DE102019124257A1

DE102019124257A1 - Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug und Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges

Info

Publication number: DE102019124257A1
Application number: DE102019124257.6A
Authority: DE
Inventors: Fabian Netzler; Horst Klöden; Felix Klanner
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2019-09-10
Filing date: 2019-09-10
Publication date: 2021-03-11

Abstract

Zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug (10), das mindestens einen Sensor (20) zur Erzeugung von mindestens einem Messsignal (23), und eine Kommunikationsschnittstelle (30) aufweist, die dazu ausgebildet ist, die KI-Trainingsdaten extern zu dem Fahrzeug (10) bereitzustellen, werden abhängig von dem jeweiligen Messsignal (23) Fahrzeugdaten ermittelt. Abhängig von einer Nutzereingabe oder den Fahrzeugdaten wird ermittelt, ob eine vorgegebene Filterbedingung erfüllt ist. Falls ermittelt wird, dass die vorgegebene Filterbedingung erfüllt ist, werden abhängig von den Fahrzeugdaten die KI-Trainingsdaten ermittelt. Die KI-Trainingsdaten werden als KI-Trainingsdatenpaket extern zu dem Fahrzeug bereitgestellt.

Description

Die Erfindung betrifft ein Verfahren zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug. Die Erfindung betrifft des Weiteren eine Vorrichtung zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug. Die Erfindung betrifft des Weiteren ein Computerprogramm und Computerprogrammprodukt zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug. Die Erfindung betrifft des Weiteren ein Verfahren zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges. Die Erfindung betrifft des Weiteren eine Vorrichtung zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges. Die Erfindung betrifft des Weiteren ein Computerprogramm und Computerprogrammprodukt zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges.
Ein automatisiert fahrbares Fahrzeugs kann eine künstliche Intelligenzeinheit umfassen, die dazu ausgebildet ist, auf real vorkommende Verkehrs- und/oder Gefahrensituationen zu reagieren. Hierzu ist es nötig, die künstliche Intelligenzeinheit zu trainieren. Dies kann abhängig von einer Verkehrssimulation erfolgen.
Die Aufgabe, die der Erfindung zugrunde liegt, ist, dazu beizutragen eine künstliche Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges zu trainieren.
Die Aufgabe wird gelöst durch die Merkmale der unabhängigen Patentansprüche. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.
Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug.
Das Fahrzeug weist mindestens einen Sensor zur Erzeugung von mindestens einem Messsignal auf. Des Weiteren weist das Fahrzeug eine Kommunikationsschnittstelle auf, die dazu ausgebildet ist, die KI-Trainingsdaten extern zu dem Fahrzeug bereitzustellen.
Gemäß dem ersten Aspekt werden abhängig von dem jeweiligen Messsignal Fahrzeugdaten ermittelt. Abhängig von einer Nutzereingabe oder den Fahrzeugdaten wird ermittelt, ob eine vorgegebene Filterbedingung erfüllt ist. Falls ermittelt wird, dass die vorgegebene Filterbedingung erfüllt ist, werden abhängig von den Fahrzeugdaten die KI-Trainingsdaten ermittelt. Die KI-Trainingsdaten werden als KI-Trainingsdatenpaket extern zu dem Fahrzeug bereitgestellt.
Hierdurch ist es möglich, KI-Trainingsdaten einfach, effizient und kostengünstig zu ermitteln, die als Trainingsdatenpakete für ein Training einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeugs verwendet werden können.
Das Fahrzeug kann ein Fahrzeug sein, das eine durchschnittliche Datenaufzeichnungsvorrichtung aufweist. Beispielsweise ist das Fahrzeug kein Datengewinnungsfahrzeug, das eine überdurchschnittliche Datenaufzeichnungsvorrichtung aufweist. Beispielsweise ist eine Rechenleistung des Fahrzeugs nicht ausreichend, um eine Verkehrssimulation durchzuführen, jedoch ausreichend, um zu ermitteln, ob die vorgegebene Filterbedingung erfüllt ist.
Für das Training der künstlichen Intelligenzeinheit des automatisiert fahrbares Fahrzeugs sind insbesondere KI-Trainingsdatenpakete vorteilhaft, die repräsentativ sind für eine besondere Gefahrensituation und/oder eine besondere Verkehrssituation und/oder eine kritische Situation in Zusammenhang mit dem Fahrzeug und/oder dessen Umgebung und/oder weiteren Fahrzeugen in der Umgebung, beispielsweise bei verängstigtem und/oder aggressivem Fahrverhalten von einem Fahrer eines weiteren Fahrzeuges in der Umgebung des Fahrzeuges.
Beispielsweise kann der mindestens eine Sensor einen beliebigen Sensor einer Sensorik eines oder mehrerer Fahrassistenzsysteme des Fahrzeuges umfassen. Beispielsweise umfasst der mindestens eine Sensor eine Kamera und/oder einen Radarsensor und/oder einen LIDAR-Sensor und/oder einen Sensor zur Umfelderfassung des Fahrzeuges und/oder ein Sensor zur Ermittlung von einer Geschwindigkeit des Fahrzeuges und/oder einen Sensor zur Navigation, wie beispielsweise ein GPS-Modul, oder dergleichen. Beispielsweise weist das Fahrzeug mehrere Sensoren zur Erzeugung von mehreren Messsignalen auf.
Beispielsweise ist das jeweilige Messsignal repräsentativ für Rohdaten des jeweiligen Sensors.
Beispielsweise sind die Fahrzeugdaten repräsentativ für beliebige mit dem jeweiligen Sensor erfasste und/oder abgeleitete Größen bezüglich des Fahrzeuges und/oder dessen Umgebung. Beispielsweise sind die Fahrzeugdaten repräsentativ für eines oder mehrere der Folgenden: eine Geschwindigkeit des Fahrzeuges und/oder eine Beschleunigung des Fahrzeuges und/oder ein Bremsmanöver des Fahrzeuges und/oder einer Anzahl von Fahrspuren in der Umgebung des Fahrzeuges und/oder ein Blinkverhalten des Fahrzeuges und/oder eine Trajektorie des Fahrzeuges und/oder ein Verhalten eines Fahrers des Fahrzeuges und/oder eine Trajektorie der weiteren Fahrzeuge in der Umgebung des Fahrzeuges und/oder eine vorgegebene Höchstgeschwindigkeit in der Umgebung des Fahrzeuges oder dergleichen.
Beispielsweise ist die vorgegebene Filterbedingung repräsentativ dafür, dass die besondere Gefahrensituation und/oder die besondere Verkehrssituation und/oder die kritische Situation in Zusammenhang mit dem Fahrzeug und/oder dessen Umgebung und/oder weiteren Fahrzeugen in der Umgebung erkannt wurde. Beispielsweise kann die vorgegebene Filterbedingung repräsentativ sein für ein untypisches Beschleunigungsverhalten und/oder ein untypisches Blinkverhalten und/oder ein Überfahren einer Straßenmarkierung durch das Fahrzeug oder dergleichen.
