DE102020124174A1 - Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten - Google Patents

Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten Download PDF

Info

Publication number
DE102020124174A1
DE102020124174A1 DE102020124174.7A DE102020124174A DE102020124174A1 DE 102020124174 A1 DE102020124174 A1 DE 102020124174A1 DE 102020124174 A DE102020124174 A DE 102020124174A DE 102020124174 A1 DE102020124174 A1 DE 102020124174A1
Authority
DE
Germany
Prior art keywords
control function
data set
driving scenarios
vehicle
control
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
Application number
DE102020124174.7A
Other languages
English (en)
Inventor
Jonas Schneider
Tobias Latka
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
E:FS TECHHUB GMBH, DE
Original Assignee
Elektronische Fahrwerksysteme GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Elektronische Fahrwerksysteme GmbH filed Critical Elektronische Fahrwerksysteme GmbH
Priority to DE102020124174.7A priority Critical patent/DE102020124174A1/de
Priority to US18/245,696 priority patent/US20230359892A1/en
Priority to CN202180062963.2A priority patent/CN116157309A/zh
Priority to JP2023540984A priority patent/JP2023542434A/ja
Priority to KR1020237012740A priority patent/KR20230088719A/ko
Priority to EP21786759.7A priority patent/EP4214642A1/de
Priority to CA3190157A priority patent/CA3190157A1/en
Priority to AU2021343608A priority patent/AU2021343608A1/en
Priority to IL301179A priority patent/IL301179A/en
Priority to PCT/DE2021/100760 priority patent/WO2022057979A1/de
Publication of DE102020124174A1 publication Critical patent/DE102020124174A1/de
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/082Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001Details of the control system
    • B60W2050/0019Control system elements or transfer functions
    • B60W2050/0028Mathematical models, e.g. for simulation
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062Adapting control system settings
    • B60W2050/0075Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083Setting, resetting, calibration
    • B60W2050/0088Adaptive recalibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten umfassend die Verfahrensschritte:G) Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk umfassend mindestens einen ausgebbaren Steuerbefehl;H) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien;I) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien;J) Trainieren der Steuerfunktion an dem Trainingsdatensatz;K) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs;L) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion.

Description

  • Die Erfindung betrifft ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten.
  • Fahrzeuge verfügen heutzutage über Steuereinheiten, welche von einem Systementwickler festgelegte Steuerfunktionen ausführen. Das Fahrzeug verfügt dabei über eine Vielzahl von Sensoren, welche Fahrzeugsensordaten für die Steuerfunktion bereitstellen, anhand derer die Steuerfunktion Steuerbefehle generiert. Dabei hat der Fahrer des Fahrzeugs oft keinen unmittelbaren Einfluss auf den von der Steuerfunktion generierten Steuerbefehl. Beispiele für Steuerfunktionen stellen dabei beispielsweise ein Tempomat, ein Abstandsregler oder ein Spurwechselwarnsystem dar, welche auf Fahrzeugsensordaten von Radar, Lidar oder Kamera zurückgreifen.
  • Bekannte Verfahren zur Bereitstellung einer Steuerfunktion zur Fahrzeugsteuerung umfassen dabei die Bereitstellung von ausgebbaren Steuerbefehlen durch ein deterministisch/algorithmisch entwickeltes und in der Steuereinheit des Fahrzeugs implementiertes Computerprogramm. Dabei werden ausgebbare Steuerbefehle durch den Entwickler des Computerprogramms derart definiert, dass die Steuerbefehle explizit vorbestimmten Szenarien zugeordnet werden. Diese Art der Bereitstellung einer Steuerfunktion zur Fahrzeugsteuerung ist nicht geeignet, um komplexe Steuerfunktionen bereitzustellen, da die Realität komplexe Fahrszenarien bereitstellt, die von einem Entwickler des Computerprogramms bedacht werden müssten, um eine Steuerfunktion bereitzustellen, welche keinen gefahrenauslösenden Steuerbefehl ausgibt. Dies ist jedoch nur in sehr begrenztem Maße und für wenige Fahrszenarien durchführbar, weshalb die so bereitgestellte Steuerfunktion unter realen Bedingungen, insbesondere auf unbekannte Fahr-Situationen, fehleranfällig reagiert.
  • Ein weiteres Verfahren zur Bereitstellung einer Steuerfunktion umfasst das Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk. Hierbei wird das künstliche neuronale Netzwerk an einem Trainingsdatensatz, der möglichst viele und kategorisch unterschiedliche Fahrszenarien abbildet, trainiert, um selbständig Regeln abzuleiten, nach denen die definierten Steuerbefehle ausgeführt werden. Dies ermöglicht die Bereitstellung komplexer Steuerfunktionen, da keine konkreten Regeln in das Computerprogrammprodukt implementiert werden müssen. Verfahren zur Bereitstellung maschinell gelernter Steuerfunktionen zur Fahrzeugsteuerung sind dennoch fehleranfällig, da das beteiligte künstliche neuronale Netzwerk für Szenarien, welche durch den Trainingsdatensatz nicht oder nur ungenügend abgebildet werden, eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer großen statistischen Unsicherheit behaftet ist.
  • Es ist die Aufgabe der vorliegenden Erfindung ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten bereitzustellen, welches die Nachteile aus dem Stand der Technik überwindet.
  • Die Erfindung umfasst ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten umfassend die Verfahrensschritte:
    • A) Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk (einer Machine-learning-Komponente) umfassend mindestens einen ausgebbaren Steuerbefehl;
    • B) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien;
    • C) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien;
    • D)Trainieren der Steuerfunktion an dem Trainingsdatensatz;
    • E) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs;
    • F) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion.
  • Die Steuerfunktion steuert mit dem mindestens einen Steuerbefehl eine Funktion eines Fahrzeugs. Als Steuerfunktionen werden all jene Funktionen bezeichnet, die einen Einfluss auf die Steuerung (des Fahrzeugs) haben, sei es durch die Bereitstellung von Informationen oder konkreten Handlungsanweisungen.
  • Als Steuerbefehl wird eine konkrete Handlungsanweisung und/oder ein Signal zum Auslösen einer Steuerfunktion bezeichnet, welche automatisiert ausgeführt wird. Das künstliche neuronale Netzwerk kann auf einer Steuereinheit des Fahrzeugs implementiert sein oder auf einem Server außerhalb des Fahrzeugs implementiert sein und mit der Steuereinheit des Fahrzeugs in Wechselwirkung stehen.
  • Der Bewertungskatalog kann derart ausgelegt sein, um Fahrszenarien in bekannte oder unbekannte, nicht-gefahrenauslösend oder gefahrenauslösend und sichere oder unsichere Szenarien zu kategorisieren und danach zu bewerten.
  • Unbekannte Fahrszenarien sind Fahrszenarien, welche nicht durch den Trainingsdatensatz abgebildet sind. Unbekannte Fahrszenarien sind Fahrszenarien, die vom Entwickler nicht bedacht, im Bewertungskatalog und/oder im Trainingsdatensatz aufgenommen wurden.
  • Unsichere Fahrszenarien sind Szenarien, für die das künstliche neuronale Netzwerk eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer hohen statistischen Unsicherheit behaftet ist. Unsichere Fahrszenarien können zu gefahrenauslösenden Steuerbefehlen der Steuerfunktion führen.
  • Der Trainingsdatensatz kann eine simulierte Fahrt des Fahrzeugs abbilden. Eine Komplexitätsreduktion der Steuerfunktion kann erfolgen, wenn die Ausführung der Steuerfunktion, beispielsweise auf einer Steuereinheit des Fahrzeugs, entweder zu langsam ist oder der Speicherbedarf der Steuerfunktion selbst zu groß ist. Die Komplexitätsreduktion der Steuerfunktion kann zu einer Reduzierung oder Vermeidung einer Überanpassung (over-fitting) durch das künstliche neuronale Netzwerk führen, um die Steuerfunktion zu verbessern. Eine Komplexitätserhöhung der Steuerfunktion kann vorgenommen werden, falls die Steuerfunktion nicht ausreichend an den im Trainingsdatensatz bereitgestellten Fahrszenarien angepasst (trainiert) werden kann, was sich beispielsweise in einem fehlerhaften Verhalten der Steuerfunktion manifestieren kann.
  • Nach einem bevorzugten Aspekt umfasst das Verfahren den Verfahrensschritt des iterativen Wiederholens der Verfahrensschritte D) und/oder E) und/oder F) mit dem erweiterten Trainingsdatensatz und/oder Testdatensatzes und/oder der komplexitätsreduzierten Steuerfunktion und/oder der komplexitätserhöhten Steuerfunktion. Das iterative Wiederholen kann beispielsweise solange erfolgen, bis anhand des Bewertungskatalogs alle Fahrszenarien als nicht gefahrauslösend bewertet werden.
  • Nach einem weiteren bevorzugten Aspekt umfasst das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unbekannter Fahr-Szenarien.
  • Nach einem besonders bevorzugten Aspekt umfasst das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unsicherer Fahrszenarien.
  • Nach einem vorteilhaften Aspekt erfolgt das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unbekannt bewerteten Fahrszenarien. Dies ermöglicht das sukzessive und gezielte Erweitern des Trainingsdatensatzes und Trainieren der Steuerfunktion auf für die Erhöhung der Sicherheit relevanten Fahr-Szenarien.
  • Nach einem weiteren vorteilhaften Aspekt erfolgt das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unsicher bewerteten Fahrszenarien. Dies ermöglicht das sukzessive und gezielte Erweitern und Trainieren der Steuerfunktion zur Vermeidung gefahrenauslösender Steuerbefehle. Die Steuerbefehle beruhen auf Ausgaben des künstlichen neuronalen Netzes, wobei die Ausgabe des künstlichen neuronalen Netzes als sicher bezeichnet wird, wenn diese mit einer ausreichenden Konfidenz bzw. statistischen Sicherheit getroffen wird.
  • Nach einem besonders vorteilhaften Aspekt umfasst das Verfahren den Verfahrensschritt der analytischen Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern. Dabei kann der Wertebereich von Parametern die Fahrzeugsensordaten und/oder aus Fahrzeugsensordaten abgeleitete Daten betreffen. Methoden zur analytischen Verifikation sind beispielsweise bekannter Methoden, wie „Reluplex“ oder „ReluVal“.
  • Nach einem besonders vorteilhaften Aspekt umfasst das Verfahren den Verfahrensschritt der probabilistischen Verifikation der Steuerfunktion. Unter probabilistischer Verifikation wird die datengetriebene Bewertung und Optimierung der Testfallabdeckung verstanden. Testfallabdeckung bedeutet die Quantifizierung der von dem künstlichen neuronalen Netz gelernten Regeln durch induktive und deduktive Analyse.
  • Nach einem vorteilhaften Aspekt umfasst die Komplexitätsreduktion der Steuerfunktion die Vereinfachung des künstlichen neuronalen Netzwerks. Eine Vereinfachung des künstlichen neuronalen Netzwerks kann derart erfolgen, um eine für das künstliche neuronale Netzwerk erforderliche Rechen- und/oder Speicher-Ressource zu erniedrigen.
  • Nach einem weiteren vorteilhaften Aspekt umfasst die Vereinfachung die Reduktion der Neuronen und/oder der Schichten des künstlichen neuronalen Netzwerks.
  • Nach einem besonders vorteilhaften Aspekt umfasst die Komplexitätsreduktion der Steuerfunktion die Reduktion von bereitzustellenden Fahrzeugsensordaten. Dabei kann die Reduktion die Erniedrigung der Frequenz darstellen, mit der Fahrzeugsensordaten bereitgestellt werden.
  • Nach einem besonders vorteilhaften Aspekt erfolgt eine Auslegung der Rechen- und Speicherkapazität in einer Steuereinheit eines Fahrzeugs anhand des künstlichen neuronalen Netzwerks.
  • Nach einem bevorzugten Aspekt erfolgt eine Auslegung (der Komplexität) des künstlichen neuronalen Netzwerks anhand der Rechen- und Speicherkapazität der Steuereinheit eines Fahrzeugs.
  • Nach einem weiteren bevorzugten Aspekt wird die Steuerfunktion in einem Fahrzeug bereitgestellt und im laufenden Betrieb getestet. Das Fahrzeug kann ein reales oder virtuelles/simuliertes Fahrzeug sein. Dabei kann die Steuerfunktion im laufenden Betrieb getestet werden, indem die Steuerfunktion die auszugebenden Steuerbefehle simuliert (generiert) und diese nicht tatsächlich von dem Fahrzeug ausgeführt werden.
