-
Die Erfindung betrifft ein Verfahren zum Auswerten von Fahrzeugdaten sowie ein Fahrzeugdatenauswertesystem, das dazu ausgelegt ist, ein derartiges Verfahren durchzuführen.
-
Miteinander vernetzte Fahrzeugeinrichtungen in einem Kraftfahrzeug, wie zum Beispiel vernetzte Steuergeräte, Sensoreinrichtungen und/oder Aktuatoren, kommunizieren miteinander über Bussysteme innerhalb des Kraftfahrzeugs. Das Bussystem kann beispielsweise als Local Interconnect Network (LIN) -Bus, Controller Area Network (CAN)-Bus, FlexRay, Ethernet, Peripheral Component Interconnect Express (PCle) oder Media Oriented Systems Transport (MOST)-Bus ausgebildet sein. Die über ein oder mehrere Bussysteme ausgetauschten Daten werden oftmals als Protokoll-Dateneinheiten (PDU, für Englisch protocol data unit) organisiert. Jede PDU enthält eine vorgegebene Anzahl von Informationen und Signalen, die über eines oder mehrere der oben genannten Bussysteme ausgetauscht werden können. Die einzelnen vernetzten Fahrzeugeinrichtungen können zumindest Teilmengen der PDUs empfangen und auswerten. Externe Aufzeichnungsgeräte, sogenannte Datenlogger, sind dazu ausgelegt, die im Kraftfahrzeug versendeten PDUs zu empfangen und auf ein Medium, wie zum Beispiel einen Plattenspeicher oder eine Solid State Disk (SSD), zu speichern. Somit können alle oder zumindest Teilmengen der PDUs innerhalb und außerhalb von Kraftfahrzeugen ausgewertet werden. Das Gleiche gilt für Simulations- und Testeinrichtungen, wie zum Beispiel ein Hardware in the Loop (HIL)-Simulator, ein Software in the Loop (SIL)-Simulator oder ein Laborfahrzeug, mithilfe derer zumindest Teilsysteme einer Fahrzeugelektronik eines Kraftfahrzeugs simuliert oder betrieben werden können. Derartige Simulations- und Testeinrichtungen zeichnen in der Regel ebenfalls ihren Datenverkehr über PDUs auf.
-
Eine zyklische PDU mit einer Größe von beispielsweise 8 Byte erzeugt jedoch bei einer Zykluszeit von typischerweise 100 Millisekunden eine Datenrate von 80 Byte pro Sekunde beziehungsweise 288.000 Byte pro Stunde. Somit wird beispielsweise mit 100 PDUs eine Datenmenge von 659 Megabyte in 24 Stunden erzeugt. Eine Auswertung einer solchen Datenmenge ist jedoch mit klassischen analytischen Mitteln nur begrenzt möglich. Hinzu kommt, dass die Datenmenge mit einer steigenden Anzahl von gemessenen Fahrzeugen und somit einer steigenden Anzahl an aufzeichnenden PDUs sowie einem größeren Aufzeichnungszeitraum ansteigt. Zum Auswerten einer derartigen Datenmenge mit klassischen analytischen Methoden ist außerdem eine detaillierte Kenntnis von einer Funktionsweise der entsprechenden Fahrzeugeinrichtung sowie von Kommunikationsbeziehungen innerhalb des Kraftfahrzeugs nötig, um eine komplexe Suchstrategie einsetzen zu können. Beispielsweise können Signalwerte, die für bestimmte Fahrmanöver typisch sind, innerhalb der PDUs nur dann erkannt werden, wenn alle fahrzeuginternen Datenverarbeitungsschritte, die mit diesem Signalwert zusammenhängen, vollständig bekannt sind. Außerdem kann ein Sollverhalten des Systems bei Analyse der Daten nur dann geprüft werden, wenn die erwartete Reaktion des Systems zuvor detailliert modelliert wurde. Ein Fehlverhalten einer Softwarekomponente des Fahrzeugs fällt hierbei nur dann bei einer derartigen Analyse der Daten auf, wenn gezielt nach einem derartigen Fehlverhalten der entsprechenden Software gesucht wird.
-
Zur Auswertung großer Datenmengen eignen sich Methoden der künstlichen Intelligenz (KI), wie beispielsweise die Verwendung von künstlichen neuronalen Netzwerken.
-
Die
DE 103 54 322 A1 zeigt ein Verfahren und ein System zur Ermittlung einer Fahrsituation eines Kraftfahrzeugs unter Verwendung von in dem Kraftfahrzeug bereitgestellten Daten. Hierbei wird im Kraftfahrzeug unter anderem ein künstliches neuronales Netz durch einen entsprechend programmierten Rechner bereitgestellt. Mithilfe des neuronalen Netzwerks wird letztendlich erreicht, dass eine aktuelle Fahrsituation erkannt wird, woraufhin Maßnahmen zu einer Entlastung des Fahrers ergriffen werden.
-
Die
DE 10 2016 121 691 A1 zeigt ein Verfahren zum Betreiben zumindest eines Kraftfahrzeugs. Hierbei wird ein tatsächliches Fahrverhalten eines Fahrers des Kraftfahrzeugs mit einem in einem anpassbaren künstlichen neuronalen Netzwerk vordefinierten Fahrerverhalten verglichen und das anpassbare künstliche neuronale Netzwerk in Abhängigkeit von dem durchgeführten Vergleich mittels einer Recheneinheit des Kraftfahrzeugs angepasst. Hierbei wird der Zweck verfolgt, das Verhalten von menschlichen Fahrern in Kraftfahrzeugen in einer besonders hohen Detailtiefe nutzbar zu machen.
-
Die
DE 10 2011 012 238 A1 zeigt ein Verfahren zum Steuern eines Verbrennungsmotors, wobei ein Motorbetrieb überwacht wird. Hierbei kann zum Abschätzen eines stationären Stickoxidwerts ein künstliches neuronales Netzwerk verwendet werden.
-
Es ist die Aufgabe der Erfindung eine Lösung bereitzustellen, mittels derer in einem Fahrzeug erfasste Daten schnell und gründlich verarbeitet und ausgewertet werden können.
-
Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen mit zweckmäßigen und nicht trivialen Weiterbildungen der Erfindung werden in den abhängigen Ansprüchen, der vorliegenden Beschreibung und in den Figuren angegeben.
