DE102021122094A1 - Verfahren zum Betrieb eines Kraftfahrzeugs - Google Patents

Verfahren zum Betrieb eines Kraftfahrzeugs Download PDF

Info

Publication number
DE102021122094A1
DE102021122094A1 DE102021122094.7A DE102021122094A DE102021122094A1 DE 102021122094 A1 DE102021122094 A1 DE 102021122094A1 DE 102021122094 A DE102021122094 A DE 102021122094A DE 102021122094 A1 DE102021122094 A1 DE 102021122094A1
Authority
DE
Germany
Prior art keywords
data
motor vehicle
neural network
artificial neural
noise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021122094.7A
Other languages
English (en)
Inventor
Frederic Stefan
Christoph Arndt
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Priority to DE102021122094.7A priority Critical patent/DE102021122094A1/de
Priority to CN202210983329.9A priority patent/CN115891824A/zh
Priority to US17/822,595 priority patent/US20230066337A1/en
Publication of DE102021122094A1 publication Critical patent/DE102021122094A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q5/00—Arrangement or adaptation of acoustic signal devices
    • B60Q5/005—Arrangement or adaptation of acoustic signal devices automatically actuated
    • B60Q5/008—Arrangement or adaptation of acoustic signal devices automatically actuated for signaling silent vehicles, e.g. for warning that a hybrid or electric vehicle is approaching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Betrieb eines Kraftfahrzeugs (4) mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, mit den Schritten:
(S300) Einlesen von Fahrzeug-Daten (FD) des Kraftfahrzeugs (4), die indikativ für einen Schallemissionsbedarf sind,
(S400) Beaufschlagen eines trainierten künstlichen neuronalen Netzes (24) mit den Fahrzeug-Daten (FD) um Schallemissionsgenerator-Ansteuerdaten (GA) zu erhalten, und
(S500) Beaufschlagen eines Schallemissionsgenerators (6) des Kraftfahrzeugs (4) mit den Schallemissionsgenerator-Ansteuerdaten (GA).

Description

  • Die Erfindung betrifft ein Verfahren zum Betrieb eines Kraftfahrzeugs mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient.
  • Unter einem Antriebsstrang eines Kraftfahrzeuges werden in der Kraftfahrzeugtechnik alle Bauteile verstanden, die im Kraftfahrzeug die Leistung für den Antrieb erzeugen und bis auf den Boden übertragen.
  • Ein derartiger Antriebsstrang kann eine elektrische Maschine aufweisen, die als Traktionsmotor dient, wenn sie motorisch betrieben wird, und die als Generator verwendet wird um Bremsenergie zu rekuperieren. Ein derartiges Kraftfahrzeug kann als reines Elektroauto (BEV) mit nur einem elektrischen Antrieb oder auch als Hybridelektrokraftfahrzeug (HEV) ausgebildet sein, dessen Antriebsstrang neben der elektrischen Maschine zusätzlich eine Brennkraftmaschine aufweist, aber je nach Situation auch rein elektrisch fahren kann, d.h. der Antrieb wird zeitweise nur von der motorisch betriebenen elektrischen Maschine als Traktionsmotor alleine bereitgestellt.
  • Von Natur aus verursacht eine derartige elektrische Maschine weniger Lärmemissionen als eine Brennkraftmaschine, insbesondere bei niedrigen Fahrzeuggeschwindigkeiten von weniger als 30 km/h. Die Lärmemissionen stellen aber nicht nur eine Lärmbelästigung da, sondern erfüllen auch eine akustische Hinweisfunktion für ein herannahendes Kraftfahrzeug und erhöht so die Verkehrssicherheit.
  • Bei Kraftfahrzeugen mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, ist es möglich, die vom Kraftfahrzeug erzeugten Geräusche zu kontrollieren und zu optimieren, um so durch ein Mindestmaß an Lärmemissionen die Verkehrssicherheit zu erhöhen.
  • Daher sieht der Gesetzgeber die Implementierung eines künstlichen Schallemissionsgenerators vor um die akustische Wahrnehmung derartiger Kraftfahrzeuge im öffentlichen Straßenverkehr zu erleichtern.
  • Aus der US 10,997,962 B2 , der CN 110341591 A , der US 8,031,085 B1 , der CN 112652315 A und der US 8,362,921 B2 sind derartige Schallemissionsgeneratoren bekannt. Jedoch erzeugen diese Vorrichtungen auch dann Schallemissionen, wenn dies unnötig ist und erhöhen so die Lärmbelästigung.
  • Es besteht also Bedarf daran, Wege aufzuzeigen, wie hier Abhilfe geschaffen werden kann.
  • Die Aufgabe der Erfindung wird gelöst durch ein Verfahren zum Betrieb eines Kraftfahrzeugs mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, mit den Schritten:
    • Einlesen von Fahrzeug-Daten des Kraftfahrzeugs, die indikativ für einen Schallemissionsbedarf sind,
    • Beaufschlagen eines trainierten künstlichen neuronalen Netzes mit den Fahrzeug-Daten um Schallemissionsgenerator-Ansteuerdaten zu erhalten, und
    • Beaufschlagen eines Schallemissionsgenerators des Kraftfahrzeugs mit den Schallemissionsgenerator-Ansteuerdaten.
  • Künstliche neuronale Netze, auch künstliche neuronale Netzwerke, kurz: KNN (ANN - artificial neural network), sind Netze aus künstlichen Neuronen. Diese Neuronen (auch Knotenpunkte) eines künstlichen neuronalen Netzes sind in Schichten angeordnet und in der Regel in einer festen Hierarchie miteinander verbunden. Die Neuronen sind dabei zumeist zwischen zwei Schichten verbunden, in selteneren Fällen aber auch innerhalb einer Schicht.
  • Ein derartiges künstliches neuronales Netz wird vor seiner Inbetriebnahme während einer Trainingsphase trainiert. Während der Trainingsphase wird das künstliche neuronale Netz modifiziert, so dass es für bestimmte Eingangsmuster zugehörige Ausgabemuster erzeugt. Dies kann mittels überwachten Lernen, unüberwachten Lernen, bestärkenden Lernen oder stochastischem Lernen erfolgen.
  • Durch Verwendung eines während einer Trainingsphase vorab trainierten künstlichen neuronalen Netzes kann der Schallemissionsgenerator gezielt angesteuert werden um situationsbedingt angepasste Schallemissionen zu erzeugen. So werden unnötige Schallemissionen vermieden, die eine Lärmbelästigung darstellen würden.
  • Gemäß einer Ausführungsform wird in einem weiteren Schritt das untrainierte künstliche neuronale Netz mit Trainingsdaten trainiert, die mittels Messungen und/oder Simulationen gewonnen wurden. Hierzu können Flotten von Kraftfahrzeugen herangezogen werden, deren Fahrzeugdaten und auch Messdaten von Messstationen indikativ für einen Lärmpegel und/oder Verkehrsaufkommen sind und die drahtlos zu einer Cloud übertragen werden, in der auch das Training des künstlichen neuronalen Netzes erfolgen kann. Z.B. können die mittels Messungen gewonnen Daten auch dazu verwendet werden, um mittels geeigneter Simulationen weitere Daten zu erzeugen, um so die Menge an Trainingsdaten zu vergrößern.
  • Gemäß einer weiteren Ausführungsform sind die Fahrzeug-Daten Positions-Daten indikativ für die aktuelle Position des Kraftfahrzeugs und/oder Betriebsdaten eines Energiemanagement-Moduls des Kraftfahrzeugs und/oder Lärmdaten eines Lärmbestimmungs-Moduls des Kraftfahrzeugs und/oder Geräuschdaten eines Geräuschbedarfsbestimmungs-Moduls des Kraftfahrzeugs. Die Positions-Daten können mit einem Navigationssystem des Kraftfahrzeugs bestimmt werden und erlauben festzustellen, ob sich das Kraftfahrzeug z.B. in einem innerstädtischen Bereich, auf einer Autobahn oder auf einer Landstraße befindet. Die Betriebsdaten eines Energiemanagement-Moduls des Kraftfahrzeugs können Daten z.B. eines Batteriemanagementsystem (BMS) sein und enthalten Informationen betreffend einen Ladezustand einer Traktionsbatterie des Kraftfahrzeugs. Die Lärmdaten eines Lärmbestimmungs-Modul des Kraftfahrzeugs beschreiben den aktuellen Lärmpegel im Umfeld des Kraftfahrzeugs sowie gegebenenfalls z.B. den zeitlichen Verlauf und/oder das Frequenzspektrum des Lärms im Umfeld des Kraftfahrzeugs. Die Lärmdaten hängen z.B. von der Verkehrsdichte und der Art der Verkehrsteilnehmer ab (PKW, LKW, Busse, Radfahrer, usw.). Die Geräuschdaten eines Geräuschbedarfsbestimmungs-Moduls des Kraftfahrzeugs sind indikativ für die erforderlichen Schallemissionen, die erforderlich sind um eine ausreichende akustische Wahrnehmung des Kraftfahrzeugs beim aktuellen Lärmpegel zu gewährleisten.
  • Gemäß einer weiteren Ausführungsform wird als künstliches neuronales Netz ein rekurrentes neuronales Netz verwendet. Als rekurrente neuronale Netze (RNN - recurrent neural network) werden künstliche neuronale Netze bezeichnet, die sich im Gegensatz zu Vorwärts-Netzen (feedforward neuronal network) durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnen. Mit derartigen rekurrenten neuronalen Netzen können besonders gut Daten in Form von Sequenzen, wie z.B. Lärmsequenzen, verarbeitet werden.
  • Gemäß einer weiteren Ausführungsform weist das künstliche neuronale Netz ein langes Kurzzeitgedächtnis (LSTM - long short-term memory) auf. Ein derartiges langes Kurzzeitgedächtnis verbessert die während der Trainingsphase erzielten Trainingsergebnisse.
  • Gemäß einer weiteren Ausführungsform ist das künstliche neuronale Netz zum Dropout ausgebildet. Dabei wird unter Dropout eine Regularisierungsmethode verstanden, die in künstlichen neuronalen Netzen Anwendung findet und die Gefahr von Overfitting verringert. Hierzu wird während der Trainingsphase eine vorbestimmte Anzahl, z.B. 30% der Neuronen in jeder Schicht des künstlichen neuronalen Netzwerks ausgeschaltet („dropout“) und für den kommenden Berechnungsschritt nicht berücksichtigt. Dies stellt einen sehr effektiven Weg zum Training von tiefen neuronalen Netzen dar.
  • Ferner gehört zur Erfindung ein Computerprogrammprodukt, ausgebildet zum Ausführen eines derartigen Verfahrens, ein System und ein Kraftfahrzeug für ein derartiges System.
  • Es wird nun die Erfindung anhand einer Zeichnung erläutert. Es zeigen:
    • 1 in schematischer Darstellung Komponenten eines Systems zum Betrieb eines Kraftfahrzeugs.
    • 2 in schematischer Darstellung Details eines künstlichen neuronalen Netzes des in 1 gezeigten Systems.
    • 3 in schematischer Darstellung einen Verfahrensablauf zum Betrieb des in 1 gezeigten Systems.
  • Es wird zunächst auf 1 Bezug genommen.
  • Das System 2 weist als Komponenten ein Kraftfahrzeug 4 oder auch eine Mobilitätsplattform auf, die mit dem System 2 datenaustauschend verbunden ist.
  • Das Kraftfahrzeug 4 weist einen Antriebsstrang mit zumindest einer motorisch betriebenen elektrischen Maschine 6 auf, die zumindest zeitweise als Traktionsmotor dient. Ein derartiges Kraftfahrzeug 4 kann z.B. ein reines Elektroauto (BEV) mit nur einem elektrischen Antrieb oder ein Hybridelektrokraftfahrzeug (HEV) sein.
  • Ein Schallemissionsgenerator 8 des Kraftfahrzeugs 4 ist dazu ausgebildet gewünschte Schallemissionen gemäß vorgegebenen Merkmalen (Intensität, Frequenz, Muster, usw.) zu erzeugen.
  • Wenn das Kraftfahrzeug 4 als Hybridelektrokraftfahrzeug (HEV) ausgebildet ist weist der Antriebsstrang des Kraftfahrzeugs 4 neben der elektrischen Maschine 6 auch eine Brennkraftmaschine 10 auf.
  • Ein Energiemanagement-Modul 12 des Kraftfahrzeugs 4 ist dazu ausgebildet zumindest den elektrischen Energiestand in dem Kraftfahrzeug 4 zu überwachen, wie z.B. einen Ladezustand einer Traktionsbatterie, und Daten mit anderen Komponenten des Systems 2 auszutauschen.
  • Ein Positionsbestimmungs-Modul 14 des Kraftfahrzeugs 4 ist ein Navigationssystem wie z.B. GPS, das es ermöglicht, die aktuelle Position des Kraftfahrzeugs 4zu bestimmen.
  • Ein Lärmbestimmungs-Modul 16 des Kraftfahrzeugs 4 ist dazu ausgebildet eine Abschätzung eines Lärmpegels bzw. einer akustischen Belastung in einem vorbestimmten geografischen Gebiet mit vorbestimmten Abmessungen (z.B. einem Kreis mit einem Radius von 1 km) durchzuführen. Hierzu werden alle verkehrsbedingten Schallquellen ausgewertet.
  • Das geografische Gebiet ist dabei auf das Kraftfahrzeug 4 zentriert und kann auch verschiedene Formen und Abmessungen haben. Das Kraftfahrzeug 4 kann eigene Mikrofone aufweisen und/oder datenübertragend mit Messstationen mit Mikrofonen am Straßenrand verbunden sein. Auch können die Daten der Messstationen zu einer Cloud übertragen werden, wo sie weiter verarbeitet wie nachfolgend beschrieben werden. Ferner kann auch die Anzahl der Verkehrsteilnehmer im geografischen Gebiet, ihre Art (PKW, LKW, Bus, Radfahrer, usw.) und/oder ihrer Geschwindigkeit ausgewertet werden.
  • Das Geräuschbedarfsbestimmungs-Modul 18 des Kraftfahrzeugs 4 ist dazu ausgebildet den Schallemissionsbedarf abzuschätzen, um eine ausreichende akustische Wahrnehmbarkeit des Kraftfahrzeugs 4 in dem vorbestimmten geografischen Gebiet zu gewährleisten. Das Geräuschbedarfsbestimmungs-Modul 18 kann dem Kraftfahrzeug 4 zugeordnet sein oder in einer Cloud bereitgestellt werden. Ferner kann das Geräuschbedarfsbestimmungs-Modul 18 ein Vorhersagemodell (z.B. mit einem Klassifizierungsalgorithmus) aufweisen, das auf bestimmten Parametern des Kraftfahrzeugs 4 beruht, wie z.B. seiner Geschwindigkeit und/oder sein Fahrzeugtyp bzw. seine Klasse und/oder seiner Antriebsart und/oder dem Status des Schallemissionsgenerators 8.
  • Ein Schnittstellen-Modul 20 des Systems 2 ist dazu ausgebildet, dass das Kraftfahrzeug 4 mit den Komponenten des Systems 2 und auch anderen Komponenten außerhalb des Kraftfahrzeugs 4 Daten austauschen kann. Ferner kann das Schnittstellen-Modul 20 z.B. auch zur C2l-Kommunikation (car-to-infrastructure) ausgebildet sein.
  • Ein Steuer-Modul 22 des Systems 2 ist dazu ausgebildet, die verschiedenen Betriebsmodi des Systems 2, wie z.B. eine Trainingsphase oder eine Normalbetriebsphase zu steuern den Datenaustausch zwischen den Komponenten des Systems 2 zu gewährleisten.
  • Das System 2, die oben beschriebenen und die nachfolgend beschriebenen Komponenten des Systems 2 können für diese und die nachfolgend beschriebenen Aufgaben und/oder Funktionen entsprechend ausgebildete Hard- und/oder Software-Komponenten aufweisen.
  • Es wird nun zusätzlich auf 2 Bezug genommen.
  • Dargestellt ist als weitere Komponente des Systems 2 ein künstliches neuronales Netz 24.
  • Bei dem künstlichen neuronalen Netz 24 handelt es sich im vorliegenden Ausführungsbeispiel um ein rekurrentes neuronales Netz. Im vorliegenden Ausführungsbeispiel ist das künstliche neuronale Netz 24 als unidirektionales Netz ausgebildet. Abweichend vom vorliegenden Ausführungsbeispiel kann das künstliche neuronale Netz 24 auch als bidirektionales Netz ausgebildet sein.
  • Des Weiteren ist das künstliche neuronale Netz 24 im vorliegenden Ausführungsbeispiel als ein mehrschichtiges neuronale Netz ausgebildet, d.h. es weist neben einer Eingangsschicht 26 und einer Ausgangsschicht 30 zumindest eine weitere Zwischenschicht 28 mit künstlichen Neuronen auf.
  • Im vorliegenden Ausführungsbeispiel weisen die Eingangsschicht 26 und die zumindest eine dargestellte Zwischenschicht 28 jeweils eine Mehrzahl von künstlichen Neuronen auf. Hingegen weist im vorliegenden Ausführungsbeispiel die Ausgangsschicht 30 nur eine Dropout-Einheit 34a und auf, dem eine Softmax-Einheit 36 nachgeschaltet ist, das eine Softmax-Funktion bereitstellt. Somit weist das künstliche neuronale Netz 24 im vorliegenden Ausführungsbeispiel eine many-to-one Architektur auf, d.h. es weist eine Mehrzahl von Eingängen, aber nur einen einzigen Ausgang auf.
  • Im vorliegenden Ausführungsbeispiel sind den künstlichen Neuronen der Eingangsschicht 26 und der Zwischenschicht 28 jeweils ein langes Kurzzeitgedächtnis (LSTM - long short-term memory) in Form von LSTM-Einheiten 32a, 32b, ... 32n zugeordnet.
  • Des Weiteren ist im vorliegenden Ausführungsbeispiel das künstliche neuronale Netz 24 zum Dropout ausgebildet. Hierzu sind zwischen der Eingangsschicht 26 und der zumindest einen dargestellten Zwischenschicht 28 Dropout-Einheiten 32a, 34b, ... 34n vorgesehen.
  • Das künstliche neuronale Netz 24 wird vor seiner Inbetriebnahme während einer Trainingsphase mit Trainingsdaten TD beaufschlagt. Z.B. mittels dem Verfahren der Fehlerrückführung (backpropagation oder auch backpropagation of error) erfolgt ein Einlernen des künstlichen neuronalen Netzes 24 durch Änderung von Gewichtsfaktoren bzw. Trainingsparameter der künstlichen Neuronen des künstlichen neuronalen Netzes 24 um eine möglichst zuverlässige Abbildung von gegebenen Eingabevektoren auf gegebene Ausgabevektoren zu erreichen.
  • Dabei sind a0, c0; a1, c1; a2, c2; ... an, cn während der Trainingsphase zu optimierende Trainingsparameter, während x0, x1, x(n-1) Merkmalsvektoren sind, die jeweiligen Abtastzeitpunkten, z.B. alle 100ms über eine Zeitspanne T, z.B. 1s, zugeordnet sind und die Eingangsgrößen darstellen. Y ist die Ausganggröße des Systems 2 und kann ein Vektor oder ein Skalar sein, der einem Ansteuerwert der Schallemissionsgenerator-Ansteuerdaten GA entspricht. Der Ansteuerwert kann ein binärer Wert sein, wobei z.B. dem Wert logisch Null keine künstliche Erzeugung von Schall und dem Wert logisch Eins eine künstliche Erzeugung von Schall zugeordnet ist. Der Ansteuerwert kann aber auch ein kontinuierlicher skalarer Wert sein, um die Intensität des erzeugten Schalls vorzugeben.
  • Die Trainingsdaten TD für die Trainingsphase enthalten Datenpaare, bestehend aus den eingangsseitigen Merkmalsvektoren x0, x1, ... x(n-1) und dem Ausgang Y. Dabei können die Trainingsdaten TD gelabelte Daten sein, während die Fahrzeug-Daten FD, mit denen dann später während des Normalbetriebs das trainierte künstliche neuronale Netz 24 beaufschlagt wird lediglich die eingangsseitigen Merkmalsvektoren x0, x1, ... x(n-1) aufweist.
  • Es wird nun zusätzlich auf 3 Bezug genommen, um einen Verfahrensablauf zum Betrieb des in 1 gezeigten Systems 2 zu erläutern.
  • Nachdem in einem ersten Schritt S100 die Trainingsdaten TD gesammelt bzw. erzeugt und gelabelt wurde werden sie in einem weiteren Schritt S200 einer Trainingsphase verwendet, um das noch untrainierte künstliche neuronale Netz 24 mit Trainingsdaten TD unter Verwendung von Dropout zu trainieren.
  • In einem weiteren Schritt S300 einer Normalbetriebsphase wird dann das System 2 z.B. automatisch bei jeder Inbetriebnahme des Kraftfahrzeugs 4 und/oder in Abhängigkeit von seiner erfassten aktuellen Position aktiviert und es werden die aktuellen Fahrzeug-Daten FD des Kraftfahrzeugs 4, die indikativ für einen Schallemissionsbedarf sind, eingelesen.
  • Die Fahrzeug-Daten FD enthalten die Positions-Daten PD des Positionsbestimmungs-Moduls 14und/oder die Betriebsdaten BD des Energiemanagement-Moduls 12 und/oder Lärmdaten LD des Lärmbestimmungs-Modul 16 und/oder Geräuschdaten GD des Geräuschbedarfsbestimmungs-Moduls 18 des Kraftfahrzeugs 4.
  • In einem weiteren Schritt S400 wird das trainierte künstliche neuronale Netz 24 mit den Fahrzeug-Daten FD beaufschlagt um die Schallemissionsgenerator-Ansteuerdaten GA zu erhalten.
  • In einem weiteren Schritt S500 wird der Schallemissionsgenerator 6 des Kraftfahrzeugs 4 mit den Schallemissionsgenerator-Ansteuerdaten GA beaufschlagt.
  • Abweichend vom vorliegenden Ausführungsbeispiel kann die Reihenfolge der Schritte auch eine andere sein. Ferner können mehrere Schritte auch zeitgleich bzw. simultan ausgeführt werden. Des Weiteren können auch abweichend vom vorliegenden Ausführungsbeispiel einzelne Schritte übersprungen oder ausgelassen werden.
  • So kann durch Verwendung eines während einer Trainingsphase vorab trainierten künstlichen neuronalen Netzes 24 der Schallemissionsgenerator 8 des Kraftfahrzeugs 4 gezielt angesteuert werden um situationsbedingt angepasste Schallemissionen zu erzeugen. So werden unnötige Schallemissionen vermieden, die eine Lärmbelästigung darstellen würden.
  • Bezugszeichenliste
    • 2
    System
    4
    Kraftfahrzeug
    6
    elektrische Maschine
    8
    Schallemissionsgenerator
    10
    Brennkraftmaschine
    12
    Energiemanagement-Modul
    14
    Positionsbestimmungs-Modul
    16
    Lärmbestimmungs-Modul
    18
    Geräuschbedarfsbestimmungs-Modul
    20
    Schnittstellen-Modul
    22
    Steuer-Modul
    24
    künstliches neuronales Netz
    26
    Eingangsschicht
    28
    Zwischenschicht
    30
    Ausgangsschicht
    32a
    LSTM-Einheit
    32b
    LSTM-Einheit
    32n
    LSTM-Einheit
    34a
    Dropout-Einheit
    34b
    Dropout-Einheit
    34n
    Dropout-Einheit
    36
    Softmax-Einheit
    a0
    Trainingsparameter
    a1
    Trainingsparameter
    a2
    Trainingsparameter
    an
    Trainingsparameter
    c0
    Trainingsparameter
    c1
    Trainingsparameter
    c2
    Trainingsparameter
    cn
    Trainingsparameter
    x0
    Merkmalsvektor
    x1
    Merkmalsvektor
    x(n-1)
    Merkmalsvektor
    FD
    Fahrzeug-Daten
    GA
    Schallemissionsgenerator-Ansteuerdaten
    GD
    Geräuschdaten
    LD
    Lärmdaten
    PD
    Positionsdaten
    T
    Zeitspanne
    Y
    Ausgangsgröße
    S100
    Schritt
    S200
    Schritt
    S300
    Schritt
    S400
    Schritt
    S500
    Schritt
  • 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
    • US 10997962 B2 [0007]
    • CN 110341591 A [0007]
    • US 8031085 B1 [0007]
    • CN 112652315 A [0007]
    • US 8362921 B2 [0007]

Claims (14)

  1. Verfahren zum Betrieb eines Kraftfahrzeugs (4) mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, mit den Schritten: (S300) Einlesen von Fahrzeug-Daten (FD) des Kraftfahrzeugs (4), die indikativ für einen Schallemissionsbedarf sind, (S400) Beaufschlagen eines trainierten künstlichen neuronalen Netzes (24) mit den Fahrzeug-Daten (FD) um Schallemissionsgenerator-Ansteuerdaten (GA) zu erhalten, und (S500) Beaufschlagen eines Schallemissionsgenerators (6) des Kraftfahrzeugs (4) mit den Schallemissionsgenerator-Ansteuerdaten (GA).
  2. Verfahren nach Anspruch 1, wobei in einem weiteren Schritt (S200) das untrainierte künstliche neuronale Netz (24) mit Trainingsdaten (TD) trainiert wird, die mittels Messungen und/oder Simulationen gewonnen wurden.
  3. Verfahren nach Anspruch 1 oder 2, wobei die Fahrzeug-Daten (FD) Positions-Daten (PD) indikativ für die aktuelle Position des Kraftfahrzeugs (4) und/oder Betriebsdaten (BD) eines Energiemanagement-Moduls (12) des Kraftfahrzeugs (4) und/oder Lärmdaten (LD) eines Lärmbestimmungs-Modul (16) des Kraftfahrzeugs (4) und/oder Geräuschdaten (GD) eines Geräuschbedarfsbestimmungs-Moduls (18) des Kraftfahrzeugs (4) sind.
  4. Verfahren nach einem der Ansprüche 1 bis 3, wobei als künstliches neuronales Netz (24) ein rekurrentes neuronales Netz verwendet wird.
  5. Verfahren nach einem der Ansprüche 1 bis 4, wobei das künstliche neuronale Netz (24) ein langes Kurzzeitgedächtnis aufweist.
  6. Verfahren nach einem der Ansprüche 1 bis 5, wobei das künstliche neuronale Netz (24) zum Dropout ausgebildet ist.
  7. Computerprogrammprodukt, ausgebildet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 6.
  8. System (2) zum Betrieb eines Kraftfahrzeugs (4) mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, wobei das System (2) dazu ausgebildet ist, Fahrzeug-Daten (FD) des Kraftfahrzeugs (4), die indikativ für einen Schallemissionsbedarf sind, einzulesen, ein trainiertes künstliches neuronales Netz (24) mit den Fahrzeug-Daten (FD) zu beaufschlagen um Schallemissionsgenerator-Ansteuerdaten (GA) zu erhalten und zum Beaufschlagen eines Schallemissionsgenerators (6) des Kraftfahrzeugs (4) mit den Schallemissionsgenerator-Ansteuerdaten (GA).
  9. System (2) nach Anspruch 8, wobei das System (2) dazu ausgebildet ist das untrainierte künstliche neuronale Netz (24) mit Trainingsdaten (TD) zu trainieren, die mittels Messungen und/oder Simulationen gewonnen wurden.
  10. System (2) nach Anspruch 8 oder 9, wobei die Fahrzeug-Daten (FD) Positions-Daten (PD) indikativ für die aktuelle Position des Kraftfahrzeugs (4) und/oder Betriebsdaten (BD) eines Energiemanagement-Moduls (12) des Kraftfahrzeugs (4) und/oder Lärmdaten (LD) eines Lärmbestimmungs-Modul (14) des Kraftfahrzeugs (4) und/oder Geräuschdaten (GD) eines Geräuschbedarfsbestimmungs-Moduls (18) des Kraftfahrzeugs (4) sind.
  11. System (2) nach Anspruch 8, 9 oder 10, wobei das künstliche neuronale Netz (24) ein rekurrentes neuronales Netz ist.
  12. System (2) nach einem der Ansprüche 8 bis 11, wobei das künstliche neuronale Netz (24) ein langes Kurzzeitgedächtnis aufweist.
  13. System (2) nach einem der Ansprüche 8 bis 12, wobei das künstliche neuronale Netz (24) zum Dropout ausgebildet ist.
  14. Kraftfahrzeug (6) für ein System (2) nach einem der Ansprüche 8 bis 13.
DE102021122094.7A 2021-08-26 2021-08-26 Verfahren zum Betrieb eines Kraftfahrzeugs Pending DE102021122094A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102021122094.7A DE102021122094A1 (de) 2021-08-26 2021-08-26 Verfahren zum Betrieb eines Kraftfahrzeugs
CN202210983329.9A CN115891824A (zh) 2021-08-26 2022-08-16 机动车辆的操作方法
US17/822,595 US20230066337A1 (en) 2021-08-26 2022-08-26 Method for operating a motor vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021122094.7A DE102021122094A1 (de) 2021-08-26 2021-08-26 Verfahren zum Betrieb eines Kraftfahrzeugs

Publications (1)

Publication Number Publication Date
DE102021122094A1 true DE102021122094A1 (de) 2023-03-02

Family

ID=85175120

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021122094.7A Pending DE102021122094A1 (de) 2021-08-26 2021-08-26 Verfahren zum Betrieb eines Kraftfahrzeugs

Country Status (3)

Country Link
US (1) US20230066337A1 (de)
CN (1) CN115891824A (de)
DE (1) DE102021122094A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020206134A1 (de) * 2020-05-15 2021-11-18 Ford Global Technologies, Llc Verfahren zum Betrieb eines Kraftfahrzeugs

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009058152A1 (de) 2009-12-12 2011-06-16 Volkswagen Ag Fahrzeug mit Elektroantrieb
US8031085B1 (en) 2010-04-15 2011-10-04 Deere & Company Context-based sound generation
US8362921B2 (en) 2010-09-15 2013-01-29 Bose Corporation Vehicle external warning sound generation system and method
DE102017116017A1 (de) 2017-07-17 2019-01-17 Valeo Schalter Und Sensoren Gmbh Kraftfahrzeug-Sensorvorrichtung mit mehreren Sensoreinheiten und mehreren neuronalen Netzen zum Erzeugen einer kombinierten Repräsentation einer Umgebung
CN110341591A (zh) 2019-07-10 2019-10-18 太原科技大学 一种用于纯电动或混合动力汽车主动安全的声音管理系统
DE102019111913A1 (de) 2019-05-08 2020-11-12 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Erzeugung eines künstlichen Motorgeräusches bei einem Kraftfahrzeug
DE102019207090A1 (de) 2019-05-16 2020-11-19 Volkswagen Aktiengesellschaft Verfahren zum Bereitstellen einer Objektverfolgungsfunktion
CN112652315A (zh) 2020-08-03 2021-04-13 李�昊 基于深度学习的汽车引擎声实时合成系统及方法
US10997962B2 (en) 2019-08-26 2021-05-04 Lg Electronics Inc. Apparatus and method for synthesizing engine sound

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009058152A1 (de) 2009-12-12 2011-06-16 Volkswagen Ag Fahrzeug mit Elektroantrieb
US8031085B1 (en) 2010-04-15 2011-10-04 Deere & Company Context-based sound generation
US8362921B2 (en) 2010-09-15 2013-01-29 Bose Corporation Vehicle external warning sound generation system and method
DE102017116017A1 (de) 2017-07-17 2019-01-17 Valeo Schalter Und Sensoren Gmbh Kraftfahrzeug-Sensorvorrichtung mit mehreren Sensoreinheiten und mehreren neuronalen Netzen zum Erzeugen einer kombinierten Repräsentation einer Umgebung
DE102019111913A1 (de) 2019-05-08 2020-11-12 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Erzeugung eines künstlichen Motorgeräusches bei einem Kraftfahrzeug
DE102019207090A1 (de) 2019-05-16 2020-11-19 Volkswagen Aktiengesellschaft Verfahren zum Bereitstellen einer Objektverfolgungsfunktion
CN110341591A (zh) 2019-07-10 2019-10-18 太原科技大学 一种用于纯电动或混合动力汽车主动安全的声音管理系统
US10997962B2 (en) 2019-08-26 2021-05-04 Lg Electronics Inc. Apparatus and method for synthesizing engine sound
CN112652315A (zh) 2020-08-03 2021-04-13 李�昊 基于深度学习的汽车引擎声实时合成系统及方法

Also Published As

Publication number Publication date
US20230066337A1 (en) 2023-03-02
CN115891824A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
DE102015223733B4 (de) System und Verfahren zum Steuern eines Hybridfahrzeugs
DE102017214384A1 (de) Verfahren und Vorrichtungen zur Festlegung eines Betriebsstrategieprofils
DE102019104353A1 (de) System und verfahren zur reifenverschleissprognose
DE102014222007A1 (de) PHEV-Energieverwaltungssteuerung mit einer fahrtorientierten Energieverbrauchsvorplanung
DE102018211845A1 (de) System zur vorausschauenden Steuerung eines Fahrzeugs auf Grundlage von Massendaten, und Verfahren hierfür
DE102010003684A1 (de) System zur Steuerung von Verhaltensweisen von Fahrzeugeigenen Objekten
DE102008038753A1 (de) Verfahren zur Steuerung eines Hybridantriebs in einem Schienenfahrzeug
DE102020210561A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs mit einem Antriebsstrang mit zumindest einem traktionsbatteriegespeisten Traktionsmotor
DE102017217444A1 (de) Verfahren und System zum Aktualisieren eines Steuerungsmodells für eine automatische Steuerung zumindest einer mobilen Einheit
DE102011085454A1 (de) Verfahren zur Steuerung eines Hybridantriebs mit einer Brennkraftmaschine und einem Elektromotor und einem elektrischen Energiespeicher, insbesondere für ein Schienenfahrzeug, Steuereinrichtung und Hybridantrieb
DE102020115390A1 (de) VORRICHTUNG ZUM ERZEUGEN EINES BESCHLEUNIGUNGSPROFILS UND VERFAHREN ZUM AUTONOMEN FAHREN AUF EINER GEKRÜMMTEN STRAßE UNTER VERWENDUNG DESSELBEN
WO2021239402A1 (de) Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges
DE102021122094A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs
DE102021118615A1 (de) Lernvorrichtung und Modell-Lernsystem
DE112017002942T5 (de) Verfahren und System zur Bewertung der Betriebsleistung von einem Fahrzeug zugeordneten Fahrerassistenzsystemen
DE102021118606A1 (de) Modelllernsystem, Modelllernverfahren und Server
DE102018211726A1 (de) Verfahren zum automatischen maschinellen Trainieren eines elektronischen Fahrzeugführungssystems, sowie Kraftfahrzeug
DE102019220196A1 (de) Verfahren zum Betreiben eines Fahrzeugs
DE102019104966A1 (de) Selbstlernende Steuervorrichtung und Verfahren für selbstlernende Steuervorrichtung
DE102021104738A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs
DE102017205871A1 (de) Verfahren zum Kompensieren von Leerlaufverlusten in einem Elektrofahrzeug, Computerprogrammprodukt, Datenträger und Elektrofahrzeug
DE102020120367A1 (de) Verfahren und System zur Steuerung eines elektrifizierten Fahrzeugs
DE102020213615A1 (de) Verfahren und Vorrichtung zum Steuern eines Fahrzeugs entlang einer Fahrttrajektorie
DE102018215017A1 (de) Verfahren zur Bestimmung einer Betriebsstrategie für Fahrzeug, System, Steuereinrichtung für ein Fahrzeug und ein Fahrzeug
DE102017215852A1 (de) Vorrichtungen und Verfahren für ein Fahrzeug

Legal Events

Date Code Title Description
R163 Identified publications notified