrichtung dazu ausgebildet ist das Verfahren auszuführen.
-
Bei dem Verfahren wird ein zu kartierender Bereich einer Straßenkarte bereitgestellt. Der zu kartierende Bereich wird in Segmente aufgeteilt. Für jedes Segment wird ein Merkmalsvektor des jeweiligen Segments ermittelt, wobei der Merkmalsvektor mindestens einen Eintrag aufweist, der einen Einfluss hat auf das Energiemanagement eines Fahrzeugs. Die Segmente werden in Cluster aufgeteilt, wobei jedes Cluster einer Segment-Klasse entspricht. Aus den Segmenten wird ein Messgebiet ermittelt, wobei in dem Messgebiet jede Segment-Klasse mindestens einmal enthalten ist. Messdaten werden erfasst, wobei die Messdaten repräsentativ sind für Fahrzeugdaten eines Messfahrzeugs in dem Messgebiet, die einen Einfluss haben auf das Energiemanagement des Fahrzeugs. Abhängig von den Messdaten wird mindestens eine Kennzahl für jedes Segment der Segmente des Messgebiets ermittelt, die einen Einfluss hat auf das Energiemanagement des Fahrzeugs. Mittels der Segmente des Messgebiets und den jeweiligen Kennzahlen wird ein Machine Learning-Algorithmus trainiert. Mittels des Machine Learning-Algorithmus werden Kennzahlen für die Segmente des zu kartierenden Bereiches ermittelt, die nicht Teil des Messgebiets sind. Zur Straßenkarte wird ein Datensatz gespeichert, der die jeweilige Kennzahl zu jedem Segment umfasst.
-
Durch das beschriebene Verfahren wird ermöglich, dass mit relativ geringem Messaufwand einen sehr genauen Datensatz für einen größeren Bereich einer Straßenkarte ermittelt werden kann, der für ein Energiemanagement eines Fahrzeugs genutzt werden kann. Gerade zukünftige Algorithmen der künstlichen Intelligenz für das elektrische Energiemanagement benötigen hochgenaue Karten, die das tatsächliche energetische Systemverhalten des Fahrzeugs abbilden, um Effizienz- und CO2-Einsparungspotenziale zu ermöglichen.
-
Somit wird durch das Verfahren also einerseits der Messaufwand reduziert, der für eine Kartierung des gesamten Bereichs der Straßenkarte nötig wäre. Weiterhin wird hiermit ein sehr detaillierter Datensatz erstellt, der ein tatsächliches durch Fahrer und ggf. weitere Insassen bedingtes energiehaushaltsrelevantes Systemverhalten sehr genau beschreibt.
-
Ein derartiger Datensatz kann für Effizienz- und CO2-Einsparungspotenziale genutzt werden, insbesondere bei Hybridfahrzeugen und/oder Elektrofahrzeugen.
-
Beispielsweise kann der Datensatz bei dem so genannten RARL Algorithmus (siehe A. Heimrath, J. Froeschl, and U. Baumgarten, „Reflex-augmented reinforcement learning for electrical energy management in vehicles," in Proceedings of the 2018 International Conference on Artificial Intelligence, H. R. Arabnia, D. de La Fuente, E. B. Kozerenko, J. A. Olivas, and F. G. Tinetti, Eds. CSREA Press, 2018, pp. 429-430) genutzt werden.
-
Der zu kartierende Bereich der Straßenkarte ist beispielsweise ein größerer Bereich, bei dem ein Messaufwand sehr groß wäre. Beispielsweise entspricht der zu kartierende Bereich einem Land, wie z.B. Deutschland.
-
Das Unterteilen in Segmente erfolgt beispielsweise gemäß dem ADAS-Protokoll, mittels dessen die Straßen des gesamten zu kartierenden Bereichs segmentiert werden (das ADAS-Protokoll wird beispielsweise in folgenden Dokumenten näher beschrieben:
W02017162482A1 ; Andreas Wilde, „Eine modulare Funktionsarchitektur für adaptives und vorausschauendes Energiemanagement in Hybridfahrzeugen, Dissertation TUM; https://www.elektroniknet.de/schonzeit-fuer-das-punktekonto-1119-Seite-2.html) .