-
Das erfindungsgemäße Verfahren dient dem Auswerten von Fahrzeugdaten. Die Fahrzeugdaten charakterisieren zumindest ein Fahrmanöver und/oder zumindest einen Zustand von zumindest einem Kraftfahrzeug über eine vorgegebene Zeitdauer und werden von dem zumindest einem Kraftfahrzeug erfasst. Bei den Fahrzeugdaten handelt es sich somit beispielsweise um Sensordaten einer Erfassungseinrichtung des Kraftfahrzeugs, Positionsdaten eines globalen Positionsbestimmungssystems (GPS), die von einer externen Einrichtung an das Kraftfahrzeug übermittelt wurden, Daten die zwischen einzelnen Fahrzeugfunktionen, wie beispielsweise einzelnen Fahrerassistenzsystemen des Kraftfahrzeugs, untereinander ausgetauscht werden und/oder bereits ausgewertete Sensordaten, wie beispielsweise Daten betreffend ein mit einem Kamerasystem des Kraftfahrzeugs erkanntes Objekt in einer Umgebung des Kraftfahrzeugs.
-
Das erfindungsgemäße Verfahren umfasst die folgenden Schritte: Zunächst wird das zumindest eine Kraftfahrzeug für die vorgegebene Zeitdauer betrieben, wobei während des Betreibens des Kraftfahrzeugs die Fahrzeugdaten von zumindest einer Erfassungseinrichtung des Kraftfahrzeugs erfasst und in einer Speichereinrichtung des Kraftfahrzeugs gespeichert werden. Die Fahrzeugdaten werden somit während einer Zeit aufgenommen, in der das Kraftfahrzeug aktiviert ist. Beispielsweise kann das Kraftfahrzeug für die vorgegebene Zeitdauer von einem Fahrer manuell angesteuert werden, wobei dieser zur Erfassung von Fahrzeugdaten eine vorgegebene Teststrecke abfährt, die sowohl Fahrabschnitte in einer ländlichen Umgebung als auch Fahrabschnitte in einer urbanen Umgebung umfasst. Diese Testfahrt findet beispielsweise statt, um ein Sensorsystem des Kraftfahrzeugs in verschiedenen Fahrumgebungen zu testen. Bei dem Sensorsystem kann es sich beispielsweise um ein Kamerasystem sowie eine zugehörige Auswerteeinheit zum Auswerten der Kamerasystemdaten handeln. Während der Testfahrt werden nun zum einen von dem Kamerasystem als auch von der Auswerteeinheit verschiedene Daten erfasst beziehungsweise bestimmt und bereitgestellt, indem sie in der Speichereinrichtung abgelegt werden. Außerdem werden während der beschriebenen Fahrt von anderen Erfassungseinrichtungen des Kraftfahrzeugs, wie beispielsweise einer Geschwindigkeitsmesseinrichtung, einer Blinklichtanlage, und/oder einem Spurhalteassistenten ebenfalls aktuelle Fahrzeugdaten erfasst und in der Speichereinrichtung gespeichert. Die gespeicherten Fahrzeugdaten können zum Beispiel als PDUs organisiert sein.
-
In einem nächsten Schritt werden die in der Speichereinrichtung gespeicherten Fahrzeugdaten an eine fahrzeugexterne Recheneinrichtung übermittelt. Bei dieser Recheneinrichtung handelt es sich beispielsweise um eine Servereinrichtung eines Fahrzeugherstellers, die Fahrzeugdaten sammelt, um anhand dieser, eine Funktionsweise einer bestimmten Erfassungseinrichtung, wie zum Beispiel des neue Kamerasystem, zu testen und mithilfe der bei einer Datenauswertung gewonnenen Erkenntnisse gegebenenfalls zu optimieren.
-
Die fahrzeugexterne Recheneinrichtung ist nun dazu ausgelegt, die übermittelten Fahrzeugdaten auszuwerten. Hierfür erkennt sie in einem nächsten Verfahrensschritt zumindest ein Datenmuster in den Fahrzeugdaten durch Anwenden eines künstlichen neuronalen Netzwerks auf die der Recheneinrichtung bereitgestellten Fahrzeugdaten. Ein derartiges künstliches neuronales Netzwerk ist ein Netz aus künstlichen Neuronen. In der Neuroinformatik werden künstliche neuronale Netzwerke als künstliche Intelligenz eingesetzt, da sie beispielsweise ohne detailliertes Wissen betreffend einer Funktionsweise oder einer Kommunikationsbeziehungen zwischen einzelnen Teilmengen von Daten zur Auswertung dieser Daten geeignet sind. Als künstliches neuronales Netzwerk wird also ein selbstständig lernendes Computerprogramm bezeichnet, das in einer relativ kurzen Zeit komplizierte Regelmäßigkeiten und Zusammenhänge in großen Datenmengen erkennen kann. Einem neuronalen Netzwerk liegt hierfür ein abstrahiertes Modell miteinander verbundener Neutronen zugrunde, sodass ein künstliches neuronales Netzwerk zumindest bis zu einem gewissen Grad dem Aufbau eines biologischen Gehirns nachempfunden ist. Vereinfacht beschrieben kann der Aufbau und die Funktionsweise eines künstlichen neuronalen Netzwerks mit einem Netzwerk aus Neuronen beschrieben werden, die jeweils Informationen von außen oder von anderen Neuronen aufnehmen und modifiziert an andere Neuronen weiterleiten oder als Endergebnis ausgeben. Hierbei können beispielsweise positive oder negative Gewichtungen vorgenommen werden, die einen erregenden beziehungsweise hemmenden Einfluss der Neuronen untereinander darstellen. Das Wissen und damit die künstliche Intelligenz eines künstlichen neuronalen Netzwerkes ist letztendlich in den Verbindungen zwischen den einzelnen Neuronen und deren Gewichtungen gespeichert. Während eines Trainings des neuronalen Netzwerkes verändern sich diese Gewichtungen der Verbindungen abhängig von den angewandten Lernregeln und erzielten Ergebnissen.
