DE102020006267A1 - Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle - Google Patents
Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle Download PDFInfo
- Publication number
- DE102020006267A1 DE102020006267A1 DE102020006267.9A DE102020006267A DE102020006267A1 DE 102020006267 A1 DE102020006267 A1 DE 102020006267A1 DE 102020006267 A DE102020006267 A DE 102020006267A DE 102020006267 A1 DE102020006267 A1 DE 102020006267A1
- Authority
- DE
- Germany
- Prior art keywords
- motor vehicle
- computing device
- electronic computing
- transmitted
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000004393 prognosis Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 31
- 230000001537 neural effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Abstract
Die Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells (12) für eine Kraftfahrzeugflotte (14) mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung (10), bei welchem zumindest ein ein neuronales Netzwerk (24) charakterisierender Parameter (28) eines Kraftfahrzeugs (16) mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung (10) trainiert wird und an die Steuereinrichtung (18) übermittelt wird, wobei mittels einer Erfassungseinrichtung (20) des Kraftfahrzeugs (16) zumindest eine Information für das Verhaltensmodell (12) erfasst wird und ein abgespeichertes kraftfahrzeuginternes neuronales Netzwerk (26) mittels des charakterisierenden Parameters (28) kraftfahrzeugintern weiter trainiert wird und zumindest ein Gewichtungsparameter (30) neuronalen Netzwerks (26) von der Steuereinrichtung (18) an die kraftfahrzeugexterne elektronische Recheneinrichtung (10) übertragen wird und das Verhaltensmodell (12) auf Basis des übermittelten charakterisierenden Parameters (28) und auf Basis des Gewichtungsparameters (30) mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung (10) für die Kraftfahrzeugflotte (14) erzeugt wird. Ferner betrifft die Erfindung eine kraftfahrzeugexterne elektronische Recheneinrichtung (10).The invention relates to a method for generating a behavior model (12) for a motor vehicle fleet (14) using an electronic computing device (10) external to the vehicle, in which at least one parameter (28) of a motor vehicle (16) characterizing a neural network (24) is electronic computing device (10) and is transmitted to the control device (18), at least one piece of information for the behavior model (12) being recorded by means of a recording device (20) of the motor vehicle (16) and a stored motor vehicle-internal neural network (26) being of the characterizing parameter (28) is further trained inside the vehicle and at least one weighting parameter (30) of the neural network (26) is transmitted from the control device (18) to the electronic computing device (10) external to the vehicle and characterizes the behavior model (12) on the basis of the transmitted data nden parameter (28) and on the basis of the weighting parameter (30) by means of the motor vehicle-external electronic computing device (10) for the motor vehicle fleet (14). The invention also relates to an electronic computing device (10) external to the motor vehicle.
Description
Die Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung gemäß dem Oberbegriff von Patentanspruch 1. Ferner betrifft die Erfindung eine kraftfahrzeugexterne elektronische Recheneinrichtung.The invention relates to a method for generating a behavior model for a motor vehicle fleet using an electronic computing device external to the vehicle. The invention also relates to an electronic computing device external to the vehicle.
Aus dem Kraftfahrzeugbau ist bekannt, dass vermehrt Daten im Kraftfahrzeug aufgezeichnet werden und beispielsweise über einen sogenannten Telelog oder über eine Kommunikationseinrichtung an eine kraftfahrzeugexterne elektronische Recheneinrichtung, welche auch als Backend bezeichnet werden kann, geschickt werden. In diesem Backend können dann die Daten der Kraftfahrzeuge aggregiert und auf Basis dieser Daten verschiedene Prognosen bestimmt werden. Beispielsweise können Prognosen für eine Fehlerursache beziehungsweise für eine Nutzung von Navigation oder weitere Informationen aggregiert werden. Hierbei ist aus dem Stand der Technik bekannt, dass die Methoden des sogenannten Machine Learnings, also dem maschinellen Lernen, genutzt werden. Es können dadurch sogenannte „Weltmodelle“ erzeugt werden, die das Verhalten einer Fahrzeugflotte mit einem oder mehreren Modellen abbilden. Durch die Datenübertragung und spätere Verarbeitung entstehen jedoch hohe Kosten für die Bandbreite und die Datenübertragung innerhalb des Backend, die sich über eine Lebenszeit des Kraftfahrzeugs entsprechend aufsummieren können.It is known from motor vehicle construction that data is increasingly being recorded in the motor vehicle and sent, for example via a so-called telelog or via a communication device to an electronic computing device external to the motor vehicle, which can also be referred to as a backend. In this backend, the data of the motor vehicles can then be aggregated and various forecasts can be determined on the basis of this data. For example, forecasts for the cause of an error or for the use of navigation or other information can be aggregated. It is known from the prior art that the methods of so-called machine learning, i.e. machine learning, are used. In this way, so-called "world models" can be generated that depict the behavior of a vehicle fleet with one or more models. However, the data transmission and subsequent processing result in high costs for the bandwidth and the data transmission within the backend, which can add up accordingly over the lifetime of the motor vehicle.