  • Nach einem besonders bevorzugten Aspekt wird die Steuerfunktion in einem Fahrzeug bereitgestellt und der Trainingsdatensatz und/oder Testdatensatz anhand von während (oder durch) einer Fahrt bereitgestellten Fahrszenarien erweitert. Das Fahrzeug kann ein reales oder virtuelles/simuliertes Fahrzeug sein. Die während einer Fahrt für die Erweiterung des Trainingsdatensatzes bereitgestellten Fahrszenarien können dabei anhand des Bewertungskatalogs bewertet werden.
  • Die Erfindung umfasst ein Fahrzeug mit einem Steuergerät ausführend eine Steuerfunktion, welche nach dem Verfahren bereitgestellt ist.
  • Die Erfindung soll im Folgenden anhand eines Beispiels näher erläutert werden.
  • Als erfindungsgemäßes Beispiel wird ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten beschrieben, wobei die Steuerfunktion ein Spurwechselwarnsystem ist, aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP; engl.: lane change maneuver predictor). Dabei werden dem LCMP Fahrzeugsensordaten von Radar- und Lidar-Sensoren und Kameras bereitgestellt.
  • Das Verfahren umfasst die Verfahrensschritte:
    1. A) Bereitstellen der Steuerfunktion, in diesem Beispiel das Spurwechselwarnsystem, aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP), umfassend ausgebbare Steuerbefehle; dabei können die Steuerbefehle auf Grundlage des LCMP, welches einen „Spurwechsel rechts“, einen „Spurwechsel links“ und „keinen Spurwechsel“ eines umgebenden Fahrzeugs vorhersehen kann, ausgegeben werden.
    2. B) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien; Der Bewertungskatalog definiert auf Grundlage implementierter Verifikations- und Validierungsziele, ob ein Fahrszenario bekannt oder unbekannt und sicher oder unsicher ist. Unsichere Fahrszenarien sind Szenarien, für die der LCMP eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer hohen statistischen Unsicherheit behaftet ist. Zur Überprüfung der Sicherheit können beispielsweise potentiell gefahrauslösende Szenarien unter Bezugnahme von Kriterien des Bewertungskatalogs, wie einem Mindestabstand zwischen sich in der Umgebung befindlichen Fahrzeugen, verwendet werden.
    3. C) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien; Der Trainingsdatensatz kann beispielsweise Simulationen von Fahrtsituationen umfassen.
    4. D) Trainieren der Steuerfunktion an dem Trainingsdatensatz; Dabei wird das künstliche neuronale Netzwerk mit bekannten Verfahren trainiert.
    5. E) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs; Der Testdatensatz kann beispielsweise Simulationen von Fahrtsituationen umfassen, insbesondere solchen, die nicht von dem Trainingsdatensatz abgebildet werden. Das Bewerten der Fahrszenarien anhand des Bewertungskatalogs kann die Einteilung in sichere oder unsichere und bekannte oder unbekannte Fahrszenarien umfassen.
    6. F) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion. Der Trainingsdatensatz wird erweitert, wenn unsichere Fahrszenarien bei der Bewertung gefunden werden.
  • Am Beispiel des LCMP kann eine Komplexitätsreduktion durch die Reduzierung der Zahl der Schichten und/oder durch die Reduzierung der Zahl von Neuronen pro Schicht des künstlichen neuronalen Netzes erfolgen. Eine Komplexitätserhöhung kann durch die Erhöhung der Zahl der Schichten und/oder durch die Erhöhung der Zahl von Neuronen pro Schicht des künstlichen neuronalen Netzes erfolgen. Zur Komplexitätsreduktion/-erhöhung der trainierten Steuerfunktion kann das ursprüngliche künstliche neuronale Netz dabei durch das komplexitätsreduzierte/- erhöhte künstliche neuronale Netz ersetzt werden. Dabei kann beispielsweise das komplexitätsreduzierte/-erhöhte künstliche neuronale Netz auf den bereitgestellten Trainingsdatensatz neu trainiert werden ohne das ursprüngliche künstliche neuronale Netz zu dessen Training heranzuziehen, oder das ursprüngliche künstliche neuronale Netz kann dabei herangezogen werden.
  • Es werden die Verfahrensschritte D) und/oder E) und/oder F) iterativ wiederholt, wobei nach jeder Wiederholung der in F) erweiterte Trainingsdatensatz und/oder Testdatensatz verwendet wird und/oder die in F) komplexitätsreduzierte oder komplexitätserhöhte Steuerfunktion verwendet wird. Dies stellt sicher, dass der Trainingsdatensatz sukzessiv für das Trainieren der Steuerfunktion optimiert wird, die Anzahl an unsicheren Fahrszenarien reduziert wird, sowie die Anzahl an sicheren Fahrszenarien erhöht wird, um die Steuerfunktion zu verbessern.
  • Die Komplexitätsreduktion der Steuerfunktion umfasst dabei die Vereinfachung des künstlichen neuronalen Netzwerks durch die Reduktion der Neuronen und der Schichten des künstlichen neuronalen Netzwerks. Weiterhin umfasst die Komplexitätsreduktion der Steuerfunktion die Reduktion von bereitzustellenden Fahrzeugsensordaten. Am Beispiel des Spurwechselwarnsystems werden dann Daten aus Radar- und Lidar-Sensoren und Kameras mit reduzierter Frequenz bereitgestellt.
  • Das Bewerten der Fahrszenarien anhand des Bewertungskatalogs umfasst das Ermitteln unbekannter Fahrszenarien. Dabei sind unbekannte Fahrszenarien solche, die durch den Trainingsdatensatz nicht oder nur unzureichend abgebildet werden. Dabei können unbekannte Fahrszenarien gezielt erzeugt werden.
  • Ein Beispiel einer Methode zur gezielten Erzeugung unbekannter Fahrszenarien ist „DeepXplore“. Dabei werden die Eingangsdaten für das künstliche neuronale Netz durch Gradientenverfahren modifiziert. Dies geschieht derart, dass eine falsche Klassifikation durch das künstliche neuronale Netz forciert wird. Folglich werden systematisch neue, dem künstlichen neuronalen Netz zuvor unbekannte Fahrszenarien erzeugt. Dieser Vorgang geschieht unter der zusätzlichen Nebenbedingung, dass die Neuronen-Abdeckung sich kontinuierlich erhöht. Die Neuronen-Abdeckung gibt an, wie viele der Neuronen nach Durchlauf eines Testdatensatzes aktiv waren, gemessen relativ zur Gesamtheit aller Neuronen im künstlichen neuronalen Netz. Ein Neuron zählt dabei als aktiv, wenn sein Aktivierungswert einen zuvor festgelegten Schwellwert überschreitet.
  • Das Bewerten der Fahrszenarien anhand des Bewertungskatalogs umfasst das Ermitteln unsicherer Fahrszenarien. Für das gegebene Beispiel sind unsichere Fahrszenarien solche, für die der LCMP eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer hohen statistischen Unsicherheit behaftet ist. Unsichere Fahrszenarien können gezielt erzeugt werden.
  • Ein Beispiel einer Methode zur gezielten Erzeugung gefahrenauslösender Fahrszenarien ist das Gradientenverfahren „Fast Gradient Sign“, mit dessen Hilfe gezielt die Eingangsdaten aus den Fahrszenarien derart manipuliert werden, dass das neuronale Netz zu einer falschen Prädiktion veranlasst wird, wodurch diese gefahrauslösende Fahrsituation systematisch aufgedeckt wurde. Die dabei entstehenden Fahrszenarien repräsentieren neue Fahrszenarien, für die das neuronalen Netz eine unsichere Ausgabe erzeugt.
  • Übertragen auf das Beispiel des Spurwechselwarnsystems aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP) bedeutet dies, dass solche Fahrszenarien Spurwechselmanöver abbilden, die durch den LCMP falsch eingeschätzt werden (beispielsweise wird durch den LCMP ein Spurwechsel vorhergesehen, obwohl kein Spurwechsel erfolgt) und deshalb das Spurwechselwarnsystem einen gefahrenauslösenden Steuerbefehl ausgibt.
  • Der Trainingsdatensatz und der Testdatensatz werden anhand der als unbekannt oder unsicher bewerteten Fahrszenarien erweitert, woraufhin die Verfahrensschritte D), E) und F) iterativ wiederholt werden. Dabei wird für jede Wiederholung der erweiterte Trainingsdatensatz und der erweiterte Testdatensatz verwendet und/oder die in F) komplexitätsreduzierte Steuerfunktion verwendet.
  • Das Verfahren umfasst zudem den Verfahrensschritt der analytischen Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern. Dabei betrifft der Wertebereich von Parametern die Fahrzeugsensordaten und aus Fahrzeugsensordaten abgeleitete Daten. Die analytische Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern stützt sich auf parametrisierbare Fahrszenarien. Für das Beispiel des Spurwechselwarnsystems aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP) ist ein parametrisierbares Fahrszenario das Folgende:
    • Das zu steuernde Fahrzeug ist auf einer dreispurigen Autobahn auf dem mittleren Fahrstreifen unterwegs und ein weiteres Fahrzeug mit einer longitudinalen Geschwindigkeit zwischen 100 km/h und 120 km/h, sowie mit einer lateralen Geschwindigkeit zwischen 2 km/h und 4 km/h bewegt sich über ein Zeitintervall von 1s von der rechten Spur in Richtung der mittleren Spur. Dabei definieren die angegebenen Geschwindigkeiten und Zeiten den definierten Wertebereich der Parameter.
  • Für die analytische Verifikation dieses Szenarios ist sicherzustellen, dass für kein, diesem Wertebereich konformes, Fahrszenario ein gefahrenauslösender Steuerbefehl vom LCMP ausgegeben wird, und in Folge dessen das Spurwechselwarnsystem einen gefahrenauslösenden Steuerbefehl ausgibt.
  • Die analytische Verifikation kann mittels bekannter Methoden, wie „Reluplex“ oder „ReluVal“ erfolgen. Ein Vorteil dieses Verfahrensschritts ist die Aussage darüber, ob das künstliche neuronale Netz der Steuerfunktion bei Fahrszenarien, welche durch Werte des betrachteten Wertebereichs von Parametern gekennzeichnet sind, zu einer Ausgabe führt, die keine gefahrenauslösende Situation zur Folge hat.
  • Die Auslegung der Rechen- und Speicherkapazität der Steuereinheit des Fahrzeugs erfolgt in dem betrachteten Beispiel anhand des künstlichen neuronalen Netzwerks. Dabei werden insbesondere die zentrale Recheneinheit und der Arbeitsspeicher der Steuereinheit geeignet ausgelegt.
  • In einem weiteren Verfahrensschritt wird die trainierte Steuerfunktion in einem Fahrzeug bereitgestellt und im laufenden Betrieb getestet. Die dabei während einer Fahrt bereitgestellten Fahrszenarien können dem Trainingsdatensatz und/oder Testdatensatz erweitern, wobei die vorherigen Verfahrensschritte wiederholt werden können.

Claims (16)

  1. Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten umfassend die Verfahrensschritte: A) Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk umfassend mindestens einen ausgebbaren Steuerbefehl; B) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien; C) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien; D)Trainieren der Steuerfunktion an dem Trainingsdatensatz; E) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs; F) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion.
  2. Verfahren nach Anspruch 1, umfassend den Verfahrensschritt des iterativen Wiederholens der Verfahrensschritte D) und/oder E) und/oder F) mit dem erweiterten Trainingsdatensatz und/oder Testdatensatzes und/oder der komplexitätsreduzierten oder komplexitätserhöhten Steuerfunktion.
  3. Verfahren nach Anspruch 1 oder 2, wobei das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unbekannter Fahrszenarien umfasst.
  4. Verfahren nach einem der vorangehenden Ansprüche, wobei das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unsicherer Fahrszenarien umfasst.
  5. Verfahren nach Anspruch 3, wobei das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unbekannt bewerteten Fahrszenarien erfolgt.
  6. Verfahren nach Anspruch 4, wobei das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unsicher bewerteten Fahrszenarien erfolgt.
  7. Verfahren nach einem der vorangehenden Ansprüche, umfassend den Verfahrensschritt der analytischen Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern.
  8. Verfahren nach einem der vorangehenden Ansprüche, umfassend den Verfahrensschritt der probabilistischen Verifikation der Steuerfunktion.
  9. Verfahren nach einem der vorangehenden Ansprüche, wobei die Komplexitätsreduktion der Steuerfunktion die Vereinfachung des künstlichen neuronalen Netzwerks umfasst.
  10. Verfahren nach Anspruch 9, wobei die Vereinfachung die Reduktion der Neuronen und/oder der Schichten des künstlichen neuronalen Netzwerks umfasst.
  11. Verfahren nach einem der vorangehenden Ansprüche, wobei die Komplexitätsreduktion der Steuerfunktion die Reduktion von bereitzustellenden Fahrzeugsensordaten umfasst.
  12. Verfahren nach einem der vorangehenden Ansprüche, wobei eine Auslegung der Rechen- und Speicherkapazität in einer Steuereinheit eines Fahrzeugs anhand des künstlichen neuronalen Netzwerks erfolgt.
  13. Verfahren nach einem der vorangehenden Ansprüche, wobei eine Auslegung des künstlichen neuronalen Netzwerks anhand der Rechen- und Speicherkapazität der Steuereinheit eines Fahrzeugs erfolgt.
  14. Verfahren nach einem der vorangehenden Ansprüche, wobei die Steuerfunktion in einem Fahrzeug bereitgestellt wird und im laufenden Betrieb getestet wird.
  15. Verfahren nach Anspruch 14, wobei die Steuerfunktion in einem Fahrzeug bereitgestellt wird und der Trainingsdatensatz und/oder Testdatensatz anhand von während einer Fahrt bereitgestellten Fahrszenarien erweitert wird.
  16. Fahrzeug mit einem Steuergerät ausführend eine Steuerfunktion, welche nach dem Verfahren nach einem der vorangehenden Ansprüche bereitgestellt ist.
DE102020124174.7A 2020-09-16 2020-09-16 Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten Pending DE102020124174A1 (de)

Priority Applications (10)

Application Number Priority Date Filing Date Title
DE102020124174.7A DE102020124174A1 (de) 2020-09-16 2020-09-16 Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten
US18/245,696 US20230359892A1 (en) 2020-09-16 2021-09-15 Method for providing of a machine-learned control function for vehicle control on the basis of provided vehicle sensor data
CN202180062963.2A CN116157309A (zh) 2020-09-16 2021-09-15 根据所提供的车辆传感器数据提供用于车辆控制的机器学习的控制功能的方法
JP2023540984A JP2023542434A (ja) 2020-09-16 2021-09-15 提供された車両センサデータに基づいて車両制御のための機械学習された制御機能を提供する方法
KR1020237012740A KR20230088719A (ko) 2020-09-16 2021-09-15 제공된 차량 센서 데이터를 기반으로 하는 차량 제어를 위한 기계 학습 제어 기능을 제공하는 방법
EP21786759.7A EP4214642A1 (de) 2020-09-16 2021-09-15 Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten
CA3190157A CA3190157A1 (en) 2020-09-16 2021-09-15 Method for providing a machine-learned control function for vehicle control on the basis of provided vehicle sensor data
AU2021343608A AU2021343608A1 (en) 2020-09-16 2021-09-15 Method for providing a machine-learned control function for vehicle control on the basis of available vehicle sensor data
IL301179A IL301179A (en) 2020-09-16 2021-09-15 A method for providing a machine-learned control function to control a vehicle based on available vehicle sensor data
PCT/DE2021/100760 WO2022057979A1 (de) 2020-09-16 2021-09-15 Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020124174.7A DE102020124174A1 (de) 2020-09-16 2020-09-16 Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten

Publications (1)

Publication Number Publication Date
DE102020124174A1 true DE102020124174A1 (de) 2022-03-17

Family

ID=78080101

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020124174.7A Pending DE102020124174A1 (de) 2020-09-16 2020-09-16 Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten

Country Status (10)

Country Link
US (1) US20230359892A1 (de)
EP (1) EP4214642A1 (de)
JP (1) JP2023542434A (de)
KR (1) KR20230088719A (de)
CN (1) CN116157309A (de)
AU (1) AU2021343608A1 (de)
CA (1) CA3190157A1 (de)
DE (1) DE102020124174A1 (de)
IL (1) IL301179A (de)
WO (1) WO2022057979A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017006434A1 (de) 2017-07-07 2019-01-10 Wabco Gmbh Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation sowie Bewertungsmodul
DE102018116036A1 (de) 2018-07-03 2020-01-09 Connaught Electronics Ltd. Training eines tiefen konvolutionellen neuronalen Netzwerks für individuelle Routen