-
Mit anderen Worten kann durch Anwenden eines künstlichen neuronalen Netzwerks auf die Fahrzeugdaten erreicht werden, dass in diesen Fahrzeugdaten in einer besonders kurzen Zeit auffallende Datenpakete, die sogenannten Datenmuster, identifiziert werden können. Nachdem zumindest ein Datenmuster in den Fahrzeugdaten erkannt worden ist, überprüft die fahrzeugexterne Recheneinrichtung, ob das erkannte Datenmuster einem vorgegebenen Referenzmuster entspricht. Dieses vorgegebene Referenzmuster ist in der fahrzeugexternen Recheneinrichtung hinterlegt und ist dem zumindest einen Fahrmanöver und/oder dem zumindest einen Zustand des Kraftfahrzeugs zugeordnet. Beispielsweise kann ein Referenzmuster hinterlegt sein, das einem Bremsvorgang des Kraftfahrzeugs zugeordnet ist. Durch das neuronale Netzwerk kann somit ausgewertet werden, ob die Fahrzeugdaten zumindest ein Datenmuster umfassen, das dem Referenzmuster für den Bremsvorgang entspricht oder unter Berücksichtigung vorgegebener Grenzwerte zumindest ähnelt, sodass letztendlich alle Bremsmanöver, die in der vorgegebenen Zeitdauer, während der das Kraftfahrzeug betrieben und während der Fahrzeugdaten erfasst wurden, durchgeführt wurden, erkannt werden. Somit ist es letztendlich möglich, dass beispielsweise aus Fahrzeugdaten, die von mehreren Kraftfahrzeugen bereitgestellt wurden, die jeweils mehrere mehrstündige Testfahrten durchgeführt haben, all die Datenmuster herausgesucht werden, die auf einen Bremsvorgang schließen lassen. Das erfindungsgemäße Verfahren ermöglicht somit ein Auffinden eines gelernten Musters eines Fahrmanövers und/oder Zustands des Kraftfahrzeugs in großen Datenmengen von Fahrzeugdaten.
-
In einem weiteren Verfahrensschritt wird ein vorgegebenes Qualitätskriterium auf die dem erkannten Datenmuster zugrundeliegenden Fahrzeugdaten und/oder zeitgleich erfasste weitere Fahrzeugdaten angewendet. Das Qualitätskriterium kann beispielsweise derart gewählt sein, dass es erfüllt ist, wenn Fahrzeugdaten bei verschiedenen Lichtverhältnissen, zum Beispiel sowohl bei Tagfahrten als auch bei Nachtfahrten, gewonnen wurden. Anhand eines derartigen Qualitätskriteriums kann somit beispielsweise im Hinblick auf das Kamerasystem beziffert werden, inwiefern eine Testfahrt mit einem Kraftfahrzeug sinnvoll ist, um anhand der gewonnenen Fahrzeugdaten eine Optimierung eines Kamerasystems durchzuführen. Hintergrund hierbei ist, dass beispielsweise Testfahrten, die nur bei Tageslicht durchgeführt wurden, keine Informationen dahingehend enthalten, wie Sensordaten, die bei Nacht aufgenommen werden würden, aussehen könnten. Hinsichtlich einer Datenerfassung zur Untersuchung der Funktionsweise des Kamerasystems könnte das Qualitätskriterium beispielsweise nur dann erfüllt sein, wenn sowohl bei Tageslicht als auch in der Nacht Fahrzeugdaten von dem Kraftfahrzeug erfasst wurden. Wird hingegen das Bremsverhalten des Kraftfahrzeugs untersucht, haben derartige Informationen hinsichtlich Lichtverhältnisse während der Testfahrt nur einen geringen Einfluss auf die Qualität der Daten, wodurch beispielsweise trotz nur bei Tageslicht erfolgten Testfahrten den Fahrzeugdaten des Kraftfahrzeugs eine ausreichend hohe Qualität zugeordnet wird, sodass das vorgegebene Qualitätskriterium erfüllt ist.
-
Falls das erkannte Datenmuster dem hinterlegten Referenzmuster entspricht und/oder die Fahrzeugdaten das Qualitätskriterium erfüllen, wird ein entsprechender Hinweis ausgegeben. Dieser Hinweis kann beispielsweise auf einer Anzeigeeinrichtung der fahrzeugexternen Recheneinrichtung angezeigt werden. Dieser Hinweis kann beispielsweise detaillierte Informationen zu dem untersuchten erkannten Datenmuster sowie dem angewandten Qualitätskriterium umfassen. Hierdurch wird letztendlich ermöglicht, dass die Ergebnisse der Datenauswertung für beispielsweise einen Mitarbeiter des Fahrzeugherstellers, der die fahrzeugexterne Recheneinrichtung bereitstellt, angezeigt und außerdem zu einer weiteren Auswertung der Daten bereitgestellt werden. Hierdurch wird letztendlich möglich, dass für einen Auswertungszweck aufgezeichnete, empfangene und somit gewissermaßen mitgehörte Fahrzeugdaten mithilfe von Methoden der künstlichen Intelligenz bearbeitet werden, ohne dass ein detailliertes Funktionswissen oder Details zu Kommunikationsbeziehungen innerhalb des Kraftfahrzeugs bekannt sein müssen. Das beschriebene Verfahren basiert dabei auf der Tatsache, dass einzelne Fahrmanöver, wie beispielsweise ein Bremsvorgang, aber auch Fahrzeugzustände, wie beispielsweise ein Warten vor einer roten Ampel, innerhalb der aufgezeichneten Fahrzeugdaten, die beispielsweise als PDUs organisiert sind, zu charakteristischen Mustern führen. Diese Muster können in den Daten erkannt werden und über neuronale Netzwerke verarbeitet werden. Dies ermöglicht beispielsweise eine Qualitätsauswertung von Testdaten sowie ein schnelles Auffinden von gewünschten Datenmustern in einer Vielzahl von Daten. Letztendlich wird dadurch eine effiziente, gründliche, schnelle sowie auf beliebige Fahrzeugdaten anwendbare Datenauswertestrategien bereitgestellt.
-
Zu der Erfindung gehören auch Ausgestaltungsformen, durch die sich zusätzlich Vorteile ergeben.
