DE102019212830A1

DE102019212830A1 - Analyse und Validierung eines neuronalen Netzes für ein Fahrzeug

Info

Publication number: DE102019212830A1
Application number: DE102019212830.0A
Authority: DE
Inventors: Ulrich Eberle; Sven Hallerbach
Original assignee: PSA Automobiles SA
Current assignee: STELLANTIS AUTO SAS, FR
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2021-03-04

Abstract

Die Erfindung betrifft ein Verfahren zum Validieren eines neuronalen Netzes für ein Fahrzeug (1), aufweisend die Schritte:- Bereitstellen (S1) eines trainierten ersten künstlichen neuronalen Netzes,- wiederholtes Ausführen (S2) des ersten künstlichen neuronalen Netzes auf einer Recheneinheit (3) mit Daten aus einer Verkehrssimulation als Eingang, wobei über die Wiederholungen der Ausführung hinweg Parameter der Verkehrssimulation variiert werden,- Erfassen (S3) des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes,- Ermitteln (S4) einer vom Fahrzeug (1) auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie,- Vergleichen (S5) der ersten Trajektorie mit einer Vergleichstrajektorie, und- Prüfen (S6) der Differenz aus der ersten Trajektorie und der Vergleichstrajektorie mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin.

Description

Die Erfindung betrifft ein Verfahren zum Analysieren und Validieren eines neuronalen Netzes für ein Fahrzeug, ein Computerprogrammprodukt und ein computerlesbares Medium je mit Befehlen zum Ausführen des Verfahrens, sowie ein System mit einer Recheneinheit zum Analysieren und Validieren eines künstlichen neuronalen Netzes für ein Fahrzeug.
Die folgenden Informationen sind allgemeine Hintergrundinformationen und beziehen sich nicht notwendigerweise auf einen bestimmten Stand der Technik: Künstliche neuronale Netze sind bisweilen komplexe mathematische Strukturen, die aufgrund ihrer Skalierbarkeit und teilweise hohen Komplexität mächtige Instrumente zum Nachbilden von Funktionen und anderen Zusammenhängen sind.
Ein künstliches neuronales Netz ist im Wesentlichen eine anpassbare Funktion, die mittels Eingangsdaten und Ausgangsdaten und mittels einer Kostenfunktion eine Abbildung zwischen den Eingangsdaten und den Ausgangsdaten erzeugen kann. Im Stand der Technik sind hierbei eine Vielzahl verschiedener Architekturen von neuronalen Netzen bekannt.
Gerade aber durch ihre Natur sind die künstlichen neuronalen Netze ab einem gewissen Komplexitätsgrad für die menschliche Intuition schwer nachvollziehbar, sodass es von außen betrachtet schwer herauszufinden ist, warum ein künstliches neuronales Netz auf einen vorgegebenen Eingang hin einen bestimmten Ausgang liefert. Ein künstliches neuronales Netz weist zum Teil ähnliche, zum Teil vollkommen andere Methodiken des maschinellen Lernens im Vergleich zu einem menschlichen Gehirn auf. So unterscheiden sich auch die Sensitivität bei einer Variation von Umgebungsvariablen einer sensorisch (bzw. durch Sinnesorgane) erfassten Umgebung auf den Ausgang hin, der im Falle des künstlichen neuronalen Netzes ein numerischer Wert bzw. ein Wertevektor bzw. eine Entscheidungsgröße ist, und der im Falle des menschlichen Geistes eine nicht im engeren Sinne digitale Interpretation ist. So können bei visuellen Änderungen, die für das menschliche Auge kaum wahrnehmbar sind oder durch den menschlichen Geist als nicht ausschlaggebend interpretiert werden, von einem künstlichen neuronalen Netz völlig andere Ergebnisse im Ausgang des künstlichen neuronalen Netzes erscheinen.
Insbesondere zur Sicherstellung der ausreichenden Zuverlässigkeit und Sicherheit bei der Anwendung eines künstlichen neuronalen Netzes beim hochautomatisierten bzw. autonomen Fahren im Straßenverkehr ist dies zu berücksichtigen.
Es ist daher Aufgabe der Erfindung, ein trainiertes künstliches neuronales Netz, welches zur Anwendung in einem Fahrzeug für hochautomatisierte bzw. autonomes Fahren vorgesehen ist, zu analysieren und zu validieren.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Analysieren und Validieren eines neuronalen Netzes für ein Fahrzeug, aufweisend die Schritte:

