-
Die Erfindung betrifft ein Verfahren zur individuellen Einstellung von Komponenten eines Fahrzeuges in Abhängigkeit einer Technikaffinität eines Nutzers sowie eine Vorrichtung zur Durchführung des Verfahrens.
-
Aus der
WO 2018/022133 A1 ist eine intelligente Einheit zum Lernen und Anpassen bekannt, welche Informationen an einen Fahrer eines Fahrzeuges ausgibt, deren Ausgabehäufigkeit in Abhängigkeit einer Fahreridentität bestimmt wird. Die Fahreridentität bestimmt sich aus einer aus historischen Daten ermittelten Fahrererfahrung. Die intelligente Einheit wird aber nur anhand der Erfahrungen eines einzigen Fahrzeugnutzers adaptiert.
-
Da Fahrzeugfunktionen immer intelligenter aber technisch auch komplexer werden, ist eine Erklärung dieser Fahrzeugfunktionen notwendig. Da die Fahrzeugnutzer technisch unterschiedlich vorgebildet sind, ist es schwierig einen Mittelweg zu finden, der allen Nutzern gerecht wird.
-
Aufgabe der Erfindung ist es, Verfahren und eine Vorrichtung zur individuellen Einstellung von Komponenten eines Fahrzeuges in Abhängigkeit einer Technikaffinität eines Nutzers anzugeben, welche vielfältig zum Einsatz im Fahrzeug genutzt werden können.
-
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche. Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung, sowie der Erläuterung von Ausführungsbeispielen der Erfindung, die in den Figuren dargestellt sind.
-
Die Aufgabe ist mit einem Verfahren dadurch gelöst, dass mittels einem mit Daten von Personen einer Vergleichsgruppe trainierten maschinellen Lernsystem eine Klassifizierung des Nutzers hinsichtlich dessen Technikaffinität auf Basis von ermittelten Nutzermerkmalen in eine von mehreren, die Technikaffinität charakterisierenden Nutzerklassen vorgenommen wird. Dies hat den Vorteil, dass zuverlässig erkannt werden kann, welche Technikaffinität beim aktuellen Nutzer des Fahrzeuges vorausgesetzt werden kann. Die an den Nutzer ausgegebenen Informationen werden entsprechend der ausgewählten Nutzerklasse angepasst. Auf Grund der Verwendung eines Lernsystem, welches auf einer Vielzahl von Daten einer Vergleichsgruppe basiert, ist eine genaue Klassifizierung der Technikaffinität des Nutzers möglich.
-
Vorteilhafterweise umfassen die Daten der Personen der Vergleichsgruppe zum Trainieren des maschinellen Lernsystems persönliche Daten und eine zugehörige Selbsteinstufung in Bezug auf die Technikaffinität. Zu den persönlichen Daten können Alter, Geschlecht, Milieu und Fahrerfahrung gehören. Unter anderem kann registriert werden, ob der Nutzer ein Smartphon-Besitzer ist und welche Apps er verwendet. Durch die Selbsteistufung der Technikaffinität der Person wird der Lernprozess beschleunigt.
-
In einer Ausgestaltung werden die Nutzermerkmale durch ein Auslösen und Erfassen der auf einem fahrzeugexternen mobilen Gerät des Nutzers gespeicherten Apps ermittelt, wobei mittels dem trainierten maschinellen Lernsystem anhand der gespeicherten Apps der Nutzer einer Nutzerklasse zugewiesen wird. Durch die Verwendung der Apps kann auf eine separate Erfassung von Nutzermerkmalen verzichtet werden.
-
In einer Variante werden Nutzermerkmale ermittelt, indem durch eine Erkennungseinrichtung die Identität des Nutzers erkannt wird, der Identität zugehörige Daten des Nutzers von einem Server abgerufen werden und mittels des trainierten maschinellen Lernsystem anhand der vom Server abgerufenen Daten der Nutzer einer Nutzerklasse zugewiesen wird. Somit kann ein vollelektronischer Datenfluss gewährleistet werden. Nach der Adaption der Daten des Nutzers in dem Lernsystem und Angabe der Klasse der Technikaffinität durch den Nutzer sind diese eine Teilmenge der Daten der Vergleichsgruppe.
-
In einer Ausführungsform wird entsprechend der durch das maschinelle Lernsystem ermittelten Nutzerklasse des Nutzers durch ein Informationssystem eine an die Nutzerklasse angepasste Information, vorzugsweise durch eine Sprachausgabe, zur Erläuterung von technischen Abläufen im Fahrzeug an den Nutzer ausgegeben. Insbesondere durch Verwendung der Sprachausgabe kann auf Handbücher verzichtet werden. Die Sprachausgabe wird entsprechend der Technikaffinität des Nutzers angepasst und kann detailliert oder kurz auf das Wesentliche beschränkt sein. Durch eine solche individualisierte Information wird beim Nutzer ein Vertrauen in das System erzeugt, da dieser schneller komplexen Vorgänge im Fahrzeug verstehen kann. Es ist von Vorteil, wenn Fahrzeugfunktionen in Abhängigkeit der die Technikaffinität des Nutzers charakterisierenden Nutzerklasse gesteuert und/oder Fahrzeugsysteme voreingestellt werden. Somit kann das Bedien-/Anzeige- und Fahrverhalten des Fahrzeuges an den jeweiligen Fahrer einfach angepasst werden.
-
In einer weiteren Ausgestaltung wird als maschinelles Lernsystem ein neuronales Netzwerk und/oder ein random forest und/oder ein decision tree verwendet.
-
In einer weiteren Ausführungsform werden dem Nutzer oder jedem weiteren Nutzer zugehörige Daten und die vom Nutzer abgegebene persönliche Selbsteinstufung drahtlos an einen das maschinelle Lernsystem umfassenden zentralen Server übermittelt, welcher das maschinelle Lernsystem mit den erhaltenen Informationen verschiedener Nutzer weiter trainiert, wobei das trainierte maschinelle Lernsystem als update an Fahrzeuge einer Fahrzeugflotte übermittelt wird. Mit nur einem maschinellen Lernsystem können Komponenten einer Vielzahl von Fahrzeugen individuell in Abhängigkeit der Technikaffinität des jeweiligen Nutzers eingestellt werden, wodurch die Verfahrenskosten reduziert werden.
-
Ein weiterer Aspekt der Erfindung betrifft eine Vorrichtung zur individuellen Einstellung von Komponenten eines Fahrzeuges in Abhängigkeit einer Technikaffinität eines Nutzers. Eine Vorrichtung, welche vielfältig zum Einsatz im Fahrzeug genutzt werden kann, umfasst ein mit Daten von Personen einer Vergleichsgruppe trainiertes maschinelles Lernsystem zur Klassifizierung des Nutzers hinsichtlich dessen Technikaffinität auf Basis von ermittelten Nutzermerkmalen zur Einstufung in eine von mehreren die Technikaffinität charakterisierenden Nutzerklassen.
-
Vorteilhafterweise ist die Vorrichtung zur Ausgabe der ermittelten Nutzerklasse mit einem Fahrzeugsteuergerät zur Einstellung von Fahrzeugfunktionen und/oder zur Ausgabe von Informationen in Abhängigkeit der ermittelten Nutzerklasse ausgebildet.
-
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. Beschriebene und/oder bildlich dargestellte Merkmale können für sich oder in beliebiger, sinnvoller Kombination den Gegenstand der Erfindung bilden, gegebenenfalls auch unabhängig von den Ansprüchen, und können insbesondere zusätzlich auch Gegenstand einer oder mehrerer separater Anmeldung/en sein. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.
-
Es zeigen:
- 1 ein erstes Ausführungsbeispiel des erfindungsgemäßen Verfahrens zum Training eines maschinellen Lernsystems,
- 2 ein zweites Ausführungsbeispiel des erfindungsgemäßen Verfahrens beim Einsatz des gemäß 1 trainierten maschinellen Lernsystems im Fahrzeug.
-
In 1 ist ein erstes Ausführungsbeispiel des erfindungsgemäßen Verfahrens zum Training eines maschinellen Lernsystems dargestellt. Das maschinelle Lernsystem 1 ist als neuronales Netzwerk ausgebildet. Alternativ kann es aber auch als Decision Tree oder Random Forest ausgebildet sein. Dem maschinellen Lernsystem 1 sind eine erste Eingabeeinheit 3 für elektronische Eingangssignale und eine zweite Eingabeeinheit 5 für eine manuelle Eingabe einer Selbsteinstufung einer Person einer Vergleichsgruppe vorgeschaltet.
-
Das maschinelle Lernsystem 1 soll in einem Fahrzeug verwendet werden, wo es der individuellen Einstellung von Komponenten in Abhängigkeit einer Technikaffinität eines Nutzers des Fahrzeuges herangezogen werden soll. Um das maschinelle Lernsystem 1 für den Einsatz im Fahrzeug vorzubereiten, wird dieses mit Daten einer Vergleichsgruppe trainiert, indem persönliche Daten der Personen der Vergleichsgruppe, wie Alter, Geschlecht, Milieu, Fahrerfahrung, Zielgruppenverortung und ähnliches in das maschinelle Lernsystem 1 über die erste Eingabeeinheit 3 eingegeben werden. Gleichzeitig gibt jeder Proband in die zweite Eingabeeinheit 5 eine Selbsteinstufung hinsichtlich seiner Technikaffinität ein. Dabei wird nacheinander die gesamte Trainingsmenge im maschinellen Lernsystem 1 durchlaufen, d. h. die Daten aller der der Vergleichsgruppe angehörigen Personen werden verarbeitet und die Gewichte des neuronalen Netzwerkes optimiert mit dem Ziel einer minimalen Abweichung zwischen geschätzter und eingegebener Nutzerklasse. Somit sucht der Algorithmus selbständig nach Mustern. Nach Abschluss des Trainings wird das maschinelle Lernsystem im Fahrzeug installiert. Anhand der gefundenen Gewichte werden dann Eingangsdaten im Einsatz automatisch einer Nutzerklasse zugeordnet, welche unterschiedliche Technikaffinitäten, wie beispielsweise unerfahren, erfahren oder technisch versiert, charakterisieren.
