DE102021125744A1

DE102021125744A1 - Computer-implementiertes Verfahren, Vorrichtung und Computerprogramm zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs

Info

Publication number: DE102021125744A1
Application number: DE102021125744.1A
Authority: DE
Inventors: Matthias Priebe; Jithin Reju; Marc Deharde
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2021-10-05
Filing date: 2021-10-05
Publication date: 2023-04-06

Abstract

Die vorliegende Offenbarung bezieht sich auf ein computer-implementiertes Verfahren, eine Vorrichtung und ein Computerprogramm zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs, sowie auf ein entsprechendes Fahrzeug. Das Verfahren umfasst ein Identifizieren (110) von ein oder mehreren Insassen eines Fahrzeugs. Das Verfahren umfasst ferner ein Bestimmen (120) von Umgebungsindikatoren basierend auf zumindest einem von Sensordaten des Fahrzeugs, Aktuatordaten des Fahrzeugs, Online-Daten und Zeitdaten, wobei die Umgebungsindikatoren einen Umgebungskontext, in dem sich das Fahrzeug und/oder die ein oder mehreren Fahrzeuginsassen befinden, anzeigen. Das Verfahren umfasst ferner ein Bestimmen (130) der ein oder mehreren Einstellungen des Fahrzeugs unter Verwendung einer Ausgabe eines Maschinenlern-Modells, wobei das Maschinenlern-Modell darauf trainiert ist, basierend auf den Umgebungsindikatoren unter Berücksichtigung der ein oder mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben, wobei das Maschinenlern-Modell zumindest teilweise basierend auf früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert ist. Das Verfahren umfasst ferner ein Bereitstellen (140) eines Steuersignals zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs basierend auf den zuvor bestimmten ein oder mehreren Einstellungen des Fahrzeugs.

Description

Die vorliegende Erfindung bezieht sich auf ein computer-implementiertes Verfahren, eine Vorrichtung und ein Computerprogramm zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs, sowie auf ein entsprechendes Fahrzeug.
Heutige Fahrzeuge werden im Allgemeinen durch direkte Benutzereingaben personalisiert, d.h. ein Benutzer wählt die von ihm präferierten Einstellungen über eine Benutzeroberfläche aus. In bestehenden Fahrzeugen ist es möglich, dass sich die Insassen ein Benutzerprofil erstellen, in dem die verschiedenen Parameter der Fahrzeugumgebung eingestellt werden. Zum Beispiel können die Klimatisierung, der Sitzkomfort, oder die Umgebungsbeleuchtung in dem Profil hinterlegt werden. Diese Profile werden in einer App oder dem Schlüssel gespeichert, damit diese dann aufgerufen werden, wenn der jeweilige Insasse das Fahrzeug führt. Dabei muss jeder Nutzer die Einstellungen selbst vornehmen, auch eine vollständige Individualisierung ist schwierig zu erreichen. Um die Eingewöhnung zu verbessern, können Voreinstellungen gewählt werden, die für die Mehrheit der Nutzer brauchbar sind, jedoch fehlt die Individualität der einzelnen Nutzer, wie etwa das Gefühl, welche Temperatur die richtige ist. Auch werden hierbei eine Vielzahl von Benutzereingaben notwendig.
In Zukunft werden Autos mit maschinellem Lernen ausgestattet, um Daten zu sammeln, die sie intelligenter machen. Aber auch dann sind Autos kein individualisiertes Produkt, sondern werden mit einem bestimmten Funktionsumfang ausgeliefert, der bereits ab Werk vorhanden ist.
Aus den Patentanmeldungen EP 3 751 465 A1 und US 2015/0158486 A1 sind Konzepte bekannt, um im autonomen Fahren einen Fahrstil des Nutzers zu imitieren oder um ein generisches Maschinenlern-Modell zum autonomen Fahren auf lokale Begebenheiten anzupassen. Dazu kann einerseits das Training des genutzten generischen Modells basierend auf einem Fahrverhalten des Fahrers angepasst werden. Andererseits kann ein weiteres Modell basierend auf dem Fahrverhalten des Fahrers trainiert werden, das gewissermaßen als „Filter“ über die Ausgabe des generischen Modells gelegt wird.
Es besteht der Bedarf, ein verbessertes Konzept bereitzustellen, das ein Fahrzeug besser auf die Bedürfnisse einzelner Insassen anpasst.
Diesem Bedarf wird durch den Gegenstand der unabhängigen Ansprüche entsprochen.
Die vorliegende Erfindung basiert auf der Erkenntnis, dass Fahrzeuge höchst persönliche Orte sein können, in denen die Fahrer und Insassen gegebenenfalls viel Zeit verbringen. Dabei entwickelt sich mit der Zeit eine gewisse Routine, entsprechend den Vorlieben des Fahrers oder der anderen Insassen des Fahrzeugs. Dabei können die Vorlieben und Routinen der unterschiedlichen Insassen durchaus unterschiedlich sein - so ist ein Wärmeempfinden von weiblichen und männlichen Insassen häufig unterschiedlich ausgeprägt, ist ein Kleinkind an Bord, muss auch auf dieses Rücksicht genommen werden. Auch eine bevorzugte Härte des Fahrwerks und/oder eine Sitzeinstellung kann, je nach Insasse, unterschiedlich sein. Die vorliegende Erfindung nutzt eine Insassenerkennung, um den oder die Insassen des Fahrzeugs zu erkennen. Ein Maschinenlern-Modell ist darauf trainiert, basierend auf Umgebungsindikatoren bevorzugte Einstellungen der ein oder mehreren Insassen auszuwählen. Basierend auf der Ausgabe des Maschinenlern-Modells werden anschließend die Einstellungen angewandt. Somit werden die Einstellungen des Fahrzeugs situativ und auf den oder die jeweiligen Insassen ausgelegt automatisch angepasst, was ein Konzept schafft, das ein Fahrzeug besser auf die Bedürfnisse einzelner Insassen anpasst. Durch die automatische Anpassung der Einstellungen kann auch der Fahrer entlastet werden, was die Fahrsicherheit erhöht.
Verschiedene Aspekte der vorliegenden Offenbarung beziehen sich auf ein computer-implementiertes Verfahren zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs. Das Verfahren umfasst ein Identifizieren von ein oder mehreren Insassen eines Fahrzeugs. Das Verfahren umfasst ferner ein Bestimmen von Umgebungsindikatoren basierend auf zumindest einem von Sensordaten des Fahrzeugs, Aktuatordaten des Fahrzeugs, Online-Daten und Zeitdaten. Die Umgebungsindikatoren zeigen einen Umgebungskontext, in dem sich das Fahrzeug und/oder die ein oder mehreren Fahrzeuginsassen befinden, an. Das Verfahren umfasst ferner ein Bestimmen der ein oder mehreren Einstellungen des Fahrzeugs unter Verwendung einer Ausgabe eines Maschinenlern-Modells. Das Maschinenlern-Modell ist darauf trainier, basierend auf den Umgebungsindikatoren unter Berücksichtigung der ein oder mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben. Das Maschinenlern-Modell zumindest ist teilweise basierend auf früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert. Das Verfahren umfasst ferner ein Bereitstellen eines Steuersignals zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs basierend auf den zuvor bestimmten ein oder mehreren Einstellungen des Fahrzeugs. Somit werden die Einstellungen des Fahrzeugs situativ und auf den oder die jeweiligen Insassen ausgelegt automatisch angepasst, was ein Konzept schafft, das ein Fahrzeug besser auf die Bedürfnisse einzelner Insassen anpasst. Durch die automatische Anpassung der Einstellungen kann auch der Fahrer entlastet werden, was die Fahrsicherheit erhöht.
In manchen Beispielen werden bei mehreren Insassen für jeden der Insassen eigene Einstellungen bestimmt werden. Somit kann auch bei mehreren Insassen den Bedürfnissen der unterschiedlichen Insassen separat genüge getan werden.
Dies kann beispielsweise dadurch erreicht werden, dass bei mehreren Insassen das Maschinenlern-Modell separat für jeden der Insassen auf die Umgebungsindikatoren angewandt wird. Dabei ist „das Maschinenlern-Modell“ nicht auf ein einzelnes Modell beschränkt. Beispielsweise kann das Maschinenlern-Modell eine Sammlung von Maschinenlern-Modellen entsprechen, die für jeden Insassen ein separates Maschinenlern-Modell umfasst.