- Bereitstellen eines trainierten ersten künstlichen neuronalen Netzes,
- wiederholtes Ausführen des ersten künstlichen neuronalen Netzes auf einer Recheneinheit mit Daten aus einer Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes, wobei über die Wiederholungen der Ausführung hinweg Parameter der Verkehrssimulation variiert werden,
- Erfassen des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Ermitteln einer vom Fahrzeug auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie des Fahrzeugs,
- Vergleichen der ermittelten auszuführenden ersten Trajektorie mit einer vorgegebenen Vergleichstrajektorie, und
- Prüfen der Differenz aus der ermittelten auszuführenden ersten Trajektorie und der vorgegebenen Vergleichstrajektorie mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin.

Bevorzugt weist das Verfahren weiterhin den Schritt auf:

- Ausgeben einer Warnung, wenn das Prüfen der Differenz mittels der Metrik eine übermäßige Abweichung ergibt.

Die Verkehrssimulation beschreibt insbesondere eine Umgebung um das Fahrzeug und das Verhalten anderer Verkehrsteilnehmer in der Umgebung des Fahrzeugs. Informationen zur Umgebung des Fahrzeugs umfassen insbesondere Spurinformationen, den Verlauf einer Straße, auf dem sich das Fahrzeug momentan befindet, und insbesondere auch Informationen zu Objekten in der Umgebung des Fahrzeugs, wie geparkte Fahrzeuge, Verkehrsschilder, oder andere Objekte.
Der Begriff der Trajektorie beschreibt insbesondere einen Bewegungspfad des Fahrzeugs, wobei weiterhin bevorzugt eine jeweilige Zeitinformation einer Vielzahl von auf dem Bewegungspfad liegenden Punkten zugeordnet ist, oder wobei die Zeitinformation kontinuierlich über den Bewegungspfad zugeordnet ist. So beinhaltet der Begriff der Trajektorie bevorzugt auch einen Geschwindigkeitsverlauf und/oder einen Beschleunigungsverlauf des Fahrzeugs. Weiterhin sind bevorzugte im Begriff der Trajektorie daher kinematische Informationen über eine Kurvenfahrt und insoweit auch Seitenbeschleunigungen enthalten.
Bevorzugt erfolgt die Variation der Parameter in der Verkehrssimulation nach einem vorgegebenen Muster, wobei die letztendliche Ausgestaltung der Variation insbesondere ein Freiheitsgrad für den anwendenden Ingenieur ist. Hierbei werden bevorzugt relevante Grundszenarien ausgewählt, beispielsweise Szenarien an Auffahrten bzw. Abfahrten, einer Kreuzung, Überholvorgänge, Abbiegevorgänge, Hindernisse auf einer Fahrbahn, Verkehrszeichen und Beschränkungen, Lichtverhältnisse, spezielle Umgebungen und Wetterverhältnisse wie Wald, Nebel, tief stehende Sonne, Passanten auf einer Fahrbahn, verschmutzte Fahrbahn, Schmutz auf Verkehrszeichen, ein anormales Fahrverhalten von Verkehrsteilnehmern, eine hohe Zahl von Verkehrsteilnehmern, schlecht sichtbare Fahrbahn-Markierungen, Entfernung zu und Erfassungswinkel von Objekten und Schildern, und andere Szenarien.
Bevorzugt werden weder die Architektur noch die Werte der Parameter des künstlichen neuronalen Netzes während des Ausführens und der Parametervariationen der Verkehrssimulation angepasst und trainiert. Das künstliche neuronale Netz wird daher insbesondere so verwendet, wie es zum Abschluss des Trainierens vorlag.
Bevorzugt erfolgen das Vergleichen der ermittelten auszuführenden ersten Trajektorie mit der vorgegebenen Vergleichstrajektorie und das Prüfen der Differenz aus der ermittelten auszuführenden ersten Trajektorie und der vorgegebenen Vergleichstrajektorie mit einer vorgegebenen Metrik automatisiert, das heißt von selbst durch die Recheneinheit.
Die Daten aus der Verkehrssimulation ähneln insbesondere solchen Daten, die üblicherweise von einer Sensoreinheit des Fahrzeugs erfasst werden. Insbesondere entspricht dies Kameradaten von einer Kameraeinheit des Fahrzeugs.
