DE102020117638A1 - Computer-implemented method and system for validating a sensor-based vehicle function - Google Patents
Computer-implemented method and system for validating a sensor-based vehicle function Download PDFInfo
- Publication number
- DE102020117638A1 DE102020117638A1 DE102020117638.4A DE102020117638A DE102020117638A1 DE 102020117638 A1 DE102020117638 A1 DE 102020117638A1 DE 102020117638 A DE102020117638 A DE 102020117638A DE 102020117638 A1 DE102020117638 A1 DE 102020117638A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- sensor
- machine learning
- value
- data
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/1608—Error detection by comparing the output signals of redundant hardware
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert. Die Erfindung betrifft des Weiteren ein System zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert. Die Erfindung betrifft überdies ein Computerprogramm und einen computerlesbaren Datenträger.The invention relates to a computer-implemented method for validating an output value, in particular a numerical, alphanumeric, vector-based or structured output value, of a machine learning algorithm which approximates a first sensor-based vehicle function. The invention further relates to a system for validating an output value, in particular a numerical, alphanumeric, vector-based or structured output value, of a machine learning algorithm, which approximates a first sensor-based vehicle function. The invention also relates to a computer program and a computer-readable data carrier.
Description
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert. Die Erfindung betrifft des Weiteren ein System zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert.The invention relates to a computer-implemented method for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, of a machine learning algorithm which approximates a first sensor-based vehicle function. The invention further relates to a system for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, of a machine learning algorithm which approximates a first sensor-based vehicle function.
Um Algorithmen zur Approximation sensorbasierter Fahrzeugfunktionen zuverlässig und effizient zu gestalten, werden große Datenmengen benötigt. Die notwendigen Daten müssen aus dem Fahrzeug übertragen werden und zeigen je nach Anwendungsbereich Fahrzeuginsassen und können somit auch deren Privatsphäre berühren. Datenschutzrichtlinien, z.B. gemäß der DSGVO, regeln Zweckbindung und Nutzung dieser Daten. Als mögliche Lösung für dieses Problem kann das sogenannte Federated Learning bzw. föderiertes Lernen verwendet werden.Large amounts of data are required to design algorithms for approximating sensor-based vehicle functions reliably and efficiently. The necessary data must be transferred from the vehicle and, depending on the area of application, show vehicle occupants and can therefore also affect their privacy. Data protection guidelines, e.g. in accordance with the GDPR, regulate the purpose and use of this data. So-called federated learning or federated learning can be used as a possible solution to this problem.
Bei diesem Modell spielen sich die Abläufe für das Training des Algorithmus auf den einzelnen Geräten, d.h. einer fahrzeuginternen Datenverarbeitungsvorrichtung, ab. Es wird daher nur das Ergebnis, also die entsprechenden Parameter, an einen Backend-Server gesendet. Sensible Daten verlassen das Gerät nicht. Speziell in der Automobilindustrie ist diese Methode jedoch nicht einfach umsetzbar.In this model, the processes for training the algorithm take place on the individual devices, i.e. an in-vehicle data processing device. Therefore only the result, i.e. the corresponding parameters, is sent to a backend server. Sensitive data does not leave the device. However, this method is not easy to implement, especially in the automotive industry.
Nachteilhaft an dieser Vorgehensweise ist, dass die Daten im Fahrzeug nur ungelabelt bzw. nicht gekennzeichnet verarbeitet werden können. Somit kann nicht verifiziert werden, wie gut die entsprechenden Algorithmen trainiert wurden. Eine fahrzeugübergreifende Verbesserung der betreffenden Algorithmen im Federated Learning ist ohne ein Labeling bzw. Kennzeichnen der Daten somit ebenfalls erschwert.The disadvantage of this procedure is that the data in the vehicle can only be processed unlabeled or unmarked. Thus it cannot be verified how well the corresponding algorithms have been trained. A cross-vehicle improvement of the algorithms in question in federated learning is therefore also more difficult without labeling or marking the data.
Es besteht daher ein Bedarf, ein verbessertes Verfahren und System vorzusehen, welche eine fahrzeugübergreifende Verbesserung der verwendeten Algorithmen im Rahmen eines föderierten Lernens ermöglicht.There is therefore a need to provide an improved method and system which enables the algorithms used to be improved across vehicles as part of federated learning.
Die Aufgabe wird mit einem computerimplementierten Verfahren zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert, mit den Merkmalen des Patentanspruchs 1 gelöst.The object is achieved with a computer-implemented method for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, a machine learning algorithm which approximates a first sensor-based vehicle function, with the features of
Des Weiteren wird die Aufgabe mit einem System zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert, mit den Merkmalen des Patentanspruchs 13 gelöst.Furthermore, the object is achieved with a system for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, a machine learning algorithm which approximates a first sensor-based vehicle function, with the features of claim 13.
Die vorliegende Erfindung schafft ein computerimplementiertes Verfahren zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert. Das Verfahren umfasst ein Vergleichen eines durch einen ersten Algorithmus maschinellen Lernens einer fahrzeuginternen Datenverarbeitungsvorrichtung ausgegebenen Werts einer Zielfunktion für Sensordaten eines ersten Fahrzeugsensors mit einem durch einen zweiten Algorithmus maschinellen Lernens der fahrzeuginternen Datenverarbeitungsvorrichtung ausgegebenen Wert einer Zielfunktion für Sensordaten eines zweiten Fahrzeugsensors.The present invention creates a computer-implemented method for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, of a machine learning algorithm which approximates a first sensor-based vehicle function. The method comprises comparing a value of an objective function for sensor data of a first vehicle sensor output by a first machine learning algorithm of an in-vehicle data processing device with a value of an objective function for sensor data of a second vehicle sensor output by a second machine learning algorithm of the in-vehicle data processing device.