Beispielsweise können die Fahrzeugdaten für eine vorgegebene Zeitdauer zwischengespeichert werden oder die Fahrzeugdaten können abhängig von einer vorgegebenen Speichergröße zwischengespeichert werden.
Beispielsweise umfasst das Fahrzeug eine erste Speichereinheit, die dazu ausgebildet ist, die Fahrzeugdaten kontinuierlich zu speichern und diese, nach Ablauf der vorgegebenen Zeitdauer oder bei Erreichen der vorgegebenen Speichergröße zu überschreiben. Die erste Speichereinheit kann beispielsweise ein Ringspeicher sein. Beispielsweise weist ist die vorgegebene Zeitdauer in einem Bereich von mehreren Sekunden, so z.B. in etwa 10 Sekunden. Beispielsweise umfasst das Fahrzeug eine zweite Speichereinheit, die dazu ausgebildet ist, die KI-Trainingsdaten zu speichern. Die zweite Speichereinheit kann beispielsweise ein Permanentspeicher sein.
Beispielsweise erfolgt die Ermittlung, ob die vorgegebene Filterbedingung erfüllt ist zu einem Zeitpunkt in dem die Fahrzeugdaten in der ersten Speichereinheit gespeichert werden und/oder abhängig von einem zeitlichen Verlauf der Fahrzeugdaten.
Beispielsweise erfolgt das Ermitteln der KI-Trainingsdaten abhängig von den Fahrzeugdaten derart, dass falls ermittelt wird, dass die vorgegebene Filterbedingung erfüllt ist, die in der ersten Speichereinheit gespeicherten Fahrzeugdaten in die zweite Speichereinheit übertragen werden.
Beispielsweise weist das Fahrzeug zur Ermittlung ob die vorgegebene Filterbedingung erfüllt ist ein Trigger-Modul auf.
Beispielsweise werden die KI-Trainingsdaten als KI-Trainingsdatenpaket einer extern zu dem Fahrzeug angeordneten Datenbank bereitgestellt. KI-Trainingsdatenpakete können der extern zu dem Fahrzeug angeordneten Datenbank zur Ermittlung von relevanten Situationsparametern zum Trainieren der künstlichen Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges verwendet werden. Die extern zu dem Fahrzeug angeordnete Datenbank ist beispielsweise ein Backend oder eine Cloud oder dergleichen. Das Fahrzeug kann mit der extern zu dem Fahrzeug angeordneten Datenbank über eine Kommunikationsverbindung verbunden werden.
Gemäß einer optionalen Ausgestaltung erfolgt die Ermittlung, ob eine vorgegebene Filterbedingung erfüllt ist, derart, dass abhängig von den Fahrzeugdaten und einer vorgegebenen Menge an Regeln ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Hierdurch kann ein Entwicklungsingenieur bereits im Rahmen einer Fahrzeugentwicklung abhängig von ermittelten Regeln und/oder Erfahrungswerten die vorgegebene Menge an Regeln bereitstellen.
Beispielsweise umfasst die vorgegebene Menge an Regeln eine Regel die repräsentativ ist für ein vorgegebenes Bremsmanöver des Fahrzeuges oder dergleichen. Des Weiteren kann abhängig von den Fahrzeugdaten ermittelt werden, ob das vorgegebene Bremsmanöver von dem Fahrzeug ausgeführt wurde und die vorgegebene Filterbedingung erfüllt ist.
Des Weiteren ist es hierdurch möglich, gezielt KI-Trainingsdaten zu ermitteln. Beispielsweise umfasst die vorgegebene Menge an Regeln eine Regel, die repräsentativ ist für einen vorgegebenen Fahrertyp des Fahrzeuges und/oder des weiteren Fahrzeuges in der Umgebung des Fahrzeuges.
Gemäß einer weiteren optionalen Ausgestaltung weist das Fahrzeug eine künstliche Intelligenzeinheit auf, die dazu ausgebildet ist, abhängig von den Fahrzeugdaten zu ermitteln, ob die vorgegebene Filterbedingung erfüllt ist. Die Ermittlung, ob die vorgegebene Filterbedingung erfüllt ist, erfolgt derart, dass abhängig von den Fahrzeugdaten und der künstlichen Intelligenzeinheit des Fahrzeuges ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Hierdurch ist es möglich, die Ermittlung, ob die vorgegebene Filterbedingung erfüllt ist, automatisiert auszuführen.
Die künstliche Intelligenzeinheit kann auch als maschinelle Lerneinheit bezeichnet werden. Beispielsweise wird die künstliche Intelligenzeinheit abhängig von einem maschinellen Lernverfahren breitgestellt. Die künstliche Intelligenzeinheit kann beispielsweise ein neuronales Netz oder dergleichen umfassen.
Beispielsweise ist die künstliche Intelligenzeinheit abhängig von dem maschinellen Lernverfahren vortrainiert um abhängig von den Fahrzeugdaten zu ermitteln, ob die vorgegebene Filterbedingung erfüllt ist. Die künstliche Intelligenzeinheit kann adaptiv weitertrainiert werden während einem Betrieb des Fahrzeuges.
Gemäß einer weiteren optionalen Ausgestaltung erfolgt die Ermittlung, ob eine vorgegebene Filterbedingung erfüllt ist, derart, dass die Nutzereingabe bereitgestellt wird. Abhängig von der Nutzereingabe wird ermittelt, ob die vorgegebene Filterbedingung erfüllt ist.
Hierdurch kann abhängig von dem Fahrer des Fahrzeuges ermittelt werden, ob die vorgegebene Filterbedingung erfüllt ist.
Beispielsweise kann der Fahrer die Nutzereingabe bereitstellen, falls der Fahrer die besondere Gefahrensituation und/oder die besondere Verkehrssituation und/oder die kritische Situation in Zusammenhang mit dem Fahrzeug und/oder dessen Umgebung und/oder weiteren Fahrzeugen in der Umgebung erkennt.
Gemäß einer weiteren optionalen Ausgestaltung erfolgt die Ermittlung der KI-Trainingsdaten abhängig von den Fahrzeugdaten derart, dass eine Teilmenge der Fahrzeugdaten ermittelt wird. Des Weiteren werden die KI-Trainingsdaten abhängig von der Teilmenge ermittelt.
Hierdurch ist es möglich, nur die Teilmenge der Fahrzeugdaten in der zweiten Speichereinheit permanent zu speichern. Des Weiteren ist es hierdurch möglich nur die Teilmenge der Fahrzeugdaten extern zu dem Fahrzeug bereitzustellen. Dies ist beispielsweise vorteilhaft, um nur relevante Fahrzeugdaten für die Ermittlung der KI-Trainingsdaten zu verwenden.