Die separat errechneten Einstellungen können nun auch separat für die mehreren Insassen angewandt werden. Beispielsweise kann ein Innenraum des Fahrzeugs in zumindest zwei Regionen aufgeteilt sein. Das Steuersignal zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs kann so bereitgestellt werden, dass die Einstellungen für die jeweilige Region entsprechend ein oder mehrerer Insassen bereitgestellt werden, die sich in der jeweiligen Region des Fahrzeugs aufhalten. Somit kann auch bei mehreren Insassen den Bedürfnissen der unterschiedlichen Insassen separat genüge getan werden, möglicherweise ohne die anderen Insassen dabei zu beeinträchtigen.
Alternativ (oder zusätzlich) können die ein oder mehreren Einstellungen so gewählt werden, dass bei mehreren Insassen gemeinsame ein oder mehrere Einstellungen für die mehreren Insassen bestimmt werden. In anderen Worten kann ein Konsens gefunden werden, der gleichsam für die unterschiedlichen Insassen praktikabel ist.
Dabei kann beispielsweise bei mehreren Insassen das Maschinenlern-Modell separat für jeden der Insassen auf die Umgebungsindikatoren angewandt werden. Die gemeinsamen ein oder mehreren Einstellungen können basierend auf ein oder mehreren Zusammenfügungskriterien aus den jeweiligen Ausgaben des Maschinenlern-Modells zusammengefügt werden. In anderen Worten können wieder separate Maschinenlern-Modelle für die unterschiedlichen Insassen verwendet werden. Das Ermitteln des Kompromisses kann dann im Nachgang basierend auf den Ausgaben des Maschinenlern-Modells oder der Maschinenlern-Modelle geschehen.
Alternativ kann ein einziges Maschinenlern-Modell verwendet werden, das auf eine Kombination von Insassen trainiert ist. Gerade im Familienumfeld kommen eine begrenzte Menge an unterschiedlichen Kombinationen in Frage, so dass, neben den Vorlieben der einzelnen Insassen, auch die Vorlieben von Kombinationen von Insassen ermittelt werden können. Das Maschinenlern-Modell kann dabei darauf trainiert sein, basierend auf den Umgebungsindikatoren unter Berücksichtigung einer Kombination der mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben.
In der vorliegenden Offenbarung wird ein Maschinenlern-Modell verwendet, das die Vorlieben der jeweiligen Insassen abbildet. Dabei sind verschiedene Ansätze möglich, wie das jeweilige Modell auf die Insassen trainiert werden kann. In einem ersten Ansatz kann das Maschinenlern-Modell zwei Teilmodelle umfassen. Das erste Teilmodell kann personenunspezifisch trainiert sein und das zweite Teilmodell kann basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert sein. In anderen Worten kann das erste Teilmodell bereits darauf trainiert sein, „vernünftige“ Einstellungen zu bestimmen. Durch das zweite Teilmodell können nun die Vorlieben der Insassen abgebildet werden.
Alternativ kann ein initial personenunspezifisches Modell weitertrainiert werden, so dass es die Vorlieben der Insassen abbildet. Beispielsweise kann das Maschinenlern-Modell auf einem personenunspezifischen Modell basieren, das basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen weitertrainiert wurde.
In manchen Beispielen umfasst das Verfahren ein Trainieren des Maschinenlern-Modells oder eines Teilmodells des Maschinenlern-Modells basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen. Hierdurch findet die Anpassung an die früheren Handlungen und Rückmeldungen statt.
Für das Training können entsprechende Trainingsdaten gesammelt werden. So kann das Verfahren ferner ein Ändern einer Einstellung des Fahrzeugs durch Bereitstellen des Steuersignals, Erhalten einer Rückmeldung eines Insassen des Fahrzeugs als Reaktion auf das Ändern der Einstellung, und Speichern der Rückmeldung als Information über eine frühere Handlung oder Rückmeldung des Insassen umfassen. Die Information über die frühere Handlung oder Rückmeldung des Insassen kann nun genutzt werden, um das Maschinenlern-Modell zu trainieren.
Dabei sind viele Möglichkeiten zur Erfassung der Rückmeldung denkbar. Beispielsweise kann das Verfahren ein Auswerten von Bilddaten zum Erhalten der Rückmeldung umfassen. Hierbei kann beispielsweise erfasst werden, ob der jeweilige Insasse sich, im Anschluss an die Änderung, wohl fühlt oder nicht. Alternativ oder zusätzlich kann das Verfahren ein Auswerten von biometrischen Sensordaten zum Erhalten der Rückmeldung umfassen. Ähnlich wie bei der Bildanalyse können hier beispielsweise Herzfrequenzdaten genutzt werden, um zu bestimmen, ob sich der jeweilige Insasse, im Anschluss an die Änderung, wohl fühlt oder nicht. Alternativ oder zusätzlich kann der Insasse oder können die Insassen gefragt werden, ob Ihnen die jeweilige Änderung zusagt. Beispielsweise kann das Verfahren ein Bereitstellen einer Ausgabe über eine Text-zu-Sprache-Schnittstelle und ein Erhalten der Rückmeldung als Antwort auf die Ausgabe über eine Spracherkennung umfassen. Alternativ oder zusätzlich kann das Verfahren ein Bereitstellen einer Ausgabe über einen Bildschirm des Fahrzeugs und ein Erhalten der Rückmeldung als Antwort auf die Ausgabe über ein Eingabegerät des Fahrzeugs umfassen.
Beispielsweise können die ein oder mehreren Einstellungen des Fahrzeugs durch die ein oder mehreren Insassen des Fahrzeugs über eine Benutzerschnittstelle veränderbar sein. Hierbei können ebenfalls Informationen über frühere Handlungen gesammelt werden. Auch können sich die ein oder mehreren Einstellungen des Fahrzeugs sich auf Funktionen eines Innenraums des Fahrzeugs beziehen. Dies stellt den Fokus der vorliegenden Erfindung dar. Beispielsweise können die ein oder mehreren Einstellungen des Fahrzeugs zumindest eines von einer Klimaanlageneinstellung des Fahrzeugs, einer Sitzeinstellung des Fahrzeugs, einer Beleuchtungseinstellung des Fahrzeugs, einer Scheibenwischereinstellung des Fahrzeugs und einer Fahrwerkseinstellung des Fahrzeugs umfassen.
Verschiedene Aspekte der vorliegenden Offenbarung beziehen sich auf eine Vorrichtung, umfassend ein oder mehrere Prozessoren und ein oder mehrere Speichergeräte, ausgebildet zum Durchführen des zuvor vorgestellten Verfahrens.
Verschiedene Aspekte der vorliegenden Offenbarung beziehen sich auf ein Programm mit einem Programmcode zum des zuvor vorgestellten Verfahrens, wenn der Programmcode auf einem Computer, einem Prozessor, einem Kontrollmodul oder einer programmierbaren Hardwarekomponente ausgeführt wird.
Einige Beispiele von Vorrichtungen und/oder Verfahren werden nachfolgend bezugnehmend auf die beiliegenden Figuren lediglich beispielhaft näher erläutert. Es zeigen:

1a und 1b zeigen Flussdiagramme von Beispielen eines computer-implementierten Verfahrens zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs;
1c zeigt ein Blockdiagramm eines Beispiels einer Vorrichtung zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs;
1d zeigt eine schematische Zeichnung eines Beispiels eines Fahrzeugs;
2a und 2b zeigen ein Konzept der Personalisierung der Einstellungen des Fahrzeugs; und
3 zeigt ein schematisches Beispiel einer Übersicht von verschieden Komponenten eines Systems, das zur Personalisierung von Einstellungen verwendbar ist.

Einige Beispiele werden nun ausführlicher Bezug nehmend auf die beiliegenden Figuren beschrieben. Weitere mögliche Beispiele sind jedoch nicht auf die Merkmale dieser detailliert beschriebenen Ausführungsformen beschränkt. Diese können Modifikationen der Merkmale sowie Entsprechungen und Alternativen zu den Merkmalen aufweisen. Ferner soll die Terminologie, die hierin zum Beschreiben bestimmter Beispiele verwendet wird, nicht einschränkend für weitere mögliche Beispiele sein.
