-
Die vorliegende Erfindung betrifft die Bestimmung einer geografischen Position, insbesondere eines Kraftfahrzeugs. Genauer gesagt betrifft die Erfindung die Überprüfung eines Validators zur Bewertung der Plausibilität von gemessenen Positionsinformationen.
-
Um ein Kraftfahrzeug autonom steuern zu können, ist dessen geografische Position zunächst ausreichend genau zu bestimmen. Zur Positionsbestimmung können verschiedene Informationsquellen ausgewertet werden, wobei jede Informationsquelle einem Sensor zugeordnet ist. Die unterschiedlichen Informationsquellen sind möglichst statistisch voneinander unabhängig, können jedoch auf einen gemeinsamen Datenbestand zurückgreifen. Beispielsweise kann eine erste Positionsinformation auf der Basis von Signalen eines Beschleunigungssensors, eine zweite Positionsinformation auf der Basis von Raddrehzahlen des Kraftfahrzeugs und eine dritte Positionsinformation auf der Basis eines mittels einer Kamera erfassten Objekts im Umfeld des Kraftfahrzeugs bestimmt sein. Eine Positionsinformation betrifft üblicherweise eine geografische Position und kann als Pose zusätzlich eine Ausrichtung des Kraftfahrzeugs umfassen. Die jeweils bestimmten Informationen können mit geografischen Informationen abgeglichen werden, die in Kartendaten verzeichnet sind.
-
Es wurde vorgeschlagen, die Positionsinformationen der einzelnen Informationsquellen zunächst unabhängig voneinander bezüglich ihrer Plausibilität zu prüfen, indem bestimmt wird, ob die Positionsinformationen einer Informationsquelle ausreichend gut zu denen der anderen passen. Dabei wird in der Regel eine zeitlich korrelierte oder gleichzeitige Beobachtung durch die einzelnen Informationsquellen angenommen und die solchermaßen zueinander passenden Positionsinformationen können in einem Satz zusammengefasst werden. Dann kann die geografische Position auf der Basis nur solcher Positionsinformationen bestimmt werden, die als ausreichend plausibel gelten bestimmt sind. Die Plausibilitätskontrolle kann mittels eine Validators durchgeführt werden, der bevorzugt bestimmt, ob die bereitgestellten Positionsinformationen einer Informationsquelle mit einer vorbestimmten Mindestwahrscheinlichkeit nicht mehr als ein vorbestimmtes Maß von einer auf der Basis von Positionsinformationen aller Informationsquellen bestimmten Position abweichen. Diese geografische Position wird auch angenommene Position oder Positionshypothese genannt.
-
Ein Validator muss die Plausibilität der Positionsinformationen mit einer großen Sicherheit bestimmen. Dazu muss der Validator bezüglich einer großen Vielzahl Positionsinformationen getestet und bewertet werden. Schwierige Kombinationen von Positionsinformationen aus unterschiedlichen Informationsquellen müssen isoliert und analysiert werden. Jeder Validator muss bezüglich der ihm zugeordneten Informationsquelle angepasst und optimiert werden. Insbesondere dann, wenn der Validator mittels maschinellen Lernens arbeitet, ist eine große Vielzahl von Positionsinformationen bereitzustellen.
-
Positionsinformationen aus unterschiedlichen Informationsquellen können beispielsweise bei Testfahrten gesammelt werden. Wird ein neuer Sensor entwickelt, so müssen neue Testdaten mit diesem Sensor durchgeführt werden. Eine vollständige Abdeckung aller möglichen Straßen durch Testfahren ist letztlich jedoch nicht realistisch. Eine der vorliegenden Erfindung zu Grunde liegende Aufgabe besteht daher in der Angabe einer verbesserten Technik zur Bewertung eines Validators. Die Erfindung löst diese Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder.