Der Wert der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors wird durch den Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors fahrzeugintern validiert, falls der Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors in einem vorgegebenen numerischen Bereich von Werten der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors liegt. Der vorgegebene Bereich wird abhängig von dem Wert der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors bestimmt.The value of the objective function for the sensor data of the first vehicle sensor is validated in-vehicle by the value of the objective function for the sensor data of the second vehicle sensor, if the value of the objective function for the sensor data of the second vehicle sensor is in a predetermined numerical range of values of the objective function for the sensor data of the second Vehicle sensor lies. The predefined range is determined as a function of the value of the objective function for the sensor data of the first vehicle sensor.
Die vorliegende Erfindung schafft weiterhin ein System zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert.The present invention further provides a system for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, of a machine learning algorithm which approximates a first sensor-based vehicle function.
Das System umfasst eine fahrzeuginterne Datenverarbeitungsvorrichtung, welche dazu eingerichtet ist, einen durch einen ersten Algorithmus maschinellen Lernens ausgegebenen Wert einer Zielfunktion für Sensordaten eines ersten Fahrzeugsensors mit einem durch einen zweiten Algorithmus maschinellen Lernens der fahrzeuginternen Datenverarbeitungsvorrichtung ausgegebenen Wert einer Zielfunktion für Sensordaten eines zweiten Fahrzeugsensors zu vergleichen.The system comprises an in-vehicle data processing device which is configured to compare a value of a target function for sensor data of a first vehicle sensor output by a first machine learning algorithm with a value of a target function for sensor data of a second vehicle sensor output by a second machine learning algorithm of the in-vehicle data processing device .
Der Wert der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors wird durch den Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors fahrzeugintern validiert bzw. ist fahrzeugintern validierbar, falls der Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors in einem vorgegebenen numerischen Bereich von Werten der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors liegt. Der vorgegebene Bereich ist abhängig von dem Wert der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors bestimmbar.The value of the objective function for the sensor data of the first vehicle sensor is validated within the vehicle by the value of the objective function for the sensor data of the second vehicle sensor or can be validated within the vehicle if the value of the objective function for the sensor data of the second vehicle sensor is in a predetermined numerical range of values of the objective function for the sensor data of the second vehicle sensor. The predefined range can be determined as a function of the value of the objective function for the sensor data of the first vehicle sensor.
Die vorliegende Erfindung schafft darüber hinaus ein Computerprogramm mit Programmcode, um das erfindungsgemäße Verfahren durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.The present invention also provides a computer program with program code in order to carry out the method according to the invention when the computer program is executed on a computer.
Die vorliegende Erfindung schafft des Weiteren einen computerlesbaren Datenträger mit Programmcode eines Computerprogramms, um das erfindungsgemäße Verfahren durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.The present invention also provides a computer-readable data carrier with program code of a computer program in order to carry out the method according to the invention when the computer program is executed on a computer.
Eine Idee der vorliegenden Erfindung ist es, durch das Validieren des Werts der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors durch den Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors eine Verbesserung der Genauigkeit und Plausibilität der Ausgabedaten des ersten Algorithmus maschinellen Lernens zu ermöglichen.One idea of the present invention is to enable the accuracy and plausibility of the output data of the first machine learning algorithm to be improved by validating the value of the objective function for the sensor data of the first vehicle sensor by the value of the objective function for the sensor data of the second vehicle sensor.
Die durch den ersten Fahrzeugsensor erfassten Daten, welche durch den ersten Algorithmus maschinellen Lernens ungelabelt bzw. ungekennzeichnet verarbeitet werden, können somit in vorteilhafter Weise aufgrund der Validierung der Ausgabedaten bzw. Parameter des ersten Algorithmus maschinellen Lernens durch den zweiten Algorithmus maschinellen Lernens indirekt gelabelt bzw. gekennzeichnet werden.The data recorded by the first vehicle sensor, which are processed unlabeled or unlabelled by the first machine learning algorithm, can thus advantageously be indirectly labeled or labeled by the second machine learning algorithm based on the validation of the output data or parameters of the first machine learning algorithm. be marked.
Die vorliegende Erfindung ermöglicht somit die Nutzung der Vorteile des föderierten Lernens, d.h. das Training und die Implementierung von Algorithmen auf einer lokalen Datenverarbeitungsvorrichtung im Fahrzeug, wobei in vorteilhafter Weise die Übertragung großer Datenmengen vom Fahrzeug an den Backend-Server entfällt.The present invention thus enables the advantages of federated learning to be used, i.e. the training and implementation of algorithms on a local data processing device in the vehicle, advantageously eliminating the need to transmit large amounts of data from the vehicle to the backend server.
Aufgrund der Übertragung lediglich von Parametern bzw. Ausgabedaten der Algorithmen vom Fahrzeug an den Backend-Server bleiben zudem die Datenschutzrichtlinien, z.B. gemäß der DSGVO, gewahrt. Dennoch kann durch die erfindungsgemäße Lösung eine signifikante Verbesserung einer Detektionsgenauigkeit bzw. ein verbessertes Approximationsergebnis der jeweiligen sensorbasierten Fahrzeugfunktion durch den entsprechenden Algorithmus maschinellen Lernens ermöglicht werden.Due to the transmission of only parameters or output data of the algorithms from the vehicle to the backend server, the data protection guidelines, e.g. according to the GDPR, are maintained. Nevertheless, the solution according to the invention enables a significant improvement in a detection accuracy or an improved approximation result of the respective sensor-based vehicle function through the corresponding machine learning algorithm.
Vorteilhafte Ausführungsformen und Weiterbildungen ergeben sich aus den Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren.Advantageous embodiments and developments emerge from the subclaims and from the description with reference to the figures.
