DE102020203514A1 - Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem - Google Patents

Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem Download PDF

Info

Publication number
DE102020203514A1
DE102020203514A1 DE102020203514.8A DE102020203514A DE102020203514A1 DE 102020203514 A1 DE102020203514 A1 DE 102020203514A1 DE 102020203514 A DE102020203514 A DE 102020203514A DE 102020203514 A1 DE102020203514 A1 DE 102020203514A1
Authority
DE
Germany
Prior art keywords
vehicle
data
vehicle data
clusters
defective
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.)
Ceased
Application number
DE102020203514.8A
Other languages
English (en)
Inventor
Dennis Pape
Christoph Werries
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.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen AG
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 ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Priority to DE102020203514.8A priority Critical patent/DE102020203514A1/de
Priority to PCT/EP2021/055412 priority patent/WO2021185586A1/de
Publication of DE102020203514A1 publication Critical patent/DE102020203514A1/de
Ceased legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, gekennzeichnet durch die Schritte:- Ermitteln von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen (2a, 2b, 2c) erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) umfassen,- Zuordnen der ermittelten Fahrzeugdaten zu einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster und/oder Anlegen eines neuen Clusters,- Festlegen der Fahrzeugdaten in den Clustern als ein Normzustand, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) als Normzustand erfolgt.Ferner betrifft die Erfindung ein Fahrzeug mit einem maschinellen Lernverfahren und ein Trainingssystem.