-
Ein Validator ist dazu eingerichtet, zu bestimmen, ob eine Positionsinformation ausreichend gut zu einer geografischen Position passt. Nach einem ersten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum Bewerten des Validators Schritte des Bereitstellens zweier künstlicher neuronaler Netzwerke; wobei das erste Netzwerk dazu eingerichtet ist, Positionsinformationen bezüglich einer ersten geografischen Position zu generieren; wobei das zweite Netzwerk dazu trainiert ist, Positionsinformationen zu erkennen, die auf der Basis realer, voneinander unabhängiger Messungen an einer zweiten geografischen Position bestimmt sind; des Trainierens des ersten Netzwerks, Positionsinformationen zu generieren, die vom zweiten Netzwerk als real erkannt werden; und des Bewertens des Validators bezüglich seiner Bestimmung mittels des ersten Netzwerks generierter Positionsinformationen.
-
Die beiden Netzwerke können nach Art eines Generative Adversarial Networks (GAN) miteinander verschaltet sein. Ein GAN kann dazu verwendet werden, einen Lernprozess künstlichen maschinellen Lernens umzukehren, sodass aus der Fähigkeit, eine vorbestimmte Konstellation zu erkennen, die Fähigkeit erzeugt werden kann, eine entsprechende Konstellation zu generieren, dabei kann eine generierte Konstellation Eigenschaften aufweisen, die im umgekehrten Prozess erkannt würden, gleichzeitig aber keinem Trainingsdatensatz entsprechen. Beispielsweise kann ein KNN zur Erkennung eines menschlichen Gesichts auf einem Bild dazu verwendet werden, ein Bild mit einem realistischen menschlichen Gesicht herzustellen, auf das es nicht trainiert wurde beziehungsweise für das keine reale Person existiert.
-
Es wird daher vorgeschlagen, realistische Sätze aufeinander bezogener Positionsinformationen mittels eines GAN zu erzeugen und zum Überprüfen der Bewertungsqualität eines Validators einzusetzen. Der Validator kann Teil einer Vorrichtung sein, die dazu eingerichtet ist, eine geografische Position auf der Basis von Positionsinformationen zu bestimmen. Die Vorrichtung kann insbesondere an Bord eines Kraftfahrzeugs eingesetzt werden. In einer Ausführungsform kann das Kraftfahrzeug in Abhängigkeit der bestimmten geografischen Position gesteuert werden. Durch die Erfindung kann die zentrale Funktion des Validators, eine vertrauenswürdige von einer nicht vertrauenswürdigen Position zu unterscheiden, verbessert werden. Die Bestimmung der geografischen Position kann dadurch verbessert werden. Eine nicht vertrauenswürdige bestimmte geografische Position kann einer Steuerung des Kraftfahrzeugs nicht zu Grunde gelegt werden. In der Folge kann das Kraftfahrzeug mit größerer Sicherheit und/oder größerer Genauigkeit gesteuert werden.
-
Bevorzugt ist auf der Basis des ersten Netzwerks ein Generator gebildet, der dazu eingerichtet ist, Positionsinformationen zu generieren; und auf der Basis des zweiten Netzwerks ein Diskriminator, der dazu eingerichtet ist, zu bestimmen, ob die bereitgestellten Positionsinformationen auf der Basis derselben geografischen Position bestimmt sind und/oder ob sie aus realen, nicht generierten Daten stammen.
-
In einer anderen Variante umfasst das zweite KNN eine Kombination aus einem Diskriminator und einem Validator. In diesem Fall ist das zweite KNN dazu eingerichtet, Positionsinformationen zu akzeptieren, die sowohl bezüglich einer geografischen Position zusammenpassen, als auch als echt und nicht als generiert erscheinen.
-
Der Validator hat die Aufgabe, zu bestimmen, ob Positionsinformationen eines Satzes plausibel sind oder nicht. Mittels einer hierin vorgestellten Technik können Fälle bestimmt werden, in denen der Validator falsch positiv oder falsch negativ erkennt. Der Validator kann dann bezüglich solcher Fälle nachgebessert werden, bis er eine ausreichend hohe positive und/oder negative Erkennungsleistung hat.
-
Der Generator ist bevorzugt dazu trainiert, Positionsinformationen bezüglich unterschiedlicher erster Positionen zu bestimmen, die vom Diskriminator als echte, also nicht generierte Positionsinformationen bezüglich derselben Position bestimmt werden. Der Generator ist typischerweise durch ein Dekonvolutionales Neuronales Netzwerk gebildet.
-
Der Diskriminator ist bevorzugt darauf trainiert, zu bestimmen, ob bereitgestellte Positionsinformationen generiert sind oder nicht. Der Diskriminator ist üblicherweise durch ein Konvolutionales Neuronales Netzwerk gebildet.
-
Anders ausgedrückt können die beiden Netzwerke zur Bildung eines GAN in einer Trainingsphase nach Art eines Nullsummenspiels gegeneinander arbeiten. Dabei versucht der Generator, Positionsinformationen zu generieren, die vom Diskriminator als echte Positionsinformationen erkannt werden, die an einer geografischen Position auf der Basis von Messungen mittels Sensoren bestimmt sind. Der Diskriminator versucht, vom Generator erzeugte von realen Positionsinformationen zu unterscheiden. Eine Zielfunktion des Generators kann beinhalten, Positionsinformationen zu generieren, die vom Diskriminator nicht als generiert erkannt werden. Eine Zielfunktion des Diskriminators kann beinhalten, zu bereitgestellten Positionsinformationen möglichst zutreffend zu bestimmen, ob sie auf realen Messungen basieren oder durch den Generator erzeugt wurden.
-
Das GAN kann auf der Basis der bereits trainierten KNN unbeaufsichtigt lernen, wozu keine zusätzlichen Trainingsdaten bereitgestellt werden müssen. Ein Aufwand zur Bereitstellung des GAN kann daher gering sein. Dabei lernen beide Netzwerke bevorzugt unabhängig voneinander mittels Fehlerrückführung (back propagation).
-
Es ist weiterhin bevorzugt, dass der Generator dazu eingerichtet ist, einen Vektor zu bestimmen, welcher der Erzeugung von Positionsinformationen zu Grunde liegt. Ein solcher Vektor umfasst üblicherweise eine Anzahl Parameter, die die Erzeugung der Positionsinformationen steuert. Dabei kann eine relativ geringe Anzahl Parameter zur Bereitstellung einer sehr großen Vielzahl unterschiedlicher Positionsinformationen genutzt werden. Aus diesem Grund kann der Vektor auch als Flaschenhals bezeichnet werden. Dazu kann eine Technologie genutzt werden, die als Variational Autoencoder (VAE) bekannt ist. Charakteristisch an dem Vektor ist, dass eine kleine Veränderung an einem oder mehreren seiner Parameter zu einer Änderung der generierten Positionsinformationen führen kann, die nicht beliebig groß ist. Anders ausgedrückt können durch ähnlich gewählte Parameter des Vektors ähnliche Sätze von Positionsinformationen generiert werden.
-
Dies kann dazu genutzt werden, einen für den Validator problematischen Satz von Positionsinformationen zu bestimmen und daraufhin weitere Sätze von Positionsinformationen zu generieren, die diesen ähnlich sind. Ein Satz betrifft dabei eine Anzahl voneinander unabhängige Beobachtungen bezüglich einer geografischen Position. In einer anderen Ausführungsform können Sätze generiert werden, die bezüglich der Parameter des Flaschenhalses voneinander verschieden und gleichzeitig für den Validator problematisch sind. Der Validator kann dann für jeden der Sätze einzeln optimiert werden. Möglicherweise verbessert eine Anpassung des Validators bezüglich eines ersten problematischen Satzes auch seine Erkennungsleistung bezüglich eines anderen Satzes. Unterschiedliche Szenarien, in denen die Sätze generiert sind, können unterschiedliche Optimierungen erfordern.
-
In einer umgekehrten Ausführungsform kann zu Sätzen von Positionsinformationen bestimmt werden, ob die Parameter des Flaschenhalses einander ähnlich sind. Ist dies nicht der Fall, so kann ein systematisches Problem des Validators vorliegen. Der Validator kann in beiden Fällen gezielt verbessert werden, um die problematischen Sätze von Positionsinformationen verbessert korrekt zu beurteilen.
-
In einer weiteren Ausführungsform werden die Positionsinformationen bezüglich vorbestimmten Informationen einer geografischen Karte bestimmt. Dabei reflektiert die geografische Karte bevorzugt eine reale Region der Welt. Beispielsweise können unterschiedliche Positionsinformationen eines Satzes jeweils einen Hinweis auf ein Objekt im Umfeld der Position bereitstellen, wobei der Hinweis bezüglich Informationen der geografischen Karte ausgewertet wird. Anders ausgedrückt kann eine geografische Position bestimmt werden, indem Positionen erkannter Objekte im Umfeld mit Positionen korrespondierender Objekte der geografischen Karte verglichen werden. Auf dieselbe Weise können auch neue Objekte in die Kartendaten aufgenommen werden (Simultaneous Localization And Mapping, SLAM).
-
In einer anderen Ausführungsform werden die Positionsinformationen zusammen mit Informationen einer geografischen Karte bestimmt. Dadurch können Positionsinformationen für eine Region der Welt bestimmt werden, an der noch keine realen Testfahrten stattgefunden haben. Die generierten Positionsinformationen können auch zu einer Region korrespondieren, die real auf der Welt nicht vorhanden ist.
-
Es ist allgemein bevorzugt, dass der Validator dazu eingerichtet ist, zu bestimmen, ob eine bereitgestellte Positionsinformation mit einer vorbestimmten Wahrscheinlichkeit auf eine geografische Position hinweist, die nicht mehr als eine vorbestimmte Distanz von der einer angenommenen geografischen Position entfernt ist. Die angenommene geografische Position kann auf der Basis von zurückliegenden Positionsinformationen bestimmt sein.
-
Nach einem zweiten Aspekt der vorliegenden Erfindung umfasst eine Vorrichtung zur Bewertung eines Validators zur Bestimmung, ob eine Positionsinformation ausreichend gut zu einer geografischen Position passt, ein erstes und ein zweites künstliches neuronales Netzwerk; wobei das erste Netzwerk dazu eingerichtet ist, Positionsinformationen bezüglich einer ersten geografischen Position zu generieren; wobei das zweite Netzwerk dazu eingerichtet ist, Positionsinformationen zu erkennen, die auf der Basis realer, voneinander unabhängiger Messungen an einer zweiten geografischen Position bestimmt sind; und eine Einrichtung zur Bewertung des Validators bezüglich seiner Bestimmung einer generierten Positionsinformation.
-
Das Verfahren kann dazu eingerichtet sein, auf einer hierin beschriebenen Vorrichtung ausgeführt zu werden. Dazu kann die Vorrichtung eine Verarbeitungseinrichtung in Form eines programmierbaren Mikrocomputers oder Mikrocontrollers umfassen und das Verfahren kann in Form eines Computerprogrammprodukts mit Programmcodemitteln vorliegen. Das Computerprogrammprodukt kann auch auf einem computerlesbaren Datenträger abgespeichert sein. Merkmale oder Vorteile des Verfahrens können auf die Vorrichtung übertragen werden oder umgekehrt.
-
Wieder ein weiterer Aspekt der vorliegenden Erfindung betrifft die Verwendung eines GAN zur Erzeugung von Positionsinformationen für einen Validator eines Positioniersystems. Der Validator kann auf der Basis der bereitgestellten Positionsinformationen verbessert entwickelt oder trainiert werden, ohne dafür reale Messungen an verschiedenen geografischen Positionen zu erfordern. Da die durch das GAN bereitgestellten Positionsinformationen sehr realistisch sein können, kann eine Trennschärfe des Validators bei der Bewertung real gemessener Positionsinformationen verbessert sein. Auf der Basis eines solchen Validators kann ein verbessertes Positioniersystem erstellt werden.
-
Nach noch einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Positioniersystem zur Bestimmung einer geografischen Position eines Fahrzeugs Informationsquellen, die zur Bereitstellung zugeordneter Positionsinformationen eingerichtet sind; wobei jeder Informationsquelle ein Validator zugeordnet ist, der dazu eingerichtet ist, zu bestimmen, ob eine bereitgestellte Positionsinformation mit einer vorbestimmten Wahrscheinlichkeit auf eine geografische Position hinweist, die nicht mehr als eine vorbestimmte Distanz von der einer angenommenen geografischen Position entfernt ist; wobei ein Validator auf der Basis einer hierin beschriebenen Vorrichtung bereitgestellt ist.
