DE102021118572A1

DE102021118572A1 - Maschinenlernvorrichtung und Maschinenlernsystem

Info

Publication number: DE102021118572A1
Application number: DE102021118572.6A
Authority: DE
Inventors: Daiki Yokoyama; Yohei Hareyama
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2020-08-20
Filing date: 2021-07-19
Publication date: 2022-02-24
Also published as: JP2022035227A; CN114077193A; US11472420B2; JP6935837B1; US20220194394A1; US20220055635A1

Abstract

Die Maschinenlernvorrichtung umfasst einen Prognoseteil 51, welcher derart konfiguriert ist, dass dieser ein Maschinenlernmodell verwendet, um vorbestimmte Informationen zu prognostizieren, einen Aktualisierungsteil 52, welcher derart konfiguriert ist, dass dieser das Maschinenlernmodell aktualisiert, und einen Teilinformationserlangungsteil 53, welcher derart konfiguriert ist, dass dieser einen Austausch eines Fahrzeugteils erfasst und Identifikationsinformationen des Fahrzeugteils nach dem Austausch erlangt. Der Teilinformationserlangungsteil ist derart konfiguriert, dass dieser von einem Server 2 ein neues Maschinenlernmodell empfängt, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist, und das neue Maschinenlernmodell auf das Fahrzeug anwendet, falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Maschinenlernmodells durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird.

Description

Gebiet
Die vorliegende Erfindung betrifft eine Maschinenlernvorrichtung und ein Maschinenlemsystem.
Hintergrund
In den letzten Jahren wurde zusammen mit der Entwicklung der KI-Technologie (künstliche Intelligenz) in Fahrzeugen eine Steuerung unter Verwendung von Maschinenlernmodellen, wie beispielsweise Modellen eines neuronalen Netzes, untersucht. Beispielsweise wird in dem in der PTL 1 beschriebenen Maschinenlernsystem ein neuronales Netz verwendet, um die Temperatur eines Abgasreinigungskatalysators zu prognostizieren, der bei einer Verbrennungskraftmaschine bereitgestellt ist.
Um die Prognosegenauigkeit eines solchen Modells eines neuronalen Netzes zu verbessern, ist es notwendig, das Modell des neuronalen Netzes im Voraus zu trainieren. Beispielsweise wird, wie in der PTL 1 beschrieben, das Modell des neuronalen Netzes in einem Server trainiert, und das trainierte Modell des neuronalen Netzes wird von dem Server zu einem Fahrzeug gesendet.
Zitierungsliste
Patentliteratur
[PTL 1] JP 2019-183698 A
Kurzfassung
Technisches Problem
Falls in diesem Zusammenhang im Laufe der Nutzung eines Fahrzeugs die Fahrzeugteile verschlechtert werden oder kaputt gehen, werden die Fahrzeugteile ausgetauscht bzw. ersetzt. Ferner werden manchmal Fahrzeugteile ausgetauscht, um leistungsfähigere Fahrzeugteile in einem Fahrzeug zu montieren.
Ein in einem Fahrzeug verwendetes Maschinenlernmodell ist jedoch in der Regel auf die Eigenschaften des Fahrzeugteils vor dem Austausch zugeschnitten. Falls sich durch den Austausch eines Fahrzeugteils die Eigenschaften des Fahrzeugteils ändern, kann die Prognosegenauigkeit des Maschinenlernmodells daher abnehmen.
In Anbetracht des vorstehenden Problems ist es daher eine Aufgabe der vorliegenden Erfindung, zu verhindern, dass die Prognosegenauigkeit eines in einem Fahrzeug verwendeten Maschinenlernmodells abnimmt, wenn ein Fahrzeugteil ausgetauscht wird.
Lösung des Problems
Die Kurzfassung der vorliegenden Offenbarung lautet wie folgt.

(1) Eine in einem Fahrzeug bereitgestellte Maschinenlernvorrichtung weist auf: einen Prognoseteil, welcher derart konfiguriert ist, dass dieser ein Maschinenlernmodell verwendet, um vorbestimmte Informationen zu prognostizieren; einen Aktualisierungsteil, welcher derart konfiguriert ist, dass dieser das Maschinenlernmodell aktualisiert; und einen Teilinformationserlangungsteil, welcher derart konfiguriert ist, dass dieser einen Austausch eines Fahrzeugteils erfasst und Identifikationsinformationen des Fahrzeugteils nach dem Austausch erlangt, wobei der Aktualisierungsteil derart konfiguriert ist, dass dieser von einem Server ein neues Maschinenlernmodell empfängt, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist bzw. wurde, und das neue Maschinenlernmodell auf das Fahrzeug anwendet, falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Maschinenlernmodells durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird.
(2) Die vorstehend unter (1) beschriebene Maschinenlernvorrichtung, wobei der Aktualisierungsteil derart konfiguriert ist, dass dieser Identifikationsinformationen des Fahrzeugteils nach dem Austausch und Identifikationsinformationen des Fahrzeugs zu dem Server überträgt, und das neue Maschinenlernmodell einem Maschinenlernmodell entsprechend den Identifikationsinformationen des Fahrzeugs entspricht.
(3) Die vorstehend unter (1) oder (2) beschriebene Maschinenlernvorrichtung, wobei das Maschinenlernmodell ein Modell eines neuronalen Netzes ist.
(4) Ein Maschinenlernsystem mit einem Server und einem Fahrzeug, wobei der Server aufweist: eine erste Kommunikationsvorrichtung, welche mit dem Fahrzeug kommunizieren kann; und eine Steuerungsvorrichtung, wobei das Fahrzeug aufweist: eine zweite Kommunikationsvorrichtung, welche mit dem Server kommunizieren kann; einen Prognoseteil, welcher derart konfiguriert ist, dass dieser ein Maschinenlernmodell verwendet, um vorbestimmte Informationen zu prognostizieren; einen Aktualisierungsteil, welcher derart konfiguriert ist, dass dieser das Maschinenlernmodell aktualisiert; und einen Teilinformationserlangungsteil, welcher derart konfiguriert ist, dass dieser einen Austausch eines Fahrzeugteils erfasst und Identifikationsinformationen des Fahrzeugteils nach dem Austausch erlangt, wobei der Aktualisierungsteil derart konfiguriert ist, dass dieser Identifikationsinformationen des Fahrzeugteils nach dem Austausch zu einem Server überträgt, falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Maschinenlernmodells durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird, die Steuerungsvorrichtung derart konfiguriert ist, dass diese ein neues Maschinenlernmodell, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist bzw. wurde, zu dem Fahrzeug überträgt, und der Aktualisierungsteil derart konfiguriert ist, dass dieser das neue Maschinenlernmodell auf das Fahrzeug anwendet.

Vorteilhafte Effekte der Erfindung
Gemäß der vorliegenden Erfindung ist es möglich, ein Abnehmen der Prognosegenauigkeit eines in einem Fahrzeug verwendeten Maschinenlernmodells zu verhindern, wenn ein Fahrzeugteil ausgetauscht wird.
Figurenliste

1 ist eine schematische Ansicht der Konfiguration eines Maschinenlernsystems gemäß einer Ausführungsform der vorliegenden Erfindung.
2 ist eine Ansicht, welche einen Teil der Konfiguration eines Fahrzeugs von 1 schematisch zeigt.
3 ist ein Funktionsblockdiagramm einer ECU von 2.
4 zeigt ein Beispiel für ein Modell eines neuronalen Netzes mit einer einfachen Konfiguration.
5 ist ein Flussdiagramm, welches eine Steuerroutine einer Verarbeitung zum Aktualisieren eines Modells zeigt.
6 ist ein Flussdiagramm, welches eine Steuerroutine einer Verarbeitung zum Übertragen eines Modells zeigt.

Beschreibung von Ausführungsformen
Nachstehend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Abbildungen im Detail erläutert. 1 ist eine schematische Ansicht einer Konfiguration eines Maschinenlernsystems 1 gemäß der Ausführungsform der vorliegenden Erfindung. Das Maschinenlernsystem 1 ist mit einem Server 2 und einem Fahrzeug 3 versehen.
Wie in 1 gezeigt, ist der Server 2 außerhalb des Fahrzeugs 3 bereitgestellt und verfügt über eine Kommunikationsschnittstelle 21, eine Speichervorrichtung 22, einen Speicher 23 und einen Prozessor 24. Zu beachten ist, dass der Server 2 ferner mit einer Eingabevorrichtung, wie einer Tastatur und einer Maus, und einer Ausgabevorrichtung, wie einem Display usw., bereitgestellt sein kann. Ferner kann der Server 2 durch eine Mehrzahl von Computern konfiguriert sein.
Die Kommunikationsschnittstelle 21 kann mit dem Fahrzeug 3 kommunizieren und ermöglicht es dem Server 2, mit dem Fahrzeug 3 zu kommunizieren. Die Kommunikationsschnittstelle 21 besitzt insbesondere eine Schnittstellenschaltung zum Verbinden des Servers 2 mit dem Kommunikationsnetz 5. Der Server 2 kommuniziert mit dem Fahrzeug 3 über die Kommunikationsschnittstelle 21, das Kommunikationsnetz 5 und die Drahtlos-Basisstation 6. Die Kommunikationsschnittstelle 21 entspricht einem Beispiel für eine Kommunikationsvorrichtung.
Die Speichervorrichtung 22 besitzt beispielsweise ein Festplattenlaufwerk (HDD), ein Festkörperlaufwerk (SSD), ein optisches Speichermedium usw. Die Speichervorrichtung 22 speichert verschiedene Arten von Daten, speichert beispielsweise Computerprogramme für den Prozessor 24, um verschiedene Verarbeitungen durchzuführen, usw.
Der Speicher 23 besitzt beispielsweise einen Halbleiterspeicher, wie einen Direktzugriffsspeicher (RAM). Der Speicher 23 speichert beispielsweise verschiedene Daten usw., welche verwendet werden, wenn verschiedene Verarbeitungen durch den Prozessor 24 durchgeführt werden.
Die Kommunikationsschnittstelle 21, die Speichervorrichtung 22 und der Speicher 23 sind über Signaldrähte mit dem Prozessor 24 verbunden. Der Prozessor 24 besitzt eine oder mehrere CPUs und Peripherieschaltungen und führt verschiedene Verarbeitungen durch. Zu beachten ist, dass der Prozessor 24 ferner Verarbeitungsschaltungen, wie arithmetische Logikeinheiten oder numerische Berechnungseinheiten, besitzen kann. Der Prozessor 24 entspricht einem Beispiel für eine Steuerungsvorrichtung.
2 ist eine Ansicht, welche einen Teil der Konfiguration des Fahrzeugs 3 von 1 schematisch zeigt. Wie in 2 dargestellt, ist das Fahrzeug 3 mit Aktuatoren 31, Sensoren 32, einem Kommunikationsmodul 33 und einer elektronischen Steuerungseinheit (ECU) 40 versehen. Das heißt, die Aktuatoren 31, die Sensoren 32, das Kommunikationsmodul 33 und die ECU 40 sind in dem Fahrzeug 3 montiert. Die Aktuatoren 31, die Sensoren 32 und das Kommunikationsmodul 33 sind so verbunden, dass diese mit der ECU 40 über ein fahrzeuginternes Netzwerk auf Basis von CAN (Controller-Area-Network) oder eines anderen Standards kommunizieren können.
Die Aktuatoren 31 sind Betriebsteile, welche für den Betrieb des Fahrzeugs 3 erforderlich sind. Diese umfassen beispielsweise Teile, welche für den Betrieb der Verbrennungskraftmaschine erforderlich sind (Zündkerzen, Kraftstoffinjektoren, einen Drosselventil-Antriebsaktuator, ein AGR-Steuerungsventil usw.), einen Motor, eine Kupplung usw. Die ECU 40 steuert die Aktuatoren 31.
Die Sensoren 32 erfassen die Zustände des Fahrzeugs 3, der Verbrennungskraftmaschine, der Batterie usw. und umfassen einen Fahrzeuggeschwindigkeitssensor, einen GPS-Empfänger, einen Gaspedalöffnungsgradsensor, einen Luftströmungsmesser, einen Luft-Kraftstoff-Verhältnis-Sensor, einen Kurbelwinkelsensor, einen Drehmomentsensor, einen Spannungssensor, einen Temperatursensor usw. Die Ausgaben der Sensoren 32 werden an die ECU 40 gesendet.
Die Aktuatoren 31 und die Sensoren 32 bilden Fahrzeugteile, welche in dem Fahrzeug 3 montiert sind. Mit anderen Worten, die Fahrzeugteile umfassen die Aktuatoren 31 und die Sensoren 32.
Das Kommunikationsmodul 33 entspricht einer Vorrichtung, welche eine Kommunikation zwischen dem Fahrzeug 3 und dem Äußeren des Fahrzeugs 3 ermöglicht. Das Kommunikationsmodul 33 ist beispielsweise ein Datenkommunikationsmodul (DCM), welches über eine Drahtlos-Basisstation 6 mit einem Kommunikationsnetz 5 kommunizieren kann. Zu beachten ist, dass als das Kommunikationsmodul 33 ein mobiles Endgerät (beispielsweise ein Smartphone, ein Tablet-Endgerät, ein WiFi-Router usw.) verwendet werden kann. Das Kommunikationsmodul 33 entspricht einem Beispiel für eine Kommunikationsvorrichtung.
Die ECU 40 umfasst eine Kommunikationsschnittstelle 41, einen Speicher 42 und einen Prozessor 43, und führt verschiedene Steuerungsvorgänge des Fahrzeugs 3 durch. Zu beachten ist, dass in der vorliegenden Ausführungsform eine einzige ECU 40 bereitgestellt ist, aber eine Mehrzahl von ECUs für die verschiedenen Funktionen bereitgestellt werden können.
Die Kommunikationsschnittstelle 41 ist eine Schnittstellenschaltung zum Verbinden der ECU 40 mit einem fahrzeuginternen Netzwerk, das auf CAN oder einem anderen Standard basiert. Die ECU 40 kommuniziert über die Kommunikationsschnittstelle 41 mit anderen im Fahrzeug montierten Vorrichtungen.
Der Speicher 42 besitzt beispielsweise einen flüchtigen Halbleiterspeicher (beispielsweise ein RAM) und einen nicht-flüchtigen Halbleiterspeicher (beispielsweise ein ROM). Der Speicher 42 speichert Programme, die im Prozessor 43 laufen, verschiedene Daten, welche verwendet werden, wenn die verschiedenen Verarbeitungen durch den Prozessor 43 durchgeführt werden, usw.
Der Prozessor 43 besitzt eine oder mehrere CPUs (zentrale Verarbeitungseinheiten) und deren Peripherieschaltungen und führt verschiedene Verarbeitungen durch. Zu beachten ist, dass der Prozessor 43 ferner Verarbeitungsschaltungen, wie arithmetische Logikeinheiten oder numerische Berechnungseinheiten, besitzen kann. Die Kommunikationsschnittstelle 41, der Speicher 42 und der Prozessor 43 sind durch Signaldrähte miteinander verbunden.
In der vorliegenden Ausführungsform dient die ECU 40 als eine Maschinenlernvorrichtung. 3 ist ein Funktionsblockdiagramm der ECU 40 von 2. Die ECU 40 besitzt einen Prognoseteil 51, einen Aktualisierungsteil 52 und einen Teilinformationserlangungsteil 53. Der Prognoseteil 51, der Aktualisierungsteil 52 und der Teilinformationserlangungsteil 53 sind Funktionsblöcke, welche dadurch realisiert werden, dass ein in dem Speicher 42 der ECU 40 gespeichertes Programm durch den Prozessor 43 der ECU 40 ausgeführt wird.
Der Prognoseteil 51 prognostiziert vorbestimmte Informationen unter Verwendung eines Maschinenlernmodells. Der Aktualisierungsteil 52 aktualisiert das im Fahrzeug 3 verwendete Maschinenlernmodell. In der vorliegenden Ausführungsform wird als das Maschinenlernmodell ein Modell eines neuronalen Netzes verwendet, welches zumindest einen Ausgabewert (der auch als „eine Zielvariable“ bezeichnet wird) aus einer Mehrzahl von Eingabedaten (welche auch als „erläuternde Variablen“ bezeichnet werden) ausgibt.
Zunächst wird unter Bezugnahme auf 4 ein Modell eines neuronalen Netzes in groben Zügen erläutert. 4 zeigt ein Beispiel für ein Modell eines neuronalen Netzes mit einer einfachen Konfiguration.
Die kreisförmigen Markierungen in 4 zeigen künstliche Neuronen. Ein künstliches Neuron wird gewöhnlich als ein „Knoten“ oder eine „Einheit“ bezeichnet (in dieser Beschreibung als „Knoten“ bezeichnet). In 4 steht L=1 für eine Eingabeschicht, L=2 und L=3 für verborgene bzw. versteckte Schichten, und L=4 für eine Ausgabeschicht. Zu beachten ist, dass die verborgenen Schichten auch als „Zwischenschichten“ bezeichnet werden.
In 4 bezeichnen x₁ und x₂ Knoten der Eingabeschicht (L=1) und Ausgabewerte von den Knoten, während „y“ einen Knoten der Ausgabeschicht (L=4) und seine Ausgabewerte bezeichnet. Gleichermaßen bezeichnen z₁ ^(L=2), z₂ ^(L=2) und z₃ ^(L=2) Knoten der verborgenen Schichten (L=2) und die Ausgabewerte von den Knoten, während z₁ ^(L=3) und z₂ ^(L=3) Knoten der verborgenen Schichten (L=3) und die Ausgabewerte von den Knoten bezeichnen.
An den Knoten der Eingabeschicht werden Eingaben so ausgegeben, wie sie sind. An den Knoten der verborgenen Schicht (L=2) hingegen werden die Ausgabewerte x₁ und x₂ der Knoten der Eingabeschicht eingegeben. An den Knoten der verborgenen Schichten (L=2) werden entsprechende Gewichte „w“ und Bias bzw. Verzerrungen „b“ verwendet, um Summen- bzw. Gesamteingabewerte „u“ zu berechnen. Beispielsweise werden in 4 die Gesamteingabewerte uk^(L=2), die an den mit z_k ^(L=2) (k=1, 2, 3) bezeichneten Knoten der verborgenen Schicht (L=2) berechnet werden, wie in der folgenden Gleichung (M entspricht der Anzahl an Knoten der Eingabeschicht). $u_{k}^{(L = 2)} = \sum_{m = 1}^{M} (x_{m} \cdot w_{km}^{(L = 2)}) + b_{k}$
Anschließend werden diese Gesamteingabewerte u_k ^(L=2) durch die Aktivierungsfunktion „f“ umgewandelt und als die Ausgabewerte z_k ^(L=2) (=f(u_k ^(L=2))) von den durch z_k ^(L=2) dargestellten Knoten der verborgenen Schichten (L=2) ausgegeben. Andererseits empfangen die Knoten der verborgenen Schicht (L=3) als Eingabe die Ausgabewerte z₁ ^(L=2), z₂ ^(L=2) und z₃ ^(L=2) der Knoten der verborgenen Schicht (L=2). An den Knoten der verborgenen Schicht (L=3) werden die entsprechenden Gewichte „w“ und Verzerrungen „b“ verwendet, um die Gesamteingabewerte „u“ (=Σz•w+b) zu berechnen. Die Gesamteingabewerte „u“ werden gleichermaßen durch eine Aktivierungsfunktion umgewandelt und von den Knoten der verborgenen Schichten (L=3) als die Ausgabewerte z₁ ^(L=3) und z₂ ^(L=3) ausgegeben. Die Aktivierungsfunktion ist beispielsweise eine Sigmoidfunktion σ.
Ferner empfängt der Knoten der Ausgabeschicht (L=4) als Eingabe die Ausgabewerte z₁ ^(L=3) und z₂ ^(L=3) der Knoten der verborgenen Schicht (L=3). Am Knoten der Ausgabeschicht werden die entsprechenden Gewichte „w“ und Verzerrungen „b“ verwendet, um den Gesamteingabewert „u“ (Σz·w+b) zu berechnen, oder es werden nur die entsprechenden Gewichte „w“ verwendet, um den Gesamteingabewert „u“ (Σz·w) zu berechnen. Beispielsweise wird am Knoten der Ausgabeschicht eine Identitätsfunktion als die Aktivierungsfunktion verwendet. In diesem Fall wird der am Knoten der Ausgabeschicht berechnete Gesamteingabewert „u“ so wie dieser ist als der Ausgabewert „y“ vom Knoten der Ausgabeschicht ausgegeben.
Das im Fahrzeug 3 verwendete Modell des neuronalen Netzes wird im Speicher 42 der ECU 40 oder einer anderen im Fahrzeug 3 bereitgestellten Speichervorrichtung gespeichert. Der Prognoseteil 51 gibt Werte einer Mehrzahl von Eingabedaten (Eingabewerte) in das Modell des neuronalen Netzes ein, um dadurch das Modell des neuronalen Netzes zu veranlassen, den Wert von zumindest einem Ausgabedatenwert (Ausgabewert) auszugeben. Zu dieser Zeit werden als die Werte der Eingabedaten beispielsweise Ausgangswerte der Sensoren 32, Befehlswerte von der ECU 40 zu den Aktuatoren 31, von außerhalb des Fahrzeugs 3 über das Kommunikationsmodul 33 erhaltene Werte, bei der ECU 40 berechnete Werte usw. verwendet.
Der Prognoseteil 51 prognostiziert vorbestimmte Informationen entsprechend dem Wert der Ausgabedaten, welche von dem Modell des neuronalen Netzes ausgegeben werden. Die von dem Prognoseteil 51 prognostizierten vorbestimmten Informationen werden zur Steuerung des Fahrzeugs 3 verwendet. Zu beachten ist, dass das Modell des neuronalen Netzes entweder ein Regressionsmodell oder ein Klassifizierungsmodell sein kann. Handelt es sich bei dem Modell des neuronalen Netzes um ein Regressionsmodell, entsprechen die Ausgabedaten beispielsweise dem Ausgangsdrehmoment der Verbrennungskraftmaschine, der Konzentration eines vorbestimmten Bestandteils im Abgas (HC, NOx usw.), dem Ladezustand (SOC) der Batterie usw. Handelt es sich bei dem Modell des neuronalen Netzes hingegen um ein Klassifizierungsmodell, entsprechen die Ausgabedaten beispielsweise einem Beurteilungsergebnis einer Anomalie eines vorbestimmten Sensors 32, einem Beurteilungsergebnis einer Inbetriebnahme der Verbrennungskraftmaschine in einem Hybridfahrzeug usw. Als Eingabedaten wird in geeigneter Weise eine mit den Ausgabedaten korrelierte Zustandsgröße ausgewählt.
Um die Genauigkeit dieses Modell eines neuronalen Netzes zu verbessern, ist es notwendig, das Modell des neuronalen Netzes im Voraus zu trainieren. Aus diesem Grund wird das Modell des neuronalen Netzes beispielsweise in dem Fahrzeugherstellungsbetrieb trainiert usw.
Beim Training des Modells des neuronalen Netzes werden Trainingsdatensätze verwendet, welche Kombinationen von Messwerten einer Mehrzahl von Eingabedaten und Messwerten zumindest eines diesen Messwerten der Mehrzahl von Eingabedaten entsprechenden Ausgabedatenwerts (wahre Daten oder Lehrerdaten) aufweisen. Die Messwerte der Eingabedaten und Ausgabedaten werden beispielsweise unter Verwendung eines Maschinenprüfstands usw. erlangt, und die Trainingsdatensätze werden durch Kombinieren der entsprechenden Messwerte geschaffen.
Beim Training des Modells des neuronalen Netzes wird eine große Anzahl von Trainingsdatensätzen verwendet und das bekannte Backpropagation-Verfahren wird eingesetzt, um die Parameter des Modells des neuronalen Netzes (Gewichte „w“ und Verzerrungen „b“) wiederholend zu aktualisieren, so dass die Differenz zwischen den vom Modell des neuronalen Netzes ausgegebenen Werten der Ausgabedaten und den gemessenen Werten der Ausgabedaten kleiner wird. Infolgedessen wird das Modell des neuronalen Netzes trainiert und ein trainiertes Modell eines neuronalen Netzes wird erstellt. Das erstellte trainierte Modell des neuronalen Netzes wird vor der Auslieferung des Fahrzeugs 3 in die ECU 40 des Fahrzeugs 3 geladen. Das heißt, Informationen des trainierten Modells des neuronalen Netzes (Struktur, Gewichte „w“, Verzerrungen „b“ usw. des Modells) werden im Speicher 42 der ECU 40 oder einer anderen im Fahrzeug 3 bereitgestellten Speichervorrichtung gespeichert. Zu beachten ist, dass das trainierte Modell des neuronalen Netzes vom Server 2 an das Fahrzeug 3 übertragen werden kann, nachdem das Fahrzeug 3 ausgeliefert wurde.
Wenn sich in diesem Zusammenhang ein Fahrzeugteil, wie der Aktuator 31 oder der Sensor 32, im Laufe der Nutzung des Fahrzeugs 3 verschlechtert oder ausfällt, wird der Fahrzeugteil ausgetauscht. Ferner wird manchmal ein Fahrzeugteil ausgetauscht, um ein leistungsfähigeres Fahrzeugteil in dem Fahrzeug 3 zu montieren.
Das in die ECU 40 geladene Modell des neuronalen Netzes ist jedoch auf die Eigenschaften des Fahrzeugteils vor dem Austausch zugeschnitten. Falls sich die Eigenschaften eines Fahrzeugteils aufgrund eines Austauschs des Fahrzeugteils verändern, wird die Prognosegenauigkeit des Modells des neuronalen Netzes aus diesem Grund wahrscheinlich abnehmen.
Daher erfasst in der vorliegenden Ausführungsform der Teilinformationserlangungsteil 53 einen Austausch eines Fahrzeugteils und erlangt Identifikationsinformationen des Fahrzeugteils nach dem Austausch. Falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Modells für ein neuronales Netz durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird, empfängt der Aktualisierungsteil 52 ferner ein neues Modell eines neuronalen Netzes, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist, von dem Server 2 und wendet das neue Modell eines neuronalen Netzes auf das Fahrzeug 3 an.
Falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Modells eines neuronalen Netzes durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird, überträgt der Aktualisierungsteil 52 insbesondere Identifikationsinformationen des Fahrzeugteils nach dem Austausch zu dem Server 2. Falls Identifikationsinformationen des Fahrzeugteils nach dem Austausch von dem Fahrzeug 3 empfangen werden, überträgt der Prozessor 24 des Servers 2 das neue Modell eines neuronalen Netzes, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist, zu dem Fahrzeug 3. Falls das neue Modell eines neuronalen Netzes von dem Server 2 empfangen wird, wendet der Aktualisierungsteil 52 das neue Modell eines neuronalen Netzes auf das Fahrzeug 3 an.
Wie vorstehend erläutert, ist es durch das Aktualisieren des Modells eines neuronalen Netzes gemäß einem Austausch eines Fahrzeugteils möglich, zu verhindern, dass die Prognosegenauigkeit des in dem Fahrzeug 3 verwendeten Modells eines neuronalen Netzes abnimmt, falls ein Fahrzeugteil ersetzt bzw. ausgetauscht wird.
Nachfolgend werden Flussdiagramme von 5 und 6 verwendet, um die vorstehende Steuerung im Detail zu erläutern. 5 ist ein Flussdiagramm, welches eine Steuerroutine einer Verarbeitung zum Aktualisieren eines Modells zeigt. Die vorliegende Steuerroutine wird bei vorbestimmten Laufintervallen durch die ECU 40 des Fahrzeugs 3 wiederholend durchgeführt.
Zunächst beurteilt der Teilinformationserlangungsteil 53, ob ein Austausch-Flag F gleich „1“ ist. Das Austausch-Flag F entspricht einem Flag, welches auf „1“ gesetzt wird, wenn ein Fahrzeugteil ausgetauscht wird. Der Ausgangswert des Austausch-Flags F ist gleich null. Falls bei Schritt S101 beurteilt wird, dass das Austausch-Flag F gleich null ist, schreitet die vorliegende Steuerroutine zu Schritt S102 voran.
Bei Schritt S102 beurteilt der Teilinformationserlangungsteil 53, ob ein Fahrzeugteil mit Bezug auf Eingabedaten des Modells eines neuronalen Netzes durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wurde. Falls beispielsweise ein Ausgangswert des Sensors 32 als Eingabedaten des Modells eines neuronalen Netzes verwendet wird, entspricht der Sensor 32 einem Fahrzeugteil mit Bezug auf Eingabedaten des Modells eines neuronalen Netzes. Falls ferner ein Befehlswert von der ECU 40 zu dem Aktuator 31 als Eingabedaten des Modells eines neuronalen Netzes verwendet wird, entspricht der Aktuator 31 einem Fahrzeugteil mit Bezug auf Eingabedaten des Modells eines neuronalen Netzes. Ferner umfasst ein „Fahrzeugteil mit einer unterschiedlichen Konfiguration“ einen Fahrzeugteil eines anderen Herstellers, mit einer anderen Teilenummer, mit einer anderen Modellnummer usw. als der Fahrzeugteil vor dem Austausch.
Der Teilinformationserlangungsteil 53 liest beispielsweise die Identifikationsinformationen des Fahrzeugteils (Name des Herstellers, Modellnummer, Seriennummer, Herstellungsnummer usw.) aus, um einen Austausch eines Fahrzeugteils zu erfassen. Ferner kann der Teilinformationserlangungsteil 53 eine Ausgabewellenform, eine Betriebsspannung usw. eines Fahrzeugteils erfassen, um einen Austausch eines Fahrzeugteils zu erfassen. Ferner kann ein Arbeiter einen Austausch eines Fahrzeugteils bei einer Eingabevorrichtung (HMI usw.) des Fahrzeugs 3 eingeben, und der Teilinformationserlangungsteil 53 kann einen Austausch eines Fahrzeugteils basierend auf der Eingabe bei der Eingabevorrichtung erfassen.
Falls bei Schritt S102 beurteilt wird, dass kein Fahrzeugteil ausgetauscht wurde, endet die vorliegende Steuerroutine. Falls bei Schritt S102 andererseits beurteilt wird, dass ein Fahrzeugteil ausgetauscht wurde, schreitet die vorliegende Steuerroutine zu Schritt S103 voran. Bei Schritt S103 erlangt der Teilinformationserlangungsteil 53 die Identifikationsinformationen des Fahrzeugteils.
Nachfolgend setzt der Teilinformationserlangungsteil 53 das Austausch-Flag F bei Schritt S104 auf „1“.
Als nächstes überträgt der Aktualisierungsteil 52 bei Schritt S105 die Identifikationsinformationen des Fahrzeugteils nach dem Austausch über das Kommunikationsmodul 33, die Drahtlos-Basisstation 6 und das Kommunikationsnetz 5 zu dem Server 2.
Nach Schritt S105 schreitet die vorliegende Steuerroutine zu Schritt S106 voran. Falls bei Schritt S101 andererseits beurteilt wird, dass das Austausch-Flag F gleich „1“ ist, überspringt die vorliegende Steuerroutine Schritt S102 bis Schritt S105 und schreitet zu Schritt S106 voran.
Bei Schritt S106 beurteilt der Aktualisierungsteil 52, ob dieser von dem Server 2 ein neues Modell eines neuronalen Netzes empfangen hat. Falls beurteilt wird, dass dieser kein neues Modell eines neuronalen Netzes empfangen hat, endet die vorliegende Steuerroutine. Falls andererseits beurteilt wird, dass dieser ein neues Modell eines neuronalen Netzes empfangen hat, schreitet die vorliegende Steuerroutine zu Schritt S107 voran.
Bei Schritt S107 wendet der Aktualisierungsteil 52 das neue Modell eines neuronalen Netzes auf das Fahrzeug 3 an. Mit anderen Worten, der Aktualisierungsteil 52 aktualisiert das in dem Fahrzeug 3 verwendete Modell eines neuronalen Netzes auf das neue Modell eines neuronalen Netzes. Das heißt, die in dem Speicher 42 der ECU 40 oder einer anderen Speichervorrichtung gespeicherten Informationen über das Modell eines neuronalen Netzes werden neu geschrieben.
Nachfolgend setzt der Aktualisierungsteil 52 das Austausch-Flag F bei Schritt S108 auf null. Nach Schritt S108 endet die vorliegende Steuerroutine.
6 ist ein Flussdiagramm, welches eine Steuerroutine für eine Verarbeitung zum Übertragen eines Modells zeigt. Die vorliegende Steuerroutine wird durch den Prozessor 24 des Servers 2 bei vorbestimmten Laufintervallen wiederholend durchgeführt.
Zunächst beurteilt der Prozessor 24 bei Schritt S201, ob dieser Identifikationsinformationen über einen Fahrzeugteil von dem Fahrzeug 3 empfangen hat. Falls beurteilt wird, dass dieser keine Identifikationsinformationen über einen Fahrzeugteil empfangen hat, endet die vorliegende Steuerroutine. Falls andererseits beurteilt wird, dass dieser Identifikationsinformationen über einen Fahrzeugteil empfangen hat, schreitet die vorliegende Steuerroutine zu Schritt S202 voran.
Bei Schritt S202 identifiziert der Prozessor 24 den Fahrzeugteil nach dem Austausch basierend auf den Identifikationsinformationen des Fahrzeugteils und identifiziert das dem Fahrzeugteil nach dem Austausch entsprechende Modell eines neuronalen Netzes. Der Prozessor 24 extrahiert insbesondere ein Modell eines neuronalen Netzes, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist, aus der Mehrzahl von in der Speichervorrichtung 22 des Servers 2 gespeicherten Modellen eines neuronalen Netzes. Bei dem Trainingsdatensatz entsprechend dem Fahrzeugteil nach dem Austausch wird der Ausgabewert des Fahrzeugteils nach dem Austausch, der Befehlswert des Fahrzeugteils nach dem Austausch usw. als einer der Messwerte der Eingabedaten verwendet.
Nachfolgend überträgt der Prozessor 24 bei Schritt S203 das bei Schritt S202 identifizierte neue Modell eines neuronalen Netzes zu dem Fahrzeug 3. Nach Schritt S203 endet die vorliegende Steuerroutine.
Zu beachten ist, dass der Aktualisierungsteil 52 bei Schritt S105 von 5 die Identifikationsinformationen des Fahrzeugteils nach dem Austausch und die Identifikationsinformationen des Fahrzeugs 3 (Fahrzeugbezeichnung, Modell usw.) zu dem Server 2 übertragen kann, und dass der Prozessor 24 des Servers 2 bei Schritt S203 von 6 ein Modell eines neuronalen Netzes entsprechend den Identifikationsinformationen des Fahrzeugteils nach dem Austausch und den Identifikationsinformationen des Fahrzeugs 3 als ein neues Modell eines neuronalen Netzes zu dem Fahrzeug 3 übertragen kann. Dadurch ist es möglich, ein Modell eines neuronalen Netzes auf das Fahrzeug 3 anzuwenden, welches auf die Eigenschaften des Fahrzeugs 3 besser abgestimmt ist, und im Gegenzug ist es möglich, besser zu verhindern, dass die Prognosegenauigkeit des Modells eines neuronalen Netzes abnimmt.
In diesem Fall werden die Identifikationsinformationen des Fahrzeugs 3 im Vorhinein in dem Speicher 42 der ECU 40 gespeichert. Ferner wird bei dem Server 2 im Vorhinein ein Modell eines neuronalen Netzes in der Speichervorrichtung 22 des Servers 2 gespeichert, welches für jeden Fahrzeugtyp geschaffen ist, beispielsweise ein Modell eines neuronalen Netzes, welches unter Verwendung von Trainingsdatensätzen trainiert ist, welche aus Messwerten von Eingabedaten und Ausgabedaten geschaffen werden, die unter Verwendung eines Maschinenprüfstands usw. erlangt werden, welche für jeden der Fahrzeugtypen vorbereitet sind.
Vorstehend wurden bevorzugte Ausführungsformen gemäß der vorliegenden Erfindung erläutert, die vorliegende Erfindung ist jedoch nicht auf diese Ausführungsformen beschränkt und kann im Rahmen des Anspruchswortlauts auf verschiedene Weise korrigiert und geändert werden. Beispielsweise kann das in dem Fahrzeug 3 verwendete Maschinenlernmodell ein anderes Maschinenlernmodell als ein neuronales Netz sein, wie ein Random-Forest, ein K-Nearest-Neighbor-Verfahren, eine Support-Vector-Machine usw.
Bezugszeichenliste

1: Maschinenlernsystem
2: Server
21: Kommunikationsschnittstelle
24: Prozessor
3: Fahrzeug
33: Kommunikationsmodul
40: Elektronische Steuerungseinheit (ECU)
51: Prognoseteil
52: Aktualisierungsteil
53: Teilinformationserlangungsteil

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

JP 2019183698 A [0004]

Claims

Maschinenlernvorrichtung, welche in einem Fahrzeug bereitgestellt ist, aufweisend: einen Prognoseteil, welcher derart konfiguriert ist, dass dieser ein Maschinenlernmodell verwendet, um vorbestimmte Informationen zu prognostizieren; einen Aktualisierungsteil, welcher derart konfiguriert ist, dass dieser das Maschinenlernmodell aktualisiert; und einen Teilinformationserlangungsteil, welcher derart konfiguriert ist, dass dieser einen Austausch eines Fahrzeugteils erfasst und Identifikationsinformationen des Fahrzeugteils nach dem Austausch erlangt, wobei der Aktualisierungsteil derart konfiguriert ist, dass dieser von einem Server ein neues Maschinenlernmodell empfängt, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist, und das neue Maschinenlernmodell auf das Fahrzeug anwendet, falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Maschinenlernmodells durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird.
Maschinenlernvorrichtung nach Anspruch 1, wobei der Aktualisierungsteil derart konfiguriert ist, dass dieser Identifikationsinformationen des Fahrzeugteils nach dem Austausch und Identifikationsinformationen des Fahrzeugs zu dem Server überträgt, und das neue Maschinenlernmodell einem Maschinenlernmodell entsprechend den Identifikationsinformationen des Fahrzeugs entspricht.
Maschinenlernvorrichtung nach Anspruch 1 oder 2, wobei das Maschinenlernmodell ein Modell eines neuronalen Netzes ist.
Maschinenlernsystem mit einem Server und einem Fahrzeug, wobei der Server aufweist: eine erste Kommunikationsvorrichtung, welche mit dem Fahrzeug kommunizieren kann; und eine Steuerungsvorrichtung, das Fahrzeug aufweist: eine zweite Kommunikationsvorrichtung, welche mit dem Server kommunizieren kann; einen Prognoseteil, welcher derart konfiguriert ist, dass dieser ein Maschinenlernmodell verwendet, um vorbestimmte Informationen zu prognostizieren; einen Aktualisierungsteil, welcher derart konfiguriert ist, dass dieser das Maschinenlernmodell aktualisiert; und einen Teilinformationserlangungsteil, welcher derart konfiguriert ist, dass dieser einen Austausch eines Fahrzeugteils erfasst und Identifikationsinformationen des Fahrzeugteils nach dem Austausch erlangt, der Aktualisierungsteil derart konfiguriert ist, dass dieser Identifikationsinformationen des Fahrzeugteils nach dem Austausch zu einem Server überträgt, falls ein Fahrzeugteil mit Bezug auf Eingabedaten des Maschinenlernmodells durch einen Fahrzeugteil mit einer unterschiedlichen Konfiguration ersetzt wird, die Steuerungsvorrichtung derart konfiguriert ist, dass diese ein neues Maschinenlernmodell, welches unter Verwendung von Trainingsdatensätzen entsprechend dem Fahrzeugteil nach dem Austausch trainiert ist, zu dem Fahrzeug überträgt, und der Aktualisierungsteil derart konfiguriert ist, dass dieser das neue Maschinenlernmodell auf das Fahrzeug anwendet.