Die
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren sowie eine kraftfahrzeugexterne elektronische Recheneinrichtung zu schaffen, mittels welcher effizient ein Verhaltensmodell für eine Kraftfahrzeugflotte erzeugt werden kann.The object of the present invention is to create a method and an electronic computing device external to the motor vehicle, by means of which a behavior model for a motor vehicle fleet can be generated efficiently.
Diese Aufgabe wird durch ein Verfahren sowie durch eine kraftfahrzeugexterne elektronische Recheneinrichtung gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.This object is achieved by a method and by an electronic computing device external to the motor vehicle according to the independent patent claims. Advantageous embodiments are specified in the dependent claims.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, bei welcher zumindest ein ein neuronales Netzwerk charakterisierender Parameter für eine Steuereinrichtung eines Kraftfahrzeugs der Kraftfahrzeugflotte mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung trainiert wird und an die Steuereinrichtung übermittelt und kraftfahrzeugintern abgespeichert wird.One aspect of the invention relates to a method for generating a behavior model for a motor vehicle fleet using an electronic computing device external to the vehicle, in which at least one parameter characterizing a neural network for a control device of a motor vehicle in the motor vehicle fleet is trained using the electronic computing device external to the vehicle and transmitted to the control device and internally in the vehicle is saved.
Es ist vorgesehen, dass mittels einer Erfassungseinrichtung des Kraftfahrzeugs zumindest eine Information für das Verhaltensmodell erfasst wird und ein abgespeichertes kraftfahrzeuginternes neuronales Netzwerk mittels des charakterisierenden Parameters und der zumindest einen Information kraftfahrzeugintern weiter trainiert wird und zumindest ein Gewichtungsparameter des kraftfahrzeugintern weiter trainierten neuronalen Netzwerks von der Steuereinrichtung an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen wird und das Verhaltensmodell auf Basis des an die Steuereinrichtung übermittelten charakterisierenden Parameters und auf Basis des übertragenen Gewichtungsparameters mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung für die Fahrzeugflotte erzeugt wird.It is provided that at least one item of information for the behavior model is recorded by means of a recording device of the motor vehicle and a stored motor vehicle-internal neural network is further trained in the motor vehicle by means of the characterizing parameter and the at least one piece of information and at least one weighting parameter of the motor-vehicle further trained neural network is trained by the control device is transmitted to the vehicle-external electronic computing device and the behavior model is generated on the basis of the characterizing parameter transmitted to the control device and on the basis of the transmitted weighting parameter by means of the vehicle-external electronic computing device for the vehicle fleet.
Insbesondere kann somit effizient und unter Einsparung von Bandbreite das Verhaltensmodell erzeugt werden. Bei dem Verhaltensmodell handelt es sich insbesondere um ein sogenanntes „Weltmodell“. Insbesondere können so bei der Datenübertragung und bei der späteren Verarbeitung die Kosten für die Bandbreite und für das Datenhandling innerhalb der kraftfahrzeugexternen elektronischen Recheneinrichtung reduziert werden.In particular, the behavior model can thus be generated efficiently and while saving bandwidth. The behavior model is in particular a so-called “world model”. In particular, the costs for the bandwidth and for data handling within the electronic computing device external to the motor vehicle can be reduced during data transmission and subsequent processing.
Das neuronale Netz ist dabei ein Beispiel für eine Methode des maschinellen Lernens, es können auch alternative Methoden angewendet werden, die durch eine definierte Architektur und Parameter beschrieben werden können und das Lernen mit vortrainierten Parametern möglich ist.The neural network is an example of a machine learning method. Alternative methods can also be used, which can be described by a defined architecture and parameters and learning with pre-trained parameters is possible.
Die entsprechenden Daten beziehungsweise Informationen, welche beispielsweise Rohdaten betreffen können, werden durch das dezentrale Trainieren innerhalb der Steuereinrichtung im Kraftfahrzeug im Sinne von einem Edge Computing direkt verarbeitet. Die Übertragungsbandbreite an die kraftfahrzeugexterne elektronische Recheneinrichtung wird reduziert, da beispielsweise lediglich ein Gewichtungsparameter des neuronales Netzes übertragen wird. Das Wissen wird sozusagen in den neuronalen Netzen memorisiert und komprimiert. Aus den trainierten neuronalen Netzen, welche kraftfahrzeugintern sind, kann ohne größeren Aufwand dann wiederum das Verhaltensmodell erstellt werden.The corresponding data or information, which can relate to raw data, for example, is processed directly by decentralized training within the control device in the motor vehicle in the sense of edge computing. The transmission bandwidth to the vehicle-external electronic computing device is reduced because, for example, only one weighting parameter of the neural network is transmitted. The knowledge is, so to speak, memorized and compressed in the neural networks. The behavior model can then in turn be created from the trained neural networks, which are internal to the motor vehicle, with little effort.