-
In einer vorteilhaften Ausgestaltungsform der Erfindung ist es vorgesehen, dass der fahrzeugexterne Recheneinrichtung Referenzfahrzeugdaten von dem zumindest einen Fahrmanöver und/oder dem zumindest einen Zustand des zumindest einen Kraftfahrzeugs bereitgestellt werden. Diese Referenzfahrzeugdaten werden beispielsweise bei vorgegebenen Testfahrten auf einer Teststrecke generiert. Beispielsweise kann es vorgesehen sein, dass das Kraftfahrzeug bei einer Testfahrt auf dieser Teststrecke fünf Mal nach Erreichen einer vorgegebenen Fahrgeschwindigkeit das Kraftfahrzeug in den Stillstand abbremst. Das neuronale Netzwerk erlernt nun anhand der bereitgestellten Referenzfahrzeugdaten das Referenzmuster für das entsprechende Fahrmanöver und/oder den entsprechenden Zustand. Anhand beispielsweise der fünf bei der Testfahrt durchgeführten Bremsvorgänge kann somit das künstliche neuronale Netzwerk erlernen, wie das Referenzmuster für einen Bremsvorgang aussieht. Das Referenzmuster wird daraufhin in der fahrzeugexternen Recheneinrichtung gespeichert. Das künstliche neuronale Netzwerk wird also zunächst mit Fahrzeugdaten von Testfahrzeugen und/oder einer Prüfeinrichtung trainiert, wobei hierbei das Testfahrzeug wenigstens ein Referenzmanöver ausführt beziehungsweise die Prüfeinrichtung wenigstens ein Referenzmanöver simuliert. Daraufhin ist das neuronale künstliche Netzwerk in der Lage, dieses Referenzmanöver, wie beispielsweise einen Bremsvorgang, in beliebigen Fahrzeugdaten zu erkennen. Es ist folglich zunächst ein Trainingsverfahren für das neuronale Netzwerk vorgesehen, sodass letztendlich ein zuverlässiges Auswerteergebnis hinsichtlich der Zuordnung der erkannten Datenmuster zu den hinterlegten Referenzmustern möglich ist.
-
Es ist zudem in einer Ausgestaltungsform der Erfindung vorgesehen, dass das Qualitätskriterium erfüllt ist, wenn die zeitlich erfassten weiteren Fahrzeugdaten eine vorgegebene minimale Diversität an Fahrsituationen, in denen sie erfasst wurden, aufweisen. Diesem Qualitätskriterium liegt die Kenntnis zugrunde, dass eine Qualität von Test- und Verifikationsdaten dadurch beurteilt werden kann, dass die Anzahl von unterschiedlichen Fahrmanövern beziehungsweise durch einen Nachweis, dass bestimmte Fahrmanöver überhaupt durchgeführt wurden, beziffert werden kann. Wurden beispielsweise 5000 km Fahrtestdaten angefragt, die jedoch alle bei Fahrten des Kraftfahrzeugs am Tag auf einer Schnellstraße erfasst wurden, es jedoch beispielsweise sinnvoll ist einen Fahrzeugdatenmix aus sowohl Fahrten auf einer Schnellstraße als auch Fahrten auf einer Landstraße sowie Fahrten, die bei Tageslicht durchgeführt wurden, als auch Fahrten, die ohne Tageslicht durchgeführt wurden, sinnvoll ist, kann nun das Qualitätskriterium derart gewählt werden, dass eine minimale Vielseitigkeit an den beschriebenen Fahrsituationen gegeben sein muss, damit das Qualitätskriterium erfüllt ist. Das Qualitätskriterium wird hierbei bevorzugt auf die weiteren Fahrzeugdaten angewendet, da es beispielsweise bei der Bewertung der Qualität der Fahrzeugdaten betreffend das Bremsverhalten sinnvoll ist, anhand der weiteren Fahrzeugdaten Informationen über die tatsächliche Fahrsituation des jeweiligen Bremsvorgangs zu erhalten und zu untersuchen. Die vorgegebene minimale Diversität wird hierbei abhängig von einem gewünschten Anwendungsbereich der gewonnen Fahrzeugdaten gestaltet, da je nachdem welche Erfassungseinrichtung des Kraftfahrzeugs optimiert werden soll oder welche Software- und/oder Hardwarekomponente des Kraftfahrzeugs in ihrer Funktionsweise analysiert und gegebenenfalls optimiert werden soll, unterschiedliche minimale Diversitäten gewählt werden sollten.
-
Die weiteren Fahrzeugdaten, die das vorgegebene Qualitätskriterium erfüllen, werden als verifizierte Testfahrzeugdaten für das erkannte Datenmuster in der fahrzeugexternen Recheneinrichtung abgespeichert. Hierdurch wird es möglich, dass aus einer großen Datenmenge, die beispielsweise bei Fahrten von über 100 Kraftfahrzeugen gesammelt wurden, genau die Fahrzeugdaten ausgewählt werden, die für eine weitere Auswertung hinsichtlich einer Optimierung beispielsweise eines Fahrerassistenzsystems des Kraftfahrzeugs weiter betrachtet und detaillierter ausgebettet werden sollten. Hierbei eignet sich beispielsweise die Bestimmung eines sogenannten Toggle Coverage-Wertes. Dieser wird bei einem Test ermittelt, der letztendlich einen Wert ausgibt, der abhängig davon ist, ob diverse Eventualitäten von Fahrmanövern und/oder Zuständen des Kraftfahrzeugs in den Daten wiedergespiegelt werden. Der Toggle Coverage-Wert stellt also einen Qualitätsmesswert dar. Letztendlich wird durch das Überprüfen des Qualitätskriteriums ermöglicht, dass von Testfahrzeugen bereitgestellte Fahrzeugdaten von Testfahrten auf Basis der Auswertung des Fahrzeugdatenaufkommens und des Fahrzeugdateninhalts unter Verwendung von künstlicher Intelligenz analysiert und überprüft werden können.