-
Der Validator kann insbesondere auf der Basis maschinellen Lernens arbeiten und mittels Positionsinformationen trainiert sein, die mittels eines hierin beschriebenen GAN bereitgestellt sind. Der Validator kann in einer anderen Ausführungsform auch konventionell arbeiten und bezüglich von einem GAN bereitgestellter Positionsinformationen bewertet oder optimiert sein. Die Bewertung kann bestimmen, dass der Validator mindestens einen vorbestimmten Anteil einer Vielzahl generierter Positionsinformationen korrekt als plausibel oder implausibel erkennt.
-
Nach wieder einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Fahrzeug ein hierin beschriebenes Positioniersystem. Das Fahrzeug kann ein Kraftfahrzeug, insbesondere ein Kraftrad, einen Personenkraftwagen, einen Lastkraftwagen oder einen Bus umfassen. In einer Ausführungsform ist das Fahrzeug dazu eingerichtet, auf der Basis einer vom Positioniersystem bereitgestellten geografischen Position gesteuert zu werden.
-
Die Erfindung wird nun mit Bezug auf die beigefügten Zeichnungen genauer beschrieben, in denen:
- 1 ein Positioniersystem für ein Kraftfahrzeug;
- 2 eine Vorrichtung zur Bewertung eines Validators; und
- 3 ein Ablaufdiagramm eines Verfahrens zum Bewerten eines Validators
illustriert.
-
1 zeigt eine Positioniersystem 100 für ein Kraftfahrzeug 105. Das Positioniersystem 100 ist dazu eingerichtet, eine geografische Position des Kraftfahrzeugs 105 zu bestimmen. Die bestimmte geografische Position kann dazu verwendet werden, das Kraftfahrzeug 105 zu steuern, insbesondere in Längs- und/oder in Querrichtung.
-
Das Positioniersystem 100 umfasst mehrere Sensoren 110, die jeweils Positionsinformationen bereitstellen, die auf die geografische Position des Kraftfahrzeugs 105 hinweisen. Dabei sind die Positionsinformationen voneinander unabhängig, sodass die Sensoren 110 als voneinander unabhängige Informationsquellen angesehen werden können. Beispielhaft sind in 1 drei Sensoren 110 dargestellt, es kann jedoch eine beliebige Vielzahl von Sensoren 110 verwendet werden, wie durch die unterbrochenen Linien in 1 angedeutet ist. Allgemein wird hierin von N Sensoren 110 ausgegangen, wobei N wenigstens zwei beträgt.
-
In einer praktischen Ausführungsform können ca. 5 Sensoren 110 oder Gruppen Sensoren 110 vorgesehen sein. Die Sensoren einer Gruppe können gleichartig sein, also beispielsweise verschiedene Kameras oder Radarsensoren umfassen. Auf der Basis jeder Gruppe kann eine Positionsinformation bestimmt werden, die von den anderen unabhängig ist. Eine solche Positionsinformation wird auch Hauptinformation genannt. Verschiedenartige Sensoren 110 können miteinander kombiniert werden, um weitere unabhängige Positionsinformationen gebildet werden. Eine solche Positionsinformation wird auch Nebeninformation genannt.
-
Von den Sensoren 110 bereitgestellte Informationen können mit weiteren Informationen korreliert werden, die in einem Datenspeicher 115 vorgehalten sind. Die Informationen können sich auf Objekte in einem vorbestimmten geografischen Gebiet beziehen und insbesondere geografische Positionen der Objekte umfassen. Die Objekte können beispielsweise Straßen, Wege oder Landmarken sein. Eine Landmarke kann beispielsweise ein Straßenschild, eine Straßenmarkierung, ein Gebäude, eine Geländeformation oder ein beliebiges anderes Objekt umfassen, dessen geografische Position verlässlich bestimmt werden kann.
-
Eine Positioniereinrichtung 120 ist dazu eingerichtet, auf der Basis der bereitgestellten Positionsinformationen eine geografische Position zu bestimmen. Über eine Schnittstelle 125 kann die bestimmte geografische Position bereitgestellt werden. Die bestimmte geografische Position kann einer weiteren Verarbeitung zu Grunde gelegt werden, beispielsweise einer Steuerung des Kraftfahrzeugs 105.
-
Um zu verhindern, dass die geografische Position auf der Basis unzuverlässiger oder implausibler Messwerte bestimmt wird, ist jedem Sensor 110 bzw. jeder Informationsquelle ein Validator 130 zugeordnet. Dabei kann ein Validator 130 speziell an die ihm zugeordnete Informationsquelle bzw. den Sensor 110 angepasst sein. Ein Validator 130 kann beispielsweise heuristisch, statistisch oder auf der Basis künstlichen Lernens implementiert sein. Ein Validator 130 kann insbesondere bestimmen, ob ihm bereitgestellte Positionsinformationen mindestens mit einer vorbestimmten Wahrscheinlichkeit auf eine geografische Position hinweisen, die von einer angenommenen geografischen Position um nicht mehr als eine vorbestimmte Strecke abweicht. Die angenommene geografische Position wird auch als Positionshypothese bezeichnet und kann auf der Basis einer zurückliegenden Bestimmung mittels der Positioniereinrichtung 120 bereitgestellt sein.
-
In einer Ausführungsform können Ergebnisse der Validatoren 130 der Positioniereinrichtung 120 bereitgestellt werden, sodass nur Positionsinformationen von Sensoren 110 zur Bestimmung der geografischen Position berücksichtigt werden, die als plausibel befunden wurden. In der dargestellten Ausführungsform ist ein Selektor 135 vorgesehen, der dazu eingerichtet ist, auf der Basis vorbestimmter Charakteristika der Sensoren 110 und Bestimmungen der ihnen zugeordneten Validatoren 130 eine Kombination von Positionsinformationen zu bestimmen, die eine bestmögliche Bestimmung der geografischen Position erlaubt. Dabei kann berücksichtigt werden, dass unterschiedliche Sensoren 110 unterschiedlich genau, unterschiedlich zuverlässig oder unterschiedlich aktuelle Informationen bereitstellen können. Ferner kann eine Performanz des jeweils zugeordneten Validators 130 berücksichtigt werden. Die Performanz kann eine Wahrscheinlichkeit beschreiben, mit welcher ein Validator 130 eine Positionsinformation als plausibel bewerten kann, obwohl sie tatsächlich zu verwerfen gewesen wäre.
-
Der Selektor 135 kann die Positioniereinrichtung 120 dazu anweisen, Positionsinformationen einer zuvor bestimmten Konstellation von Sensoren 110 miteinander zu verarbeiten, um die geografische Position zu bestimmen und an der Schnittstelle 125 bereitzustellen.
-
2 zeigt eine Vorrichtung 200 zur Bewertung eines Validators 130. In einem oberen Bereich der Darstellung ist ein Generative Adversarial Network GAN 205 und im unteren Bereich eine Anordnung von Validatoren 130 nach der Art des Positioniersystems 100 von 1 dargestellt. Das GAN 205 umfasst ein erstes künstliches neuronales Netzwerk 210 und ein zweites künstliches neuronales Netzwerk 215. Das erste Netzwerk 210 ist bevorzugt als Dekonvolutionales Neuronales Netzwerk realisiert und wird im Folgenden auch Generator 210 genannt. Das zweite Netzwerk 215 ist bevorzugt als Konvolutionales Neuronales Netzwerk realisiert und wird im Folgenden auch Diskriminator 215 genannt.
-
Der Diskriminator 215 ist dazu eingerichtet, real beobachtete Positionsinformationen zu erkennen. Die Positionsinformationen können insbesondere auf der Basis voneinander unabhängiger Messungen an einer geografischen Position bestimmt sein. Eine Ausgabe des Diskriminators kann dabei innerhalb eines vorbestimmten Intervalls liegen, dessen eine Grenze ein sicheres Nicht-Akzeptieren und dessen andere Grenze ein sicheres Akzeptieren markiert, beispielsweise [0 ... 1]. Der Generator kann einen bestimmten Wert in diesem Intervall direkt zum Lernen benutzen oder zuerst mit einem vorbestimmten Schwellenwert vergleichen, um einen binären Wert zu erhalten. Die Arbeitsweise des Diskriminators 215 ist mit der eines KNN vergleichbar, das zur Erkennung eines Bilds eines menschlichen Gesichts trainiert ist.
-
Der Generator 210 kann zunächst untrainiert sein. Der Generator 210 erhält nun eine Zielfunktion, nach der er Daten generieren soll, die der Generator 210 für authentisch, also als real beobachtet und nicht durch den Generator 210 erzeugt hält. Vom Generator 210 erzeugte Daten werden dem Diskriminator 215 bereitgestellt und dessen Bewertung als echt oder unecht wird an den Generator 210 zurückgeliefert. Der Generator 210 kann mittels back propagation lernen, immer bessere Daten bereitzustellen, die der Diskriminator 215 als authentisch bewertet.
-
So bilden der Generator 210 und der Diskriminator 215 zusammen ein GAN, das unüberwacht lernen kann, realistische Sätze von Positionsinformationen bereitzustellen. Bevorzugt ist eine Anzahl oder maximale Anzahl bereitgestellter Positionsinformationen in einem Satz vorbestimmt. Auch ein Wertebereich für eine Positionsinformation kann vorgegeben sein. In einer ersten Ausführungsform kann der Generator 210 Positionsinformationen bezüglich einer vorbestimmten geografischen Position erzeugen, in einer zweiten Ausführungsform kann eine geografische Position von außen vorgegeben werden und der Generator 210 erzeugt Positionsinformationen bezüglich dieser Position.
-
Die Erzeugung von Positionsinformationen mittels des Generators 210 kann bezüglich eines Vektors 220 erfolgen, der mehrere Parameter enthält. Der Vektor 220 wird auch Flaschenhals (bottleneck) genannt. Durch Beeinflussen eines Parameters des Vektors 220 kann die Erzeugung von Positionsinformationen beeinflusst werden. Dabei kann eine kleine Änderung an einem oder mehreren Parametern zu einer begrenzten Änderung der Positionsinformationen führen. So können zu einem Satz Positionsinformationen ein ähnlicher erzeugt werden, indem die Parameter, die der Erzeugung des Satzes zu Grunde liegen, leicht verändert werden. Der Vektor 220 kann im Rahmen des Lernens des Generators 210 bereitgestellt werden. Ein direkter Zusammenhang, welche Änderung an den Parametern welche Änderung an den Positionsinformationen bewirkt, kann üblicherweise nicht angegeben werden.
-
Ist das GAN 205 vollständig ausgebildet, beispielsweise weil im Zusammenspiel zwischen dem Generator 210 und dem Diskriminator 215 keine signifikanten Lernfortschritte mehr zu erzielen sind, so kann das GAN 205 dazu verwendet werden, Positionsinformationen bereitzustellen, auf deren Basis einer oder mehrere Validatoren 130 des Positioniersystems 100 überprüft werden können. Eine Steuervorrichtung 225 kann nach Art der Positioniereinrichtung 120 eine geografische Position bestimmen, bezüglich der der Generator 210 Positionsinformationen erzeugt. Dabei kann die Steuervorrichtung 225 Parameter des Vektors 220 variieren, um die Positionsinformationen zu streuen. Die vom GAN 205 bzw. dem Generator 210 bereitgestellten Positionsinformationen können den Validatoren 130 bereitgestellt werden. Die Steuervorrichtung 225 kann dann prüfen, ob die Bestimmung eines Validators 130 korrekt ist oder nicht. Auf der Basis dieser Bewertung kann ein Validator 130 weiter verfeinert oder verbessert werden.
-
3 zeigt ein Ablaufdiagramm eines Verfahrens 300 zum Bewerten eines Validators 130. Das Verfahren 300 kann insbesondere mittels der Vorrichtung 200 ausgeführt werden. In einem Schritt 305 können zwei KNN 210, 215 bereitgestellt werden, die bezüglich übereinstimmender Trainingsdaten zur Erkennung zueinander korrespondierender Positionsinformationen trainiert sind. In einem Schritt 310 können mittels des Generator KNN 210 Positionsinformationen erzeugt und dem Diskriminator KNN 215 bereitgestellt werden. In einem Schritt 315 kann dieser bestimmen, ob die ihm bereitgestellten Positionsinformationen auf einer tatsächlichen Messung oder einem Prozess des Generators 210 basieren. Diese Bestimmung wird dem Generator 210 bereitgestellt. Während die Schritte 310 und 315 sehr häufig ausgeführt werden können, kann jedes KNN 210, 215 lernen, seine Aufgabe möglichst verbessert auszuführen. Der Generator 210 kann insbesondere lernen, verbessert realistische Positionsinformationen bereitzustellen und das KNN 215 kann lernen, verbessert generierte von realen Positionsinformationen zu unterscheiden.
-
Während des Trainierens des GAN 205 in den Schritten 320 und 315 kann in einem Schritt 320 der Vektor 220 bestimmt werden. Ist das GAN 205 ausreichend trainiert, so kann das Verfahren 300 damit fortfahren, mittels des Generators 210 bereitgestellte Positionsinformationen in einem Schritt 325 an einen oder mehrere Validatoren 130 eines Positioniersystems 100 bereitzustellen.
-
Der Validator 130 kann die ihm bereitgestellten Positionsinformationen in einem Schritt 330 bewerten. Dabei kann der Validator 130 bestimmen, ob die Positionsinformationen ausreichend gut zu einer angenommenen geografischen Position passen oder nicht. Optional kann der Validator 130 auch bestimmen, mit welcher Wahrscheinlichkeit die Positionsinformationen auf eine Position hinweisen, die nicht mehr als eine vorbestimmte Strecken von der angenommenen geografischen Position abweichen oder wie groß mit einer vorbestimmten Wahrscheinlichkeit die maximale Abweichung einer auf der Basis der Positionsinformationen bestimmten Position von der angenommenen Position ist.
-
Die Bewertung des Validators 130 kann in einem Schritt 335 überprüft bzw. bewertet werden, sodass bekannt wird, wie gut der Validator 130 vertrauenswürdige von nicht vertrauenswürdigen Positionsinformationen unterscheiden kann. Optional kann im Schritt 335 die Erzeugung von Positionsinformationen mittels des Generators 210 beeinflusst werden, um beispielsweise unterschiedliche Szenarien zu realisieren, ein vorbestimmtes geografisches Gebiet abzudecken oder eine als für den Validator 130 schwierig befundene Konstellation in Variationen erneut zu testen.
-
Auf der Basis dieser Bestimmungen kann der Validator 130 weiter verbessert werden. Außerdem kann eine Wahrscheinlichkeit bestimmt werden, mit welcher der Validator 130 eine inkorrekte Bestimmung in Form eines falsch positiven und/oder falsch negativen Ergebnisses bereitstellt. Diese Wahrscheinlichkeit kann auch Performanz genannt werden. Optional können die Positioniereinrichtung 120 und/oder der Selektor 135 eines Positioniersystems 100 die bestimmte Performanz berücksichtigen.
-
Bezugszeichenliste
-
- 100
- Positioniersystem
- 105
- Kraftfahrzeug
- 110
- Sensor, Informationsquelle
- 115
- Datenspeicher
- 120
- Positioniereinrichtung
- 125
- Schnittstelle
- 130
- Validator
- 135
- Selektor
- 200
- Vorrichtung
- 205
- Generative Adversarial Network, GAN
- 210
- erstes künstliches neuronales Netzwerk, Generator
- 215
- zweites künstliches neuronales Netzwerk, Diskriminator
- 220
- Vektor
- 225
- Steuervorrichtung
- 300
- Verfahren
- 305
- Bereitstellen zweier trainierter KNN
- 310
- Erzeugen von Positionsinformationen
- 315
- Bestimmen der Positionsinformationen als echt oder generiert
- 320
- Bestimmen eines Flaschenhalses
- 325
- Bereitstellen der Positionsinformationen an Validator
- 330
- Validator bewerten
- 335
- Beeinflussen der Erzeugung