Bei der Steuereinrichtung, welche sich kraftfahrzeugintern befindet, kann es sich insbesondere ebenfalls um eine elektronische Recheneinrichtung handeln.The control device, which is located inside the motor vehicle, can in particular also be an electronic computing device.
Bei dem Verfahren handelt es sich somit um ein computerimplementiertes Verfahren, welches insbesondere ein entsprechendes Computerprogrammprodukt nutzt, mit Befehlen, um das Verfahren auf der kraftfahrzeugexternen elektronischen Recheneinrichtung durchzuführen. Die kraftfahrzeugexterne elektronische Recheneinrichtung weist dazu insbesondere ein computerlesbares Speichermedium auf, welches dann wiederum das Computerprogrammprodukt aufweisen kann.The method is therefore a computer-implemented method which, in particular, uses a corresponding computer program product with commands to carry out the method on the electronic computing device external to the motor vehicle. For this purpose, the motor vehicle-external electronic computing device has, in particular, a computer-readable storage medium, which in turn can then have the computer program product.
Gemäß einer vorteilhaften Ausgestaltungsform wird als der das neuronale Netzwerk charakterisierende Parameter eine Gewichtungsmatrize für das neuronale Netzwerk an die Steuereinrichtung oder das neuronale Netzwerk übertragen. Mit anderen Worten kann vorgesehen sein, dass vortrainierte neuronale Netzwerke von der kraftfahrzeugexternen elektronischen Recheneinrichtung an das Kraftfahrzeug übertragen werden. Um jedoch weiterhin die Datenmenge reduzieren zu können, kann es bevorzugt vorgesehen sein, dass lediglich die Gewichtungsmatrizen für das neuronale Netzwerk von der kraftfahrzeugexternen elektronischen Recheneinrichtung an die Steuereinrichtung übertragen werden. Mit anderen Worten kann vorgesehen sein, dass kraftfahrzeugintern bereits ein neuronales Netzwerk zur Verfügung gestellt werden kann, an welches dann lediglich die entsprechende Gewichtungsmatrize übertragen wird. Auf Basis der Gewichtungsmatrize kann dann die Netzarchitektur für das neuronale Netzwerk abgeleitet werden. Somit kann effizient das Verhaltensmodell erzeugt werden.According to an advantageous embodiment, a weighting matrix for the neural network is transmitted to the control device or the neural network as the parameter characterizing the neural network. In other words, provision can be made for pre-trained neural networks to be transmitted to the motor vehicle from the electronic computing device external to the motor vehicle. However, in order to be able to further reduce the amount of data, it can preferably be provided that only the weighting matrices for the neural network are transmitted from the electronic computing device external to the motor vehicle to the control device. In other words, it can be provided that a neural network can already be made available inside the motor vehicle, to which only the corresponding weighting matrix is then transmitted. The network architecture for the neural network can then be derived on the basis of the weighting matrix. Thus, the behavior model can be generated efficiently.
Weiterhin vorteilhaft ist, wenn auf Basis einer Vielzahl von übertragenen Gewichtungsparametern von einer Vielzahl von Kraftfahrzeugen der Kraftfahrzeugflotte das Verhaltensmodell mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung erzeugt wird. Insbesondere weist die Kraftfahrzeugflotte somit eine Vielzahl von Kraftfahrzeugen auf. Die Vielzahl von Kraftfahrzeugen kann dann wiederum eigene Informationen mit eigenen Erfassungseinrichtungen jeweils sammeln und dann wiederum jeweils ihr kraftfahrzeug internes neuronales Netzwerk trainieren. Die entsprechenden Gewichtungsparameter können dann wiederum an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen werden, wobei dann auf Basis der Vielzahl übertragener Gewichtungsparameter wiederum das Verhaltensmodell erzeugt werden kann. Somit kann eine Art Schwarmwissen gesammelt werden, und auf Basis dieses Schwarmwissens wiederum kann das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt werden.It is also advantageous if the behavior model is generated by means of the electronic computing device external to the vehicle on the basis of a large number of transmitted weighting parameters from a large number of motor vehicles in the motor vehicle fleet. In particular, the motor vehicle fleet thus has a large number of motor vehicles. The large number of motor vehicles can then in turn collect their own information with their own detection devices and then in turn train their motor vehicle-internal neuronal network. The corresponding weighting parameters can then in turn be transmitted to the electronic computing device external to the motor vehicle, in which case the behavior model can then in turn be generated on the basis of the large number of transmitted weighting parameters. A type of swarm knowledge can thus be collected, and on the basis of this swarm knowledge the behavior model for the motor vehicle fleet can in turn be generated.
