DE102021107675A1

DE102021107675A1 - System und Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen

Info

Publication number: DE102021107675A1
Application number: DE102021107675.7A
Authority: DE
Inventors: Natascha Harth
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2021-03-26
Filing date: 2021-03-26
Publication date: 2022-09-29

Abstract

Die vorliegende Offenbarung betrifft ein System zum Implementieren von intelligenten Fahrzeugfunktionen. Das System umfasst eine Vielzahl von ersten Modulen, wobei jedes erste Modul der Vielzahl von ersten Modulen eingerichtet ist, um Fahrzeugdaten mittels eines ersten lokalen Modells für eine Zustandsvorhersage zu verarbeiten und das erste lokale Modell basierend auf den Fahrzeugdaten zu aktualisieren, um ein zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die Fahrzeugdaten zum Beispiel im Vergleich zu einer früheren Vorhersagegenauigkeit für frühere Fahrzeugdaten um mehr als eine Schwelle ändert; und wenigstens ein zweites Modul, das eingerichtet ist, um von der Vielzahl von ersten Modulen entsprechende zweite lokale Modelle zu empfangen und die empfangenen zweiten lokalen Modelle entsprechend einer Ähnlichkeit der zweiten lokalen Modelle zu gruppieren, wobei das wenigstens eine zweite Modul weiter eingerichtet ist, um eine Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an eine zentrale Einheit zu übertragen.

Description

Die vorliegende Offenbarung betrifft ein System zum Implementieren von intelligenten Fahrzeugfunktionen, ein Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen und ein Speichermedium zum Ausführen des Verfahrens. Die vorliegende Offenbarung betrifft insbesondere ein individuelles Training von Fahrzeugalgorithmen.
Stand der Technik
In modernen Fahrzeugen werden zunehmend intelligente Funktionen implementiert, die mittels entsprechender Algorithmen beispielsweise ein Fahrverhalten und eine Stimmung des Fahrers vorhersagen können. Derartige Algorithmen werden dabei zunächst im zentralen Backend trainiert und nach erfolgreichem Training in die einzelnen Fahrzeuge gespeist. Das Implementieren der Algorithmen in den einzelnen Fahrzeugen ist erforderlich, da die meisten Funktionen eine geringe Latenzzeit von wenigen Millisekunden zur Ausführung benötigen. Falls die Algorithmen im zentralen Backend angepasst werden, kann ein Update an die Fahrzeuge gesendet werden.
Für das Training der Algorithmen können Daten verwendet werden, die in Fahrzeugen mittels verschiedener Sensoren gesammelt werden, wie zum Beispiel Audiodaten, Umgebungsdaten, Bilddaten, etc. Derartige Daten können zum Beispiel in einem zentralen Backend verwendet werden, um Fahrzeugalgorithmen zu trainieren. Das Übermitteln von Daten an ein zentrales Backend setzt jedoch nicht nur eine dauerhafte Verbindung voraus, sondern belastet auch bestehende Bandbreiten, Speicher und Rechenkapazitäten. Daher kann es schwierig bis unmöglich sein, alle im Fahrzeug gesammelten Daten an das zentrale Backend zu senden.
Um Algorithmen dauerhaft und hochqualitativ anzupassen, und um auf individuelle Besonderheiten schnell und akkurat reagieren zu können, kann ein lokales Lernen der Algorithmen im Fahrzeug erfolgen. Das lokale Trainieren benötigt jedoch erhebliche Ressourcen und ist somit auch energieineffizient, was insbesondere bei Elektrofahrzeugen von Nachteil ist.
Offenbarung der Erfindung
Es ist eine Aufgabe der vorliegenden Offenbarung, ein System zum Implementieren von intelligenten Fahrzeugfunktionen, ein Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen und ein Speichermedium zum Ausführen des Verfahrens anzugeben, die intelligente Fahrzeugfunktionen lokal im Fahrzeug ressourcenschonend und/oder energiesparend anpassen können. Zudem ist es eine Aufgabe der vorliegenden Offenbarung, Daten in Bezug auf die intelligenten Fahrzeugfunktionen ressourcenschonend und/oder energiesparend an eine zentrale Einheit zu übermitteln.
Diese Aufgabe wird durch den Gegenstand der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
Gemäß einem unabhängigen Aspekt der vorliegenden Offenbarung ist ein System zum Implementieren von intelligenten Fahrzeugfunktionen angegeben. Das System umfasst eine Vielzahl von ersten Modulen, wobei jedes erste Modul der Vielzahl von ersten Modulen eingerichtet ist, um Fahrzeugdaten mittels eines ersten lokalen Modells für eine Zustandsvorhersage zu verarbeiten und das erste lokale Modell basierend auf den Fahrzeugdaten zu aktualisieren, um ein zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die Fahrzeugdaten zum Beispiel im Vergleich zu einer früheren Vorhersagegenauigkeit für frühere (z.B. bekannte) Fahrzeugdaten um mehr als eine Schwelle ändert bzw. davon abweicht; und wenigstens ein zweites Modul, das eingerichtet ist, um von der Vielzahl von ersten Modulen entsprechende zweite lokale Modelle zu empfangen und die empfangenen zweiten lokalen Modelle entsprechend einer Ähnlichkeit der zweiten lokalen Modelle zu gruppieren, wobei das wenigstens eine zweite Modul weiter eingerichtet ist, um eine Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an eine zentrale Einheit zu übertragen.
Erfindungsgemäß führt das System wenigstens zwei Aspekte aus:
Die ersten Module entscheiden, ob deren lokales Modell neu trainiert bzw. aktualisiert werden soll. Diese erste Entscheidung erfolgt basierend darauf, wie stark sich die Vorhersagegenauigkeit des vorhandenen lokalen Modells für neuen Fahrzeugdaten ändert. Zudem können die ersten Module weiter entscheiden, ob die neu trainierten bzw. aktualisierten lokalen Modelle an das wenigstens eine zweite Modul zur weiteren Verarbeitung übermittelt werden sollen.
Das wenigstens eine zweite Modul entscheidet in Bezug auf die empfangenen trainierten bzw. aktualisierten lokalen Modelle, welche dieser neu trainierten bzw. aktualisierten lokalen Modelle an die zentrale Einheit übertragen werden sollen. Diese zweite Entscheidung erfolgt basierend auf einer Ähnlichkeit der trainierten bzw. aktualisierten lokalen Modelle.
Damit können intelligente Fahrzeugfunktionen lokal und kontinuierlich im Fahrzeug ressourcenschonend und/oder energiesparend angepasst werden. Ein zentrales Trainieren der entsprechenden Algorithmen/Modelle in einem Backend ist nicht erforderlich, so dass eine schnelle Anpassbarkeit der Algorithmen/Modelle insbesondere in Echtzeit erfolgen kann. Zudem können Daten in Bezug auf die intelligenten Fahrzeugfunktionen ressourcenschonend und/oder energiesparend an das zentrale Backend übermittelt werden. Insbesondere wird die Bandbreite des Netzwerkes sowie die Speicherkapazität des Backends durch ständige Anpassung bereits bestehender Fahrzeugmodelle und/oder den Empfang einer Fülle von Algorithmen/Modellen vieler Fahrzeuge nicht überstrapaziert.
Jedes erste Modul kann ein entsprechendes erstes lokales Modell und zweites lokale Modell sowie entsprechende Softwarekomponenten/Algorithmen speichern, die eingerichtet sind, um auf wenigstens einem Prozessor ausgeführt zu werden, und um dadurch die Funktionalitäten des ersten Moduls auszuführen.
Das wenigstens eine zweite Modul kann erste Modelle und/oder zweite Modelle von wenigstens einigen der Vielzahl von ersten Modulen empfangen und speichern. Das wenigstens eine zweite Modul kann Softwarekomponenten/Algorithmen umfassen, die eingerichtet sind, um auf wenigstens einem Prozessor ausgeführt zu werden, und um dadurch die Funktionalitäten des wenigstens einen zweiten Moduls auszuführen.
In einigen Ausführungsformen kann das System zumindest teilweise als Edge-Architektur implementiert sein. Beispielsweise können die ersten Module Edge-Devices sein. Ergänzend oder alternativ kann das wenigstens eine zweite Modul ein Edge-Device, insbesondere ein intelligentes Edge-Device wie ein Edge-Gateway, sein.
Vorzugsweise sind die Vielzahl von ersten Module eingerichtet, um das zweite lokale Modell unter Verwendung eines parametrisierten Lernverfahrens, insbesondere mittels Regressionsanalyse, zu erzeugen.
Vorzugsweise ist jedes erste Modul der Vielzahl von ersten Module eingerichtet, um nur Modellparameter und/oder Metadaten des zweiten Modells an das wenigstens eine zweite Modul zu übertragen. Anders gesagt werden nicht alle Daten wie zum Beispiel die Fahrzeugdaten übertragen, sondern nur abstrahierte Informationen.
Ähnlich kann das wenigstens eine zweite Modul eingerichtet sein, um nur Modellparameter und/oder Metadaten in Bezug auf die zweiten Modelle der bestimmten Teilmenge an die zentrale Einheit zu übertragen.
Damit erfolgt ein intelligentes Konsolidieren der individuellen Modelle, so dass qualitativ hochwertige Vorhersagen nicht nur im Fahrzeug möglich sind, sondern auch in der zentralen Einheit. Zudem wird eine zu übertragende Datenmenge signifikant reduziert.
Vorzugsweise ist jedes erste Modul der Vielzahl von ersten Module eingerichtet, um das zweite lokale Modell an das wenigstens eine zweite Modul zu übermitteln, wenn eine absolute Differenz zwischen einem Vorhersagefehler des im ersten Modul vorhandenen zweiten lokalen Modells und einem Vorhersagefehler eines im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells des ersten Moduls eine erste Entscheidungsschwelle überschreitet.
Vorzugsweise ist jedes erste Modul der Vielzahl von ersten Module eingerichtet, um das zweite lokale Modell an das wenigstens eine zweite Modul zu übermitteln, wenn eine Diskrepanz zwischen einer Anpassung bzw. einem Fitting der Fahrzeugdaten an das im ersten Modul vorhandene zweite lokale Modell und einer Anpassung bzw. einem Fitting der Fahrzeugdaten an ein im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modell des ersten Moduls eine zweite Entscheidungsschwelle überschreitet.
Vorzugsweise ist jedes erste Modul der Vielzahl von ersten Module eingerichtet, um das zweite lokale Modell an das wenigstens eine zweite Modul zu übermitteln, wenn eine absolute Differenz zwischen wenigstens einem Parameter des im ersten Modul vorhandenen zweiten lokalen Modells und wenigstens einem Parameter eines im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells des ersten Moduls eine dritte Entscheidungsschwelle überschreitet.
In einigen Ausführungsformen kann das erste Modul das zweite lokale Modell nur dann an das wenigstens eine zweite Modul übermitteln, wenn eine oder mehrere Entscheidungsschwellen der ersten Entscheidungsschwelle, der zweiten Entscheidungsschwelle und der dritten Entscheidungsschwelle überschritten sind. Beispielsweise kann das erste Modul das zweite lokale Modell nur dann an das wenigstens eine zweite Modul übermitteln, wenn alle drei Entscheidungsschwellen überschritten sind.
Vorzugsweise ist das wenigstens eine zweite Modul eingerichtet, um die zweiten lokalen Modelle unter Verwendung von Dynamic Time Warping (DTW) zu gruppieren, um die Teilmenge von zweiten lokalen Modellen zu bilden. Dynamic Time Warping bezeichnet einen Algorithmus, der Wertefolgen unterschiedlicher Länge aufeinander abbildet.
Mit den DTW-Werten jedes ersten Moduls bzw. entsprechenden zweiten Modells ist es möglich, eine Gruppierung basierend auf deren Ähnlichkeit durchzuführen. Die am häufigsten verwendeten Algorithmen für das Clustering oder die Gruppierung ähnlicher Zeitreihen sind das hierarchische Clustering, k-means und das dichtebasierte Clustering.
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Fahrzeug, insbesondere Kraftfahrzeug, angegeben. Das Fahrzeug umfasst wenigstens ein erstes Modul des Systems zum Implementieren von intelligenten Fahrzeugfunktionen gemäß den Ausführungsformen der vorliegenden Offenbarung.
Der Begriff Fahrzeug umfasst PKW, LKW, Busse, Wohnmobile, Krafträder, etc., die der Beförderung von Personen, Gütern, etc. dienen. Insbesondere umfasst der Begriff Kraftfahrzeuge zur Personenbeförderung.
Vorzugsweise kann die Fahrzeugfunktion, die das erste Modell bzw. das zweite Modell zur Zustandsvorhersage verwendet, eine Prädiktion eines Fahrverhaltens eines Fahrers, eine Ermittlung einer Stimmung des Fahrers, und/oder eine Fahrzeugfunktion zum automatisierten Fahren betreffen oder sein. Die vorliegende Offenbarung ist jedoch nicht hierauf begrenzt und es können andere intelligente Fahrzeugfunktionen bzw. entsprechende Modelle vorgesehen sein, die in einem Fahrzeug verwendet werden können.
In einigen Ausführungsformen kann das erfindungsgemäße System zum Implementieren von intelligenten Fahrzeugfunktionen im Rahmen des automatisierten Fahrens verwendet werden. Insbesondere können das erste Modell und/oder das zweite Modell für eine Fahrzeugsteuerung verwendet werden.
Ein automatisiert fahrendes Fahrzeug lenkt und/oder bremst und/oder beschleunigt selbstständig basierend auf einer Fahrstrategie. Die Fahrstrategie kann basierend auf Umfelddaten der Umfeldsensorik, Straßenzustand, Verkehrslage, Wetterlage, etc. bestimmt werden. Insbesondere kann die Fahrstrategie unter Verwendung der erfindungsgemäßen Zustandsvorhersage durch das erste Modell und/oder das zweite Modell bestimmt oder zumindest beeinflusst werden. Die Umsetzung der bestimmten Fahrstrategie erfolgt durch den Antrieb, die Lenkung und/oder die Bremsen.
Unter dem Begriff „automatisiertes Fahren“ kann im Rahmen des Dokuments ein Fahren mit automatisierter Längs- oder Querführung oder ein autonomes Fahren mit automatisierter Längs- und Querführung verstanden werden. Bei dem automatisierten Fahren kann es sich beispielsweise um ein zeitlich längeres Fahren auf der Autobahn oder um ein zeitlich begrenztes Fahren im Rahmen des Einparkens oder Rangierens handeln. Der Begriff „automatisiertes Fahren“ umfasst ein automatisiertes Fahren mit einem beliebigen Automatisierungsgrad. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012).
Beim assistierten Fahren führt der Fahrer dauerhaft die Längs- oder Querführung aus, während das System die jeweils andere Funktion in gewissen Grenzen übernimmt. Beim teilautomatisierten Fahren (TAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum und/oder in spezifischen Situationen, wobei der Fahrer das System wie beim assistierten Fahren dauerhaft überwachen muss. Beim hochautomatisierten Fahren (HAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum, ohne dass der Fahrer das System dauerhaft überwachen muss; der Fahrer muss aber in einer gewissen Zeit in der Lage sein, die Fahrzeugführung zu übernehmen. Beim vollautomatisierten Fahren (VAF) kann das System für einen spezifischen Anwendungsfall das Fahren in allen Situationen automatisch bewältigen; für diesen Anwendungsfall ist kein Fahrer mehr erforderlich.
Die vorstehend genannten vier Automatisierungsgrade entsprechen den SAE-Level 1 bis 4 der Norm SAE J3016 (SAE - Society of Automotive Engineering). Beispielsweise entspricht das hochautomatisierte Fahren (HAF) Level 3 der Norm SAE J3016. Ferner ist in der SAE J3016 noch der SAE-Level 5 als höchster Automatisierungsgrad vorgesehen, der in der Definition der BASt nicht enthalten ist. Der SAE-Level 5 entspricht einem fahrerlosen Fahren, bei dem das System während der ganzen Fahrt alle Situationen wie ein menschlicher Fahrer automatisch bewältigen kann; ein Fahrer ist generell nicht mehr erforderlich.
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen angegeben. Das Verfahren umfasst ein Empfangen von Fahrzeugdaten in einem ersten Modul, in dem ein erstes lokales Modell für eine Zustandsvorhersage vorhanden ist; ein Aktualisieren des ersten lokalen Modells basierend auf den Fahrzeugdaten, um ein zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die Fahrzeugdaten um mehr als eine Schwelle ändert; ein Empfangen des zweiten Modells in wenigstens einem zweiten Modul; ein Gruppieren von zweiten Modellen, die von einer Vielzahl erster Module im wenigstens einen zweiten Modul empfangen wurden, basierend auf einer Ähnlichkeit der empfangenen zweiten lokalen Modelle; und ein Übertragen einer Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an eine zentrale Einheit.
Das Verfahren kann die Aspekte des in diesem Dokument beschriebenen Systems zum Implementieren von intelligenten Fahrzeugfunktionen implementieren.
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Software (SW) Programm angegeben. Das SW Programm kann eingerichtet werden, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen auszuführen.
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Speichermedium angegeben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen auszuführen.
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist eine Software mit Programmcode zur Durchführung des Verfahrens zum Implementieren von intelligenten Fahrzeugfunktionen zum automatisierten Fahren eines Fahrzeugs auszuführen, wenn die Software auf einer oder mehreren softwaregesteuerten Einrichtungen abläuft.
Figurenliste
Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben. Es zeigen:

1 schematisch ein System zum Implementieren von intelligenten Fahrzeugfunktionen gemäß Ausführungsformen der vorliegenden Offenbarung, und
2 ein Flussdiagram eines Verfahrens zum Implementieren von intelligenten Fahrzeugfunktionen gemäß Ausführungsformen der vorliegenden Offenbarung.

Ausführungsformen der Offenbarung
Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente gleiche Bezugszeichen verwendet.
In modernen Fahrzeugen werden zunehmend intelligente Funktionen implementiert, die mittels entsprechender Algorithmen beispielsweise ein Fahrverhalten und eine Stimmung des Fahrers vorhersagen können. Derartige Algorithmen können zunächst in einer zentralen Einheit, wie einem zentralen Backend, mittels Machine Learning (ML) zumindest vor-trainiert und nach erfolgreichem Training in die einzelnen Fahrzeuge gespeist werden. Alternativ können untrainierte Algorithmen in die Fahrzeuge eingespielt und in den Fahrzeugen Fahrzeug trainiert werden. Das Implementieren der ML-Algorithmen in den einzelnen Fahrzeugen anstatt im zentralen Backend ist vorteilhaft, da die meisten Funktionen eine geringe Latenzzeit von wenigen Millisekunden zur Ausführung benötigen.
Die Algorithmen können im Fahrzeug kontinuierlich unter Verwendung von im Fahrzeug gesammelten Daten durch Methoden des Machine Learnings (weiter)trainiert und/oder aktualisiert und/oder individualisiert werden. In einigen Ausführungsformen der vorliegenden Offenbarung kann zum Beispiel ein parametrisiertes Lernverfahren für das lokale Lernen im Fahrzeug verwendet werden.
Parametrisierte Lernverfahren entwickeln über das Training mit Trainingsdaten eine Funktion y = ƒ(x) mit festen Parametern, wobei die Parameter nach dem Training feststehen. Diese Funktion beschreibt ein Modell, d.h. den Zusammenhang zwischen einem Eingang bzw. Input x und einem Ausgang bzw. Output y.
Der Eingang x = [x₁, x₂] kann zum Beispiel eine Temperatur x₁ und ein CO₂-Gehalt x₂ sein, und der Ausgang y kann eine Feuchtigkeit sein. Mit der trainierten Funktion ist es nun möglich, das Verhalten von ƒ(x) um eine Anfrage („querie“) q zu untersuchen und die Vorhersage y = ƒ(q) mit einem bestimmten Vorhersagefehler zu liefern. Zum Beispiel kann eine Vorhersage der Luftfeuchtigkeit y bei q = [q₁; q₂] erfolgen, wobei q₁ eine Temperatur und q₂ der CO₂-Gehalt sein kann.
1 zeigt ein System zum Implementieren von intelligenten Fahrzeugfunktionen gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
In einigen Ausführungsformen kann das System zumindest teilweise als Edge-Architektur implementiert sein.
Das System umfasst eine Vielzahl von ersten Modulen 110A, 110B, 110C. Beispielsweise können die Vielzahl von ersten Modulen 110A, 110B, 110C Edge-Devices sein. Im Folgenden sind die ersten Module mit dem Index i indiziert, wobei i = 1, ..., n ist. n ist die Anzahl der ersten Module. Jedes erste Modul 110A, 110B, 110C kann in einem entsprechenden Fahrzeug implementiert sein. Insbesondere können alle ersten Module 110A, 110B, 110C in unterschiedlichen Fahrzeugen implementiert sein.
Jedes erste Modul 110A, 110B, 110C kann ein lokales Modell, wie zum Beispiel ein parametrisiertes Regressionsmodell y = ƒ_i(x), umfassen oder implementieren. Die lokalen Modelle der ersten Module 110A, 110B, 110C können dabei für dieselbe Aufgabe eingerichtet sein, beispielsweise für eine Prädiktion eines Fahrverhaltens eines Fahrers oder eine Ermittlung einer Stimmung des Fahrers. Die vorliegende Offenbarung ist jedoch nicht hierauf begrenzt und es können andere intelligente Fahrzeugfunktionen bzw. entsprechende lokale Modelle vorgesehen sein, die in einem Fahrzeug verwendet werden können.
Jedes erste Modul 110A, 110B, 110C empfängt Fahrzeugdaten von diversen Datenerzeugungsmitteln 20-25, wie zum Beispiel Fahrzeugsensoren und/oder Aktuatoren und/oder Steuergeräten. Die ersten Module 110A, 110B, 110C verarbeiten die empfangenen Fahrzeugdaten für eine Zustandsvorhersage, wie eine Prädiktion eines Fahrverhaltens, unter Verwendung des zugehörigen lokalen Modells.
Des Weiteren entscheidet jedes erste Modul 110A, 110B, 110C, ob das aktuelle bzw. erste lokale Modell ƒ_i(x) mittels eines ML-Trainings aktualisiert werden soll, um ein aktualisiertes bzw. zweites lokales Modell zu erzeugen. Diese Entscheidung kann basierend darauf erfolgen, wie stark sich die Vorhersagegenauigkeit des vorhandenen lokalen Modells für neue Fahrzeugdaten ändert.
In einigen Ausführungsformen kann das erste Modul das aktuelle bzw. erste lokale Modell ƒ_i(x) basierend auf den Fahrzeugdaten aktualisieren, um ein aktualisiertes bzw. zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die neuen Fahrzeugdaten im Vergleich zu einer früheren Vorhersagegenauigkeit für frühere Fahrzeugdaten (z.B. ein bekannter Input x_t) um mehr als eine Schwelle ändert bzw. unterscheidet.
Beispielsweise entscheidet das erste Modul, ob ein Input-Output Paar (x;y)t, die den neuen Fahrzeugdaten entsprechen, eine Vorhersagegenauigkeit des aktuellen bzw. ersten lokalen Modells ƒ_i(x) signifikant verändert oder nicht. Wenn dies der Fall ist, also wenn die Schwelle überschritten ist, kann das erste Modul das Input-Output Paar (x;y)_t zum Beispiel an ein Schiebefenster („sliding window“) W_i anfügen und ein ältestes Paar verwerfen. Zudem kann das erste Modul das aktuelle lokale Modell ƒ_i(x) auf der Basis des aktualisierten Schiebefensters W_i neu trainieren.
Wenn der Input jedoch bekannt ist und die Vorhersagegenauigkeit des aktuellen bzw. ersten lokalen Modells ƒ_i(x) nicht wesentlich verändern wird, kann das Input-Output Paar (x;y)t verworfen und das aktuelle bzw. erste lokale Modell ƒ_i(x) nicht neu trainiert werden.
Damit erfolgt eine Aktualisierung des ersten lokalen Modells ƒ_i(x), wie zum Beispiel eine Parameteradaption, nur dann, wenn es vernünftig ist. Beispielsweise kann die Schwelle in Abhängigkeit von Rechenressourcen und/oder Energieressourcen und/oder einer Bandbreite gewählt werden. Dadurch kann zum Beispiel sichergestellt werden, dass nicht zu viele Daten durch das erste Modul übertragen werden.
Das System umfasst weiter wenigstens ein zweites Modul 120. Das wenigstens eine zweite Modul 120 kann eingerichtet sein, um von der Vielzahl von ersten Modulen 110A, 110B, 110C entsprechende aktualisierte bzw. zweite lokale Modelle zu empfangen.
Beispielsweise kann das wenigstens eine zweite Modul 120 ein Speichermedium umfassen, in dem die von der Vielzahl von ersten Modulen 110A, 110B, 110C empfangenen lokalen Modelle gespeichert sind. Das Speichermedium kann zum Beispiel die ersten lokalen Modelle der ersten Module 110A, 110B, 110C sowie die aktualisierten bzw. zweiten lokalen Modelle und optional weitere Modelle, wie z.B. Modelle älter als die ersten Modelle, speichern.
Das zweite Modul 120 kann mit der Vielzahl von ersten Modulen 110A, 110B, 110C über entsprechende erste Kommunikationsverbindungen 1A, 1B, 1C verbunden sein. Die ersten Kommunikationsverbindungen 1A, 1B, 1C können zum Beispiel drahtgebundene oder drahtlose Kommunikationsverbindungen sein.
Optional kann das zweite Modul 120 über eine zweite Kommunikationsverbindung 2 mit der zentralen Einheit 130, wie einem zentralen Backend, kommunizieren.
Vorzugsweise sind die ersten Kommunikationsverbindungen 1A, 1B, 1C und/oder die zweiten Kommunikationsverbindung 2 unter Verwendung eines mobilen Netzwerks und/oder des Internets implementiert. Das mobile Netzwerk kann zum Beispiel ein LTE-Netzwerk oder 5G-Netzwerk sein.
In einigen Ausführungsformen kann das wenigstens eine zweite Modul 120 ein Edge-Device, insbesondere ein intelligentes Edge-Device wie ein Edge-Gateway, sein.
Falls das aktuelle bzw. erste lokale Modell ƒ_i(x) durch ein erstes Modul neu trainiert wird, so dass das aktualisierte bzw. zweite lokale Modell erzeugt wird, kann das erste Modul zusätzlich entscheiden, ob eine Weiterleitung des aktualisierten bzw. zweiten lokalen Modells an das wenigstens eine zweite Modul 120 erfolgen soll.
In einigen Ausführungsformen kann jedes erste Modul der Vielzahl von ersten Modulen 110A, 110B, 110C eingerichtet sein, um über die Weiterleitung seines aktualisierten bzw. zweiten lokalen Modells an das wenigstens eine zweite Modul 120 basierend auf wenigstens einem der folgenden Aspekte zu entscheiden:

1. Basierend auf einer Diskrepanz zwischen einer Vorhersagegenauigkeit des im ersten Modul vorhandenen aktualisierten bzw. zweiten lokalen Modells ƒ_i und einer Vorhersagegenauigkeit des im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells ƒ_i,0 des ersten Moduls (z.B. das erste Modell oder eine Vorgängerversion des ersten Modells); und/oder
2. Basierend auf einer Diskrepanz einer Anpassung („Fitting“) der im Schiebefenster W, vorhanden Eingangswerte an das aktualisierte bzw. zweite lokale Modell f im Vergleich zum im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modell ƒ_i,0; und oder
3. Basierend auf einer Diskrepanz von Modellparametern des im ersten Modul vorhandenen aktualisierten bzw. zweiten lokalen Modells ƒ_i und Modellparametern des im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells ƒ_i,0.

In Bezug auf den Aspekt 1 kann die Diskrepanz zwischen den Vorhersagegenauigkeiten durch die absolute Differenz der Vorhersagefehler des aktualisierten bzw. zweiten lokalen Modells f und des im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells ƒ_i,0 gegeben sein. Der lokale Vorhersagefehler kann mit e_i(x_t) = |y - ƒ_i(x)| berechnet werden, während der Vorhersagefehler des zwischengespeicherten Modells mit e_i,0(x_t) = |y - ƒ_i,0(x)| berechnet werden kann. Die Fehlerdifferenz zwischen dem lokalen Vorhersagefehler e_i(x_t) und dem Vorhersagefehler des zwischengespeicherten Modells e_i,0(x_t) kann definiert sein als |e_i(x_t) - e_i,0(x_t)|.
Wenn die Fehlerdifferenz eine Schwelle θ > 0 überschreitet, dann kann das erste Modul das aktualisierte bzw. zweite lokale Modell f an das wenigstens eine zweite Modul 120 übermitteln, wo das zwischengespeicherte Modell von ƒ_i,0 auf ƒ_i aktualisiert wird. Wenn die Fehlerdifferenz die Schwelle θ nicht überschreitet, können die Modelle als ähnlich angesehen werden und es ist keine Aktualisierung im wenigstens einen zweiten Modul 120 erforderlich.
In Bezug auf den Aspekt 2 kann die Diskrepanz der Anpassung bzw. des Fittings in Bezug auf die Eingangswerte im Schiebefenster W, der Länge N und das jeweilige Modell verwendet werden. Hierzu kann unter Verwendung des aktualisierten bzw. zweiten lokalen Modells f eine Größe R_i ² berechnet werden, die gegeben ist durch: $R_{i}^{2} = \frac{\sum_{i = 1}^{N} (y_{i} - f_{i} (x))}{\sum_{i = 1}^{N} (y_{i} - \bar{y})}$
Zudem kann unter Verwendung des im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells ƒ_i,0 eine Größe R₀ ² berechnet werden, die gegeben ist durch: $R_{0}^{2} = \frac{\sum_{i = 1}^{N} (y_{i} - f_{i}^{0} (x))}{\sum_{i = 1}^{N} (y_{i} - \bar{y})}$
Wenn die absolute Differenz zwischen R_i ² und R₀ ² eine Schwelle θ > 0 überschreitet, dann kann das erste Modul das aktualisierte bzw. zweite lokale Modell f an das wenigstens eine zweite Modul 120 übermitteln, wo das zwischengespeicherte Modell von ƒ_i,0 auf ƒ_i aktualisiert wird. Wenn die Differenz zwischen R_i ² und R₀ ² die Schwelle θ nicht überschreitet, können die Modelle als ähnlich angesehen werden und es ist keine Aktualisierung im wenigstens einen zweiten Modul 120 erforderlich.
In Bezug auf den Aspekt 3 kann die Differenz der Parameter zwischen den beiden Modellen durch |w_i(x_t) - w_i,0(x_t)| berechnet werden. Wenn die Differenz eine Schwelle θ > 0 überschreitet, dann kann das erste Modul das aktualisierte bzw. zweite lokale Modell f an das wenigstens eine zweite Modul 120 übermitteln, wo das zwischengespeicherte Modell von ƒ_i,0 auf ƒ_i aktualisiert wird. Wenn die Differenz die Schwelle θ nicht überschreitet, können die Modelle als ähnlich angesehen werden und es ist keine Aktualisierung im wenigstens einen zweiten Modul 120 erforderlich.
In Bezug auf die Funktionalitäten des wenigstens einen zweiten Moduls 120 werden die empfangenen zweiten lokalen Modelle entsprechend einer Ähnlichkeit der zweiten lokalen Modelle gruppiert. Das wenigstens eine zweite Modul kann dann eine Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an die zentrale Einheit übertragen.
Im Detail kann das wenigstens eine zweite Modul aus dem Ensemble der lokal trainierten Modelle F = {ƒ_1,0, ..., ƒ_i,0} diejenige Teilmenge von Modellen auszuwählen, die die beste Annäherung an F liefert. Ziel ist es, so genau zu sein wie ein globales Modell f_G, das über alle gesammelten Daten gebildet wurde.
Um ein qualitativ hochwertiges Selektieren der Modelle (und Fahrzeuge) zu ermöglichen, kann Dynamic Time Warping (DTW) angewendet werden. Dabei wird untersucht, welche Modelle ähnlich sind. Daraufhin erfolgt durch das DTW eine Gruppierung ähnlicher Modelle. Anhand dieser gruppierten Modelle kann das zentrale Backend die Daten effizienter prozessieren und wird nicht mit einer überwältigenden Datenmenge überhäuft.
DTW berechnet in einem univariaten Aufbau die Ähnlichkeit eines Datenstroms x = (x₁, x₂, ..., x_n)^T mit einem anderen Datenstrom z = (x₁, x₂, ..., x_m)^T. Ziel ist es, den optimalen Warping-Pfad P zu finden, der den Abstand zwischen diesen beiden Datenströmen minimiert, indem die Elemente jedes Datenstroms aneinander ausgerichtet werden. Der Abstand kann durch eine Funktion d(i, j) für die Elemente am Punkt i des Datenstroms x und j des Datenstroms z ausgedrückt werden. Basierend auf den berechneten Abständen kann eine n x m-Matrix erzeugt werden, in der jedes Element (i, j) dem Abstand zwischen den Punkten d(x_i z_j) entspricht. Mit dieser Abstandsmatrix ist es möglich, einen Warping-Pfad P zu definieren.
In bevorzugten Ausführungsformen der vorliegenden Offenbarung kann multivariates DTW Anwendung finden. Dies kann vorteilhaft sein, da die Daten in Fahrzeugen oftmals mehr als eine Dimension besitzen.
Zur Berechnung des minimalen Warping-Pfads kann dynamische Programmierung verwendet werden.
Die von den ersten Modulen bereitgestellten zweiten lokalen Modelle werden vom wenigstens einen zweiten Modul verwendet, um eine Abstandsmessungen für jedes erste Modul i mittels DTW durchzuführen. Nach der Berechnung des DTW-Abstands zwischen allen ersten Modulen i und j kann eine Normalisierung dieses Abstandswertes durchgeführt werden, um eine mögliche Vergleichsmetrik zu erzeugen, die für die weitere Auswertung verwendet werden kann. Hierzu kann DTW(x, z) durch die Länge jedes einzelnen i und j-Datensatzes geteilt werden, was die Metrik eines normalisierten DTW (N-DTW) ergibt.
Mit der N-DTW-Wertematrix jedes ersten Moduls i bzw. entsprechenden Modells ist es möglich, eine Gruppierung basierend auf ihrer Ähnlichkeit durchzuführen. Die am häufigsten verwendeten Algorithmen für das Clustering oder die Gruppierung ähnlicher Zeitreihen sind das hierarchische Clustering, k-means und das dichtebasierte Clustering mit z.B. DBSCAN.
Vorzugsweise kann der Gruppierungsalgorithmus auf hierarchischem Clustering basieren. Dieser ist nicht nur ein parameterfreier und deterministischer Algorithmus, sondern auch ein Algorithmus, der einfach zu interpretieren und zu verstehen ist. Insbesondere das Weiterverfolgen von Aktionen und das Ziehen von Erkenntnissen auf Basis der gegebenen Gruppen ist mit der hierarchischen Implementierung einfacher. Darüber hinaus ist die Architektur in IoT- und Edge-Anwendungen meist von hoher Ordnung und kann daher mit diesem Cluster-Algorithmus am besten umgesetzt und dargestellt werden. Das Ergebnis des hierarchischen Clusterns ist ein Dendrogramm, das die Gruppierung über verschiedene Ebenen zeigt.
Hierarchisches Clustering kann in zwei mögliche Methoden unterteilt werden: teilend und agglomerativ.
Das agglomerative Clustering verwendet einen Bottom-Up-Ansatz, bei dem jedes Mitglied (erstes Modul bzw. Modell) in einem Cluster platziert wird. Dann werden die ähnlichsten Mitglieder basierend auf der gegebenen Verknüpfungsfunktion gruppiert. Mögliche Verknüpfungsfunktionen sind:

- Single: gruppiert die Mitglieder mit dem geringsten (engsten) Abstand und damit der geringsten Unähnlichkeit.
- Vollständig: Gruppierung der Mitglieder mit dem größten (weitesten) Abstand und damit Unähnlichkeit.
- Durchschnittlich: Gruppierung unter Verwendung des durchschnittlichen Abstands zwischen zwei Mitgliedern.

Das teilende Clustering verwendet den Top-Down-Ansatz, indem es die bereits gruppierten Mitglieder basierend auf ihrer Unähnlichkeit aufteilt.
Vorzugsweise ist jedes erste Modul der Vielzahl von ersten Modulen eingerichtet, um nur Modellparameter und/oder Metadaten des zweiten Modells an das wenigstens eine zweite Modul zu übertragen. Anders gesagt werden nicht alle Daten wie zum Beispiel die Fahrzeugdaten übertragen, sondern nur abstrahierte Informationen. Ähnlich kann das wenigstens eine zweite Modul eingerichtet sein, um nur Modellparameter und/oder Metadaten in Bezug auf die zweiten Modelle der bestimmten Teilmenge an die zentrale Einheit zu übertragen. Damit erfolgt ein intelligentes Konsolidieren der individuellen Modelle, so dass qualitativ hochwertige Vorhersagen nicht nur im Fahrzeug möglich sind, sondern auch in der zentralen Einheit. Zudem wird eine zu übertragende Datenmenge signifikant reduziert.
2 zeigt schematisch ein Flussdiagramm eines Verfahrens 200 zum Implementieren von intelligenten Fahrzeugfunktionen gemäß Ausführungsformen der vorliegenden Offenbarung. Das Verfahren kann durch eine entsprechende Software implementiert werden, die durch einen oder mehrere Prozessoren (z.B. eine CPU) ausführbar ist.
Das Verfahren 200 umfasst im Block 210 ein Empfangen von Fahrzeugdaten in einem ersten Modul, in dem ein erstes lokales Modell für eine Zustandsvorhersage vorhanden ist; im Block 220 ein Aktualisieren des ersten lokalen Modells basierend auf den Fahrzeugdaten, um ein zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die Fahrzeugdaten um mehr als eine Schwelle ändert; im Block 230 ein Empfangen des zweiten Modells in wenigstens einem zweiten Modul; im Block 240 ein Gruppieren von zweiten Modellen, die von einer Vielzahl erster Module im wenigstens einen zweiten Modul empfangen wurden, basierend auf einer Ähnlichkeit der empfangenen zweiten lokalen Modelle; und im Block 250 ein Übertragen einer Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an eine zentrale Einheit.
Erfindungsgemäß führt das System zwei Aspekte aus: (i) Die ersten Module entscheiden, ob deren lokales Modell neu trainiert bzw. aktualisiert werden soll. Diese erste Entscheidung erfolgt basierend darauf, wie stark sich die Vorhersagegenauigkeit des vorhandenen lokalen Modells für neuen Fahrzeugdaten ändert. Zudem können die ersten Module weiter entscheiden, ob die neu trainierten bzw. aktualisierten lokalen Modelle an das wenigstens eine zweite Modul zur weiteren Verarbeitung übermittelt werden sollen. (ii) Das wenigstens eine zweite Modul entscheidet in Bezug auf die empfangenen trainierten bzw. aktualisierten lokalen Modelle, welche dieser neu trainierten bzw. aktualisierten lokalen Modell an die zentrale Einheit übertragen werden sollen. Diese zweite Entscheidung erfolgt basierend auf einer Ähnlichkeit der trainierten bzw. aktualisierten lokalen Modelle.
Damit können intelligente Fahrzeugfunktionen lokal und kontinuierlich im Fahrzeug ressourcenschonend und/oder energiesparend angepasst werden. Ein zentrales Trainieren der entsprechenden Algorithmen/Modelle in einem Backend ist nicht erforderlich, so dass eine schnelle Anpassbarkeit der Algorithmen/Modelle insbesondere ein Echtzeit erfolgen kann. Zudem können Daten in Bezug auf die intelligenten Fahrzeugfunktionen ressourcenschonend und/oder energiesparend an das zentrale Backend übermittelt werden. Insbesondere wird die Bandbreite des Netzwerkes sowie die Speicherkapazität des Backends durch ständige Anpassung bereits bestehender Fahrzeugmodelle und/oder den Empfang einer Fülle von Algorithmen/Modellen vieler Fahrzeuge nicht überstrapaziert.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehenden Erläuterungen in der Beschreibung, definiert wird.

Claims

System zum Implementieren von intelligenten Fahrzeugfunktionen, umfassend: eine Vielzahl von ersten Modulen (110A, 110B, 110C), wobei jedes erste Modul der Vielzahl von ersten Modulen (110A, 110B, 110C) eingerichtet ist, um Fahrzeugdaten mittels eines ersten lokalen Modells für eine Zustandsvorhersage zu verarbeiten und das erste lokale Modell basierend auf den Fahrzeugdaten zu aktualisieren, um ein zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die Fahrzeugdaten um mehr als eine Schwelle ändert; und wenigstens ein zweites Modul (120), das eingerichtet ist, um von der Vielzahl von ersten Modulen (110A, 110B, 110C) entsprechende zweite lokale Modelle zu empfangen und die empfangenen zweiten lokalen Modelle entsprechend einer Ähnlichkeit der zweiten lokalen Modelle zu gruppieren, wobei das wenigstens eine zweite Modul (120) weiter eingerichtet ist, um eine Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an eine zentrale Einheit (130) zu übertragen.
Das System nach Anspruch 1, wobei die Vielzahl von ersten Modulen (110A, 110B, 110C) eingerichtet sind, um das zweite lokale Modell unter Verwendung eines parametrisierten Lernverfahrens zu erzeugen.
Das System nach Anspruch 2, wobei jedes erste Modul der Vielzahl von ersten Modulen (110A, 110B, 110C) eingerichtet ist, um nur Modellparameter und/oder Metadaten des zweiten Modells an das wenigstens eine zweite Modul (120) zu übertragen.
Das System nach einem der Ansprüche 1 bis 3, wobei jedes erste Modul der Vielzahl von ersten Modulen (110A, 110B, 110C) eingerichtet ist, um das zweite lokale Modell an das wenigstens eine zweite Modul (120) zu übermitteln, wenn eine absolute Differenz zwischen einem Vorhersagefehler des im ersten Modul vorhandenen zweiten lokalen Modells und einem Vorhersagefehler eines im wenigstens einen zweiten Modul (120) zuletzt gespeicherten lokalen Modells des ersten Moduls eine erste Entscheidungsschwelle überschreitet.
Das System nach einem der Ansprüche 1 bis 4, wobei jedes erste Modul der Vielzahl von ersten Modulen (110A, 110B, 110C) eingerichtet ist, um das zweite lokale Modell an das wenigstens eine zweite Modul (120) zu übermitteln, wenn eine Diskrepanz zwischen einer Anpassung der Fahrzeugdaten an das im ersten Modul vorhandene zweite lokale Modell und einer Anpassung der Fahrzeugdaten an ein im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modell des ersten Moduls eine zweite Entscheidungsschwelle überschreitet.
Das System nach einem der Ansprüche 1 bis 5, wobei jedes erste Modul der Vielzahl von ersten Modulen (110A, 110B, 110C) eingerichtet ist, um das zweite lokale Modell an das wenigstens eine zweite Modul (120) zu übermitteln, wenn eine absolute Differenz zwischen wenigstens einem Parameter des im ersten Modul vorhandenen zweiten lokalen Modells und wenigstens einem Parameter eines im wenigstens einen zweiten Modul zuletzt gespeicherten lokalen Modells des ersten Moduls eine dritte Entscheidungsschwelle überschreitet.
Das System nach einem der Ansprüche 1 bis 6, wobei das wenigstens ein zweites Modul (120) eingerichtet ist, um die zweiten lokalen Modelle unter Verwendung von Dynamic Time Warping zu gruppieren, um die Teilmenge von zweiten lokalen Modellen zu bilden.
Das System nach einem der Ansprüche 1 bis 7, wobei das System zumindest teilweise als Edge-Architektur implementiert ist, wobei die Vielzahl von ersten Modulen (110A, 110B, 110C) Edge-Devices sind, und wobei das wenigstens eine zweite Modul (120) ein Edge-Device, insbesondere ein Edge-Gateway, ist.
Verfahren (200) zum Implementieren von intelligenten Fahrzeugfunktionen, umfassend: Empfangen (210) von Fahrzeugdaten in einem ersten Modul, in dem ein erstes lokales Modell für eine Zustandsvorhersage vorhanden ist; Aktualisieren (220) des ersten lokalen Modells basierend auf den Fahrzeugdaten, um ein zweites lokales Modell zu erzeugen, wenn sich eine Vorhersagegenauigkeit des ersten lokalen Modells für die Fahrzeugdaten um mehr als eine Schwelle ändert; Empfangen (230) des zweiten Modells in wenigstens einem zweiten Modul; Gruppieren (240) von zweiten Modellen, die von einer Vielzahl erster Module im wenigstens einen zweiten Modul empfangen wurden, basierend auf einer Ähnlichkeit der empfangenen zweiten lokalen Modelle; und Übertragen (250) einer Teilmenge von zweiten lokalen Modellen entsprechend der Gruppierung an eine zentrale Einheit.
Speichermedium, umfassend ein Software-Programm, das eingerichtet ist, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das Verfahren (200) gemäß Anspruch 9 auszuführen.