Gemäß einer bevorzugten Weiterbildung ist vorgesehen, dass nur dann, wenn der Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors außerhalb des vorgegebenen numerischen Bereiches liegt, vorgegebene Datensequenzen der Sensordaten des ersten Fahrzeugsensors an den fahrzeugexternen Server übertragen werden.According to a preferred development, it is provided that only when the value of the objective function for the sensor data of the second vehicle sensor is outside the predetermined numerical range, predetermined data sequences of the sensor data of the first vehicle sensor are transmitted to the server external to the vehicle.
Es erfolgt somit in vorteilhafter Weise kein kontinuierlicher Datenaustausch der jeweiligen Sensordaten zwischen der Datenverarbeitungsvorrichtung des Fahrzeugs und dem Backend-Server. Eine Datenübertragung von der Datenverarbeitungsvorrichtung des Fahrzeugs an den Server erfolgt lediglich im Ausnahmefall, sofern die spezifizierten Bedingungen vorliegen, gemäß welchen der Wert der Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors außerhalb des vorgegebenen numerischen Bereiches liegt. Ebenfalls werden lediglich vorgegebene Datensequenzen der Sensordaten innerhalb eines begrenzten Zeitraums, beispielsweise innerhalb der letzten 10 bis 30 Sekunden vor einem definierten Ereignis von der fahrzeuginternen Datenverarbeitungsvorrichtung an den fahrzeugexternen Server übertragen.There is thus advantageously no continuous data exchange of the respective sensor data between the data processing device of the vehicle and the backend server. Data is only transmitted from the data processing device of the vehicle to the server in exceptional cases, provided that the specified conditions exist, according to which the value of the objective function for the sensor data of the second vehicle sensor is outside the specified numerical range. Likewise, only predetermined data sequences of the sensor data are transmitted from the vehicle-internal data processing device to the vehicle-external server within a limited period of time, for example within the last 10 to 30 seconds before a defined event.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der vorgegebene Bereich abhängig von dem Wert der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors von dem ersten Algorithmus maschinellen Lernens, dem zweiten Algorithmus maschinellen Lernens, einem fahrzeugexternen Server, oder einer Kombination hiervon bestimmt wird. Der vorgegebene Bereich kann beispielsweise durch einen oberen und/oder unteren Schwellwert abgegrenzt werden, wobei bei Überschreiten bzw. Unterschreiten des Schwellwerts eine Fehlermeldung generierbar ist und in einem solchen Fall die vorgegebene Datensequenz der Sensordaten des ersten Fahrzeugsensors an den fahrzeugexternen Server übertragen wird.According to a further preferred development, it is provided that the predetermined range is dependent on the value of the objective function for the sensor data of the first vehicle sensor from the first machine learning algorithm, the second machine learning algorithm, a vehicle-external server, or a combination thereof is determined. The specified range can be delimited, for example, by an upper and / or lower threshold value, an error message being generated if the threshold value is exceeded or not reached and, in such a case, the specified data sequence of the sensor data from the first vehicle sensor is transmitted to the server external to the vehicle.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass das Validieren des Wertes der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors ein Zuordnen einer die sensorbasierte Fahrzeugfunktion betreffenden Bezeichnung umfasst. Die die Fahrzeugfunktion betreffende Bezeichnung ist dem Fachmann ebenfalls als Label bekannt.According to a further preferred development, it is provided that the validation of the value of the target function for the sensor data of the first vehicle sensor includes assigning a designation relating to the sensor-based vehicle function. The designation relating to the vehicle function is also known to the person skilled in the art as a label.
Die Bezeichnung stellt ein durch den Algorithmus maschinellen Lernens zu klassifizierendes Objekt oder durch eine Regression zu erreichendes Ergebnis dar. Ein Beispiel einer solchen Zielfunktion ist in einer Verhaltensanalyse eines Fahrers des Fahrzeugs gegeben. Durch exakte bzw. richtige Erkennung des Verhaltens des Nutzers können sodann beispielsweise bestimmte Funktionen aktiviert, deaktiviert oder bestimmte Meldungen generiert werden.The designation represents an object to be classified by the machine learning algorithm or a result to be achieved by a regression. An example of such a target function is given in a behavior analysis of a driver of the vehicle. Exact or correct detection of the behavior of the user can then, for example, activate or deactivate certain functions or generate certain messages.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass das Vergleichen des durch den ersten Algorithmus maschinellen Lernens ausgegebenen Wertes der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors mit dem durch den zweiten Algorithmus maschinellen Lernens ausgegebenen Wert der Zielfunktion für Sensordaten des zweiten Fahrzeugsensors durch einen Beobachtungsalgorithmus durchgeführt wird. Somit wird in vorteilhafter Weise ein Vergleich lediglich der Ausgabedaten bzw. Parameter des ersten Algorithmus und des zweiten Algorithmus durchgeführt, sodass hierfür keinerlei Daten verwendet werden müssen, welche die Privatsphäre des Nutzers betreffen.According to a further preferred development, it is provided that the comparison of the value of the target function for the sensor data of the first vehicle sensor output by the first machine learning algorithm with the value of the target function for sensor data of the second vehicle sensor output by the second machine learning algorithm is carried out by an observation algorithm . Thus, in an advantageous manner, a comparison is only carried out between the output data or parameters of the first algorithm and the second algorithm, so that no data that affect the privacy of the user have to be used for this.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der Wert der Zielfunktion für die Sensordaten des ersten Fahrzeugsensors von der fahrzeuginternen Datenverarbeitungsvorrichtung in vorgegebenen Intervallen an den fahrzeugexternen Server übertragen wird. Die Intervalle können in vorteilhafter Weise nach bestimmten systemischen und/oder datenübertragungsrelevanten Gesichtspunkten wie beispielsweise einer Bandbreite einer Datenübertragung gewählt werden.According to a further preferred development, it is provided that the value of the target function for the sensor data of the first vehicle sensor is transmitted from the vehicle-internal data processing device to the vehicle-external server at predetermined intervals. The intervals can advantageously be selected according to certain systemic and / or data transmission-relevant aspects such as, for example, a bandwidth of a data transmission.