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170006434A (ko) 2015-07-08 2017-01-18 주식회사 에이스침대 스프링조립체를 내장한 소파쿠션장치
KR20180116036A (ko) 2017-04-14 2018-10-24 엘지전자 주식회사 이동 단말기
CA3033014A1 (en) * 2018-02-07 2019-08-07 Royal Bank Of Canada Robust pruned neural networks via adversarial training
US11169536B2 (en) * 2018-04-09 2021-11-09 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017006434A1 (de) 2017-07-07 2019-01-10 Wabco Gmbh Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation sowie Bewertungsmodul
DE102018116036A1 (de) 2018-07-03 2020-01-09 Connaught Electronics Ltd. Training eines tiefen konvolutionellen neuronalen Netzwerks für individuelle Routen

Also Published As

Publication number Publication date
EP4214642A1 (de) 2023-07-26
US20230359892A1 (en) 2023-11-09
WO2022057979A1 (de) 2022-03-24
CA3190157A1 (en) 2022-03-24
IL301179A (en) 2023-05-01
KR20230088719A (ko) 2023-06-20
JP2023542434A (ja) 2023-10-06
AU2021343608A1 (en) 2023-03-23
CN116157309A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
WO2021058223A1 (de) Verfahren zur effizienten, simulativen applikation automatisierter fahrfunktionen
DE102010013943A1 (de) Verfahren und Vorrichtung für eine Funktionsprüfung einer Objekt-Erkennungseinrichtung eines Kraftwagens
AT523834B1 (de) Verfahren und System zum Testen eines Fahrerassistenzsystems
DE102020120141A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme mittels probabilistisch prädizierter Systemantworten
DE102021100149A1 (de) Computerimplementiertes Verfahren zum Bereitstellen eines Test-Verlaufs zu testender Verkehrsszenarien
EP3899682A1 (de) Überwachung von auf neuronalen netzwerken basierten fahrfunktionen
DE102020209680B3 (de) Signalverarbeitungspfad, Vorrichtung zur Umfelderkennung und Verfahren zur Validierung eines automatisiert betreibbaren Fahrsystems
EP4212980A1 (de) Fahrassistenzeinrichtung und verfahren zum durchführen einer wenigstens teilautomatischen fahrzeugfunktion in abhängigkeit von einer zu bewertenden fahrstrecke
DE102021202813A1 (de) Verfahren, Vorrichtung und Computerprogramm für eine Unsicherheitsbewertung einer Bildklassifikation
DE102019217533A1 (de) Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien
DE102019209463A1 (de) Verfahren zur Bestimmung eines Vertrauenswertes eines Objektes einer Klasse
WO2022067368A1 (de) Computergestütztes verfahren und vorrichtung zur wahrscheinlichkeitsbasierten geschwindigkeitsprognose für fahrzeuge
DE102020124174A1 (de) Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten
EP4047316A1 (de) Verfahren zum bewerten einer bekanntheit einer fahrstrecke und elektronische recheneinrichtung
WO2021089499A1 (de) Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning
DE102021109126A1 (de) Verfahren zum Testen eines Produkts
DE102020212921A1 (de) Verfahren, Computerprogramm und Vorrichtung zum Bewerten einer Verwendbarkeit von Simulationsdaten
DE102019130484A1 (de) Verfahren und Vorrichtung zum Anlernen eines Ensembles von neuronalen Netzen
DE102022200158A1 (de) Verfahren zur Qualifizierung einer Steuerung mittels eines Closed-Loop Simulationsverfahrens
WO2023275401A1 (de) Simulation von verkehrsteilnehmern mit emotionen
DE102010025977A1 (de) Verfahren zur Erkennung von Fahrmanövern von Kraftfahrzeugen
DE102021109127A1 (de) Verfahren zum Testen eines Produkts
DE102022212901A1 (de) Automatisches Ermitteln einer optimalen Architektur für ein neuronales Netzwerk

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R081 Change of applicant/patentee

Owner name: E:FS TECHHUB GMBH, DE

Free format text: FORMER OWNER: ELEKTRONISCHE FAHRWERKSYSTEME GMBH, 85080 GAIMERSHEIM, DE