Description

  • Die Erfindung betrifft ein Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs. Ferner betrifft die Erfindung ein Fahrzeug mit einem maschinellen Lernverfahren und ein Trainingssystem.
  • Der Vorteil von maschinellen Lernverfahren wie künstlichen neuronalen Netzen ist, dass sie auf eine spezielle komplexe Aufgabe mit einer hohen Anzahl an Daten hintrainiert werden können und anschließend diese spezielle komplexe Aufgabe leicht bewältigen können.
  • Die Entwicklung datengetriebener Funktionen, insbesondere Funktionen des maschinellen Lernens, zur automatischen Erkennung von Defekten oder Verschleiß bei Fahrzeugen geht mit einem Bedarf an umfassenden, gut aufbereiteten Trainingsdaten einher. Insbesondere müssen große verfügbare Datenmengen generiert werden. In der Regel ist ein Training umso erfolgreicher, je mehr Trainingsdaten, d.h. zum Training verwendbare Daten für die zu bewältigende Aufgabe verfügbar sind. Zudem ist bekannt, dass die Qualität des Netzes mit der Zahl der Trainingsdatensätze steigt. Nachteilig an diesen maschinellen Lernverfahren ist daher, dass, bevor sie ihre Einsatzfähigkeit und Generealisierungsfähigkeit erhalten, zunächst mit Lern- oder Trainingsdaten trainiert werden müssen. Das Sammeln dieser Trainingsdaten ist oft langwierig und mit hohem Aufwand verbunden.
  • Die Erzeugung und Generierung von Trainingsdaten sind zudem häufig mit hohen Kosten verbunden.
  • Insbesondere sollten die Trainingsdaten einen möglichst großen Bereich von möglichen Verschleißerscheinungen des Fahrzeuges repräsentativ abdecken.
  • Bei der hohen Anzahl an verschiedenen Fahrzeugkomponenten kombiniert mit den unterschiedlichsten Umwelteinflüssen, wie Wetter, Straßenbelag etc. ist dies jedoch eine besondere Herausforderung.
  • Die DE 10 2019 113 851 A1 offenbart ein Verfahren zum Erzeugen von Trainingsdaten für ein neuronales Netz, umfassend den Schritt: Verändern von vorhandenen Trainingsdaten für ein neuronales Netz zu veränderten Trainingsdaten für das neuronale Netz mittels eines Algorithmus.
  • Es ist daher eine Aufgabe der Erfindung, ein Verfahren zur Erzeugung hinreichend genügender Trainingsdaten anzugeben. Ferner ist es eine Aufgabe ein Fahrzeug mit einem maschinellen Lernverfahren, welches mit einem solchen Verfahren trainiert wurde, sowie ein Trainingssystem anzugeben.
  • Die Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1, ein Fahrzeug mit den Merkmalen des Anspruchs 9 und ein Trainingssystem mit den Merkmalen des Anspruchs 11.
  • Die Aufgabe wird gelöst durch ein Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, mit den Schritten:
    • - Ermitteln von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs umfassen,
    • - Zuordnen der ermittelten Fahrzeugdaten zu einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster und/oder Anlegen eines neuen Clusters,
    • - Festlegen der Fahrzeugdaten in den Clustern als ein Normzustand, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des jeweiligen Fahrzeugs als Normzustand erfolgt.
  • Die Fahrzeugdaten können dabei von an den einzelnen Fahrzeugen angeordneten Sensoren aufgenommen werden. Diese können beispielsweise sein: Lidarsensoren, Kamerasensoren oder andere Bildsensoren, Radarsensoren, akustische Sensoren, Beschleunigungssensoren, Drucksensoren oder andere welche den Zustand des Fahrzeugs repräsentieren.
  • Die so erfassten Fahrzeugdaten werden in einen oder mehreren bereits vorhandenen Cluster zugeordnet, welche die Fahrzeugdaten repräsentieren, falls ein solches vorhanden ist. Alternativ oder zusätzlich können ein oder mehrere Cluster neu angelegt werden.
  • Anschließend werden die Cluster als ein Normzustand definiert. Dabei werden jedoch nur Fahrzeugdaten bis zu einem bis einem vorab definierten Kilometerstand des Fahrzeugs als Normzustand festgelegt. Dadurch kann vermieden werden, dass sich Verschleiß an den Fahrzeugkomponenten befindet, da die Fahrzeuge und deren Fahrzeugkomponenten neu(wertig) sind und damit keinen Verschleiß aufweisen. Unter Verschleiß sind auch defekte Fahrzeugkomponenten zu verstehen.
  • Dabei kann der vorab definierte Kilometerstand von der Art des Fahrzeugs (Dieselbetrieben, Hybridbetrieben, Elektrobetrieben) abhängen.
  • Ferner kann als Fahrzeug ein PKW, LKW oder auch ein landwirtschaftliches Fahrzeug umfasst sein.
  • Auf Grund der Vielzahl an verschiedenen Kombinationsmöglichkeiten der Fahrzeugkomponenten und der entsprechenden Kilometerlaufleistung ist ein frühzeitiges Testen der verschlissenen/defekten Fahrzeugkomponenten nicht in Gänze möglich. Durch eine Erhebung von Fahrzeugdaten von einer Vielzahl von Fahrzeugen können jedoch genügend Trainingsdaten erzeugt werden, welche für ein Anlernen eines maschinellen Lernverfahrens herangezogen werden können. Dadurch wird ein hinreichend großer Datensatz erzeugt, welcher eine Vielzahl von Kombinationsmöglichkeiten abdeckt. Durch die Verwendung von real erzeugten Daten und nicht simulierten Daten kann ein qualitativ hochwertiger Trainingsdatensatz erzeugt werden.
