-
Die Erfindung betrifft ein Verfahren zur Bestimmung eines Fahrzeugmassenmittelwerts eines Fahrzeugs sowie ein Fahrzeug, welches das Verfahren durchführt.
-
Bei einer Nutzung von Fahrzeugen kann es erforderlich sein, dass eine Information über eine aktuelle Fahrzeuggesamtmasse benötigt wird. Mit einer solchen Information lässt sich beispielsweise ein Kraftstoffverbrauch abschätzen, eine Überladung des Fahrzeugs oder auch beispielsweise ein Ladungs- oder Anhängerverlust während der Fahrt mit dem Fahrzeug erkennen. Ein überladenes Fahrzeug kann im Betrieb beschädigt werden, beispielsweise durch einen Achsbruch oder einen Stoßdämpferbruch, es ist jedoch auch möglich, dass durch das überladene Fahrzeug Infrastruktur beschädigt wird, beispielsweise beim Befahren einer nicht ausreichend tragfähigen Brücke. Dies ist insbesondere bei vergleichsweise schweren Fahrzeugen wie Transportern und/oder Lkws problematisch. So werden Lkws mit Hilfe einer stationären Wiegevorrichtung gewogen, um eine Überladung zu erkennen. Das Betreiben eines überladenen Lkws ist verboten. Dabei ist es vorgesehen, künftig Fahrzeuge, insbesondere Lkws, dynamisch, also während der Fahrt, auf ihre Masse hin zu überwachen. So beschreibt die EU-Verordnung 2019/1213 das Erfordernis, dass ein Lkw in regelmäßigen Zeitabständen seine Fahrzeugmasse an eine Kontrollbehörde übermitteln muss.
-
Aus dem allgemeinen Stand der Technik ist bekannt, eine momentane Fahrzeugmasse über das zweite Newtonsche Axiom zu bestimmen. Das zweite Newtonsche Axiom besagt, dass sich aus einem Produkt aus Masse mal Beschleunigung eine Kraft ergibt. Demgemäß wird zur Bestimmung der Fahrzeuggesamtmasse eine Antriebskraft des Fahrzeugs bestimmt und durch eine Beschleunigung des Fahrzeugs geteilt. Nachteilig ist dabei jedoch, dass sowohl die Ermittlung der Antriebskraft, als auch der Beschleunigung mit erheblichen Ungenauigkeiten behaftet sind. So wird die Antriebskraft des Fahrzeugs über ein Motormoment geschätzt. Zudem sind Nebenverbrauchermomente, welche ein vom Motor des Fahrzeugs abgegebenes und zum Antreiben des Fahrzeugs zur Verfügung stehendes Moment verringern, nicht bekannt. Zudem liegen keine Informationen über einen exakten Wirkungsgrad eines Antriebsstrangs des Fahrzeugs vor. Ferner beeinflusst ein aktueller Radradius eine Bestimmung der Antriebskraft, wobei sich der Radradius aufgrund dynamischer Kräfte kontinuierlich ändert. Die Ermittlung einer momentanen Beschleunigung des Fahrzeugs erfolgt über Beschleunigungssensoren, welche eine horizontale Beschleunigung des Fahrzeugs ermitteln. Somit lässt sich eine genaue Beschleunigung des Fahrzeugs nur dann ermitteln, wenn das Fahrzeug auf einer ebenen Fahrbahn fährt, die Fahrbahn also keine Steigung oder kein Gefälle aufweist. Beim Beladen des Fahrzeugs kann es vorkommen, dass eine Federung des Fahrzeugs so stark zusammengestaucht wird, dass das Fahrzeug auch bei einer ebenen Fahrbahn nicht mehr vollständig horizontal ausgerichtet bleibt, was eine korrekte Ermittlung der horizontalen Beschleunigung erschwert. Ferner werden Beschleunigungsmessungen mit Beschleunigungssensoren durch Vibrationen beeinflusst. Zur Berechnung der Fahrzeugmassen unter Verwendung des zweiten Newtonschen Axioms spielen zudem lediglich in Fahrtrichtung des Fahrzeugs gerichtete Beschleunigungsvektoren eine Rolle. Eine Messung dieser Beschleunigungskomponenten wird jedoch durch Fahrmanöver wie Kurvenfahrten, welche ein seitliches Verkippen des Beschleunigungsvektors hervorrufen, verfälscht. Aufgrund der genannten Unsicherheiten ist eine momentane Fahrzeugmassenbestimmung mit Hilfe des zweiten Newtonschen Axioms somit vergleichsweise fehlerbehaftet.
-
Aus der
CN 109668610 A ist ein Verfahren zur dynamischen Massenbestimmung eines Fahrzeugs unter Einsatz neuronaler Netze bekannt. Dabei sind Sensoren in eine Fahrbahn integriert, welche bei einem Befahren eines Fahrzeugs die Masse des Fahrzeugs bestimmen können. Dabei werden von den Sensoren erzeugte Sensordaten mit Hilfe künstlicher Intelligenz, insbesondere einem künstlichen neuronalen Netz, ausgewertet. Das in der Druckschrift offenbarte Verfahren erlaubt eine vergleichsweise schnelle Fahrzeugmassenbestimmung. Die Sensoren zur Fahrzeugmassenbestimmung sind jedoch fest in die Fahrbahn integriert, was eine Fahrzeugmassenbestimmung ausschließlich dann erlaubt, wenn das Fahrzeug über die Sensoren fährt. So müssten solche Sensoren in regelmäßigen Abständen über eine vollständige Fahrzeugroute in die Fahrbahn integriert werden, um die Fahrzeugmasse während eines Betriebs des Fahrzeugs mehrmals zu festgelegten Zeitabständen bestimmen zu können.
-
Ferner offenbart die
DE 101 44 699 A1 ein Verfahren zur Bestimmung des aktuellen Produktes aus Luftwiderstandsbeiwert und Fläche und der aktuellen Fahrzeugmasse eines Fahrzeugs. Dabei weist ein Fahrzeug verschiedene Sensoren und eine Recheneinheit zur Bestimmung der Fahrzeugmasse, aus von den Sensoren erzeugten Sensordaten auf. Dabei wird die Fahrzeugmasse dynamisch, also während dem Betreiben des Fahrzeugs, ermittelt. Dabei werden Fahrzeugdaten wie eine aktuelle Fahrgeschwindigkeit des Fahrzeugs, eine aktuelle Beschleunigung sowie Messwerte eines Antriebsstrangs des Fahrzeugs bei der Fahrzeugmassenberechnung berücksichtigt. Das in der Druckschrift offenbarte Verfahren beruht jedoch ebenso auf der Anwendung von physikalischen Gleichungen, wobei zur Bestimmung der von den Gleichungen umfassten Variablen relevante Größen aufgrund von Messungenauigkeiten fehlerbehaftet sind. Mit Hilfe des in der Druckschrift offenbarten Verfahrens ist somit lediglich eine grobe Fahrzeugmassenschätzung möglich.
-
Außerdem offenbart die
CN 103234610 A ein Wiegeverfahren, welches in einer Lkw Waage eingesetzt wird. Dabei ermittelt die Lkw Waage das Gewicht eines auf der Waage befindlichen Lkws mit Hilfe künstlicher neuronaler Netze. Nachteilig ist dabei jedoch auch wieder, dass die Lkw Waage stationär ist, was ein dynamisches Erfassen einer Fahrzeugmasse verhindert.
-
Ferner ist aus der
EP 0 932 033 A1 eine Vorrichtung zur Bestimmung der Masse eines Kraftfahrzeugs bekannt. Mit Hilfe der in der Druckschrift offenbarten Vorrichtung ist zwar eine dynamische Massenbestimmung möglich, jedoch beruht eine Massenberechnung der beschriebenen Vorrichtung auch hier auf physikalischen Gleichungen, was lediglich einen grobe Fahrzeugmassenschätzung erlaubt.
-
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zur Bestimmung eines Fahrzeugmassenwerts anzugeben, welches eine im Vergleich zu aus dem Stand der Technik bekannten Verfahren genauere Fahrzeugmassenbestimmung erlaubt und vom Fahrzeug während eines Betreibens des Fahrzeugs durchgeführt werden kann. Eine weitere Aufgabe der vorliegenden Erfindung ist es, ein entsprechendes Fahrzeug anzugeben, was das erfindungsgemäße Verfahren nutzt.
-
Bei einem Verfahren zur Bestimmung eines Fahrzeugmassenmittelwerts eines Fahrzeugs der eingangs genannten Art werden erfindungsgemäß zumindest folgende Verfahrensschritte ausgeführt:
- - Erfassen zumindest folgender Eingangsgrößen während eines Betriebs des Fahrzeugs und Bereitstellen der Eingangsgrößen für die Recheneinheit:
- Fahrzeuggeschwindigkeit oder Fahrzeugbeschleunigung, Motordrehzahl, Motormoment;
- - Bestimmen eines Fahrzeugmasseneinzelwerts unter Einsatz des künstlichen neuronalen Netzes für die bereitgestellten Eingangsgrößen;
- - wenigstens ein erneutes Durchführen der beiden vorigen Verfahrensschritte in einem definierten Zeitabstand zur Bestimmung wenigstens eines weiteren Fahrzeugmasseneinzelwerts;
- - Bestimmen des Fahrzeugmassenmittelwerts aus den Fahrzeugmasseneinzelwerten durch Bilden eines arithmetischen Mittelwerts;
- - Abspeichern des Fahrzeugmassenmittelwerts im Speicher und/oder Versenden des Fahrzeugmassenmittelwerts an Dritte über die drahtlose Kommunikationsschnittstelle.
-
Mit Hilfe des erfindungsgemäßen Verfahrens ist es möglich, eine momentane Fahrzeugmasse dynamisch, also während eines Betriebs des Fahrzeugs, zu bestimmen. Auch hier weisen von Sensoren erzeugte Sensordaten aufgrund von Messungenauigkeiten Fehler auf, welche jedoch durch eine Verarbeitung durch das künstliche neuronale Netz kompensiert werden, ganz im Gegensatz zur Verwendung von auf physikalischen Zusammenhängen beruhenden physikalischen Gleichungen. So werden mit Hilfe des künstlichen neuronalen Netzes stattdessen mathematische bzw. statistische Muster erkannt, was auch eine Berücksichtigung von möglicherweise unbekannten oder für eine reguläre physikalische Modellbildung zu komplexen Vorgängen erlaubt. Dies ermöglicht eine noch genauere Fahrzeugmassenbestimmung.
-
Ferner lassen sich die zumindest zu berücksichtigenden Eingangsgrößen in Form der Fahrgeschwindigkeit oder Fahrzeugbeschleunigung, Motordrehzahl und des Motormoments über einen CAN-Bus des Fahrzeugs abgreifen, wodurch das erfindungsgemäße Verfahren besonders leicht in bestehende Fahrzeuge integriert werden kann, da bereits vorhandene Hardware genutzt wird. Generell ist es denkbar, dass zusätzlich zu den drei genannten Größen auch weitere Größen berücksichtigt werden wie beispielsweise eine Bremskraft, eine Getriebeübersetzung, einzelne Radgeschwindigkeiten, ein aus einer Karte ausgelesenes Gefälle oder eine Steigung einer vom Fahrzeug befahrenen Fahrbahn, eine Getriebeöltemperatur, Eigenfrequenzen von einer beliebigen Komponente des Fahrzeugs, ein eingelegter Gang, ein Turboladerdruck oder dergleichen.
-
Der Fahrzeugmassenmittelwert kann auch an Dritte, beispielsweise eine Verkehrsbehörde, übermittelt werden, was eine Fernüberwachung eines Fahrzeuggesamtgewichts erlaubt. Beispielsweise ist es somit nicht mehr notwendig, dass ein LKW eine stationäre Wiegestation anfahren muss.
-
Durch Bestimmen des Fahrzeugmassenmittelwerts durch Bilden eines arithmetischen Mittewerts aus wenigstens zwei Fahrzeugmasseneinzelwerten lässt sich zudem eine noch zuverlässigere bzw. genauere Aussage über eine momentane Fahrzeugmasse treffen. So werden insbesondere gemäß einer vorteilhaften Weiterbildung des Verfahrens die beiden ersten genannten Verfahrensschritte wenigstens fünfmal wiederholt. Somit wird ein noch aussagekräftigerer Fahrzeugmassenmittelwert bestimmt.
-
Entsprechend einer weiteren vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens beträgt der Zeitabstand zwischen einem erneuten Durchführen der beiden ersten Verfahrensschritte zwei Minuten. Durch Warten, bis eine festgelegte Zeitspanne zwischen dem erneuten Durchführen der ersten beiden Verfahrensschritte vergangen ist, lässt sich der Fahrzeugmassenmittelwert bzw. Fahrzeugmasseneinzelwerte noch zuverlässiger bestimmen. Dies begründet sich darin, dass die zur Bestimmung eines Fahrzeugmasseneinzelwerts genutzten Eingangsgrößen dynamisch ermittelt werden, somit also aktuellen Momentanwerten entsprechen. Dabei kann es vorkommen, dass zu einem Moment gewisse Störgrößen vorliegen, beispielsweise beim Befahren einer welligen Fahrbahn oder beim starken Abbremsen des Fahrzeugs. Insbesondere bei einem Fahrgespann aus einem Fahrzeug und einem an das Fahrzeug angeschlossenen Anhänger kann der Anhänger zu Schwingungen angeregt werden, beispielsweise bei einer längeren Fahrt zu einer kritischen Fortbewegungsgeschwindigkeit. Zu einem weiteren Moment liegen diese Störgrößen dann nicht mehr vor, was eine genauere Bestimmung eines Fahrzeugmassenmittelwerts ermöglicht. Dabei hat sich eine Zeitspanne von zwei Minuten bewährt.
-
Eine weitere vorteilhafte Ausgestaltung des Verfahrens sieht ferner vor, dass ein Temporal Convolutional Network mit Hypercolumns zur Bestimmung eines Fahrzeugmasseneinzelwerts benutzt wird, wobei die Eingangsgrößen zur Ausbildung von Eingangssequenzen über einen Zeitabschnitt erfasst werden und das künstliche neuronale Netz die Eingangssequenzen verarbeitet. So lässt sich ein noch genauerer Fahrzeugmasseneinzelwert bestimmen, indem anstelle der Eingangsgrößen über einen festen Zeitabschnitt erfasste Eingangssequenzen verarbeitet werden. Zur Verarbeitung von Zeitreihensignalen ist jedoch ein spezielles künstliches neuronales Netz erforderlich. Beispielsweise ist eine Verarbeitung von Zeitreihensignalen mit Hilfe des Temporal Convolutional Networks unter Berücksichtigung von Hypercolumns möglich. Dabei führt das Temporal Convolutional Network eine Sequence-to-One (Zeitreihe-zu-Eins) Regression durch. Dies erlaubt eine Berücksichtigung des Zeitverhaltens der vom künstlichen neuronalen Netz verarbeiteten Eingangssequenzen. Insbesondere weist dabei der Zeitabschnitt eine Dauer auf, welche der Wartezeit zwischen dem erneuten Durchführen des ersten und zweiten Verfahrensschritts entspricht, beispielsweise also zwei Minuten. Mit anderen Worten reihen sich die zur Ausbildung der Eingangssequenzen berücksichtigten Zeitreihen nahtlos aneinander, was einer kontinuierlichen Überwachung der zur Ausbildung der Eingangssequenzen benutzten Eingangsgrößen entspricht. Hierdurch kann der Fahrzeugmassenmittelwert noch zuverlässiger bestimmt werden. Dabei ist eine Tiefe des neuronalen Netzes bzw. eine Anzahl verwendeter Residual-Blöcke variabel. Die Hypercolumn kann dabei in verschiedener Länge ausgeführt sein.
-
Entsprechend einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden die Eingangsgrößen vor einer Verarbeitung durch das künstliche neuronale Netz vorverarbeitet, insbesondere synchronisiert und/oder normalisiert. So werden die Eingangsgrößen auf eine einheitliche Abtastrate gebracht, was eine einfachere Verarbeitung durch das künstliche neuronale Netz ermöglicht. Zudem lässt sich eine verbesserte Konvergenz des neuronalen Netzes durch Normalisieren der Eingangsgrößen erreichen.
-
Eine weitere vorteilhafte Ausgestaltung des Verfahrens sieht ferner vor, dass vor einer Verarbeitung durch das künstliche neuronale Netz störende Signale aus den Eingangsgrößen herausgefiltert werden. Bei den störenden Signalen kann es sich beispielsweise um irrelevante Signale handeln. Hierdurch lässt sich die Konvergenz des künstlichen neuronalen Netzes noch weiter verbessern.
-
Bevorzugt wird der ermittelte Fahrzeugmassenmittelwert bei einer automatisierten Gangwahl eines Automatikgetriebes des Fahrzeugs berücksichtigt. Fährt ein Lkw einen Berg hoch, so kann der Lkw bei einer geringen Beladung den Berg mit einem höheren Gang, beispielsweise dem dritten Gang, hinauffahren, wohingegen ein voll beladener Lkw aufgrund einer höheren Fahrzeuggesamtmasse den Berg lediglich in einem kleinen Gang, wie dem ersten Gang, hinauffahren kann. Durch das automatische Bestimmen des Fahrzeugmassenmittelwerts lässt sich die Fahrzeuggesamtmasse des Lkws abschätzen und der Gang zum Hinauffahren auf den Berg automatisch auswählen und einlegen. Hierdurch lässt sich ein Komfort beim Betreiben des Fahrzeugs erhöhen.
-
Bei einem Fahrzeug mit wenigstens einer Recheneinheit, wobei die Recheneinheit künstliche Intelligenz umfasst und mit Fahrdynamiksensoren zur Erfassung wenigstens einer Fahrzeuggeschwindigkeit, einer Motordrehzahl und eines Motormoments, ist erfindungsgemäß die Recheneinheit dazu eingerichtet, ein im Vorigen beschriebenes Verfahren auszuführen. Bei dem Fahrzeug kann es sich um ein beliebiges Fahrzeug wie einen Pkw, Lkw, Transporter, Bus, Motorrad oder dergleichen handeln. Bei der Recheneinheit kann es sich um ein Steuergerät des Fahrzeugs handeln, es ist jedoch auch denkbar, dass das Fahrzeug eine separate Recheneinheit aufweist, welche ausschließlich zur Durchführung eines im Vorigen beschriebenen Verfahrens dient.
-
Bevorzugt weist das Fahrzeug ein vortrainiertes künstliches neuronales Netz auf. So ist es generell denkbar, dass das künstliche neuronale Netz erst nach einer Implementierung im Fahrzeug lernt aus den genannten Eingangsgrößen einen Fahrzeugmasseneinzelwert bzw. Fahrzeugmassenmittelwert zu bestimmen. Zum Trainieren des künstlichen neuronalen Netzes ist es jedoch erforderlich, dem künstlichen neuronalen Netz eine tatsächliche Fahrzeugmasse mitzuteilen, welche beispielsweise durch eine stationäre Wiegevorrichtung ermittelt werden muss. Das Vorsehen eines vortrainierten künstlichen neuronalen Netzes im Fahrzeug erlaubt es, das erfindungsgemäße Verfahren direkt zur Bestimmung eines vergleichsweise genauen Fahrzeugmassenmittelwerts einzusetzen. Das künstliche neuronale Netz kann dabei mit Hilfe umfangreicher Testreihen trainiert worden sein. Beispielsweise kann das künstliche neuronale Netz auf einer Vielzahl unterschiedlicher Fahrzeugtypen mit unterschiedlichen Ausstattungen trainiert worden sein, was ein besonders einfaches Integrieren des künstlichen neuronalen Netzes in unterschiedlichen Fahrzeugtypen erlaubt. So ist das künstliche neuronalen Netz dann in der Lage, auf verschiedenste Fahrsituationen angemessen zu reagieren, um trotzdem die Fahrzeugmasse genau bestimmen zu können.
-
Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens und des erfindungsgemäßen Fahrzeugs ergeben sich auch aus den Ausführungsbeispielen, welche nachfolgend unter Bezugnahme auf die Figuren näher beschrieben werden.
-
Dabei zeigen:
- 1 eine Seitenansicht eines seine Fahrzeuggesamtmasse dynamisch bestimmenden Lkws;
- 2 eine Prinzipdarstellung einer Eingangsgrößenverarbeitung durch ein künstliches neuronales Netz; und
- 3 eine Prinzipdarstellung einer Architektur des künstlichen neuronalen Netzes.
-
1 zeigt ein auf einer Fahrbahn 11 fahrendes Fahrzeug 1 in Form eines Lkws. Das Fahrzeug 1 umfasst eine Recheneinheit 2 mit künstlicher Intelligenz in Form eines in 2 gezeigten künstlichen neuronalen Netzes 16. Die Recheneinheit 2 empfängt über einen CAN-Bus 12 des Fahrzeugs 1 von Fahrdynamiksensoren 10 erzeugte Sensordaten. Bei den Fahrdynamiksensoren 10 handelt es sich beispielsweise um einen Sensor zur Bestimmung einer Raddrehzahl zur Bestimmung einer Fahrzeuggeschwindigkeit des Fahrzeugs 1 und/oder einen Motordrehzahlsensor und/oder einen Dehnungsmessstreifen zur Bestimmung eines von einem Motor 13 des Fahrzeugs 1 abgegebenen Motormoments. Dabei kann das Fahrzeug 1 sowohl einen Verbrennungsmotor als auch einen oder mehrere Elektromotoren zum Antreiben des Fahrzeugs 1 aufweisen. Die von den Fahrdynamiksensoren 10 erzeugten Sensordaten werden dann von der künstlichen Intelligenz auf der Recheneinheit 2 verarbeitet. Dabei ermittelt das künstliche neuronale Netz 16 während eines Betriebs des Fahrzeugs 1 eine aktuelle Momentanmasse des Fahrzeugs 1. Die Fahrzeugmasse wird in Form eines Fahrzeugmassenmittelwerts 6, welcher in 2 dargestellt ist, bereitgestellt und in einem nicht dargestellten Speicher der Recheneinheit 2 gespeichert und/oder über eine drahtlose Kommunikationsschnittstelle 3 an Dritte, beispielsweise eine Verkehrsbehörde, übermittelt. Hierdurch kann der Verkehrsbehörde zu beliebigen Zeitpunkten, beispielsweise intervallweise, eine aktuelle Fahrzugmasse des Fahrzeugs 1 mitgeteilt werden, wodurch ein Lkw nicht mehr zu festgelegten Zeitpunkten auf einer Wiegestation gewogen werden muss.
-
2 veranschaulicht eine Erfassung und Verarbeitung von den Fahrdynamiksensoren 10 erzeugten Sensordaten. Die Sensordaten bilden Eingangsgrößen 4 aus, welche vom CAN-Bus 12 des Fahrzeugs an die Recheneinheit 2 geschickt bzw. von dieser ausgelesen werden. Dabei ist der Recheneinheit 2 ein Signalfilter 14 vorgelagert, welcher störende und/oder irrelevante Signale aus den Eingangsgrößen 4 herausfiltert. In der Recheneinheit 2 findet eine Vorverarbeitung 15 der Eingangsgrößen 4 statt, welche vom neuronalen Netz 16 ausgewertet werden. Das künstliche neuronale Netz 16 gibt einen Fahrzeugmasseneinzelwert 5 als Ausgangsgröße aus. Dabei werden zur Ausgabe des Fahrzeugmasseneinzelwerts 5 durchgeführte Verfahrensschritte in regelmäßigen Zeitabständen mehrmals durchgeführt, um wenigstens einen weiteren Fahrzeugmasseneinzelwert 5 zu einem weiteren Zeitpunkt zu erhalten. Durch Bilden eines arithmetischen Mittelwerts aus den zu verschiedenen Zeitpunkten hintereinander bestimmten Fahrzeugmasseneinzelwerten 5 wird dann ein Fahrzeugmassenmittelwert 6 gebildet, welcher repräsentativ für die Fahrzeuggesamtmasse des Fahrzeugs 1 ist.
-
3 veranschaulicht eine Architektur eines künstlichen neuronalen Netzes 16 in Form eines Temporal Convolutional Networks 7. Das Temporal Convolutional Network 7 umfasst eine beliebige Anzahl an Residual-Blöcken 17 und empfängt über eine Zeitdauer ermittelte Eingangssequenz 9 der Eingangsgrößen 4. Vom Temporal Convolutional Network 7 ausgegebene Signale werden daraufhin durch faltungsbasierte neuronale Netze (Convolutional Neuronal Networks) 18 verarbeitet und in einem Hypercolumn 8 im Schritt 19 zusammengeführt, wobei der Hypercolumn 8 ein durch das Zusammenfassen der Einzelwerte entstehender Vektor ist. An dem Schritt 19 schließt sich ein erneutes faltungsbasiertes neuronales Netz 18 an. Als Ergebnis wird ein Fahrzeugmasseneinzelwert 5 erhalten.
-
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
-
- CN 109668610 A [0004]
- DE 10144699 A1 [0005]
- CN 103234610 A [0006]
- EP 0932033 A1 [0007]