Gleiche oder ähnliche Bezugszeichen beziehen sich in der gesamten Beschreibung der Figuren auf gleiche oder ähnliche Elemente beziehungsweise Merkmale, die jeweils identisch oder auch in abgewandelter Form implementiert sein können, während sie die gleiche oder eine ähnliche Funktion bereitstellen. In den Figuren können ferner die Stärken von Linien, Schichten und/oder Bereichen zur Verdeutlichung übertrieben sein.
Wenn zwei Elemente A und B unter Verwendung eines „oder“ kombiniert werden, ist dies so zu verstehen, dass alle möglichen Kombinationen offenbart sind, d. h. nur A, nur B sowie A und B, sofern nicht im Einzelfall ausdrücklich anders definiert. Als alternative Formulierung für die gleichen Kombinationen kann „zumindest eines von A und B“ oder „A und/oder B“ verwendet werden. Das gilt Äquivalent für Kombinationen von mehr als zwei Elementen.
Wenn eine Singularform, z. B. „ein, eine“ und „der, die, das“ verwendet wird und die Verwendung nur eines einzelnen Elements weder explizit noch implizit als verpflichtend definiert ist, können weitere Beispiele auch mehrere Elemente verwenden, um die gleiche Funktion zu implementieren. Wenn eine Funktion im Folgenden als unter Verwendung mehrerer Elemente implementiert beschrieben ist, können weitere Beispiele die gleiche Funktion unter Verwendung eines einzelnen Elements oder einer einzelnen Verarbeitungsentität implementieren. Es versteht sich weiterhin, dass die Begriffe „umfasst“, „umfassend“, „aufweist“ und/oder „aufweisend“ bei deren Gebrauch das Vorhandensein der angegebenen Merkmale, Ganzzahlen, Schritte, Operationen, Prozesse, Elemente, Komponenten und/oder einer Gruppe derselben beschreiben, dabei aber nicht das Vorhandensein oder das Hinzufügen eines oder mehrerer anderer Merkmale, Ganzzahlen, Schritte, Operationen, Prozesse, Elemente, Komponenten und/einer Gruppe derselben ausschließen.
1a und 1b zeigen Flussdiagramme von Beispielen eines computer-implementierten Verfahrens zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs 100 (in 1d gezeigt). Das Verfahren umfasst ein Identifizieren 110 von ein oder mehreren Insassen eines Fahrzeugs. Das Verfahren umfasst ferner ein Bestimmen 120 von Umgebungsindikatoren basierend auf zumindest einem von Sensordaten des Fahrzeugs, Aktuatordaten des Fahrzeugs, Online-Daten und Zeitdaten. Die Umgebungsindikatoren zeigen einen Umgebungskontext, in dem sich das Fahrzeug und/oder die ein oder mehreren Fahrzeuginsassen befinden, an. Das Verfahren umfasst ferner ein Bestimmen 130 der ein oder mehreren Einstellungen des Fahrzeugs unter Verwendung einer Ausgabe eines Maschinenlern-Modells. Das Maschinenlern-Modell ist darauf trainiert, basierend auf den Umgebungsindikatoren unter Berücksichtigung der ein oder mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben. Das Maschinenlern-Modell ist zumindest teilweise basierend auf früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert. Das Verfahren umfasst ferner ein Bereitstellen 140 eines Steuersignals zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs basierend auf den zuvor bestimmten ein oder mehreren Einstellungen des Fahrzeugs. Das Verfahren wird von dem Fahrzeug 100 ausgeführt, etwa von einer entsprechenden Vorrichtung 10 zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs, die in den 1c und 1d gezeigt ist.
1c zeigt ein Blockdiagramm eines Beispiels der Vorrichtung 10 zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs 100. Die Vorrichtung 10 umfasst ein oder mehrere Prozessoren 14 und ein oder mehrere Speichergeräte 16, die mit den ein oder mehreren Prozessoren 14 gekoppelt sind. Optional umfasst die Vorrichtung ferner zumindest eine Schnittstelle 12, die ebenfalls mit den ein oder mehreren Prozessoren 14 gekoppelt ist. Dabei sind die ein oder mehreren Prozessoren grundsätzlich dazu ausgebildet, die Funktionalität der Vorrichtung bereitzustellen, mit Hilfe der zumindest einen Schnittstelle (zur Kommunikation und zum Austausch von Daten mit den Sensoren 102, den Aktoren (Aktuatoren) 104 und/oder einer entfernten Gegenstelle über ein drahtloses Kommunikationsnetzwerk) und/oder mit Hilfe der ein oder mehreren Speichergeräte (zum Speichern und Abrufen von Daten). Die Vorrichtung ist ausgebildet zum Durchführen des Verfahrens der 1a und/oder 1b. Dabei kann das Verfahren grundsätzlich von den ein oder mehreren Prozessoren ausgeführt werden, wobei die zumindest eine Schnittstelle zur Kommunikation und die ein oder mehreren Speichergeräte zum Speichern und Abrufen von Daten verwendet werden.
Diese Vorrichtung ist im Allgemeinen Teil eines Fahrzeugs. 1d zeigt eine schematische Zeichnung eines Beispiels eines Fahrzeugs 10, das die Vorrichtung 10 sowie die Sensoren 102 und/oder Aktoren 104 umfasst.
Im Folgenden werden die Merkmale des Verfahrens, der entsprechenden Vorrichtung, eines entsprechenden Computerprogramms sowie des Fahrzeugs in Bezug auf das Verfahren beschrieben. Merkmale, die im Zusammenhang mit dem Verfahren beschrieben werden, können dabei ebenfalls in die entsprechende Vorrichtung, das entsprechende Computerprogramm und das entsprechende Fahrzeug übernommen werden.
Verschiedene Aspekte der vorliegenden Offenbarung beziehen sich auf ein computer-implementiertes Verfahren zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs, sowie auf eine entsprechende Vorrichtung und ein entsprechendes Computerprogramm. Dabei kann das Verfahren, die Vorrichtung und das Computerprogramm genutzt werden, um die ein oder mehreren Einstellungen anzupassen (d.h., zu verändern), basierend auf den nachfolgenden Kriterien. Dabei sind nicht alle Fahrzeug-Einstellungen gleichsam geeignet für die das vorliegende Konzept. Insbesondere ist das vorliegende Konzept für ein oder mehrere Einstellungen geeignet, die durch die ein oder mehreren Insassen des Fahrzeugs über eine Benutzerschnittstelle (des Fahrzeugs) veränderbar sind, d.h. Einstellungen, die von den Benutzern auch selbst geändert werden können, ohne dass hierdurch eine Änderung von Hardware oder Software des Fahrzeugs notwendig würde. Eine mögliche Beschränkung auf solche Einstellungen hat zudem den Vorteil, dass die Handlungen der Insassen, d.h., die Veränderung der Einstellungen durch die Insassen, aufgezeichnet werden können und zum Training des Maschinenlern-Modells eingesetzt werden können. Folglich kann das Verfahren ein Aufzeichnen eines Verändern der Einstellungen durch die Insassen, zusammen mit entsprechenden Umgebungsindikatoren, umfassen. Beispielsweise können sich die ein oder mehreren Einstellungen des Fahrzeugs sich auf Funktionen eines Innenraums des Fahrzeugs beziehen, etwa auf Komfortfunktionen des Fahrzeugs. Dies können beispielweise ein oder mehreren Einstellungen des Fahrzeugs zumindest eines von einer Klimaanlageneinstellung des Fahrzeugs, einer Sitzeinstellung des Fahrzeugs, einer Beleuchtungseinstellung des Fahrzeugs, einer Scheibenwischereinstellung des Fahrzeugs sein. Aber auch eine Fahrwerkseinstellung des Fahrzeugs kann zu den Einstellungen zählen, etwa eine Umstellung zwischen einer Komfort- und einer Sport-Fahrwerkseinstellung. Auch weitere Einstellungen sind denkbar.