  • Durch die Festlegung des Normzustandes wird auch gleichzeitig die Abweichung definiert.
  • Vorzugsweise werden bei Austausch zumindest einer defekten und/oder verschlissenen Fahrzeugkomponente, bei eines der Fahrzeuge für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs ein neues Cluster entsprechend des Austausches generiert oder die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs einem vorhandenen, den Austausch repräsentierenden Cluster zugeordnet.
  • Unter Verschleiß/Defekten sind hier alle Ausführungen einer Fahrzeugkomponente zu verstehen, welche nicht normgerecht bzw. normal unter den gegebenen Umständen funktionieren. Dies bedeutet, dass sich ein normal funktionierender Stoßdämpfer auf einer Schotterpiste anders verhält, als auf gewöhnlichem Straßenbelag.
  • Dabei wird die verschlissene und/oder defekte Fahrzeugkomponente bevorzugt manuell erkannt oder beispielsweise durch ein konventionelles am Fahrzeug selber angeordnetes System. So kann beispielsweise das Fahrzeug mit besonderen Kontrolllampen /Sensoren ausgerüstet sein, welche einen solchen Defekt /Verschleiß anzeigen. Beispielsweise kann die Erkennung des Verschleißes/Defektes durch eine optische Erfassung mit einer Bord-Kamera erfolgen.
  • Erfolgt ein Austausch einer Fahrzeugkomponente, so wird dies bei den anschließend gesendeten Fahrzeugdaten berücksichtigt. So wird - entsprechend der ausgetauschten Fahrzeugkomponente - ein neues Cluster angelegt, oder es werden diese Fahrzeugdaten in bereits vorhandenen Cluster gespeichert, welche den Austausch repräsentieren. Erfolgt ein Austausch einer anderen Fahrzeugkomponente, so wird ebenfalls für die nachfolgenden Fahrzeugdaten ein neues Cluster angelegt, welches den jetzigen und den vorherigen Austausch berücksichtigt oder es ist ein solches bereits vorhanden.
  • Auf diese Art und Weise werden viele verschiedene unterschiedliche Cluster mit Trainingsdaten erzeugt, welche für das Anlernen des maschinellen Lernverfahrens herangezogen werden können. Damit kann die Bandbreite an Eingangsdaten erhöht werden, wodurch ein besseres Training des maschinellen Lernverfahrens möglich ist.
  • Die Fahrzeugdaten werden in kurzen Abständen protokolliert, das heißt entweder nach kurzer Zeit oder jeweils nach kurzer gefahrener Kilometerzahl. Dadurch werden die Trainingsdaten bzw. die Cluster verfeinert.
  • Ferner weist das Verfahren bevorzugt die Schritte auf:
    • - Ermitteln von Fahrzeugdaten, welche durch ein oder mehrere Fahrzeuge erzeugt werden, wobei die Fahrzeuge ein oder mehrere bekannte defekte und/oder bekannte verschlissene Fahrzeugkomponenten aufweisen,
    • - Zuordnen der ermittelten Fahrzeugdaten zu ein oder mehreren, entsprechend der ein oder mehreren bekannten defekten und/oder bekannten verschlissenen Fahrzeugkomponente, neu generierten Cluster oder zu ein oder mehreren vorhandenen Cluster, welche die ein oder mehrere bekannten defekte und/oder verschlissenen Fahrzeugkomponenten repräsentieren,
    • - Festlegen der Fahrzeugdaten in den Clustern als ein Schadzustand.
  • Dadurch können die Cluster bzw. die Trainingsdaten verfeinert werden. Somit kann ein hochqualitativer Trainingsdatensatz erzeugt werden, mit welchem das maschinelle Lernverfahren angelernt werden kann.
  • Dadurch kann der Trainingsdatensatz sukzessive durch ein Nachverfolgen des Austauschs von Fahrzeugkomponenten in z.B. Fachwerkstätten erweitert werden.
    In weiterer bevorzugter Ausgestaltung ist die vorab ausgewählte Menge von Fahrzeugen als die Nullserie ausgestaltet.
  • Die Nullserie oder 0-Serie wird dafür genutzt, Fehler im realen Prototyp zu erkennen und diese vor Auslieferung der Serie zu beheben. Diese Nullserie kann somit direkt genutzt werden, um erste Daten für einen „Normzustand das heißt guten Zustand“ vor der Serien-Auslieferung zu erfassen. Der Normzustand kann dadurch durch individuelles Labeln von bestimmten Zuständen vor der ersten Serie repräsentiert und als Trainingsdaten dargestellt werden.
  • Vorzugsweise umfassen die Fahrzeugdaten zumindest die spezifischen Fahrzeugdaten als auch die Umfelddaten zum Zeitpunkt der erfassten spezifischen Fahrzeugdaten. Dabei sind Umfelddaten beispielsweise Wetterdaten, etc.
  • In weiterer bevorzugter Ausgestaltung werden simulativ erzeugte Fahrzeugdaten zur Verfeinerung und/oder Vermehrung der Cluster erzeugt. Dadurch können die Trainingsdatensätze vermehrt werden, was wiederum zu einem verbesserten Lernen des maschinellen Lernverfahrens führt.
  • Bevorzugt werden die ermittelten Fahrzeugdaten mittels Kartendaten, welche zum Zeitpunkt der erzeugten Fahrzeugdaten und mittels der Position des Fahrzeugs aus einer Karte ausgelesen werden, angereichert. Dies bedeutet, dass abhängig von einer Position des Fahrzeugs aus beispielsweise digitalen Karten zusätzliche Informationen, wie beispielsweise Schotterweg, die durch das Fahrzeug erzeugten Fahrzeugdaten angereichert oder verifiziert werden. Dadurch werden die Trainingsdatensätze genauer.