Es ist eine vorteilhafte Wirkung der Erfindung, dass mittels der Verkehrssimulation mittels Variation von Simulationsparametern nahezu beliebige Daten erzeugt werden können, und dies ohne großen Aufwand und daher auch schnell, und dass die Daten aus der Verkehrssimulation rauschfrei, fehlerfrei, und alle relevanten Informationen enthaltend, sind. Solche Daten geben einen optimalen Datensatz zum Trainieren und auch Prüfen und Analysieren des künstlichen neuronalen Netzes wieder, und werden im Bereich des maschinellen Lernens aufgrund dieser Eigenschaften als „ground truth“-Daten bezeichnet. Vorteilhaft kann damit im Entwicklungszyklus eines künstlichen neuronalen Netzes für ein Fahrzeug das künstliche neuronale Netz durch eine ausreichend hohe Zahl von Datensätzen aus der Verkehrssimulation, das heißt durch ausreichend viele Parametervariationen, analysiert und validiert werden, um die Sicherheit beim Betrieb des künstlichen neuronalen Netz für das Fahrzeug zu gewährleisten. Weiterhin vorteilhaft wird hiermit ein Plausibilitätstest durchgeführt, welche Parameteränderung in der Verkehrssimulation zu einer anormalen und unerwarteten Trajektorienplanung des Fahrzeugs führen würden.
Gemäß einer vorteilhaften Ausführungsform ist das bereitgestellte erste künstliche neuronale Netz mit unabhängigen synthetischen Trainingsdaten aus der Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes trainiert worden. Vorteilhaft erlaubt diese Ausführungsform, dass Fehler systematischer Natur im künstlichen neuronalen Netz leicht erkannt werden, da die Trainingsdaten, mit dem das künstliche neuronale Netz trainiert wurde, und die Daten der Verkehrssimulation mit Parametervariation, aus der gleichen Quelle stammen, und diese Quelle, nämlich die Verkehrssimulation, rauschfreie und fehlerfreie Daten liefert.
Gemäß einer weiteren vorteilhaften Ausführungsform ist das bereitgestellte erste künstliche neuronale Netz mit Trainingsdaten aus sensorisch erfassten realen Verkehrsszenarien als Eingang des ersten künstlichen neuronalen Netzes trainiert worden. Die sensorisch erfassten Daten aus realen Verkehrsszenarien weisen den Vorteil auf, dass sie erstens die Realität sehr gut wiedergeben, das heißt realistische Szenarien bereits beim Trainieren des künstlichen neuronalen Netzes verwendet werden, und zweitens, dass sie realitätsnahes Sensorrauschen, Lücken im Datenstrom, fehlerhafte oder leicht falsch interpretierbare Daten wie Reflexionen oder fliegende Vögel umfassen, woraus die Robustheit beim Trainieren des künstlichen neuronalen Netzes ersichtlich wird.
Gemäß einer weiteren vorteilhaften Ausführungsform werden die zu variierenden Parameter der Verkehrssimulation zum Beispiel gemäß einer Monte Carlo Simulation oder einem analogen Algorithmus ausgewählt. Die Monte Carlo Simulation wird bevorzugt immer dann verwendet, wenn im Vorhinein nicht bekannt ist, welche Parametervariationen tatsächlich zu einem markanten Ergebnis im Ausgang des künstlichen neuronalen Netzes führen. Diese Information ergibt sich erst durch die verschiedenen Simulationsläufe, nach deren Ende erst bekannt ist, welche Parameter zu unerwarteten Ergebnissen beim Ausführen des künstlichen neuronalen Netzes führen. Vorteilhaft bietet die Monte Carlo Simulation daher einen sehr breiten Parameterraum, denn die Monte Carlo Simulation stellt sicher, dass eine sehr große Vielzahl und eine unvoreingenommene Auswahl an Parametern verwendet wird. Letztendlich liefert die Monte Carlo Simulation mehr oder weniger zufällige Werte, die für die verschiedenen Parameter der Verkehrssimulation verwendet werden. Es können für die stochastische Variation der Parameter aber auch andere Algorithmen verwendet werden, die z.B. eine intelligente Suchstrategie im Phasenraum hin zu Szenarien höherer Kritikalität ermöglichen.
Gemäß einer weiteren vorteilhaften Ausführungsform ist die vorgegebene Metrik ein Grenzwert und die Differenz aus der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie wird durch ein Maß für den Abstand zwischen der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie ermittelt. Der Abstand zwischen der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie wird bevorzugt aus der Summe von diskreten Einzelabständen der Trajektorien berechnet. So ergibt sich insbesondere ein skalarer Wert für die Differenz, der mit einem skalaren Grenzwert verglichen werden kann. Dies erlaubt einen sehr einfachen Vergleich.
Gemäß einer weiteren vorteilhaften Ausführungsform weist das Verfahren weiterhin die Schritte auf:

- Ausführen eines zweiten künstlichen neuronalen Netzes mit den Daten der Verkehrssimulation als Eingang des zweiten künstlichen neuronalen Netzes parallel zum wiederholten Ausführen des ersten künstlichen neuronalen Netzes jeweils auf der Recheneinheit, wobei der Eingang des zweiten künstlichen neuronalen Netzes und der Eingang des ersten künstlichen neuronalen Netzes identisch sind und wobei das erste künstliche neuronale Netz und das zweite künstliche neuronale Netz verschiedene Architekturen aufweisen,
- Erfassen des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Ermitteln einer vom Fahrzeug auf Basis des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes auszuführenden zweiten Trajektorie,
- Vergleichen der ermittelten auszuführenden zweiten Trajektorie mit der ermittelten auszuführenden ersten Trajektorie und/oder mit der vorgegebenen Vergleichstrajektorie, und
- Prüfen der Differenz aus der ermittelten auszuführenden zweiten Trajektorie und der ermittelten auszuführenden ersten Trajektorie und/oder der vorgegebenen Vergleichstrajektorie jeweils mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin.

Auch das zweite künstliche neuronale Netz ist insbesondere vor dem Ausführen wie das erste künstliche neuronale Netz abgeschlossen trainiert worden. Unter der Architektur des jeweiligen neuronalen Netzes wird insbesondere die Zahl der Ebenen (sogenannte „Layer“) verstanden. Die Zahl dieser Ebenen bestimmt maßgeblich den Grad der Komplexität eines künstlichen neuronalen Netzes. Auch können lineare oder nichtlineare Funktionen in der jeweiligen Architektur in einem verschiedenen Umfang verwendet werden, auch andere im Stand der Technik bekannten Elemente eines künstlichen neuronalen Netzes wie bestimmte Aktivierungsfunktionen oder Übertragungsfunktionen wie z.B. die bekannten Sigmoid- oder ReLu-Funktionen („rectified linear unit“) können unterschiedlich in den Architekturen verwendet werden. Vorteilhaft können architekturbedingte und unerwartet im Wert des Ausgangs des jeweiligen künstlichen neuronalen Netzes auftretende Effekte erkannt werden.
Es ergibt sich somit zusammen mit dem ersten Aspekt der Erfindung folgendes Verfahren zum Analysieren und Validieren eines neuronalen Netzes für ein Fahrzeug, aufweisend die Schritte:

- Bereitstellen eines trainierten ersten künstlichen neuronalen Netzes und eines trainierten zweiten künstlichen neuronalen Netzes, wobei das erste künstliche neuronale Netz und das zweite künstliche neuronale Netz verschiedene Architekturen aufweisen,
- wiederholtes Ausführen des ersten künstlichen neuronalen Netzes auf einer Recheneinheit mit Daten aus einer Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes, wobei über die Wiederholungen der Ausführung hinweg Parameter der Verkehrssimulation variiert werden,
- Ausführen eines zweiten künstlichen neuronalen Netzes mit den Daten der Verkehrssimulation als Eingang des zweiten künstlichen neuronalen Netzes parallel zum wiederholten Ausführen des ersten künstlichen neuronalen Netzes auf der Recheneinheit, wobei der Eingang des zweiten künstlichen neuronalen Netzes und der Eingang des ersten künstlichen neuronalen Netzes identisch sind,
- Erfassen des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Erfassen des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Ermitteln einer vom Fahrzeug auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie des Fahrzeugs,
- Ermitteln einer vom Fahrzeug auf Basis des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes auszuführenden zweiten Trajektorie,
- Vergleichen der ermittelten auszuführenden zweiten Trajektorie mit der ermittelten auszuführenden ersten Trajektorie und/oder jeweils mit der vorgegebenen Vergleichstrajektorie, und
- Prüfen der Differenz aus der ermittelten auszuführenden zweiten Trajektorie und der ermittelten auszuführenden ersten Trajektorie und/oder der vorgegebenen Vergleichstrajektorie jeweils mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin.

