DE102021100765A1

DE102021100765A1 - Verfahren, System und Computerprogrammprodukt zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität

Info

Publication number: DE102021100765A1
Application number: DE102021100765.8A
Authority: DE
Inventors: Mathis Brosowsky
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2021-01-15
Filing date: 2021-01-15
Publication date: 2022-07-21

Abstract

Die Erfindung bezieht sich auf Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität mittels einer Datenanalyseeinrichtung, umfassend:- Empfangen von Daten und/oder Messwerten der Entität und/oder der Umgebung der Entität von der Datenanalyseeinrichtung;- Bearbeiten des zumindest einen Eingabewertes von der Datenanalyseeinrichtung mittels einer Softwareapplikation zur Bestimmung zumindest eines ersten Ausgabewertes mit den folgenden Verfahrensschritten:- Verwenden eines neuronalen Netzes mit mehreren Schichten mit ersten lernbaren Parametern, das aus dem Eingabewert einen Berechnungswert berechnet;- Bestimmen zumindest eines Zielparameters, der einen eingeschränkten Zwischenausgabewertebereich des neuronalen Netzes festlegt;- Modifizieren des Berechnungswertes der letzten Schicht oder einer zusätzlichen Schicht des neuronalen Netzes durch eine Funktion und den zumindest einen Zielparameter, und Berechnen eines Zwischenausgabewertes, der innerhalb des festgelegten Zwischenausgabewertebereichs des zumindest einen Zielparameters liegt;- Konkatenieren des zumindest einen Zwischenausgabewertes des modifizierten neuronalen Netzes mit zumindest einer weiteren Schicht mit eigenen zweiten lernbaren Parametern, und Berechnen zumindest eines ersten Ausgabewertes.

Description

Die Erfindung betrifft ein Verfahren, System und Computerprogrammprodukt zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität, insbesondere eines Kraftfahrzeugs.
Bei einer automatisierten Sicherheitsüberwachung einer technischen Einheit, die beispielsweise als ein Kraftfahrzeug ausgebildet sein kann, wird insbesondere die Beschaffenheit von einzelnen Komponenten bis hin zur gesamten Einheit beurteilt, um Schäden zu vermeiden, Instandhaltungen zu planen und damit Kosten zu senken. Dabei kann es sinnvoll sein, Kennzahlen für Messwerte zu definieren, die eingehalten werden müssen und deren Über- oder Unterschreiten mit einem Fehler- alarm verbunden sein können. Bei den Messwerten kann es sich um akustische Daten wie beispielsweise Frequenzen im Betriebszustand eines Antriebsstrangs, oder um optische Daten, die für eine Bildverarbeitung verwendet werden, oder um elektrische Daten wie den Ladezustand einer Batterie handeln.
Im Bereich des automatisierten Fahrens werden sicherheitsrelevante Funktionen in bestimmten Anwendungsfällen von einem Fahrzeug komplett selbst gesteuert, da das Verkehrsgeschehen nicht mehr vom Fahrer des Fahrzeugs überwacht wird. Messdaten von der Umgebung des Fahrzeugs werden beispielsweise für eine automatische Abstandsüberwachung des Kraftfahrzeugs oder die Berechnung von erlaubten Bewegungsbahnen (Trajektorien) verwendet. Diese Fahrassistenzsysteme sind mit hohen Rechenleistungen verknüpft und müssen erhebliche Sicherheitsanforderungen erfüllen. Zudem sind Echtzeitreaktionen der Fahrassistenzsysteme erforderlich, da sich das Verkehrsgeschehen schnell ändern kann.
Für die ermittelten Messdaten werden Berechnungsalgorithmen definiert und konfiguriert, um daraus beispielsweise Informationen über die Umgebung der technischen Entität oder in einem anderen Beispiel Informationen über Erreger- und/oder Schadfrequenzen einer Antriebskomponente der technischen Entität zu erhalten. Schlüsselfaktoren wie Key Performance Indices können hierdurch überwacht werden, um bei auftretenden Veränderungen mögliche entstehende Schäden an der technischen Einheit und den einzelnen Komponenten frühzeitig zu erkennen. Diese verschiedenen Schritte in einer Analysekette und/oder Berechnungskette erfordern jedoch ein beträchtliches Maß an Experten-Knowhow und sind zudem in mathematischer Hinsicht komplex und zeitintensiv.
Die DE 10 2018 217 090 A1 und die DE 10 2018 217 092 A1 beschreiben jeweils ein Verfahren zur berechnungsressourcenschonenden semantischen Segmentierung von Bilddaten eines bildgebenden Sensors mittels eines künstlichen neuronalen Netzes, insbesondere eines Convolutional Neural Networks. Das künstliche neuronale Netz weist einen Encoder-Pfad, einen Decoder-Pfad und eine Skip-Komponente auf. Ein Input-Tensor wird mit einem Skip-Tensor verbunden, um einen Merged-Tensor zu erhalten, wobei der Input-Tensor und der Skip-Tensor abhängig von den Bilddaten sind. Dann wird eine Faltung (Convolution) auf den Merged-Tensor angewandt, um einen Proof-Reader-Tensor zu erhalten. Der Proof-Reader-Tensor wird nochmals mit dem Input-Tensor verbunden, um einen Output-Tensor zu erhalten, der an den Decoder-Pfad des künstlichen neuronalen Netzes weitergegeben wird.
Die DE 10 2018 206 717 A1 beschreibt ein Verfahren zum Betreiben eines Kraftfahrzeugs in Abhängigkeit von ermittelten Personalisierungsparametern, welche aus einem Konfigurationsdatensatz mittels Algorithmen der Künstlichen Intelligenz ausgewählt werden.
Die US 2014/372120 A1 beschreibt ein Verfahren zur Spracherkennung, wobei Wörter und Sätze interpretiert und bewertet werden, so dass mehrere Bewertungsergebnisse zur Wahl stehen, die dann auf ihre Korrektheit ausgewertet werden.
Eine Aufgabe der vorliegenden Erfindung besteht somit darin, ein Verfahren, ein System und ein Computerprogrammprodukt zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität zu schaffen, das sich jeweils durch eine hohe Zuverlässigkeit und die effiziente Verwendung von Rechenkapazitäten auszeichnet.
Diese Aufgabe wird hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 1, hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 9, und hinsichtlich eines Computerprogrammprodukts durch die Merkmale des Patentanspruchs 15 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.
Gemäß einem ersten Aspekt betrifft die Erfindung ein Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität mittels einer Datenanalyseeinrichtung. Das Verfahren umfasst die folgenden Verfahrensschritte:

- Empfangen von Daten und/oder Messwerten der Entität und/oder der Umgebung der Entität von der Datenanalyseeinrichtung, wobei die Daten/Messwerte zumindest einen Zustand und/oder zumindest ein Merkmal der Entität und/oder der Umgebung der Entität beschreiben und zumindest einen Eingabewert darstellen;
- Bearbeiten des zumindest einen Eingabewertes von der Datenanalyseeinrichtung mittels einer Softwareapplikation zur Bestimmung zumindest eines ersten Ausgabewertes mit den folgenden Verfahrensschritten:
- Verwenden eines neuronalen Netzes mit mehreren Schichten mit ersten lernbaren Parametern, das aus dem Eingabewert einen Berechnungswert berechnet, wobei der Berechnungswert innerhalb eines Ausgabewertebereichs liegt;
- Bestimmen zumindest eines Zielparameters, der einen eingeschränkten Zwischenausgabewertebereich des neuronalen Netzes festlegt, wobei der Zwischenausgabewertebereich eine Teilmenge des Ausgabewertebereichs darstellt;
- Modifizieren des Berechnungswertes der letzten Schicht oder einer zusätzlichen Schicht des neuronalen Netzes durch eine Funktion und den zumindest einen Zielparameter, und Berechnen eines Zwischenausgabewertes, der innerhalb des festgelegten Zwischenausgabewertebereichs des zumindest einen Zielparameters liegt;
- Konkatenieren des zumindest einen Zwischenausgabewertes des modifizierten neuronalen Netzes mit zumindest einer weiteren Schicht mit eigenen zweiten lernbaren Parametern, und Berechnen zumindest eines ersten Ausgabewertes.

In einer Weiterentwicklung ist vorgesehen, dem neuronalen Netz eine aus dem Zielparameter gebildete Repräsentation als weiteren Eingabewert zu übergeben, so dass der Berechnungswert des neuronalen Netzes auch von dem Zielparameter abhängig ist.
In einer weiteren Ausführungsform wird der Zielparameter und/oder der Wertebereich des Zielparameters durch weitere zusätzliche Schichten des neuronalen Netzes mit dritten lernbaren Parametern bestimmt.
Vorteilhafterweise wird zu dem Zielparameter ein Rauschanteil addiert, wobei es sich bei dem Rauschanteil um eine zufällige Zahl mit der gleichen Dimension wie der Zielparameter handelt.
In einer weiteren Ausführungsform stellen der Zielparameter und/oder der Zwischenausgabewertebereich zumindest einen zweiten Ausgabewert dar.
In einer weiteren Ausgestaltung werden vierte lernbare Parameter für das Bestimmen des ersten Ausgabewertes und des zweiten Ausgabewertes geteilt oder gemeinsam genutzt werden.
Vorteilhafterweise wird eine Datenbank verwendet, in der Daten zu Eigenschaften der technischen Einheit, und/oder Bilder und/oder Kenngrößen sowie deren Verknüpfungen gespeichert sind.
Insbesondere ist die technische Entität als ein Kraftfahrzeug ausgebildet.
Gemäß einem zweiten Aspekt betrifft die Erfindung ein System zur Bestimmung von sicherheitskritischen Ausgabewerten für eine technische Entität mittels einer Datenanalyseeinrichtung. Die Datenanalyseeinrichtung ist ausgebildet, Daten und/oder Messwerte der Entität und/oder der Umgebung der Entität zu empfangen, wobei die Daten/Messwerte zumindest einen Zustand und/oder zumindest ein Merkmal der Entität und/oder der Umgebung der Entität beschreiben und zumindest einen Eingabewert darstellen. Des Weiteren ist die Datenanalyseeinrichtung ausgebildet, den zumindest einen Eingabewert mittels einer Softwareapplikation zur Bestimmung zumindest eines ersten Ausgabewertes zu bearbeiten mit den folgenden Verfahrensschritten: Verwenden eines neuronalen Netzes mit mehreren Schichten mit ersten lernbaren Parametern, das aus dem Eingabewert einen Berechnungswert berechnet, wobei der Berechnungswert innerhalb eines Ausgabewertebereichs liegt; Bestimmen zumindest eines Zielparameters, der einen eingeschränkten Zwischenausgabewertebereich des neuronalen Netzes festlegt, wobei der Zwischenausgabewertebereich eine Teilmenge des Ausgabewertebereichs darstellt; Modifizieren des Berechnungswertes der letzten Schicht oder einer zusätzlichen Schicht des neuronalen Netzes durch eine Funktion und den zumindest einen Zielparameter, und Berechnen eines Zwischenausgabewertes, der innerhalb des festgelegten Zwischenausgabewertebereichs des zumindest einen Zielparameters liegt; Konkatenieren des zumindest einen Zwischenausgabewertes des modifizierten neuronalen Netzes mit zumindest einer weiteren Schicht mit eigenen zweiten lernbaren Parametern, und Berechnen zumindest eines ersten Ausgabewertes.
In einer vorteilhaften Weiterentwicklung ist vorgesehen, dem neuronalen Netz eine aus dem Zielparameter gebildete Repräsentation als weiteren Eingabewert zu übergeben, so dass der Berechnungswert des neuronalen Netzes auch von dem Zielparameter abhängig ist.
In einer weiteren Ausführungsform wird der Zielparameter und/oder der Wertebereich des Zielparameters durch weitere zusätzliche Schichten des neuronalen Netzes mit dritten lernbaren Parametern bestimmt.
In einer weiteren Ausgestaltung wird zu dem Zielparameter ein Rauschanteil addiert, wobei es sich bei dem Rauschanteil um eine zufällige Zahl mit der gleichen Dimension wie der Zielparameter handelt.
Vorteilhaftweise stellen der Zielparameter und/oder der Zwischenausgabewertebereich zumindest einen zweiten Ausgabewert dar.
Insbesondere ist die technische Entität als ein Kraftfahrzeug ausgebildet.
Gemäß einem dritten Aspekt betrifft die Erfindung ein Computerprogrammprodukt, umfassend einen ausführbaren Programmcode, der so konfiguriert ist, dass er bei seiner Ausführung das Verfahren gemäß dem ersten Aspekt ausführt.
Nachfolgend wird die Erfindung anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert.
Dabei zeigt:

1 eine schematische Darstellung eines erfindungsgemäßen Systems zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität;
2 eine schematische Darstellung eines künstlichen neuronalen Netzes mit dynamischen Einschränkungen;
3 ein erstes Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
4 ein zweites Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
5 ein drittes Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
6 ein viertes Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
7 ein fünftes Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
8 ein sechstes Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
9 ein siebtes Ausführungsbeispiel eines neuronalen Netzes gemäß der Erfindung;
10 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte eines erfindungsgemäßen Verfahrens;
11 ein Computerprogrammprodukt gemäß einer Ausführungsform gemäß dem dritten Aspekt der Erfindung.

Zusätzliche Merkmale, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden durch die ausführliche Beschreibung in Verbindung mit den Ansprüchen ersichtlich.
1 zeigt ein System 100 zur Bestimmung von sicherheitskritischen Ausgabewerten einer technischen Entität 10. Die Entität 10 kann beispielsweise als ein Kraftfahrzeug ausgebildet sein. Es kann sich aber auch um eine komplexe Industrieanlage, wissenschaftlich-technische oder medizinische Geräte und Systeme, Verkehrssteuerungs- und Verkehrslogistiksysteme, vernetzte Sicherheits- und Fahrassistenzsysteme für mobile Geräte, industrielle Prozesssteuerungs- und Automatisierungssysteme, Umweltbeobachtungssysteme, Energieversorgungsmanagementsysteme oder Telekommunikationssysteme handeln. Die Entität 10 ist mit Sensoren 20 versehen, die akustische, optische, chemische, elektrische, elektronische und/oder sonstige Messwerte als Daten aufnehmen. Bei den Sensoren 20 kann es sich beispielsweise um Drucksensoren, Piezosensoren, Drehzahlsensoren, Temperatursensoren und/oder bildaufnehmende Sensoren wie Kameras handeln. Die Sensoren 20 geben die Messwerte und Daten als Eingabewerte x an die Datenanalyseeinrichtung 30 weiter.
Die Datenanalyseeinrichtung 30 weist vorzugsweise einen Prozessor 32 auf, der die Eingabewerte x mittels einer Softwareapplikation mit einem Algorithmus bearbeitet. Es ist aber auch denkbar, dass die Daten zunächst in einer Speichereinheit 40 oder einem Softwaremodul 45 gespeichert und erst zu einem späteren Zeitpunkt von der Datenanalyseeinrichtung 30 verarbeitet werden. Zudem kann die Datenanalyseeinrichtung 30 auf ein oder mehrere weitere Datenbanken 50 zugreifen. In der Datenbank 50 können beispielsweise Informationen bzw. Daten von Eigenschaften der Entität 10 und/oder von Bildern und/oder Kenngrößen gespeichert sein. Beispielhafte Eigenschaften sind Drehzahlfrequenzen oder das Drehmoment des Motors bei einer bestimmten Geschwindigkeit. Des Weiteren können aus der Datenbank 50 graphische Bilder beispielsweise von der Umgebung der Entität 10 heruntergeladen werden. Es ist aber auch denkbar, dass in der Datenbank 50 Konstruktionspläne der Entität 10, wie beispielsweise von einem Lager eines Getriebes oder des Motors abgelegt sind. Zudem können Zielgrößen und Zielwerte in der Datenbank 50 abgelegt sein, die einen Sicherheitsstandard definieren. Außerdem kann in der Datenbank 50 ein digitaler Zwilling der Entität 10 gespeichert sein, der im ständiger Datenaustausch mit der Datenverarbeitungseinrichtung 30 steht.
Des Weiteren kann eine Benutzerschnittstelle 70, die als Display vorzugsweise mit einem Touchscreen ausgebildet sein kann, zur Ausgabe der Berechnungsergebnisse und/oder einer Alarmmeldung vorgesehen sein.
Unter einem „Prozessor“ kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden, die dazu eingerichtet ist, die Programmbefehle derart auszuführen, um das erfindungsgemäße Verfahren oder einen Schritt des erfindungsgemäßen Verfahrens zu implementieren oder zu realisieren. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrocontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet ist oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, der Komponente, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert.
Unter einer „Speichereinheit“ oder „Speichermodul“ und dergleichen kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory, RAM) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger oder beispielsweise ein wechselbares Speichermodul verstanden werden. Es kann sich bei dem Speichermodul aber auch um eine cloudbasierte Speicherlösung (Cloud Computing) handeln.
Unter „Messwerten“ sind im Zusammenhang mit der Erfindung sowohl die Rohdaten als auch bereits aufbereitete Daten aus den Messergebnissen der Sensoren 20 zu verstehen.
In 2 ist ein künstliches neuronales Netz mit einem eingeschränkten Ausgabewertebereich C(s) dargestellt, das von der Datenanalyseeinrichtung 30 für die Verarbeitung der Eingabewerte x verwendet wird. Das neuronale Netz besteht aus verschiedenen Schichten h_θ(x) mit lernbaren Parametern θ und erzeugt aus Eingabewerten x zumindest einen Berechnungswert z. Bei den Eingabewerten x handelt es sich vorzugsweise um die Daten der Messwerte der Sensoren 20. Es können aber auch Eingabewerte x aus der Datenbank 50 oder anderen Quellen verwendet werden. Die Ausgabewerte y des neuronalen Netzes liegen in Abhängigkeit von den ihm zugeführten Eingabewerten x in einem Ausgabewertebereich D.
Um eine Einschränkung des maximalen Ausgabewertebereichs D zu erreichen, wird ein zusätzlicher Zielparameter s bestimmt, der den maximalen Ausgabewertebereich D auf den festgelegten Ausgabewertebereich C(s) eingeschränkt. Der Wertebereich der Ausgabewerte y für einen oder mehrere Eingabewerte x wird somit gezielt auf einen festgelegten Ausgabewertebereich C(s) eingeschränkt. Der Ausgabewertebereich C(s) bildet dabei eine Teilmenge des allgemeinen Ausgabewertebereiches D.
Im Rahmen der Bildverarbeitung kann es sich dabei um einen bestimmten Bereich innerhalb der Bildfläche handeln, der durch definierte Bildeigenschaften gekennzeichnet ist, wie beispielsweise die Augen einer Person bei einer Personendarstellung oder ein Verkehrsschild im Straßenverkehr oder eine bestimmte Zellstruktur in der Mikroskopie.
Zudem wird der Berechnungswert z der letzten Schicht oder einer zusätzliche Schicht des neuronalen Netzes, das aus den verschiedenen Schichten h_θ(x) besteht, mit einer erweiternden Funktion ϕ kombiniert, so dass eine weitere Schicht ϕ(z, s) erzeugt wird, die die Einschränkung auf den Ausgabewertebereich C(s) steuert. Die Funktion ϕ bildet somit den Berechnungswert z des neuronalen Netzes auf den von dem Zielparameter s abhängigen Wertebereich C(s) ab. Die Funktion ϕ enthält selbst keine lernbaren Parameter θ.
Zu einem Eingabewert x, der als ein Messwert oder sonstiger Datenwert ausgebildet sein kann, wird somit zumindest ein zusätzlicher Zielparameter s in das neuronale Netz eingebracht. Diese Zielparameter s bestimmen den eingeschränkten Ausgabewertebereich C(s). Der Zielparameter s dient somit zur Spezifizierung der Einschränkung des maximalen Ausgabewertebereichs D auf die entsprechende Teilmenge des eingeschränkten Ausgabewertebereich C(s). Sie können als zusätzliche Eingabewerte x betrachtet werden.
Außerdem ist es möglich, weitere erste Parameter θ in das neuronale Netz einzubringen, die vorzugsweise die lernbaren Parameter des neuronalen Netzes darstellen. Die Ausgabewerte y des neuronalen Netzes werden definiert als: $y = ƒ_{θ} (x, s) \in C (s) \subseteq D$
wobei $\forall x \in X \forall s \in S \forall θ \in W$
Durch die gewählte Architektur des neuronalen Netzes wird somit festgelegt, dass die finalen Ausgabewerte y = f_θ(x,s) des neuronalen Netzes ausschließlich in dem eingeschränkten Ausgabewertebereich C(s) liegen. Neuronale Netze mit dieser Architektur werden im Folgenden als modifizierte neuronale Netze mit dynamischen Einschränkungen bezeichnet.