-
Steigt nun ein Nutzer in das mit dem trainierten maschinellen Lernsystem 9 ausgerüstete Fahrzeug ein, erfolgt ein Auslesen der Apps, welche auf seinem Smartphone gespeichert sind. Diese Daten der Apps zusammen mit ggfs. weiteren persönlichen Daten werden, wie in 2 dargestellt, durch eine weitere Eingabeeinheit 7 in das trainierte maschinelle Lernsystem 9 eingegeben und dieses gibt eine die Technikaffinität des Fahrzeugnutzers charakterisierende Nutzerklasse 11 aus.
-
Alternativ oder zusätzlich wird die Identität des Nutzers bestimmt. Dies kann durch die Erfassung von biometrischen Daten oder Eingabe eines Codes erfolgen. Diese werden mit Daten, die auf einem Server gespeichert sind, verglichen, wobei der Identität des Nutzers ein Datensatz mit gespeicherten persönliche Daten zugeordnet wird. Zu diesen persönlichen Daten können das Alter, Fahrdaten, wie die Fahrerfahrung oder die Fahrweise und Fahrzeugtyp gehören, die ebenfalls in das trainierte maschinelle Lernsystem 9 eingegeben werden. Darüber hinaus kann der Besitz eines Smartphones bei gleichzeitiger Kennzeichnung des Typs eingegeben werden. Das trainierte und abgeschlossene maschinelle Lernsystem 9 verarbeitet diese Daten und gibt eine die Technikaffinität des Fahrzeugnutzers charakterisierende Nutzerklasse 11 aus.
-
Eine Sprachausgabe des Fahrzeuges gibt an den Nutzer des Fahrzeuges in Abhängigkeit der bestimmten Nutzerklasse 11 eine akustische Information aus, die dem Fahrer einen technischen Zusammenhang des Fahrzeuges erläutert. Je nach Nutzerklasse 11 sind die Informationen zwischen kurz und ausführlich gestaffelt. Hierzu ist jeder Nutzerklasse eine entsprechende Datei mit den unterschiedlichen ausführlichen Sprachansagen zugeordnet. Auf historische Daten, die erst nach einiger Betriebszeit des adaptierten maschinellen Lernsystem 9 im Fahrzeug zu Verfügung stehen, kann verzichtet werden. Eine Einstufung des Nutzers des Fahrzeuges in eine Nutzerklasse kann bereits bei einer ersten Fahrzeugnutzung erfolgen.
-
Neben der Sprachausgabe können mit Hilfe der ermittelten Nutzerklasse 11 des Nutzers des Fahrzeuges auch Fahrzeugfunktionen gesteuert werden. Auch Fahrzeugsysteme können mit Hilfe der gefundenen Nutzerklasse voreingestellt werden. Dazu können eine Cockpitdarstellung, eine Fahrwerkeinstellung oder die Vorgabe einer Navigationsroute gehören. Entsprechend kann das maschinelle Lernsystem 9 auch anhand der Fahrweise und der Identitätsdaten des Fahrers im Fahrzeug weiter trainiert werden, so das ein sportlich oder komfortabel fahrendes Fahrzeug vorkonfigurierbar ist.
-
In einer weiteren Ausbildung kann der Nutzer des Fahrzeuges beim Einsteigen in das Fahrzeug, beispielsweise freiwillig, angeben, zu welcher Nutzerklasse er sich zugehörig sieht. Der den Nutzer des Fahrzeuges identifizierende Datensatz und die abgegebene Einstufung in die Nutzerklasse werden von dem Fahrzeug drahtlos an einen externen Server übermittelt, welcher mit diesen Eingaben das maschinelle Lernsystem 1 weiter trainiert. Nach Abschluss der entsprechenden Trainingszyklen wird das weiter angepasste maschinelle Lernsystem 9 als update ebenfalls drahtlos an die Fahrzeuge einer Fahrzeugflotte übermittelt. Somit können fortlaufend neue Updates in unterschiedlich tiefem Erklärungsgrad, welcher von der Einstufung in die Nutzerklassen 11 abhängt, erstellt und over-the-air oder bei einem Werkstattbesuch an die Fahrzeuge ausgegeben werden.
-
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 weitergehenden Erläuterung in der Beschreibung, definiert wird.
-
Bezugszeichenliste
-
- 1
- maschinelles Lernsystem
- 3
- Eingabeeinheit
- 5
- Eingabeeinheit
- 7
- Eingabeeinheit
- 9
- adaptiertes maschinelles Lernsystem
- 11
- Nutzerklasse
-
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
-
