DE102020117963A1

DE102020117963A1 - Verfahren, Vorrichtungen und Computerprogramme zum Trainieren eines Maschinenlern-Modells und zum Generieren von Trainingsdaten

Info

Publication number: DE102020117963A1
Application number: DE102020117963.4A
Authority: DE
Inventors: Daniel Knobloch; Benjamin Schulz
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2020-07-08
Filing date: 2020-07-08
Publication date: 2022-01-13
Also published as: US20230196193A1; WO2022008110A1; CN115398497A

Abstract

Ausführungsbeispiele befassen sich mit Verfahren, Vorrichtungen und Computerprogrammen zum Trainieren eines Maschinenlern-Modells und zum Generieren von Trainingsdaten für ein solches Training, insbesondere mit dem Training eines Maschinenlern-Modells zum Bestimmen einer Position eines Schlüsselgeräts relativ zu einem Fahrzeug. Ein computerimplementiertes Verfahren zum Trainieren eines Maschinenlern-Modells umfasst ein Trainieren des Maschinenlern-Modells basierend auf Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren. Das Maschinenlern-Modell wird darauf trainiert, basierend auf Daten einer Laufzeit-Entfernungsmessung einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen.

Description

Technisches Gebiet
Ausführungsbeispiele befassen sich mit Verfahren, Vorrichtungen und Computerprogrammen zum Trainieren eines Maschinenlern-Modells und zum Generieren von Trainingsdaten für ein solches Training, insbesondere mit dem Training eines Maschinenlern-Modells zum Bestimmen einer Position eines Schlüsselgeräts relativ zu einem Fahrzeug.
Hintergrund
Eine Voraussetzung für die Nutzung von sogenannten Keyless-Entry (Schlüsselloser Zugang) Systemen (auch passive Entry / Passive Go Systeme (passiver Zugang / passives Losfahren) genannt) besteht darin, eine sichere und gleichzeitig robuste Methode zu entwickeln, wie der dazu berechtigte Nutzer sich gegenüber dem Fahrzeug authentifiziert.
Dazu gehört auch eine hinreichend genaue Abschätzung des Ortes des Nutzers bzw. des Authentifizierungsgeräts, (ab wann ein Fahrzeug entriegelt werden darf bzw. verriegelt werden soll), und ob sich der Fahrzeugschlüssel (Smartphone oder klassischer Schlüssel) innerhalb oder außerhalb des Fahrzeugs befindet, um eine Motorstartfreigabe zu erteilen oder diese zu verweigern.
Bei herkömmlichen Schlüsseln wird das mit sehr niedrigen Funkfrequenzen durchgeführt. Zurzeit basieren die meisten passive Entry Systeme auf schmalbandigen Funktechnologien im LF-Band (Low Frequency Band, Niedrigfrequenzband, auch Langwellenband). Sobald die Distanz zwischen Schlüssel und Fahrzeug klein genug ist baut der Fahrzeugschlüssel eine Verbindung zum Fahrzeug auf. Nachdem die Verbindung etabliert wurde, wird in einem anderen LF-Frequenzband eine Lokalisierung durchgeführt. Dabei wird ein definiertes Signal vom Schlüssel ausgesendet und eine oder mehrere Empfangsantennen erhalten, je nach Position in Relation zum Fahrzeug, dieses Signal mit unterschiedlichen Signalstärken. Grund dafür ist die Dämpfung einer elektromagnetischen Welle in verschiedenen Materialien. Je nach Empfangsleistung des Signals an den verschiedenen Empfangsknoten kann darüber entschieden werden, ob sich der Schlüssel nah genug am Fahrzeug befindet, bzw. sich innerhalb des Fahrzeugs befindet.
Bei der Implementierung dieser Funktion in Smartphones (programmierbaren Mobiltelefonen) können zur Lokalisierung hochfrequente Funkfrequenzen verwendet werden, die eine Lokalisierung schwierig gestalten.
Zusammenfassung
Es besteht ein Bedarf, einen verbesserten Ansatz zum Nutzen von Smartphones als Fahrzeugschlüssel bereitzustellen.
Diesem Bedarf wird durch die Ausführungsbeispiele der vorliegenden Offenbarung Rechnung getragen.
Ausführungsbeispiele der vorliegenden Offenbarung basieren auf der Erkenntnis, dass die Messwerte in höheren Frequenzen, wie sie von Smartphones oder anderen modernen Schlüsselgeräten verwendet werden, abhängiger sind von der Umgebung als in tiefen Frequenzen.
Da ein Fahrzeug eine komplexe Geometrie darstellt, dessen elektromagnetisches Verhalten sich nicht einfach berechnen lässt, wendet man hier Machine-Learning-Prozesse (Prozesse des maschinellen Lernens) an, d.h. es werden beispielsweise Trainingsdaten am Fahrzeug gemessen, diese werden in ein Machine-Learning Modell (ML-Modell, Maschinenlern-Modell) überführt, sodass danach das Fahrzeug die Klassifikation übernehmen kann, ob sich das Authentifizierungsgerät innerhalb oder außerhalb des Fahrzeugs befindet. Idealerweise wird der gesamte Lösungsraum abgedeckt, sodass die Klassifikation an keiner Stelle versagt (falsche Klassifikation oder blind-spot, tote Zone). Der Prozess ist dabei, in manchen Fällen, dass eine Person einen Schlüssel an definierte Positionen, im Fahrzeug, am Fahrzeug und um das Fahrzeug herum hält. Dabei weiß die messende Person, ob sich der Schlüssel derzeit innerhalb, außerhalb oder im Kofferraum befindet. Die Leistungswerte der verschiedenen Empfangsknoten werden dann mit diesem Wissen (innerhalb, außerhalb oder im Kofferraum (im Nachfolgenden nur noch mit „innen“ und „außen“ beschrieben)) miteinander verknüpft. Die Aufnahme eines solchen Trainingsdatensatzes findet in manchen Fällen in einer nicht stark spezifizierten Umgebung statt. Dies ist für Messungen im Niederfrequenzbereich ausreichend, da die Eigenschaften der dazu verwendetem Funkfrequenzen hinreichend umgebungsunabhängig sind, dass derartige Verfahren ausreichen. Anschließend wird das ML-Modell gebildet und geprüft ob das Modell funktioniert.
In manchen Smartphones und anderen Mobilgeräten, die als Schlüsselgerät eingesetzt werden, wird eine neue Technologie - Ultrabreitband (engl. Ultra Wide Band, UWB) - eingesetzt. Unterscheiden tut sich diese Art der Funktechnologie zum LF-Funk grundlegend darin, dass anstelle eines leistungsstarken schmalbandigen Signals (d.h. eine niederfrequente Information wird auf eine höhere Trägerfrequenz aufmoduliert), ein sehr breitbandiges aber leistungsschwaches Signal im SHF-Band (Super High Frequency, Superhohe Frequenz, Zentimeterwellenband, 3-30GHz) übertragen wird.
Durch die Nutzung eines sehr breiten Spektrums (von beispielsweise mindestens 500MHz) kann eine präzise Time-of-Flight (ToF, Laufzeit)-Messung durchgeführt werden. Durch die Messung der ToF (Laufzeit) kann dann über die Konstante der Lichtgeschwindigkeit die Distanz zwischen Sender und Empfänger berechnet werden. Zusätzlich zu der ToF kann ebenfalls die empfangene Leistung (RXP, Receive Power) als zweites Merkmal zur Distanzberechnung hinzugezogen werden. Grundsätzlich ist es möglich, den Prozess der Datenverarbeitung und dem Anlernen des ML-Modells auch auf diese Funktechnologie anzuwenden.
Durch die hohen Frequenzen und damit niedrigen Wellenlängen (ca. 3 bis 7 Zentimeter) der elektromagnetischen Wellen sind die Störeinflüsse von metallischen Gegenständen im Umfeld von Sender und Empfänger wesentlich größer als die im LF-Band. An leitfähigen Geometrien in der Größenordnung der Wellenlänge interagiert eine elektromagnetische Welle sehr stark, d.h. die Welle wird reflektiert, gestreut und gebeugt. LF-Funk hat eine Wellenlängengrößenordnung im einstelligen Kilometerbereich, weshalb es bei diesem Funk zu wenig Interaktionen zwischen, in Relation zur Wellenlänge, kleinen metallischen Gegenständen gibt. Bei Wellenlängen im Zentimeterbereich wirken allerdings der Karosserie-Motorblock, andere Fahrzeuge, Wände aus Stahlbeton, Gitter etc. sehr störend. Das liegt unter anderem auch an der Eindringtiefe der Wellen in einen Leiter. Je höher die Frequenz der elektromagnetischen Welle desto niedriger ist die Eindringtiefe in diesen Leiter bzw. die Möglichkeit diesen Leiter auch zu durchdringen. Bei LF liegt diese Eindringtiefe bei ca. 100µm, bei SHF bei etwa 1 µm. Das heißt, dass sich hohe Frequenzen viel leichter abschirmen lassen als niedrigere Frequenzen. Außerdem ist die Freiraumdämpfung proportional zur Frequenz, was wiederum bedeutet, dass die UWB-Wellen schon allein wegen ihrer höheren Frequenz stärker gedämpft werden. Zusätzlich dazu werden hochfrequente Wellen bei nicht transparenten Objekten wie Wasser oder Luftfeuchtigkeit stärker gedämpft als niederfrequente Wellen.
Das alles führt dazu, dass das UWB-Signal so stark von der Umgebung beeinflusst wird, dass die Aufnahme eines Trainingsdatensatzes in einer allgemeinen, nicht stark spezifizierten Umgebung, nicht zwingend ausreicht, um sicherzugehen, dass das Modell auch in anderen Umgebungen funktioniert. Das hätte prinzipiell zur Folge, dass in allen möglichen Umgebungen Trainingsdaten aufgenommen werden müssten, um den Lösungsraum in allen Umgebungen abdecken zu können, was im besten Falle sehr aufwendig, und im realistischen Fall nicht möglich ist, da es unmöglich ist, alle denkbaren Fahrzeugumgebungen anzufahren und dort Trainingsdaten aufzunehmen.
Ausführungsbeispiele der vorliegenden Offenbarung befassen sich damit, wie der Trainingsaufwand reduziert werden kann, um ein zuverlässiges ML-Modell erzeugen zu können. Damit kann eine Klassifizierung vorgenommen werden, ob ein Authentifizierungsgerät (wie etwa ein Schlüssel (auch engl. Key Fob) oder Smartphone) sich im Innen- bzw. Außenraum des Fahrzeugs befindet. Ausführungsbeispiele der vorliegenden Offenbarung basieren dabei auf der Erkenntnis, dass sich der Aufwand zur Generierung der Trainingsdaten dadurch reduzieren lässt, dass das Maschinenlern-Modell basierend auf zwei unterschiedlichen Fahrzeugumgebungen trainiert wird, wobei die zwei unterschiedlichen Fahrzeugumgebungen, in Bezug auf mögliche Reflektionen, möglichst unterschiedlich sind. Beispielsweise kann eine Fahrzeugumgebung gewählt werden, die möglichst frei von Reflektionen ist, und eine weitere, in der eine Vielzahl von Reflektionen zu erwarten sind (etwa eine Fahrzeugumgebung in einer dicht geparkten Tiefgarage). Die Fahrzeugumgebungen, die in Bezug auf die Reflektionen zwischen den beiden Extremen liegen, können durch das Maschinenlern-Modell aus diesen beiden Fahrzeugumgebungen abgeleitet werden, wobei auch eine zusätzliche Augmentierung der Daten vorgenommen werden kann, um das Trainieren des Maschinenlern-Modells über die beiden Fahrzeugumgebungen hinaus zu erweitern.
Ausführungsbeispiele der vorliegenden Offenbarung schaffen ein computerimplementiertes Verfahren zum Trainieren eines Maschinenlern-Modells. Das Verfahren umfasst ein Trainieren des Maschinenlern-Modells basierend auf Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren. Das Maschinenlern-Modell wird darauf trainiert, basierend auf Daten einer Laufzeit-Entfernungsmessung einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen. Durch die Nutzung von Daten, die zwei verschiedene Fahrzeugumgebungen repräsentieren, kann das Verhalten von anderen Fahrzeugumgebungen, die in Bezug auf mögliche Reflektionen zwischen den beiden untersuchten Fahrzeugumgebungen liegen, durch das Maschinenlern-Modell modelliert werden, ohne dass zusätzliche Messungen in weiteren Fahrzeugumgebungen notwendig sind.
Beispielsweise können sich die zumindest zwei verschiedenen Fahrzeugumgebungen in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung unterscheiden. Dabei können beispielsweise Fahrzeugumgebungen gewählt werden, die sich in Bezug auf die Reflektionen möglichst weit unterschieden, um andere Fahrzeugumgebungen, die in Bezug auf Reflektionen zwischen den Extrema liegen, mit abgedeckt werden können.
Grundsätzlich gibt es mehrere Möglichkeiten, um die Daten zu den unterschiedlichen Fahrzeugumgebungen zu erzeugen. Einerseits können die Daten gemessen werden. Beispielsweise können die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen ersten Datensatz, der in einer ersten Fahrzeugumgebung gemessen wurde, und zumindest einen zweiten Datensatz, der in einer zweiten Fahrzeugumgebung gemessen wurde, umfassen. So können beispielsweise Fahrzeugumgebungen zum Training verwendet werden, die zur Messung der Daten zur Verfügung stehen.
Alternativ oder zusätzlich können die Daten über eine physikalische Simulation erzeugt werden. In anderen Worten können die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen ersten Datensatz, der auf einer physikalischen Simulation einer ersten Fahrzeugumgebung basiert, und zumindest einen zweiten Datensatz, der auf einer physikalischen Simulation einer zweiten Fahrzeugumgebung basiert, oder der in einer zweiten Fahrzeugumgebung gemessen wurde, umfassen. So können beispielsweise Fahrzeugumgebungen zum Training des Maschinenlern-Modells genutzt werden, in denen eine Datenerzeugung über eine Messung nicht möglich ist.
Zudem können die gemessenen oder simulierten Daten augmentiert werden. Beispielsweise kann das Verfahren ein Ergänzen zumindest eines Datensatzes um eine Mehrzahl von zusätzlichen berechneten Dateneinheiten, um die Daten, die die zumindest zwei verschiedenen Fahrzeugumgebungen repräsentieren, zu erhalten. In anderen Worten können die gemessenen oder simulierten Daten um weitere Daten ergänzt werden, die auf einer Abwandlung der physikalisch simulierten oder gemessenen Daten basieren. Beispielsweise können die zusätzlichen Dateneinheiten durch Hinzufügen von künstlichem Rauschen basierend auf dem jeweiligen Datensatz berechnet sein. Alternativ oder zusätzlich können die zusätzlichen Dateneinheiten basierend auf einem positionsabhängigen Fehlermodell basierend auf dem jeweiligen Datensatz berechnet sein. Alternativ oder zusätzlich können die zusätzlichen Dateneinheiten durch Interpolation zwischen den Daten zweier Positionen basierend auf dem jeweiligen Datensatz berechnet sein. Diese Ansätze können verwendet werden, um automatisiert zusätzliche Trainingsdaten zu generieren.
Beispielsweise können die Laufzeit-Entfernungsmessung und/oder eine empfangene Signalstärke auf ein oder mehreren Signalen einer Ultra-Breitband-Signalübertragung basieren. Bei UWB-Signalen kann ein Training des Maschinenlern-Modells in verschiedenen Fahrzeugumgebungen aufgrund der genutzten Wellenlängen besonders vorteilhaft sein.
In einigen Ausführungsbeispielen wird das Maschinenlern-Modell darauf trainiert, basierend auf Daten einer Laufzeit-Entfernungsmessung einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug und basierend auf einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen. Dies ermöglicht eine sicherere Bestimmung der Relativposition des Schlüsselgeräts.
Ausführungsbeispiele der vorliegenden Offenbarung umfassen ferner eine computerimplementierte Vorrichtung zum Trainieren eines Maschinenlern-Modells. Die Vorrichtung umfasst ein oder mehrere Prozessoren und ein oder mehrere Speichergeräte. Die Vorrichtung ist ausgebildet zum Ausführen des Verfahrens zum Trainieren des Maschinenlern-Modells. Ausführungsbeispiele schaffen ferner ein Fahrzeug mit einem Rechenmodel, wobei das Rechenmodul ausgebildet ist, um, unter Zuhilfenahme des Maschinenlern-Modells, die Position eines Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen.
Ausführungsbeispiele der vorliegenden Offenbarung schaffen ferner ein Verfahren zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells. Die Datensätze umfassen jeweils eine Mehrzahl von Dateneinheiten mit einer Position eines Schlüsselgeräts relativ zu einem Fahrzeug, einer Laufzeit-Entfernungsmessung zwischen dem Schlüsselgerät und dem Fahrzeug und/oder einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug. Das Verfahren umfasst ein Generieren eines ersten Datensatzes in einer ersten Fahrzeugumgebung. Das Verfahren umfasst ferner ein Generieren eines zweiten Datensatzes in einer zweiten Fahrzeugumgebung. Die zwei Fahrzeugumgebungen unterschieden sich in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung. Hierdurch können beispielsweise die Trainingsdaten für das zuvor vorgestellte Verfahren generiert werden.
Ausführungsbeispiele der vorliegenden Offenbarung umfassen ferner eine computerimplementierte Vorrichtung zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells. Die Vorrichtung umfasst ein oder mehrere Prozessoren und ein oder mehrere Speichergeräte. Die Vorrichtung ist ausgebildet zum Ausführen des Verfahrens zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells.
Ausführungsbeispiele der vorliegenden Offenbarung umfassen ferner ein Programm mit einem Programmcode zum Durchführen zumindest eines der Verfahren, wenn der Programmcode auf einem Computer, einem Prozessor, einem Kontrollmodul oder einer programmierbaren Hardwarekomponente ausgeführt wird.
Figurenliste
Einige Beispiele von Vorrichtungen und/oder Verfahren werden nachfolgend bezugnehmend auf die beiliegenden Figuren lediglich beispielhaft näher erläutert. Es zeigen:

1a zeigt ein Flussdiagramm eines Ausführungsbeispiels eines computerimplementierten Verfahrens zum Trainieren eines Maschinenlern-Modells;
1b zeigt ein Blockdiagramm eines Ausführungsbeispiele einer computerimplementierten Vorrichtung zum Trainieren eines Maschinenlern-Modells;
2a zeigt ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells; und
2b zeigt ein Blockdiagramm eines Ausführungsbeispiels einer Vorrichtung zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells.

Beschreibung
Verschiedene Beispiele werden nun ausführlicher Bezug nehmend auf die beiliegenden Figuren beschrieben, in denen einige Beispiele dargestellt sind. In den Figuren können die Stärken von Linien, Schichten und/oder Bereichen zur Verdeutlichung übertrieben sein.
Es versteht sich, dass, wenn ein Element als mit einem anderen Element „verbunden“ oder „gekoppelt“ bezeichnet wird, die Elemente direkt, oder über ein oder mehrere Zwischenelemente, verbunden oder gekoppelt sein können. Wenn zwei Elemente A und B unter Verwendung eines „oder“ kombiniert werden, ist dies so zu verstehen, dass alle möglichen Kombinationen offenbart sind, d. h. nur A, nur B sowie A und B, sofern nicht explizit oder implizit anders definiert. Eine alternative Formulierung für die gleichen Kombinationen ist „zumindest eines von A und B“ oder „A und/oder B“. Das Gleiche gilt, mutatis mutandis, für Kombinationen von mehr als zwei Elementen.
Sofern nicht anderweitig definiert, werden alle Begriffe (einschließlich technischer und wissenschaftlicher Begriffe) hier in ihrer üblichen Bedeutung auf dem Gebiet verwendet, zu dem Beispiele gehören.
Ausführungsbeispiele der vorliegenden Offenbarung befassen sich im Allgemeinen mit einer Lokalisierung eines Authentifizierungsgeräts, etwa eines Schlüsselgeräts, im Innen- bzw. Außenraum eines Fahrzeugs. Ausführungsbeispiele betreffen damit im Besonderen Authentifizierungsgeräte oder Schlüsselgeräte für Keyless-Entry-Systeme und Keyless-Go-Systeme von Fahrzeugen.
1a zeigt ein Flussdiagramm eines Ausführungsbeispiels eines computerimplementierten Verfahrens zum Trainieren eines Maschinenlern-Modells. Das Verfahren umfasst ein Trainieren 120 des Maschinenlern-Modells basierend auf Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren. Das Maschinenlern-Modell wird darauf trainiert, basierend auf Daten einer Laufzeit-Entfernungsmessung einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen.
1b zeigt ein Blockdiagramm eines Ausführungsbeispiele einer entsprechenden computerimplementierten Vorrichtung 10 zum Trainieren des Maschinenlern-Modells. Die Vorrichtung umfasst ein oder mehrere Prozessoren 14 und ein oder mehrere Speichergeräte 16. Optional umfasst die Vorrichtung ferner eine Schnittstelle 12, etwa zum Erhalten der Trainingsdaten oder zum Bereitstellen des trainierten Maschinenlernmodells. Die ein oder mehreren Prozessoren sind mit der optionalen Schnittstelle und den ein oder mehreren Speichergeräten gekoppelt. Im Allgemeinen wird die Funktionalität der Vorrichtung von den ein oder mehreren Prozessoren bereitgestellt, unter Zuhilfenahme der ein oder mehreren Speichergeräte und/oder der optionalen Schnittstelle. Die Vorrichtung ist ausgebildet zum Ausführen des Verfahrens von 1a.
Die folgende Beschreibung bezieht sich sowohl auf das Verfahren von 1a als auch auf die entsprechende Vorrichtung von 1b.
Zumindest manche Aspekte der vorliegenden Offenbarung beziehen sich auf ein Verfahren, eine Vorrichtung und ein Computerprogramm zum Trainieren eines Maschinenlern-Modells. Maschinelles Lernen bezieht sich auf Algorithmen und statistische Modelle, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Maschinelles lernen wird in einer Vielzahl von Anwendungen eingesetzt, etwa zur Objekterkennung in Bilddaten, zur Vorhersage von Zeitserien, zur Musteranalyse etc. Dabei wird im Allgemeinen ausgenutzt, dass zum Anlernen eines Maschinenlern-Modells, das eine bestimme Aufgabe ausführen soll, dem sogenannten „Training“ des Modells, als Grundlage in vielen Fällen sogenannte Trainingsdaten genügen, also Daten, die ein Beispiel dafür darstellen, welche Transformation von dem jeweiligen Maschinenlernmodell erwartet wird.
Beispielsweise kann der Inhalt von Bildern unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern-Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht-TrainingsSensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird.
Im vorliegenden Fall wird das Maschinenlern-Modell darauf trainiert, basierend auf Daten einer Laufzeit-Entfernungsmessung (auch engl. Time-of-Flight-Ranging) einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen. Zusätzlich zu der Laufzeit-Entfernungsmessung kann ferner eine Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug (etwa von Signalen der Laufzeitmessung) als Eingabewert für das Maschinenlern-Modell verwendet werden. In anderen Worten kann das Maschinenlern-Modell darauf trainiert werden, basierend auf Daten einer Laufzeit-Entfernungsmessung der Entfernung zwischen dem Schlüsselgerät und dem Fahrzeug und basierend auf einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen. Dabei kann das Schlüsselgerät etwa ein Funkschlüssel sein (auch engl. Key Fob) oder ein Mobilgerät, wie etwa ein programmierbares Mobiltelefon (Smartphone) oder ein sogenanntes Wearable (am Körper tragbares Mobilgerät) sein. Die Laufzeit-Entfernungsmessung und/oder die empfangene Signalstärke kann/können auf ein oder mehreren Signalen einer Ultra-Breitband (UWB)-Signalübertragung basieren. Doch auch andere hochfrequentige (HF, auch Radio Frequency, RF) oder Niedrigfrequentige (LF) Signalübertragungen können zur Laufzeitmessung und zur Empfangssignalstärkemessung herangezogen werden.
Die Laufzeit-Entfernungsmessung, und optional, die Empfangssignalstärke können dabei als Eingabewerte für das Maschinenlern-Modell verwendet werden, und eine Information über die entsprechende Position des Schlüsselgeräts relativ zu dem Fahrzeug kann von dem Maschinenlern-Modell als Ausgabewert bereitgestellt werden. Dabei werden die Eingabewerte auch also sogenannte „Merkmale“ (engl. Features) bezeichnet. Um ein Maschinenlern-Modell nun zu trainieren (unter Nutzung eines sogenannten Supervised-Learning (überwachtes Lernen)-Ansatzes), werden die entsprechenden Eingabedaten und Ausgabedaten als Trainings-Eingabedaten und Trainings-Ausgabedaten verwendet und das Maschinenlern-Modell darauf trainiert, eine Transformation bereitzustellen, die für alle Trainingsdatensätze aus den Trainings-Eingabedaten entsprechende Ausgabedaten erzeugt.
Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das „Supervised Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainingsdateneinheiten trainiert, wobei jede Dateneinheit ein oder mehrere Trainings-Eingabedaten und ein oder mehrere erwünschte Ausgabewerte umfasst, d. h. der Kombination der ein oder mehreren Trainings-Eingabedaten ist ein erwünschter Ausgabewert zugeordnet. Durch Angeben sowohl von Trainings-Eingabedaten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert basierend auf Eingabedaten, die ähnlich zu den während des Trainings bereitgestellten Trainings-Eingabedaten ist, bereitzustellen ist. In dem vorgestellten Verfahren stellen die Daten der Laufzeit-Entfernungsmessung der Entfernung zwischen dem Schlüsselgerät und dem Fahrzeug und, optional, die Signalstärke der Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug die Eingabedaten, also auch die Trainings-Eingabedaten dar, und die Position des Schlüsselgeräts relativ zu dem Fahrzeug die Ausgabedaten, also auch die Trainings-Ausgabedaten. In anderen Worten wird das Maschinenlern-Modell darauf trainiert, die Position des Schlüsselgeräts relativ zu dem Fahrzeug ausgegeben, wenn Daten einer Laufzeit-Entfernungsmessung der Entfernung zwischen dem Schlüsselgerät und dem Fahrzeug, und optional die Signalstärke der Signalübertragung an den oder die Eingänge des Maschinenlern-Modells anleget werden. Dabei kann die Position des Schlüsselgeräts relativ zu dem Fahrzeug beispielsweise gemäß einer von zwei oder drei Kategorien eingeordnet sein, etwa „innerhalb des Fahrzeug-Innenraums“, „außerhalb des Fahrzeugs“, und optional „im Kofferraum“. Alternativ kann die Position Schlüsselgeräts relativ zu dem Fahrzeug in einem Sektor-basierten System relativ zu dem Fahrzeug angegeben sein.
Das Maschinenlern-Modell wird basierend auf Daten, die zumindest zwei (oder exakt zwei) verschiedene Fahrzeugumgebungen repräsentieren, trainiert. In anderen Worten repräsentieren die Trainingsdateneinheiten, die für das Training des Maschinenlern-Modells verwendet werden, zumindest zwei (oder exakt zwei) verschiedene Fahrzeugumgebungen. Dabei können sich die zumindest zwei verschiedenen Fahrzeugumgebungen in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung unterscheiden. Beispielsweise kann eine erste Fahrzeugumgebung eine sogenannte „Freifeld“-Fahrzeugumgebung sein, also eine Fahrzeugumgebung, in der Reflektionen, Streuungen oder Beugungen der Signale an Gegenständen außerhalb des Fahrzeugs reduziert oder minimiert sind. Eine zweite Fahrzeugumgebung kann dagegen eine Fahrzeugumgebung sein, in der viele Reflektionen der jeweiligen Signale entstehen können. Dazu kann beispielsweise eine Fahrzeugumgebung in einem Parkhaus mit niedrigen Decken und engen Seitenwänden gewählt werden. Dabei bezieht sich die Fahrzeugumgebung einerseits auf die Umgebung des Fahrzeugs außerhalb des Fahrzeugs, also etwa Objekte, Flächen etc. außerhalb des Fahrzeugs. Zusätzlich kann sich die Fahrzeugumgebungen auf Objekte innerhalb des Fahrzeugs beziehen, also etwa eine Ladung oder Passagiere.
Grundsätzlich bestehen zwei Quellen für die jeweiligen Trainingsdaten - einerseits können sie in „realen“ Fahrzeugumgebungen gemessen sein. Andererseits können sie durch eine physikalische Simulation erzeugt sein. Zudem können, wie im Folgenden noch weiter ausgeführt wird, die gemessenen oder simulierten Daten durch eine sogenannte Augmentierung noch durch zusätzliche Dateneinheiten ergänzt werden. Beispielsweise können die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen ersten Datensatz, der in einer ersten Fahrzeugumgebung gemessen wurde umfassen. Zusätzlich können die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen zweiten Datensatz, der in einer zweiten Fahrzeugumgebung gemessen wurde, umfassen. Dazu kann beispielsweise ein Schlüsselgerät in einer realen Fahrzeugumgebung an mehreren Positionen relativ zum Fahrzeug eine Laufzeit-Messung und optional eine EmpfangsSignalstärkemessung durchführen, die als Trainings-Eingabedaten eine Trainingsdateneinheit verwendet werden können. Die entsprechende Position relativ zum Fahrzeug kann als erwartete Ausgabe verwendet werden.
Alternativ oder zusätzlich dazu können simulierte Daten verwendet werden. In anderen Worten können die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen ersten Datensatz, der auf einer physikalischen Simulation einer ersten Fahrzeugumgebung basiert, umfassen. Dieser Datensatz kann zusammen mit einem weiteren simulierten Datensatz, oder zusammen mit einem gemessenen Datensatz verwendet werden. In anderen Worten können die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen zweiten Datensatz, der auf einer physikalischen Simulation einer zweiten Fahrzeugumgebung basiert, oder der in einer zweiten Fahrzeugumgebung gemessen wurde, umfassen. Beispielsweise kann die physikalische Simulation einer Feldsimulation entsprechen. Dazu kann ein Modell des Fahrzeugs in einer simulierten Umgebung erstellt werden. Innerhalb und außerhalb des Fahrzeugs kann eine Mehrzahl von Raumpunkten festgelegt werden, an denen synthetische Messungen basierend auf physikalischen Parametern, wie etwa die distanzabhängige Dämpfung, Dämpfung bei dem Durchdringen von Materialien, Reflektionen am Fahrzeug und an der Umgebung, Abschattung des Signals an Teilen des Fahrzeugs und der Umgebung, Erhöhung der Laufzeit und Dämpfung durch Nicht-Sichtlinienübertragung etc., berechnet werden. Dabei können, zur Simulation einer Fahrzeugumgebung, Reflektionen außerhalb des Fahrzeugs außer Betracht gelassen werden (Freifeld-Simulation). Zur Simulation einer weiteren Fahrzeugumgebung können eine Mehrzahl von zusätzlichen reflektierenden Oberflächen außerhalb, und optional innerhalb, des Fahrzeugs in das Modell eingeführt werden.
Zusätzlich zu den gemessenen oder simulierten Daten können weitere Dateneinheiten erzeugt werden, die (plausible) Abweichungen zu den gemessenen oder simulierten Daten darstellen. In anderen Worten kann das Verfahren ein Ergänzen 110 zumindest eines Datensatzes (der zumindest zwei Datensätze) um eine Mehrzahl von zusätzlichen berechneten Dateneinheiten, um die Daten, die die zumindest zwei verschiedenen Fahrzeugumgebungen repräsentieren, zu erhalten. In anderen Worten können die Datensätze, die zum Trainieren des Maschinenlern-Modells verwendet werden, durch synthetisch generierte Dateneinheiten erweitert werden. Beispielsweise können die zusätzlichen Dateneinheiten, oder zumindest einige der zusätzlichen Dateneinheiten, durch Hinzufügen von künstlichem Rauschen basierend auf dem jeweiligen Datensatz berechnet sein. In anderen Worten können zusätzliche Dateneinheiten dadurch erzeugt werden, dass den Dateneinheiten, die simuliert oder gemessenen wurden, zusätzliches stochastisches oder deterministisches Rauschen (also pseudo-zufällige Abweichungen) hinzugefügt wird. Alternativ oder zusätzlich können die zusätzlichen Dateneinheiten, oder zumindest einige der zusätzlichen Dateneinheiten, durch Interpolation zwischen den Daten zweier Positionen basierend auf dem jeweiligen Datensatz berechnet sein. In anderen Worten können aus zwei Dateneinheiten, die für zwei Positionen relativ zu dem Fahrzeug berechnet sind, eine dritte Dateneinheit berechnet werden, für eine Position, die zwischen den beiden Positionen liegt, mit Werten, die zwischen den Werten der Dateneinheiten liegen.
In manchen Ausführungsbeispielen können die zusätzlichen Dateneinheiten, oder zumindest einige der zusätzlichen Dateneinheiten, basierend auf einem positionsabhängigen Fehlermodell basierend auf dem jeweiligen Datensatz berechnet sein. Dieses positionsabhängige Fehlermodell basiert darauf, dass an bestimmten Positionen relativ zu dem Fahrzeug im Freifeld keine Signale empfangen werden, in reflektierenden Umgebungen jedoch ein Signal empfangen wird. Diese Eigenschaft kann als Fehlermodell modelliert werden und zur Erzeugung derartiger durch Umgebungseinflüsse erzeugte Fehler verwendet werden. In dem positionsabhängigen Fehlermodell können die Bereiche um das Fahrzeug beispielsweise in kleinere Zonen zerteilt werden. Zu jeder Zone kann ermittelt werden, welche charakteristischen Änderungen der Merkmale in den unterschiedlichen Umgebungen auftreten. Daraus kann ein zonenspezifisches Umgebungsstörmodell generiert, also ein Modell, welches spezifisch für jede Zone den Störeinfluss der verschiedenen Umgebungen modelliert. Deren Anwendung ist eine Augmentation, die die aufgenommenen Trainingsdaten einer Umgebung benutzt, um weitere Trainingsdaten zu generieren, die andere Umgebungen abbilden. Diese weiteren Trainingsdaten können dann verwendet werden, um das Maschinenlern-Modell zu trainieren
Die Schnittstelle 12 kann beispielsweise einem oder mehreren Eingängen und/oder einem oder mehreren Ausgängen zum Empfangen und/oder Übertragen von Informationen entsprechen, etwa in digitalen Bitwerten, basierend auf einem Code, innerhalb eines Moduls, zwischen Modulen, oder zwischen Modulen verschiedener Entitäten.
In Ausführungsbeispielen können die ein oder mehreren Prozessoren 14 einem beliebigen Controller oder Prozessor oder einer programmierbaren Hardwarekomponente entsprechen. Beispielsweise können die ein oder mehreren Prozessoren 14 auch als Software realisiert sein, die für eine entsprechende Hardwarekomponente programmiert ist. Insofern können die ein oder mehreren Prozessoren 14 als programmierbare Hardware mit entsprechend angepasster Software implementiert sein. Dabei können beliebige Prozessoren, wie Digitale Signalprozessoren (DSPs) zum Einsatz kommen. Ausführungsbeispiele sind dabei nicht auf einen bestimmten Typ von Prozessor eingeschränkt. Es sind beliebige Prozessoren oder auch mehrere Prozessoren zur Implementierung denkbar.
Die ein oder mehreren Speichergeräte 16 können beispielsweise zumindest ein Element der Gruppe von computerlesbares Speichermedium, magnetisches Speichermedium, optisches Speichermedium, Festplatte, Flash-Speicher, Diskette, Zufallszugriffsspeicher (auch engl. Random Access Memory), Programmable Read Only Memory (PROM), Erasable Programmable Read Only Memory (EPROM), Electronically Erasable Programmable Read Only Memory (EEPROM), und Netzwerkspeicher umfassen.
Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell“ kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern-Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.
Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.
Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random-Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.
Mehr Details und Aspekte des Verfahrens und der Vorrichtung werden in Verbindung mit dem Konzept oder Beispielen genannt, die vorher oder nachher (etwa 2a und 2b) beschrieben werden. Das Verfahren und die Vorrichtung können ein oder mehrere zusätzliche optionale Merkmale umfassen, die ein oder mehreren Aspekten des vorgeschlagenen Konzepts oder der beschriebenen Beispiele entsprechen, wie sie vorher oder nachher beschrieben wurden.
2a zeigt ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens, etwa eines computerimplementierten Verfahrens, zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells. Die Datensätze umfassen jeweils eine Mehrzahl von Dateneinheiten mit einer Position eines Schlüsselgeräts relativ zu einem Fahrzeug, einer Laufzeit-Entfernungsmessung zwischen dem Schlüsselgerät und dem Fahrzeug und/oder einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug. Das Verfahren umfasst ein Generieren 210 eines ersten Datensatzes in einer ersten Fahrzeugumgebung. Das Verfahren umfasst ferner ein Generieren 220 eines zweiten Datensatzes in einer zweiten Fahrzeugumgebung. Die zwei Fahrzeugumgebungen unterscheiden sich in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung (wie etwa bereits im Zusammenhang mit den 1a und/oder 1b ausgeführt wurde.
2b zeigt ein Blockdiagramm eines Ausführungsbeispiele einer entsprechenden computerimplementierten Vorrichtung 20 Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells. Die Vorrichtung umfasst ein oder mehrere Prozessoren 24 und ein oder mehrere Speichergeräte 26. Optional umfasst die Vorrichtung ferner eine Schnittstelle 22, etwa zum Erhalten der Trainingsdaten oder zum Bereitstellen des trainierten Maschinenlernmodells. Die ein oder mehreren Prozessoren sind mit der optionalen Schnittstelle und den ein oder mehreren Speichergeräten gekoppelt. Im Allgemeinen wird die Funktionalität der Vorrichtung von den ein oder mehreren Prozessoren bereitgestellt, unter Zuhilfenahme der ein oder mehreren Speichergeräte und/oder der optionalen Schnittstelle. Die Vorrichtung ist ausgebildet zum Ausführen des Verfahrens von 2a.
Die folgende Beschreibung bezieht sich sowohl auf das Verfahren von 2a als auch auf die entsprechende Vorrichtung von 2b.
Manche Ausführungsbeispiele der vorliegenden Offenbarung beziehen sich auf die Erzeugung von Trainingsdaten zum Trainieren eines Maschinenlern-Modells, etwa des Maschinenlern-Modells der 1a und/oder 1b. Das Verfahren ist geeignet zum Generieren von Datensätzen zum Trainieren des Maschinenlern-Modells. Die Datensätze umfassen jeweils eine Mehrzahl von Dateneinheiten mit einer Position des Schlüsselgeräts relativ zu dem Fahrzeug (als erwartetem Ausgabewert), einer Laufzeit-Entfernungsmessung zwischen dem Schlüsselgerät und dem Fahrzeug (als Trainings-Eingabedatum) und/oder einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug (als Trainings-Eingabedatum).
Wie bereits im Zusammenhang mit den 1a und/oder 1b angedeutet wurde, können die Trainingsdaten grundsätzlich über zwei Ansätze erzeugt werden - über Messungen, und über physikalische Simulationen.
Beispielsweise kann das Generieren 210 des ersten Datensatzes in der ersten Fahrzeugumgebung ein Durchführen einer Mehrzahl von Messungen zum Bestimmen der Laufzeit-Entfernungsmessung und/oder der Signalstärke der Signalübertragung in der ersten Fahrzeugumgebung für eine Mehrzahl von Positionen des Schlüsselgeräts relativ zum Fahrzeug umfassen, etwa an einer Mehrzahl von vorgegebenen Positionen innerhalb und außerhalb des Fahrzeugs. Analog kann das Generieren 220 des zweiten Datensatzes in der zweiten Fahrzeugumgebung ein Durchführen einer Mehrzahl von Messungen zum Bestimmen der Laufzeit-Entfernungsmessung und/oder der Signalstärke der Signalübertragung in der zweiten Fahrzeugumgebung für eine Mehrzahl von Positionen des Schlüsselgeräts relativ zum Fahrzeug umfassen, etwa an der Mehrzahl von vorgegebenen Positionen innerhalb und außerhalb des Fahrzeugs.
Alternativ oder zusätzlich dazu können simulierte Daten verwendet werden. Beispielsweise kann das Generieren 210 des ersten Datensatzes in der ersten Fahrzeugumgebung ein Durchführen einer physikalischen Simulation zum Bestimmen der Laufzeit-Entfernungsmessung und/oder der Signalstärke der Signalübertragung in einem Modell der ersten Fahrzeugumgebung für eine Mehrzahl von Positionen des Schlüsselgeräts relativ zum Fahrzeug umfassen, etwa an einer Mehrzahl von vorgegebenen Positionen innerhalb und außerhalb des Fahrzeugs in dem Modell. Analog dazu kann das Generieren 220 des zweiten Datensatzes in der zweiten Fahrzeugumgebung ein Durchführen einer physikalischen Simulation zum Bestimmen der Laufzeit-Entfernungsmessung und/oder der Signalstärke der Signalübertragung in einem Modell der zweiten Fahrzeugumgebung für eine Mehrzahl von Positionen des Schlüsselgeräts relativ zum Fahrzeug umfassen, etwa an der Mehrzahl von vorgegebenen Positionen innerhalb und außerhalb des Fahrzeugs in dem Modell.
Details der beiden Ansätze, und der beiden Fahrzeugumgebungen, die sich in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung unterscheiden, wurden bereits im Zusammenhang mit der Beschreibung der 1a und 1b genannt. Diese werden im Folgenden weiter vertieft.
In manchen Ausführungsbeispielen umfasst das Verfahren ferner ein Trainieren 230 des Maschinenlernmodells basierend auf den generierten Datensätzen, etwa ähnlich zu dem Trainieren 120 des Maschinenlern-Modells der 1a. Dies kann beispielsweise ein Ergänzen 110 der Datensätze umfassen.
Die Schnittstelle 22 kann beispielsweise einem oder mehreren Eingängen und/oder einem oder mehreren Ausgängen zum Empfangen und/oder Übertragen von Informationen entsprechen, etwa in digitalen Bitwerten, basierend auf einem Code, innerhalb eines Moduls, zwischen Modulen, oder zwischen Modulen verschiedener Entitäten.
In Ausführungsbeispielen können die ein oder mehreren Prozessoren 24 einem beliebigen Controller oder Prozessor oder einer programmierbaren Hardwarekomponente entsprechen. Beispielsweise können die ein oder mehreren Prozessoren 24 auch als Software realisiert sein, die für eine entsprechende Hardwarekomponente programmiert ist. Insofern können die ein oder mehreren Prozessoren 24 als programmierbare Hardware mit entsprechend angepasster Software implementiert sein. Dabei können beliebige Prozessoren, wie Digitale Signalprozessoren (DSPs) zum Einsatz kommen. Ausführungsbeispiele sind dabei nicht auf einen bestimmten Typ von Prozessor eingeschränkt. Es sind beliebige Prozessoren oder auch mehrere Prozessoren zur Implementierung denkbar.
Die ein oder mehreren Speichergeräte 26 können beispielsweise zumindest ein Element der Gruppe von computerlesbares Speichermedium, magnetisches Speichermedium, optisches Speichermedium, Festplatte, Flash-Speicher, Diskette, Zufallszugriffsspeicher (auch engl. Random Access Memory), Programmable Read Only Memory (PROM), Erasable Programmable Read Only Memory (EPROM), Electronically Erasable Programmable Read Only Memory (EEPROM), und Netzwerkspeicher umfassen.
Mehr Details und Aspekte des Verfahrens und der Vorrichtung werden in Verbindung mit dem Konzept oder Beispielen genannt, die vorher oder nachher (etwa 1a und 1b) beschrieben werden. Das Verfahren und die Vorrichtung können ein oder mehrere zusätzliche optionale Merkmale umfassen, die ein oder mehreren Aspekten des vorgeschlagenen Konzepts oder der beschriebenen Beispiele entsprechen, wie sie vorher oder nachher beschrieben wurden.
Ausführungsbeispiele der vorliegenden Offenbarung basieren darauf, dass zum Training des Maschinenlern-Modells zwei Umgebungen (etwa zwei Fahrzeugumgebungen) zugrunde gelegt werden. In manchen Ausführungsbeispielen werden daher, statt in allen möglichen Umgebungen, in genau zwei Umgebungen Trainingsdaten aufgenommen. Diese zwei Umgebungen repräsentieren in ihrem Charakter zwei Extrema die allgemein in Umgebungen auftreten können. Die erste Umgebung sollte eine Umgebung, frei von jeglichen Reflektionen sein. Diese Umgebung wird im Folgenden „Freifeld“ genannt. Dabei kann darauf geachtet werden, dass sich in einem Umkreis von mindestens 5m kein metallisches/reflektierendes Objekt befindet. Dadurch kann sichergestellt werden, dass die empfangenen UWB Pakete allein auf „Line-of-Sight“ (LOS, Sichtlinie) Pfaden zu den jeweiligen Ankern gekommen sein konnten. Dies wiederum hat zur Folge, dass die Verfügbarkeit der Anker eher gering ist. „Verfügbarkeit“ stellt in diesem Zusammenhang das Verhältnis zwischen empfangenen Paketen und gesendeten Paketen. dar
Als zweite Umgebung wird eine sehr stark reflektierende Umgebung vorgeschlagen, etwa eine Tiefgarage mit geringer Deckenhöhe. Zusätzlich dazu kann die gewählte Parkbucht von zwei Stahlbetonwänden eingefasst sein, sodass sowohl über dem Fahrzeug als auch neben dem Fahrzeug Reflexionen auftreten. In dieser Umgebung ist die Ankerverfügbarkeit deutlich höher, da auch auf „Non-LOS“ Pfaden Pakete ausgetauscht werden können.
Mithilfe der Trainingsdaten aus diesen beiden Umgebungen kann ein Großteil des kompletten Lösungsraums (z.B. Supermarkt-Parkplatz oder Parken am Straßenrand) abgedeckt werden.
Das Trainieren in mehreren Umgebungen kann durch weitere Ansätze verbessert werden. In manchen Ausführungsbeispielen werden daher zusätzliche Datenverarbeitungsalgorithmen und Datenaugmentierungen verwendet, um das ML-Modell in verschiedenen Umgebungen anzulernen.
Manche Ausführungsbeispiele basieren auf einer synthetischen Trainingsdatenerzeugung mit Feldsimulation (Augmentierung). Um den Aufwand der Trainingsdatenakquise noch geringer zu halten, können, statt gemessenen Daten, synthetisch erzeugte Daten auf Basis von physikalischen Modellen im Trainingsalgorithmus verwendet werden. Eine sogenannte Feldsimulation erzeugt Raumpunkte im Fahrzeug und um das Fahrzeug herum. Auf Basis physikalischer Modelle können nun die Werte für die entsprechenden Punkte berechnet werden. Die Herausforderung besteht dabei auf der Modellierung des Fahrzeugs und der Umgebung. Welche Teile des Fahrzeugs führen zur vollständigen Abschattung des Signals? Welche Teile des Fahrzeugs verursachen eine stärkere Dämpfung des Signals? Durch welche Regionen des Fahrzeugs wird das Signal durch mehrfach-Reflexionen mit erhöhter ToF geleitet? In einer beispielhaften Implementierung wurde das Modell folgendermaßen aufgebaut.
Es werden Raumpunkte außerhalb des Fahrzeugs mithilfe der folgenden Parameter generiert:

- minDistCar (gibt den minimalen Abstand zum Fahrzeug an ab welchem Punkte generiert werden
- maxDistCar (gibt den maximalen Abstand zum Fahrzeug an, bis zu welchem Punkte generiert werden)
- gridDist (gibt den Abstand der Punkte untereinander an)
- zPoints (gibt die Anzahl an Ebenen in z-Richtung an in der Punkte erzeugt werden)

Entsprechend der Parameter entstehen Raumpunkte um die Kontur des Fahrzeugs. Als Kontur des Fahrzeugs wird, in einer vereinfachten Berechnung, ein Quader mit den maximalen Ausmaßen des Fahrzeugs angenommen. Für die Berechnung der Merkmale, Empfangssignalstärke (RXP) und Distanz (engl. Range), sollen ebenfalls noch die Positionen der Anker bekannt sein.