Die Datenverarbeitungseinrichtung 30 verwendet somit die bekannte Architektur neuronaler Netze und modifiziert diese durch die Funktion ϕ derart, dass die finalen Ausgabewerte y innerhalb eines definierten Ausgabewertebereiches C(s) liegen. Da es sich hierbei um eine Weiterentwicklung der bekannten Architektur von neuronalen Netzwerken handelt, können Trainingsalgorithmen bekannter neuronaler Netze angewendet werden. Dies gilt insbesondere für Gradienten-basierte Optimierungsverfahren und Klassifizierungsverfahren. Die Verwendung von bekannten Trainingsalgorithmen hat den Vorteil, dass zusätzliche Sicherheitseigenschaften hinzugefügt werden können.
Da jeder Ausgabewert y innerhalb eines definierten Wertebereiches C(s) liegt, der für einen spezifischen Zielparameter s festgelegt wurde, können unvorhergesehene Ausgabewerte, wie sie üblicherweise bei bekannten neuronalen Netzen auftreten, vermieden werden. Das neuronale Netzwerk mit dynamischen Einschränkungen hingegen liefert innerhalb des Wertebereichs C(s) liegende Ausgabewerte y und ist daher von seiner Struktur her deterministisch angelegt. Die Festlegung oder Bestimmung des Wertebereiches C(s) kann wiederum aufgrund spezieller Berechnungsmethoden oder Algorithmen erfolgen. Wenn das Berechnungsergebnis für die Eingabewerte x innerhalb des zuvor festgelegten Ausgabewertebereiches C(s) liegt, kann davon ausgegangen werden, dass beispielsweise zuvor definierte Sicherheitskriterien erfüllt werden. Ist eine Einschränkung auf den zuvor definierten Ausgabewertebereich C(s) nicht möglich, dann kann beispielsweise eine Alarmmeldung ausgegeben werden. So kann der Wertebereich C(s) beispielsweise im Bereich des autonomen Fahrens einen Lösungsraum darstellen, in dem eine bestimmte Bewegung eines Fahrzeugs entlang einer Trajektorie ohne die Möglichkeit einer Kollision mit anderen Fahrzeugen stattfinden kann.
Als neuronales Netzwerk können insbesondere sehr tiefe neuronale Netze verwendet werden, die sich durch eine hohe Genauigkeit der Berechnungsergebnisse auszeichnen. Dies ist vor allem bei sicherheitskritischen Anwendungen, die sich durch geringe Fehlertoleranzen auszeichnen, bedeutsam. Zudem können unterschiedliche Kategorien von Einschränkungen festgelegt werden, die sich auf den jeweiligen Anwendungsfall beziehen. Insgesamt zeichnet sich ein neuronales Netz mit dynamischen Einschränkungen gegenüber einem klassischen neuronalen Netz durch eine Reduzierung des Berechnungsaufwands auf und ist daher berechnungsressourcenschonend.
Zusätzlich kann der Berechnungswert z des neuronalen Netzes auch von dem Zielparameter s selbst abhängig sein, wenn dem neuronalen Netz eine oder mehrere aus zumindest einem Zielparameter s gebildete Repräsentation(en) g(s) als zusätzliche(r) Eingabewert(e) x übergeben wird/werden. Die Funktion ϕ wird dann auf den Berechnungswert z = h_θ(x,g(s)) des neuronalen Netzes angewendet und bildet den Ausgabewert y des neuronalen Netzes auf den Wertebereich C(s) ab. Wenn die Funktion ϕ zudem differenzierbar in z ist, so können auf dieses neuronale Netz mit dynamischen Einschränkungen Gradienten-basierte Optimierungsverfahren angewendet werden.
Es gilt somit: $\begin{array}{l} \forall s \in S \forall z \in Z \in Z : ϕ (z, s) \in C (s) \\ \Rightarrow \forall x \in X \forall s \in S \forall θ \in W : y = ϕ (h_{θ} (x, g (s), s) \overset{def}{=} ƒ_{θ} (x, s) \in C (s) \end{array}$
In 3 ist ein erstes Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hierbei stellt die durch die Funktion ϕ erzeugte Schicht ϕ(z, s) nicht die finale Schicht des modifizierten neuronalen Netzes dar, sondern diese Schicht ϕ(z, s) wird nochmals mit zumindest einer weiteren Schicht q_µ mit eigenen zweiten lernbaren Parametern µ verkettet bzw. konkateniert. Dadurch stellt die Schicht ϕ(z, s) erfindungsgemäß nun eine Zwischenschicht dar und ihre Ausgabewerte werden im Folgenden als Zwischenausgabewerte z' ∈ C(s) bezeichnet, die auf einen bestimmten Wertebereich C(s) eingeschränkt werden. Diese Zwischenausgabewerte z' werden durch die weitere Schicht q" (z') nochmals bearbeitet und bilden dann den/die finalen Ausgabewert(e) y des derart modifizierten neuronalen Netzes.
Die Zwischenausgabewerte z' der Schicht ϕ(z, s) können eine interpretierbare Repräsentation darstellen, die entsprechend dem jeweiligen Anwendungsfall eine bestimmte semantische Bedeutung hat. So können bestimmte Regionen in der Zwischenschicht ϕ(z, s) interpretierbaren Klassen entsprechen. Ein möglicher Anwendungsfall ist die Erhöhung der Sicherheit im Bereich des autonomen Fahrens. So kann es sich bei den Klassen um die Lenkanweisung für verschiedene Geschwindigkeitsbereiche handeln. Beispielsweise können bei höheren Geschwindigkeiten größere Lenkwinkel aus Sicherheitsgründen ausgeschlossen werden. Oder es kann sich um einen um einen bestimmten Mindestabstand in Abhängigkeit von der Geschwindigkeit des Fahrzeugs handeln. Im Bereich der Bildverarbeitung beispielsweise von Bildern der Umgebung eines Fahrzeugs kann es sich um semantische Informationen wie die Bedeutung eines Verkehrsschilds oder das Auftreten von Verkehrshindernissen handeln, die dann bei der Berechnung von erlaubten Bewegungsbahnen berücksichtigt werden.
Durch die Einschränkung der Zwischenausgabewerte z' ∈ C(s) der Zwischenschicht ϕ(z, s) kann somit die semantische Bedeutung der Ausgabewerte y des gesamten neuronalen Netzes beeinflusst werden. Durch die Verkettung (Konkatenation) der Zwischenschicht ϕ(z, s) des neuronalen Netzes mit zumindest einer weiteren Schicht q_µ können sicherheitskritische Ausgabewerte y besser berechnet werden, so dass die Zuverlässigkeit und damit Interpretierbarkeit der Ausgabewerte y erhöht werden kann. So kann beispielsweise aus verschiedenen möglichen Trajektorien eines Kraftfahrzeugs, die Zwischenausgabewerte z' der Zwischenschicht ϕ(z,s) darstellen, diejenige Trajektorie ausgewählt werden, die das höchste Sicherheitsniveau erfüllt.
In der 3 wird den Schichten h_θ(x, s) des neuronalen Netzes keine zusätzliche Repräsentierung g(s) des Zielparameters s zugeführt. Dies ist dann sinnvoll, wenn einem Eingabewert x ein einziger Zielparameter s und der zugehörige eingeschränkte Ausgabewertebereich C(s) zugeordnet werden soll.
In der 4 ist ein zweites Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hier wird wiederum die Schicht ϕ(z, s) mit zumindest einer weiteren Schicht q_µ verkettet bzw. konkateniert. Zusätzlich wird den Schichten h_θ(x,g(s)) des neuronalen Netzes zumindest eine Repräsentierung g(s) von einem oder mehreren Zielparameter(n) s zugeführt. Dies ist dann sinnvoll, wenn einem Eingabewert x mehrere Zielparameter s und mehrere zugehörige Ausgabewertebereiche C(s) zugeordnet werden sollen. In diesem Fall ist es erforderlich, dass der Berechnungswert z der Schichten h_θ(x, g(s)) des neuronalen Netzes auch von dem Zielparameter s abhängt. Um Gradienten-basierte Lernverfahren anzuwenden, ist es vorteilhaft, wenn die Repräsentierung g(s) fast überall in s differenzierbar ist.
In der 5 ist ein drittes Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hier wird wiederum die Schicht ϕ(z, s) mit zumindest einer weiteren Schicht q_µ verkettet bzw. konkateniert. Zudem wird der Zielparameter s durch zusätzliche Schichten s = k_β (x) mit im allgemeinen eigenen lernbaren Parametern β aus dem Eingabewert x bestimmt. Für die Anwendung von Gradienten-basierten Lernverfahren ist es vorteilhaft, wenn die Schicht ϕ(z, s) nicht nur hinsichtlich des Berechnungsergebnisses z, sondern auch bezogen auf den Zielparameter s im mathematischen Sinne fast überall differenzierbar ist. Eine Repräsentierung g(s) des Zielparameters s wird in diesem Ausführungsbeispiel den Schichten h_θ(x,g(s)) des neuronalen Netzes nicht zugeführt. Dies ist sinnvoll, wenn einem Eingabewert x ein einziger Zielparameter s und der zugehörige eingeschränkte Ausgabewertebereich C(s) zugeordnet werden soll.
In 6 ist ein viertes Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hier wird wiederum die Schicht ϕ(z, s) mit zumindest einer weiteren Schicht q_µ verkettet bzw. konkateniert und der Zielparameter s wird durch zusätzliche Schichten s = k_β (x) mit im allgemeinen eigenen lernbaren Parametern β aus dem Eingabewert x bestimmt. Zudem wird den Schichten h_θ(x,g(s)) des neuronalen Netzes eine Repräsentierung g(s) des Zielparameters s zugeführt. Dies ist dann sinnvoll, wenn einem Eingabewert x mehrere Zielparameter s und mehrere zugehörige Ausgabewertebereiche C(s) zugordnet werden sollen. In diesem Fall ist es erforderlich, dass der Berechnungswert z auch von dem Zielparameter s abhängt. Um Gradienten-basierte Lernverfahren anzuwenden, ist es vorteilhaft, wenn die Repräsentierung g(s) fast überall in s differenzierbar ist.
In 7 ist ein fünftes Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hier wird wiederum die Schicht ϕ(z, s) mit zumindest einer weiteren Schicht q_µ konkateniert und der Zielparameter s wird durch zusätzliche Schichten s = k_β (x) mit im allgemeinen lernbaren Parametern β aus einem Eingabewert x bestimmt. Zudem wird den Schichten h_θ(x,g(s)) des neuronalen Netzes eine Repräsentierung g(s) zugeführt. Des Weiteren wird zu dem mittels zusätzlicher Schichten s = k_β (x) bestimmten Zielparameter sein Rauschanteil Δs addiert. Es handelt sich bei dem Rauschanteil Δs um eine zufällige Zahl mit der gleichen Dimension wie s. Hierdurch kann eine robuste Prädiktion für verschiedene und in ihrer Form variable eingeschränkte Bereiche y₁ ∈ C(s + Δs) erreicht werden. Zudem wird hierdurch die Differenzierbarkeit und damit die Anwendung von Gradienten-basierten Lernverfahren nicht verletzt.
In 8 ist ein sechstes Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hier wird wiederum die Schicht ϕ(z, s) mit zumindest einer weiteren Schicht q_µ verkettet bzw. konkateniert und der Zielparameter s wird durch zusätzliche Schichten s = k_β (x) mit im allgemeinen eigenen dritten lernbaren Parametern β aus dem Eingabewert x bestimmt. Zudem wird den Schichten h_θ(x,g(s)) des neuronalen Netzes eine Repräsentierung g(s) des Zielparameters s zugeführt. Die Bestimmung des Zielparameters s wird hier jedoch als ein weiterer Ausgabewert y₂ des neuronalen Netzes mit dynamischen Einschränkungen betrachtet.
In 9 ist ein siebtes Ausführungsbeispiel einer erfindungsgemäßen Weiterentwicklung eines neuronalen Netzes mit dynamischen Einschränkungen dargestellt. Hier wird wiederum die Schicht ϕ(z, s) mit zumindest einer weiteren Schicht q_µ verkettet bzw. konkateniert und der Zielparameter s wird durch zusätzliche Schichten s = k_β (x) mit im allgemeinen eigenen dritten lernbaren Parametern β aus dem Eingabewert x bestimmt. Zudem wird den Schichten h_θ(x,g(s)) des neuronalen Netzes eine Repräsentierung g(s) des Zielparameters s zugeführt und der Zielparameter s wird als ein weiterer Ausgabewert y₂ des neuronalen Netzes mit dynamischen Einschränkungen betrachtet. Lernbare Parameter γ werden jedoch in diesem Ausführungsbeispiel für das Bestimmen des ersten Ausgabewertes y₁ ∈ C(s) und des zweiten Ausgabewertes y₂ = s geteilt oder gemeinsam genutzt.
Bei dem neuronalen Netz kann es sich um ein mehrdimensionales Netz handeln und der Zwischenausgabewertebereich C(s) kann als ein beliebiges N-dimensionales konvexes Polytop C(s) mit M Eckpunkten {vⁱ}_i=1,…,M beschrieben werden. Das Polytop C(s) wird durch die Koordinaten der M N-dimensionalen Eckpunkte $S = (v_{1}^{1}, \dots, v_{N}^{1}, v_{1}^{2}, \dots, v_{N}^{2}, \dots, V_{2}^{M}, \dots, V_{N}^{M},)$
als einschränkende Zielparameter s spezifiziert. Die Berechnungswerte z des neuronalen Netzes werden als z = (z₁, ..., z_M) definiert. Die Funktion ϕ ist nun wie folgt definiert $ϕ (z, s) = \sum_{i = 1}^{M} σ_{i} (z) v^{i}$
bzw. $ϕ_{j} (z, s) = \sum_{i = 1}^{M} σ_{i} (z) v_{j}^{i}$
und wird auf die Berechnungswerte z = (z₁, ..., z_M) und den Zielparameter $S = (v_{1}^{1}, \dots, v_{N}^{1}, v_{1}^{2}, \dots, v_{N}^{2}, \dots, V_{2}^{M}, \dots, V_{N}^{M},)$
$(v_{1}^{1}, \dots, v_{N}^{1}, v_{1}^{2}, \dots, v_{N}^{2}, \dots, v_{1}^{M}, \dots, v_{N}^{M},)$
angewendet, wobei mit σ eine M-dimensionale Softmax-Funktion bezeichnet wird. Dabei transformiert die Softmax-Funktion σ den M-dimensionalen Vektor z mit reellen Komponenten in einen M-dimensionalen Vektor σ(z) mit ebenfalls reellen Komponenten in den Wertebereich (0, 1), wobei die Komponenten des Vektors σ(z) insgesamt zu 1 aufsummiert werden.
Damit ergibt sich für den Zwischenwertebereich C(s) der Zwischenausgabewerte z' die folgende Formel: $C (s) = {z' = \sum_{i = 1}^{M} p_{i} v_{i} \in ℝ^{N} | \sum_{i = 1}^{M} p_{i} = 1, p_{i} > 0}$
Werden somit die Vektoren s des konvexen Polytops C(s) als Repräsentationen g(s) an das neuronale Netzwerk übergeben, so liegt das Ergebnis wiederum im betrachteten konvexen Polytop C(s).
Im Rahmen der Erfindung sind weitere Verallgemeinerungen möglich, verschiedene Anteile z_k einer mehrdimensionalen Zwischenausgabe eines neuronalen Netzes auf k unterschiedliche konvexe Polytope C_k mit jeweils unterschiedlicher Dimension und Anzahl an Eckpunkten einzuschränken. Für die verschiedenen Berechnungswerte z₁, ..., z_k werden verschiedene Funktionen ϕ₁, ..., ϕ_k gewählt. Die konvexen Polytope C_k können durch das Zusammenfassen der Koordinaten der Eckpunkte aller Polytope dargestellt werden.
Prinzipiell ist es auch denkbar, die Zwischenausgabewerte z' eines neuronalen Netzes auf ein nicht-konvexes Polytop einzuschränken, indem das nicht-konvexe Polytop in konvexe Polytop aufgeteilt wird. In den konvexen Polytop-Komponenten kann dann das erfindungsgemäße Verfahren durchgeführt werden. Zusätzlich werden Softmax-Wahrscheinlichkeiten verwendet, um die Polytop-Komponente auszuwählen, die die beste Lösung für eine bestimmte Aufgabenstellung darstellt.
Durch ein solches mehrdimensionales neuronales Netzwerk mit dynamischen Einschränkungen ist es auch möglich, mehrere technische Entitäten miteinander zu verknüpfen. So können beispielsweise Vergleiche zwischen verschiedenen Fahrzeugen eines bestimmten Fahrzeugtyps vorgenommen werden. Die Daten von verschiedenen Fahrzeugen können beispielsweise während ihres Betriebs an eine Cloud weitergeleitet werden, um mittels des Algorithmus der vorliegenden Erfindung eine Datenanalyse bezogen auf Mittelwerte von technischen Daten zu ermitteln, wie beispielsweise das Verhalten des Getriebes nach einem definierten Kilometerstand.
Ein Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten y₁, y₂, ..., y_n einer technischen Einheit 10 gemäß der vorliegenden Erfindung umfasst daher die folgenden Schritte:

In einem Schritt S10 werden Daten und/oder Messwerte der Entität 10 und/oder der Umgebung der Entität 10 von einer Datenanalyseeinrichtung 30 empfangen, wobei die Daten/Messwerte zumindest einen Zustand und oder/ein Merkmal der Entität 10 und/oder der Umgebung der Entität 10 beschreiben und zumindest einen Eingabewert x darstellen.

In einem Schritt S20 wird der zumindest eine Eingabewert x in der Datenanalyseeinrichtung 30 mittels einer Softwareapplikation zur Bestimmung zumindest eines ersten Ausgabewertes y₁ mit den folgenden Verfahrensschritten bearbeitet:

in einem Schritt S21 wird ein neuronales Netz mit mehreren Schichten he(x) mit ersten lernbaren Parametern θ verwendet, das aus dem Eingabewert x einen Berechnungswert z berechnet, wobei der Berechnungswert z innerhalb eines Ausgabewertebereichs D liegt.
In einem Schritt S22 wird zumindest ein Zielparameter s bestimmt, der einen eingeschränkten Zwischenausgabewertebereich C(s) des neuronalen Netzes festlegt, wobei der Zwischenausgabewertebereich C(s) eine Teilmenge des Ausgabewertebereichs D darstellt.
In einem Schritt S23 wird der Berechnungswert z der letzten Schicht oder einer zusätzlichen Schicht des neuronalen Netzes durch eine Funktion ϕ und den zumindest einen Zielparameter s modifiziert, und zumindest ein Zwischenausgabewert z' berechnet, der innerhalb des festgelegten Zwischenausgabewertebereichs C(s) des zumindest einen Zielparameters s liegt.
In einem Schritt S24 wird der zumindest eine Zwischenausgabewert z' des modifizierten neuronalen Netzes mit zumindest einer weiteren Schicht q_µ(z') mit eigenen zweiten lernbaren Parametern µ konkateniert und zumindest ein erster Ausgabewert y₁ berechnet.

Die Erfindung ist für eine Vielzahl von Anwendungen verwendbar, wie beispielsweise die Bewegungsplanung bei einem autonom fahrenden Fahrzeug. Bei den Eingabedaten x kann es sich dabei um Messwerte von Sensoren im Fahrzeug, wie beispielsweise eine Kamera, handeln oder LiDAR, Radar oder Ultraschall kann eingesetzt werden. Auch können bereits verarbeitete Messwerte wie Objektdaten verwendet werden. Die Ausgabewerte y₁ können beispielsweise eine Trajektorie auf der Basis von Eingabewerten x mit Daten bezogen auf die zeitliche und räumliche Umgebung darstellen. Der Zielparameter s können den fahrbaren Bereich C(s) einer geographischen Topographie repräsentieren. Erfindungsgemäß wird dieser Zielparameter s, der den fahrbaren Bereich definiert, als weiterer Ausgabewert y₂ des neuronalen Netzes bestimmt: y₂ = s. Da dieser Zielparameter s mit dem neuronalen Netz bestimmt wird, kann erfindungsgemäß garantiert werden, dass die prädizierte Trajektorie y₁ im prädizierten fahrbaren Bereich C(s) der Zwischenschicht liegt und damit eine konsistente Lösung für eine bestimmte Aufgabenstellung darstellt.
Zudem kann durch die geänderte Architektur des erfindungsgemäßen neuronalen Netzes der Berechnungsaufwand reduziert werden. Es können insbesondere sehr tiefe neuronale Netze verwendet werden, die sich durch eine hohe Genauigkeit der Berechnungsergebnisse auszeichnen. Dies ist vor allem bei sicherheitskritischen Anwendungen, die geringe Fehlertoleranzen erfordern, bedeutsam. Zudem können unterschiedliche Kategorien von Einschränkungen durch die zusätzliche(n) Schicht(en) q_u (z') festgelegt werden, die sich auf den jeweiligen Anwendungsfall beziehen.
Bekannte neuronale Netz, die für die Berechnung der Bewegungsplanung eines Fahrzeugs verwendet werden, weisen den Nachteil auf, dass ihr Verhalten aufgrund ihres „Blackbox-Charakters“ nur schwierig vorhersagbar ist. Damit sind sie nur bedingt für Situationen einsetzbar, an die hohe Sicherheitsanforderungen gestellt werden. Insbesondere für Einsätze auf dem Gebiet des autonomen Fahrens ist auszuschließen, dass die Bewegungsplanung zu Kollisionen mit anderen Verkehrsteilnehmern führt. Das erfindungsgemäße neuronale Netz ermöglicht es hingegen, bestimmte Verhaltensmuster wie beispielsweise die Wahl einer zu einer Kollision führenden Trajektorie durch eine weitere Einschränkung des Ausgabewertebereichs C(s) auszuschließen. Für die Bewegungsplanung werden mittels des erfindungsgemäßen Algorithmus nur Trajektorien zugelassen, die eine Kollision mit anderen vorhandenen und detektierten Fahrzeugen vermeiden. Da es sich bei der Bewegungsplanung eines Fahrzeugs um eine räumliche und zeitliche Positionsänderung des Fahrzeugs handelt, kann erfindungsgemäß der Zwischenausgabewertebereich C(s) der Zwischenschicht durch die zusätzliche(n) Schicht(en) q_u (z') dynamisch in der Zeit geändert werden. Eine Bewegung des Fahrzeugs ist nur dann erlaubt, wenn die Trajektorie sich innerhalb eines zuvor definierten Raumbereiches zu einem Zeitpunkt t befindet.
Weitere Anwendungsbeispiele der vorliegenden Erfindung sind eine Regelung der x- und y-Koordinaten bei einem Fahrzeug, wie beispielsweise eine Querregelung bei einem Fahrspurhalteassistenten oder eine Längsregelung bei einem Abstandsregeltempomaten (Adaptive Cruise Control, ACC). Hierbei wird vorzugsweise basierend auf Messdaten, wie beispielsweise dem Abstand zu einem vorausfahrenden Fahrzeug, eine Sollbeschleunigung oder ein Soll-Lenkwinkel als Ausgabewert berechnet. Eine Regelung unter Verwendung des erfindungsgemäßen Algorithmus kann untere und obere Grenzwerte für die Ausgabewerte in Abhängigkeit von den Messwerten, die die Eingabewerte darstellen, berechnen. Innerhalb dieser Grenzen kann vorteilhafterweise das Verhalten des neuronalen Netzes trainiert werden, bevor es bei einem Fahrzeug eingesetzt wird.
Das Verhalten des erfindungsgemäßen neuronalen Netzes wird daher nicht nur in bekannter Weise implizit mittels Daten trainiert, sondern es ist eine explizite Modellierung durch die weitere Einschränkung des Ausgabewertebereichs C(s) der Zwischenschicht möglich. Der Zwischenausgabewertebereich C(s) der Zwischenschicht wird durch den Zielparameter s bestimmt, der wiederum mittels des neuronalen Netzes berechnet wird. Erfindungsgemäß wird er durch die weitere(n) Schicht(en) q_µ(z') weiter eingeschränkt, so dass die die auf diese Weise ermittelten Ausgabewerte sehr hohe Sicherheitsanforderungen erfüllen können.
Bezugszeichenliste

10: Entität
20: Sensor
30: Datenanalyseeinrichtung
32: Prozessor
40: Speichereinheit
45: Softwaremodul
50: Datenbank
70: Benutzerschnittstelle
100: System
200: Computerprogrammprodukt
250: Programmcode
x: Eingabewert
y: Ausgabewert
z: Berechnungswert
z': Zwischenausgabewert
D: Ausgabewertebereich
C(s): eingeschränkter Zwischenausgabewertebereich
s: Zielparameter
g(s): Repräsentation des Zielparameters
hθ(x): Schichten des neuronalen Netzes
qµ(z'): zusätzliche Schicht(en)
ϕ: modifizierende Funktion
θ: erste lernbare Parameter
µ: zweite lernbare Parameter
β: dritte lernbare Parameter
γ: vierte lernbare Parameter

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 102018217090 A1 [0005]
DE 102018217092 A1 [0005]
DE 102018206717 A1 [0006]
US 2014372120 A1 [0007]

Claims

Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten (y₁, y₂, ..., y_n) einer technischen Entität (10) mittels einer Datenanalyseeinrichtung (30), umfassend: - Empfangen (S10) von Daten und/oder Messwerten der Entität (10) und/oder der Umgebung der Entität (10) von der Datenanalyseeinrichtung (30), wobei die Daten/Messwerte zumindest einen Zustand und/oder zumindest ein Merkmal der Entität (10) und/oder der Umgebung der Entität (10) beschreiben und zumindest einen Eingabewert (x) darstellen; - Bearbeiten (S20) des zumindest einen Eingabewertes (x) von der Datenanalyseeinrichtung (30) mittels einer Softwareapplikation zur Bestimmung zumindest eines ersten Ausgabewertes (y₁) mit den folgenden Verfahrensschritten: - Verwenden (S21) eines neuronalen Netzes mit mehreren Schichten (he(x)) mit ersten lernbaren Parametern (θ), das aus dem Eingabewert (x) einen Berechnungswert (z) berechnet, wobei der Berechnungswert (z) innerhalb eines Ausgabewertebereichs (D) liegt; - Bestimmen (S22) zumindest eines Zielparameters (s), der einen eingeschränkten Zwischenausgabewertebereich (C(s)) des neuronalen Netzes festlegt, wobei der Zwischenausgabewertebereich (C(s)) eine Teilmenge des Ausgabewertebereichs (D) darstellt; - Modifizieren (S23) des Berechnungswertes (z) der letzten Schicht oder einer zusätzlichen Schicht des neuronalen Netzes durch eine Funktion (ϕ) und den zumindest einen Zielparameter (s), und Berechnen eines Zwischenausgabewertes (z'), der innerhalb des festgelegten Zwischenausgabewertebereichs (C(s)) des zumindest einen Zielparameters (s) liegt; - Konkatenieren (S24) des zumindest einen Zwischenausgabewertes (z') des modifizierten neuronalen Netzes mit zumindest einer weiteren Schicht (q_µ(z')) mit eigenen zweiten lernbaren Parametern (µ), und Berechnen zumindest eines ersten Ausgabewertes (y₁).
Verfahren nach Anspruch 1, wobei dem neuronalen Netz (he(x)) eine aus dem Zielparameter (s) gebildete Repräsentation (g(s)) als weiterer Eingabewert (x) übergeben wird, so dass der Berechnungswert (z) des neuronalen Netzes (he(x)) auch von dem Zielparameter (s) abhängig ist.
Verfahren nach Anspruch 1 oder 2, wobei der Zielparameter (s) und/oder der Wertebereich (C(s)) des Zielparameters (s) durch weitere zusätzliche Schichten (k_β(x)) des neuronalen Netzes mit dritten lernbaren Parametern (β) bestimmt wird.
Verfahren nach einem der Ansprüche 1 bis 3, wobei zu dem Zielparameter (s) ein Rauschanteil (Δs) addiert wird, und es sich bei dem Rauschanteil (Δs) um eine zufällige Zahl mit der gleichen Dimension wie der Zielparameter (s) handelt.
Verfahren nach einem der Ansprüche 1 bis 4, wobei der Zielparameter (s) und/oder der Zwischenausgabewertebereich (C(s)) zumindest einen zweiten Ausgabewert (y₂) darstellen.
Verfahren nach einem der Ansprüche 1 bis 5, wobei vierte lernbare Parameter (γ) für das Bestimmen des ersten Ausgabewertes (y₁) und des zweiten Ausgabewertes (y₂) geteilt oder gemeinsam genutzt werden.
Verfahren nach einem Ansprüche 1 bis 6, wobei eine Datenbank (50) verwendet wird, in der Daten zu Eigenschaften der technischen Einheit (10), und/oder Bilder und/oder Kenngrößen sowie deren Verknüpfungen gespeichert sind.
Verfahren nach einem der Ansprüche 1 bis 7, wobei die technische Entität (10) als ein Kraftfahrzeug ausgebildet ist.
System (100) zur Bestimmung von sicherheitskritischen Ausgabewerten (y₁, y₂, ..., y_n) für eine technische Entität (10) mittels einer Datenanalyseeinrichtung (30), wobei die Datenanalyseeinrichtung (30) ausgebildet ist, Daten und/oder Messwerte der Entität (10) und/oder der Umgebung der Entität (10) zu empfangen, wobei die Daten/Messwerte zumindest einen Zustand und/oder zumindest ein Merkmal der Entität (10) und/oder der Umgebung der Entität (10) beschreiben und zumindest einen Eingabewert (x) darstellen, und den zumindest einen Eingabewert (x) mittels einer Softwareapplikation zur Bestimmung zumindest eines ersten Ausgabewertes (y₁) zu bearbeiten mit den folgenden Verfahrensschritten: - Verwenden (S21) eines neuronalen Netzes mit mehreren Schichten (he(x)) mit ersten lernbaren Parametern (θ), das aus dem Eingabewert (x) einen Berechnungswert (z) berechnet, wobei der Berechnungswert (z) innerhalb eines Ausgabewertebereichs (D) liegt; - Bestimmen (S22) zumindest eines Zielparameters (s), der einen eingeschränkten Zwischenausgabewertebereich (C(s)) des neuronalen Netzes festlegt, wobei der Zwischenausgabewertebereich (C(s)) eine Teilmenge des Ausgabewertebereichs (D) darstellt; - Modifizieren (S23) des Berechnungswertes (z) der letzten Schicht oder einer zusätzlichen Schicht des neuronalen Netzes durch eine Funktion (ϕ) und den zumindest einen Zielparameter (s), und Berechnen eines Zwischenausgabewertes (z'), der innerhalb des festgelegten Zwischenausgabewertebereichs (C(s)) des zumindest einen Zielparameters (s) liegt; - Konkatenieren (S24) des zumindest einen Zwischenausgabewertes (z') des modifizierten neuronalen Netzes mit zumindest einer weiteren Schicht (q_µ(z')) mit eigenen zweiten lernbaren Parametern (µ), und Berechnen zumindest eines ersten Ausgabewertes (y₁).
System (100) nach Anspruch 9, wobei dem neuronalen Netz (he(x)) eine aus dem Zielparameter (s) gebildete Repräsentation (g(s)) als weiterer Eingabewert übergeben wird, so dass der Berechnungswert (z) des neuronalen Netzes (he(x)) auch von dem Zielparameter (s) abhängig ist.
System (100) nach Anspruch 9 oder 10, wobei der Zielparameter (s) und/oder der Wertebereich (C(s)) des Zielparameters (s) durch weitere zusätzliche Schichten (k_β(x)) des neuronalen Netzes mit dritten lernbaren Parametern (β) bestimmt wird.
System (100) nach einem der Ansprüche 9 bis 11, wobei zu dem Zielparameter (s) ein Rauschanteil (Δs) addiert wird, und es sich bei dem Rauschanteil (Δs) um eine zufällige Zahl mit der gleichen Dimension wie der Zielparameter (s) handelt.
System (100) nach einem der Ansprüche 9 bis 12, wobei der Zielparameter (s) und/oder der Zwischenausgabewertebereich (C(s)) zumindest einen zweiten Ausgabewert (y₂) darstellen.
System (100) nach einem der Ansprüche 9 bis 13, wobei die technische Entität (10) als ein Kraftfahrzeug ausgebildet ist.
Computerprogrammprodukt (200), umfassend einen ausführbaren Programmcode (250), der so konfiguriert ist, dass er bei seiner Ausführung das Verfahren nach einem der Ansprüche 1 bis 8 ausführt.