Bevorzugt werden das künstliche erste neuronale Netz und/oder das zweite künstliche neuronale Netz in einem echten Fahrzeug angewendet, bevorzugt aber in einem stillen Modus, das heißt dass dessen Ausgang keinen Einfluss auf irgendwelche Aktuatoren des Fahrzeugs nimmt. Bevorzugt werden das erste künstliche neuronale Netz und das zweite künstliche neuronale Netz parallel nebeneinander im Fahrzeug betrieben und an den Fahrer wird eine Warnung ausgegeben, wenn die jeweiligen von dem jeweiligen Ausgang des jeweiligen künstlichen neuronalen Netzes abgeleiteten Trajektorien eine Differenz aufweisen, die eine vorgegebene Metrik, insbesondere einen vorgegebenen Grenzwert, übersteigt.
Gemäß einer weiteren vorteilhaften Ausführungsform wird für die Recheneinheit ein Simulationsrechner verwendet. Der Simulationsrechner ist bevorzugt ein leistungsfähiger stationärer Rechner, insbesondere eine sogenannte „Workstation“ oder ein sogenannter „Rechencluster“. Vorteilhaft steht somit eine sehr leistungsfähige Maschine zum Ausführen der Verkehrssimulation zur Verfügung und eine sehr große Vielzahl von Parametervariationen kann in immer noch recht kurzer Zeit überprüft werden. Die Simulation kann aber alternativ z.B. auch in einer Cloud-Computing-Struktur oder einem Großrechner an einem Höchstleistungsrechenzentrum durchgeführt werden.
Gemäß einer weiteren vorteilhaften Ausführungsform wird für die Recheneinheit ein im Fahrzeug verwendeter Fahrzeugrechner verwendet. Der im Fahrzeug verwendete Fahrzeugrechner ist insbesondere genau derjenige Rechner, der für das fahrende Fahrzeug serienmäßig verbaut wird. Vorteilhaft lassen sich somit unterschiedliche Berechnungen zwischen dem Simulationsrechner und dem auf dem Fahrzeug verwendeten Fahrzeugrechner ausschließen, die unter Umständen durch unterschiedliche Prozessorarchitekturen, unterschiedliche Befehlssätzen in den Prozessoren oder unterschiedliche Betriebssysteme entstehen könnten.
Gemäß einer weiteren vorteilhaften Ausführungsform wird die vorgegebene Vergleichstrajektorie durch eine manuelle Vorgabe erzeugt. Die vorgegebene Vergleichstrajektorie ist insbesondere diejenige Trajektorie des Fahrzeugs, die unter nominalen Bedingungen und unter korrekter Arbeitsweise des ersten künstlichen neuronalen Netzes ermittelt werden würde. Alternativ kann die Trajektorie eines sehr geübten Fahrers, welche das Szenario erfolgreich löst, als Referenz gewählt werden.
Gemäß einer weiteren vorteilhaften Ausführungsform wird zum Ausführen der Verkehrssimulation prädiktiv eine vom Fahrzeug ausgeführte Trajektorie auf Basis der ermittelten auszuführenden ersten Trajektorie und auf Basis einer Fahrdynamiksimulation des Fahrzeugs ermittelt, wobei das Ausführen der Verkehrssimulation unter Einbezug der ermittelten vom Fahrzeug ausgeführten Trajektorie erfolgt, wobei beim Ausführen der Verkehrssimulation das Verhalten anderer Verkehrsteilnehmer von der Trajektorie des Fahrzeugs abhängig ist. Die ausgeführte Trajektorie wird auf Basis der ermittelten auszuführenden ersten Trajektorie deshalb prädiktiv ermittelt, da dies ein Modell der Fahrdynamik des Fahrzeugs erfordert. Die Fahrdynamik des Fahrzeugs gibt insbesondere entsprechende Übertragungsfunktionen von einem Lenkkommando auf eine tatsächlich gefahrene Kurve wieder. Auch die Dynamik von Bremsen und Beschleunigen ist bevorzugt im Modell der Fahrdynamik des Fahrzeugs enthalten. Es ergibt sich eine vorteilhafte Kombination einer Verkehrssimulation und einer Simulation der Fahrdynamik des Fahrzeugs, die miteinander gekoppelt sind. So wird vorteilhaft noch genauer die Reaktion des automatisiert oder autonom betriebenen Fahrzeugs basierend auf dem Ausgang des ersten künstlichen neuronalen Netzes geprüft.
Ein weiterer Aspekt der Erfindung betrifft ein System mit einer Recheneinheit zum Analysieren und Validieren eines künstlichen neuronalen Netzes für ein Fahrzeug, wobei die Recheneinheit ausgeführt ist zum:

- Bereitstellen eines trainierten ersten künstlichen neuronalen Netzes,
- wiederholten Ausführen des ersten künstlichen neuronalen Netzes mit Daten aus einer Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes, wobei über die Wiederholungen der Ausführung hinweg Parameter der Verkehrssimulation variiert werden,
- Erfassen des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Ermitteln einer vom Fahrzeug auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie,
- Vergleichen der ermittelten auszuführenden ersten Trajektorie mit einer vorgegebenen Vergleichstrajektorie, und
- Prüfen der Differenz aus der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie mit einer vorgegebenen Metrik.

Vorteile und bevorzugte Weiterbildungen des vorgeschlagenen Systems ergeben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit dem vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, ein Verfahren wie oben und im Folgenden beschrieben auszuführen.
Ein weiterer Aspekt der Erfindung betrifft ein computerlesbares Medium, das computerausführbare Anweisungen zum Ausführen eines Verfahrens wie oben und im Folgenden beschrieben umfasst.
Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.
Es zeigen:

1 ein Verfahren gemäß einem Ausführungsbeispiel der Erfindung, und
2 ein System, auf dem das Verfahren nach 1 ausgeführt wird.

Die Darstellungen in den Figuren sind schematisch und nicht maßstäblich.
1 zeigt ein Verfahren zum Analysieren und Validieren eines neuronalen Netzes für ein Fahrzeug 1. Da die 2 das zugehörige System 5 zeigt, kann die folgende Beschreibung auch auf die 2 bezogen gelesen werden. Das Verfahren weist die folgenden Schritte auf:

- Bereitstellen S1 eines trainierten ersten künstlichen neuronalen Netzes und eines trainierten zweiten künstlichen neuronalen Netzes, wobei das erste künstliche neuronale Netz und das zweite künstliche neuronale Netz verschiedene Architekturen aufweisen
- wiederholtes Ausführen S2 des ersten künstlichen neuronalen Netzes auf einer Fahrzeug-Recheneinheit 3 mit Daten aus einer Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes, wobei über die Wiederholungen der Ausführung hinweg Parameter bezüglich des Fahrverhaltens von Verkehrsteilnehmern, wie Frequenz von Fahrmanövern oder Geschwindigkeit von Verkehrsteilnehmern und auch Schildern mit Geschwindigkeitsbeschränkungen, der Verkehrssimulation variiert werden,
- Ausführen S7 eines zweiten künstlichen neuronalen Netzes mit den Daten der Verkehrssimulation als Eingang des zweiten künstlichen neuronalen Netzes parallel zum wiederholten Ausführen des ersten künstlichen neuronalen Netzes jeweils auf der Recheneinheit 3, wobei der Eingang des zweiten künstlichen neuronalen Netzes und der Eingang des ersten künstlichen neuronalen Netzes identisch sind,
- Erfassen S3 des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Erfassen S8 des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen,
- Ermitteln S4 einer vom Fahrzeug 1 auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie des Fahrzeugs 1,
- Ermitteln S9 einer vom Fahrzeug 1 auf Basis des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes auszuführenden zweiten Trajektorie,
- Vergleichen S5 der ermittelten auszuführenden ersten Trajektorie mit einer vorgegebenen Vergleichstrajektorie, und
- Vergleichen S10 der ermittelten auszuführenden zweiten Trajektorie mit der ermittelten auszuführenden ersten Trajektorie,
- Prüfen S6 der Differenz aus der ermittelten auszuführenden ersten Trajektorie und der vorgegebenen Vergleichstrajektorie mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin, und
- Prüfen S11 der Differenz aus der ermittelten auszuführenden zweiten Trajektorie und der ermittelten auszuführenden ersten Trajektorie auf übermäßige Abweichung hin. Sowohl das erste als auch das zweite künstliche neuronale Netz sind bereits mit Daten aus der Verkehrssimulation als jeweiligem Eingang trainiert worden. Das erste und das zweite künstliche neuronale Netz weisen aber unterschiedliche Architekturen auf, das heißt, sie weisen eine unterschiedliche Zahl von versteckten Ebenen und eine unterschiedliche Zahl von Neuronen und eine unterschiedliche Gestaltung und Anzahl von linearen und nichtlinearen Funktionen auf. Die vorgegebene Metrik ist ein Grenzwert und die Differenz aus der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie und den beiden Trajektorien wird durch ein quadratisches Maß für den Abstand zwischen der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie bzw. der anderen Trajektorie bezüglich der unterschiedlichen in den Trajektorien enthaltenen Bewegungspfaden des Fahrzeugs 1 ermittelt.

