DE102020115192A1 - Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks - Google Patents
Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks Download PDFInfo
- Publication number
- DE102020115192A1 DE102020115192A1 DE102020115192.6A DE102020115192A DE102020115192A1 DE 102020115192 A1 DE102020115192 A1 DE 102020115192A1 DE 102020115192 A DE102020115192 A DE 102020115192A DE 102020115192 A1 DE102020115192 A1 DE 102020115192A1
- Authority
- DE
- Germany
- Prior art keywords
- scalars
- accident
- motor vehicle
- neural network
- transformed
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
Die Erfindung betrifft ein Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks, umfassend die folgenden Schritte:- Empfang von Eingangsskalaren, die in Zusammenhang mit dem Unfall stehen (S1);- Transformierung (S2; S3) der Eingangsskalare in ein transformiertes Signal in einem versteckten Zustand des neuronalen Netzwerks, dadurch gekennzeichnet, dass bei der Transformierung eine mathematische Faltung (S2) der Eingangsskalare durchgeführt wird; und- Simulation (S4) des Unfalls unter Verwendung des transformierten Signals.
Description
- Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks gemäß Anspruch 1.
- Aus dem Stand der Technik sind Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs bekannt. Die
EP 2 433 185 A1 offenbart beispielsweise ein Verfahren, bei dem Simulationsdaten aus der Fahrzeugherstellung zur Unfallsimulation mittels neuronaler Netze herangezogen werden. - Demgegenüber liegt der vorliegenden Erfindung die Aufgabe zugrunde, eine realitätsnähere Simulation zu erreichen.
- Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1 und durch ein System gemäß Anspruch 10 gelöst. Ausführungsformen der Erfindung sind in den abhängigen Ansprüchen angegeben.
- Bei dem Verfahren gemäß Anspruch 1 wird ein neuronales Netzwerk verwendet. Dabei kann es sich insbesondere um ein künstliches neuronales Netzwerk handeln. Künstliche neuronale Netzwerke sind aus dem Stand der Technik bekannt. Es ist insbesondere möglich, dass das neuronale Netzwerk eine Encoder-Decoder-Architektur aufweist.
- Zunächst werden Eingangsskalare empfangen, die im Zusammenhang mit dem Unfall stehen, der simuliert werden soll. Bei den Eingangsskalaren kann es sich beispielsweise um Skalare handeln, die Eigenschaften des Kraftfahrzeugs und/oder von Personen in dem Kraftfahrzeug beschreiben. Die Skalare können beispielsweise Positionen, Längen, Breiten und/oder Höhen von Bau- und/oder Körperteilen beschreiben.
- Die Eingangsskalare werden in ein transformiertes Signal transformiert. Dies wird in einem versteckten Zustand des neuronalen Netzwerks durchgeführt. Hierunter wird im Rahmen dieser Beschreibung insbesondere eine rekursive Schicht verstanden, die eine Variable enthält, die während der Rekursion weitergegeben wird. Bei der Transformierung wird eine mathematische Faltung der Eingangsparameter durchgeführt. Anschließend wird der Unfall unter Verwendung des transformierten Signals simuliert. Die mathematische Faltung hat den Vorteil, dass eine Gewichtung der Eingangsskalare erfolgen kann und die Simulation somit realitätsnäher ausgebildet werden kann.
- Nach einer Ausführungsform der Erfindung kann die mathematische Faltung als eindimensionale Faltung ausgebildet sein. Dies kann insbesondere bei einer Encoder-Decoder-Architektur des neuronalen Netzwerks vorteilhaft sein. In diesem Fall kann die eindimensionale Faltung für den Encoder verwendet werden.
- Nach einer Ausführungsform der Erfindung kann bei der Transformierung eine höherdimensionale mathematische Faltung des aus der eindimensionalen Faltung erhaltenen Ergebnisses durchgeführt werden. Dies kann insbesondere bei einer Encoder-Decoder-Architektur für den Decoder verwendet werden. Die höherdimensionale Faltung kann beispielsweise eine zweidimensionale Faltung oder einer Faltung in einer noch höheren Dimension sein.
- Die höherdimensionale Faltung ist vorteilhaft, da sie eine besonders gute Möglichkeit ist, um die Auswirkung der Eingangsskalare zu gewichten. Die Eingangsskalare können beispielsweise eingekoppelt werden, wenn sie die Simulation am meisten beeinflussen. Dabei kann auch sichergestellt werden, dass die Eingangsskalare nicht zu stark beeinflussen, sodass die Simulation unrealistisch wird.
- Nach einer Ausführungsform der Erfindung kann bei der höherdimensionalen mathematischen Faltung für die Eingangsskalare jeweils eine Gewichtung durchgeführt werden. Die Gewichtung kann ein Maß für einen Einfluss des jeweiligen Eingangsskalars auf das transformierte Signal sein.
- Nach einer Ausführungsform der Erfindung kann das neuronale Netzwerk selbstlernend ausgebildet sein.
- Nach einer Ausführungsform der Erfindung können die Eingangsskalare Informationen über das Kraftfahrzeug und/oder über einen im Kraftfahrzeug sitzenden Menschen enthalten.
- Nach einer Ausführungsform der Erfindung kann das transformierte Signal eine Vielzahl an transformierten Skalaren umfassen.
- Nach einer Ausführungsform der Erfindung kann das transformierte Signal für die transformierten Skalare jeweils mehrere Werte umfassen. Dies können beispielsweise jeweils mehr als 500 oder sogar mehr als 1000 Werte sein.
- Nach einer Ausführungsform der Erfindung kann aus dem transformierten Signal eine Bewegung eines Bauteils des Kraftfahrzeugs oder eines Körperteils eines im Kraftfahrzeug sitzenden Menschen berechnet werden. Die Bewegung kann zur Simulation des Unfalls verwendet werden.
- Das System gemäß Anspruch 10 umfasst ein digitales programmierbares Speichermedium, auf dem Instruktionen digital gespeichert sind, und eine digitale Signalverarbeitungseinheit. Das Speichermedium kann beispielsweise eine Festplatte, eine CD, eine DVD oder ein SSD-Speicher (Solid State Drive) sein. Die digitale Signalverarbeitungseinheit kann beispielsweise ein Prozessor sein.
- Die Signalverarbeitungseinheit ist dazu ausgebildet, die Instruktionen auszulesen und auszuführen. Die Signalverarbeitungseinheit ist außerdem dazu ausgebildet, bei Ausführung der Instruktionen ein Verfahren nach einer Ausführungsform der Erfindung auszuführen.
- Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels unter Bezugnahme auf die beiliegende Abbildung.
- Dabei zeigt
1 ein schematisches Blockdiagramm eines Verfahrens nach einer Ausführungsform der Erfindung. - In einem ersten Schritt
S1 werden Eingangsskalare empfangen, die in Zusammenhang mit einem zu simulierenden Unfall eines Kraftfahrzeugs stehen. Es kann sich beispielsweise um 10 bis 30 Eingangsskalare handeln. Die Eingangsskalare können insbesondere numerisch sein. Dies können beispielsweise Maße und Positionen von Bauteilen des Kraftfahrzeugs und/oder Körperteilen einer im Kraftfahrzeug sitzenden Person sein. - Die Eingangsskalare werden in Schritt
S2 eindimensional mathematisch gefaltet. Dies erfolgt in einem künstlichen neuronalen Netzwerk mit einer Encoder-Decoder-Architektur als Encoder-Schritt in einem versteckten Zustand. Das Ergebnis der eindimensionalen mathematischen Faltung wird anschließend in SchrittS3 höherdimensional, beispielsweise zweidimensional, mathematisch gefaltet. Dies kann insbesondere als Decoder-Schritt durchgeführt werden. - Die höherdimensionale Faltung ist insbesondere vorteilhaft, um den Einfluss der Eingangsskalare auf das Ergebnis der Simulation zu gewichten. Die höherdimensionale Faltung erlaubt es, die Eingangsskalare jeweils einzukoppeln, wenn sie das Ergebnis der Simulation am meisten beeinflussen. Gleichzeitig kann, soweit dies gewünscht ist, auch eine Begrenzung des Einflusses der Eingangsskalare auf die Simulation erfolgen, um die Simulation möglichst realitätsnah durchzuführen.
- Die ein- und die höherdimensionale mathematische Faltung in den Schritten
S2 undS3 können gemeinsam als Transformierung der Eingangsskalare in ein transformiertes Signal bezeichnet werden. Das transformierte Signal wird dann in SchrittS4 bei der Simulation des Unfalls verwendet. Das transformierte Signal kann eine Vielzahl an Werten für eine Vielzahl an transformierten Skalaren umfassen. - 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
-
- EP 2433185 A1 [0002]
Claims (10)
- Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks, umfassend die folgenden Schritte: - Empfang von Eingangsskalaren, die in Zusammenhang mit dem Unfall stehen (S1); - Transformierung (S2; S3) der Eingangsskalare in ein transformiertes Signal in einem versteckten Zustand des neuronalen Netzwerks, dadurch gekennzeichnet, dass bei der Transformierung eine mathematische Faltung (S2) der Eingangsskalare durchgeführt wird; und - Simulation (S4) des Unfalls unter Verwendung des transformierten Signals.
- Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass die mathematische Faltung (S2) als eindimensionale Faltung ausgebildet ist. - Verfahren nach dem vorherigen Anspruch, dadurch gekennzeichnet, dass bei der Transformierung eine höherdimensionale mathematische Faltung (S3) des aus der eindimensionalen Faltung erhaltenen Ergebnisses durchgeführt wird.
- Verfahren nach dem vorherigen Anspruch, dadurch gekennzeichnet, dass bei der höherdimensionalen mathematischen Faltung (S3) für die Eingangsskalare jeweils eine Gewichtung durchgeführt wird, wobei die Gewichtung ein Maß für einen Einfluss des jeweiligen Eingangsskalars auf das transformierte Signal ist.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das neuronale Netzwerk selbstlernend ausgebildet ist.
- Verfahren nach dem vorherigen Anspruch, dadurch gekennzeichnet, dass die Eingangsskalare Informationen über das Kraftfahrzeug und/oder über einen im Kraftfahrzeug sitzenden Menschen enthalten.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das transformierte Signal eine Vielzahl an transformierten Skalaren umfasst.
- Verfahren nach dem vorherigen Anspruch, dadurch gekennzeichnet, dass das transformierte Signal für die transformierten Skalare jeweils mehrere Werte umfasst.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass aus dem transformierten Signal eine Bewegung eines Bauteils des Kraftfahrzeugs oder eines Körpersteils eines im Kraftfahrzeug sitzenden Menschen berechnet wird, wobei die Bewegung zur Simulation des Unfalls verwendet wird.
- System, umfassend ein digitales programmierbares Speichermedium, auf dem Instruktionen digital gespeichert sind, und eine digitale Signalverarbeitungseinheit, wobei die Signalverarbeitungseinheit dazu ausgebildet ist, die Instruktionen auszulesen und auszuführen, und wobei die Signalverarbeitungseinheit dazu ausgebildet ist, bei Ausführung der Instruktionen ein Verfahren nach einem der vorherigen Ansprüche auszuführen.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020115192.6A DE102020115192A1 (de) | 2020-06-08 | 2020-06-08 | Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020115192.6A DE102020115192A1 (de) | 2020-06-08 | 2020-06-08 | Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020115192A1 true DE102020115192A1 (de) | 2021-12-09 |
Family
ID=78605081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020115192.6A Pending DE102020115192A1 (de) | 2020-06-08 | 2020-06-08 | Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020115192A1 (de) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2433185A1 (de) | 2010-08-05 | 2012-03-28 | Fraunhofer Gesellschaft zur Förderung der angewandten Wissenschaft E.V. | Vorrichtung und verfahren zum bearbeiten einer prozesssimulationsdatenbasis eines prozesses |
-
2020
- 2020-06-08 DE DE102020115192.6A patent/DE102020115192A1/de active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2433185A1 (de) | 2010-08-05 | 2012-03-28 | Fraunhofer Gesellschaft zur Förderung der angewandten Wissenschaft E.V. | Vorrichtung und verfahren zum bearbeiten einer prozesssimulationsdatenbasis eines prozesses |
Non-Patent Citations (2)
Title |
---|
DONG, Chunjiao, et al.: An improved deep learning model for traffic crash prediction. In: Journal of Advanced Transportation , 2018, 2018, 1-14. https://www.hindawi.com/journals/jat/2018/3869106/ [abgerufen am 23.03.2021] |
ZHENG, Ming, et al.: Traffic accident’s severity prediction: A deep-learning approach-based CNN network. In: IEEE Access, 7, 2019, 39897-39910. https://ieeexplore.ieee.org/document/8661485 [abgerufen am 23.03.2021] |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2999998B1 (de) | Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems | |
EP3082000B1 (de) | Verfahren und system zum testen eines mechatronischen systems | |
DE112018004693T5 (de) | Verbessern der effizienz eines neuronalen netzes | |
DE102019119776A1 (de) | Zeitverschachtelte digital-analog-wandler-korrektur | |
EP2433185B1 (de) | Vorrichtung und verfahren zum bearbeiten einer prozesssimulationsdatenbasis eines prozesses | |
DE102020115192A1 (de) | Computerimplementiertes Verfahren zur Simulation eines Unfalls eines Kraftfahrzeugs mittels eines neuronalen Netzwerks | |
DE102013206291A1 (de) | Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells | |
DE10201018A1 (de) | Neuronales Netz zur Modellierung eines physikalischen Systems sowie Verfahren zur Bildung eines solchen neuronalen Netzes | |
DE69919527T2 (de) | Verfahren und Vorrichtung zur Identifizierung eines physikalischen Systems | |
DE19917045A1 (de) | Verfahren zur Ermittlung der Verformungen und Spannungen einer aus Teilstrukturen bestehenden Gesamtstruktur | |
DE102020005467A1 (de) | Verfahren zum Verfügbarmachen von anonymisierten, ADAS relevanten Fahrzeugdaten | |
DE102020209480A1 (de) | Verfahren und Vorrichtung zum Optimieren eines Bauteildesigns mithilfe Methoden künstlicher Intelligenz | |
DE102020212366A1 (de) | Transformieren von Messdaten zwischen verschiedenen Konfigurationen von Messsystemen | |
DE4022381C2 (de) | Verwendung langer Digitalfilter bei Vorkommnis von Abrundungsfehlern | |
DE102019219067A1 (de) | Verfahren zur automatischen Qualifizierung eines virtuellen Modells für eine Kraftfahrzeugkomponente | |
DE102019114049A1 (de) | Verfahren zur Validierung eines Fahrerassistenzsystems mithilfe von weiteren generierten Testeingangsdatensätzen | |
EP0978444A2 (de) | Verfahren zur Ermittlung der Verformungen und Spannungen einer aus Teilstrukturen bestehenden Gesamtstruktur | |
DE102019120165B4 (de) | Fünf Stufen der Baubarkeit | |
EP1590751A2 (de) | Eigenschaftsnachweis (formale verifikation) für ein mischsystem mit analogen und digitalen teilsystemen | |
DE102019220419A1 (de) | Verfahren und Vorrichtung zur Simulation eines technischen Systems | |
DE102020201183A1 (de) | Verfahren und Vorrichtung zur Simulation eines technischen Systems | |
DE102021002908A1 (de) | Verfahren zur datenbasierten Simulation von Wettereffekten in Sensordaten | |
DE102020215387A1 (de) | Verfahren zum Optimieren eines Testsatzes zur automatischen Qualifizierung eines virtuellen Modells für eine Kraftfahrzeugkomponente | |
DE102019005753A1 (de) | Verfahren zum Erzeugen eines fahrzeugspezifischen, virtuellen Bilds mittels einer elektronischen Recheneinrichtung fur ein Kraftfahrzeug, sowie elektronische Recheneinrichtung | |
DE102022132041A1 (de) | Computerimplementiertes Verfahren zur Konstruktion eines Bauteils |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |