DE102021118606A1

DE102021118606A1 - Modelllernsystem, Modelllernverfahren und Server

Info

Publication number: DE102021118606A1
Application number: DE102021118606.4A
Authority: DE
Inventors: Daiki Yokoyama; Ryo Nakabayashi
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2020-08-24
Filing date: 2021-07-19
Publication date: 2022-02-24
Also published as: JP6939963B1; US20220058522A1; CN114091681A; JP2022036586A

Abstract

Ein Modelllernsystem umfasst einen Server (1) und eine Mehrzahl von Fahrzeugen (2). Der Server (1) ist derart konfiguriert, dass dieser, wenn ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug (2) aus der Mehrzahl von Fahrzeugen (2) verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, ein Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug (2) aus der Mehrzahl von Fahrzeugen (2) verwendet wird, bei diesem anderen Fahrzeug (2) anweist.

Description

Gebiet
Die vorliegende Erfindung betrifft ein Modelllernsystem, ein Modelllernverfahren und einen Server.
Hintergrund
Die JP 2019-183698 A offenbart die Verwendung eines Lernmodells, welches in einem Server oder einem Fahrzeug trainiert wird, um eine Temperatur eines Abgasreinigungskatalysators einer Verbrennungskraftmaschine abzuschätzen.
Kurzfassung
In der Regel ist ein Gebiet bzw. Bereich, in dem jedes Fahrzeug eingesetzt wird, auf einen bestimmten Umfang beschränkt. Wenn es sich beispielsweise um einen privaten PKW handelt, wird der private Pkw im Wesentlichen in einem Wirkungsbereich des täglichen Lebens seines Besitzers genutzt. Wenn es sich um ein Taxi, einen Bus oder ein anderes Nutzfahrzeug handelt, wird das Nutzfahrzeug im Wesentlichen in dem Dienstleistungsbereich des Unternehmens eingesetzt, welches dieses besitzt. Wenn veranlasst wird, dass ein in jedem Fahrzeug verwendetes Lernmodell lernt, ist es daher durch Durchführen des Lernens unter Verwendung von Trainingsdatensätzen entsprechend den Merkmalen des Nutzungsbereichs jedes Fahrzeugs möglich, ein Lernmodell mit einer hohen Präzision entsprechend den Merkmalen des Nutzungsbereichs jedes Fahrzeugs (beispielsweise dem Gelände oder den Verkehrsbedingungen usw.) zu erzeugen.
Die Merkmale eines Nutzungsbereichs können sich jedoch beispielsweise im Laufe der Zeit aufgrund von Geländeveränderungen, Straßenneubau, einer Stadtsanierung usw. ändern. Aus diesem Grund wird es zur Aufrechterhaltung der Präzision eines in jedem Fahrzeug verwendeten Lernmodells notwendig, das Lernmodell zu einem geeigneten Zeitpunkt, welcher den Änderungen der Merkmale des Nutzungsbereichs entspricht, neu zu trainieren.
In der Vergangenheit war es jedoch nicht möglich, ein Lernmodell zu einem geeigneten Zeitpunkt entsprechend Änderungen in den Merkmalen des Nutzungsbereichs neu zu trainieren.
Die vorliegende Erfindung erfolgte mit Blick auf ein solches Problem, und eine Aufgabe davon liegt darin, ein in einem Fahrzeug verwendetes Lernmodell zu einem geeigneten Zeitpunkt entsprechend Änderungen der Merkmale des Nutzungsbereichs neu zu trainieren.
Um dieses Problem zu lösen, ist das Modelllernsystem gemäß einem Aspekt der vorliegenden Erfindung mit einem Server und einer Mehrzahl von Fahrzeugen, welche derart konfiguriert sind, dass diese mit dem Server kommunizieren können, versehen. Der Server ist derart konfiguriert, dass dieser, wenn ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus einer Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, ein Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, bei diesem anderen Fahrzeug anweist.
Ferner ist der Server gemäß einem Aspekt der vorliegenden Erfindung derart konfiguriert, dass dieser mit einer Mehrzahl von Fahrzeugen kommunizieren kann, und derart konfiguriert, dass dieser, wenn ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus einer Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, ein Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, bei diesem anderen Fahrzeug anweist.
Ferner weist das Modelllernverfahren gemäß einem Aspekt der vorliegenden Erfindung einen Schritt zum Beurteilen, ob ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus einer Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, und einen Schritt zum Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, in diesem anderen Fahrzeug, wenn der Modelldifferenzwert größer oder gleich dem vorbestimmten Wert ist.
Gemäß diesen Aspekten der vorliegenden Erfindung ist es möglich, ein in einem Fahrzeug verwendetes Lernmodell zu einem geeigneten Zeitpunkt entsprechend Änderungen der Merkmale des Nutzungsbereichs neu zu trainieren.
Figurenliste

1 ist eine schematische Ansicht einer Konfiguration eines Modelllernsystems gemäß einer Ausführungsform der vorliegenden Erfindung.
2 ist eine schematische Ansicht, welche eine Hardwarekonfiguration eines Fahrzeugs gemäß einer Ausführungsform der vorliegenden Erfindung zeigt.
3 ist eine Ansicht, welche ein Beispiel für ein Modell eines neuronalen Netzes zeigt.
4 ist ein Flussdiagramm, welches ein Beispiel einer Verarbeitung zeigt, welche zwischen einem Server und einem Fahrzeug aus einer Mehrzahl von Fahrzeugen in einem Modelllernsystem gemäß einer Ausführungsform der vorliegenden Erfindung durchgeführt wird.
5 ist ein Flussdiagramm, welches ein Beispiel einer Verarbeitung zeigt, welche zwischen einem Server und einem anderen Fahrzeug aus einer Mehrzahl von Fahrzeugen in einem Modelllernsystem gemäß einer Ausführungsform der vorliegenden Erfindung durchgeführt wird.

Beschreibung von Ausführungsformen
Nachfolgend wird unter Bezugnahme auf die Abbildungen eine Ausführungsform der vorliegenden Erfindung im Detail erläutert. Zu beachten ist, dass in der folgenden Erläuterung ähnlichen Komponenten die gleichen Bezugszeichen zugewiesen sind.
1 ist eine schematische Ansicht der Konfiguration eines Modelllernsystems 100 gemäß einer Ausführungsform der vorliegenden Erfindung.
Wie in 1 dargestellt, weist das Modelllernsystem 100 einen Server 1 und eine Mehrzahl von Fahrzeugen 2 auf.
Der Server 1 ist mit einem Serverkommunikationsteil 11, einem Serverspeicherteil 12 und einem Serververarbeitungsteil 13 versehen.
Der Serverkommunikationsteil 11 entspricht einer Kommunikationsschnittstellenschaltung zum Verbinden des Servers 1 mit einem Netzwerk 3, beispielsweise über ein Gateway usw., und ist derart konfiguriert, dass dieser eine Zwei-Wege-Kommunikation mit den Fahrzeugen 2 ermöglicht.
Der Serverspeicherteil 12 besitzt ein HDD (Festplattenlaufwerk) oder ein optisches Aufzeichnungsmedium, einen Halbleiterspeicher oder ein anderes Speichermedium, und speichert die verschiedenen Arten von Computerprogrammen und Daten usw., welche zur Verarbeitung bei dem Serververarbeitungsteil 13 verwendet werden.
Der Serververarbeitungsteil 13 besitzt einen oder mehrere Prozessoren und deren Peripherieschaltungen. Der Serververarbeitungsteil 13 führt verschiedene Arten von Computerprogrammen aus, die im Serverspeicherteil 12 gespeichert sind, und steuert den Gesamtbetrieb des Servers 1 umfassend und entspricht beispielsweise einer CPU (zentrale Verarbeitungseinheit).
2 ist eine schematische Ansicht, welche eine Hardwarekonfiguration des Fahrzeugs 2 zeigt.
Das Fahrzeug 2 ist mit einer elektronischen Steuerungseinheit 20, einer externen Fahrzeugkommunikationsvorrichtung 24, beispielsweise einer Verbrennungskraftmaschine oder einem Elektromotor, Aktuatoren bzw. Stellgliedern oder verschiedenen anderen Arten von gesteuerten Teilen 25 und verschiedenen Arten von Sensoren 26, welche zur Steuerung der verschiedenen Arten von gesteuerten Teilen 25 erforderlich sind, versehen. Die elektronische Steuerungseinheit 20, die externe Fahrzeugkommunikationsvorrichtung 24 und die verschiedenen Arten von gesteuerten Teilen 25 und Sensoren 26 sind über ein internes Fahrzeugnetzwerk 27 verbunden, das auf CAN (Controller-Area-Network) oder einem anderen Standard basiert.
Die elektronische Steuerungseinheit 20 ist mit einer internen Fahrzeugkommunikationsschnittstelle 21, einem Fahrzeugspeicherteil 22 und einem Fahrzeugverarbeitungsteil 23 versehen. Die interne Fahrzeugkommunikationsschnittstelle 21, der Fahrzeugspeicherteil 22 und der Fahrzeugverarbeitungsteil 23 sind über Signaldrähte miteinander verbunden.
Die interne Fahrzeugkommunikationsschnittstelle 21 entspricht einer Kommunikationsschnittstellenschaltung zum Verbinden der elektronischen Steuerungseinheit 20 mit dem internen Fahrzeugnetzwerk 27 auf der Basis von CAN (Controller-Area-Network) oder eines anderen Standards.
Der Fahrzeugspeicherteil 22 besitzt ein HDD (Festplattenlaufwerk) oder ein optisches Aufzeichnungsmedium, einen Halbleiterspeicher oder ein anderes Speichermedium und speichert die verschiedenen Arten von Computerprogrammen und Daten usw., welche zur Verarbeitung bei dem Fahrzeugverarbeitungsteil 23 verwendet werden.
Der Fahrzeugverarbeitungsteil 23 besitzt einen oder mehrere Prozessoren und deren Peripherieschaltungen. Der Fahrzeugverarbeitungsteil 23 führt verschiedene Arten von Computerprogrammen aus, die in dem Fahrzeugspeicherteil 22 gespeichert sind, steuert die verschiedenen Arten von gesteuerten Teilen, die in dem Fahrzeug 2 montiert sind, umfassend und entspricht beispielsweise einer CPU.
Die externe Fahrzeugkommunikationsvorrichtung 24 entspricht einem am Fahrzeug montierten Endgerät mit einer Drahtloskommunikationsfunktion. Die externe Fahrzeugkommunikationsvorrichtung 24 greift auf eine Drahtlos-Basisstation 4 (siehe 1) zu, welche mit dem Netzwerk 3 (siehe 1) über ein nicht dargestelltes Gateway usw. verbunden ist, und ist über die Drahtlos-Basisstation 4 mit dem Netzwerk 3 verbunden. Auf diese Art und Weise wird eine Zwei-Wege-Kommunikation mit dem Server 1 durchgeführt.
In jedem Fahrzeug 2 wird bei der Steuerung der verschiedenen Arten von gesteuerten Teilen 25, welche im Fahrzeug 2 montiert sind, je nach Bedarf beispielsweise ein Lernmodell, welches sich mit maschinellem Lernen oder einem anderen Lernen (Modell künstlicher Intelligenz) beschäftigt, verwendet. In der vorliegenden Ausführungsform wird als das Lernmodell ein Modell eines neuronalen Netzes unter Verwendung eines tiefen neuronalen Netzes (DNN), eines faltenden neuronalen Netzes (CNN), usw. (im Folgenden als „NN-Modell“ bezeichnet) für ein tiefes Lernen des NN-Modells verwendet. Daher kann das Lernmodell gemäß der vorliegenden Ausführungsform als ein trainiertes NN-Modell bezeichnet werden, welches durch Deep-Learning bzw. tiefes Lernen trainiert wurde. Tiefes Lernen ist eine Art des maschinellen Lernens, wie durch künstliche Intelligenz (KI) dargestellt.
3 ist eine Ansicht, welche ein Beispiel des NN-Modells zeigt.
Die kreisförmigen Markierungen in 3 stellen künstliche Neuronen dar. Die künstlichen Neuronen werden üblicherweise als „Knoten“ oder „Einheiten“ bezeichnet (in der Beschreibung werden diese als „Knoten“ bezeichnet). In 3 bezeichnet L=1 eine Eingabeschicht, L=2 und L=3 bezeichnen versteckte bzw. verborgene Schichten und L=4 bezeichnet eine Ausgabeschicht. Die verborgenen Schichten werden auch als „Zwischenschichten“ bezeichnet. Zu beachten ist, dass 3 ein NN-Modell mit zwei verborgenen Schichten darstellt, die Anzahl der verborgenen Schichten ist jedoch nicht in besonderer Weise beschränkt. Ferner ist die Anzahl von Knoten der Schichten der Eingabeschicht, der verborgenen Schichten und der Ausgabeschicht ebenfalls nicht in besonderer Weise beschränkt.
In 3 zeigen x₁ und x₂ die Knoten der Eingabeschicht (L=1) und Ausgabewerte von den Knoten, während „y“ den Knoten der Ausgabeschicht (L=4) und seine Ausgabewerte zeigt. Gleichermaßen zeigen z₁ ^(L=2), z₂ ^(L=2) und z₃ ^(L=2) Knoten der verborgenen Schicht (L=2) und Ausgabewerte von den Knoten, während z₁ ^(L-3) und z₂ ^(L=3) Knoten der verborgenen Schicht (L=3) und Ausgabewerte von den Knoten zeigen.
An den Knoten der Eingabeschicht werden die 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, während an den Knoten der verborgenen Schicht (L=2) die entsprechenden Gewichte „w“ und Verzerrungen bzw. Bias „b“ verwendet werden, um Summeneingabewerte „u“ zu berechnen. Beispielsweise wird in 3 ein Summeneingabewert u_k ^(L=2), welcher an dem durch z_k ^(L=2) (k=1, 2, 3) gezeigten Knoten der verborgenen Schicht (L=2) berechnet wird, 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 wird dieser Summeneingabewert u_k ^(L=2) durch eine Aktivierungsfunktion „f“ umgewandelt und als der Ausgabewert z_k ^(L=2) (=f(u_k ^(L=2))) von dem durch z_k ^(L=2) gezeigten Knoten der verborgenen Schicht (L=2) ausgegeben. Andererseits empfangen die Knoten der verborgenen Schicht (L=3) eine Eingabe der 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 jeweils entsprechenden Gewichte „w“ und Verzerrungen „b“ verwendet, um die Summeneingabewerte u (=Σz·w+b) zu berechnen. Die Summeneingabewerte „u“ werden gleichermaßen durch eine Aktivierungsfunktion umgewandelt und von den Knoten der verborgenen Schicht (L=3) als die Ausgabewerte z₁ ^(L=3) und z₂ ^(L=3) ausgegeben. Die Aktivierungsfunktion ist beispielsweise eine Sigmoidfunktion σ.
Ferner werden an dem Knoten der Ausgabeschicht (L=4) die Ausgabewerte z₁ ^(L=3) und z₂ ^(L=3) der Knoten der verborgenen Schicht (L=3) eingegeben. Am Knoten der Ausgabeschicht werden die jeweils entsprechenden Gewichte „w“ und Verzerrungen „b“ verwendet, um den Summeneingabewert u (∑z·w+b) zu berechnen, oder es werden nur die jeweils entsprechenden Gewichte „w“ verwendet, um den Summeneingabewert u (∑z·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 Summeneingabewert „u“ so wie dieser ist als der Ausgabewert „y“ vom Knoten der Ausgabeschicht ausgegeben.
Auf diese Art und Weise ist das NN-Modell mit einer Eingabeschicht, verborgenen Schichten und einer Ausgabeschicht versehen. Falls ein oder mehrere Eingabeparameter von der Eingabeschicht eingegeben werden, werden ein oder mehrere Ausgabeparameter entsprechend den Eingabeparametern von der Ausgabeschicht ausgegeben.
Als Beispiele für die Eingabeparameter können beispielsweise bei Verwendung des NN-Modells zur Steuerung der im Fahrzeug 2 montierten Verbrennungskraftmaschine die aktuellen Werte verschiedener Parameter, welche den Betriebszustand der Verbrennungskraftmaschine zeigen, wie die Maschinendrehzahl oder die Maschinenkühlwassertemperatur, die Kraftstoffeinspritzmenge, der Kraftstoffeinspritzzeitpunkt, der Kraftstoffdruck, die Ansaugluftmenge, die Ansaugtemperatur, die AGR-Rate und der Ladedruck, erwähnt werden. Ferner können als Beispiele der Ausgabeparameter, welche solchen Eingabeparametern entsprechen, geschätzte Werte verschiedener Parameter erwähnt werden, welche die Leistung der Verbrennungskraftmaschine zeigen, wie beispielsweise die NOx-Konzentration im Abgas oder die Konzentration anderer Stoffe und das Ausgangsdrehmoment der Maschine. Indem die aktuellen Werte verschiedener Parameter, welche den Betriebszustand der Verbrennungskraftmaschine zeigen, als Eingabeparameter in das NN-Modell eingegeben werden, ist es aufgrund dessen möglich, als Ausgabeparameter die geschätzten Werte verschiedener Parameter (aktuelle geschätzte Werte und zukünftige geschätzte Werte) zu erlangen, welche die Leistung der Verbrennungskraftmaschine darstellen, so dass es beispielsweise möglich ist, die Verbrennungskraftmaschine auf der Grundlage der Ausgabeparameter so zu steuern, dass sich die Leistung der Verbrennungskraftmaschine der gewünschten Leistung nähert. Falls Sensoren usw. zur Messung der Ausgabeparameter bereitgestellt werden, ist es ferner möglich, eine Fehlfunktion der Sensoren usw. entsprechend der Differenz zwischen den gemessenen Werten und den geschätzten Werten zu beurteilen.
Um die Genauigkeit des NN-Modells zu verbessern, ist es notwendig, das NN-Modell lernen zu lassen. Zum Lernen des NN-Modells wird eine große Anzahl von Trainingsdatensätzen verwendet, welche gemessene Werte bzw. Messwerte der Eingabeparameter und Messwerte (Wahrheitsdaten) der Ausgabeparameter entsprechend den Messwerten der Eingabeparameter umfassen. Unter Verwendung der großen Anzahl von Trainingsdatensätzen und unter Verwendung des bekannten Fehler-Backpropagation-Verfahrens zur wiederholten Aktualisierung der Werte der Gewichte „w“ und der Verzerrungen „b“ innerhalb des neuronalen Netzes werden die Werte „w“ und die Verzerrungen „b“ erlernt und ein Lernmodell (trainiertes NN-Modell) wird erzeugt.
Hier ist in der Regel der Bereich, in dem jedes Fahrzeug eingesetzt wird, auf einen bestimmten Umfang beschränkt. Wenn es sich beispielsweise um einen privaten PKW handelt, wird der private Pkw im Wesentlichen in einem Wirkungsbereich des täglichen Lebens seines Besitzers genutzt. Wenn es sich um ein Taxi, einen Bus oder ein anderes Nutzfahrzeug handelt, wird das Nutzfahrzeug im Wesentlichen in dem Dienstleistungsbereich eines Unternehmens eingesetzt, welches dieses besitzt. Wenn veranlasst wird, dass ein in jedem Fahrzeug verwendetes NN-Modell lernt (dieses neu erlernt wird), ist es daher durch Durchführen des Lernens unter Verwendung von Trainingsdatensätzen entsprechend den Merkmalen des Nutzungsbereichs jedes Fahrzeugs (beispielsweise dem Gelände oder den Verkehrsbedingungen usw.) möglich, ein Lernmodell mit einer hohen Präzision gemäß den Merkmalen des Nutzungsbereichs jedes Fahrzeugs zu erzeugen.
Die Merkmale eines Nutzungsbereichs können sich jedoch beispielsweise im Laufe der Zeit aufgrund von Geländeveränderungen, Straßenneubau, einer Stadtsanierung usw. ändern. Um die Präzision bzw. Genauigkeit des in jedem Fahrzeug verwendeten Lernmodells aufrechtzuerhalten, wird es daher notwendig, das Lernmodell zu einem geeigneten Zeitpunkt entsprechend Änderungen der Merkmale des Nutzungsbereichs neu bzw. erneut zu trainieren.
In der Vergangenheit war es jedoch nicht möglich, zu veranlassen, dass das Neulernen eines Lernmodells zu einem geeigneten Zeitpunkt entsprechend Änderungen der Merkmale des Nutzungsbereichs durchgeführt wird. Folglich wurde ein Lernmodell vor den Änderungen der Merkmale des Nutzungsbereichs weiterhin verwendet, und es bestand die Gefahr, dass ein Lernmodell mit geringerer Präzision zur Steuerung der verschiedenen Arten von in den Fahrzeugen 2 montierten gesteuerten Teilen 25 verwendet wurde.
Daher werden in der vorliegenden Ausführungsform, wenn bei einem Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2 die innerhalb einer vorbestimmten Zeitspanne in einem vorbestimmten Bereich erlangten Trainingsdatensätze größer oder gleich einer vorbestimmten Menge werden, die Trainingsdatensätze verwendet, um das in dem einen Fahrzeug 2 verwendete NN-Modell neu zu trainieren, das NN-Modell vor dem Neulernen und das NN-Modell nach dem Neulernen werden verglichen und die Differenz zwischen den beiden wird zu einem numerischen Wert als der „Modelldifferenzwert“ gemacht. Der Modelldifferenzwert entspricht einem Parameter, welcher umso größer wird, je größer die Differenz zwischen dem NN-Modell vor dem Neulernen und dem NN-Modell nach dem Neulernen ist. Beispielsweise ist es möglich, voreingestellte Differenz-Erfassungsnutzungs-Eingabeparameter bei den NN-Modellen vor und nach dem Neulernen einzugeben und den Differenzwert der von den NN-Modellen erhaltenen Ausgabeparametern zu dieser Zeit zu nutzen.
Falls der Modelldifferenzwert größer oder gleich einem vorbestimmten Wert ist, wird ferner beurteilt, dass sich die Merkmale in dem vorbestimmten Bereich, in welchem die Trainingsdatensätze erlangt wurden (das heißt, Nutzungsbereich eines Fahrzeugs 2), verändern, und andere Fahrzeuge 2 aus der Mehrzahl von Fahrzeugen 2, welche hauptsächlich in dem vorbestimmten Bereich verwendet werden, werden angewiesen, deren NN-Modelle neu zu trainieren.
Dadurch ausgelöst, dass der Modelldifferenzwert vor und nach dem Lernen des NN-Modells in einem Fahrzeug 2 aus einer Mehrzahl von Fahrzeugen 2 größer oder gleich einem vorbestimmten Wert wird, ist es somit möglich, ein Neulernen der Lernmodelle bei anderen Fahrzeugen 2 anzuweisen, welche in dem gleichen Bereich wie der Nutzungsbereich des einen Fahrzeugs 2 eingesetzt werden. Aus diesem Grund kann veranlasst werden, dass die in den Fahrzeugen 2 verwendeten Lernmodelle gemäß Änderungen der Merkmale des Nutzungsbereichs zu geeigneten Zeitpunkten neu trainiert werden.
4 ist ein Flussdiagramm, welches ein Beispiel der Verarbeitung zeigt, die zwischen dem Server 1 und einem Fahrzeug 2 aus einer Mehrzahl von Fahrzeugen 2 in dem Modelllernsystem gemäß der vorliegenden Ausführungsform durchgeführt wird.
Bei Schritt S1 beurteilt die elektronische Steuerungseinheit 20 des Fahrzeugs 2, ob Neulern-Bedingungen eines NN-Modells eines Host-Fahrzeugs vorliegen. In der vorliegenden Ausführungsform beurteilt die elektronische Steuerungseinheit 20, ob Trainingsdatensätze, welche innerhalb einer vorbestimmten Zeitdauer in einem vorbestimmten Bereich erlangt werden, größer oder gleich einer vorbestimmten Menge geworden sind. Falls die innerhalb der vorbestimmten Zeitdauer in dem vorbestimmten Bereich erlangten Trainingsdatensätze größer oder gleich der vorbestimmten Menge werden, schreitet die elektronische Steuerungseinheit 20 zu der Verarbeitung von Schritt S2 voran. Falls die innerhalb der vorbestimmten Zeitdauer in dem vorbestimmten Bereich erlangten Trainingsdatensätze andererseits nicht größer oder gleich der vorbestimmten Menge werden, beendet die elektronische Steuerungseinheit 20 die aktuelle Verarbeitung.
Da grundsätzlich eine bestimmte Zeitdauer erforderlich ist, bis sich die Merkmale eines vorbestimmten Bereichs aufgrund von Geländeveränderungen, Straßenneubau, einer Stadtsanierung usw. ändern, ist zu beachten, dass die vorbestimmte Zeitdauer zu einer Zeitdauer gemacht wird, welche kürzer als eine solche Zeitdauer ist, das heißt, diese ist zu einer Zeitdauer gemacht bzw. auf eine Zeitdauer festgelegt, in welcher davon ausgegangen wird, dass sich die Merkmale des vorbestimmten Bereichs nicht stark verändern. Diese kann beispielsweise auf die letzten paar Wochen oder paar Monaten festgelegt werden.
Falls es sich bei dem Fahrzeug 2 um einen privaten PKW handelt, kann der vorbestimmte Bereich ferner beispielsweise als das Innere des Wirkungsbereichs des täglichen Lebens des Besitzers des privaten PKWs festgelegt werden, was anhand des bisherigen Fahrverlaufs beurteilt wird. Handelt es sich bei dem Fahrzeug 2 beispielsweise um ein Nutzfahrzeug, so kann dieser als der Dienstleistungsbereich des Unternehmens, welches das Nutzfahrzeug besitzt, festgelegt werden. Ferner kann der vorbestimmte Bereich unabhängig von der Art des Fahrzeugs als ein voreingestellter bestimmter Bereich (beispielsweise ein Abschnitt bei der Unterteilung des gesamten Landes in Abschnitte von mehreren Quadratkilometern) festgelegt werden.
In der vorliegenden Ausführungsform erlangt die elektronische Steuerungseinheit 20 des Fahrzeugs 2 ferner von Zeit zu Zeit Trainingsdatensätze, während das Fahrzeug gefahren wird (Messwerte von Eingabeparametern und Messwerte von Ausgabeparametern eines NN-Modells), und speichert die erlangten Trainingsdatensätze in dem Fahrzeugspeicherteil 22 verknüpft mit den Erlangungszeitpunkten und Erlangungsorten. Falls in der vorliegenden Ausführungsform die Menge an Daten der gespeicherten Trainingsdatensätze eine bestimmte Menge überschreitet, verwirft die elektronische Steuerungseinheit 20 des Fahrzeugs 2 ferner automatisch die Trainingsdatensätze in der Reihenfolge ausgehend von den ältesten.
Bei Schritt S2 trainiert die elektronische Steuerungseinheit 20 des Fahrzeugs 2 das in dem Host-Fahrzeug verwendete NN-Modell unter Verwendung von Trainingsdatensätzen neu, welche innerhalb der vorbestimmten Zeitdauer in dem vorbestimmten Bereich erlangt werden.
Bei Schritt S3 vergleicht die elektronische Steuerungseinheit 20 des Fahrzeugs 2 das NN-Modell vor dem Neulernen und das NN-Modell nach dem Neulemen, um den Modelldifferenzwert zu berechnen.
Wie vorstehend erläutert, gibt die elektronische Steuerungseinheit 20 in der vorliegenden Ausführungsform einen voreingestellten Eingabeparameter zur Erfassung von Differenzen in die NN-Modelle vor und nach dem Neulernen ein und berechnet den Differenzwert der von den NN-Modellen erhaltenen Ausgabeparametern zu dieser Zeit als den „Modelldifferenzwert“. Die Erfindung ist auf eine solche Methode jedoch nicht beschränkt. Es ist beispielsweise ebenso möglich, eine Mehrzahl von Eingabeparametern zur Erfassung von Differenzen in die NN-Modelle vor und nach dem Neulernen einzugeben und den Mittelwert der Differenzwerte der zu dieser Zeit erhaltenen Ausgabeparameter als den Modelldifferenzwert zu verwenden, oder den Modelldifferenzwert andererseits basierend auf den Differenzwerten der Mehrzahl von Ausgabeparametern zu berechnen. Ferner ist es ebenso möglich, den Differenzwert der Gewichte „w“ oder Verzerrungen „b“ der Knoten der NN-Modelle vor und nach dem Neulernen als den Modelldifferenzwert festzulegen, und es ist möglich, den Modelldifferenzwert basierend auf dem Differenzwert der Gewichte „w“ oder Verzerrungen „b“ der Knoten, wie einem Mittelwert der Differenzwerte der Gewichte „w“ oder Verzerrungen „b“ der Knoten, zu berechnen.
Bei Schritt S4 beurteilt die elektronische Steuerungseinheit 20 des Fahrzeugs 2, ob der Modelldifferenzwert größer oder gleich einem vorbestimmten Wert ist. Falls der Modelldifferenzwert größer oder gleich dem vorbestimmten Wert ist, schreitet die elektronische Steuerungseinheit 20 zu der Verarbeitung von Schritt S5 voran. Falls der Modelldifferenzwert andererseits kleiner als der vorbestimmte Wert ist, beendet die elektronische Steuerungseinheit 20 die aktuelle Verarbeitung.
Bei Schritt S5 stellt die elektronische Steuerungseinheit 20 des Fahrzeugs 2 einen vorbestimmten Bereich, in welchem der Modelldifferenzwert der NN-Modelle vor und nach dem Neulernen größer oder gleich dem vorbestimmten Wert wird (Bereich, in dem die zum Neulernen verwendeten Trainingsdatensätze erlangt werden), als einen „empfohlenen Neulernbereich“ ein, und sendet Informationen über den empfohlenen Neulembereich einschließlich Positionsinformationen zum Identifizieren des empfohlenen Neulernbereichs usw. zu dem Server 1.
Bei Schritt S6 speichert der Server 1, welcher die Informationen über den empfohlenen Neulernbereich empfängt, den empfohlenen Neulernbereich in der Datenbank des Serverspeicherteils 12.
5 ist ein Flussdiagramm, welches ein Beispiel einer Verarbeitung zeigt, die zwischen dem Server 1 und einem anderen Fahrzeug 2 aus der Mehrzahl von Fahrzeugen bei dem Modelllernsystem gemäß der vorliegenden Ausführungsform durchgeführt wird.
Bei Schritt S11 sendet die elektronische Steuerungseinheit 20 des Fahrzeugs 2 periodisch Fahrzeuginformationen einschließlich aktueller Positionsinformationen des Fahrzeugs 2 (beispielsweise der Längen- und Breitengrad des Fahrzeugs 2) und Identifikationsinformationen (beispielsweise das Kennzeichen des Fahrzeugs 2) zu dem Server 1.
Bei Schritt S12 beurteilt der Server 1, ob dieser die Fahrzeuginformationen empfangen hat. Falls die Fahrzeuginformationen empfangen werden, schreitet der Server 1 zu der Verarbeitung von Schritt S13 voran. Falls die Fahrzeuginformationen andererseits nicht empfangen werden, beendet der Server 1 die aktuelle Verarbeitung.
Bei Schritt S13 nimmt der Server 1 auf die Datenbank Bezug, welche den empfohlenen Neulernbereich speichert, und beurteilt basierend auf den in den Fahrzeuginformationen umfassten aktuellen Positionsinformationen, ob ein anderes Fahrzeug 2, welches diese Fahrzeuginformationen sendet (nachstehend als das „sendende Fahrzeug“ bezeichnet), durch den empfohlenen Neulernbereich fährt. Falls das sendende Fahrzeug 2 durch den empfohlenen Neulernbereich fährt, schreitet der Server 1 zu der Verarbeitung von Schritt S14 voran. Falls das sendende Fahrzeug 2 andererseits nicht durch den empfohlenen Neulernbereich fährt, schreitet der Server 1 zu der Verarbeitung von Schritt S15 voran.
Bei Schritt S14 bereitet der Server 1 Antwortdaten einschließlich der Informationen über den empfohlenen Neulernbereich und einer Neulern-Anweisung vor.
Bei Schritt S15 bereitet der Server 1 Antwortdaten vor, welche keine Neulern-Anweisung umfassen.
Bei Schritt S16 sendet der Server 1 die Antwortdaten zu dem sendenden Fahrzeug 2. Wenn ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach dem Lernen eines Lernmodells, das in einem Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2 verwendet und basierend auf Trainingsdatensätzen trainiert wird, welche innerhalb des vorbestimmten Bereichs erlangt werden, größer oder gleich dem vorbestimmten Wert ist, sendet der Server 1 auf diese Art und Weise Antwortdaten einschließlich der Informationen über den empfohlenen Neulernbereich und einer Neulern-Anweisung zu einem anderen Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2, welches sich in diesem vorbestimmten Bereich befindet, und weist ein Neulernen des Lernmodells an.
Bei Schritt S17 beurteilt die elektronische Steuerungseinheit 20 des sendenden Fahrzeugs 2, ob die empfangenen Antwortdaten eine Neulern-Anweisung umfassen. Falls die Antwortdaten eine Neulern-Anweisung umfassen, schreitet die elektronische Steuerungseinheit 20 zu der Verarbeitung von Schritt S18 voran. Falls die empfangenen Antwortdaten andererseits keine Neulern-Anweisung umfassen, beendet die elektronische Steuerungseinheit 20 die aktuelle Verarbeitung.
Bei Schritt S18 beurteilt die elektronische Steuerungseinheit 20 des sendenden Fahrzeugs 2 basierend auf den in den Antwortdaten enthaltenen Informationen über den empfohlenen Neulernbereich, ob der Hauptnutzungsbereich des Host-Fahrzeugs einem empfohlenen Neulernbereich entspricht. Der Hauptnutzungsbereich des Host-Fahrzeugs kann ebenfalls aus dem vergangenen Fahrverlauf des Host-Fahrzeugs beurteilt werden oder im Vorhinein durch den Besitzer usw. eingestellt werden. Falls der Hauptnutzungsbereich des Host-Fahrzeugs einem empfohlenen Neulernbereich entspricht, schreitet die elektronische Steuerungseinheit 20 zu der Verarbeitung von Schritt S19 voran. Falls der Hauptnutzungsbereich des Host-Fahrzeugs andererseits keinem empfohlenen Neulembereich entspricht, beendet die elektronische Steuerungseinheit 20 die aktuelle Verarbeitung.
Bei Schritt S19 trainiert die elektronische Steuerungseinheit 20 des sendenden Fahrzeugs 2 das NN-Modell des Host-Fahrzeugs basierend auf der Neulern-Anweisung unter Verwendung der in dem Fahrzeugspeicherteil 22 gespeicherten jüngsten vorbestimmten Menge an Trainingsdatensätzen, welche in dem Nutzungsbereich erlangt wurden, während das Fahrzeug gefahren wurde (empfohlener Neulernbereich). Zu beachten ist, dass es bei dem Neulernen des NN-Modells des sendenden Fahrzeugs (anderes Fahrzeug) ebenso möglich ist, die notwendigen Trainingsdatensätze von dem Server 1 zu empfangen.
Das Modelllernsystem 100 gemäß der vorstehend erläuterten Ausführungsform ist mit dem Server 1 und einer Mehrzahl von Fahrzeugen 2, welche derart konfiguriert sind, dass diese mit dem Server 1 kommunizieren können, versehen. Ferner ist der Server 1 derart konfiguriert, dass dieser, wenn ein Modelldifferenzwert, der einen Grad einer Differenz vor und nach dem Lernen eines Lernmodells zeigt, welches in einem Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2 verwendet wird und basierend auf Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, ein Neulernen eines Lernmodells, welches in einem anderen Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2 verwendet wird, das sich in diesem vorbestimmten Bereich befindet, bei diesem anderen Fahrzeug anweist.
Ausgelöst dadurch, dass der Modelldifferenzwert vor und nach dem Lernen des in einem Fahrzeug 2 aus einer Mehrzahl von Fahrzeugen 2 verwendeten Lernmodells größer oder gleich einem vorbestimmten Wert wird, ist es somit möglich, ein Neulernen des Lernmodells bei einem sich in einem vorbestimmten Bereich (beispielsweise innerhalb eines Nutzungsbereichs des Fahrzeugs 2) befindlichen anderen Fahrzeug 2 anzuweisen. Es wird angenommen, dass der Modelldifferenzwert größer wird, da die Änderung im Inhalt des NN-Modells umso größer ist, je stärker sich die Merkmale in dem vorbestimmten Bereich ändern (je stärker sich die Merkmale der in dem vorbestimmten Bereich erlangten Trainingsdatensätze ändern). Aus diesem Grund kann das in jedem Fahrzeug 2 verwendete Lernmodell gemäß einer Änderung der Merkmale des vorbestimmten Bereichs zu einem geeigneten Zeitpunkt neu trainiert werden.
Zu beachten ist, dass der Modelldifferenzwert beispielsweise als ein Differenzwert von Ausgabeparametern, welche von den Lernmodellen vor und nach dem Lernen ausgegeben werden, wenn vorbestimmte Eingabeparameter bei den Lernmodellen eingegeben werden, oder als ein Wert, welcher basierend auf Differenzwerten der Ausgabeparameter berechnet wird (beispielsweise der Mittelwert usw.), festgelegt werden kann. Ferner ist die Erfindung nicht darauf beschränkt. Dieser kann als der Differenzwert der Gewichte oder Verzerrungen der Knoten der Lernmodelle vor und nach dem Lernen oder als ein Wert, welcher basierend auf den Differenzwerten der Gewichte oder Verzerrungen der Knoten berechnet wird (beispielsweise der Mittelwert usw.), festgelegt werden.
Ferner ist in der vorliegenden Ausführungsform ein Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2 derart konfiguriert, dass dieses das Lernmodell trainiert und einen Modelldifferenzwert berechnet, wenn die innerhalb einer vorbestimmten Zeitdauer in einem vorbestimmten Bereich erlangten Trainingsdatensätze größer oder gleich einer vorbestimmten Menge werden, und Informationen entsprechend dem Berechnungsergebnis (Informationen über einen empfohlenen Neulernbereich) zu dem Server 1 sendet.
Aufgrund dessen ist es bei einem Fahrzeug 2 aus der Mehrzahl von Fahrzeugen 2 möglich, das Lernmodell periodisch neu zu trainieren, um den Modelldifferenzwert zu berechnen, so dass es möglich ist, eine Änderung der Merkmale in einem vorbestimmten Bereich periodisch zu beurteilen, und es ist möglich, periodisch zu beurteilen, ob ein anderes Fahrzeug 2 angewiesen wurde, das Lernmodell neu zu trainieren. Zu beachten ist, dass dieses eine Fahrzeug 2 auch einem spezifischen einzelnen Fahrzeug aus einer Mehrzahl von Fahrzeugen 2, einer spezifischen Mehrzahl von Fahrzeugen oder sämtlichen Fahrzeugen entsprechen kann.
Ferner ist die vorliegende Ausführungsform derart konfiguriert, dass diese bei einer Anweisung eines anderen Fahrzeugs 2 aus der Mehrzahl von Fahrzeugen 2 zum neu Trainieren des Lernmodells von dem Server 1 das in dem anderen Fahrzeug 2 verwendete Lernmodell neu trainiert, falls der Nutzungsbereich des anderen Fahrzeugs 2 innerhalb eines vorbestimmten Bereichs liegt.
Daher ist es möglich, zu verhindern, dass das in dem anderen Fahrzeug 2 verwendete Lernmodell unnötig neu trainiert wird, wenn der Nutzungsbereich des anderen Fahrzeugs 2 einem Bereich entspricht, der sich nicht auf einen vorbestimmten Bereich bezieht.
Zu beachten ist, dass in der vorliegenden Ausführungsform bei Betrachtung der vorliegenden Ausführungsform aus einer anderen Perspektive die zwischen dem Server 1 und der Mehrzahl von Fahrzeugen 2 durchgeführte Verarbeitung als ein Modelllernverfahren verstanden werden kann, welches einen Schritt des Beurteilens, ob ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach dem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus einer Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erfasst werden, größer als oder gleich einem vorbestimmten Wert ist, und einen Schritt des Neulernens eines Lernmodells, das in einem anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, welches sich in diesem vorbestimmten Bereich befindet, in diesem anderen Fahrzeug, wenn der Modelldifferenzwert größer als oder gleich dem vorbestimmten Wert ist, aufweist.
Vorstehend wurden Ausführungsformen der vorliegenden Erfindung erläutert, die vorstehenden Ausführungsformen zeigen jedoch nur einige Beispiele für die Anwendung der vorliegenden Erfindung und sollen den technischen Schutzumfang der vorliegenden Erfindung nicht auf die spezifischen Ausgestaltungen der vorstehenden Ausführungsformen beschränken.
Beispielsweise wurde in den vorstehenden Ausführungsformen das NN-Modell-Neulernen oder die Berechnung des Modelldifferenzwerts in jedem Fahrzeug 2 durchgeführt, die für das Neulernen oder die Berechnung des Modelldifferenzwerts erforderlichen Daten können jedoch auch in geeigneter Weise zu dem Server 1 übertragen werden, und das NN-Modell-Neulemen oder die Berechnung des Modelldifferenzwerts kann im Server 1 durchgeführt werden.
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 [0002]

Claims

Modelllernsystem mit einem Server und einer Mehrzahl von Fahrzeugen, welche derart konfiguriert sind, dass diese mit dem Server kommunizieren können, wobei in dem Modelllernsystem der Server derart konfiguriert ist, dass dieser, wenn ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, ein Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, bei diesem anderen Fahrzeug anweist.
Modelllernsystem nach Anspruch 1, wobei der Modelldifferenzwert einem Differenzwert von Ausgabeparametern, welche von den Lernmodellen vor und nach dem Lernen ausgegeben werden, wenn ein vorbestimmter Eingabewert in die Lernmodelle vor und nach dem Lernen eingegeben wird, oder einem basierend auf dem Differenzwert berechneten Wert entspricht.
Modelllernsystem nach Anspruch 1, wobei der Modelldifferenzwert einem Differenzwert von Gewichten und Verzerrungen von Knoten der Lernmodelle vor und nach dem Lernen oder einem basierend auf dem Differenzwert berechneten Wert entspricht.
Modelllernsystem nach einem der Ansprüche 1 bis 3, wobei das eine Fahrzeug derart konfiguriert ist, dass dieses, wenn die innerhalb einer vorbestimmten Zeitdauer in einem vorbestimmten Bereich erlangten Trainingsdatensätze größer oder gleich einer vorbestimmten Menge sind, das Lernmodell trainiert, um den Modelldifferenzwert zu berechnen, und Informationen entsprechend dem Berechnungsergebnis zu dem Server sendet.
Modelllernsystem nach einem der Ansprüche 1 bis 4, wobei das andere Fahrzeug derart konfiguriert ist, dass, wenn ein Neulernen des Lernmodells von dem Server angewiesen wird, das in diesem anderen Fahrzeug verwendete Lernmodell neu trainiert wird, falls der Nutzungsbereich dieses anderen Fahrzeugs innerhalb des vorbestimmten Bereichs liegt.
Modelllernsystem nach einem der Ansprüche 1 bis 5, wobei der vorbestimmte Bereich einem Nutzungsbereich dieses einen Fahrzeugs entspricht.
Server, welcher derart konfiguriert ist, dass dieser mit einer Mehrzahl von Fahrzeugen kommunizieren kann, wobei der Server derart konfiguriert ist, dass dieser, wenn ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist, ein Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, bei diesem anderen Fahrzeug anweist.
Modelllernverfahren, aufweisend: Beurteilen, ob ein Modelldifferenzwert, welcher einen Grad einer Differenz vor und nach einem Lernen eines Lernmodells zeigt, das in einem Fahrzeug aus einer Mehrzahl von Fahrzeugen verwendet wird und auf der Grundlage von Trainingsdatensätzen trainiert wird, welche innerhalb eines vorbestimmten Bereichs erlangt werden, größer oder gleich einem vorbestimmten Wert ist; und Neulernen eines Lernmodells, welches in einem sich in diesem vorbestimmten Bereich befindlichen anderen Fahrzeug aus der Mehrzahl von Fahrzeugen verwendet wird, in diesem anderen Fahrzeug, wenn der Modelldifferenzwert größer oder gleich einem vorbestimmten Wert ist.