In einer weiteren vorteilhaften Ausgestaltungsform wird nach dem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters der Gewichtungsparameter an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen. Mit anderen Worten sollte das kraftfahrzeuginterne neuronale Netzwerk eine definierte Vorhersagegüte, beispielsweise einen sogenannten F1-Score bei Klassifikationen oder R^2 Score bei Regressionen, überschreiten, so wird erst der Gewichtungsparameter des kraftfahrzeugintern trainierten neuronalen Netzes von dem Kraftfahrzeug an die kraftfahrzeugexterne elektronische Recheneinrichtung geschickt. Somit kann erst bei einer Abweichung von dem vortrainierten neuronalen Netzwerk der Gewichtungsparameter übertragen werden, wodurch weiterhin eine Datenübertragungsmenge reduziert werden kann.In a further advantageous embodiment, after a deviation threshold value of the weighting parameter has been exceeded, the weighting parameter is transmitted to the electronic computing device external to the motor vehicle. In other words, should the vehicle's internal neural network exceed a defined prediction quality, for example a so-called F1 score for classifications or R^2 score for regressions, then the weighting parameter of the vehicle's internally trained neural network is first sent from the vehicle to the vehicle's external electronic computing device. The weighting parameter can thus only be transmitted if there is a deviation from the pre-trained neural network, as a result of which the volume of data transmission can be further reduced.
Ebenfalls vorteilhaft ist, wenn mittels einer Ensemblemethodik das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt wird. Bei der Ensemblemethodik handelt es sich insbesondere um eine Form des maschinellen Lernens. Es wird dabei eine endliche Menge von verschiedenen Lernalgorithmen, um bessere Ergebnisse zu erhalten als mit einem einzigen Lernalgorithmus. Insbesondere kann dabei mit einer geringeren Rechentiefe ein bereits zufriedenstellendes Ergebnis erreicht werden.It is also advantageous if the behavior model for the motor vehicle fleet is generated using an ensemble method. The ensemble methodology is in particular a form of machine learning. It takes a finite set of different learning algorithms to get better results than a single learning algorithm. In particular, a result that is already satisfactory can be achieved with a lower depth of calculation.
Es hat sich weiterhin als vorteilhaft erwiesen, wenn mittels einer weichen Gewichtungsteilungsmethode das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt wird. Die weiche Gewichtungsteilungsmethode wird auch als Softweight-Sharing bezeichnet. Hierbei handelt es sich um eine weitere Methode des maschinellen Lernens. Hierbei handelt es sich um einen Deep-Learning-Algorithmus, mittels welchem effizient das Verhaltensmodell erzeugt werden kann.It has also proven to be advantageous if the behavior model for the motor vehicle fleet is generated using a soft weighting division method. The soft weight sharing method is also known as soft weight sharing. This is another machine learning method. This is a deep learning algorithm that can be used to efficiently generate the behavioral model.
Gemäß einer weiteren vorteilhaften Ausgestaltungsform wird mittels der Steuereinrichtung eine Prognose für eine Fehlerursache und/oder eine Prognose für die Nutzung einer Navigationseinrichtung des Kraftfahrzeugs und/oder eine Prognose für eine Nutzung eines Assistenzsystems des Kraftfahrzeugs durchgeführt. Es können Prognosen innerhalb des Kraftfahrzeugs mittels des neuronalen Netzwerks durchgeführt werden. Es kann dann vorgesehen sein, dass mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung ein Verhaltensmodell für die Fehlerursache und/oder für die Nutzung der Navigationseinrichtung und/oder für die Nutzung des Assistenzsystems des Kraftfahrzeugs durchgeführt wird. Somit können unterschiedliche Verhaltensmodelle erzeugt werden, welche dann wiederum für die Kraftfahrzeugflotte genutzt werden können. Die hier genannten Anwendungen sind nur beispielhaft, insbesondere kann jede Prognose in Form einer Klassifikation oder Regression durch dieses Verfahren dargestellt werden.According to a further advantageous embodiment, the control device carries out a prognosis for a fault cause and/or a prognosis for the use of a navigation device of the motor vehicle and/or a prognosis for a use of an assistance system of the motor vehicle. Forecasts can be carried out inside the motor vehicle using the neural network. Provision can then be made for a behavioral model for the cause of the error and/or for the use of the navigation device and/or for the use of the assistance system of the motor vehicle to be carried out using the electronic computing device external to the motor vehicle. In this way, different behavior models can be generated, which can then in turn be used for the motor vehicle fleet. The applications mentioned here are only examples; in particular, any prognosis in the form of a classification or regression can be represented by this method.