  • Ferner wird die Aufgabe gelöst durch ein Fahrzeug mit einem maschinellen Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes einer Fahrzeugkomponente, wobei das maschinelle Lernverfahren mithilfe eines wie oben beschriebenen Verfahrens trainiert ist. Dadurch ist das Fahrzeug ohne eine Anbindung nach extern in der Lage, Defekte und/oder Verschleiß einer Fahrzeugkomponente zu erkennen.
  • Vorzugsweise ist das maschinelle Lernverfahren als ein künstliches neuronales Netz konfiguriert. Dieses eignet sich besonders um eine Vielzahl von aufgenommenen Daten mittels des trainierten neuronales Netzes zu verarbeiten.
  • Weicht nun der Ist-Zustand eines Serienfahrzeuges zu einem gewissen Grad vom Normzustand ab, so kann dies durch das trainierte maschinelle Lernverfahren erkannt werden. Das trainierte maschinelle Lernverfahren erkennt das „Irgendetwas“ verschlissen/defekt ist oder kann sogar eine genauere Aussage treffen Dies kann zudem als Auffälligkeit markiert werden und als neuer Trainingsdatensatz herangezogen werden.
  • Ferner wird die Aufgabe gelöst durch ein Trainingssystem zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, das Trainingssystem umfassend eine Empfangseinheit zum Empfang von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs umfassen, ferner umfassend zumindest einen Prozessor, welcher dazu ausgebildet ist, die empfangenen Fahrzeugdaten einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster zuzuordnen und/oder ein neues Cluster anzulegen und wobei der zumindest eine Prozessor ferner dazu ausgebildet ist, die Fahrzeugdaten in den Clustern als einen Normzustand festzulegen, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des Fahrzeugs als Normzustand erfolgt, und wobei der Prozessor ferner dazu ausgebildet ist, das maschinelle Lernverfahren mithilfe der Cluster zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs anzutrainieren.
  • Ein solches Trainingssystem kann beispielsweise als externer Rechner beispielsweise eine Cloud ausgestaltet sein, welche über die notwendigen Rechenressourcen verfügt. Die Vorteile des Verfahrens können auch auf das Trainingssystem angewendet werden. Durch ein solches Trainingssystem kann der Normzustand und dessen Abweichung definiert werden und Fehler im realen Prototypen erkannt und behoben werden.
  • Bevorzugt ist der zumindest eine Prozessor dazu ausgebildet, bei Austausch zumindest einer defekten und/oder verschlissenen Fahrzeugkomponente eines der Fahrzeuge für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs ein neues Cluster entsprechend des Austausches zu generieren oder die nach dem Austausch der zumindest einen verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs einem vorhandenen, den Austausch repräsentierenden Cluster zuzuordnen.
  • Weiterhin vorzugsweise ist das maschinelle Lernverfahren des Trainingssystems als ein künstliches neuronales Netz ausgebildet. Ferner ist bevorzugt die vorab ausgewählte Menge von Fahrzeugen die Nullserie eines Fahrzeugtyps.
  • Weitere Merkmale, Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Variationen hiervon können vom Fachmann abgeleitet werden, ohne den Schutzumfang der Erfindung, wie er durch die nachfolgenden Patentansprüche definiert wird, zu verlassen.
  • Die Figuren zeigen schematisch:
    • 1: eine erste Ausgestaltung des erfindungsgemäßen Verfahrens,
    • 2: beispielhaft mehrere Cluster,
    • 3: eine zweite Ausgestaltung des erfindungsgemäßen Verfahrens,
    • 4: ein erfindungsgemäßes Trainingssystem.
  • 1 zeigt ein erfindungsgemäßes Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs 2a, 2b, 2c (4) in einer ersten Ausgestaltung.
  • Hierbei werden in einem ersten Schritt S1 Fahrzeugdaten ermittelt, welche durch eine vorab ausgewählte Menge von Fahrzeugen 2a, 2b, 2c (4) erzeugt werden. Solche Fahrzeugdaten können beispielsweise mit einem Bildsensor wie einer Kamera, einem akustischen Sensor oder aber Beschleunigungssensor, Drucksensor etc. in den Fahrzeugen 2a, 2b, 2c (4) erzeugt werden. Zudem werden noch Umfelddaten erzeugt, welche das Umfeld des Fahrzeugs 2a, 2b, 2c (4) zum Zeitpunkt der Erzeugung der jeweiligen spezifischen Fahrzeugdaten aufnehmen oder erzeugen. Umfelddaten können beispielsweise Wetterdaten sein, welche mit einem Temperatursensor aufgenommen werden.
  • Vorzugsweise werden die spezifischen Fahrzeugdaten und die daran gekoppelten Umfelddaten in kurzen Protokollen an ein Trainingssystem 1 (4), welches beispielsweise auf einem externen Server angeordnet ist, übermittelt.
  • Die Fahrzeugdaten umfassen den Kilometerstand eines jeweiligen Fahrzeugs 2a, 2b, 2c (4).
  • Die Fahrzeuge 2a, 2b, 2c (4) sind vorzugsweise Fahrzeuge der Nullserie oder einer Kleinserie. Mit Nullserie werden diejenigen Fahrzeuge bezeichnet, die in der Einführungsphase einer Serienproduktion zu letzten Erprobungszwecken angefertigt werden und identisch mit den späteren Serienfahrzeugen sind.