-
In einer weiteren besonders vorteilhaften Ausgestaltungsform der Erfindung ist es vorgesehen, dass, falls das erkannte Datenmuster keinem hinterlegten Referenzmuster entspricht, überprüft wird, ob anhand des Datenmusters zumindest eine der folgenden Situationen erkannt wird: Ein Cyberangriff auf die Recheneinrichtung und/oder das Kraftfahrzeug, ein Fehlverhalten eines Fahrers des Kraftfahrzeugs während der Erfassung der Fahrzeugdaten und/oder ein fehlerhaft reagierendes Softwareprogramm im Kraftfahrzeug. Falls eine der genannten Situationen erkannt wird, gilt das Qualitätskriterium als erfüllt, woraufhin ein entsprechender Hinweis ausgegeben wird. Es ist somit möglich, dass auch wenn kein hinterlegtes Referenzmuster herangezogen werden kann, um das erkannte Datenmuster einem der Fahrmanöver und/oder Zustände des Kraftfahrzeugs zuordnen zu können, anhand des Datenmusters Aussagen hinsichtlich einer Datenauswertung der Fahrzeugdaten gemacht werden können. Denn mithilfe des künstlichen neuronalen Netzwerkes können neben bekannten Datenmustern auch Auffälligkeiten in den Fahrzeugdaten automatisch erkannt werden. Derartige Auffälligkeiten, die auch als Anomalien in den Fahrzeugdaten bezeichnet werden können, lassen beispielsweise auf ein Fehlverhalten des Fahrers schließen. Fährt dieser beispielsweise ein illegales Fahrmanöver, indem er beispielsweise einen Autopiloten aktiviert, obwohl er sich auf einer Fahrstrecke befindet, auf der eine Aktivierung des Autopiloten verboten ist, kann ein derartiges Verhalten erkannt und die dazugehörigen Daten können beispielsweise von einer weiteren Datenauswertung ausgeschlossen werden. Außerdem kann eine beispielsweise bösartige Attacke auf die fahrzeugexterne Recheneinrichtung und/oder das Kraftfahrzeug, das heißt, ein sogenannter Cyberangriff, anhand des Datenmusters entdeckt werden, woraufhin beispielsweise Gegenmaßnahmen zum Schutz der Recheneinrichtung und/oder des Kraftfahrzeugs getroffen werden können. Derartige Situationen können erkannt werden, da die dazugehörigen Datenmuster nicht zu den antrainierten Verhaltensweisen, das heißt den hinterlegten Referenzmustern, passen. Das Verfahren eignet sich also nicht nur dazu, bereits bekannte Fahrmanöver und/oder Fahrzustände des Kraftfahrzeugs, die als jeweilig hinterlegte Referenzmuster in der fahrzeugexternen Recheneinrichtung hinterlegt sind, zu erkennen, sondern kann auch dazu genutzt werden, weitere gegebenenfalls unerwartete Beeinflussungen der Fahrzeugdaten zu erkennen. Besonders interessant ist diese Funktion in der Praxis hinsichtlich eines fehlerhaft reagierenden Softwareprogramms im Kraftfahrzeug, da beispielsweise ein Fehlverhalten einer Fahrzeugfunktion erkannt werden kann. Beispielsweise kann es sein, dass ein Fahrerassistenzsystem einen Notstopp des Kraftfahrzeugs aktiviert, obwohl kein Hindernis auf einer Fahrstrecke des Kraftfahrzeugs vorhanden ist. Ein Grund hierfür wäre, dass beispielsweise das zu testende Kamerasystem fälschlicherweise einen Schatten als eine vor das Fahrzeug laufende Person identifiziert hat. Ein derart fehlerhaft reagierendes Softwareprogramm könnte somit anhand der Datenauswertung mithilfe des künstlichen neuronalen Netzwerkes erkannt werden, da das damit verbundene Datenmuster einen Rückschluss auf eine derartige Situation ermöglicht. Letztendlich wird dadurch ein Überprüfen der Fahrzeugdaten hinsichtlich Cyberangriffe, ein Fehlverhalten des Fahrers aber auch fehlerhafter Softwareprogramme im Kraftfahrzeug ermöglicht, sodass eine umfangreiche Analyse der Fahrzeugdaten hinsichtlich möglicher Fehlerquellen, die gegebenenfalls in nächsten Schritten behoben werden können, ermöglicht wird.
-
Eine weitere Ausgestaltungsform der Erfindung sieht vor, dass anhand der Fahrzeugdaten überprüft wird, ob zumindest eine von den Fahrzeugdaten umfasste Messgröße unter mehreren Bezeichnungen erfasst wird. Es ist beispielsweise möglich, dass im Kraftfahrzeug für die Messgröße Kraftfahrzeuggeschwindigkeit verschiedene Bezeichnungen geführt werden, beispielsweise die Bezeichnungen v0, v, Speed und Velocity. Hierdurch ergibt sich eine Redundanz innerhalb der Fahrzeugdaten, da beispielsweise die selbe Messgröße mehrmals gespeichert wird. Eine derartige Redundanz kann beispielsweise dadurch entstehen, dass verschiedene Messgrößenbezeichnungen in verschiedenen Softwarebauteilen des Kraftfahrzeugs verwendet wurden. Das künstliche neuronale Netzwerk kann Redundanzen beispielsweise daran erkennen, dass sich einzelne Datenpakete synchron verhalten, sodass ein entsprechendes Datenmuster entsteht. Hierdurch wird ermöglicht, dass Redundanzen in den Messgrößenbezeichnungen erkannt werden, wodurch eine schnelle und gründliche Kontrolle der Fahrzeugsoftware ermöglicht ist.
-
Eine weitere Ausgestaltungsform der Erfindung sieht vor, dass falls die zumindest eine Messgröße unter mehreren Bezeichnungen erfasst wird, eine der Bezeichnungen ausgewählt und eine Fahrzeugsoftware dahingehend korrigiert wird, dass im Kraftfahrzeug nur die ausgewählte Bezeichnung für die Messgröße verwendet wird. Es wird somit eine Vereinheitlichung der redundant verwendeten Bezeichnung für ein und dieselbe Messgröße bestimmt und daraufhin die entsprechende Anpassung in der betroffenen Fahrzeugsoftware durchgeführt. Hierdurch wird eine Vereinheitlichung der Bezeichnungen für einzelne Messgrößen innerhalb der Fahrzeugsoftware ermöglicht, wodurch womöglich zusätzliche und letztendlich unnötige Zwischenauswerteschritte reduziert und beispielsweise eine Beschleunigung der Fahrzeugsoftware erreicht werden kann.
-
In einer weiteren Ausgestaltungsform der Erfindung ist es vorgesehen, dass ein Testmanöver und/oder ein Testzustand des Kraftfahrzeugs anhand von Fahrzeugdaten erzeugt wird, die nach einem der erkannten Datenmuster generiert werden. Mit anderen Worten kann eine gezielte Generierung von gewünschten Testfällen unter Berücksichtigung der erkannten Datenmuster, das heißt letztendlich der erfassten Fahrzeugdaten, ermöglicht werden. Hierdurch kann beispielsweise eine Simulation ermöglicht werden, anhand der beispielsweise das neu entwickelte Kamerasystem sowie dazugehörige Auswertesoftware ausführlich getestet und in ihrer zu erwartenden Reaktion auf vorgegebene Testereignisse im Rahmen von Simulationen untersucht werden kann. Dies vereinfacht eine Produktentwicklung und Produktverbesserung betreffend das Kraftfahrzeug.