Das vorgeschlagene Konzept beginnt mit dem Identifizieren 110 der ein oder mehreren Insassen eines Fahrzeugs. Dies geschieht aus zwei Gründen - einerseits können so die passenden ein oder mehreren Einstellungen bestimmt werden, andererseits können die Handlungen und Rückmeldungen der Insassen auch den richtigen Insassen zugeordnet werden, um ein weitergehendes Training des Maschinenlern-Modells zu ermöglichen. Dabei können die Insassen mittels verschiedener Techniken identifiziert werden, etwa über Funksignale eines Mobilgeräts der jeweiligen Insassen, über eine Identifikation eines Fahrzeugschlüssels, der von einem bestimmten Insassen verwendet werden, über die Bestimmung eines Gewichts der Insassen, hin zu einer Analyse von Kameradaten (zur visuellen Insassenerkennung) oder einer Analyse von biometrischen Daten (etwa anhand eines Herzrhythmus oder anhand einer Stimmenanalyse). Zusätzlich zur Identität der Insassen kann auch eine Position der Insassen innerhalb des Fahrzeugs bestimmt werden, d.h., welcher Insasse auf welchem Sitzplatz des Fahrzeugs sitzt.
Das Maschinenlern-Modell hat zwei Gruppen von Eingaben - die Insassen, und die Umgebungsindikatoren. Dabei werden die Umgebungsindikatoren von zumindest einem von Sensordaten des Fahrzeugs, Aktuatordaten des Fahrzeugs, Online-Daten und Zeitdaten abgeleitet und zeigen einen Umgebungskontext an, in dem sich das Fahrzeug und/oder die ein oder mehreren Fahrzeuginsassen befinden. In anderen Worten wird dem Maschinenlern-Modell über die Umgebungsindikatoren eine Möglichkeit gegeben, die Einstellungen dem Umgebungskontext anzupassen. Dabei kann der Umgebungskontext auch als Merkmals-Vektor zum Abbilden der Sensordaten, Aktuatordaten, Online-Daten und/oder Zeitdaten für das Maschinenlern-Modell gesehen werden. In manchen Beispielen umfasst das Verfahren ferner ein Konvertieren der Sensordaten, Aktuatordaten, Online-Daten und/oder Zeitdaten in ein standardisiertes Format, so dass das Maschinenlern-Modell auch in anderen Fahrzeugen zum Einsatz kommen kann.
Die Umgebungsindikatoren können gleichsam als Auslöser für die Änderung der Fahrzeugeinstellungen verwendet werden. Abhängig von dem Umgebungskontext wird dabei eine Änderung oder Re-Evaluation der ein oder mehreren Einstellungen ausgelöst. Als Beispiel - Helligkeits-Sensordaten des Fahrzeugs oder die Zeitdaten können anzeigen, dass außerhalb (und daher auch innerhalb) des Fahrzeugs Dunkelheit herrscht. Dies kann als Auslöser dazu dienen, die Außen und/oder Innenbeleuchtung des Fahrzeugs anzupassen. Auch können Herzfrequenz-Sensordaten anzeigen, dass ein Insasse (etwa ein Kleinkind) schläft. Dies kann ebenfalls als Auslöser dazu dienen, die Innenbeleuchtung des Fahrzeugs anzupassen. Eine Aktivierung des Scheibenwischers kann als Auslöser dazu genutzt werden, um die Lautstärke des Infotainment-Systems anzupassen, oder um die Wischrate entsprechend den Präferenzen des Fahrers anzupassen. Eine Aktivierung der Seitenscheiben kann ebenfalls als Auslöser dazu dienen, die Lautstärke des Infotainment-Systems anzupassen. Der Empfang einer Benachrichtigung über das Internet bezüglich eines Staus oder einer Verfügbarkeit von Ladesäulen kann als Auslöser dazu genutzt werden, um die Routenplanung zu reevaluieren. Daher kann Verfahren ferner ein Bestimmen eines Auslösers zum Ändern der ein oder mehreren Einstellungen basierend auf den Umgebungsindikatoren umfassen. Das Bestimmen des Auslösers kann ebenfalls auf maschinellem Lernen basieren, wobei ein weiteres Maschinenlern-Modell, oder das Maschinenlern-Modell darauf trainiert werden kann, einen Zusammenhang zwischen einer Änderung eines Umgebungsindikators und dem Ändern einer Einstellung durch einen Insassen zu lernen (etwa durch Unsupervised Learning (Nichtüberwachtes Lernen) zum Bestimmen von Gemeinsamkeiten in Eingabedaten). Alternativ oder zusätzlich kann bei Änderung eines Umgebungsindikators anhand einer Datenbank oder Liste von häufigen Auslösern ein Auslöser bestimmt werden.
Daher bilden die Umgebungsindikatoren einerseits ab, in welcher Situation sich das Fahrzeug und/oder die ein oder mehreren Insassen befinden, andererseits können sie als Auslöser für das Bestimmen der ein oder mehreren Einstellungen verwendet werden.
Die Umgebungsindikatoren (etwa inklusive einem Indikator für den bestimmten Auslöser) werden nun als Eingabe für das Maschinenlern-Modell verwendet. Auch die Identität der ein oder mehreren Insassen hat einen Einfluss auf das Maschinenlern-Modell. In manchen Beispielen kann die Identität der ein oder mehreren Insassen (in kodierter Form) auch als Eingabemerkmal für das Maschinenlern-Modell verwendet werden. Alternativ entspricht das Maschinenlern-Modell einer Sammlung von Maschinenlern-Modellen, wobei jedem Insassen (und optional jeder Kombination von Insassen) ein Maschinenlern-Modell der Sammlung von Maschinenlern-Modellen zugewiesen ist, das basierend auf der Identität der ein oder mehreren Insassen ausgewählt wird.
Das Maschinenlern-Modell ist darauf trainiert, um basierend auf den Umgebungsindikatoren unter Berücksichtigung der ein oder mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben. Dabei ist das Maschinenlern-Modell zumindest teilweise basierend auf früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert.
Im Folgenden werden zuerst die Grundlagen des maschinellen Lernens sowie unterschiedliche Lernansätze kurz skizziert. Anschließend wird gezeigt, wie das vorliegende Maschinenlern-Modell ausgestaltet und trainiert werden kann. Maschinelles Lernen bezieht sich auf Algorithmen und statistische Modelle, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Informationen über den Inhalt der Bilder als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern-Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter Informationen über den Inhalt der Bilder (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht-Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird. Im vorliegenden Fall werden die Umgebungsindikatoren, etwa eine in ein standardisiertes Format konvertierte Fassung der Merkmalsvektoren, als Merkmalsvektor verwendet werden.
Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das „Supervised Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainings-Samples (Datensätzen) trainiert, wobei jedes Sample eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten umfassen kann. Durch Angeben sowohl von Eingabedatenwerten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert basierend auf einem Eingabedatenwert, der ähnlich zu den während des Trainings bereitgestellten Eingabedatenwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden. Beim Semi-Supervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen-Algorithmus). Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein Unsupervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.
Verstärkendes Lernen (Reinforcement Learning) ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lernen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software-Agenten“) trainiert, um Handlungen in einer Umgebung vorzunehmen. Basierend auf den vorgenommenen Handlungen wird eine Belohnung anhand einer Belohnungsfunktion berechnet. Verstärkendes Lernen basiert auf dem Trainieren des einen oder der mehreren Software-Agenten, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software-Agenten führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).
Im vorliegenden Konzept kann das Maschinenlern-Modell mittels Supervised Learning und/oder mittels Reinforcement Learning trainiert werden. Entsprechend kann das Verfahren ein Trainieren 170 des Maschinenlern-Modells oder eines Teilmodells des Maschinenlern-Modells basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen umfassen.
Wird das Maschinenlern-Modell mittels Supervised Learning trainiert, so kann ein erwünschter Ausgabewert basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen gebildet werden und der Merkmalsvektor, der basierend auf den Umgebungsindikatoren bestimmt wurde, als Trainingseingabedaten verwendet werden. Wird ein Maschinenlernmodell für mehrere Insassen verwendet, so können auch die Identifizierten ein oder mehreren Insassen als weitere Merkmale der Trainingseingabedaten verwendet werden. Dazu kann beispielsweise bei Änderungen einer Einstellung des Fahrzeugs (etwa Änderungen, die nicht innerhalb kurzer Zeit revidiert werden) ein Schnappschuss der Umgebungsindikatoren als Merkmalsvektor für die Trainingseingabedaten gespeichert werden, und die geänderte Einstellung kann als erwünschter Ausgabewert gespeichert werden. Sind eine relevante Menge von Trainingseingabedaten gesammelt, so kann mit dem Training des Maschinenlern-Modells begonnen werden. Über die Zeit kann das Training jeweils basierend auf nachfolgend gesammelten Trainingseingabedaten und erwünschten Ausgabewerten fortgesetzt werden.
Wird das Maschinenlern-Modell mittels Reinforcement-Learning trainiert, so können die früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen genutzt werden, um die Belohnungsfunktion zu definieren.
Die zuvor beschriebenen Trainingskonzepte lassen sich jeweils sowohl auf den Ansatz anwenden, in dem die Identität des Insassen als Eingabemerkmal für das Maschinenlern-Modell verwendet wird, als auch auf den Ansatz, in dem für jeden Insassen ein separates Maschinenlern-Modell verwendet wird. Lediglich die Auswahl der zu nutzenden Trainingsdaten kann jeweils auf den jeweiligen Insassen angepasst werden.
Die Trainingsdaten können auch gezielt dadurch gesammelt werden, dass die Reaktion der ein oder mehreren Insassen auf die Änderungen der ein oder mehreren Einstellungen aufgezeichnet und ausgewertet wird. So kann das Verfahren ferner ein Ändern einer Einstellung des Fahrzeugs durch Bereitstellen des Steuersignals, ein Erhalten 150 einer Rückmeldung eines Insassen des Fahrzeugs als Reaktion auf das Ändern der Einstellung, und ein Speichern 160 der Rückmeldung als Information über eine frühere Handlung oder Rückmeldung des Insassen umfassen. Beispielsweise kann einerseits erkannt werden, ob die Änderung der Einstellungen von den ein oder mehreren Insassen positiv oder negativ aufgefasst wird, was als Rückmeldung der ein oder mehreren Insassen gewertet wird. Dazu kann das Verfahren ein Auswerten 152 von Bilddaten (etwa eines Gesichtsausdrucks der ein oder mehreren Insassen) zum Erhalten der Rückmeldung umfassen. Dabei können glückliche oder entspannte Gesichtsausdrücke als positive oder neutrale Rückmeldung gewertet werden und angespannte oder verärgerte Gesichtsausdrücke als negative Rückmeldung gewertet werden. Alternativ oder zusätzlich kann das Verfahren ein Auswerten 154 von biometrischen Sensordaten (etwa Herzfrequenzdaten oder Stimmaufnahmen) zum Erhalten der Rückmeldung umfassen. Senkt sich die Herzfrequenz, so kann dies als positive Rückmeldung gewertet werden, steigt sie, so kann dies als negative Rückmeldung (bei einem verärgerten Gesichtsausdruck) oder als positive Rückmeldung (bei einem erfreuten Gesichtsausdruck) gewertet werden. Die Spracherkennung kann genutzt werden, um zwischen einem erfreuten (positive Rückmeldung) oder verärgerten (negative Rückmeldung) Tonfall zu unterscheiden.
Alternativ oder zusätzlich können die ein oder mehreren Insassen direkt gefragt werden, ob ihnen eine Änderung einer Einstellung zusagt. So kann das Verfahren ein Bereitstellen 156 einer Ausgabe über eine Text-zu-Sprache-Schnittstelle und ein Erhalten 150 der Rückmeldung als Antwort auf die Ausgabe über eine Spracherkennung umfassen. Auch ein Bildschirm des Fahrzeugs kann verwendet werden. Das Verfahren kann ein Bereitstellen 158 einer Ausgabe über einen Bildschirm des Fahrzeugs und ein Erhalten 150 der Rückmeldung als Antwort auf die Ausgabe über ein Eingabegerät, wie etwa einen berührungsempfindlichen Bildschirm, des Fahrzeugs umfassen.
Im Allgemeinen kann es unpraktikabel sein, ein Maschinenlern-Modell von Grund auf basierend auf den im Fahrzeug gesammelten Daten zu trainieren. Daher kann ein bereits trainiertes, generisches Maschinenlern-Modell als Grundlage verwendet werden, das durch den Fahrzeughersteller bereitgestellt wird. Dieses Modell kann darauf trainiert sein, basierend auf den Umgebungsindikatoren ein oder mehrere Einstellungen auszuwählen, die von einer Mehrheit von verschiedenen Insassen als angemessen empfunden werden. Auch kann dieses Modell darauf trainiert sein, um Auslöser in den Umgebungsindikatoren zu detektieren. Dieses vortrainierte Modell kann nun als Grundlage für das Maschinenlern-Modell verwendet werden. Hierbei sind zwei Ansätze möglich. In einem ersten Ansatz kann das vortrainierte, generische Maschinenlern-Modell als eines von zwei Modellen verwendet werden, die miteinander verknüpft werden. Das Maschinenlern-Modell kann beispielsweise zwei Teilmodelle umfassen. Din erstes Teilmodell kann personenunspezifisch (also generisch) trainiert sein und das zweite Teilmodell kann basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert sein. Ein solcher Ansatz ist etwa in den 2a bis 3 gezeigt, wobei das vortrainierte, generische Maschinenlern-Modell als Standard-Modell und das basierend auf den Insassen trainierte Modell als Verhaltensmodell bezeichnet wird.
Alternativ kann das Maschinenlern-Modell auf einem personenunspezifischen Modell basieren, das basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen weitertrainiert wurde. Daher kann das Trainieren des Maschinenlern-Modell einem weitertrainieren des vortrainierten, generischen Maschinenlern-Modells entsprechen.
Das trainierte Maschinenlern-Modell kann in verschiedenen Formen eingesetzt werden. In manchen Beispielen kann das Maschinenlern-Modell etwa genutzt werden, um für jeden der Insassen eigene Einstellungen zu bestimmen. In anderen Worten können bei mehreren Insassen für jeden der Insassen eigene Einstellungen bestimmt werden. Dies kann dadurch geschehen, dass bei mehreren Insassen das Maschinenlern-Modell separat für jeden der Insassen auf die Umgebungsindikatoren angewandt wird. Dabei kann sowohl der Ansatz gewählt werden, in dem die Identität des Insassen als Eingabemerkmal für das Maschinenlern-Modell verwendet wird, als auch der Ansatz, in dem für jeden Insassen ein separates Maschinenlern-Modell verwendet wird.
Alternativ oder zusätzlich können auch direkt gemeinsame Einstellungen bestimmt werden, die möglichst allen Insassen gerecht werden. Beispielsweise können die ein oder mehreren Einstellungen so gewählt werden, dass bei mehreren Insassen gemeinsame ein oder mehrere Einstellungen für die mehreren Insassen bestimmt werden. Hier sind wiederum zwei Ansätze möglich. In einem ersten Ansatz kann bei mehreren Insassen das Maschinenlern-Modell separat für jeden der Insassen auf die Umgebungsindikatoren angewandt werden. Die gemeinsamen ein oder mehreren Einstellungen können hier basierend auf ein oder mehreren Zusammenfügungskriterien aus den jeweiligen Ausgaben des Maschinenlern-Modells zusammengefügt werden. Die Zusammenfügungskriterien können beispielsweise angeben, ob bei verschiedenen Einstellungswerten ein minimaler, ein durchschnittlicher oder ein maximaler Wert zu verwendet ist (etwa bei Innentemperatur oder Lautstärke). In einem zweiten Ansatz kann das Maschinenlern-Modell von vornherein darauf trainiert sein, basierend auf den Umgebungsindikatoren unter Berücksichtigung einer Kombination der mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben. Dazu kann entweder der Ansatz gewählt werden, dass die Identität der Insassen als Eingabemerkmal für das Maschinenlern-Modell genutzt wird, oder der Ansatz, dass ein Maschinenlern-Modell der Sammlung von Maschinenlern-Modellen auf eine Kombination von Insassen trainiert ist.
Auch Mischformen sind möglich. So können beispielsweise manche Einstellungen als gemeinsame Einstellungen bestimmt werden (etwa Einstellungen, die für jeden Insassen gleich eingestellt werden müssen), andere Einstellungen können separat für jeden Insassen (oder für Untergruppen von Insassen) bestimmt werden.
Das Maschinenlern-Modell kann beispielsweise auf zumindest einem Prozessor der ein oder mehreren Prozessoren oder auf einer Beschleunigungseinheit für die Ausführung oder das Training von Maschinenlern-Modellen ausgeführt und/oder trainiert werden.
Das Verfahren umfasst ferner das Bereitstellen 140 des Steuersignals zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs basierend auf den zuvor bestimmten ein oder mehreren Einstellungen des Fahrzeugs. Dabei kann das Steuersignal beispielsweise bereitgestellt werden, um die ein oder mehreren Einstellungen zu ändern. Das Steuersignal kann beispielsweise ein Aktuatoren (Aktoren) 104 bereitgestellt werden.
Manche Einstellungen können für jeden Insassen separat bestimm werden. Dies ist insbesondere dann der Fall, wenn diese Einstellungen auch separat für die Insassen eingestellt werden können. Dies ist etwa der Fall in Bezug auf die Sitzeinstellung, die Lautstärke oder Ton-Abstimmung des Infotainmentsystems (in Grenzen), die Belüftung, oder die Innenraumbeleuchtung. Beispielsweise kann der Innenraum des Fahrzeugs in zumindest zwei Regionen aufgeteilt sein, etwa vorne und hinten, erste, zweite und dritte Reihe, oder vorne links, vorne rechts, hinten links und hinten rechts. Das Steuersignal zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs kann so bereitgestellt werden, dass die Einstellungen für die jeweilige Region entsprechend ein oder mehrerer Insassen bereitgestellt werden, die sich in der jeweiligen Region des Fahrzeugs aufhalten. Dazu kann nun die zuvor bestimmte Position der Insassen innerhalb des Fahrzeugs verwendet werden.
Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell“ kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern-Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.
Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.
Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random-Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.
Die zumindest eine Schnittstelle 12 kann beispielsweise einem oder mehreren Eingängen und/oder einem oder mehreren Ausgängen zum Empfangen und/oder Übertragen von Informationen entsprechen, etwa in digitalen Bitwerten, basierend auf einem Code, innerhalb eines Moduls, zwischen Modulen, oder zwischen Modulen verschiedener Entitäten. Die zumindest eine Schnittstelle 12 kann beispielsweise eine Schnittstellenschaltungsanordnung umfassen, die zum Empfangen von Eingabedaten und Bereitstellen von Ausgabedaten ausgebildet ist.
Die ein oder mehreren Prozessoren 14 können einem beliebigen Controller oder Prozessor oder einer programmierbaren Hardwarekomponente entsprechen. Beispielsweise kann die Funktionalität der ein oder mehreren Prozessoren 14 auch als Software realisiert sein, die für eine entsprechende Hardwarekomponente programmiert ist. Insofern können die ein oder mehreren Prozessoren 14 als programmierbare Hardware mit entsprechend angepasster Software implementiert sein. Dabei können beliebige Prozessoren, wie Digitale Signalprozessoren (DSPs) zum Einsatz kommen. Ausführungsbeispiele sind dabei nicht auf einen bestimmten Typ von Prozessor eingeschränkt. Es sind beliebige Prozessoren oder auch mehrere Prozessoren zur Implementierung denkbar.
Die ein oder mehreren Speichergeräte 16 können beispielsweise zumindest ein Element der Gruppe von computerlesbares Speichermedium, magnetisches Speichermedium, optisches Speichermedium, Festplatte, Flash-Speicher, Diskette, Zufallszugriffsspeicher (auch engl. Random Access Memory), Programmable Read Only Memory (PROM), Erasable Programmable Read Only Memory (EPROM), Electronically Erasable Programmable Read Only Memory (EEPROM), und Netzwerkspeicher umfassen.
Das Fahrzeug 100 kann beispielsweise einem Landfahrzeug, einem Wasserfahrzeug, einem Luftfahrzeug, einem Schienenfahrzeug, einem Straßenfahrzeug, einem Auto, einem Geländefahrzeug, einem Kraftfahrzeug, oder einem Lastkraftfahrzeug entsprechen.
Mehr Details und Aspekte des Verfahrens, der Vorrichtung, des Computerprogramms und des Fahrzeugs werden in Verbindung mit dem Konzept oder Beispielen genannt, die vorher oder nachher (z.B. 2a bis 3) beschrieben werden. Das Verfahren, die Vorrichtung, das Computerprogramm und das Fahrzeug können ein oder mehrere zusätzliche optionale Merkmale umfassen, die ein oder mehreren Aspekten des vorgeschlagenen Konzepts oder der beschriebenen Beispiele entsprechen, wie sie vorher oder nachher beschrieben wurden.
Verschiedene Aspekte der vorliegenden Offenbarung beziehen sich auf ein Verhaltensmodell, das mittels Deep Learning, etwa durch Reinforcement Learning, trainiert ist, und das für autonome Fahrzeuge geeignet ist.
Um das Erlebnis der Insassen des Fahrzeugs zu verbessern und eine größere Verbindung zum Fahrzeug zu schaffen, kann ein Deep-Learning-basiertes Verhaltensmodell (etwa das Maschinenlern-Modell) in das Auto eingeführt werden, das als Ergänzung zu den bestehenden Maschinenlern-Modellen fungiert, die etwa zum Steuern des Fahrzeugs verwendet werden. Aus Sicht der Insassen ist die Personalisierung ein großes Thema, so dass vollständig personalisierten Fahrzeugen voraussichtlich die Zukunft gehört. Ein solches Fahrzeug kann sich in jeder Situation auf den Benutzer einstellen und kennt seine Gewohnheiten.
Beispielsweise kann jedes Auto ab Werk mit einem generischen Maschinenlern-Modell ausgeliefert werden, das für eine große Anzahl von Menschen geeignet ist, aber nicht die persönlichen Vorlieben jedes Einzelnen bedient. In einer neuronalen Recheneinheit des Fahrzeugs kann ein Verhaltensmodell des Fahrzeugs über das Standardmodell des maschinellen Lernens hinaus eingeführt werden. Dieses Verhaltensmodell des Fahrzeugs kann eine ständig aktualisierte, einzigartige und personalisierte Kombination an Merkmalen zur Anpassung an alle Insassen, die das Fahrzeug fahren, umfassen. Daher kann das Fahrzeug einzigartig auf seine Insassen angepasst werden. Dies kann beispielsweise durch Deep Learning (Tiefes Lernen), etwa Supervised Learning (Überwachtes Lernen) oder Reinforcement Learning (Verstärkendes Lernen) auf einem Deep Neural Network (Tiefes Neuronales Netz, d.h. ein Neuronales Netz mit zumindest einer versteckten Schicht) der Umgebung erreicht werden. Die Umgebung wird von den verfügbaren Sensoren im Auto erfasst und als Umgebungsindikatoren dem Maschinenlern-Modell bereitgestellt. Die Reaktion der Benutzer kann ebenfalls verfolgt werden, so dass der Zufriedenheitsgrad ermittelt und in das Verhaltensmodell eingespeist werden kann, um es für den Benutzer einzigartig zu machen. Verschiedene Beispiele basieren somit auf dem Hinzufügen der zusätzlichen Schicht des Verhaltensmodells, das ein einzigartiges, individuelles Modell für die Insassen eines Fahrzeugs ist.
2a und 2b zeigen ein Konzept der Personalisierung der Einstellungen des Fahrzeugs. Die Personalisierung 210 wird dadurch erreicht, dass ein Verhaltensmodell 240 auf ein vorhandenes Modell 230 eines autonomen Fahrzeugs mit Fertigungseinstellungen aufgesetzt wird. Das Verhaltensmodell wird basierend auf Umgebungsfaktoren 230, wie etwa dem Fahrverhalten, Tankzustand, Klimatisierung, Navigation, Parken, Infotainment, Reinigung, Anzahl von Fahrern etc. betrieben, d.h. ein oder mehrere der zuvor genannten Umgebungsfaktoren/Umgebungsindikatoren können als Eingangsmerkmale dem Verhaltensmodell 240 bereitgestellt werden (und dem bestehenden Modell 220) und eine Ausgabe des Maschinenlern-Modells kann genutzt werden, um ein oder mehrere Einstellungen des Fahrzeugs zu steuern.
In 2b ist ein Ansatz zum Training des Verhaltensmodells 240 gezeigt. Hier werden die zuvor genannten Umgebungsfaktoren/Umgebungsindikatoren 230 als Trainingsdaten für ein Deep Reinforcement Learning-basiertes Training 230 genutzt werden, um das Verhaltensmodell 240 zu trainieren. Alternativ können auch andere Trainingsmethoden zum Einsatz kommen, wie etwa Supervised Learning. Das Verhaltensmodell wird dabei trainiert zum Bereitstellen 250 von einzigartiger Funktionalität für die Insassen.
3 zeigt ein schematisches Beispiel einer Übersicht von verschieden Komponenten eines Systems, das zur Personalisierung von Einstellungen verwendbar ist. Der Benutzer und die Umgebung des Fahrzeugs erzeugen eine Eingabe 300 für das Sensornetzwerk 310 im Fahrzeug, das Umgebungsinformationen (etwa Umgebungsindikatoren) für die neuronale Einheit 320 generiert. Dabei kann das Netzwerk von Sensoren etwa einen Herzfrequenzsensor 312, einen Radarsensor 314, einen GPS-Sensor (Globales Positionierungs-System-Sensor) 316 und/oder anderen Sensoren 318 umfassen. Die neuronale Einheit gibt die Daten an ein Deep-Learning-Modell (das Maschinenlern-Modell), etwa ein Reinforcement Learning-basiertes oder ein Supervised Learning-basiertes Modell, das sogenannte Verhaltensmodell 324, weiter, das beginnt, die Gewohnheiten der Insassen zu lernen. Um zu gewährleisten, dass keine Gesetze durch das Erlernen schlechter Gewohnheiten gebrochen werden, kann im Standard-Modell, d.h. in einem generischen Teilmodell 322, ein vordefinierter Parameterraum festgelegt werden. Das Verhaltensmodell kann das Standardmodell überwachen und entscheiden, wie das Standardmodell mit den Aktoren im Fahrzeug interagieren soll, um die Mensch-Maschine-Schnittstellen zu steuern und zu kontrollieren. Die Neuronale Einheit 320, etwa das Standard-Modell 322, das von der Neuronalen Einheit ausgeführt wird, interagiert mit ein oder mehreren Aktuatoren 330, wie etwa einer Klimasteuerung 332, einer Beschleunigungspedal-Einheit 334 (um Einstellungen bezüglich des Beschleunigungspedals vorzunehmen), einem Infotainment-System 336, oder anderen Aktuatoren 338.
Ein Beispiel könnte die Klimatisierung sein: Wenn der Fahrer allein im Auto sitzt, würde das Modell die Temperatur auf 18°C einstellen. Wenn die ganze Familie einschließlich eines kleinen Kindes mitfährt, wird die Temperatur auf einen höheren Wert eingestellt, der dem Konsens aller Fahrgäste entspricht.
Dabei kann das Verhaltensmodell so ausgebildet werden, dass es auch auf andere Fahrzeuge übertragbar ist. Beispielsweise können die Umgebungsindikatoren in ein standardisiertes Format konvertiert werden, bevor sie für Training und Ausführung des Verhaltensmodells zum Einsatz kommen.
Das vorgeschlagene Konzept ist einsetzbar in Fahrzeugen mit neuronaler Einheit, d.h., in Fahrzeugen, die dazu in der Lage sind, Maschinenlern-Modelle auszuführen, etwa auf einem Prozessor oder einem Beschleuniger für Neuronale Anwendungen. Genereller kann das vorgeschlagene Konzept auf alle anpassbare Geräte mit neuronalen Einheiten angewandt werden.
Mehr Details und Aspekte des Verhaltensmodells werden in Verbindung mit dem Konzept oder Beispielen genannt, die vorher (z.B. 1a bis 1d) beschrieben wurden. Das Verhaltensmodell kann ein oder mehrere zusätzliche optionale Merkmale umfassen, die ein oder mehreren Aspekten des vorgeschlagenen Konzepts oder der beschriebenen Beispiele entsprechen, wie sie vorher oder nachher beschrieben wurden.
Die Aspekte und Merkmale, die im Zusammenhang mit einem bestimmten der vorherigen Beispiele beschrieben sind, können auch mit einem oder mehreren der weiteren Beispiele kombiniert werden, um ein identisches oder ähnliches Merkmal dieses weiteren Beispiels zu ersetzen oder um das Merkmal in das weitere Beispiel zusätzlich einzuführen.
Beispiele können weiterhin ein (Computer-)Programm mit einem Programmcode zum Ausführen eines oder mehrerer der obigen Verfahren sein oder sich darauf beziehen, wenn das Programm auf einem Computer, einem Prozessor oder einer sonstigen programmierbaren Hardwarekomponente ausgeführt wird. Schritte, Operationen oder Prozesse von verschiedenen der oben beschriebenen Verfahren können also auch durch programmierte Computer, Prozessoren oder sonstige programmierbare Hardwarekomponenten ausgeführt werden. Beispiele können auch Programmspeichervorrichtungen, z. B. Digitaldatenspeichermedien, abdecken, die maschinen-, prozessor- oder computerlesbar sind und maschinenausführbare, prozessorausführbare oder computerausführbare Programme und Anweisungen codieren beziehungsweise enthalten. Die Programmspeichervorrichtungen können z. B. Digitalspeicher, magnetische Speichermedien wie beispielsweise Magnetplatten und Magnetbänder, Festplattenlaufwerke oder optisch lesbare Digitaldatenspeichermedien umfassen oder sein. Weitere Beispiele können auch Computer, Prozessoren, Steuereinheiten, (feldprogrammierbare Logik-Arrays ((F)PLAs = (Field) Programmable Logic Arrays),(feld- )programmierbare Gate-Arrays ((F)PGA = (Field) Programmable Gate Arrays), Grafikprozessoren (GPU = Graphics Processor Unit), anwendungsspezifische integrierte Schaltungen (ASIC = application-specific integrated circuit), integrierte Schaltungen (IC= Integrated Circuit) oder Ein-Chip-Systeme (SoC = System-on-a-Chip) abdecken, die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind.
Es versteht sich ferner, dass die Offenbarung mehrerer, in der Beschreibung oder den Ansprüchen offenbarter Schritte, Prozesse, Operationen oder Funktionen nicht als zwingend in der beschriebenen Reihenfolge befindlich ausgelegt werden soll, sofern dies nicht im Einzelfall explizit angegeben oder aus technischen Gründen zwingend erforderlich ist. Daher wird durch die vorhergehende Beschreibung die Durchführung von mehreren Schritten oder Funktionen nicht auf eine bestimmte Reihenfolge begrenzt. Ferner kann bei weiteren Beispielen ein einzelner Schritt, eine einzelne Funktion, ein einzelner Prozess oder eine einzelne Operation mehrere Teilschritte, -funktionen, -prozesse oder -operationen einschließen und/oder in dieselben aufgebrochen werden.
Wenn einige Aspekte in den vorhergehenden Abschnitten im Zusammenhang mit einer Vorrichtung oder einem System beschrieben wurden, sind diese Aspekte auch als eine Beschreibung des entsprechenden Verfahrens zu verstehen. Dabei kann beispielsweise ein Block, eine Vorrichtung oder ein funktionaler Aspekt der Vorrichtung oder des Systems einem Merkmal, etwa einem Verfahrensschritt, des entsprechenden Verfahrens entsprechen. Entsprechend dazu sind Aspekte, die im Zusammenhang mit einem Verfahren beschrieben werden, auch als eine Beschreibung eines entsprechenden Blocks, eines entsprechenden Elements, einer Eigenschaft oder eines funktionalen Merkmals einer entsprechenden Vorrichtung oder eines entsprechenden Systems zu verstehen.
Die folgenden Ansprüche werden hiermit in die detaillierte Beschreibung aufgenommen, wobei jeder Anspruch als getrenntes Beispiel für sich stehen kann. Ferner ist zu beachten, dass - obwohl ein abhängiger Anspruch sich in den Ansprüchen auf eine bestimmte Kombination mit einem oder mehreren anderen Ansprüchen bezieht - andere Beispiele auch eine Kombination des abhängigen Anspruchs mit dem Gegenstand jedes anderen abhängigen oder unabhängigen Anspruchs umfassen können. Solche Kombinationen werden hiermit explizit vorgeschlagen, sofern nicht im Einzelfall angegeben ist, dass eine bestimmte Kombination nicht beabsichtigt ist. Ferner sollen auch Merkmale eines Anspruchs für jeden anderen unabhängigen Anspruch eingeschlossen sein, selbst wenn dieser Anspruch nicht direkt als abhängig von diesem anderen unabhängigen Anspruch definiert ist.
Bezugszeichenliste

10: Vorrichtung
12: Schnittstelle
14: Prozessor
16: Speichergerät
100: Fahrzeug
110: Identifizieren von ein oder mehreren Insassen eines Fahrzeugs
120: Bestimmen von Umgebungsindikatoren
130: Bestimmen von ein oder mehreren Einstellungen des Fahrzeugs
140: Bereitstellen eines Steuersignals
150: Erhaltung einer Rückmeldung
152: Auswerten von Bilddaten
154: Auswerten von biometrischen Sensordaten
156: Bereitstellen einer Ausgabe über eine Text-zu-Sprache-Schnittstelle
158: Bereitstellen einer Ausgabe über einen Bildschirm
160: Trainieren eines Maschinenlern-Modells
210: Personalisierung
220: Vordefiniertes Modell
230: Umgebungsfaktoren
235: Deep Reinforcement Learning
240: Verhaltensmodell
250: Bereitstellen einzigartiger Funktionalität
300: Eingabe
310: Netzwerk von Sensoren
312: Herzfrequenzsensor
314: Radarsensor
316: GPS
318: Weitere Sensoren
320: Neuronale Einheit
322: Standard-Modell
324: Verhaltensmodell
330: Aktuatoren
332: Klimasteuerung
334: Beschleunigungspedal-Einheit
336: Infotainment-System
338: Weitere Aktuatoren

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

EP 3751465 A1 [0004]
US 20150158486 A1 [0004]

Claims

Ein computer-implementiertes Verfahren zum Steuern von ein oder mehreren Einstellungen eines Fahrzeugs (100), das Verfahren umfassend: Identifizieren (110) von ein oder mehreren Insassen eines Fahrzeugs; Bestimmen (120) von Umgebungsindikatoren basierend auf zumindest einem von Sensordaten des Fahrzeugs, Aktuatordaten des Fahrzeugs, Online-Daten und Zeitdaten, wobei die Umgebungsindikatoren einen Umgebungskontext, in dem sich das Fahrzeug und/oder die ein oder mehreren Fahrzeuginsassen befinden, anzeigen; Bestimmen (130) der ein oder mehreren Einstellungen des Fahrzeugs unter Verwendung einer Ausgabe eines Maschinenlern-Modells, wobei das Maschinenlern-Modell darauf trainiert ist, basierend auf den Umgebungsindikatoren unter Berücksichtigung der ein oder mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben, wobei das Maschinenlern-Modell zumindest teilweise basierend auf früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert ist; und Bereitstellen (140) eines Steuersignals zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs basierend auf den zuvor bestimmten ein oder mehreren Einstellungen des Fahrzeugs.
Das Verfahren gemäß Anspruch 1, wobei bei mehreren Insassen für jeden der Insassen eigene Einstellungen bestimmt werden.
Das Verfahren gemäß Anspruch 2, wobei bei mehreren Insassen das Maschinenlern-Modell separat für jeden der Insassen auf die Umgebungsindikatoren angewandt wird.
Das Verfahren gemäß einem der Ansprüche 2 oder 3, wobei ein Innenraum des Fahrzeugs in zumindest zwei Regionen aufgeteilt ist, wobei das Steuersignal zum Steuern der ein oder mehreren Einstellungen des Fahrzeugs so bereitgestellt wird, dass die Einstellungen für die jeweilige Region entsprechend ein oder mehrerer Insassen bereitgestellt wird, die sich in der jeweiligen Region des Fahrzeugs aufhalten.
Das Verfahren gemäß Anspruch 1, wobei die ein oder mehreren Einstellungen so gewählt werden, dass bei mehreren Insassen gemeinsame ein oder mehrere Einstellungen für die mehreren Insassen bestimmt werden.
Das Verfahren gemäß Anspruch 5, wobei bei mehreren Insassen das Maschinenlern-Modell separat für jeden der Insassen auf die Umgebungsindikatoren angewandt wird, wobei die gemeinsamen ein oder mehreren Einstellungen basierend auf ein oder mehreren Zusammenfügungskriterien aus den jeweiligen Ausgaben des Maschinenlern-Modells zusammengefügt werden.
Das Verfahren gemäß Anspruch 5, wobei das Maschinenlern-Modell darauf trainiert ist, basierend auf den Umgebungsindikatoren unter Berücksichtigung einer Kombination der mehreren Insassen Einstellungswerte für die ein oder mehreren Einstellungen des Fahrzeugs auszugeben.
Das Verfahren gemäß einem der Ansprüche 1 bis 7, wobei das Maschinenlern-Modell zwei Teilmodelle umfasst, wobei ein erstes Teilmodell personenunspezifisch trainiert ist und das zweite Teilmodell basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen trainiert ist.
Das Verfahren gemäß einem der Ansprüche 1 bis 7, wobei das Maschinenlern-Modell auf einem personenunspezifischen Modell basiert, das basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen weitertrainiert wurde.
Das Verfahren gemäß einem der Ansprüche 1 bis 9, umfassend Trainieren (170) des Maschinenlern-Modells oder eines Teilmodells des Maschinenlern-Modells basierend auf den früheren Handlungen oder Rückmeldungen der ein oder mehreren Insassen.
Das Verfahren gemäß einem der Ansprüche 1 bis 10, ferner umfassend Ändern einer Einstellung des Fahrzeugs durch Bereitstellen des Steuersignals, Erhalten (150) einer Rückmeldung eines Insassen des Fahrzeugs als Reaktion auf das Ändern der Einstellung, und Speichern (160) der Rückmeldung als Information über eine frühere Handlung oder Rückmeldung des Insassen.
Das Verfahren gemäß Anspruch 11, wobei das Verfahren ein Auswerten (152) von Bilddaten zum Erhalten der Rückmeldung umfasst, und/oder wobei das Verfahren ein Auswerten (154) von biometrischen Sensordaten zum Erhalten der Rückmeldung umfasst, und/oder wobei das Verfahren ein Bereitstellen (156) einer Ausgabe über eine Text-zu-Sprache-Schnittstelle und ein Erhalten der Rückmeldung als Antwort auf die Ausgabe über eine Spracherkennung umfasst, und/oder wobei das Verfahren ein Bereitstellen (158) einer Ausgabe über einen Bildschirm des Fahrzeugs und ein Erhalten der Rückmeldung als Antwort auf die Ausgabe über ein Eingabegerät des Fahrzeugs umfasst.
Das Verfahren gemäß einem der Ansprüche 1 bis 12, wobei die ein oder mehreren Einstellungen des Fahrzeugs durch die ein oder mehreren Insassen des Fahrzeugs über eine Benutzerschnittstelle veränderbar sind, und/oder wobei die ein oder mehreren Einstellungen des Fahrzeugs sich auf Funktionen eines Innenraums des Fahrzeugs beziehen, und/oder wobei die ein oder mehreren Einstellungen des Fahrzeugs zumindest eines von einer Klimaanlageneinstellung des Fahrzeugs, einer Sitzeinstellung des Fahrzeugs, einer Beleuchtungseinstellung des Fahrzeugs, einer Scheibenwischereinstellung des Fahrzeugs und einer Fahrwerkseinstellung des Fahrzeugs umfassen.
Eine Vorrichtung, umfassend ein oder mehrere Prozessoren und ein oder mehrere Speichergeräte, ausgebildet zum Durchführen des Verfahrens gemäß einem der Ansprüche 1 bis 13.
Ein Programm mit einem Programmcode zum Durchführen des Verfahrens gemäß einem der Ansprüche 1 bis 13, wenn der Programmcode auf einem Computer, einem Prozessor, einem Kontrollmodul oder einer programmierbaren Hardwarekomponente ausgeführt wird.