  • In einem zweiten Schritt S2 werden die spezifischen Fahrzeugdaten und die Umfelddaten in Cluster eingeteilt oder vorhandenen, die Fahrzeugdaten repräsentierenden Clustern zugeordnet.
  • 2 zeigt beispielhaft mehrere solcher Cluster. Dabei sind alle Daten identisch bis auf das Wetter. Dies veranschaulicht die Komplexität solcher Fahrzeugdaten mit deren Umfelddaten.
  • In einem dritten Schritt S3 (1) werden die spezifischen Fahrzeugdaten und dazugehörigen Umfelddaten in den Clustern als ein Normzustand festgelegt, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des jeweiligen Fahrzeugs 2a,2b,2c (4) als Normzustand erfolgt. Dadurch kann vermieden werden, dass bereits verschlissene Fahrzeugkomponenten bzw. die dazugehörigen Fahrzeugdaten als Normzustand festgelegt werden. Durch Verwendung der Nullserie und der begrenzten Kilometeranzahl wird quasi der Neuzustand dargestellt, in welchem kein Verschleiß der Fahrzeugkomponenten vorhanden ist.
  • In einem Schritt S4 wird das Verfahren verwendet, um ein maschinelles Lernverfahren zum Erkennen einer Abweichung eines Normzustandes eines Fahrzeugs 2a,2b,2c (4) anhand der Cluster zu trainieren.
  • Das so trainierte Lernverfahren kann in einem Fahrzeug eingesetzt werden oder zentral beispielsweise in einer Cloud/externen Server, an welchen die Fahrzeugdaten von (Serien)- Fahrzeugen übermittelt werden.
  • Durch das Verfahren erfolgt ein individuelles Labeln von bestimmten Zuständen vor der ersten Serie. Die so erzeugten Cluster werden als Trainingsdaten herangezogen. Auf Grund der Vielzahl an verschiedenen Kombinationsmöglichkeiten der Fahrzeugkomponenten ist ein frühzeitiges Testen der verschlissenen Fahrzeugkomponenten nicht in Gänze möglich. Das hier beschriebene Verfahren kann dennoch frühzeitig eine ausreichende Trainingsdatenbasis bilden, um ein maschinelles Lernverfahren zu trainieren.
  • 3 zeigt eine weitere Ausgestaltung des erfindungsgemäßen Verfahrens zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs.
  • Dabei werden wie in 1 zunächst in einem ersten Schritt A1 Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen 2a, 2b, 2c (4) erzeugt werden sowie zu den spezifischen Fahrzeugdaten korrespondierende Umfelddaten ermittelt. Die Fahrzeuge 2a, 2b, 2c (4) sind Fahrzeuge der Nullserie oder einer Kleinserie.
  • Die Fahrzeugdaten umfassen wie in 1 den Kilometerstand eines jeweiligen Fahrzeugs.
  • In einem zweiten Schritt A2 werden die spezifischen Fahrzeugdaten und die Umfelddaten in Cluster eingeteilt oder bereits vorhandenen Clustern zugeordnet.
  • In einem Schritt A3 wird ein Austausch einer defekten Fahrzeugkomponente vorgenommen. Diese kann beispielsweise durch Condition Monitoring beispielsweise durch eine optische Erfassung mit einer Bord-Kamera, der Fahrzeuge 2a, 2b, 2c ( 4) der Nullserie erkannt werden. Anschließend werden die spezifischen Fahrzeugdaten mit den Umfelddaten, welche nach dem Austausch durch das Fahrzeug generiert werden entsprechend in einem dem Austausch entsprechend neu angelegten Cluster abgelegt. Ist bereits ein den Austausch repräsentierendes Cluster vorhanden, so werden die anschließend übermittelten spezifischen Fahrzeugdaten und Umfelddaten in dieses Cluster einsortiert.
  • Die Information über den Austausch können in den übermittelten Fahrzeugdaten hinterlegt sein, beispielsweise können Informationen mitgeliefert / angehängt werden.
  • Alternativ oder zusätzlich zu dem Schritt A3 werden in einem Schritt A4 Fahrzeuge 3a, 3b (4) mit ein oder mehreren bekannten defekten und/oder bekannten verschlissenen Fahrzeugkomponenten versehen. Anschließend werden die Fahrzeugdaten ermittelt. Diese können beispielsweise auf einer technischen Anlage ermittelt werden, d.h. beispielsweise auf einem Prüfstand.
  • Die so erzeugten Fahrzeugdaten werden zu ein oder mehreren entsprechend der neu generierten Cluster oder zu ein oder mehreren vorhandenen Cluster, welche die ein oder mehreren bekannten defekte und/oder verschlissenen Fahrzeugkomponenten repräsentieren, zugeordnet.
  • Anschließend werden die Fahrzeugdaten in den Clustern als ein Schadzustand festgelegt. Dadurch kann die Datenbasis der Trainingsdaten erweitert werden, was zu einem besseren Anlernen des maschinellen Lernverfahrens führt.
  • Zusätzlich können Fahrzeugdaten simulativ erzeugt werden und in neu angelegten Clustern oder zu bereits vorhandenen Clustern zugeordnet werden. Auch hier werden die Trainingsdaten verfeinert.
  • Weiterhin zusätzlich können die ermittelten Fahrzeugdaten mittels Kartendaten, welche zum Zeitpunkt der erzeugten Fahrzeugdaten und mittels der Position eines Fahrzeugs 2a,2b,2c (4) aus einer Karte ausgelesen werden, angereichert werden. Die Kartendaten können beispielsweise die Art der Straße (Schotterstraße, Bergstraße, Waldstraße) angeben.