-
Das Messgebiet ist ein kleinerer Bereich des zu kartierenden Bereiches, bei dem ein Messauffand nicht zu groß ist. Das Messgebiet ist somit insbesondere eine echte Teilmenge des zu kartierenden Bereiches.
-
Gemäß einer optionalen Ausgestaltung umfasst der Merkmalsvektor mindestens eine der folgenden Größen: eine Steigung in dem Segment, einen Straßentyp in dem Segment, einen mittleren Verkehrsfluss in dem Segment, eine Infrastruktur in dem Segment, eine Stauwahrscheinlichkeit in dem Segment.
-
Gerade die obig genannten Größen lassen Rückschlüsse zu, die für ein Energiemanagement nützlich sind. Beispielsweise umfasst ein Straßentyp die Kategorie „Autobahn“, bei der das Auftreten einer Rekuperation eher unwahrscheinlich ist. Im Gegensatz dazu ist bei einer negativen Steigung eine Rekuperation sehr wahrscheinlich.
-
Insbesondere umfasst der Merkmalsvektor mehrere der obig genannten Größen, beispielsweise alle der obig genannten Größen.
-
Der Merkmalsvektor kann beliebig viele Größen umfassen, jedoch ist die Begrenzung auf eine bestimmte Anzahl sinnvoll um einen Rechenaufwand und eine Datenmenge zu begrenzen. Um dies zu erreichen, ist es möglich eine Korrelationsanalyse der einzelnen Größen durchzuführen, um dann bei Größen die stark miteinander korrelieren nur eine dieser Größen in dem Merkmalsvektor zu verwenden.
-
Gemäß einer weiteren optionalen Ausgestaltung weisen die Messdaten einen Ort und/oder Dauer und/oder Intensität einer Rekuperation des Messfahrzeugs und/oder einen Ort und/oder Dauer einer Motor-Start-Stopp-Funktion und/oder einen Ort und/oder Dauer eines Segeln des Messfahrzeugs für jedes von dem Messfahrzeug befahrene Segment auf.
-
Das Segeln ist insbesondere ein Fahren mit einem ausgekoppelten Antriebsstrang.
-
Insbesondere werden alle einzelnen Datenpunkte der Messdaten mit einer Georeferenz versehen.
-
Gemäß einer weiteren optionalen Ausgestaltung umfasst die Kennzahl mindestens eine der folgenden Größen: durchschnittliche Zeit in einem Zustand einer Rekuperation, mittlere Intensität der Rekuperation, Wahrscheinlichkeit des Auftretens der Rekuperation, durchschnittliche Zeit in einem Zustand einer Motor-Start-Stopp-Funktion, Wahrscheinlichkeit des Auftretens der Motor-Start-Stopp-Funktion, durchschnittliche Zeit in einem Zustand eines Segelns, Wahrscheinlichkeit des Auftretens des Segelns.
-
Insbesondere werden in dem Verfahren mehrere der obig genannten Kennzahlen verwendet, insbesondere alle genannten.
-
Gemäß einer weiteren optionalen Ausgestaltung wird der Machine Learning-Algorithmus trainiert, indem abhängig von dem Messgebiet und den ermittelten Kennzahlen der Segmente des Messgebietes ein Trainingsdatensatz ermittelt wird mit einer Eingangsgröße und einer Ausgangsgröße, wobei die Eingangsgröße der jeweilige Merkmalsvektor eines Segments ist und die Ausgangsgröße die jeweilige Kennzahl des Segments ist. Mittels des Trainingsdatensatzes wird der Machine Learning-Algorithmus trainiert.
-
Gemäß einer weiteren optionalen Ausgestaltung ist der Machine Learning-Algorithmus ein neuronales Netz.
-
Gemäß einer weiteren optionalen Ausgestaltung erfolgt das Aufteilen in Cluster mittels unsupervised Learning.
-
Hierdurch können die Cluster sehr einfach bestimmt werden. Beispielsweise erfolgt ein K-Means Clustering und eine Bestimmung der Cluster-Anzahl mit einer Kennzahl, z.B. einer Silhouetten-Index-Optimierung.
-
Gemäß einer weiteren optionalen Ausgestaltung wird das Messgebiet ermittelt, indem ein Startpunkt auf der Straßenkarte ermittelt wird, ein nächstgelegenes Segment jeder Segment-Klasse um den Startpunkt ermittelt wird und ein n-Eck um den Startpunkt der Straßenkarte ermittelt wird, wobei n der Anzahl der Segment-Klassen entspricht und jede Ecke des n-Ecks sich jeweils in ein nächstgelegenes Segment einer Segment-Klasse um den Startpunkt erstreckt. Die Fläche des n-Ecks repräsentiert das Messgebiet.
-
Hierdurch kann auf sehr einfache Weise ein Messgebiet ermittelt werden.
-
Der Startpunkt wird beispielsweise ermittelt, indem der Schwerpunkt aller Startpositionen der Messfahrzeuge auf der Straßenkarte ermittelt wird.
-
Das nächstgelegene Segment jeder Segment-Klasse wird beispielsweise ermittelt durch Nutzung von GPS-Koordinaten des jeweiligen Segments und des Startpunkts durch Suche entlang Baum mit Wurzel im Startpunkt.
-
Das n-Eck wird beispielsweise gebildet, indem ein n-Eck um den Startpunkt auf der Straßenkarte gelegt wird und anschließend jede Ecke jeweils in ein nächstgelegenes Segment einer Segment-Klasse um den Startpunkt gezogen wird.
-
Hierdurch kann auf sehr einfache Weise ein kompaktes Messgebiet ermittelt werden, welche jede Segment-Klasse zumindest einmal enthält.
-
Gemäß einer weiteren optionalen Ausgestaltung wird in dem Messgebiet eine Messstrecke gemäß Travelling-Salesman ermittelt.
-
Hierdurch kann die Anzahl an notwendigen Fahrten der Messfahrzeuge reduziert werden, da dann über jede Segment-Klasse nur einmal gefahren wird. Beispielsweise wird hierfür der Dijkstra-Algorithmus benutzt.
-
Gemäß eines weiteren Aspekts zeichnet sich die Erfindung aus durch ein Computerprogramm zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs, umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, das beschriebene Verfahren auszuführen.
-
Gemäß eines weiteren Aspekts zeichnet sich die Erfindung aus durch ein computerlesbares Speichermedium, auf dem das Computerprogramm gespeichert ist.
-
Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnung näher erläutert. Es zeigt:
- 1 ein Ablaufdiagramm zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs.
-
Die 1 zeigt ein Ablaufdiagramm eines Programms zum Ermitteln eines Datensatzes einer Straßenkarte für ein Energiemanagement eines Fahrzeugs.
-
Eine Vorrichtung 50 ist dazu ausgebildet, das Programm abzuarbeiten. Die Vorrichtung weist hierfür insbesondere eine Recheneinheit, einen Programm- und Datenspeicher, sowie beispielsweise eine oder mehrere Kommunikationsschnittstellen auf. Der Programm- und Datenspeicher und/oder die Recheneinheit und/oder die Kommunikationsschnittstellen können in einer Baueinheit und/oder verteilt auf mehrere Baueinheiten ausgebildet sein. Die Vorrichtung 50 kann beispielsweise in einem PC ausgebildet sein.
-
Auf dem Programm- und Datenspeicher der Vorrichtung 50 ist hierfür insbesondere das Programm gespeichert.
-
Das Programm wird in einem Schritt S1 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.
-
In einem Schritt S3 wird ein zu kartierender Bereich einer Straßenkarte bereitgestellt.
-
Der zu kartierende Bereich ist beispielsweise ein gesamtes Land, wie z.B. Deutschland, Österreich, Frankreich oder Großbritannien.
-
In einem Schritt S5 wird der zu kartierende Bereich in Segmente aufgeteilt.
-
Das Unterteilen in Segmente erfolgt beispielsweise gemäß dem ADAS-Protokoll, mittels dessen die Straßen des gesamten zu kartierenden Bereichs segmentiert werden.
-
In einem Schritt S7 wird für jedes Segment ein Merkmalsvektor des jeweiligen Segments ermittelt, wobei der Merkmalsvektor mindestens einen Eintrag aufweist, der einen Einfluss hat auf das Energiemanagement eines Fahrzeugs. Dies umfasst auch ein Bilden eines Merkmalsvektors für Segmentgruppen, wobei eine Segmentgruppe beispielsweise aus Segmenten gemäß dem ADAS Protokoll gebildet wird.
-
Der Merkmalsvektor umfasst hierbei beispielsweise mindestens eine der folgenden Größen: eine Steigung in dem Segment, einen Straßentyp in dem Segment, einen mittleren Verkehrsfluss in dem Segment, eine Infrastruktur in dem Segment, eine Stauwahrscheinlichkeit in dem Segment. Insbesondere umfasst der Merkmalsvektor mehrere der obig genannten Größen, beispielsweise alle der obig genannten Größen.
-
In einem Schritt S9 werden die Segmente in Cluster aufgeteilt, wobei jedes Cluster einer Segment-Klasse entspricht.
-
Das Aufteilen in Cluster erfolgt beispielsweise mittels unsupervised Learning. Beispielsweise erfolgt ein K-Means Clustering und eine Bestimmung der Cluster-Anzahl mit einer Kennzahl, z.B. einer Silhouetten-Index-Optimierung.
-
In einem Schritt S11 wird aus den Segmenten ein Messgebiet ermittelt, wobei in dem Messgebiet jede Segment-Klasse mindestens einmal enthalten ist.
-
Das Ermitteln des Messgebiets erfolgt beispielsweise wie folgt:
- Zuerst wird ein Startpunkt auf der Straßenkarte ermittelt, beispielsweise indem der Schwerpunkt aller Startpositionen der Messfahrzeuge auf der Straßenkarte ermittelt wird.
-
Anschließend wird ein nächstgelegenes Segment jeder Segment-Klasse um den Startpunkt ermittelt, beispielsweise durch Nutzung von GPS-Koordinaten des jeweiligen Segments und des Startpunkts durch Suche entlang Baum mit Wurzel im Startpunkt.
-
Anschließend wird beispielsweise ein n-Eck gebildet, indem ein n-Eck um den Startpunkt auf der Straßenkarte gelegt wird und anschließend jede Ecke jeweils in ein nächstgelegenes Segment einer Segment-Klasse um den Startpunkt gezogen wird, wobei n der Anzahl der Segment-Klassen entspricht.
-
Die Fläche des n-Ecks repräsentiert das Messgebiet.
-
In dem Messgebiet können anschließend Messstrecken für ein Befahren mittels Messfahrzeugen ermittelt werden. Die Messtrecken werden beispielsweise gemäß Travelling-Salesman ermittelt. Beispielsweise wird hierfür der Dijkstra-Algorithmus benutzt.
-
In einem Schritt S13 werden Messdaten erfasst, wobei die Messdaten repräsentativ sind für Fahrzeugdaten eines Messfahrzeugs in dem Messgebiet, die einen Einfluss haben auf das Energiemanagement des Fahrzeugs.
-
Die Messdaten stammen insbesondere von den Messfahrzeugen beim Befahren der Messtrecken.
-
Die Messdaten weisen beispielsweise einen Ort und/oder Dauer und/oder Intensität einer Rekuperation des Messfahrzeugs und/oder einen Ort und/oder Dauer einer Motor-Start-Stopp-Funktion und/oder einen Ort und/oder Dauer eines Segeln des Messfahrzeugs für jedes von dem Messfahrzeug befahrene Segment auf. Insbesondere werden hierbei alle einzelnen Datensätze der Messdaten mit einer Georeferenz versehen.
-
In einem Schritt S15 wird abhängig von den Messdaten mindestens eine Kennzahl für jedes Segment der Segmente des Messgebiets ermittelt, die einen Einfluss hat auf das Energiemanagement des Fahrzeugs.
-
Die Kennzahl umfasst mindestens eine der folgenden Größen: durchschnittliche Zeit in einem Zustand einer Rekuperation, mittlere Intensität der Rekuperation, Wahrscheinlichkeit des Auftretens der Rekuperation, durchschnittliche Zeit in einem Zustand einer Motor-Start-Stopp-Funktion, Wahrscheinlichkeit des Auftretens der Motor-Start-Stopp-Funktion, durchschnittliche Zeit in einem Zustand eines Segelns, Wahrscheinlichkeit des Auftretens des Segelns.
-
Insbesondere werden in dem Verfahren mehrere der obig genannten Kennzahlen verwendet, insbesondere alle genannten.
-
In einem Schritt S17 wird mittels der Segmente des Messgebiets und den jeweiligen Kennzahlen ein Machine Learning-Algorithmus trainiert.
-
Der Machine Learning-Algorithmus wird beispielsweise trainiert, indem abhängig von dem Messgebiet und den ermittelten Kennzahlen der Segmente des Messgebietes ein Trainingsdatensatz ermittelt wird mit einer Eingangsgröße und einer Ausgangsgröße, wobei die Eingangsgröße der jeweilige Merkmalsvektor eines Segments ist und die Ausgangsgröße die jeweilige Kennzahl des Segments ist und mittels des Trainingsdatensatzes der Machine Learning-Algorithmus für Regression trainiert wird.
-
Der Machine Learning-Algorithmus ist beispielsweise ein neuronales Netz.
-
Anschließend kann der Machine Learning-Algorithmus für die restliche Straßenkarte angewandt werden, also insbesondere für alle Segmente, bei denen noch keine Kennzahl ermittelt wurde. Hierfür wird in einem Schritt S19 mittels des Machine Learning-Algorithmus Kennzahlen für die Segmente des zu kartierenden Bereiches ermittelt, die nicht Teil des Messgebiets sind.
-
Zukünftige Messfahrten können das Ergebnis, d.h. die Detailtiefe verbessern
-
In einem Schritt S21 wird zur Straßenkarte ein Datensatz gespeichert, der die jeweilige Kennzahl zu jedem Segment umfasst.
-
Anschließend wird das Programm beendet (Schritt S23) und kann gegebenenfalls wieder in dem Schritt S1 gestartet werden.
-
Das Programm kann auch in mehrere Unterprogramme aufgeteilt sein. So kann beispielsweise jeder Schritt oder eine Kombination von einzelnen Schritten in einem Unterprogramm realisiert sein.
-
Der Datensatz kann anschließend für ein Training und eine Verwendung von Machine Learning-Algorithmen beispielsweise für ein intelligentes Energiemanagement genutzt werden, wie zum Beispiel dem zuvor erwähnten RARL Algorithmus.
-
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
-
-
Zitierte Nicht-Patentliteratur
-
- A. Heimrath, J. Froeschl, and U. Baumgarten, „Reflex-augmented reinforcement learning for electrical energy management in vehicles,“ in Proceedings of the 2018 International Conference on Artificial Intelligence, H. R. Arabnia, D. de La Fuente, E. B. Kozerenko, J. A. Olivas, and F. G. Tinetti, Eds. CSREA Press, 2018, pp. 429-430 [0010]