Ferner hat es sich als vorteilhaft erwiesen, wenn eine Anzahl an Messpunkten der Erfassungseinrichtung und eine daraus resultierende, zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter beschreibt, und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen wird. Bei der Datenmenge der Messpunkte handelt es sich insbesondere um sogenannte Rohdaten. Furthermore, it has proven to be advantageous if a number of measuring points of the detection device and a resulting amount of data to be transmitted are determined and the resulting amount of data is compared with a data amount which describes the weighting parameter and as a function of the comparison by means of the control device a decision is made as to whether the data volume of the measuring points or the data volume of the weighting parameter is transmitted to the electronic computing device external to the motor vehicle. The amount of data from the measuring points is in particular so-called raw data.
Sollte die Datenmenge der Rohdaten geringer sein als die Datenmenge des Gewichtungsparameters, so kann entschieden werden, dass die Datenmenge der Messpunkte übertragen wird. Sollte jedoch entschieden werden, dass die Datenmenge des Gewichtungsparameters geringer ist als die Datenmenge der Rohdaten, so kann entschieden werden, dass der Gewichtungsparameter übertragen wird. Somit kann ein effizientes Erzeugen des Verhaltensmodells realisiert werden. Im Kraftfahrzeug können beispielsweise pro Aufzeichnung 20 Größen abgespeichert werden, was insbesondere 20 Float-Werten entspricht. Sollten dann beispielsweise das neuronale Netzwerk durch nicht mehr als 1893 Float-Werte beschrieben werden können, wobei durch Quotientenbildung insgesamt mehr als 94,7 Messpunkte vorliegen, ist es aus Sicht der Bandbreite effizienter, die Gewichte des neuronalen Netzwerks anstatt die Messpunkte selbst zu übertragen.If the data volume of the raw data is less than the data volume of the weighting parameter, then it can be decided that the data volume of the measurement points will be transmitted. However, if it is decided that the data volume of the weighting parameter is less than the data volume of the raw data, then it can be decided that the weighting parameter is transmitted. Efficient generation of the behavior model can thus be realized. In a motor vehicle, for example, 20 variables can be stored per recording, which corresponds in particular to 20 float values. If, for example, the neural network can then be described by no more than 1893 float values, with a total of more than 94.7 measurement points being available through quotient formation, it is more efficient from a bandwidth perspective to transmit the weights of the neural network instead of the measurement points themselves.
In einer weiteren vorteilhaften Ausgestaltungsform wird das neuronale Netzwerk vortrainiert, und das mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk oder eine Gewichtungsmatrize wird an die Steuereinrichtung übertragen. Mit anderen Worten ist vorgesehen, dass das neuronale Netzwerk datenreduziert erzeugt wird und erst kraftfahrzeugintern gesamtheitlich angelernt wird. Dieses mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk beziehungsweise die Gewichtungsmatrize wird dann an die Steuereinrichtung übertragen, wobei dann kraftfahrzeugintern das vortrainierte neuronale Netzwerk weiter trainiert wird. Somit kann durch die Nutzung einer reduzierten Bandbreite das Verhaltensmodell erzeugt werden.In a further advantageous embodiment, the neural network is pre-trained, and the neural network pre-trained with the reduced data set or a weighting matrix is transmitted to the control device. In other words, it is provided that the neural network is generated with reduced data and is only fully trained inside the motor vehicle. This neural network pre-trained with the reduced data set or the weighting matrix is then transmitted to the control device, with the pre-trained neural network then being further trained inside the motor vehicle. The behavior model can thus be generated by using a reduced bandwidth.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt mit Befehlen, die bewirken, dass, wenn Befehle auf einer elektronischen Recheneinrichtung durchgeführt werden, die Schritte gemäß dem vorhergehenden Aspekt durchgeführt werden. Ferner betrifft die Erfindung auch ein computerlesbares Speichermedium mit dem zuvor genannten Computerprogrammprodukt.A further aspect of the invention relates to a computer program product with instructions which, when instructions are executed on an electronic computing device, cause the steps according to the preceding aspect to be carried out. Furthermore, the invention also relates to a computer-readable storage medium with the aforementioned computer program product.
Ein nochmals weiterer Aspekt der Erfindung betrifft eine kraftfahrzeugexterne elektronische Recheneinrichtung zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte, wobei die kraftfahrzeugexterne elektronische Recheneinrichtung zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung durchgeführt.Yet another aspect of the invention relates to an electronic computing device external to the motor vehicle for generating a behavior model for a motor vehicle fleet, the electronic computing device external to the motor vehicle being designed to carry out a method according to the preceding aspect. In particular, the method is carried out using the electronic computing device external to the motor vehicle.