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass ein dritter Algorithmus maschinellen Lernens des fahrzeugexternen Servers unter Verwendung von von fahrzeuginternen Datenverarbeitungsvorrichtungen einer Vielzahl von Fahrzeugen empfangenen Werten trainiert wird, und wobei der trainierte dritte Algorithmus maschinellen Lernens des fahrzeugexternen Servers an die fahrzeuginterne Datenverarbeitungsvorrichtung der Vielzahl von Fahrzeugen übertragen wird. Somit kann im Rahmen der vorliegenden Erfindung die verbesserte Detektionsgenauigkeit der fahrzeuggebundenen Algorithmen in vorteilhafter Weise mit einem föderierten Lernverfahren verwendet werden, welches eine Übertragung lediglich geringer Datenmengen sowie eine Konformität mit entsprechenden Datenschutzrichtlinien ermöglicht.According to a further preferred development, it is provided that a third machine learning algorithm of the vehicle-external server is trained using values received from vehicle-internal data processing devices from a large number of vehicles, and the trained third machine learning algorithm from the vehicle-external server to the vehicle-internal data processing device of the large number of Vehicles is transmitted. Thus, within the scope of the present invention, the improved detection accuracy of the vehicle-specific algorithms can be used in an advantageous manner with a federated learning method which enables only small amounts of data to be transmitted and compliance with corresponding data protection guidelines.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der trainierte erste Algorithmus maschinellen Lernens der fahrzeuginternen Datenverarbeitungsvorrichtung durch den trainierten dritten Algorithmus maschinellen Lernens des fahrzeugexternen Servers ersetzt wird. Der dritte Algorithmus maschinellen Lernens des fahrzeugexternen Servers kann somit in vorteilhafter Weise auf Basis der empfangenen Daten der fahrzeuggebundenen Algorithmen trainiert und anschließend wieder an die Fahrzeugflotte ausgeliefert werden.According to a further preferred development, it is provided that the trained first machine learning algorithm of the vehicle-internal data processing device is replaced by the trained third machine learning algorithm of the vehicle-external server. The third machine learning algorithm of the server external to the vehicle can thus advantageously be trained on the basis of the data received from the vehicle-specific algorithms and then delivered again to the vehicle fleet.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der an die fahrzeuginterne Datenverarbeitungsvorrichtung übertragene trainierte dritte Algorithmus maschinellen Lernens und der erste Algorithmus maschinellen Lernens der fahrzeuginternen Datenverarbeitungsvorrichtung parallel ausgeführt werden. In dieser Konstellation profitiert der Fahrzeugnutzer somit in vorteilhafter Weise sowohl von der spezifischen Anpassung des ersten Algorithmus maschinellen Lernens auf das individuelle Nutzungsverhalten des Fahrers als auch von generischen Verbesserungen des dritten Algorithmus maschinellen Lernens, welche auf einem Feedback sämtlicher Flottenteilnehmer basiert.According to a further preferred development, it is provided that the trained third machine learning algorithm transmitted to the vehicle-internal data processing device and the first machine learning algorithm of the vehicle-internal data processing device are executed in parallel. In this constellation, the vehicle user thus benefits in an advantageous manner both from the specific adaptation of the first machine learning algorithm to the individual usage behavior of the driver and from generic improvements to the third machine learning algorithm, which is based on feedback from all fleet participants.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der erste Algorithmus maschinellen Lernens der fahrzeuginternen Datenverarbeitungsvorrichtung mit dem trainierten dritten Algorithmus maschinellen Lernens integriert wird. Somit entsteht in vorteilhafter Weise ein Algorithmus maschinellen Lernens, welcher sich aus Elementen des ersten Algorithmus maschinellen Lernens sowie des dritten Algorithmus maschinellen Lernens zusammensetzt.According to a further preferred development, it is provided that the first machine learning algorithm of the vehicle-internal data processing device is integrated with the trained third machine learning algorithm. This advantageously creates a machine learning algorithm which is composed of elements of the first machine learning algorithm and the third machine learning algorithm.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der erste Fahrzeugsensor und/oder der zweite Fahrzeugsensor durch eine Fahrzeuginnenraumkamera, eine Fahrzeugaußenraumkamera, einen Lenkradsensor, einen Sitzsensor und/oder einen in einem Fahrzeuginnenraum angeordneten Audiosensor ausgebildet ist. Die vorstehend genannten Sensoren können somit eine Vielzahl von Fahrzeugfunktionen abdecken wie beispielsweise eine Gesichtserkennung eines Fahrers und/oder eines Beifahrers, eine Emotionserkennung von Fahrzeuginsassen, eine Aufzeichnung von Vitaldaten der Fahrzeuginsassen, eine Sprachanalyse der Fahrzeuginsassen sowie eine Erkennung eines Fahrzeugaußenraums wie beispielsweise das Erkennen von Fahrbahnmarkierungen, Schildern, etc.According to a further preferred development, it is provided that the first vehicle sensor and / or the second vehicle sensor is formed by a vehicle interior camera, a vehicle exterior camera, a steering wheel sensor, a seat sensor and / or an audio sensor arranged in a vehicle interior. The before The sensors mentioned above can thus cover a large number of vehicle functions such as face recognition of a driver and / or a passenger, emotion recognition of vehicle occupants, recording of vital data of vehicle occupants, speech analysis of vehicle occupants and recognition of the outside of the vehicle such as the recognition of lane markings, Signs, etc.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass falls ein negatives Nutzungsverhalten der sensorbasierten Fahrzeugfunktion durch einen Benutzer des Fahrzeugs, insbesondere ein Ignorieren einer durch die sensorbasierte Fahrzeugfunktion erzeugten Verhaltensempfehlung, erfasst wird, vorgegebene Datensequenzen umfassend Sensordaten des ersten Fahrzeugsensors an den fahrzeugexternen Server übertragen werden. Ein negatives Nutzungsverhalten eines Fahrzeugnutzers bzw. Fahrers kann auf eine Fehlfunktion bzw. Fehlerkennung eines gewünschten Objekts durch den Algorithmus hindeuten. Zur Verbesserung der Algorithmusperformance werden somit relevante Datensequenzen an den fahrzeugexternen Server übertragen.According to a further preferred development, it is provided that if negative usage behavior of the sensor-based vehicle function is detected by a user of the vehicle, in particular ignoring a behavior recommendation generated by the sensor-based vehicle function, predetermined data sequences including sensor data from the first vehicle sensor are transmitted to the server external to the vehicle. A negative usage behavior of a vehicle user or driver can indicate a malfunction or incorrect identification of a desired object by the algorithm. In order to improve the algorithm performance, relevant data sequences are transmitted to the server external to the vehicle.
Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The refinements and developments described can be combined with one another as required.
Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmale der Erfindung.Further possible configurations, developments and implementations of the invention also include combinations, which are not explicitly mentioned, of features of the invention described above or below with regard to the exemplary embodiments.
FigurenlisteFigure list
Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.The accompanying drawings are intended to provide a further understanding of the embodiments of the invention. They illustrate embodiments and, in conjunction with the description, serve to explain principles and concepts of the invention.
Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.Other embodiments and many of the advantages mentioned emerge with a view to the drawings. The elements shown in the drawings are not necessarily shown true to scale with one another.
Es zeigt:
-
1 eine schematische Darstellung eines Verfahrens und Systems zum Validieren eines Ausgabewerts, insbesondere eines numerischen, alphanumerischen, vektorbasierten oder strukturierten Ausgabewerts, eines Algorithmus maschinellen Lernens, welcher eine erste sensorbasierte Fahrzeugfunktion approximiert gemäß einer bevorzugten Ausführungsform der Erfindung.
-
1 a schematic representation of a method and system for validating an output value, in particular a numeric, alphanumeric, vector-based or structured output value, a machine learning algorithm which approximates a first sensor-based vehicle function according to a preferred embodiment of the invention.
In der vorliegenden Darstellung sind ein erstes Fahrzeug 1 und ein zweites Fahrzeug 2 schematisch dargestellt. Eine fahrzeuginterne Datenverarbeitungsvorrichtung 10 des ersten Fahrzeugs 1 und eine Datenverarbeitungsvorrichtung 20 des zweiten Fahrzeugs 2 sind mit einem fahrzeugexternen Server 16, vorzugsweise durch eine Drahtlosverbindung, verbunden.In the present illustration, a
Die fahrzeuginterne Datenverarbeitungseinrichtung 10 des ersten Fahrzeugs 1 weist einen ersten Algorithmus maschinellen Lernens A1 und einen zweiten Algorithmus maschinellen Lernens A2 auf. Der erste Algorithmus maschinellen Lernens A1 ist dazu eingerichtet, Sensordaten D1 eines ersten Fahrzeugsensors 12 zu empfangen. Der zweite Algorithmus maschinellen Lernens A2 ist dazu eingerichtet, Sensordaten D2 eines zweiten Fahrzeugsensors 14 zu empfangen.The in-vehicle
In der vorliegenden Ausführungsform sind in vereinfachter Weise lediglich zwei Algorithmen dargestellt. Selbstverständlich können beispielsweise mehr als zwei Algorithmen verwendet werden. Der erste Algorithmus maschinellen Lernens A1 approximiert zumindest einen Wert einer Zielfunktion für die Sensordaten des ersten Fahrzeugsensors 12, welcher auf die Sensordaten D1 des ersten Fahrzeugsensors 12 angewendet wird. Die Zielfunktion repräsentiert hierbei eine erste sensorbasierte Fahrzeugfunktion. Bei einer solchen Fahrzeugfunktion kann es sich beispielsweise um je nach Sensor eine Verhaltenserkennung eines Fahrzeugnutzers handeln. Hierfür können beispielsweise Bilddaten, Audiodaten oder sonstige Daten, welche von entsprechenden Sensoren erzeugt werden, herangezogen werden.In the present embodiment, only two algorithms are shown in a simplified manner. Of course, more than two algorithms can be used, for example. The first machine learning algorithm A1 approximates at least one value of an objective function for the sensor data of the
Ebenso approximiert der zweite Algorithmus maschinellen Lernens A2 zumindest einen Wert einer Zielfunktion für die Sensordaten des zweiten Fahrzeugsensors 14, wobei der Algorithmus maschinellen Lernens auf die Sensordaten des zweiten Fahrzeugsensors 14 angewendet wird. Die Zielfunktion repräsentiert hierbei eine zweite sensorbasierte Fahrzeugfunktion.The second machine learning algorithm A2 also approximates at least one value of an objective function for the sensor data of the
Falls der erste Fahrzeugsensor beispielsweise durch eine Innenraumkamera ausgebildet ist, so kann der zweite Fahrzeugsensor beispielsweise durch einen Audiosensor oder sonstigen in dieser Anmeldung beschriebenen Sensor ausgebildet sein.If the first vehicle sensor is formed, for example, by an interior camera, the second vehicle sensor can, for example, be formed by an audio sensor or other sensor described in this application.
Die fahrzeuginterne Datenverarbeitungseinrichtung 10 ist dazu eingerichtet, einen durch den ersten Algorithmus maschinellen Lernens A1 ausgegebenen Wert W1 der Zielfunktion für Sensordaten D1 des ersten Fahrzeugsensors 12 mit dem durch den zweiten Algorithmus maschinellen Lernens A2 der fahrzeuginternen Datenverarbeitungseinrichtung 10 ausgegebenen Wert W2 der Zielfunktion für Sensordaten D2 des zweiten Fahrzeugsensors 14 zu vergleichen.The in-vehicle
Die Werte W1, W2 sind vorzugsweise numerische Werte. Alternativ können die Werte W1, W2 beispielsweise alphanumerische, vektorbasierte oder strukturierte Werte sein.The values W1, W2 are preferably numerical values. Alternatively, the values W1, W2 can be, for example, alphanumeric, vector-based or structured values.
Der Wert W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 wird dabei durch den Wert W2 der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors 14 fahrzeugintern validiert.The value W1 of the target function for the sensor data D1 of the
Falls der Wert W2 der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors 14 in einem vorgegebenen numerischen Bereich von Werten der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors liegt, findet eine Validierung der Ausgabe des ersten Algorithmus maschinellen Lernens A1 durch den zweiten Algorithmus maschinellen Lernens A2 statt. Der vorgegebene Bereich ist abhängig von dem Wert W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 bestimmbar.If the value W2 of the objective function for the sensor data D2 of the
Lediglich wenn der Wert W2 der Zielfunktion für Sensordaten D2 des zweiten Fahrzeugsensors 14 außerhalb des vorgegebenen numerischen Bereichs liegt, werden die vorgegebenen Datensequenzen der Sensordaten D1 des ersten Fahrzeugsensors 12 an den fahrzeugexternen Server 16 übertragen. Wenn der Wert W2 der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors 14 innerhalb des vorgegebenen numerischen Bereichs liegt, so werden lediglich Ausgabe- bzw. Parameterdaten des ersten Algorithmus maschinellen Lernens A1 und/oder des zweiten Algorithmus maschinellen Lernens A2 von der fahrzeuginternen Datenverarbeitungsvorrichtung 10 an den fahrzeugexternen Server 16 übertragen.Only when the value W2 of the objective function for sensor data D2 of the
Der vorgegebene Bereich wird hierbei abhängig von dem Wert W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 von dem ersten Algorithmus maschinellen Lernens A1 bestimmt. Alternativ kann die Bestimmung beispielsweise auf der Grundlage von Daten des zweiten Algorithmus maschinellen Lernens A2, dem fahrzeugexternen Server 16 oder einer Kombination hiervon erfolgen.The predefined range is determined by the first machine learning algorithm A1 as a function of the value W1 of the objective function for the sensor data D1 of the
Das Validieren des Wertes W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 umfasst ein Zuordnen einer die sensorbasierte Fahrzeugfunktion betreffenden Bezeichnung bzw. eines Labels. Somit kann durch das Feedback des zweiten Algorithmus maschinellen Lernens A2 ein indirektes bzw. impliziertes Labeln der Zielfunktion des ersten Algorithmus maschinellen Lernens A1 durchgeführt bzw. erreicht werden.The validation of the value W1 of the target function for the sensor data D1 of the
Das Vergleichen des durch den ersten Algorithmus maschinellen Lernens A1 ausgegebenen Werts W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 mit dem durch den zweiten Algorithmus maschinellen Lernens A2 ausgegebenen Wert W2 der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors 14 wird durch einen Beobachtungsalgorithmus BA1 durchgeführt.The comparison of the value W1 of the target function for the sensor data D1 of the
Der Wert W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 wird von der fahrzeuginternen Datenverarbeitungsvorrichtung 10 in vorgegebenen Intervallen an den fahrzeugexternen Server 16 übertragen. Selbiges gilt für den Wert W2 der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors 12.The value W1 of the objective function for the sensor data D1 of the
Ein dritter Algorithmus maschinellen Lernens A3 des fahrzeugexternen Servers 16 wird unter Verwendung von fahrzeuginternen Datenverarbeitungsvorrichtungen 10 einer Vielzahl von Fahrzeugen 1, 2 empfangenen Werten trainiert. Der trainierte dritte Algorithmus maschinellen Lernens A3 des fahrzeugexternen Servers 16 wird sodann an jeweilige fahrzeuginterne Datenverarbeitungsvorrichtungen 10 der Vielzahl von Fahrzeugen 1, 2 übertragen. In diesem Rahmen wird vorzugsweise der erste Algorithmus maschinellen Lernens A1 der fahrzeuginternen Datenverarbeitungsvorrichtung 10 durch den trainierten dritten Algorithmus maschinellen Lernens A3 des fahrzeugexternen Servers 16 ersetzt.A third machine learning algorithm A3 of the vehicle-
Alternativ ist es ebenfalls möglich, dass der erste Algorithmus maschinellen Lernens A1 unverändert bestehen bleibt und zusätzlich der dritte Algorithmus maschinellen Lernens A3 von dem fahrzeugexternen Server 16 an die fahrzeuginterne Datenverarbeitungsvorrichtung 10 übertragen wird und die beiden Algorithmen sodann parallel ausgeführt werden.Alternatively, it is also possible that the first machine learning algorithm A1 remains unchanged and, in addition, the third machine learning algorithm A3 is transmitted from the vehicle-
Ferner alternativ ist es beispielsweise möglich, dass der erste Algorithmus maschinellen Lernens A1 und der dritte Algorithmus maschinellen Lernens A3 miteinander integriert werden.Furthermore, as an alternative, it is possible, for example, for the first machine learning algorithm A1 and the third machine learning algorithm A3 to be integrated with one another.