Als erstes kann der Vektor von jedem Anker zu jedem erzeugten Raumpunkt aufgestellt werden. Die Länge dieser Vektoren gibt die erste Näherung zur Berechnung der beiden Merkmale Distanz und Empfangssignalstärke. Danach kann festgestellt werden, an welcher Stelle diese Vektoren die Kontur des Fahrzeugs verlassen und berechnet wie lang der Pfad durch das Fahrzeug ist. Anhand der Länge dieser Vektoren innerhalb der Fahrzeugkontur kann eine zusätzliche Dämpfung abgeschätzt werden.
Diese Simulation beinhaltet an diesem Punkt nur Daten für Freifeld-Bedingungen (keine Reflexionen, nur LOS-Verbindungen). Um auch Daten von anderen Umgebungen zu simulieren kann das Modell noch mit verschiedenen reflektierenden Oberflächen ausgestattet werden, sodass auch NLOS-Pfade (Nicht-Sichtlinien-Pfade) möglich sind. Außerdem kann das Fahrzeugmodell noch konkretisiert werden. Dadurch, dass nur eine begrenzte Anzahl an Verbindungen aufgebaut werden und es nicht unendlich viele Empfangsknoten gibt, wird in einigen Ausführungsbeispielen keine vollständige Simulation aller Strahlen benötigt.
In manchen Ausführungsbeispielen wird eine synthetische Trainingsdatenerzeugung mit stochastischen rauschen (Augmentierung) verfolgt. Als zweiten Verarbeitungsschritt kann ein Prozess angewandt werden, der zusätzliche Trainingsdaten erzeugt indem vorhandene Trainingsdaten mit einem Störprozess verändert werden. In der Folge können zusätzliche Dateneinheiten zu den Trainingsdaten hinzugefügt werden. Dieser Störprozess kann entweder stochastisch oder deterministisch sein. Diese beaufschlagte Perturbation simuliert beispielsweise eine Störung auf dem Pfad der Verbindung zum Beispiel durch ein Körperteil oder eine Tasche mit Inhalt. Als zielführend hat sich dabei ein gleichverteiltes Rauschen der Empfangssignals-Daten bis zu einer Grenze von 10dB herausgestellt.
In manchen Ausführungsbeispielen wird eine synthetische Trainingsdatenerzeugung mit Fehlermodell (Augmentierung) verfolgt. In der Analyse der Daten zeigt sich, dass in bestimmten Zonen, bestimmte Anker im Freifeld kein Signal liefern, in reflektierenden Umgebungen jedoch ein Signal empfangen wird. Diese Eigenschaft kann als Fehlermodell modelliert werden und zur Erzeugung derartiger durch Umgebungseinflüsse erzeugte Fehler verwendet werden.
Zumindest manche Ausführungsbeispiele schaffen somit eine Ermittlung eines zonenspezifischen Umfeldmodells. Dazu werden die Bereiche um das Fahrzeug beispielsweise in kleinere Zonen zerteilt. Zu jeder Zone kann ermittelt werden, welche charakteristischen Änderungen der Merkmale in den unterschiedlichen Umgebungen auftreten. Daraus wird ein zonenspezifisches Umgebungsstörmodell generiert, also ein Modell, welches spezifisch für jede Zone den Störeinfluss der verschiedenen Umgebungen modelliert. Deren Anwendung ist eine Augmentation, die die aufgenommenen Trainingsdaten einer Umgebung benutzt, um weitere Trainingsdaten zu generieren, die andere Umgebungen abbilden. Diese weiteren Trainingsdaten können dann verwendet werden, um das Maschinenlern-Modell zu trainieren Ausführungsbeispiele schaffen somit ein Verfahren, das die Aufnahme von Messdaten in verschiedenen Umgebungen schafft. Dabei können die Trainingsdaten beispielsweise in zwei verschiedenen spezifizierten Umgebungen aufgenommen werden (Freifeld, Tiefgarage). Ausführungsbeispiele schaffen ferner ein Verfahren zur Erzeugung von zusätzlichen Trainingsdaten (Augmentierung), zur Verbesserung der Performance des ML-Modells. Dabei können zusätzliche Trainingsdaten auf Basis der gemessenen Trainingsdaten in die Bildung des ML-Modells einfließen. Beispielsweise können schon vorhandene Trainingsdaten mit einem positionsunabhängigen Störprozess beaufschlagt als zusätzliche Trainingsdaten hinzugefügt werden. Beispielsweise können zur Augmentierung zusätzliche Punkte dem Training hinzugefügt werden, die räumlich zwischen zwei Punkten derselben Klasse gehören. Beispielsweise können schon vorhandene Trainingsdaten mit einem positionsabhängigen Störprozess beaufschlagt als zusätzliche Trainingsdaten hinzugefügt werden. Alternativ oder zusätzlich können zusätzliche synthetisch erzeugte Trainingsdaten in die Bildung des ML-Modells einfließen. In manchen Ausführungsbeispielen können Raumpunkte außerhalb des Fahrzeugs erzeugt werden und auf Basis von physikalischen Modellen die Merkmal-Werte berechnet werden.
Die Aspekte und Merkmale, die zusammen mit einem oder mehreren der vorher detaillierten Beispiele und Figuren beschrieben sind, können auch mit einem oder mehreren der anderen Beispiele kombiniert werden, um ein gleiches Merkmal des anderen Beispiels zu ersetzen oder um das Merkmal in das andere Beispiel zusätzlich einzuführen.
Beispiele können weiterhin ein Computerprogramm mit einem Programmcode zum Ausführen eines oder mehrerer der obigen Verfahren sein oder sich darauf beziehen, wenn das Computerprogramm auf einem Computer oder Prozessor ausgeführt wird. Schritte, Operationen oder Prozesse von verschiedenen, oben beschriebenen Verfahren können durch programmierte Computer oder Prozessoren ausgeführt werden. Beispiele können auch Programmspeichervorrichtungen, z. B. Digitaldatenspeichermedien, abdecken, die maschinen-, prozessor- oder computerlesbar sind und maschinenausführbare, prozessorausführbare oder computerausführbare Programme von Anweisungen codieren. Die Anweisungen führen einige oder alle der Schritte der oben beschriebenen Verfahren aus oder verursachen deren Ausführung. Die Programmspeichervorrichtungen können z. B. Digitalspeicher, magnetische Speichermedien wie beispielsweise Magnetplatten und Magnetbänder, Festplattenlaufwerke oder optisch lesbare Digitaldatenspeichermedien umfassen oder sein. Weitere Beispiele können auch Computer, Prozessoren oder Steuereinheiten, die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind, oder (feld-)programmierbare Logik-Arrays ((F)PLAs = (Field) Programmable Logic Arrays) oder (feld-)programmierbare Gate-Arrays ((F)PGA = (Field) Programmable Gate Arrays), die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind, abdecken.
Durch die Beschreibung und Zeichnungen werden nur die Grundsätze der Offenbarung dargestellt. Weiterhin sollen alle hier aufgeführten Beispiele grundsätzlich ausdrücklich nur illustrativen Zwecken dienen, um den Leser beim Verständnis der Grundsätze der Offenbarung und der durch den (die) Erfinder beigetragenen Konzepte zur Weiterentwicklung der Technik zu unterstützen. Alle hiesigen Aussagen über Grundsätze, Aspekte und Beispiele der Offenbarung sowie konkrete Beispiele derselben umfassen deren Entsprechungen.