  • In einem Schritt A5 wird das Verfahren verwendet, um ein maschinelles Lernverfahren zum Erkennen einer Abweichung eines Normzustandes eines (Serien)-Fahrzeugs anhand von Fahrzeugdaten anzutrainieren.
  • Dieses kann in einem Fahrzeug eingesetzt werden oder zentral beispielsweise in einer Cloud/externer Server, an welchen die Fahrzeugdaten der Fahrzeuge übermittelt werden.
  • 4 zeigt ein Trainingssystem 1 zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes. Das Trainingssystem 1 weist einen Prozessor 4 kann auf und kann in einem externe Server beispielsweise einer Cloud angeordnet sein. Ferner ist das Trainingssystem 1 dazu ausgestaltet, spezifische Fahrzeugdaten mit Umfelddaten, welche mittels der Fahrzeuge 2a,2b,2c generiert werden, zu empfangen. Dabei umfassen die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs 2a,2b,2c.
  • Dabei weisen die Fahrzeuge 2a,2b,2c Sensoren zum Generieren der spezifischen Fahrzeugdaten mit Umfelddaten auf. Ferner sind die Fahrzeuge 2a,2b,2c Nullserien-Fahrzeuge. Die Nullserie wird dafür genutzt, Fehler im realen Prototypen zu erkennen und diese vor Serien-Auslieferung an den Kunden zu beheben.
  • Der Prozessor 4 des Trainingssystems 1 erzeugt mithilfe der empfangenen spezifischen Fahrzeugdaten mit Umfelddaten ein oder mehrere bereits, die Fahrzeugdaten repräsentierende Cluster, in welchem die empfangenen Fahrzeugdaten gespeichert werden. Alternativ sind diese bereits vorhanden und der Prozessor 4 des Trainingssystems 1 speichert die empfangenen spezifischen Fahrzeugdaten mit Umfelddaten in diesen Cluster ab.
  • In 4 unterscheiden sich beispielsweise die Umfelddaten. So fährt Fahrzeug 2a auf einer brüchigen Straße, Fahrzeug 2b auf einer Schotterstraße und Fahrzeug 2c auf einer neuen Straße. Entsprechend können die Fahrzeugdaten voneinander abweichen, beispielsweise die Geräusche der Stoßdämpfer, obwohl kein Defekt vorliegt. Somit weichen auch die damit erzeugten Cluster voneinander ab.
    Die Cluster, das heißt die erfassten spezifischen Fahrzeugdaten mit deren Umfelddaten werden bis zu einem vorgegebenen Kilometerstand, welcher quasi einen Neuzustand definiert, als Normzustand festgelegt. Der Normzustand entspricht damit einen „Guten Zustand“.
  • Dadurch wird die Gefahr reduziert, dass Fahrzeugdaten, welche mit einer bereits verschlissenen oder defekten Fahrzeugkomponente erzeugt werden, versehentlich als Normzustand festgelegt werden.
  • Ferner kann bei einem erfolgten Austausch zumindest einer defekten und/oder verschlissenen Fahrzeugkomponente eines der Fahrzeuge 2a,2b,2c für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente übermittelten Fahrzeugdaten des Fahrzeugs 2a,2b,2c ein neues Cluster entsprechend des Austausches generiert werden. Alternativ können die anschließend übermittelten Fahrzeugdaten des Fahrzeugs 2a,2b,2c in ein bereits vorhandenes Cluster eingeteilt werden, welches den Austausch repräsentiert.
  • Durch die Aufnahme der Fahrzeugdaten von Fahrwerksanregungen, oder von Fahrzeugdaten nach einem Austausch von Fahrzeugkomponenten etc. können die Trainingsdaten weiter verfeinert werden. Hier kann beispielsweise folgende Informationen zusätzlich zu den Fahrzeugdaten hinterlegt werden „Was wurde ausgetauscht? Bei wieviel Kilometern? Mit welchem Anregungsprofil? etc.
  • Ferner können Fahrzeuge 3a,3b mit ein oder mehreren bekannten defekten und/oder bekannten verschlissenen Fahrzeugkomponenten versehen werden. Anschließend werden die Fahrzeugdaten der Fahrzeuge 3a,3b ermittelt und an das Trainingssystem 1 übermittelt.
  • Die so erzeugten Fahrzeugdaten werden von dem Prozessor 4 des Trainingssystems 1 zu ein oder mehreren entsprechend der neu generierten Cluster oder der ein oder mehreren vorhandenen Cluster, welche die ein oder mehreren defekten und/oder verschlissenen Fahrzeugkomponenten repräsentieren, zugeordnet.
    Anschließend werden die dadurch erzeugten Cluster bzw. die Fahrzeugdaten in den Clustern als ein Schadzustand festgelegt. Damit werden die Trainingsdaten weiter verfeinert.
  • Somit wird eine ausreichende Datenbasis für die Trainingsdaten gebildet. So können beispielsweise Vertreterwagen oder Flottenfahrzeuge mit der hohen Kilometerlaufleistung schnell die Daten für wenig genutzte Fahrzeuge liefern.
  • Anschließend kann der Prozessor 4 das maschinelle Lernverfahren mithilfe der Cluster zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs 2a,2b,2c antrainieren.
  • Das so trainierte maschinelle Lernverfahren kann beispielsweise direkt in den Serienfahrzeugen eingesetzt werden oder zentral weiter betrieben werden, und bei erkannten Verschleiß / Defekt durch das maschinelle Lernverfahren beispielsweise eine Warnung an das Serienfahrzeug übermitteln.
  • Bezugszeichenliste
  • 1
    Trainingssystem
    2a,2b,2c
    Fahrzeuge
    3a,3b
    Fahrzeuge mit defekter Fahrzeugkomponente
    4
    Prozessor
    S1-S4
    Verfahrensschritte
    A1-A5
    Verfahrensschritte
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • DE 102019113851 A1 [0007]