2 zeigt ein System 5 mit einer Recheneinheit 3, auf der das Verfahren der 1 abläuft. Hierbei ist die Recheneinheit 3 eine Recheneinheit des Fahrzeugs 1, welches der Einfachheit halber nicht in der 2 separat dargestellt ist, da insbesondere auch die Recheneinheit des Fahrzeugs 1 aus diesem entnommen ist. Die Recheneinheit des Fahrzeugs 1, führt basierend auf für den Anwendungsfall optimierten Betriebssystemen, parallel mehrere Verkehrssimulationen aus, sodass das Verfahren nach 1 parallel mehrfach durchgeführt wird. So werden z.B. oberhalb einer exemplarischen Größenordnung von 10⁹ Parametervariationen ausgeführt und eine zuverlässige Validierung des ersten künstlichen neuronalen Netzes erhalten. In der 2 ist symbolisch im linken großen Kreis eine Verkehrssimulation mit weiteren Verkehrsteilnehmern gezeigt, woraus Daten entnommen werden und in das neuronale Netz, welche mit einer Ausgangsebene, einer Eingangsebene und einer Zwischenebene beispielhaft symbolisiert wird, als Eingang gespeist werden. Der jeweilige Ausgang des jeweiligen künstlichen neuronalen Netzes wird dann aus der Recheneinheit 3 ausgegeben.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen, beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente, vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehende Erläuterungen in der Beschreibung, definiert wird.
Bezugszeichenliste

1: Fahrzeug
3: Recheneinheit
5: System
S1: Bereitstellen
S2: Ausführen
S3: Erfassen
S4: Ermitteln
S5: Vergleichen
S6: Prüfen
S7: Ausführen
S8: Erfassen
S9: Ermitteln
S10: Vergleichen
S11: Prüfen

