DE102020115726A1

DE102020115726A1 - Autmomatisierte unterscheidung und automatisches lernen von fahrzeugprofilen

Info

Publication number: DE102020115726A1
Application number: DE102020115726.6A
Authority: DE
Inventors: Jeremy Lerner; James ISSAC; Jae Hyung Lim
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2019-06-14
Filing date: 2020-06-15
Publication date: 2021-03-04
Also published as: US20200391755A1; US11358603B2

Abstract

Diese Offenbarung stellt automatisierte Unterscheidung und automatisches Lernen von Fahrzeugprofilen bereit. Ein System für ein Fahrzeug beinhaltet einen Speicher, der dazu konfiguriert ist, Modellierungsparameter zu speichern, die unter Verwendung eines Algorithmus generiert werden, der Merkmalen Relevanzbewertungen zuweist, die Informationen spezifizieren, die angeben, wie Konfigurationsdaten, einschließlich Informationen, die die Verwendung von Merkmalen des Fahrzeugs angeben, klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet. Das System beinhaltet auch einen Prozessor, der dazu konfiguriert ist, das Fahrzeug auf die Konfigurationsdaten zu überwachen, ein wahrscheinlichstes Benutzerprofil unter Verwendung der Modellierungsparameter gemäß den Konfigurationsdaten zu identifizieren und Einstellungen des Benutzerprofils auf das Fahrzeug anzuwenden.

Description

TECHNISCHES GEBIET
Die vorliegende Offenbarung bezieht sich auf Aspekte der Unterscheidung zwischen mehreren Benutzern eines Fahrzeugs sowie auf das Lernen von Profilen für diese mehreren Benutzer.
ALLGEMEINER STAND DER TECHNIK
Ein Hauptbenutzer eines Fahrzeugs kann ein Profil für einige Fahrzeugmerkmale einrichten. Die meisten Sekundärbenutzer können jedoch möglicherweise vergessen, das Profil zu wechseln, oder die Profileinrichtung insgesamt ignorieren. Wenn ein Fahrzeug mehrere häufige Benutzer mit sehr unterschiedlichen Merkmalpräferenzen aufweist, kann das Fahrzeug die verschiedenen Benutzer irrtümlich zusammen als ein einziges Benutzerprofil lernen.
KURZDARSTELLUNG
In einem oder mehreren veranschaulichenden Beispielen beinhaltet ein System für ein Fahrzeug einen Speicher, der dazu konfiguriert ist, Modellierungsparameter zu speichern, die unter Verwendung eines Algorithmus generiert werden, der Merkmalen Relevanzbewertungen zuweist, die Informationen spezifizieren, die angeben, wie Konfigurationsdaten, einschließlich Informationen, die die Verwendung von Merkmalen des Fahrzeugs angeben, klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet. Das System beinhaltet auch einen Prozessor, der dazu konfiguriert ist, das Fahrzeug auf die Konfigurationsdaten zu überwachen, ein wahrscheinlichstes Benutzerprofil unter Verwendung der Modellierungsparameter gemäß den Konfigurationsdaten zu identifizieren und Einstellungen des Benutzerprofils auf das Fahrzeug anzuwenden.
In einem oder mehreren veranschaulichenden Beispielen beinhaltet ein Verfahren das Empfangen von Trainingskonfigurationsdaten, wobei die Trainingskonfigurationsdaten Informationen beinhalten, die die Verwendung von Merkmalen eines Fahrzeugs über die Zeit angeben, ergänzt durch Informationen, die angeben, welcher Benutzer das Fahrzeug aktuell verwendet; das Identifizieren, unter Verwendung eines Algorithmus, der Merkmalen Relevanzbewertungen zuweist, von Modellierungsparametern, die Informationen spezifizieren, die angeben, wie die Trainingskonfigurationsdaten klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und das Senden der Modellierungsparameter an das Fahrzeug zur Verwendung bei der Identifizierung, welcher Benutzer das Fahrzeug aktuell verwendet.
In einem oder mehreren veranschaulichenden Beispielen umfasst ein nicht transitorisches computerlesbares Medium Anweisungen, die, bei Ausführung durch einen Prozessor, den Prozessor zu Folgendem veranlassen: Empfangen von Trainingskonfigurationsdaten, wobei die Trainingskonfigurationsdaten Informationen beinhalten, die die Verwendung von Merkmalen eines Fahrzeugs über die Zeit anzeigen, ergänzt durch Informationen, die angeben, welcher Benutzer das Fahrzeug derzeit verwendet; Identifizieren, unter Verwendung eines Algorithmus, der Merkmalen Relevanzbewertungen zuweist, von Modellierungsparametern, die Informationen spezifizieren, die angeben, wie die Trainingskonfigurationsdaten klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und Senden der Modellierungsparameter an das Fahrzeug zur Verwendung beim Identifizieren, welcher Benutzer das Fahrzeug aktuell verwendet.
Figurenliste

1 veranschaulicht ein beispielhaftes System, das Gradient-Boosting-Techniken zum automatischen Unterscheiden zwischen Benutzerprofilen für mehrere Benutzer eines Fahrzeugs und zum automatischen Lernern dieser verwendet;
2 veranschaulicht einen beispielhaften Prozess zum Erstellen von Modellierungsparametern basierend auf Trainingskonfigurationsdaten unter Verwendung eines Einstellungsmodellierungsdienstes; und
3 veranschaulicht einen beispielhaften Prozess zum Verwenden von Modellierungsparametern zur Identifizierung eines Benutzerprofils gemäß Konfigurationsdaten für ein Fahrzeug.

DETAILLIERTE BESCHREIBUNG
Ausführungsformen der vorliegenden Offenbarung werden in dieser Schrift beschrieben. Es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich Beispiele sind und andere Ausführungsformen verschiedene und alternative Formen annehmen können. Die Figuren sind nicht unbedingt maßstabsgetreu; einige Merkmale können vergrößert oder verkleinert dargestellt sein, um Einzelheiten bestimmter Komponenten zu zeigen. Deshalb sind in dieser Schrift offenbarte konkrete strukturelle und funktionelle Einzelheiten nicht als einschränkend auszulegen, sondern lediglich als repräsentative Grundlage, um den Fachmann die verschiedenen Einsatzmöglichkeiten der Ausführungsformen zu lehren. Für einen Durchschnittsfachmann versteht es sich, dass verschiedene Merkmale, die in Bezug auf beliebige der Figuren veranschaulicht und beschrieben sind, mit Merkmalen kombiniert werden können, die in einer oder mehreren anderen Figuren veranschaulicht sind, um Ausführungsformen zu erzeugen, die nicht explizit veranschaulicht oder beschrieben sind. Die Kombinationen veranschaulichter Merkmale stellen repräsentative Ausführungsformen für typische Anwendungen bereit. Verschiedene Kombinationen und Modifikationen der Merkmale, die mit den Lehren dieser Offenbarung vereinbar sind, könnten jedoch für bestimmte Anwendungen oder Umsetzungen wünschenswert sein.
Es kann für ein Fahrzeug wünschenswert sein, unterschiedliche Profile für benutzerspezifische Merkmale, wie etwa Radioempfehlungen, einzurichten. Darüber hinaus kann es wünschenswert sein, die gemischte Verwendung eines clouderweiterten Merkmals zu klassifizieren, bei dem ein Benutzer das Merkmal aktiviert und ein anderer nicht. Solche Daten können möglicherweise nur auf Fahrzeugebene gesehen werden, was es schwierig machen kann, die verfügbaren Informationen intelligent zu nutzen. Die Daten können sehr eklektisch sein und sogar ein falsches Einzelbenutzerprofil für ein Fahrzeug erstellen, das tatsächlich die Kombination aus zwei unterschiedlichen Benutzern ist.
Bestehende Fahrzeugsignale können als Datenpunkte verwendet werden, um die verschiedenen Benutzer einzurichten. Diese Datenpunkte können Fahrzeugkonfigurationsinformationen sowie fahrtbasierte Informationen beinhalten. Als einige nicht einschränkende Beispiele können Fahrzeugkonfigurationsdaten Folgendes beinhalten: Daten vom Gewichtssensor des Fahrersitzes (z. B.wenn zwei Benutzer ausreichend unterschiedliches Gewicht haben); Lenkradposition; Sitzposition; Seitenspiegelpositionen; Rückspiegelposition (falls erfasst); welches Telefon mit dem Fahrzeug verbunden ist (insbesondere dies kann keine ausreichende Bedingung sein, da der Hauptbenutzer manchmal ein Beifahrer in dem Fahrzeug mit einem Sekundärbenutzer sein kann, sodass sich mehrere Telefone und Schlüssel in dem Fahrzeug befinden); der Gewichtssensor des Beifahrersitzes; ursprüngliches Klimatisierungs-/Heizprofil; Sitzheiz-/Sitzkühlprofil; welche und wie viele Türen vor Fahrtbeginn geöffnet und geschlossen werden; ob der Kofferraum vor Fahrtbeginn geöffnet wird; eingestellter Radiosender; ob der Radiosender unmittelbar vor Beginn der Fahrt gewechselt wird; welcher Schlüssel zum Starten des Fahrzeugs verwendet wird (dies kann keine ausreichende Bedingung sein, da der Hauptbenutzer manchmal ein Beifahrer im Fahrzeug sein kann); Seitenfensterpositionen; Leerlaufzeit vor Beginn der eigentlichen Fahrt; und aktive oder nicht aktivierte Feststellbremse; oder ob sich jedes konkrete Merkmal seit der letzten Fahrt geändert hat. Als einige andere nicht einschränkende Beispiele können fahrtbasierte Informationen den Startstandort der Fahrt; den Zielstandort der Fahrt (falls vor Fahrtbeginn programmiert); und die durchschnittliche Starttageszeit der Fahrt beinhalten. In einem Beispiel kann ein Satz dieser oder anderer Datenpunkte dazu verwendet werden, eine ursprüngliche Klassifizierung davon festzulegen, welches Profil geeignet ist (oder ob ein neues erstellt werden sollte). In einem anderen Beispiel kann ein Anstieg des Kraftstoffstands überwacht werden (z. B. wenn nur ein Fahrer das Fahrzeug betankt, können diese Informationen angeben, welcher Fahrer anwesend ist).
Es können zusätzliche Merkmale verwendet werden, um die Klassifizierung im Verlauf der Fahrt zu verfeinern. Zum Beispiel kann die ursprüngliche Klassifizierung unter Verwendung eines oder mehrerer der Folgenden verfeinert werden: Brems- und Beschleunigungsprofile; Länge der Fahrt; Wegpunktverlauf im Vergleich zu früheren Standortverläufen des Benutzers; durchschnittliche Kabinentemperatur; Anwendungsnutzung; oder Standort des Endes der Fahrt.
In einigen Beispielfällen kann eine Gradient-Boosting-Maschine basierend auf Entscheidungsbäumen mit einigen dieser Merkmale trainiert werden, wenn mehrere verschiedene unterschiedliche Benutzer vorhanden sind und oder nicht, um die Wichtigkeit jedes Merkmals für das Bestimmen unterschiedlicher Benutzer zu bestimmen. Die Gradient-Boosting-Maschine kann eine geeignete Algorithmusauswahl sein, da sie Relevanzfaktoren für alle Eingabemerkmale ausgibt. Wenngleich hierin viele Beispiele eine Gradient-Boosting-Maschine verwenden, sollte beachtet werden, dass in anderen Beispielen andere Algorithmen, wie etwa Random-Forest, verwendet werden können, um verschiedenen Merkmalen Relevanzbewertungen zuzuweisen. Weitere Aspekte der Offenbarung sind nachstehend ausführlich beschrieben.
1 veranschaulicht ein beispielhaftes System 100, das Gradient-Boosting-Techniken zum automatischen Unterscheiden zwischen mehreren Benutzern eines Fahrzeugs 102 sowie das Lernen von Benutzerprofilen 122 für diese mehreren Benutzer verwendet. Wie veranschaulicht, beinhaltet das Fahrzeug eine Vielzahl von elektronischen Fahrzeugsteuerungen 104, die über einen oder mehrere Fahrzeugbusse 106 in Kommunikation stehen. Das System 100 beinhaltet auch einen Cloud-Server 118, der dazu konfiguriert ist, Konfigurationsdaten 120 zu hinterlegen, die Auswahlen von Einstellungen anzeigen, die von einem Benutzer des Fahrzeugs 102 an den Fahrzeugsteuerungen 104 vorgenommen werden. In einer Lernphase kann der Cloud-Server 118 einen Einstellungsmodellierungsdienst 124 verwenden, um Modellierungsparameter 126 aus den Konfigurationsdaten 120 zu identifizieren, die bei dem eindeutigen Unterscheiden von Benutzern nützlich sein können. Das Fahrzeug 102 beinhaltet eine Telematiksteuereinheit (Telematics Control Unit - TCU) 108, die dazu konfiguriert ist, die Modellierungsparameter 126 von dem Cloud-Server 118 zu empfangen. Die TCU 108 kann einen Benutzerprofilaktualisierungsdienst 130 nutzen, um die Modellierungsparameter 126 zu verwenden, um diskrete Benutzerprofile aus den Konfigurationsdaten 120 zu lernen. Es ist zu beachten, dass das System 100 lediglich ein Beispiel ist und andere Anordnungen oder Kombinationen von Elementen verwendet werden können.
Das Fahrzeug 102 kann verschiedene Arten von Automobilen, Softroadern (Crossover Utility Vehicle - CUV), Geländelimousinen (Sport Utility Vehicle - SUV), Trucks, Wohnmobilen (Recreational Vehicle - RV), Booten, Flugzeugen oder anderen mobilen Maschinen zum Befördern von Personen oder Transportieren von Gütern beinhalten. In vielen Fällen kann das Fahrzeug 102 durch eine Brennkraftmaschine angetrieben werden. Als eine andere Möglichkeit kann das Fahrzeug 102 ein Hybridelektrofahrzeug (Hybrid Electric Vehicle - HEV) sein, das sowohl durch eine Brennkraftmaschine als auch einen oder mehrere Elektromotoren angetrieben wird, wie etwa ein Serienhybrid-Elektrofahrzeug (Series Hybrid Electric Vehicle - SHEV), ein Parallelhybrid-Elektrofahrzeug (Parallel Hybrid Electrical Vehicle - PHEV) oder ein Parallel-/Serienhybrid-Elektrofahrzeug (Parallel/Series Hybrid Electric Vehicle - PSHEV). Da die Art und die Konfiguration des Fahrzeugs 102 variieren können, können dementsprechend auch die Eigenschaften des Fahrzeugs 102 variieren. Als weitere Möglichkeiten können Fahrzeuge 102 unterschiedliche Eigenschaften in Bezug auf die Fahrgastkapazität, Schleppfähigkeit und -kapazität und das Lagervolumen aufweisen. Zu Registrierungs-, Inventar- und anderen Zwecken können den Fahrzeugen 102 eindeutige Kennungen, wie etwa VINs, zugeordnet sein.
Das Fahrzeug 102 kann eine Vielzahl von Steuerungen 104 beinhalten, die dazu konfiguriert sind, mithilfe der Leistung der Fahrzeugbatterie und/oder des Antriebsstrangs verschiedene Funktionen des Fahrzeugs 102 durchzuführen und zu verwalten. Wie abgebildet, sind die beispielhaften Fahrzeugsteuerungen 104 als diskrete Steuerungen 104-A bis 104-G dargestellt. Die Fahrzeugsteuerungen 104 können sich jedoch physische Hardware, Firmware und/oder Software teilen, sodass die Funktionen mehrerer Steuerungen 104 in eine einzige Steuerung 104 integriert sein können und die Funktionen verschiedener derartiger Steuerungen 104 über eine Vielzahl von Steuerungen 104 verteilt sein können.
Als einige nicht einschränkende Beispiele für Fahrzeugsteuerungen 104: kann eine Antriebsstrangsteuerung 104-A dazu konfiguriert sein, eine Steuerung für Motorbetriebskomponenten (z. B. Leerlaufsteuerungskomponenten, Kraftstoffabgabekomponenten, Emissionssteuerungskomponenten usw.) und eine Überwachung des Status derartiger Motorbetriebskomponenten (z. B. Status von Motorcodes) bereitzustellen; kann eine Karosseriesteuerung 104-B dazu konfiguriert sein, verschiedene Leistungssteuerungsfunktionen zu verwalten, wie etwa Außenbeleuchtung, Innenbeleuchtung, schlüssellosen Zugang, Fernstart und Verifizierung des Status von Zugangspunkten (z. B. Schließzustand der Motorhaube, der Türen und/oder des Kofferraums des Fahrzeugs 102); kann eine Funksendeempfänger-Steuerung 104-C dazu konfiguriert sein, mit Funkschlüsseln, mobilen Vorrichtungen oder anderen lokalen Vorrichtungen von Fahrzeugen 102 zu kommunizieren; kann eine Unterhaltungssteuerung 104-D dazu konfiguriert sein, Sprachbefehl- und BLUETOOTH-Schnittstellen zum Fahrer oder zu tragbaren Vorrichtungen des Fahrers zu unterstützen; kann eine Klimatisierungsverwaltungssteuerung 104-E dazu konfiguriert sein, eine Steuerung für Heiz- und Kühlsystemkomponenten bereitzustellen (z. B. Verdichterkupplung, Gebläselüfter, Temperatursensoren usw.); kann eine Steuerung 104-F für ein globales Positionsbestimmungssystem (GPS) dazu konfiguriert sein, Fahrzeugstandortinformationen bereitzustellen; und kann eine Steuerung 104-G für eine Mensch-Maschine-Schnittstelle (human-machine interface - HMI) dazu konfiguriert sein, Benutzereingaben über verschiedene Tasten oder andere Steuerelemente zu empfangen und einem Fahrer Fahrzeugstatusinformationen bereitzustellen, wie etwa Füllstandinformationen, Motorbetriebstemperaturinformationen und den aktuellen Standort des Fahrzeugs 102.
Der Fahrzeugbus 106 kann verschiedene Kommunikationsverfahren beinhalten, die zwischen den Steuerungen 104 sowie zwischen der TCU 108 und den Fahrzeugsteuerungen 104 verfügbar sind. Unter anderem kann der Bus 106 des Fahrzeugs eines oder mehrere der folgenden Netzwerke umfassen: ein CAN-Netzwerk (Controller Area Network - CAN, lokales Steuervorrichtungsnetzwerk), ein Ethernet-Netzwerk oder ein MOST-Netzwerk (Media-Oriented System Transfer - MOST, mediengebundene Systemübertragung). Weitere Aspekte des Aufbaus und der Anzahl von Fahrzeugbussen 106 werden nachstehend genauer erörtert.
Die TCU 108 kann eine Netzwerkhardware beinhalten, die dazu konfiguriert ist, eine Kommunikation zwischen den Fahrzeugsteuerungen 104 und mit anderen Einrichtungen des Systems 100 zu erleichtern. Die TCU 108 kann zum Beispiel ein Mobilfunkmodem 110, das dazu konfiguriert ist, eine Kommunikation mit einem Weitverkehrsnetzwerk 112 zu erleichtern, beinhalten oder anderweitig darauf zugreifen. Das Weitverkehrsnetzwerk 112 kann ein oder mehrere miteinander verbundene Kommunikationsnetze, wie etwa als einige nicht einschränkende Beispiele das Internet, ein Kabelfernsehverteilungsnetz, ein Satellitenverbindungsnetz, ein lokales Netz und ein Telefonnetz, beinhalten. Als ein anderes Beispiel kann die TCU 108 eines oder mehrere von Vernetzung über ein BLUETOOTH-, Wi-Fi- oder drahtgebundenes USB-Netzwerk nutzen, um eine Kommunikation mit dem Weitverkehrsnetzwerk 112 über die mobile Vorrichtung des Benutzers zu ermöglichen.
Die TCU 108 kann ferner verschiedene Arten von Rechenvorrichtungen zur Unterstützung der Leistung der Funktionen der hierin beschriebenen TCU 108 beinhalten. In einem Beispiel kann die TCU 108 einen oder mehrere Prozessoren 114, die zum Ausführen von Computeranweisungen konfiguriert sind, und ein Speichermedium 116, auf dem die computerausführbaren Anweisungen und/oder Daten hinterlegt werden können, beinhalten. Ein computerlesbares Speichermedium (auch als prozessorlesbares Medium oder Speicher 116 bezeichnet) beinhaltet ein beliebiges nicht transitorisches (z. B. physisches) Medium, das an der Bereitstellung von Daten (z. B. Anweisungen) beteiligt ist, die von einem Computer (z. B. von dem/den Prozessor(en)) gelesen werden können. Im Allgemeinen empfängt der Prozessor 114 Anweisungen und/oder Daten, z. B. von dem Speicher 116 usw., in einem Arbeitsspeicher und führt die Anweisungen unter Verwendung der Daten aus, wodurch ein oder mehrere Prozesse, einschließlich eines oder mehrerer der hierin beschriebenen Prozesse, ausgeführt werden. Computerausführbare Anweisungen können von Computerprogrammen zusammengestellt oder ausgewertet werden, die unter Verwendung einer Vielzahl von Programmiersprachen und/oder Technologien erstellt worden sind, einschließlich ohne Einschränkungen und entweder für sich oder in Kombination JAVA, C, C++, C#, FORTRAN, PASCAL, VISUAL BASIC, PYTHON, JAVA SCRIPT, PERL PL/SQL usw.
Die TCU 108 kann dazu konfiguriert sein, eine oder mehrere Schnittstellen zu beinhalten, von denen Fahrzeuginformationen gesendet und empfangen werden können. In einem Beispiel kann die TCU 108 dazu konfiguriert sein, das Sammeln von DTC-Daten und/oder anderen Fahrzeuginformationen von den Fahrzeugsteuerungen 104 zu erleichtern, die mit dem einen oder den mehreren Fahrzeugbussen 106 verbunden sind. Wenngleich nur ein einzelner Bus 106 veranschaulicht ist, sollte angemerkt werden, dass in vielen Beispielen mehrere Fahrzeugbusse 106 enthalten sind, wobei eine Teilmenge der Steuerungen 104 mit jedem Bus 106 verbunden ist. Dementsprechend kann die TCU 108 dazu konfiguriert sein, auf eine gegebene Steuerung 104 zuzugreifen, um eine Zuordnung darüber zu hinterlegen, welche Busse 106 mit welchen Steuerungen 104 verbunden sind, und um auf den entsprechenden Bus 106 für eine Steuerung 104 zuzugreifen, wenn eine Kommunikation mit dieser bestimmten Steuerung 104 gewünscht wird.
Der Cloud-Server 118 kann verschiedene Arten von Rechenvorrichtungen, wie etwa einen Computerarbeitsplatz, einen Server, einen Desktop-Computer, eine virtuelle Serverinstanz, die durch einen Großrechner-Server ausgeführt wird, oder ein anderes Rechensystem und/oder eine andere Rechenvorrichtung beinhalten. Ähnlich der TCU 108 schließt der Cloud-Server 118 im Allgemeinen einen Speicher ein, in dem computerausführbare Anweisungen hinterlegt werden können, wobei die Anweisungen von einem oder mehreren Prozessoren (aus Gründen der Eindeutigkeit nicht gezeigt) ausführbar sein können. Derartige Anweisungen und andere Daten können unter Verwendung einer Vielzahl von computerlesbaren Medien gespeichert werden. In einem nicht einschränkenden Beispiel kann der OTA-Cloud-Server 118 dazu konfiguriert sein, die Konfigurationsdaten 120 und den Einstellungsmodellierungsdienst 124 zu hinterlegen.
Die Fahrzeugkonfigurationsdaten 120 beinhalten Daten in Bezug auf Einstellungen oder Konfigurationen der Steuerungen 104 des Fahrzeugs 102. Die Fahrzeugkonfigurationsdaten 120 können Daten bezüglich der Merkmalnutzung der Steuerungen 104 und/oder bezüglich der Sensordaten, die von den Steuerungen 104 des Fahrzeugs 102 erfasst werden, beinhalten. Die Fahrzeugkonfigurationsdaten 120 können dazu verwendet werden, eine Aktivitätszuordnung zu generieren, die Angaben zur Nutzung jedes einer Vielzahl von Merkmalen über die Zeit beinhaltet, sodass nachverfolgt werden kann, wann die Nutzung verschiedener Aspekte des Fahrzeugs beansprucht wird und wann nicht.
Als einige nicht einschränkende Beispiele können Fahrzeugkonfigurationsdaten 120 Folgendes beinhalten: Daten vom Gewichtssensor des Fahrersitzes (z. B. wenn zwei Benutzer ausreichend unterschiedliches Gewicht haben); Lenkradposition; Sitzposition; Seitenspiegelpositionen; Rückspiegelposition (falls erfasst); welches Telefon mit dem Fahrzeug 102 verbunden ist (insbesondere dies kann keine ausreichende Bedingung sein, da der Hauptbenutzer manchmal ein Beifahrer in dem Fahrzeug 102 mit einem Sekundärbenutzer sein kann, sodass sich mehrere Telefone und Schlüssel in dem Fahrzeug befinden); der Gewichtssensor des Beifahrersitzes; ursprüngliches Klimatisierungs-/Heizprofil; Sitzheiz-/Sitzkühlprofil; welche und wie viele Türen vor Fahrtbeginn geöffnet und geschlossen werden; ob der Kofferraum vor Fahrtbeginn geöffnet wird; eingestellter Radiosender; ob der Radiosender unmittelbar vor Beginn der Fahrt gewechselt wird; welcher Schlüssel zum Starten des Fahrzeugs 102 verwendet wird (dies kann keine ausreichende Bedingung sein, da der Hauptbenutzer manchmal ein Beifahrer im Fahrzeug 102 sein kann); Seitenfensterpositionen; Leerlaufzeit vor Beginn der eigentlichen Fahrt; und aktive oder nicht aktivierte Feststellbremse; oder ob sich jedes konkrete Merkmal seit der letzten Fahrt geändert hat. Als einige andere nicht einschränkende Beispiele können fahrtbasierte Informationen den Startstandort der Fahrt; den Zielstandort der Fahrt (falls vor Fahrtbeginn programmiert); und die durchschnittliche Starttageszeit der Fahrt beinhalten. Es können zusätzliche Merkmale verwendet werden, um die Klassifizierung im Verlauf der Fahrt zu verfeinern. Zum Beispiel kann die ursprüngliche Klassifizierung unter Verwendung eines oder mehrerer der Folgenden verfeinert werden: Brems- und Beschleunigungsprofile; Länge der Fahrt; Wegpunktverlauf im Vergleich zu früheren Standortverläufen des Benutzers; durchschnittliche Kabinentemperatur; Anwendungsnutzung; oder Standort des Endes der Fahrt. In einem anderen Beispiel kann ein Anstieg des Kraftstoffstands überwacht werden (z. B.wenn nur ein Fahrer das Fahrzeug 102 betankt, können diese Informationen angeben, welcher Fahrer anwesend ist).
Die Benutzerprofile 122 beinhalten Einstellungsdaten, die Präferenzen für verschiedene Benutzer entsprechen. Beispielsweise kann eines der Benutzerprofile 122, das einem bestimmten Benutzer entspricht, als einige Möglichkeiten Sitzeinstellungen, Spiegeleinstellungen, Radioeinstellungen, Klimasteuerungseinstellungen, Federungseinstellungen, Bremsregenerierungseinstellungen und/oder Einstellungen für Merkmale zum autonomen Fahren beinhalten. Die Benutzerprofile 122 können zusätzlich Kontoinformationen enthalten, die dem Benutzer entsprechen, wie etwa Benutzernamen, Kontonummern, Zahlungsinformationen für Transaktionen, und/oder Zugriffsrechte auf Fahrzeuge 102 oder auf Merkmale des Fahrzeugs 102. Aufgrund der in dem Benutzerprofil 122 enthaltenen Daten kann es für das Fahrzeug 102 wünschenswert sein, den Benutzer des Fahrzeugs 102 automatisch zu identifizieren, um das richtige Benutzerprofil 122 für den aktuellen Fahrzeuginsassen anzuwenden, sowie um sicherzustellen, dass weiteres Lernen von Benutzereinstellungen wieder auf das richtige Benutzerprofil 122 angewandt wird.
Der Einstellungsmodellierungsdienst 124 kann eine Anwendung sein, die im Speicher des Cloud-Servers 118 enthalten ist. Der Einstellungsmodellierungsdienst 124 kann Anweisungen enthalten, die, wenn sie von einem oder mehreren Prozessoren des Cloud-Servers 118 ausgeführt werden, den Cloud-Server 118 dazu veranlassen, Trainingskonfigurationsdaten des Fahrzeugs 128 zu analysieren, um Modellierungsparameter 126 zu bestimmen, die Informationen beinhalten, die angeben, wie die Fahrzeugkonfigurationsdaten 120 verwendet werden können, um zu klassifizieren, welcher Benutzer ein Fahrzeug 102 aktuell verwendet. In einem Beispiel kann der Einstellungsmodellierungsdienst 124 dazu programmiert sein, eine Gradient-Boosting-Maschine zu verwenden, die unter Verwendung von Trainingskonfigurationsdaten 128 trainiert wird. Eine beispielhafte Umsetzung einer Gradient-Boosting-Maschine ist die Open-Source-XGBoost-Bibliothek, wenngleich die Verwendung anderer Umsetzungen von Gradient-Boosting-Maschinen in Betracht gezogen wird. Wenngleich hierin viele Beispiele eine Gradient-Boosting-Maschine verwenden, sollte beachtet werden, dass in anderen Beispielen andere Algorithmen, wie etwa Random-Forest, verwendet werden können, um verschiedenen Merkmalen Relevanzbewertungen zuzuweisen.
Die Trainingskonfigurationsdaten 128 können einen Satz von Konfigurationsdaten 120 enthalten, die mit Informationen ergänzt sind, die angeben, welcher Benutzer das Fahrzeug 102 aktuell verwendet. Indem diese Ground-Truth-Daten vorliegen, kann die Gradient-Boosting-Maschine Entscheidungsbäume der Merkmale erstellen, die in den Trainingskonfigurationsdaten 128 protokolliert sind, um die Wichtigkeit jedes Merkmals zum Bestimmen unterschiedlicher Benutzer zu bestimmen. Die Gradient-Boosting-Maschine kann eine geeignete Algorithmusauswahl sein, da sie Relevanzfaktoren für alle Eingabemerkmale ausgibt. Ein Klassifikator, der auf vielen dieser Eingabemerkmalfaktoren (oder kleinen Teilmengen davon) basiert, kann als Weak-Leamer bezeichnet werden. Ein Weak-Leamer ist ein Klassifikator, der unabhängig von den Trainingsdaten etwas besser als der Zufall abschneidet (d. h. eine Fehlerrate kleiner als 0,5 aufweist). Die Gradient-Boosting-Maschine kann basierend auf Merkmalen, die eine geringe Korrelation zu dem aktuellen Benutzer aufweisen, mehrere Weak-Leamer auf eine iterative Weise zu einem einzigen Strong-Leamer kombinieren. Die Modellierungsparameter 126 können diese Merkmale und wie sie kombiniert werden können spezifizieren, um einen Strong-Learner des Benutzers des Fahrzeugs 102 bereitzustellen. Der Einstellungsmodellierungsdienst 124 kann dazu programmiert sein, die Modellierungsparameter 126 an das Fahrzeug 102 zu senden.
Der Benutzerprofilaktualisierungsdienst 130 kann eine Anwendung sein, die in dem Speicher 116 der TCU 108 enthalten ist. Bei Ausführung durch den Prozessor 114 kann der Benutzerprofilaktualisierungsdienst 130 dazu programmiert sein, Konfigurationsdaten 120 zu verwenden, die von den Steuerungen 104 über die Fahrzeugbusse 106 oder auf andere Weise abgerufen werden, um den aktuellen Benutzer des Fahrzeugs 102 zu bestimmen. Der Benutzerprofilaktualisierungsdienst 130 kann die vom Cloud-Server 118 empfangenen Modellierungsparameter 126 verwenden, um zwischen Benutzern des Fahrzeugs 102 zu unterscheiden, um zu identifizieren, welches Benutzerprofil 122 gemäß den aktuellen in dem Fahrzeug 102 verfügbaren Konfigurationsdaten 120 verwendet werden soll.
2 veranschaulicht einen beispielhaften Prozess 200 zum Erstellen von Modellierungsparametern 126 basierend auf Trainingskonfigurationsdaten 128 unter Verwendung eines Einstellungsmodellierungsdienstes 124. In einem Beispiel kann der Prozess 200 durch den Cloud-Server 118 im Rahmen des Systems 100 durchgeführt werden.
Bei Vorgang 202 empfängt der Einstellungsmodellierungsdienst 124 Trainingskonfigurationsdaten 128. In einem Beispiel empfängt der Einstellungsmodellierungsdienst 124 die Trainingskonfigurationsdaten 128 von einem Speicher des Cloud-Servers 118. Zusätzlich oder alternativ empfängt der Einstellungsmodellierungsdienst 124 die Trainingskonfigurationsdaten 128 von einem oder mehreren Fahrzeugen 102.
Bei 204 identifiziert der Einstellungsmodellierungsdienst 124 die Modellierungsparameter 126. In einem Beispiel verwendet der Einstellungsmodellierungsdienst 124 die Gradient-Boosting-Maschine, um Learner in den Trainingskonfigurationsdaten 128 zu identifizieren, und kombiniert mehrere Merkmale, die Weak-Learner mit geringerer Korrelation zum aktuellen Benutzer sind, auf iterative Weise zu einem einzigen Strong-Learner. Die Modellierungsparameter 126 können diese Merkmale und wie sie kombiniert werden können spezifizieren, um einen Strong-Learner des Benutzers des Fahrzeugs 102 bereitzustellen.
Bei 206 sendet der Einstellungsmodellierungsdienst 124 die Modellierungsparameter 126 an das Fahrzeug 102. In einem Beispiel sendet der Einstellungsmodellierungsdienst 124 als Reaktion auf das Empfangen von aktualisierten Trainingskonfigurationsdaten 128 von den Fahrzeugen 102 bei Vorgang 202, aktualisierte Modellierungsparameter 126 an die Fahrzeuge 102. In einem anderen Beispiel sendet der Einstellungsmodellierungsdienst 124 die Modellierungsparameter 126 an das Fahrzeug 102 als Reaktion auf eine Anforderung nach aktualisierten Modellierungsparametern 126, die von dem Fahrzeug 102 empfangen wurde. In einem nach weiteren Beispiel sendet der Einstellungsmodellierungsdienst 124 die aktualisierten Modellierungsparameter 126 periodisch an das Fahrzeug 102, wie etwa einmal im Monat. Nach Vorgang 206 endet der Prozess 200.
3 veranschaulicht einen beispielhaften Prozess 300 zum Verwenden von Modellierungsparametern 126 zur Identifizierung eines Benutzerprofils 122 gemäß Konfigurationsdaten 120 für ein Fahrzeug 102. In einem Beispiel kann der Prozess 300 durch das Fahrzeug 102 im Rahmen des Systems 100 durchgeführt werden.
Bei Vorgang 302 empfängt das Fahrzeug 102 Modellierungsparameter 126 von dem Cloud-Server 118. In einem Beispiel kann das Fahrzeug 102 die Modellierungsparameter 126 auf eine oder mehrere der vorstehend in Bezug auf Vorgang 206 des Prozesses 200 erörterten Arten empfangen.