Vorteilhafte Ausgestaltungsformen des Verfahrens sind als vorteilhafte Ausgestaltungsformen des Computerprogrammprodukts, des computerlesbaren Speichermediums sowie der kraftfahrzeugexternen elektronischen Recheneinrichtung anzusehen. Die kraftfahrzeugexterne elektronische Recheneinrichtung weist dazu gegenständliche Merkmale auf, welche zur Durchführung des Verfahrens oder einer vorteilhaften Ausgestaltungsform davon benötigt sind.Advantageous configurations of the method are to be regarded as advantageous configurations of the computer program product, the computer-readable storage medium and the electronic computing device external to the motor vehicle. For this purpose, the motor vehicle-external electronic computing device has physical features that are required to carry out the method or an advantageous embodiment thereof.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels sowie anhand der Zeichnung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in der einzigen Figur alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.Further advantages, features and details of the invention result from the following description of a preferred exemplary embodiment and from the drawing. The features and combinations of features mentioned above in the description and the features and combinations of features mentioned below in the description of the figures and/or shown alone in the single figure can be used not only in the combination specified in each case, but also in other combinations or on their own, without the frame to abandon the invention.
Dabei zeigt die einzige Figur eine schematische Seitenansicht einer Ausführungsform einer kraftfahrzeugexternen elektronischen Recheneinrichtung für eine Kraftfahrzeugflotte.The only figure shows a schematic side view of an embodiment of a motor vehicle-external electronic computing device for a motor vehicle fleet.
In der Figur sind gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.Elements that are the same or have the same function are provided with the same reference symbols in the figure.
Die Figur zeigt in einer schematischen Seitenansicht eine Ausführungsform einer kraftfahrzeugexternen elektronischen Recheneinrichtung 10. Die kraftfahrzeugexterne elektronische Recheneinrichtung 10 ist zum Erzeugen eines Verhaltensmodells 12 für eine rein schematisch dargestellte Kraftfahrzeugflotte 14 ausgebildet. Ein Kraftfahrzeug 16 ist insbesondere ebenfalls gezeigt, wobei das Kraftfahrzeug 16 als Teil der Kraftfahrzeugflotte 14 anzusehen ist.The figure shows a schematic side view of an embodiment of a motor vehicle-external
Das Kraftfahrzeug 16 weist eine Steuereinrichtung 18, eine Erfassungseinrichtung 20 sowie eine Funktionseinheit 22 auf. Die Funktionseinheit 22 kann beispielsweise eine Head Unit des Kraftfahrzeugs 16 oder ein Assistenzsystem des Kraftfahrzeugs 16 sein. Diese Aufzählung ist rein beispielhaft und dient lediglich dem Verständnis der Erfindung. Es können somit auch weitere Funktionseinheiten 22 im Kraftfahrzeug 16 genutzt werden.
Beim Verfahren zum Erzeugen des Verhaltensmodells 12 für die Kraftfahrzeugflotte 14 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 wird ein ein neuronales Netzwerk 24 charakterisierender Parameter 28 für die Steuereinrichtung 18 des Kraftfahrzeugs 16 der Kraftfahrzeugflotte 14 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 trainiert, insbesondere vortrainiert, und an die Steuereinrichtung 18 übermittelt und kraftfahrzeugintern abgespeichert.In the method for generating the
Es ist vorgesehen, dass mittels der Erfassungseinrichtung 20 des Kraftfahrzeugs 16 zumindest eine Information für das Verhaltensmodell 12 erfasst wird und das abgespeicherte kraftfahrzeuginterne neuronale Netzwerk 26 mittels des charakterisierenden Parameters 28 und der zumindest einen Information kraftfahrzeugintern weitertrainiert wird und zumindest ein Gewichtungsparameter 30 des kraftfahrzeugintern weitertrainierten neuronalen Netzwerks 26 von der Steuereinrichtung 18 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird und das Verhaltensmodell 12 auf Basis des an die Steuereinrichtung 18 übermittelten charakterisierenden Parameters 28 und auf Basis des übertragenen Gewichtungsparameters 30 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 für die Kraftfahrzeugflotte 14 erzeugt wird.It is provided that at least one item of information for the
Es kann dabei vorgesehen sein, dass als der das neuronale Netzwerk 24 charakterisierende Parameter 28 eine Gewichtungsmatrize für das neuronale Netzwerk 24 an die Steuereinrichtung 18 oder das neuronale Netzwerk 24 selbst übertragen wird.Provision can be made for a weighting matrix for the
Es kann weiterhin vorgesehen sein, dass auf Basis einer Vielzahl von Gewichtungsparametern 30 von einer Vielzahl von Kraftfahrzeugen 16 der Kraftfahrzeugflotte 14 das Verhaltensmodell 12 erzeugt wird. Weiterhin kann vorgesehen sein, dass nach einem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters 30 der Gewichtungsparameter 30 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird.Provision can furthermore be made for the