Funktionen verschiedener in den Figuren gezeigter Elemente einschließlich jeder als „Mittel“, „Mittel zum Bereitstellen eines Signals“, „Mittel zum Erzeugen eines Signals“, etc. bezeichneter Funktionsblöcke kann in Form dedizierter Hardware, z. B „eines Signalanbieters“, „einer Signalverarbeitungseinheit“, „eines Prozessors“, „einer Steuerung“ etc. sowie als Hardware fähig zum Ausführen von Software in Verbindung mit zugehöriger Software implementiert sein. Bei Bereitstellung durch einen Prozessor können die Funktionen durch einen einzelnen dedizierten Prozessor, durch einen einzelnen gemeinschaftlich verwendeten Prozessor oder durch eine Mehrzahl von individuellen Prozessoren bereitgestellt sein, von denen einige oder von denen alle gemeinschaftlich verwendet werden können. Allerdings ist der Begriff „Prozessor“ oder „Steuerung“ bei Weitem nicht auf ausschließlich zur Ausführung von Software fähige Hardware begrenzt, sondern kann Digitalsignalprozessor-Hardware (DSP-Hardware; DSP = Digital Signal Processor), Netzprozessor, anwendungsspezifische integrierte Schaltung (ASIC = Application Specific Integrated Circuit), feldprogrammierbare Logikanordnung (FPGA = Field Programmable Gate Array), Nurlesespeicher (ROM = Read Only Memory) zum Speichern von Software, Direktzugriffsspeicher (RAM = Random Access Memory) und nichtflüchtige Speichervorrichtung (storage) umfassen. Sonstige Hardware, herkömmliche und/oder kundenspezifische, kann auch eingeschlossen sein.
Ein Blockdiagramm kann zum Beispiel ein grobes Schaltdiagramm darstellen, das die Grundsätze der Offenbarung implementiert. Auf ähnliche Weise können ein Flussdiagramm, ein Ablaufdiagramm, ein Zustandsübergangsdiagramm, ein Pseudocode und dergleichen verschiedene Prozesse, Operationen oder Schritte repräsentieren, die zum Beispiel im Wesentlichen in computerlesbarem Medium dargestellt und so durch einen Computer oder Prozessor ausgeführt werden, ungeachtet dessen, ob ein solcher Computer oder Prozessor explizit gezeigt ist. In der Beschreibung oder in den Patentansprüchen offenbarte Verfahren können durch ein Bauelement implementiert werden, das ein Mittel zum Ausführen eines jeden der jeweiligen Schritte dieser Verfahren aufweist.
Es versteht sich, dass die Offenbarung mehrerer, in der Beschreibung oder den Ansprüchen offenbarter Schritte, Prozesse, Operationen oder Funktionen nicht als in der bestimmten Reihenfolge befindlich ausgelegt werden soll, sofern dies nicht explizit oder implizit anderweitig, z. B. aus technischen Gründen, angegeben ist. Daher werden diese durch die Offenbarung von mehreren Schritten oder Funktionen nicht auf eine bestimmte Reihenfolge begrenzt, es sei denn, dass diese Schritte oder Funktionen aus technischen Gründen nicht austauschbar sind. Ferner kann bei einigen Beispielen ein einzelner Schritt, Funktion, Prozess oder Operation mehrere Teilschritte, -funktionen, -prozesse oder -operationen einschließen und/oder in dieselben aufgebrochen werden. Solche Teilschritte können eingeschlossen sein und Teil der Offenbarung dieses Einzelschritts sein, sofern sie nicht explizit ausgeschlossen sind.
Weiterhin sind die folgenden Ansprüche hiermit in die detaillierte Beschreibung aufgenommen, wo jeder Anspruch als getrenntes Beispiel für sich stehen kann. Während jeder Anspruch als getrenntes Beispiel für sich stehen kann, ist zu beachten, dass - obwohl ein abhängiger Anspruch sich in den Ansprüchen auf eine bestimmte Kombination mit einem oder mehreren anderen Ansprüchen beziehen kann - andere Beispiele auch eine Kombination des abhängigen Anspruchs mit dem Gegenstand jedes anderen abhängigen oder unabhängigen Anspruchs umfassen können. Solche Kombinationen werden hier explizit vorgeschlagen, sofern nicht angegeben ist, dass eine bestimmte Kombination nicht beabsichtigt ist. Ferner sollen auch Merkmale eines Anspruchs für jeden anderen unabhängigen Anspruch eingeschlossen sein, selbst wenn dieser Anspruch nicht direkt abhängig von dem unabhängigen Anspruch gemacht ist.

Claims

Ein computerimplementiertes Verfahren zum Trainieren eines Maschinenlern-Modells, das Verfahren umfassend: Trainieren (120) des Maschinenlern-Modells basierend auf Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, wobei das Maschinenlern-Modell darauf trainiert wird, basierend auf Daten einer Laufzeit-Entfernungsmessung einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen.
Das Verfahren gemäß Anspruch 1, wobei sich die zumindest zwei verschiedenen Fahrzeugumgebungen in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung unterscheiden.
Das Verfahren gemäß einem der Ansprüche 1 oder 2, wobei die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen ersten Datensatz, der in einer ersten Fahrzeugumgebung gemessen wurde, und zumindest einen zweiten Datensatz, der in einer zweiten Fahrzeugumgebung gemessen wurde, umfasst.
Das Verfahren gemäß einem der Ansprüche 1 oder 2, wobei die Daten, die zumindest zwei verschiedene Fahrzeugumgebungen repräsentieren, zumindest einen ersten Datensatz, der auf einer physikalischen Simulation einer ersten Fahrzeugumgebung basiert, und zumindest einen zweiten Datensatz, der auf einer physikalischen Simulation einer zweiten Fahrzeugumgebung basiert, oder der in einer zweiten Fahrzeugumgebung gemessen wurde, umfasst.
Das Verfahren gemäß einem der Ansprüche 1 bis 4, umfassend Ergänzen (110) zumindest eines Datensatzes um eine Mehrzahl von zusätzlichen berechneten Dateneinheiten, um die Daten, die die zumindest zwei verschiedenen Fahrzeugumgebungen repräsentieren, zu erhalten.
Das Verfahren gemäß Anspruch 5, wobei die zusätzlichen Dateneinheiten durch Hinzufügen von künstlichem Rauschen basierend auf dem jeweiligen Datensatz berechnet sind, und/oder wobei die zusätzlichen Dateneinheiten basierend auf einem positionsabhängigen Fehlermodell basierend auf dem jeweiligen Datensatz berechnet sind, und/oder wobei die zusätzlichen Dateneinheiten durch Interpolation zwischen den Daten zweier Positionen basierend auf dem jeweiligen Datensatz berechnet sind.
Das Verfahren gemäß einem der Ansprüche 1 bis 6, wobei die Laufzeit-Entfernungsmessung und/oder eine empfangene Signalstärke auf ein oder mehreren Signalen einer Ultra-Breitband- Signalübertragung basieren, und/oder wobei das Maschinenlern-Modell darauf trainiert wird, basierend auf Daten einer Laufzeit-Entfernungsmessung einer Entfernung zwischen einem Schlüsselgerät und einem Fahrzeug und basierend auf einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug eine Position des Schlüsselgeräts relativ zu dem Fahrzeug zu bestimmen.
Ein Verfahren zum Generieren von Datensätzen zum Trainieren eines Maschinenlern-Modells, wobei die Datensätze jeweils eine Mehrzahl von Dateneinheiten mit einer Position eines Schlüsselgeräts relativ zu einem Fahrzeug, einer Laufzeit-Entfernungsmessung zwischen dem Schlüsselgerät und dem Fahrzeug und/oder einer Signalstärke einer Signalübertragung zwischen dem Schlüsselgerät und dem Fahrzeug umfasst, das Verfahren umfassend: Generieren (210) eines ersten Datensatzes in einer ersten Fahrzeugumgebung; und Generieren (220) eines zweiten Datensatzes in einer zweiten Fahrzeugumgebung, wobei sich die zwei Fahrzeugumgebungen in Bezug auf mögliche Reflektionen an Oberflächen in der jeweiligen Fahrzeugumgebung unterscheiden.
Ein Programm mit einem Programmcode zum Durchführen zumindest eines der Verfahren gemäß einem der vorhergehenden Ansprüche, wenn der Programmcode auf einem Computer, einem Prozessor, einem Kontrollmodul oder einer programmierbaren Hardwarekomponente ausgeführt wird.
Eine computerimplementierte Vorrichtung (10) zum Trainieren eines Maschinenlern-Modells, die Vorrichtung umfassend ein oder mehrere Prozessoren (14) und ein oder mehrere Speichergeräte (16), wobei die Vorrichtung ausgebildet ist zum Ausführen des Verfahrens gemäß einem der Ansprüche 1 bis 7.