Beispielsweise kann die Teilmenge der Fahrzeugdaten derart ermittelt werden, dass nur ein Teil der mit dem jeweiligen Sensor erfassten und/oder abgeleiteten Größen bezüglich des Fahrzeuges und/oder dessen Umgebung für die Ermittlung der KI-Trainingsdaten verwendet wird. Zusätzlich oder alternativ können nur Fahrzeugdaten eines bestimmten Zeitraums für die Ermittlung der KI-Trainingsdaten verwendet werden.
Gemäß einem zweiten Aspekt zeichnet sich die Erfindung aus durch eine Vorrichtung zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug. Die Vorrichtung ist dazu ausgebildet, das Verfahren zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug gemäß dem ersten Aspekt durchzuführen.
Gemäß einem dritten Aspekt zeichnet sich die Erfindung aus durch ein Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Computerprogramm von einem Computer ausgeführt wird, den Computer dazu veranlassen das Verfahren zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug bei seiner Ausführung auf einer Datenverarbeitungsvorrichtung durchzuführen.
Gemäß einem vierten Aspekt zeichnet sich die Erfindung aus durch ein Computerprogrammprodukt umfassend einen ausführbaren Programmcode, wobei der Programmcode bei Ausführung durch eine Datenverarbeitungsvorrichtung das Verfahren zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug ausführt.
Das Computerprogrammprodukt umfasst insbesondere ein von der Datenverarbeitungsvorrichtung lesbares Medium, auf dem der Programmcode gespeichert ist.
Optionale Ausgestaltungen des ersten Aspekts können auch entsprechend bei den weiteren Aspekten vorhanden sein und entsprechende Wirkungen aufweisen.
Gemäß einem fünften Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges.
Gemäß dem fünften Aspekt wird eine KI-Trainingsdatensammlung bereitgestellt, die mehrere KI-Trainingsdatenpakete umfasst. Ein jeweiliges KI-Trainingsdatenpaket wurde von einem jeweiligen Fahrzeug ermittelt. Des Weiteren weist ein jeweiliges KI-Trainingsdatenpaket mehrere Größen auf. Abhängig von der KI-Trainingsdatensammlung und einer vorgegebenen Situationsoberklasse wird eine erste Teilmenge der KI-Trainingsdatenpakete der KI-Trainingsdatensammlung ermittelt. Die vorgegebene Situationsoberklasse ist repräsentativ für eine vorgegebene erste Größe. Die erste Teilmenge umfasst alle KI-Trainingsdatenpakete der KI-Trainingsdatensammlung, deren jeweilige mehrere Größen die vorgegebene erste Größe umfassen. Abhängig von der ersten Teilmenge und mehreren vorgegebenen Situationsunterklassen, werden mehrere zweite Teilmengen der ersten Teilmenge ermittelt. Die mehreren vorgegebenen Situationsunterklassen sind jeweils repräsentativ für einen jeweiligen vorgegeben Wert einer vorgegebenen zweiten Größe. Eine jeweilige zweite Teilmenge umfasst alle KI-Trainingsdatenpakete der ersten Teilmenge, deren jeweilige mehrere Größen die vorgegebene zweite Größe, sowie den jeweiligen vorgegeben Wert der vorgegebenen zweiten Größe umfassen. Des Weiteren werden mehrere künstliche Intelligenzagenten bereitgestellt. Abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge werden die mehreren künstlichen Intelligenzagenten trainiert. Abhängig von den trainierten mehreren künstlichen Intelligenzagenten wird ermittelt, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist.
Hierdurch ist es möglich, abhängig von der KI-Trainingsdatensammlung relevante Situationsparameter zum Trainieren der künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges zu ermitteln. Die relevanten Situationsparameter können für eine Verkehrssimulation verwendet werden. Dies ist vorteilhaft, da manche Situationen nicht mit einem realen Fahrzeug für das Training getestet werden können oder kaum auftreten, wie beispielsweise untypisches Verhalten anderer Verkehrsteilnehmer der Verkehrssimulation. Des Weiteren ist es hierdurch möglich, abhängig von den relevanten Situationsparameter eine gesetzliche Vorgabe bezüglich einer Zulassung für einen Straßenverkehr des automatisiert fahrbaren Fahrzeuges zu erfüllen. Beispielsweise umfasst die gesetzliche Vorgabe eine Verkehrssimulation.
Beispielsweise ist das automatisiert fahrbare Fahrzeug insbesondere ein Fahrzeug zum hoch- (HAF) und/oder vollautomatisierten Fahren (VAF).
Die jeweiligen KI-Trainingspakete der KI-Trainingsdatensammlung können mit dem Verfahren gemäß dem ersten Aspekt bereitgestellt werden.
Die mehreren Größen des jeweiligen KI-Trainingsdatenpakets umfassen beliebige mit einem oder mehreren Sensoren des jeweiligen Fahrzeuges erfasste und/oder abgeleitete Größen bezüglich des jeweiligen Fahrzeuges und/oder dessen jeweiliger Umgebung.
Beispielsweise sind die mehreren Fahrzeuge Teil einer Fahrzeugflotte.
Die vorgegebene Situationsoberklasse ist repräsentativ für die besondere Gefahrensituation und/oder die besondere Verkehrssituation und/oder die kritische Situation in Zusammenhang mit dem jeweiligen Fahrzeug und/oder dessen jeweiliger Umgebung und/oder jeweiligen weiteren Fahrzeugen in der jeweiligen Umgebung.
Beispielsweise können die vorgegebene Situationsoberklasse und/oder die mehreren vorgegebenen Situationsunterklassen von einem Entwicklungsingenieur vorgegeben werden.
Beispielsweise können für die vorgegebene Situationsoberklasse weitere mehrere Situationsunterklassen vorgegeben werden, um weitere relevante Situationsparameter der Situationsoberklasse zu ermitteln.
Beispielsweise kann der jeweilige vorgegebene Wert der vorgegebenen zweiten Größe auch repräsentativ sein für einen jeweiligen Wertebereich der vorgegebenen zweiten Größe.
Beispielsweise können beliebig viele Situationsoberklassen und jeweilige mehrere Situationsunterklassen und/oder jeweilige weitere mehrere Situationsunterklassen vorgegeben werden, um alle relevanten Situationsparameter der jeweiligen Situationsoberklassen zu ermitteln.
Beispielsweise können auch mehrere Situationsoberklassen vorgegeben werden, die jeweils repräsentativ ist für unterschiedliche Arten von jeweiligen vorgegebenen ersten Größen wie beispielsweise eine erste Situationsoberklasse aus Kundensicht, eine zweite Situationsoberklasse aus Systemsicht und eine dritte Situationsoberklasse aus Sensorsicht.
Insbesondere können beispielsweise mindestens zwei Situationsoberklassen vorgegeben werden.