Bei 304 überwacht sich das Fahrzeug 102 selbst auf Konfigurationsdaten 120. In einem Beispiel weist der Benutzerprofilaktualisierungsdienst 130 die TCU 108 des Fahrzeugs 102 an, den Fahrzeugbus 106 auf Daten in Bezug auf Einstellungen oder Konfigurationen der Steuerungen 104 des Fahrzeugs 102 zu überwachen. Die Fahrzeugkonfigurationsdaten 120 können Daten bezüglich der Merkmalnutzung der Steuerungen 104 und/oder bezüglich der Sensordaten, die von den Steuerungen 104 des Fahrzeugs 102 erfasst werden, beinhalten. Der Benutzerprofildienst 130 kann die Fahrzeugkonfigurationsdaten 120 in einer Aktivitätszuordnung zusammenstellen, die die Nutzung jedes einer Vielzahl von Merkmalen über die Zeit angibt, sodass nachverfolgt werden kann, wann die Nutzung verschiedener Aspekte des Fahrzeugs 102 beansprucht wird und wann nicht.
Bei Vorgang 306 identifiziert das Fahrzeug 102 ein wahrscheinlichstes Benutzerprofil 122. In einem Beispiel verwendet das Fahrzeug 102 die Modellierungsparameter 126, um die aus den Fahrzeugkonfigurationsdaten 120 erstellte Aktivitätszuordnung zu analysieren, um zu klassifizieren, welches der Benutzerprofile 122 den Konfigurationsdaten 120 am ähnlichsten ist. Wenngleich nur ein oder wenige Merkmale allein möglicherweise nicht ausreichen, um einen Benutzer angemessen zu identifizieren, können die Modellierungsparameter 126, die unter Verwendung der Gradient-Boosting-Maschine bestimmt werden, ermöglichen, dass diese Merkmale kombiniert werden, um einen starken Hinweis darauf zu geben, welches Benutzerprofil 122 angewandt werden sollte.
Bei 308 wendet das Fahrzeug 102 das Benutzerprofil 122 auf das Fahrzeug 102 an. In einem Beispiel weist der Benutzerprofildienst 130 die TCU 108 des Fahrzeugs 102 an, den Steuerungen 104 Einstellungen bereitzustellen, die dem Benutzer des Fahrzeugs 102 entsprechen. In einem anderen Beispiel weist der Benutzerprofildienst 130 die TCU 108 des Fahrzeugs 102 an, der Steuerung 104 eine Angabe des Benutzers bereitzustellen, um es den Steuerungen zu ermöglichen, ihre Einstellungen in Übereinstimmung mit dem aktuellen Benutzer anzupassen. Dementsprechend kann das Fahrzeug 102 automatisch Einstellungen auswählen, die dem aktuellen Benutzer entsprechen, ohne dass der Benutzer explizit Profile ändern muss und ohne sich ausschließlich auf Informationen, wie etwa welcher Funkschlüssel verwendet wird oder welches Telefon/welche Telefone in dem Fahrzeug 102 vorhanden sind, zu verlassen.
Bei 310 bestimmt das Fahrzeug 102, ob eine Nutzungssitzung des Fahrzeugs 102 fortgesetzt wird. Wenn in einem Beispiel das Fahrzeug 102 weiter gefahren wird oder wenn sich das Fahrzeug 102 weiterhin in einem Bewegungsmodus befindet, in dem sich das Fahrzeug 102 bewegen kann, kehrt die Steuerung zu Vorgang 304 zurück, um das Fahrzeug 102 weiter auf Konfigurationsdaten 120 zu überwachen. Dies kann nützlich sein, da zusätzliche Merkmale verwendet werden können, um die Klassifizierung im Verlauf der Fahrt zu verfeinern. Zum Beispiel kann die ursprüngliche Klassifizierung unter Verwendung eines oder mehrerer der Folgenden Faktoren verfeinert werden: Brems- und Beschleunigungsprofile; Länge der Fahrt; Wegpunktverlauf im Vergleich zu früheren Standortverläufen des Benutzers; durchschnittliche Kabinentemperatur; Anwendungsnutzung; Standort des Endes der Fahrt; oder Anstieg des Kraftstoffstands. Wenn das Fahrzeug 102 jedoch geparkt oder verlassen ist oder ein Navigationsziel erreicht hat, dann kann das Fahrzeug 102 bestimmen, dass die Sitzung beendet ist und zu Vorgang 312 übergehen.
Bei 312 aktualisiert das Fahrzeug 102 das Benutzerprofil 122 basierend auf der Nutzungssitzung. Beispielsweise können Einstellungen, die während der Nutzungssitzung geändert wurden, wieder auf das aktuelle Benutzerprofil 122 angewandt werden. Dies kann ermöglichen, dass das Benutzerprofil 122 dynamisch ist und sich weiterentwickelt, um besser zu dem Benutzer zu passen, da eine zusätzliche Nutzung des Fahrzeugs 102 protokolliert wird.
Bei 314 sendet das Fahrzeug 102 die Konfigurationsdaten 120 an den Cloud-Server 118. In einem Beispiel können diese Daten als weitere Trainingskonfigurationsdaten 128 verwendet werden, die bei der Verbesserung der Modellierungsparameter 126 helfen können, wie vorstehend in Bezug auf den Prozess 200 beschrieben. Nach Vorgang 314 endet der Prozess 300.
Es können auch Variationen des beispielhaften Systems 100 und der beispielhaften Prozesse 200, 300 vorgenommen werden. In einem anderen Beispiel können die Benutzerprofile 122 Roaming-Profile sein, die auf dem Cloud-Server 118 gespeichert sind und die als Reaktion auf die Identifizierung des Benutzers durch das Fahrzeug 102 von dem Cloud-Server 118 heruntergeladen werden können.
Die hierin offenbarten Prozesse, Verfahren oder Algorithmen können einer Verarbeitungsvorrichtung, einer Steuerung oder einem Computer zuführbar sein/davon angewandet werden, die/der eine existierende programmierbare elektronische Steuerungseinheit oder eine spezielle elektronische Steuereinheit beinhalten kann. Ebenso können die Prozesse, Verfahren oder Algorithmen als Daten und Anweisungen gespeichert sein, die von einer Steuerung oder einem Computer in vielen Formen, einschließlich unter anderem Informationen, die permanent in nicht beschreibbaren Speichermedien wie ROM-Vorrichtungen gespeichert sind, und Informationen, die veränderbar in beschreibbaren Speichermedien wie Disketten, Magnetbändern, CDs, RAM-Vorrichtungen und sonstigen magnetischen und optischen Medien gespeichert sind, ausführbar sind. Die Prozesse, Verfahren und Algorithmen können auch in einem mit Software ausführbaren Objekt umgesetzt sein. Alternativ können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten verkörpert sein, wozu etwa anwendungsspezifische integrierte Schaltungen (ASIC), feldprogrammierbare Gate-Anordnungen (FPGA), Zustandsmaschinen, Steuerungen oder sonstige Hardwarekomponenten oder Vorrichtungen oder eine Kombination aus Hardware-, Software- und Firmware-Komponenten zählen.