Weiterhin kann vorgesehen sein, dass mittels einer Ensemblemethodik das Verhaltensmodell 12 für die Kraftfahrzeugflotte 14 erzeugt wird oder dass mittels einer weichen Gewichtungsteilungsmethode, welche auch als Soft Weight-Sharing bezeichnet wird, das Verhaltensmodell 12 für die Kraftfahrzeugflotte 14 erzeugt wird.Provision can furthermore be made for the
Es kann weiterhin vorgesehen sein, dass mittels der Steuereinrichtung 18 eine Prognose für eine Fehlerursache und/oder Prognose für die Nutzung einer Navigationseinrichtung, welche insbesondere durch die Funktionsreinricchtung 22 dargestellt ist, des Kraftfahrzeugs 16 und/oder eine Prognose für die Nutzung eines Assistenzsystems, welche insbesondere ebenfalls durch die Funktionseinrichtung 22 dargestellt ist, des Kraftfahrzeugs 16 durchgeführt wird.Provision can also be made for
Bei der Prognose für die Fehlerursache können beispielsweise Fehlermeldungen innerhalb der Steuereinrichtung 18, Umgebungsdaten innerhalb der Steuereinrichtung 18, wie beispielsweise Temperatur, Spannung, Eingangsgrößen zur Steuereinrichtung 18 sowie Fehlersignale von vernetzten Steuergeräten abgespeichert werden. Ziel dabei ist die Prognose von Fehlerursachen. Bei der Prognose für die Nutzung der Navigationseinrichtung können beispielsweise Daten zu Tag, Uhrzeit, Wetter und Lokation abgespeichert werden. Hierbei wird insbesondere eine Prognose für die Nutzung der Navigationseinrichtung erzeugt. Bei der Nutzung des Assistenzsystems, wobei dies insbesondere auch als ADAS bezeichnet werden kann, wird gespeichert, welche Aktivierung der Assistenzfunktionen, welche Fahrsituation oder welche Lokation dabei vorliegen. Hierbei können insbesondere die Klasse der Hot Spots, zum Beispiel für Fußgängerbremsungen, erzeugt werden.When forecasting the cause of the error, for example, error messages can be stored within the
Es kann weiterhin vorgesehen sein, dass eine Anzahl an Messpunkten der Erfassungseinrichtung 20 und eine daraus resultierende und zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter 30 beschreibt und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung 18 entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters 30 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird.It can also be provided that a number of measuring points of the
Insbesondere ist somit für alle Prognosen, für die das Verhaltensmodell 12 erstellt werden soll, vorgesehen, dass mit einem reduzierten Datensatz das neuronale Netzwerk 24 in der kraftfahrzeugexternen elektronischen Recheneinrichtung 10, welches auch als Backend bezeichnet werden kann, vortrainiert wird. Die vortrainierten neuronalen Netzwerke 24 beziehungsweise deren Gewichtungsmatrizen, von denen dann wiederum die Netzarchitektur abgeleitet werden kann, werden an die Steuereinrichtung 18 im Kraftfahrzeug 16 übertragen. Die Steuereinrichtung 18 sammelt dann weitere Daten und trainiert damit das kraftfahrzeuginterne neuronale Netzwerk 26 auf das genau in diesem Kraftfahrzeug 16 beobachtete Verhalten, was auch als Edge Computing bezeichnet werden kann. Überschreitet das kraftfahrzeuginterne neuronale Netzwerk 26 in dem Kraftfahrzeug 16 eine vorher definierte Prognosegüte, beispielsweise einen sogenannten F1-Score, so werden die Gewichte des kraftfahrzeuginternen neuronalen Netzwerks 26 von diesem Kraftfahrzeug 16 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen. In der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 wird mit Hilfe einer Methode, wie beispielsweise dem Softweight-Sharing oder der Ensemblemethodik, aus den einzelnen Modellen das Verhaltensmodell 12 erstellt. Mit diesem Verhaltensmodell 12, welches auch als Weltmodell bezeichnet werden kann, können dann die gewünschten Prognosen, wie zum Beispiel Prognosen für die Fehlerursache, für die Nutzung der Navigationseinrichtung oder weiterer Assistenzsystem erzeugt werden.In particular, it is therefore provided for all forecasts for which the
Die Daten werden somit durch das dezentrale Trainieren in der Steuereinrichtung 18 im Sinne von Edge Computing direkt verarbeitet. Die Übertragungsbandbreite in das Backend wird reduziert, da nur der Gewichtungsparameter 30 des kraftfahrzeuginternen neuronalen Netzwerks 26 übertragen wird. Das Wissen wird sozusagen in den kraftfahrzeuginternen neuronalen Netzwerken 26 memorisiert und komprimiert. Aus den trainierten neuronalen Netzwerken 26 kann ohne großen Aufwand dann wiederum das Verhaltensmodell 12 aufgebaut werden.The data are thus processed directly by the decentralized training in the
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
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.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- EP 3117274 A1 [0003]EP 3117274 A1 [0003]
Claims (10)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020006267.9A DE102020006267A1 (en) | 2020-10-12 | 2020-10-12 | Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle |
PCT/EP2021/076975 WO2022078770A1 (en) | 2020-10-12 | 2021-09-30 | Method for producing a behavior model for a motor vehicle fleet by means of a motor-vehicle-external electronic computing device, and motor-vehicle-external electronic computing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020006267.9A DE102020006267A1 (en) | 2020-10-12 | 2020-10-12 | Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020006267A1 true DE102020006267A1 (en) | 2022-04-14 |
Family
ID=78085884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020006267.9A Withdrawn DE102020006267A1 (en) | 2020-10-12 | 2020-10-12 | Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102020006267A1 (en) |
WO (1) | WO2022078770A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3117274A1 (en) | 2014-04-22 | 2017-01-18 | Siemens Aktiengesellschaft | Method, controller, and computer program product for controlling a target system by separately training a first and a second recurrent neural network models, which are initially trained using oparational data of source systems |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3206411B1 (en) * | 2016-02-11 | 2020-10-07 | Volvo Car Corporation | Arrangement and method for predicting road friction within a road network |
DE102017213247A1 (en) * | 2017-06-30 | 2019-01-03 | Conti Temic Microelectronic Gmbh | Knowledge transfer between different deep-learning architectures |
DE102019005825A1 (en) * | 2019-08-19 | 2020-03-12 | Daimler Ag | Method for generating training data for an electronic computing device external to the motor vehicle, and driver assistance system |
-
2020
- 2020-10-12 DE DE102020006267.9A patent/DE102020006267A1/en not_active Withdrawn
-
2021
- 2021-09-30 WO PCT/EP2021/076975 patent/WO2022078770A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3117274A1 (en) | 2014-04-22 | 2017-01-18 | Siemens Aktiengesellschaft | Method, controller, and computer program product for controlling a target system by separately training a first and a second recurrent neural network models, which are initially trained using oparational data of source systems |
Also Published As
Publication number | Publication date |
---|---|
WO2022078770A1 (en) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128289B4 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
DE102017223751A1 (en) | Method and device for detecting anomalies in a data stream of a communication network | |
DE102014118479A1 (en) | Affective user interface in an autonomous vehicle | |
DE102015203213A1 (en) | DEVICE AND PROGRAM FOR GENERATING CORRECTION PARAMETERS FOR DIAGNOSTIC DATA | |
DE102017213119A1 (en) | Method and apparatus for detecting anomalies in a communication network | |
EP3684015B1 (en) | Device and method for classifying data in particular for a controller area network or an automotive ethernet network | |
DE102019124018A1 (en) | Method for optimizing tests of control systems for automated vehicle dynamics systems | |
EP3393875B1 (en) | Method for the improved detection of objects by a driver assistance system | |
DE102019126195A1 (en) | Process for the efficient, simulative application of automated driving functions | |
DE102018220865A1 (en) | Method for training at least one algorithm for a control device of a motor vehicle, computer program product and motor vehicle | |
DE102019218613A1 (en) | Object classification method, object classification circuit, motor vehicle | |
EP3748453B1 (en) | Method and device for automatically executing a control function of a vehicle | |
EP3460727A1 (en) | Method for examining a functional behaviour of a technical system and evaluation unit | |
DE102018129563A1 (en) | Method for determining the steering mode of a steering wheel | |
EP3748454B1 (en) | Method and device for automatically executing a control function of a vehicle | |
DE102020107001A1 (en) | Method and device for determining the status of an on-board electrical system of a vehicle | |
DE102019213061A1 (en) | Classification of AI modules | |
DE102020006267A1 (en) | Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle | |
WO2021089499A1 (en) | Method and system for checking an automated driving function by reinforcement learning | |
DE102018112718A1 (en) | A method of enhancing the performance of a vehicle system having a neural network for controlling a vehicle component | |
DE102018128892A1 (en) | Method, system and computer program for providing information for operating a vehicle | |
DE102013220453A1 (en) | Method for operating a motor vehicle and method for evaluating recorded time profiles | |
DE102020204867A1 (en) | Method and system for operating a maneuver planning of at least one at least partially automated vehicle | |
DE102019131639B4 (en) | System for providing an explanation data set for an AI module | |
DE102022123578A1 (en) | Method and device for tuning motor vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R081 | Change of applicant/patentee |
Owner name: MERCEDES-BENZ GROUP AG, DE Free format text: FORMER OWNER: DAIMLER AG, STUTTGART, DE |
|
R120 | Application withdrawn or ip right abandoned |