Beispielsweise sind die mehreren künstlichen Intelligenzagenten Agenten, die abhängig von maschinellen Lernmethoden bereitgestellt werden. Das Training der mehreren künstlichen Intelligenzagenten erfolgt beispielsweise abhängig von überwachten maschinellen Lernmethoden.
In Verkehrssimulationen können künstliche Intelligenzagenten als Verkehrsteilnehmer eingesetzt oder statistisch aufgezeichnetes Verhalten von Verkehrsteilnehmern simuliert werden. Durch das Training der mehreren künstlichen Intelligenzagenten abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge der KI-Trainingsdatensammlung, ist es möglich das Verhalten von Fahrern der mehreren Fahrzeuge beispielsweise in einer Verkehrssimulation realistisch zu simulieren. Dies ist vorteilhaft gegenüber der Verwendung von künstlichen Intelligenzagenten die nur ein von einem Entwicklungsingenieur vorprogrammiertes Verhalten aufweisen. Dies ist insbesondere vorteilhaft zur Simulation von kritischen Situationen und/oder verängstigtem und/oder aggressivem Fahrverhalten der Verkehrsteilnehmer der Verkehrssimulation, wie beispielsweise wenn sich ein Verkehrsteilnehmer nicht an eine gesetzliche Vorgabe wir eine Straßenverkehrsordnung hält.
Beispielsweise können die mehreren künstlichen Intelligenzagenten in der Verkehrssimulation als die Verkehrsteilnehmer eingesetzt werden, um ein repräsentatives Verhalten in den kritischen Situationen zu simulieren. Die mehreren künstlichen Intelligenzagenten sind dazu ausgebildet aus einer Ego-Perspektive eines Fahrzeuges der Verkehrssimulation eigene Entscheidungen zu treffen.
Gemäß einer optionalen Ausgestaltung werden abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge die mehreren künstlichen Intelligenzagenten derart trainiert, dass ein jeweiliger künstlicher Intelligenzagent abhängig von den KI-Trainingsdatenpaketen der jeweiligen zweiten Teilmenge trainiert wird.
Hierdurch ist es möglich, den jeweiligen künstlichen Intelligenzagenten für die jeweilige Situationsunterklasse zu trainieren.
Gemäß einer weiteren optionalen Ausgestaltung erfolgt die Ermittlung, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist, abhängig von den trainierten mehreren künstlichen Intelligenzagenten, derart, dass für jeden der jeweiligen trainierten künstlichen Intelligenzagenten ein jeweiliger Charakterisierungskennwert ermittelt wird. Des Weiteren werden jeweilige Abweichungen zwischen den jeweiligen Charakterisierungskennwerten der jeweiligen trainierten künstlichen Intelligenzagenten ermittelt. Abhängig von den jeweiligen Abweichungen wird ermittelt, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist.
Hierdurch ist es möglich, abhängig von den trainierten mehreren künstlichen Intelligenzagenten zu ermitteln, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist.
Beispielsweise ist der jeweilige Charakterisierungswert repräsentativ für Gewichtungen des jeweiligen künstlichen Intelligenzagenten.
Gemäß einer weiteren optionalen Ausgestaltung wird falls ermittelt wird, dass die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist, abhängig von der vorgegebenen Situationsoberklasse und dem relevanten Situationsparameter eine Verkehrssimulation durchgeführt. Die Verkehrssimulation umfasst die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges. Der relevante Situationsparameter wird in der Verkehrssimulation variiert. Abhängig von der Verkehrssimulation wird die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges trainiert.
Die Verkehrssimulation ist repräsentativ für ein virtuelles Szenario und kann beispielsweise eine Fahrdynamiksimulation umfassen.
Beispielsweise umfasst die Verkehrssimulation mehrere Verkehrssimulations-Testroutinen, wobei für eine jeweilige Verkehrssimulations-Testroutine der relevante Situationsparameter variiert wird. Beispielsweise können auch mehrere relevante Situationsparameter variiert werden.
Beispielsweise kann die Verkehrssimulation abhängig von einem Hardware-in-the-Loop-Verfahren (HiL) ausgeführt werden.
Alternativ oder zusätzlich können die mehreren künstlichen Intelligenzagenten in der Verkehrssimulation als Verkehrsteilnehmer eingesetzt werden, wobei die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges deren Verhalten analysieren kann. Durch die Analyse des Verhaltens kann die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges trainiert werden.
Gemäß einer weiteren optionalen Ausgestaltung umfasst ein jeweiliger künstlicher Intelligenzagent einen jeweiligen gewichteten Entscheidungsbaum.
Hierdurch ist es möglich, die mehreren künstlichen Intelligenzagenten effizient zu trainieren.
Gemäß einer weiteren optionalen Ausgestaltung wird die KI-Trainingsdatensammlung derart bereitgestellt, dass Anreicherungsdaten bereitgestellt werden. Für jedes KI-Trainingsdatenpaket der KI-Trainingsdatensammlung wird eine jeweilige Teilmenge der Anreicherungsdaten ermittelt. Die jeweilige Teilmenge der Anreicherungsdaten weist einen jeweiligen zeitlichen Bezug zu einem jeweiligen Ermittlungszeitpunkt des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung auf. Das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung wird abhängig von der jeweiligen Teilmenge der Anreicherungsdaten verarbeitet.
Hierdurch ist es möglich, die jeweiligen Größen der jeweiligen KI-Trainingsdatenpakete der KI-Trainingsdatensammlung abhängig von den Anreicherungsdaten zu verarbeiten.
Beispielsweise sind die Anreicherungsdaten repräsentativ für von der Fahrzeugflotte bereitgestellte Informationen bezüglich des jeweiligen Fahrzeuges und/oder dessen Umgebung. Beispielsweise sind diese Information nicht in den jeweiligen KI-Trainingsdatenpaketen enthalten.
Gemäß einer weiteren optionalen Ausgestaltung wird das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten derart verarbeitet, dass abhängig von der jeweiligen Teilmenge der Anreicherungsdaten jeweilige Anreicherungsgrößen ermittelt werden. Die mehreren Größen des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung werden um die jeweiligen Anreicherungsgrößen erweitert.
Hierdurch ist es möglich, die jeweiligen Größen der jeweiligen KI-Trainingsdatenpakete der KI-Trainingsdatensammlung abhängig von den Anreicherungsdaten zu erweitern.
Beispielsweise weisen die Anreicherungsgrößen eine jeweilige zeitliche Korrelation zu den jeweiligen Ermittlungszeitpunkten der jeweiligen KI-Trainingsdatenpakete auf.
Die Anreicherungsgrößen können beispielsweise aufweisen eine jeweilige Verkehrsdichte und/oder eine jeweilige Wetterinformation oder dergleichen.