Wenngleich vorstehend beispielhafte Ausführungsformen beschrieben sind, sollen diese Ausführungsformen nicht alle möglichen Formen beschreiben, die durch die Patentansprüche eingeschlossen werden. Die in der Beschreibung verwendeten Ausdrücke sind vielmehr beschreibende Ausdrücke als einschränkende Ausdrücke, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne von dem Geist und Umfang der Offenbarung abzuweichen. Wie zuvor beschrieben, können die Merkmale verschiedener Ausführungsformen miteinander kombiniert werden, um weitere Ausführungsformen der Erfindung zu bilden, die unter Umständen nicht ausdrücklich beschrieben oder veranschaulicht sind. Wenngleich verschiedene Ausführungsformen so beschrieben sein können, dass sie Vorteile bereitstellen oder gegenüber anderen Ausführungsformen oder Umsetzungen des Stands der Technik in Bezug auf eine oder mehrere erwünschte Eigenschaften bevorzugt sind, wird ein Durchschnittsfachmann erkennen, dass ein oder mehrere Merkmale oder eine oder mehrere Eigenschaften in Frage gestellt werden können, um die gewünschten Gesamtattribute des Systems zu erzielen, welche von der konkreten Anwendung und Umsetzung abhängig sind. Diese Attribute können Folgendes einschließen, sind jedoch nicht darauf beschränkt: Kosten, Festigkeit, Haltbarkeit, Lebenszykluskosten, Marktfähigkeit, Erscheinungsbild, Verpackung, Größe, Wartbarkeit, Gewicht, Herstellbarkeit, unaufwändige Montage usw. Soweit beliebige Ausführungsformen in Bezug auf eine oder mehrere Eigenschaften als weniger wünschenswert als andere Ausführungsformen oder Umsetzungen aus dem Stand der Technik beschrieben werden, liegen diese Ausführungsformen daher nicht außerhalb des Schutzumfangs der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.
Gemäß der vorliegenden Erfindung wird ein System für ein Fahrzeug bereitgestellt, das Folgendes aufweist: einen Speicher, der dazu konfiguriert ist, Modellierungsparameter zu speichern, die unter Verwendung eines Algorithmus generiert werden, der Merkmalen Relevanzbewertungen zuweist, die Informationen spezifizieren, die angeben, wie Konfigurationsdaten, einschließlich Informationen, die die Verwendung von Merkmalen des Fahrzeugs angeben, klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und einen Prozessor, der dazu konfiguriert ist, das Fahrzeug auf die Konfigurationsdaten zu überwachen, ein wahrscheinlichstes Benutzerprofil unter Verwendung der Modellierungsparameter gemäß den Konfigurationsdaten zu identifizieren und Einstellungen des Benutzerprofils auf das Fahrzeug anzuwenden.
Gemäß einer Ausführungsform ist der Algorithmus, der den Merkmalen Relevanzbewertungen zuweist, eine Gradient-Boosting-Maschine.
Gemäß einer Ausführungsform ist der Prozessor ferner dazu konfiguriert, die Modellierungsparameter über ein Weitverkehrsnetzwerk von einem Cloud-Server zu empfangen.
Gemäß einer Ausführungsform ist der Prozessor ferner dazu konfiguriert, die Konfigurationsdaten über ein Weitverkehrsnetzwerk an einen Cloud-Server zu senden.
Gemäß einer Ausführungsform ist der Prozessor ferner zu Folgendem programmiert: Weiteres Überwachen des Fahrzeugs auf zusätzliche Konfigurationsdaten, und Verfeinern der Angabe des wahrscheinlichsten Benutzerprofils unter Verwendung der Modellierungsparameter gemäß den zusätzlichen Konfigurationsdaten.
Gemäß einer Ausführungsform ist der Prozessor ferner dazu konfiguriert, Einstellungen des Benutzerprofils gemäß Einstellungsänderungen zu aktualisieren, die während der Anwendung des Benutzprofils auf das Fahrzeug vorgenommen werden.
Gemäß einer Ausführungsform ist der Prozessor ferner zu Folgendem programmiert: Generieren, aus den Konfigurationsdaten, einer Aktivitätszuordnung, die Angaben zur Nutzung jedes einer Vielzahl von Merkmalen, die durch die Konfigurationsdaten spezifiziert werden, über die Zeit beinhaltet, und Verwenden der Aktivitätszuordnung und der Modellierungsparameter, um das wahrscheinlichste Benutzerprofil zu identifizieren.
Gemäß einer Ausführungsform ist der Prozessor ferner dazu programmiert, das Fahrzeug über eine Vielzahl von Fahrzeugbussen auf die Konfigurationsdaten zu überwachen.
Gemäß der vorliegenden Erfindung beinhaltet ein Verfahren Folgendes: Empfangen von Trainingskonfigurationsdaten, wobei die Trainingskonfigurationsdaten Informationen beinhalten, die die Verwendung von Merkmalen eines Fahrzeugs über die Zeit angeben, ergänzt durch Informationen, die angeben, welcher Benutzer das Fahrzeug aktuell verwendet; Identifizieren, unter Verwendung eines Algorithmus, der Merkmalen Relevanzbewertungen zuweist, von Modellierungsparametern, die Informationen spezifizieren, die angeben, wie die Trainingskonfigurationsdaten klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und Senden der Modellierungsparameter an das Fahrzeug zur Verwendung bei der Identifizierung, welcher Benutzer das Fahrzeug aktuell verwendet.
Gemäß einer Ausführungsform ist der Algorithmus, der den Merkmalen Relevanzbewertungen zuweist, eine Gradient-Boosting-Maschine.
Gemäß einer Ausführungsform ist die Erfindung ferner durch das Empfangen von Konfigurationsdaten von dem Fahrzeug gekennzeichnet, um die Trainingskonfigurationsdaten zu ergänzen.
Gemäß einer Ausführungsform ist die Erfindung ferner durch das Identifizieren der Modellierungsparameter als Reaktion auf den Empfang der Fahrzeugkonfigurationsdaten von dem Fahrzeug und das Senden der Modellierungsparameter an das Fahrzeug als Reaktion auf den Abschluss der Identifizierung der Modellierungsparameter gekennzeichnet.
Gemäß einer Ausführungsform geben die Modellierungsparameter an, wie Weak-Leamer auf iterative Weise in einen einzelnen Strong-Learner kombiniert werden können, wobei die Weak-Leamer Klassifizierer sind, die auf Teilmengen der Merkmale aus den Trainingskonfigurationsdaten basieren, die eine geringe Korrelation zur Identifizierung, welcher Benutzer das Fahrzeug aktuell verwendet, aufweisen.
Gemäß einer Ausführungsform beinhalten die Trainingskonfigurationsdaten eines oder mehrere von (i) Daten in Bezug auf die Merkmalnutzung von Steuerungen des Fahrzeugs oder (ii) Sensordaten, die durch Steuerungen des Fahrzeugs erfasst werden.