In diesem Fall kann der dritte Algorithmus maschinellen Lernens A3 beispielsweise die Funktion eines Beobachtungsalgorithmus aufweisen, welcher einen Vergleich der Ausgabeparameter der Algorithmen A1, A2 vornimmt.In this case, the third machine learning algorithm A3 can have the function of an observation algorithm, for example, which compares the output parameters of the algorithms A1, A2.
Bei der Aktualisierung der fahrzeuginternen Datenverarbeitungsvorrichtung 10 durch den fahrzeugexternen Server 16 erfolgt ein Update UD1 betreffend das erste Fahrzeug 1 sowie ein Update UD2 betreffend das zweite Fahrzeug 2.When the vehicle-internal
Das zweite Fahrzeug 2 ist im Rahmen der vorliegenden Ausführungsform nur beispielhaft dargestellt und weist einen zu dem ersten Fahrzeug 1 analogen Aufbau bzw. Konfiguration auf. Insbesondere weist das zweite Fahrzeug 2 die fahrzeuginterne Datenverarbeitungseinrichtung 20 auf, welcher wiederum ein erster Algorithmus maschinellen Lernens A11 und ein zweiter Algorithmus maschinellen Lernens A12 zugeordnet sind. Ebenfalls weist das Fahrzeug 2 einen Beobachtungsalgorithmus BA2 auf, welcher einen Vergleich der Ausgabeparameter der Algorithmen A11, A12 vornimmt. Ein erster Fahrzeugsensor 22 überträgt Sensordaten D11 an den ersten Algorithmus maschinellen Lernens A11. Ein zweiter Fahrzeugsensor 24 überträgt Sensordaten D12 an den zweiten Algorithmus maschinellen Lernens A12 des zweiten Fahrzeugs 2. Die fahrzeuginterne Datenverarbeitungseinrichtung 20 überträgt ferner die Ausgabedaten bzw. Parameter W11, W12 der Algorithmen A11, A12 an den fahrzeugexternen Server 16.The
Der erste Fahrzeugsensor 12 und/oder der zweite Fahrzeugsensor 14 können beispielsweise durch eine Fahrzeuginnenraumkamera, eine Fahrzeugaußenraumkamera, einen Lenkradsensor, einen Sitzsensor und/oder einen in einem Fahrzeuginnenraum angeordneten Audiosensor ausgebildet sein.The
Der erste Fahrzeugsensor 12 und/oder der zweite Fahrzeugsensor 14 können ferner durch jegliche im Fahrzeug vorhandene Sensoren ausgebildet sein.The
Ferner kommen eine Vielzahl anderer Fahrzeugsensoren infrage. Falls ein negatives Nutzungsverhalten der sensorbasierten Fahrzeugfunktion durch einen Benutzer des Fahrzeugs 1, 2, insbesondere ein Ignorieren einer durch die sensorbasierte Fahrzeugfunktion erzeugten Verhaltensempfehlung erfasst wird, werden vorgegebene Datensequenzen umfassend Sensordaten D1 des ersten Fahrzeugsensors 12 an den fahrzeugexternen Server 16 übertragen.A large number of other vehicle sensors can also be used. If negative usage behavior of the sensor-based vehicle function is detected by a user of the
Der Begriff Fahrzeug umfasst PKW, LKW, Busse, Wohnmobile, Krafträder, etc., die der Beförderung von Personen, Gütern, etc. dienen.The term vehicle includes cars, trucks, buses, mobile homes, motorcycles, etc. that are used to transport people, goods, etc.
Insbesondere umfasst der Begriff Kraftfahrzeuge zur Personenbeförderung. Ergänzend oder alternativ kann ein Hybrid- oder Elektrofahrzeug gemäß Ausführungsformen ein reines Elektrofahrzeug (BEV) oder ein Plugin-Hybridfahrzeug (PHEV) sein. Es können jedoch auch andere Antriebsformen verwendet werden, beispielsweise in Form eines diesel- oder benzinbetriebenen Fahrzeugs. Das Fahrzeug kann auch in Form eines Schienenfahrzeugs vorliegen.In particular, the term includes motor vehicles for passenger transport. Additionally or alternatively, a hybrid or electric vehicle according to embodiments can be a purely electric vehicle (BEV) or a plug-in hybrid vehicle (PHEV). However, other forms of drive can also be used, for example in the form of a diesel or gasoline-powered vehicle. The vehicle can also be in the form of a rail vehicle.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.Although the invention has been illustrated and explained in more detail by preferred exemplary embodiments, the invention is not restricted by the disclosed examples and other variations can be derived therefrom by the person skilled in the art without departing from the scope of protection of the invention.
Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Beispielhaft genannte Ausführungsformen stellen nur Beispiele dar, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind.It is therefore clear that there is a multitude of possible variations. Embodiments cited by way of example only represent examples that are not to be interpreted in any way as a limitation, for example, of the scope of protection, the possible applications or the configuration of the invention.
Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehenden Erläuterungen in der Beschreibung, definiert wird.Rather, the preceding description and the description of the figures enable the person skilled in the art to specifically implement the exemplary embodiments, whereby the person skilled in the art, with knowledge of the disclosed inventive concept, can make various changes, for example with regard to the function or the arrangement of individual elements mentioned in an exemplary embodiment, without the To leave the scope of protection, which is defined by the claims and their legal equivalents, such as further explanations in the description.