-
Es ist außerdem in einer Ausgestaltungsform vorgesehen, dass die Fahrzeugdaten von der fahrzeugexternen Recheneinrichtung an eine Simulationseinrichtung übermittelt werden. Diese Simulationseinrichtung führt mit den übermittelten Fahrzeugdaten eine Resimulation durch, woraufhin die bei der Resimulation ermittelten Simulationsdaten mit den übermittelten Fahrzeugdaten verglichen werden. Abhängig von dem Ergebnis dieses Vergleichs wird ein entsprechendes Ausgangssignal erzeugt sowie ausgegeben. Mit anderen Worten kann also eine Reaktion auf ein Kommunikationspattern, das einem bekannten Fahrmanöver zugeordnet ist, untersucht werden. Beispielsweise werden der Simulationseinrichtung, die als Prüfeinrichtung ausgestaltet ist, Daten zur Reproduzierung, das heißt zur Resimulation übermittelt. Beispielsweise werden Fahrzeugdaten von einem Bremsvorgang an die Simulationseinrichtung übermittelt. Diese Daten werden daraufhin in die Simulationseinrichtung eingespielt und beispielsweise durch die Simulationseinrichtung ein erneuter Bremsvorgang simuliert. Bei dieser Resimulation werden jedoch eventuell andere weitere Fahrzeugdaten erzeugt, als es bei den übermittelten Fahrzeugdaten der Fall ist. Hierdurch kann beispielsweise das neue Kamerasystem dahingehend überprüft werden, ob es zum Beispiel wie es aus den ermittelten Fahrzeugdaten zu entnehmen ist, eine Fahrbahnspur sowie Personen in der Umgebung des Kraftfahrzeugs erkennt, oder ob es bei der Resimulation andere Objekte erkennt. Das entsprechende Ausgangssignal kann eine Auswertung des Vergleichs der Ergebnisse der Resimulation mit den Ergebnissen, die bei der tatsächlichen Fahrt gewonnen wurden und von den tatsächlich hinterlegten Fahrzeugdaten umfasst werden, umfassen. Hierdurch kann anhand der Datenauswertung der großen Menge an Fahrzeugdaten ein Beitrag zu einer detaillierten Untersuchung und einer anschließenden Optimierung von einzelnen Fahrzeugfunktionen im Rahmen von Resimulationen erreicht werden.
-
Des Weiteren wird ermöglicht, dass die Umsetzung einer Kommunikationsdefinition überprüft werden kann. Die Kommunikationsdefinition umfasst beispielsweise im Kraftfahrzeug hinterlegte Zusammenhänge zwischen einer Messgröße, wie beispielsweise der Kraftfahrzeuggeschwindigkeit, einer Speicherposition dieser Messgröße innerhalb des Kraftfahrzeugs sowie wenigstens einen Umrechnungsfaktor betreffend die entsprechende Messgrö-ße. Inwiefern die Fahrzeugdaten darauf schließen lassen, dass die hinterlegten Kommunikationsdefinitionen sinnvoll und den tatsächlich umgesetzten Rechenschritten innerhalb der Fahrzeugsoftware entsprechen, kann mithilfe der Datenauswertung mithilfe des künstlichen neuronalen Netzwerks überprüft werden. Letztendlich wird hierbei durch eine Datenanalyse eine konkrete Kommunikationsmatrix, die die genannten Informationen zu jeder einzelnen Messgröße umfasst, bestimmt werden. Hierdurch wird ein weiterer sinnvoller Schritt zu einer optimalen Fahrzeugsoftware ermöglicht, da ein innerhalb der beschriebenen Kommunikationsdefinitionen auftretender Fehler erkannt oder daraufhin gegebenenfalls behoben werden kann.
-
In einer weiteren vorteilhaften Ausgestaltungsform der Erfindung ist es vorgesehen, dass die Fahrzeugdaten als Protokoll-Dateneinheiten, also als sogenannte PDUs, organisiert sind. Hierbei handelt es sich um ein geläufiges Konzept aus dem Bereich der Netzwerkprotokolle, bei der ein kompletter Satz Daten und Verwaltungsinformationen einer hierarchischen Datenschicht als eine PDU bezeichnet wird. Ein derartige Organisation von Fahrzeugdaten ist besonders häufig in Kraftfahrzeugen aufzufinden und eignet sich besonders für die Organisation von großen Datenmengen, wie sie in Kraftfahrzeugen anfallen und angesammelt werden.
-
Die Erfindung umfasst zudem ein Fahrzeugdatenauswertesystem, das eine fahrzeugexterne Recheneinrichtung und zumindest ein Kraftfahrzeug mit einer zentralen Speichereinrichtung umfasst. In der zentralen Speichereinrichtung des Kraftfahrzeugs sind Fahrzeugdaten hinterlegt, die von dem Kraftfahrzeug erfasst wurden und zumindest ein Fahrmanöver und/oder zumindest einen Zustand des Kraftfahrzeugs über eine vorgegebene Zeitdauer charakterisieren. Das Kraftfahrzeug des Fahrzeugdatenauswertesystems ist dazu ausgelegt, für die vorgegebene Zeitdauer betrieben zu werden und während des Betreibens die Fahrzeugdaten von zumindest einer Erfassungseinrichtung des Kraftfahrzeugs zu erfassen sowie in der Speichereinrichtung des Kraftfahrzeugs zu speichern. Außerdem ist das Kraftfahrzeug dazu ausgelegt, die gespeicherten Fahrzeugdaten an die fahrzeugexterne Recheneinrichtung zu übermitteln. Die fahrzeugexterne Recheneinrichtung ist dazu ausgelegt, zumindest ein Datenmuster in den Fahrzeugdaten durch Anwenden eines künstlichen neuronalen Netzwerks auf die bereitgestellten Fahrzeugdaten zu erkennen und zu überprüfen, ob das erkannte Datenmuster einem vorgegebenen, in der fahrzeugexternen Recheneinrichtung hinterlegten Referenzmuster entspricht, das dem zumindest einen Fahrmanöver und/oder dem zumindest einen Zustand des Kraftfahrzeugs zugeordnet ist. Die fahrzeugexterne Recheneinrichtung ist außerdem dazu ausgelegt, ein vorgegebenes Qualitätskriterium auf die dem erkannten Datenmuster zugrunde liegenden Fahrzeugdaten und/oder zeitgleich erfasste weitere Fahrzeugdaten anzuwenden und, falls das erkannte Datenmuster dem hinterlegten Referenzmuster entspricht und/oder die Fahrzeugdaten das Qualitätskriterium erfüllen, einen entsprechenden Hinweis auszugeben. Die im Zusammenhang mit dem erfindungsgemäßen Verfahren vorgestellten bevorzugten Ausgestaltungen deren Vorteile gelten entsprechend, soweit anwendbar für das erfindungsgemäße Fahrzeugdatenauswertesystem. Aus diesem Grund sind die entsprechenden Ausgestaltungen des erfindungsgemäßen Fahrzeugdatenauswertesystems hier nicht noch einmal beschrieben.
-
Das Kraftfahrzeug ist bevorzugt als Kraftwagen, insbesondere als Personenkraftwagen oder Lastkraftwagen, oder als Personenbus oder Motorrad ausgestaltet.
-
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
-
Im Folgenden ist ein Ausführungsbeispiel der Erfindung beschrieben. Hierzu zeigt:
- 1 eine schematische Darstellung von mehreren Kraftfahrzeugen auf einer Testfahrt zum Erzeugen von Fahrzeugdaten; und
- 2 in schematischer Darstellung einen Signalflussgraphen für ein Verfahren zum Auswerten von Fahrzeugdaten.
-
Bei dem im Folgenden erläuterten Ausführungsbeispiel handelt es sich um eine bevorzugte Ausführungsform der Erfindung. Bei dem Ausführungsbeispiel stellen die beschriebenen Komponenten der Ausführungsform jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsform umfassen. Des Weiteren ist die beschriebene Ausführungsform auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.
-
In 1 ist ein Kraftfahrzeug 10 skizziert, das auf einer Straße 12 innerhalb einer Stadt 14 fährt. Das Kraftfahrzeug 10 fährt hierbei bei Tageslicht, das heißt während eine Sonne 15 scheint, durch die Stadt 14. Innerhalb der Stadt 14 bewegt sich das Kraftfahrzeug 10 in relativ dichtem Verkehr, wobei es häufiger anhält und wieder anfährt, da es beispielsweise von einer Ampel 18 dazu aufgefordert wird, während einer Rotphase vor der Ampel 18 zu warten. Im Laufe der Testfahrt des Kraftfahrzeugs 10 verlässt das Kraftfahrzeug 10 die Stadt 14 und fährt zu einer Gebirgslandschaft 16, das heißt es fährt auf einer Landstraße mit relativ wenig Verkehr. Inzwischen haben sich außerdem die Lichtverhältnisse geändert und das Kraftfahrzeug 10 fährt bei Nacht durch die Gebirgslandschaft 16, was anhand eines Mondes 17 in 1 skizziert ist. Das Kraftfahrzeug 10, das bei Nacht fährt, wird in 1 mit dem Bezugszeichen 10' bezeichnet.
-
Das Kraftfahrzeug 10 umfasst eine Erfassungseinrichtung 20, eine Speichereinrichtung 22 sowie eine Kommunikationseinrichtung 24. Über die Kommunikationseinrichtung 24 kann das Kraftfahrzeug 10 eine Kommunikationsverbindung 25 mit der Kommunikationseinrichtung 24 einer fahrzeugexternen Recheneinrichtung 30 aufbauen. Das Kraftfahrzeug 10 bildet zusammen mit der fahrzeugexternen Recheneinrichtung 30 ein Fahrzeugdatenauswertesystem 40. Das Fahrzeugdatenauswertesystem 40 kann außerdem weitere Kraftfahrzeuge 10 umfassen, die ebenfalls über eine Kommunikationsverbindung 25 mit der fahrzeugexternen Recheneinrichtung 30 in Verbindung stehen können. Die in 2 skizzierte Kommunikationsverbindung 25 ist hierbei rein symbolisch zu sehen und soll verdeutlichen, dass die einzelnen Kraftfahrzeuge 10 dazu ausgelegt sind, Daten an die fahrzeugexterne Recheneinrichtung 30 zu übermitteln. Die Übermittlung selbst findet beispielsweise über eine Kabelverbindung zwischen dem Kraftfahrzeug 10 und der fahrzeugexternen Recheneinrichtung 30 statt, und zwar zu einem Zeitpunkt, zu dem die Testfahrt bereits beendet ist.
-
Innerhalb des Kraftfahrzeugs 10 werden über ein fahrzeuginternes Bussystem Daten von der Erfassungseinrichtung 20, beispielsweise einem Fahrerassistenzsystem und/oder einer Sensoreinrichtung, wie zum Beispiel einem Kamerasystem, an die Speichereinrichtung 22 übermittelt und in dieser gespeichert. Diese Daten werden als Fahrzeugdaten bezeichnet, charakterisieren zumindest ein Fahrmanöver und/oder zumindest einen Zustand des Kraftfahrzeug 10 über eine vorgegebene Zeitdauer charakterisieren und wurden von der Erfassungseinrichtung 20 erfasst. Die Fahrzeugdaten können als Protokoll-Dateneinheiten, das heißt als sogenannte PDUs, organisiert sein.
-
In 2 sind in einem Signalflussgraphen die einzelnen Verfahrensschritte skizziert, die entweder von dem Kraftfahrzeug 10 oder von der fahrzeugexternen Recheneinrichtung 30 durchgeführt werden. In einem ersten Schritt S1 wird das Kraftfahrzeug 10 für die vorgegebene Zeitdauer betrieben, wobei während des Betreibens des Kraftfahrzeugs 10 die Fahrzeugdaten von der Erfassungseinrichtung 20 erfasst und in der Speichereinrichtung 22 gespeichert werden. In einem Schritt S2 erfolgt ein Übermitteln der gespeicherten Fahrzeugdaten an die fahrzeugexterne Recheneinrichtung 30.
-
In einem Schritt S3 wird daraufhin von der fahrzeugexternen Recheneinrichtung 30 zumindest ein Datenmuster in den Fahrzeugdaten erkannt, und zwar indem ein künstliches neuronales Netzwerk auf die bereitgestellten Fahrzeugdaten angewendet wird. Hierbei kann beispielsweise erkannt werden, ob das Kraftfahrzeug 10 während der Testfahrt einen Bremsvorgang durchgeführt hat, beispielsweise aufgrund der Rotphase der Ampel 18. Dies ist möglich, da ein derartiges Bremsmanöver zu einem charakteristischen Datenmuster in den Fahrzeugdaten führt. In einem nächsten Schritt S4 wird nun überprüft, ob das erkannte Datenmuster einem vorgegebenen in der fahrzeugexternen Recheneinrichtung 30 hinterlegten Referenzmuster entspricht, das dem zumindest einen Fahrmanöver und/oder dem zumindest einen Zustand des Kraftfahrzeugs 10 zugeordnet ist. Als derartiges Referenzm uster kann also beispielsweise ein einen typischen Bremsvorgang beschreibender Fahrzeugdatensatz in der fahrzeugexternen Recheneinrichtung 30 hinterlegt sein, sodass anhand der erkannten Datenmuster nach Abgleich mit diesem Referenzmuster der Bremsvorgang erkannt werden kann.
-
Das Referenzmuster wird zuvor der fahrzeugexternen Recheneinrichtung 30 bereitgestellt, und zwar indem Referenzfahrzeugdaten von dem zumindest einen Fahrmanöver und/oder dem zumindest einen Zustand des Kraftfahrzeugs 10 der fahrzeugexternen Recheneinrichtung 30 bereitgestellt werden, wobei das neuronale Netzwerk anhand der bereitgestellten Referenzfahrzeugdaten das Referenzmuster für das entsprechende Fahrmanöver und/oder den entsprechenden Zustand erlernt und das Referenzmuster in der fahrzeugexternen Recheneinrichtung 30 gespeichert wird. Es ist jedoch möglich, dass das erkannte Datenmuster keinem hinterlegten Referenzmuster entspricht.
-
In einem Schritt S5 wird nun ein vorgegebenes Qualitätskriterium auf die dem erkannten Datenmuster zugrundeliegenden Fahrzeugdaten angewendet. Außerdem oder alternativ dazu wird im Schritt S5 das vorgegebene Qualitätskriterium auf zeitgleich erfasste weitere Fahrzeugdaten angewendet. Wenn die zeitgleich erfassten weiteren Fahrzeugdaten eine vorgegebene minimale Diversität an Fahrsituationen, in denen sie erfasst wurden, aufweisen, gilt das Qualitätskriterium als erfüllt. Die Fahrzeugdaten die vom Kraftfahrzeug 10 bereitgestellt werden, weisen beispielsweise eine hohe Diversität auf, da sie sowohl bei Tag als auch bei Nacht aufgenommen wurden und außerdem Fahrmanöver innerhalb der Stadt 14 als auch innerhalb einer Gebirgslandschaft 16, also einer nichturbanen Umgebung, enthalten. Würde das Kraftfahrzeug 10 beispielsweise nur bei Tageslicht innerhalb der Stadt 14 Fahrzeugdaten aufnehmen, wäre eine derartige Diversität an Fahrsituationen womöglich nicht gegeben.
-
Wenn das vorgegebene Qualitätskriterium erfüllt ist und/oder das erkannte Datenmuster dem hinterlegten Referenzmuster entspricht, wird ein entsprechender Hinweis ausgegeben. Dieser Hinweis kann beispielsweise einen detaillierten Bericht der erfolgten Datenauswertung umfassen. Die Ausgabe des Hinweises erfolgt in einem Schritt S6. Außerdem werden die weiteren Fahrzeugdaten, die das vorgegebene Qualitätskriterium erfüllen, als verifizierte Testfahrzeugdaten des erkannten Datenmusters in der fahrzeugexternen Recheneinrichtung 30 abgespeichert.
-
Falls das erkannte Datenmuster keinem hinterlegten Datenmuster entspricht, wird außerdem überprüft, ob anhand des Datenmusters mindestens eine der folgenden Situationen erkannt wird, und zwar ein Cyberangriff auf die fahrzeugexterne Recheneinrichtung 30 und/oder das Kraftfahrzeug 10, ein Fehlverhalten eines Fahrers des Kraftfahrzeugs 10 während der Erfassung der Fahrzeugdaten und/oder ein fehlerhaft reagierendes Softwareprogramm im Kraftfahrzeug 10. Falls eine der Situationen erkannt wird, gilt das Qualitätskriterium ebenfalls als erfüllt und es kommt zu einer Ausgabe eines entsprechenden Hinweises im Schritt S6.
-
Des Weiteren kann anhand der Fahrzeugdaten überprüft werden, ob zumindest eine von den Fahrzeugdaten umfasste Messgröße unter mehreren Bezeichnungen erfasst wird, wobei falls die zumindest eine Messgröße unter den mehreren Bezeichnungen erfasst wird, eine der Bezeichnungen ausgewählt und eine Fahrzeugsoftware dahingehend korrigiert wird, dass im Kraftfahrzeug 10 nur die ausgewählte Bezeichnung für die Messgröße verwendet wird. Des Weiteren wird ein Testmanöver und/oder ein Testzustand des Kraftfahrzeugs 10 anhand von Fahrzeugdaten erzeugt, die nach einem der erkannten Datenmuster generiert wurden. Die beschriebene Datenauswertung ermöglicht außerdem, dass die Fahrzeugdaten von der fahrzeugexternen Recheneinrichtung 30 an eine Simulationseinrichtung übermittelt werden, die mit den übermittelten Fahrzeugdaten eine Resimulation durchführt, woraufhin die bei der Resimulation ermittelten Simulationsdaten mit den übermittelten Fahrzeugdaten verglichen werden und ein entsprechendes Ausgangssignal erzeugt wird.
-
Insgesamt zeigen die Beispiele eine Kraftfahrzeugmatrix unter Verwendung von künstlicher Intelligenz, das heißt zeigen, wie ein Auffinden eines gelernten Datenmusters in großen Datenmengen erreicht werden kann, um die Datenauswertung von Fahrzeugdaten bei Testfahrten von Kraftfahrzeugen besonders schnell, gründlich und zuverlässig auswerten zu können.
-
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 10354322 A1 [0005]
- DE 102016121691 A1 [0006]
- DE 102011012238 A1 [0007]