Claims

Verfahren zum Analysieren und Validieren eines neuronalen Netzes für ein Fahrzeug (1), aufweisend die Schritte: - Bereitstellen (S1) eines trainierten ersten künstlichen neuronalen Netzes, - wiederholtes Ausführen (S2) des ersten künstlichen neuronalen Netzes auf einer Recheneinheit (3) mit Daten aus einer Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes, wobei über die Wiederholungen der Ausführung hinweg Parameter der Verkehrssimulation variiert werden, - Erfassen (S3) des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen, - Ermitteln (S4) einer vom Fahrzeug (1) auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie des Fahrzeugs (1), - Vergleichen (S5) der ermittelten auszuführenden ersten Trajektorie mit einer vorgegebenen Vergleichstrajektorie, und - Prüfen (S6) der Differenz aus der ermittelten auszuführenden ersten Trajektorie und der vorgegebenen Vergleichstrajektorie mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin.
Verfahren nach Anspruch 1, wobei das bereitgestellte erste künstliche neuronale Netz mit unabhängigen synthetischen Trainingsdaten aus der Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes trainiert worden ist.
Verfahren nach Anspruch 1, wobei das bereitgestellte erste künstliche neuronale Netz mit Trainingsdaten aus sensorisch erfassten realen Verkehrsszenarien als Eingang des ersten künstlichen neuronalen Netzes trainiert worden ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die zu variierenden Parameter der Verkehrssimulation gemäß einer Monte-Carlo Simulation ausgewählt werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die vorgegebene Metrik ein Grenzwert ist und die Differenz aus der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie durch ein Maß für den Abstand zwischen der ermittelten auszuführenden Trajektorie und der vorgegebenen Vergleichstrajektorie ermittelt wird.
Verfahren nach einem der vorhergehenden Ansprüche, weiterhin aufweisend die Schritte: - Ausführen (S7) eines zweiten künstlichen neuronalen Netzes mit den Daten der Verkehrssimulation als Eingang des zweiten künstlichen neuronalen Netzes parallel zum wiederholten Ausführen des ersten künstlichen neuronalen Netzes jeweils auf der Recheneinheit (3), wobei der Eingang des zweiten künstlichen neuronalen Netzes und der Eingang des ersten künstlichen neuronalen Netzes identisch sind und wobei das erste künstliche neuronale Netz und das zweite künstliche neuronale Netz verschiedene Architekturen aufweisen, - Erfassen (S8) des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen, - Ermitteln (S9) einer vom Fahrzeug (1) auf Basis des jeweiligen Ausgangs des zweiten künstlichen neuronalen Netzes auszuführenden zweiten Trajektorie, - Vergleichen (S10) der ermittelten auszuführenden zweiten Trajektorie mit der ermittelten auszuführenden ersten Trajektorie und/oder mit der vorgegebenen Vergleichstrajektorie, und - Prüfen (S11) der Differenz aus der ermittelten auszuführenden zweiten Trajektorie und der ermittelten auszuführenden ersten Trajektorie und/oder der vorgegebenen Vergleichstrajektorie jeweils mittels einer vorgegebenen Metrik auf übermäßige Abweichung hin.
Verfahren einem der Ansprüche 1 bis 6, wobei für die Recheneinheit (3) ein Simulationsrechner verwendet wird.
Verfahren einem der Ansprüche 1 bis 6, wobei für die Recheneinheit (3) ein im Fahrzeug (1) verwendeter Fahrzeugrechner verwendet wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die vorgegebene Vergleichstrajektorie durch eine manuelle Vorgabe erzeugt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei zum Ausführen der Verkehrssimulation prädiktiv eine vom Fahrzeug (1) ausgeführte Trajektorie auf Basis der ermittelten auszuführenden ersten Trajektorie und auf Basis einer Fahrdynamiksimulation des Fahrzeugs (1) ermittelt wird, wobei das Ausführen der Verkehrssimulation unter Einbezug der ermittelten vom Fahrzeug (1) ausgeführten Trajektorie erfolgt und beim Ausführen der Verkehrssimulation das Verhalten anderer Verkehrsteilnehmer von der Trajektorie des Fahrzeugs (1) abhängig ist.
System (5) mit einer Recheneinheit (3) zum Analysieren und Validieren eines künstlichen neuronalen Netzes für ein Fahrzeug (1), wobei die Recheneinheit (3) ausgeführt ist zum: - Bereitstellen eines trainierten ersten künstlichen neuronalen Netzes, - wiederholten Ausführen des ersten künstlichen neuronalen Netzes mit Daten aus einer Verkehrssimulation als Eingang des ersten künstlichen neuronalen Netzes, wobei über die Wiederholungen der Ausführung hinweg Parameter der Verkehrssimulation variiert werden, - Erfassen des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes in jeder der wiederholten Ausführungen, - Ermitteln einer vom Fahrzeug (1) auf Basis des jeweiligen Ausgangs des ersten künstlichen neuronalen Netzes auszuführenden ersten Trajektorie, - Vergleichen der ermittelten auszuführenden ersten Trajektorie mit einer vorgegebenen Vergleichstrajektorie, und - Prüfen der Differenz aus der ermittelten auszuführenden ersten Trajektorie und der vorgegebenen Vergleichstrajektorie mit einer vorgegebenen Metrik.
Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 10 auszuführen.
Computerlesbares Medium, das computerausführbare Anweisungen zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 10 umfasst.