Gemäß der vorliegenden Erfindung wird ein nicht transitorisches computerlesbares Medium mit Anweisungen bereitgestellt, die, bei Ausführung durch einen Prozessor, den Prozessor zu Folgendem veranlassen: Empfangen von Trainingskonfigurationsdaten, wobei die Trainingskonfigurationsdaten Informationen beinhalten, die die Verwendung von Merkmalen eines Fahrzeugs über die Zeit anzeigen, ergänzt durch Informationen, die angeben, welcher Benutzer das Fahrzeug derzeit verwendet; Identifizieren, unter Verwendung eines Algorithmus, der Merkmalen Relevanzbewertungen zuweist, von Modellierungsparametern, die Informationen spezifizieren, die angeben, wie die Trainingskonfigurationsdaten klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und Senden der Modellierungsparameter an das Fahrzeug zur Verwendung beim Identifizieren, welcher Benutzer das Fahrzeug aktuell verwendet.
Gemäß einer Ausführungsform ist der Algorithmus, der den Merkmalen Relevanzbewertungen zuweist, eine Gradient-Boosting-Maschine.
Gemäß einer Ausführungsform ist die Erfindung ferner durch Anweisungen gekennzeichnet, die, bei Ausführung durch den Prozessor, den Prozessor dazu veranlassen, Konfigurationsdaten von dem Fahrzeug zu empfangen, um die Trainingskonfigurationsdaten zu ergänzen.
Gemäß einer Ausführungsform ist die Erfindung ferner durch Anweisungen gekennzeichnet, die, bei Ausführung durch den Prozessor, den Prozessor zu Folgendem veranlassen: Identifizieren der Modellierungsparameter als Reaktion auf den Empfang der Fahrzeugkonfigurationsdaten von dem Fahrzeug und Senden der Modellierungsparameter an das Fahrzeug als Reaktion auf den Abschluss der Identifizierung der Modellierungsparameter.
Gemäß einer Ausführungsform geben die Modellierungsparameter an, wie Weak-Leamer auf iterative Weise in einen einzelnen Strong-Leamer kombiniert werden können, wobei die Weak-Leamer Klassifizierer sind, die auf Teilmengen der Merkmale aus den Trainingskonfigurationsdaten basieren, die eine geringe Korrelation zur Identifizierung, welcher Benutzer das Fahrzeug aktuell verwendet, aufweisen.
Gemäß einer Ausführungsform beinhalten die Trainingskonfigurationsdaten eines oder mehrere von (i) Daten in Bezug auf die Merkmalnutzung von Steuerungen des Fahrzeugs oder (ii) Sensordaten, die durch Steuerungen des Fahrzeugs erfasst werden.

Claims

System für ein Fahrzeug, das Folgendes umfasst: einen Speicher, der dazu konfiguriert ist, Modellierungsparameter zu speichern, die unter Verwendung eines Algorithmus generiert werden, der Merkmalen Relevanzbewertungen zuweist, die Informationen spezifizieren, die angeben, wie Konfigurationsdaten, einschließlich Informationen, die die Verwendung von Merkmalen des Fahrzeugs angeben, klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und einen Prozessor, der zu Folgendem programmiert ist Überwachen des Fahrzeugs auf Konfigurationsdaten, Identifizieren eines wahrscheinlichsten Benutzerprofils unter Verwendung der Modellierungsparameter gemäß den Konfigurationsdaten, und Anwenden von Einstellungen des Benutzerprofils auf das Fahrzeug.
System nach Anspruch 1, wobei der Algorithmus, der den Merkmalen Relevanzbewertungen zuweist, eine Gradient-Boosting-Maschine ist.
System nach Anspruch 1, wobei der Prozessor ferner dazu konfiguriert ist, die Modellierungsparameter über ein Weitverkehrsnetzwerk von einem Cloud-Server zu empfangen.
System nach Anspruch 3, wobei der Prozessor ferner dazu konfiguriert ist, die Konfigurationsdaten über ein Weitverkehrsnetzwerk an einen Cloud-Server zu senden.
System nach Anspruch 1, wobei der Prozessor ferner zu Folgendem programmiert ist: Weiteres Überwachen des Fahrzeugs auf zusätzliche Konfigurationsdaten, und Verfeinern der Angabe des wahrscheinlichsten Benutzerprofils unter Verwendung der Modellierungsparameter gemäß den zusätzlichen Konfigurationsdaten.
System nach Anspruch 1, wobei der Prozessor ferner dazu konfiguriert ist, Einstellungen des Benutzerprofils gemäß Einstellungsänderungen zu aktualisieren, die während der Anwendung des Benutzprofils auf das Fahrzeug vorgenommen werden.
System nach Anspruch 1, wobei der Prozessor ferner zu Folgendem programmiert ist: Generieren, aus den Konfigurationsdaten, einer Aktivitätszuordnung, die Angaben zur Nutzung jedes einer Vielzahl von Merkmalen, die durch die Konfigurationsdaten spezifiziert werden, über die Zeit beinhaltet, und Verwenden der Aktivitätszuordnung und der Modellierungsparameter, um das wahrscheinlichste Benutzerprofil zu identifizieren.
System nach Anspruch 1, wobei der Prozessor ferner dazu programmiert ist, das Fahrzeug über eine Vielzahl von Fahrzeugbussen auf die Konfigurationsdaten zu überwachen.
Verfahren, das Folgendes umfasst: Empfangen von Trainingskonfigurationsdaten, wobei die Trainingskonfigurationsdaten Informationen beinhalten, die die Verwendung von Merkmalen eines Fahrzeugs über die Zeit angeben, ergänzt durch Informationen, die angeben, welcher Benutzer das Fahrzeug aktuell verwendet; Identifizieren, unter Verwendung eines Algorithmus, der Merkmalen Relevanzbewertungen zuweist, von Modellierungsparametern, die Informationen spezifizieren, die angeben, wie die Trainingskonfigurationsdaten klassifizieren, welcher Benutzer das Fahrzeug aktuell verwendet; und Senden der Modellierungsparameter an das Fahrzeug zur Verwendung bei der Identifizierung, welcher Benutzer das Fahrzeug aktuell verwendet.
Verfahren nach Anspruch 9, wobei der Algorithmus, der den Merkmalen Relevanzbewertungen zuweist, eine Gradient-Boosting-Maschine ist.
Verfahren nach Anspruch 9, das ferner das Empfangen von Fahrzeugkonfigurationsdaten von dem Fahrzeug umfasst, um die Trainingskonfigurationsdaten zu ergänzen.
Verfahren nach Anspruch 11, das ferner Folgendes umfasst: Identifizieren der Modellierungsparameter als Reaktion auf den Empfang der Fahrzeugkonfigurationsdaten von dem Fahrzeug, und Senden der Modellierungsparameter an das Fahrzeug als Reaktion auf den Abschluss der Identifizierung der Modellierungsparameter.
Verfahren nach Anspruch 9, wobei die Modellierungsparameter angeben, wie Weak-Learner auf iterative Weise in einen einzelnen Strong-Learner kombiniert werden können, wobei die Weak-Learner Klassifizierer sind, die auf Teilmengen der Merkmale aus den Trainingskonfigurationsdaten basieren, die eine geringe Korrelation zur Identifizierung, welcher Benutzer das Fahrzeug aktuell verwendet, aufweisen.
Verfahren nach Anspruch 9, wobei die Trainingskonfigurationsdaten eines oder mehrere von (i) Daten in Bezug auf die Merkmalnutzung von Steuerungen des Fahrzeugs oder (ii) Sensordaten, die durch Steuerungen des Fahrzeugs erfasst werden, beinhaltet.