Gemäß einer weiteren optionalen Ausgestaltung wird das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten derart verarbeitet, dass abhängig von der jeweiligen Teilmenge der Anreicherungsdaten Werte der mehreren Größen des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung angepasst werden.
Hierdurch ist es möglich, die jeweiligen Größen der jeweiligen KI-Trainingsdatenpakete der KI-Trainingsdatensammlung abhängig von den Anreicherungsdaten anzupassen.
Beispielsweise können Werte der jeweiligen mehreren Größen oder ein Teil der Werte der jeweiligen mehreren Größen abhängig von den Anreicherungsdaten angereichert und/oder korrigiert werden.
Gemäß einer weiteren optionalen Ausgestaltung erfolgt die Ermittlung der ersten Teilmenge und/oder die Ermittlung der mehreren zweiten Teilmengen abhängig von einem neuronalen Netz.
Hierdurch ist es möglich, die erste Teilmenge und/oder die mehreren zweiten Teilmengen automatisiert zu ermitteln.
Gemäß einem sechsten Aspekt zeichnet sich die Erfindung aus durch eine Vorrichtung zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges. Die Vorrichtung ist dazu ausgebildet, das Verfahren zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges gemäß dem sechsten Aspekt durchzuführen.
Gemäß einem siebten Aspekt zeichnet sich die Erfindung aus durch ein Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Computerprogramm von einem Computer ausgeführt wird, den Computer dazu veranlassen das Verfahren zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges bei seiner Ausführung auf einer Datenverarbeitungsvorrichtung durchzuführen.
Gemäß einem achten Aspekt zeichnet sich die Erfindung aus durch ein Computerprogrammprodukt umfassend einen ausführbaren Programmcode, wobei der Programmcode bei Ausführung durch eine Datenverarbeitungsvorrichtung das Verfahren zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges ausführt.
Das Computerprogrammprodukt umfasst insbesondere ein von der Datenverarbeitungsvorrichtung lesbares Medium, auf dem der Programmcode gespeichert ist.
Optionale Ausgestaltungen des fünften Aspekts können auch entsprechend bei den weiteren Aspekten vorhanden sein und entsprechende Wirkungen aufweisen.
Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnungen näher erläutert.
Es zeigen:

1 eine schematische Zeichnung eines ersten verteilten Systems, und
2 eine schematische Zeichnung eines zweiten verteilten Systems, und
3 ein Ablaufdiagramm eines Programms zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug, und
4 ein Ablaufdiagramm eines Programms zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges.

Elemente gleicher Konstruktion oder Funktion sind figurenübergreifend mit den gleichen Bezugszeichen gekennzeichnet.
Die 1 zeigt eine schematische Zeichnung eines ersten verteilten Systems. Das erste verteilte System weist ein Fahrzeug 10 und eine extern zu dem Fahrzeug 10 angeordnete Datenbank 50 auf. Das Fahrzeug 10 weist mindestens einen Sensor 20 zur Erzeugung von mindestens einem Messsignal 23 auf. Des Weiteren weist das Fahrzeug 10 eine erste Kommunikationsschnittstelle 30 auf, die dazu ausgebildet ist, KI-Trainingsdaten extern zu dem Fahrzeug 10 bereitzustellen. Des Weiteren weist das Fahrzeug eine Vorrichtung 40 zur Ermittlung der KI-Trainingsdaten in dem Fahrzeug 10 auf. Die Datenbank 50 weist eine zweite Kommunikationsschnittstelle 60 auf, die dazu ausgebildet ist, KI-Trainingsdaten zu empfangen.
Optional weist das Fahrzeug 10 eine künstliche Intelligenzeinheit auf, die dazu ausgebildet ist, abhängig von Fahrzeugdaten zu ermitteln, ob eine vorgegebene Filterbedingung erfüllt ist.
Beispielsweise erfolgt eine Kommunikation zwischen der ersten Kommunikationsschnittstelle 30 und der zweiten Kommunikationsschnittstelle 60 über eine Kommunikationsverbindung. Beispielsweise ist die Kommunikationsverbindung eine Netzwerkverbindung, wie beispielsweise eine drahtlose Netzwerkverbindung. Die drahtlose Netzwerkverbindung umfasst beispielsweise eine Wi-Fi-Verbindung und/oder eine mobile Datenverbindung.
Zusätzlich oder alternativ, können die KI-Trainingsdaten von der ersten Kommunikationsschnittstelle 30 einer Werkstatt bereitgestellt werden, beispielsweise im Rahmen einer Reparatur und/oder dergleichen des Fahrzeuges 10. Die KI-Trainingsdaten können der Datenbank 50 abhängig von der Werkstatt bereitgestellt werden. Beispielsweise umfasst die Werkstatt eine oder mehrere entsprechende Kommunikationsschnittstellen.
Die 2 zeigt eine schematische Zeichnung eines zweiten verteilten Systems. Das zweite verteilte System weist mehrere Fahrzeuge 10, 13, 15 und eine Vorrichtung 70 zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges auf. Die mehreren Fahrzeuge 10, 13, 15 weisen jeweils dieselben Merkmale auf wie das Fahrzeug 10 gemäß dem ersten verteilten System.
Der Vorrichtung 70 kann eine KI-Trainingsdatensammlung bereitgestellt werden, die mehrere KI-Trainingsdatenpakete umfasst, wobei ein jeweiliges KI-Trainingsdatenpaket von einem jeweiligen Fahrzeug der mehreren Fahrzeuge 10, 13, 15 ermittelt wurde.
Beispielsweise sind die mehreren Fahrzeuge 10, 13, 15 Teil einer Fahrzeugflotte. Das zweite verteilte System kann auch alle Fahrzeuge der Fahrzeugflotte umfassen.
Beispielsweise umfasst die KI-Trainingsdatensammlung 240 KI-Trainingsdatenpakete. 80 KI-Trainingsdatenpakete der KI-Trainingsdatensammlung wurden von dem Fahrzeug 10 ermittelt. 60 KI-Trainingsdatenpakete der KI-Trainingsdatensammlung wurden von dem Fahrzeug 13 ermittelt. 100 KI-Trainingsdatenpakete der KI-Trainingsdatensammlung wurden von dem Fahrzeug 15 ermittelt.
Beispielsweise umfasst die Vorrichtung die Datenbank 50.
Die 3 zeigt ein Ablaufdiagramm eines Programms zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug.
Das Programm kann insbesondere von einer Vorrichtung ausgeführt werden. 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.
Beispielsweise ist die Vorrichtung die Vorrichtung 40 zur Ermittlung von KI-Trainingsdaten in dem Fahrzeug 10.
In dem Programm- und Datenspeicher der Vorrichtung ist hierfür insbesondere das Programm gespeichert.
Das Programm wird in einem Schritt S101 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.
Das Programm wird in einem Schritt S103 fortgesetzt. In dem Schritt S103 werden abhängig von dem jeweiligen Messsignal 23 Fahrzeugdaten ermittelt.
Im Anschluss an den Schritt S103 wird das erste Programm in einem Schritt S105 fortgesetzt. In dem Schritt S105 wird abhängig von einer Nutzereingabe oder den Fahrzeugdaten ermittelt, ob eine vorgegebene Filterbedingung erfüllt ist. Falls ermittelt wird, dass die vorgegebene Filterbedingung erfüllt ist, wird das Programm in einem Schritt S107 fortgesetzt. Andernfalls wird das Programm, gegebenenfalls nach einer vorgegebenen Wartezeitdauer, in dem Schritt S103 fortgesetzt.
Optional erfolgt in dem Schritt S105 die Ermittlung, ob eine vorgegebene Filterbedingung erfüllt ist, derart, dass abhängig von den Fahrzeugdaten und einer vorgegebenen Menge an Regeln ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Optional erfolgt in dem Schritt S105 die Ermittlung, ob die vorgegebene Filterbedingung erfüllt ist, erfolgt derart, dass abhängig von den Fahrzeugdaten und der künstlichen Intelligenzeinheit des Fahrzeuges 10 ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Optional erfolgt in dem Schritt S105 die Ermittlung, ob eine vorgegebene Filterbedingung erfüllt ist, derart, dass die Nutzereingabe bereitgestellt wird. Abhängig von der Nutzereingabe wird ermittelt, ob die vorgegebene Filterbedingung erfüllt ist.
Beispielsweise stellt ein Fahrer des Fahrzeuges 10 fest, dass das Fahrzeug 10 langsamer fährt als eine vorgegebene Höchstgeschwindigkeit in einer Umgebung des Fahrzeuges 10, und stellt die Nutzereingabe bereit.
In dem Schritt S107 werden abhängig von den Fahrzeugdaten die KI-Trainingsdaten ermittelt.
Optional erfolgt in dem Schritt S105 die Ermittlung der KI-Trainingsdaten abhängig von den Fahrzeugdaten derart, dass eine Teilmenge der Fahrzeugdaten ermittelt wird. Die KI-Trainingsdaten werden abhängig von der Teilmenge ermittelt.
Im Anschluss an den Schritt S107 wird das Programm in einem Schritt S109 fortgesetzt. In dem Schritt S109 werden die KI-Trainingsdaten als KI-Trainingsdatenpaket extern zu dem Fahrzeug 10 bereitgestellt.
Anschließend wird das Programm in einem Schritt S111 beendet und kann gegebenenfalls wieder in dem Schritt S101 gestartet werden.
Die 4 zeigt ein Ablaufdiagramm eines Programms zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges.
Das Programm kann insbesondere von einer Vorrichtung ausgeführt werden. 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.
Beispielsweise ist die Vorrichtung die Vorrichtung 70 zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges.
Auf dem Programm- und Datenspeicher der Vorrichtung ist hierfür insbesondere das Programm gespeichert.
Das Programm wird in einem Schritt 201 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.
Das Programm wird in einem Schritt S203 fortgesetzt. In dem Schritt S203 wird eine KI-Trainingsdatensammlung bereitgestellt, die mehrere KI-Trainingsdatenpakete umfasst. Ein jeweiliges KI-Trainingsdatenpaket wurde von einem jeweiligen Fahrzeug ermittelt. Des Weiteren weist ein jeweiliges KI-Trainingsdatenpaket mehrere Größen auf.
Beispielsweise wurde ein jeweiliges KI-Trainingsdatenpaket von einem jeweiligen Fahrzeug der mehreren Fahrzeuge 10, 13, 15 ermittelt.
Optional wird in dem Schritt S203 die KI-Trainingsdatensammlung derart bereitgestellt, dass Anreicherungsdaten bereitgestellt werden. Für jedes KI-Trainingsdatenpaket der KI-Trainingsdatensammlung wird eine jeweilige Teilmenge der Anreicherungsdaten ermittelt. Die jeweilige Teilmenge der Anreicherungsdaten weist einen jeweiligen zeitlichen Bezug zu einem jeweiligen Ermittlungszeitpunkt des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung auf. Das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung wird abhängig von der jeweiligen Teilmenge der Anreicherungsdaten verarbeitet.
Optional wird in dem Schritt S203 das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten derart verarbeitet, dass abhängig von der jeweiligen Teilmenge der Anreicherungsdaten jeweilige Anreicherungsgrößen ermittelt werden. Die mehreren Größen des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung werden um die jeweiligen Anreicherungsgrößen erweitert.
Optional wird in dem Schritt S203 das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten derart verarbeitet, dass abhängig von der jeweiligen Teilmenge der Anreicherungsdaten Werte der mehreren Größen des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung angepasst werden.
Im Anschluss an den Schritt S203 wird das erste Programm in einem Schritt S205 fortgesetzt. In dem Schritt S205 wird abhängig von der KI-Trainingsdatensammlung und einer vorgegebenen Situationsoberklasse eine erste Teilmenge der KI-Trainingsdatenpakete der KI-Trainingsdatensammlung ermittelt. Die vorgegebene Situationsoberklasse ist repräsentativ für eine vorgegebene erste Größe. Die erste Teilmenge umfasst alle KI-Trainingsdatenpakete der KI-Trainingsdatensammlung, deren jeweilige mehrere Größen die vorgegebene erste Größe umfassen.
Beispielsweise ist die vorgegebene erste Größe repräsentativ für ein „Auffahren auf eine Autobahn“.
Optional erfolgt in dem Schritt S205 die Ermittlung der ersten Teilmenge abhängig von einem Neuronalen Netz.
Im Anschluss an den Schritt S205 wird das erste Programm in einem Schritt S207 fortgesetzt. In dem Schritt S207 werden abhängig von der ersten Teilmenge und mehreren vorgegebenen Situationsunterklassen, mehrere zweite Teilmengen der ersten Teilmenge ermittelt. Die mehreren vorgegebenen Situationsunterklassen sind jeweils repräsentativ für einen jeweiligen vorgegeben Wert einer vorgegebenen zweiten Größe. Eine jeweilige zweite Teilmenge umfasst alle KI-Trainingsdatenpakete der ersten Teilmenge, deren jeweilige mehrere Größen die vorgegebene zweite Größe, sowie den jeweiligen vorgegeben Wert der vorgegebenen zweiten Größe umfassen.
Beispielsweise wird für eine erste und eine zweite vorgegebene zweite Größen ermittelt, ob die jeweilige vorgegebene zweite Größe ein relevanter Situationsparameter der Situationsoberklasse ist. Die erste vorgegebene zweite Größe ist repräsentativ für eine „Anzahl der Spuren der Autobahn“. Die jeweiligen vorgegebenen Werte der ersten vorgegebenen zweiten Größe sind 2 (Spuren), 3 (Spuren) und 4 (Spuren). Die zweite vorgegebene zweite Größe ist repräsentativ für eine „Höchstgeschwindigkeit bei dem Auffahren auf die Autobahn“. Die jeweiligen vorgegebenen Wertebereiche der zweiten vorgegebenen zweiten Größe sind 40-60 km/h, 60-80 km/h und 80-100 km/h. Somit werden insgesamt sechs Situationsunterklassen vorgegeben.
Optional erfolgt in dem Schritt S207 die Ermittlung der mehreren zweiten Teilmengen abhängig von dem Neuronalen Netz.
Im Anschluss an den Schritt S207 wird das erste Programm in einem Schritt S209 fortgesetzt. In dem Schritt S209 werden mehrere künstliche Intelligenzagenten bereitgestellt.
Optional umfasst in dem Schritt S209 ein jeweiliger künstlicher Intelligenzagent einen jeweiligen gewichteten Entscheidungsbaum.
Im Anschluss an den Schritt S209 wird das erste Programm in einem Schritt S211 fortgesetzt. In dem Schritt S211 werden abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge, die mehreren künstlichen Intelligenzagenten trainiert.
Optional werden in dem Schritt S211 abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge die mehreren künstlichen Intelligenzagenten derart trainiert, dass ein jeweiliger künstlicher Intelligenzagent abhängig von den KI-Trainingsdatenpaketen der jeweiligen zweiten Teilmenge trainiert wird.
Beispielsweise werden sechs künstliche Intelligenzagenten abhängig von den sechs zweiten Teilmengen der sechs Situationsunterklassen trainiert.
Im Anschluss an den Schritt S211 wird das erste Programm in einem Schritt S213 fortgesetzt. In dem Schritt S213 wird abhängig von den trainierten mehreren künstlichen Intelligenzagenten ermittelt, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist. Falls ermittelt wird, dass die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist, wird das Programm in einem Schritt S215 fortgesetzt. Andernfalls wird das Programm, gegebenenfalls nach einer vorgegebenen Wartezeitdauer, in einem Schritt S219 beendet oder in dem Schritt S205 mit einer weiteren vorgegebenen Situationsklasse fortgesetzt.
Optional erfolgt in dem Schritt S213 die Ermittlung, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist, abhängig von den trainierten mehreren künstlichen Intelligenzagenten, derart, dass für jeden der jeweiligen trainierten künstlichen Intelligenzagenten ein jeweiliger Charakterisierungskennwert ermittelt wird. Des Weiteren werden jeweilige Abweichungen zwischen den jeweiligen Charakterisierungskennwerten der jeweiligen trainierten künstlichen Intelligenzagenten ermittelt. Abhängig von den jeweiligen Abweichungen wird ermittelt, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist.
Beispielsweise werden die jeweiligen Charakterisierungskennwerte abhängig von Gewichtungen der jeweiligen gewichteten Entscheidungsbäume der jeweiligen künstlichen Intelligenzagenten ermittelt. Beispielsweise sind die jeweiligen Abweichungen der jeweiligen Charakterisierungskennwerte der jeweiligen künstlichen Intelligenzagenten der Situationsunterklassen für die erste vorgegebene zweite Größe „Anzahl der Spuren der Autobahn“ hoch. Beispielsweise sind die jeweiligen Abweichungen der jeweiligen Charakterisierungskennwerte der jeweiligen künstlichen Intelligenzagenten der Situationsunterklassen für die zweite vorgegebene zweite Größe „Höchstgeschwindigkeit bei dem Auffahren auf die Autobahn“ gering. Es wird ermittelt, dass die erste vorgegebene zweite Größe „Anzahl der Spuren der Autobahn“ ein relevanter Situationsparameter der Situationsoberklasse „Auffahren auf eine Autobahn“ ist.
In dem Schritt S215 wird abhängig von der vorgegebenen Situationsoberklasse und dem relevanten Situationsparameter eine Verkehrssimulation durchgeführt. Die Verkehrssimulation umfasst die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges umfasst. Der relevante Situationsparameter wird in der Verkehrssimulation variiert.
Beispielsweise wird die Verkehrssimulation für ein virtuelles Szenario durchgeführt, wobei das virtuelle Szenario repräsentativ ist für ein Auffahren auf eine Autobahn. Beispielsweise umfasst die Verkehrssimulation mehrere Verkehrssimulations-Testroutinen, wobei für eine jeweilige Verkehrssimulations-Testroutine einen Anzahl der Spuren der Autobahn für die Verkehrssimulation variiert wird.
Im Anschluss an den Schritt S215 wird das erste Programm in einem Schritt S217 fortgesetzt. In dem Schritt S217 wird abhängig von der Verkehrssimulation die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges trainiert.
Anschließend wird das Programm in dem Schritt S219 beendet und kann gegebenenfalls wieder in dem Schritt S201 gestartet werden oder in dem Schritt S205 mit einer weiteren vorgegebenen Situationsklasse fortgesetzt werden.
Beispielsweise wird das Programm derart ausgeführt, dass für die vorgegebene Situationsoberklasse weitere mehrere Situationsunterklassen vorgegeben werden, um weitere relevante Situationsparameter der Situationsoberklasse zu ermitteln.
Beispielsweise wird das Programm derart ausgeführt, dass beliebig viele Situationsoberklassen und jeweilige mehrere Situationsunterklassen und/oder jeweilige weitere mehrere Situationsunterklassen vorgegeben werden, um alle relevanten Situationsparameter der jeweiligen Situationsoberklassen zu ermitteln.

Claims

Verfahren zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug (10), das aufweist - mindestens einen Sensor (20) zur Erzeugung von mindestens einem Messsignal (23), - eine Kommunikationsschnittstelle (30), die dazu ausgebildet ist, die KI-Trainingsdaten extern zu dem Fahrzeug (10) bereitzustellen, bei dem - abhängig von dem jeweiligen Messsignal (23) Fahrzeugdaten ermittelt werden, - abhängig von einer Nutzereingabe oder den Fahrzeugdaten ermittelt wird, ob eine vorgegebene Filterbedingung erfüllt ist, - falls ermittelt wird, dass die vorgegebene Filterbedingung erfüllt ist, abhängig von den Fahrzeugdaten die KI-Trainingsdaten ermittelt werden, und - die KI-Trainingsdaten als KI-Trainingsdatenpaket extern zu dem Fahrzeug bereitgestellt werden.
Verfahren gemäß Anspruch 1, bei dem die Ermittlung, ob eine vorgegebene Filterbedingung erfüllt ist, derart erfolgt, dass abhängig von den Fahrzeugdaten und einer vorgegebenen Menge an Regeln ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das Fahrzeug (10) eine künstliche Intelligenzeinheit aufweist, die dazu ausgebildet ist, abhängig von den Fahrzeugdaten zu ermitteln, ob die vorgegebene Filterbedingung erfüllt ist, bei dem die Ermittlung, ob die vorgegebene Filterbedingung erfüllt ist, derart erfolgt, dass abhängig von den Fahrzeugdaten und der künstlichen Intelligenzeinheit des Fahrzeuges (10) ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Verfahren gemäß Anspruch 1, bei dem die Ermittlung, ob eine vorgegebene Filterbedingung erfüllt ist, derart erfolgt, dass - die Nutzereingabe bereitgestellt wird, und - abhängig von der Nutzereingabe ermittelt wird, ob die vorgegebene Filterbedingung erfüllt ist.
Verfahren gemäß einem der vorhergehenden Ansprüche, bei dem die Ermittlung der KI-Trainingsdaten abhängig von den Fahrzeugdaten derart erfolgt, dass - eine Teilmenge der Fahrzeugdaten ermittelt wird, und - die KI-Trainingsdaten abhängig von der Teilmenge ermittelt werden.
Verfahren zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges, bei dem - eine KI-Trainingsdatensammlung bereitgestellt wird, die mehrere KI-Trainingsdatenpakete umfasst, wobei ein jeweiliges KI-Trainingsdatenpaket von einem jeweiligen Fahrzeug ermittelt wurde, wobei ein jeweiliges KI-Trainingsdatenpaket mehrere Größen aufweist, - abhängig von der KI-Trainingsdatensammlung und einer vorgegebenen Situationsoberklasse, die repräsentativ ist für eine vorgegebene erste Größe, eine erste Teilmenge der KI-Trainingsdatenpakete der KI-Trainingsdatensammlung ermittelt wird, wobei die erste Teilmenge alle KI-Trainingsdatenpakete der KI-Trainingsdatensammlung umfasst, deren jeweilige mehrere Größen die vorgegebene erste Größe umfassen, - abhängig von der ersten Teilmenge und mehreren vorgegebenen Situationsunterklassen, die jeweils repräsentativ sind für einen jeweiligen vorgegeben Wert einer vorgegebenen zweiten Größe, mehrere zweite Teilmengen der ersten Teilmenge ermittelt werden, wobei eine jeweilige zweite Teilmenge alle KI-Trainingsdatenpakete der ersten Teilmenge umfasst, deren jeweilige mehrere Größen die vorgegebene zweite Größe, sowie den jeweiligen vorgegeben Wert der vorgegebenen zweiten Größe umfassen, - mehrere künstliche Intelligenzagenten bereitgestellt werden, - abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge die mehreren künstlichen Intelligenzagenten trainiert werden, und - abhängig von den trainierten mehreren künstlichen Intelligenzagenten ermittelt wird, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist.
Verfahren gemäß Anspruch 6, bei dem abhängig von den mehreren zweiten Teilmengen der ersten Teilmenge die mehreren künstlichen Intelligenzagenten derart trainiert werden, dass ein jeweiliger künstlicher Intelligenzagent abhängig von den KI-Trainingsdatenpaketen der jeweiligen zweiten Teilmenge trainiert wird.
Verfahren gemäß einem der Ansprüche 6 oder 7, bei dem die Ermittlung, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist, abhängig von den trainierten mehreren künstlichen Intelligenzagenten, derart erfolgt, dass - für jeden der jeweiligen trainierten künstlichen Intelligenzagenten ein jeweiliger Charakterisierungskennwert ermittelt wird, - jeweilige Abweichungen zwischen den jeweiligen Charakterisierungskennwerten der jeweiligen trainierten künstlichen Intelligenzagenten ermittelt werden, und - abhängig von den jeweiligen Abweichungen ermittelt wird, ob die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist.
Verfahren gemäß den einem der Ansprüche 6 bis 8, bei dem falls ermittelt wird, dass die vorgegebene zweite Größe ein relevanter Situationsparameter der vorgegebenen Situationsoberklasse ist, - abhängig von der vorgegebenen Situationsoberklasse und dem relevanten Situationsparameter eine Verkehrssimulation durchgeführt wird, wobei die Verkehrssimulation die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges umfasst, wobei der relevante Situationsparameter in der Verkehrssimulation variiert wird, und - abhängig von der Verkehrssimulation die künstliche Intelligenzeinheit des automatisiert fahrbaren Fahrzeuges trainiert wird.
Verfahren gemäß den einem der Ansprüche 6 bis 9, bei dem ein jeweiliger künstlicher Intelligenzagent einen jeweiligen gewichteten Entscheidungsbaum umfasst.
Verfahren gemäß den einem der Ansprüche 6 bis 10, bei dem die KI-Trainingsdatensammlung derart bereitgestellt wird, dass - Anreicherungsdaten bereitgestellt werden, - für jedes KI-Trainingsdatenpaket der KI-Trainingsdatensammlung eine jeweilige Teilmenge der Anreicherungsdaten ermittelt wird, wobei die jeweilige Teilmenge der Anreicherungsdaten einen jeweiligen zeitlichen Bezug zu einem jeweiligen Ermittlungszeitpunkt des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung aufweist, - das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten verarbeitet wird.
Verfahren gemäß Anspruch 11, bei dem das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten derart verarbeitet wird, dass - abhängig von der jeweiligen Teilmenge der Anreicherungsdaten jeweilige Anreicherungsgrößen ermittelt werden, und - die mehreren Größen des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung um die jeweiligen Anreicherungsgrößen erweitert werden.
Verfahren gemäß Anspruch 11, bei dem das jeweilige KI-Trainingsdatenpaket der KI-Trainingsdatensammlung abhängig von der jeweiligen Teilmenge der Anreicherungsdaten derart verarbeitet wird, dass abhängig von der jeweiligen Teilmenge der Anreicherungsdaten Werte der mehreren Größen des jeweiligen KI-Trainingsdatenpakets der KI-Trainingsdatensammlung angepasst werden.
Verfahren gemäß einem der Ansprüche 6 bis 13, bei dem die Ermittlung der ersten Teilmenge und/oder die Ermittlung der mehreren zweiten Teilmengen abhängig von einem Neuronalen Netz erfolgt.
Vorrichtung, die dazu ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 5 oder das Verfahren nach einem der Ansprüche 6 bis 14 durchzuführen.
Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen das Verfahren nach einem der Ansprüche 1 bis 5 oder das Verfahren nach einem der Ansprüche 6 bis 14 bei seiner Ausführung auf einer Datenverarbeitungsvorrichtung durchzuführen.
Computerprogrammprodukt umfassend ausführbaren Programmcode, wobei der Programmcode bei Ausführung durch eine Datenverarbeitungsvorrichtung das Verfahren nach einem der Ansprüche 1 bis 5 oder das Verfahren nach einem der Ansprüche 6 bis 14 ausführt.