Claims (13)

  1. Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, gekennzeichnet durch die Schritte: - Ermitteln von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen (2a, 2b, 2c) erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) umfassen, - Zuordnen der ermittelten Fahrzeugdaten zu einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster und/oder Anlegen eines neuen Clusters, - Festlegen der Fahrzeugdaten in den Clustern als ein Normzustand, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des jeweiligen Fahrzeugs (2a,2b,2c) als Normzustand erfolgt.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass bei Austausch zumindest einer defekten und/oder verschlissenen Fahrzeugkomponente bei eines der Fahrzeuge (3a, 3b) für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs (3a, 3b) ein neues Cluster entsprechend des Austausches generiert wird oder die nach dem Austausch der zumindest einen verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs (3a, 3b) einem vorhandenen, den Austausch repräsentierenden Cluster zugeordnet werden.
  3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die zumindest eine defekte und/oder verschlissene Fahrzeugkomponente manuell oder durch das Fahrzeug (3a, 3b) selber erkannt wird.
  4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ferner die Schritte durchgeführt werden: - Ermitteln von Fahrzeugdaten, welche durch ein oder mehrere Fahrzeuge (2a, 2b, 2c) erzeugt werden, wobei die Fahrzeuge (2a, 2b, 2c) ein oder mehrere bekannte defekte und/oder bekannte verschlissene Fahrzeugkomponenten aufweisen, - Zuordnen der ermittelten Fahrzeugdaten zu ein oder mehreren entsprechend der ein oder mehreren bekannten defekten und/oder bekannten verschlissenen Fahrzeugkomponente neu generierten Cluster oder zu ein oder mehreren vorhandenen Cluster, welche die ein oder mehrere bekannten defekte und/oder verschlissenen Fahrzeugkomponenten repräsentieren, - Festlegen der Fahrzeugdaten in den Clustern als ein Schadzustand.
  5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die vorab ausgewählte Menge von Fahrzeugen die Nullserie ist.
  6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugdaten zumindest die spezifischen Fahrzeugdaten als auch die Umfelddaten zum Zeitpunkt der erfassten spezifischen Fahrzeugdaten umfasst.
  7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass simulativ erzeugte Fahrzeugdaten zur Verfeinerung und/oder Vermehrung der Cluster erzeugt werden.
  8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die ermittelten Fahrzeugdaten mittels Kartendaten, welche zum Zeitpunkt der erzeugten Fahrzeugdaten und mittels der Position eines Fahrzeugs (2a,2b,2c) aus einer Karte ausgelesen werden, angereichert werden.
  9. Fahrzeug mit einem maschinellen Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes einer Fahrzeugkomponente, wobei das maschinelle Lernverfahren mithilfe eines Verfahrens nach einem der vorhergehenden Ansprüche trainiert ist.
  10. Fahrzeug nach Anspruch 9, dadurch gekennzeichnet, dass das maschinelles Lernverfahren als ein künstliches neuronales Netz konfiguriert ist.
  11. Trainingssystem (1) zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, das Trainingssystem (1) umfassend eine Empfangseinheit zum Empfang von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen (2a, 2b, 2c) erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs (2a,2b,2c) umfassen, ferner umfassend zumindest einen Prozessor (4), welcher dazu ausgebildet ist, die empfangenen Fahrzeugdaten einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster zuzuordnen und/oder ein neues Cluster anzulegen und wobei der zumindest eine Prozessor (4) dazu ausgebildet ist, die Fahrzeugdaten in den Clustern als einen Normzustand festzulegen, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des Fahrzeugs (2a,2b,2c) als Normzustand erfolgt, und wobei der Prozessor (4) ferner dazu ausgebildet ist, das maschinelle Lernverfahren mithilfe der Cluster zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs (2a,2b,2c) anzutrainieren.
  12. Trainingssystem (1) nach Anspruch 11, dadurch gekennzeichnet, dass der zumindest eine Prozessor (4) dazu ausgebildet ist, bei Austausch zumindest einer defekten und/oder verschlissenen Fahrzeugkomponente eines der Fahrzeuge (2a,2b,2c) für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs (2a,2b,2c) ein neues Cluster entsprechend des Austausches zu generieren oder die nach dem Austausch der zumindest einen verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs (2a,2b,2c) einem vorhandenen, den Austausch repräsentierenden Cluster zuzuordnen.
  13. Trainingssystem (1) nach Anspruch 11 oder 12, dadurch gekennzeichnet, dass die Empfangseinheit zum Empfang von Fahrzeugdaten, welche durch ein oder mehrere Fahrzeuge (3a, 3b) erzeugt werden, wobei die Fahrzeuge (3a, 3b) ein oder mehrere bekannte defekte und/oder bekannte verschlissene Fahrzeugkomponenten aufweisen, ausgebildet ist und, wobei der zumindest eine Prozessor (4) zum Zuordnen der ermittelten Fahrzeugdaten zu ein oder mehreren entsprechend der ein oder mehreren bekannten defekten und/oder bekannten verschlissenen Fahrzeugkomponente neu generierten Cluster oder ein oder mehreren vorhandenen Cluster, welche die ein oder mehrere bekannten defekte und/oder verschlissenen Fahrzeugkomponenten repräsentieren, ausgebildet ist und wobei der zumindest eine Prozessor (4) die Fahrzeugdaten in den Clustern als ein Schadzustand festlegt.
DE102020203514.8A 2020-03-19 2020-03-19 Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem Ceased DE102020203514A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102020203514.8A DE102020203514A1 (de) 2020-03-19 2020-03-19 Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem
PCT/EP2021/055412 WO2021185586A1 (de) 2020-03-19 2021-03-04 Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020203514.8A DE102020203514A1 (de) 2020-03-19 2020-03-19 Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem

Publications (1)

Publication Number Publication Date
DE102020203514A1 true DE102020203514A1 (de) 2021-09-23

Family

ID=74859438

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020203514.8A Ceased DE102020203514A1 (de) 2020-03-19 2020-03-19 Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem

Country Status (2)

Country Link
DE (1) DE102020203514A1 (de)
WO (1) WO2021185586A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022207418A1 (de) 2022-07-20 2024-01-25 Volkswagen Aktiengesellschaft Bauteilverschleiß-Erkennung bei autonomer Fahrzeugflotte mit Schwarmdaten und Auswahl des Einsatzszenarios eines Einzelfahrzeugs

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019113851A1 (de) 2019-05-23 2019-08-01 FEV Group GmbH Verfahren zum Erzeugen von Trainingsdaten für ein Neuronales Netz

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609051B2 (en) * 2001-09-10 2003-08-19 Daimlerchrysler Ag Method and system for condition monitoring of vehicles
US9633490B2 (en) * 2015-06-11 2017-04-25 Mitsubishi Electric Research Laboratories, Inc. System and method for testing and evaluating vehicle components
SE541828C2 (en) * 2017-05-16 2019-12-27 Scania Cv Ab Method and control arrangement for prediction of malfunction of a wheel bearing unit of an axle in a vehicle

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019113851A1 (de) 2019-05-23 2019-08-01 FEV Group GmbH Verfahren zum Erzeugen von Trainingsdaten für ein Neuronales Netz

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022207418A1 (de) 2022-07-20 2024-01-25 Volkswagen Aktiengesellschaft Bauteilverschleiß-Erkennung bei autonomer Fahrzeugflotte mit Schwarmdaten und Auswahl des Einsatzszenarios eines Einzelfahrzeugs

Also Published As

Publication number Publication date
WO2021185586A1 (de) 2021-09-23

Similar Documents

Publication Publication Date Title
DE102019126195A1 (de) Verfahren zur effizienten, simulativen Applikation automatisierter Fahrfunktionen
DE102019204139A1 (de) Training für künstliche neuronale Netzwerke mit besserer Ausnutzung der Lern-Datensätze
EP3983936A1 (de) Verfahren und generator zum erzeugen von gestörten eingangsdaten für ein neuronales netz
EP3869390A1 (de) Computerimplementiertes verfahren und system zum erzeugen einer virtuellen fahrzeugumgebung
DE102020203514A1 (de) Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem
DE102019208735B4 (de) Verfahren zum Betreiben eines Fahrassistenzsystems eines Fahrzeugs und Fahrerassistenzsystem für ein Fahrzeug
DE102018209108A1 (de) Schnelle Fehleranalyse für technische Vorrichtungen mit maschinellem Lernen
EP3714337B1 (de) Simulieren von statistisch modellierten sensordaten
DE102019213061A1 (de) Klassifizierung von KI-Modulen
DE102019215656B4 (de) Verfahren zum Bewerten einer ausgewählten Route, Routenbewertungssystem und Computerprogramm
DE102020123228A1 (de) Verfahren zum Betreiben einer Gerätefunktion, insbesondere eines Kraftfahrzeugss
DE102021200927A1 (de) Verfahren und Vorrichtung zur Analyse eines insbesondere in einen zumindest teilautonomen Roboter oder Fahrzeug eingebetteten Systems
DE102020212147A1 (de) Datenbasierte Fortschreibung des Trainings von Klassifikatornetzwerken
DE10315344B4 (de) Verfahren und Vorrichtung zur Erkennung fehlerhafter Komponenten in Fahrzeugen
DE102018000201A1 (de) Verfahren zur Überprüfung einer Aktualität einer digitalen Karte
DE102018009451A1 (de) Verfahren zum Überprüfen wenigstens eines Fahrzeugs sowie elektronische Recheneinrichtung
DE102018212801A1 (de) Diagnose komplexer Systeme
DE102021003677A1 (de) Verfahren zur Verbesserung einer Verkehrszeichenerkennung
DE102021107132A1 (de) Verfahren, System und Computerprogrammprodukt zur Erstellung von elektronischen Berichten über die Auswertung von numerischen Simulationsergebnissen für eine technische Entität
DE102022200060A1 (de) Bestimmung der Relevanz von Bildanteilen für das Ergebnis einer Verarbeitung des Bildes durch ein Transformer-Netzwerk
DE102020213057A1 (de) Verfahren und Vorrichtung zum Überprüfen eines beim teilautomatisierten oder vollautomatisierten Steuern eines Fahrzeugs verwendeten KI-basierten Informationsverarbeitungssystems
DE102021200257A1 (de) Verfahren zur Validierung von Softwarefunktionen in einem Fahrerassistenzsystem für Kraftfahrzeuge
WO2022167345A1 (de) Ermittlung einer bewertung eines datensatzes
DE102021213650A1 (de) Verfahren zum Verarbeiten von Geometriedaten, Computerprogrammprodukt sowie System zum Verarbeiten von Geometriedaten
DE102022000331A1 (de) Verfahren zur Detektion von Geisterobjekten in Sensormessungen

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R002 Refusal decision in examination/registration proceedings
R003 Refusal decision now final