Die Validierung des Wertes W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 erfolgt in der vorliegenden Ausführungsform fahrzeugintern durch den Wert W2 der Zielfunktion für die Sensordaten (D2) des zweiten Fahrzeugsensors 14.The validation of the value W1 of the target function for the sensor data D1 of the
Zusätzlich ist es jedoch möglich, dass der Wert W2 der Zielfunktion für die Sensordaten D2 des zweiten Fahrzeugsensors 14 durch den Wert W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 validiert wird.In addition, however, it is possible for the value W2 of the objective function for the sensor data D2 of the
Alternativ kann der Wert W1 der Zielfunktion für die Sensordaten D1 des ersten Fahrzeugsensors 12 beispielsweise durch weitere Werte von Zielfunktionen für die Sensordaten weiterer Fahrzeugsensoren validiert werden.Alternatively, the value W1 of the target function for the sensor data D1 of the
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE 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 the documents listed 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 3494522 A1 [0004]EP 3494522 A1 [0004]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020117638.4A DE102020117638A1 (en) | 2020-07-03 | 2020-07-03 | Computer-implemented method and system for validating a sensor-based vehicle function |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020117638.4A DE102020117638A1 (en) | 2020-07-03 | 2020-07-03 | Computer-implemented method and system for validating a sensor-based vehicle function |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020117638A1 true DE102020117638A1 (en) | 2022-01-05 |
Family
ID=79019762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020117638.4A Pending DE102020117638A1 (en) | 2020-07-03 | 2020-07-03 | Computer-implemented method and system for validating a sensor-based vehicle function |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020117638A1 (en) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322711A1 (en) | 2017-05-08 | 2018-11-08 | Lear Corporation | Vehicle communication network |
US20190019068A1 (en) | 2017-07-12 | 2019-01-17 | Futurewei Technologies, Inc. | Integrated system for detection of driver condition |
US20190023276A1 (en) | 2016-03-22 | 2019-01-24 | Smartdrive Systems, Inc. | System and method to determine responsiveness of a driver of a vehicle to feedback regarding driving behaviors |
US20190113918A1 (en) | 2017-10-18 | 2019-04-18 | Luminar Technologies, Inc. | Controlling an autonomous vehicle based on independent driving decisions |
EP3494522A1 (en) | 2016-09-26 | 2019-06-12 | Google LLC | Communication efficient federated learning |
DE102018209158B3 (en) | 2018-06-08 | 2019-10-31 | Robert Bosch Gmbh | Method and vehicle system for optimizing parking proposals |
US20200098394A1 (en) | 2018-04-03 | 2020-03-26 | Zoox, Inc. | Detecting errors in sensor data |
-
2020
- 2020-07-03 DE DE102020117638.4A patent/DE102020117638A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190023276A1 (en) | 2016-03-22 | 2019-01-24 | Smartdrive Systems, Inc. | System and method to determine responsiveness of a driver of a vehicle to feedback regarding driving behaviors |
EP3494522A1 (en) | 2016-09-26 | 2019-06-12 | Google LLC | Communication efficient federated learning |
US20180322711A1 (en) | 2017-05-08 | 2018-11-08 | Lear Corporation | Vehicle communication network |
US20190019068A1 (en) | 2017-07-12 | 2019-01-17 | Futurewei Technologies, Inc. | Integrated system for detection of driver condition |
US20190113918A1 (en) | 2017-10-18 | 2019-04-18 | Luminar Technologies, Inc. | Controlling an autonomous vehicle based on independent driving decisions |
US20200098394A1 (en) | 2018-04-03 | 2020-03-26 | Zoox, Inc. | Detecting errors in sensor data |
DE102018209158B3 (en) | 2018-06-08 | 2019-10-31 | Robert Bosch Gmbh | Method and vehicle system for optimizing parking proposals |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016220913A1 (en) | Method and device for generating test cases for autonomous vehicles | |
DE102019114577A1 (en) | SYSTEMS, DEVICES AND METHODS FOR EMBEDDED CODING OF CONTEXT-RELATED INFORMATION USING A NEURONAL NETWORK WITH VECTOR SPACE MODELING | |
DE102016007563A1 (en) | Method for trajectory planning | |
EP3751466A1 (en) | Method for predicting a pollutant value in the air | |
DE102012220158A1 (en) | Method for updating map data | |
EP3877231A1 (en) | Prediction of an anticipated driving behavior | |
DE102016014366A1 (en) | Method for operating a driver assistance system | |
EP2320384A1 (en) | Method of licence plate recognition and categorisation of vehicles for toll purposes | |
DE102020117638A1 (en) | Computer-implemented method and system for validating a sensor-based vehicle function | |
DE102017223621A1 (en) | Method and control unit for controlling a function of an at least partially automated vehicle | |
DE112020005622T5 (en) | Information processing apparatus, information processing method and program | |
DE102018206557A1 (en) | Computer-implemented method and data processing system for assisting a user of a vehicle and vehicle | |
DE102017219269A1 (en) | Classification with automatic selection of promising learning data | |
DE102015008539A1 (en) | Method for merging a plurality of information sources for object detection and method for operating a driver assistance device | |
DE102021202334A1 (en) | FILTERING OPERATIONAL SCENARIOS WHEN OPERATING A VEHICLE | |
DE102020120667A1 (en) | System and method for map matching GNSS positions of a vehicle | |
DE102019211017A1 (en) | Method for clustering different time series values of vehicle data and use of the method | |
DE102019207700A1 (en) | Classification device for object detection in environment sensor data and methods | |
DE102017207538A1 (en) | Driver assistance system and method for assisting a driver of a rail vehicle | |
DE102018000201A1 (en) | Method for verifying the timeliness of a digital map | |
DE102018008443A1 (en) | A method of detecting a bus stop and determining a distance of a vehicle to the bus stop | |
DE102022205974A1 (en) | Method for training a model in the area of contrastive learning | |
DE102022213244A1 (en) | Vehicle system for increasing the safety of a vehicle, method and use | |
DE102022208164A1 (en) | Procedure for determining the reliability of objects | |
DE102023102046A1 (en) | Method for operating an assistance device for a driver of a motor vehicle, computer program product and assistance device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |