DE102021134155B3

DE102021134155B3 - Verfahren und Prozessorschaltung zur Verbrauchsoptimierung von vollautomatisierten oder teilautomatisierten Fahrmanövern eines Kraftfahrzeugs sowie entsprechend ausgestattetes Kraftfahrzeug und System

Info

Publication number: DE102021134155B3
Application number: DE102021134155.8A
Authority: DE
Inventors: Christoph Weigand; Kevin Beck
Original assignee: Cariad SE
Current assignee: Cariad SE
Priority date: 2021-12-21
Filing date: 2021-12-21
Publication date: 2023-02-09
Anticipated expiration: 2041-12-22
Also published as: WO2023117161A1

Abstract

Die Erfindung betrifft ein Verfahren zur Verbrauchsoptimierung von vollautomatisierten oder teilautomatisierten Fahrmanövern (23) eines Kraftfahrzeugs (11). Die Erfindung sieht vor, dass durch eine Prozessorschaltung (25) ein selbstlernendes System (26) betrieben wird, durch welches Fahrsituationsdaten (28) empfangen werden und die Fahrsituationsdaten (28) einem Modell (27) des maschinellen Lernens als Eingangsgrößen bereitgestellt werden und mittels des Modells (27) aus den Eingangsgrößen ein Vorgabesignal (22) für das zumindest eine Fahrerassistenzsystem (18) erzeugt wird und Verbrauchsdaten einer Verbrauchsmessung (40) empfangen werden und die Verbrauchsdaten mittels einer Bewertungsfunktion (42) auf ein Bewertungssignal (43) abgebildet werden und mit diesem einem das Modell (27) trainierenden Trainingsalgorithmus (44) mittels des Bewertungssignals (43) signalisiert wird, ob für die jeweilige Fahrsituation die verwendete Vorgabe (24) zukünftig beibehalten oder verstärkt oder vermieden werden soll.

Description

Die Erfindung betrifft ein Verfahren und eine Prozessorschaltung zur Verbrauchsoptimierung von vollautomatisierten oder teilautomatisierten Fahrmanövern eines Kraftfahrzeugs. Die Fahrmanöver werden mittels zumindest eines Fahrerassistenzsystems ausgeführt, dem jeweils eine Vorgabe für die Durchführung der Fahrmanöver signalisiert werden kann, z.B. eine Vorgabe betreffend die maximal einzustellende Fahrgeschwindigkeit. Welche Vorgabe für eine aktuelle Fahrsituation verbrauchsoptimal ist, soll automatisiert ermittelt werden können. Die Erfindung betrifft auch ein entsprechend ausgestattetes Kraftfahrzeug und ein System, das mehrere solcher Kraftfahrzeuge koordinieren kann.
Fahrerassistenzsysteme, wie z.B. Adaptive Cruise Control (ACC), Spurhaltung, Notbremsung, sind heute bereits in einem Kraftfahrzeug verfügbar und ermöglichen eine teilautomatisierte Fahrzeugführung (entweder die Längsführung oder die Querführung erfolgt automatisiert). Zukünftige Fahrerassistenzsysteme werden für verschiedene abgeschlossene Einsatzbereiche, wie z.B. die Autobahn, dahingehend entwickelt, dass sie Fahrmanöver vollautomatisiert durchführen können (d.h. Level 3 gemäß dem Standard SAE J3016). Ab Level 3 wird es möglich sein, Teilstrecken vollautomatisiert zu fahren. Ähnlich der heutigen Fahrerassistenzsysteme wird bei Level 3 der Abstand und die Geschwindigkeit gehalten, die Spur gehalten und die Umgebung überwacht um auf Situationen entsprechend reagieren zu können.
Heutige Fahrerassistenzsysteme, wie ACC, sind allerdings nur darauf optimiert, die eingestellte Höchstgeschwindigkeit (manuell oder über Karteninformation / Schildererkennung mittels Bildverarbeitung) nicht zu überschreiten und den eingestellten Abstand zum vorausfahrenden Fahrzeug nicht zu unterschreiten.
Schert ein anderes Fahrzeug hinter das vorausfahrende Fahrzeug ein, so bremst das Fahrerassistenzsystem unmittelbar ab, um den vorgegebenen Abstand wieder herzustellen. Beschleunigt das vorausfahrende Fahrzeug, so beschleunigt das Fahrerassistenzsystem ebenfalls. Simples Einhalten von eingestellten Grenzwerten des Fahrerassistenzsystems kann gegenüber manuellem vorausschauendem Fahren aber einen höheren Verbrauch an Energie oder Treibstoff zur Folge haben.
Aus der DE 101 41 805 A1 ist bekannt, dass für eine Anzeige eines Kraftfahrzeugs vorgesehen werden kann, die aktuelle Fahrgeschwindigkeit mit unterschiedlichen Referenzgeschwindigkeiten für „energiesparendes Fahren“ und „sicheres Fahren“ zu vergleichen und einem Fahrer des Kraftfahrzeugs zu signalisieren, welchem Fahrstil seine aktuelle Fahrgeschwindigkeit entspricht und welche Fahrgeschwindigkeit empfohlen wird. Es kann auch ein automatisierter Eingriff in die Fahrzeugführung vorgenommen werden, um eine bestimmte Referenzgeschwindigkeit zu erzwingen. Welche Werte für die Referenzgeschwindigkeiten zugrunde zu legen sind, muss im Voraus berechnet und im System gespeichert werden. Damit kann nur eine begrenzte Anzahl möglicher Fahrsituationen im Voraus berücksichtigt werden.
Aus der DE 10 2016 214 822 A1 ist bekannt, einem Fahrer einen Fahrhinweis in Bezug auf die anzustrebende Fahrgeschwindigkeit zu geben, indem ausgehend von der maximal zulässigen Fahrgeschwindigkeit eine Sollmaximalgeschwindigkeit berechnet wird. Ein hierbei verwendeter Skalierungsfaktor oder zu subtrahierender Wert können in Abhängigkeit von dem Ladezustand eines Energiespeichers des Kraftfahrzeugs ermittelt werden. Hierdurch ergibt sich eine einfache, aber relativ unflexible Auswahl eines optimalen Geschwindigkeitswerts.
Aus der DE 10 2008 005 328 A1 ist bekannt, einen Hinweis auf eine den Energieverbrauch minimierende Fahrweise oder Fahrstrecke mittels einer umfangreichen Berechnung aus einem aktuellen Fahrzeugzustand, beispielsweise der Beladung, Bereifung, Motorisierung und Getriebe des Kraftfahrzeugs, zu berechnen. Eine entsprechende Berechnungsvorschrift ist aber aufwändig zu entwickeln und kann unter Umständen einige Fahrsituationen unberücksichtigt lassen.
Die DE 10 2017 216 408 A1 beschreibt ein Verfahren zur Einstellung eines situationsspezifisch optimierten Abstands zu einem vorausfahrenden Kraftfahrzeug. Mittels des Verfahrens ist es möglich, die Energieeffizienz und den Fahrkomfort zu erhöhen.
Die DE 10 2017 214 384 A1 beschreibt ein Verfahren zur Festlegung eines Betriebsstrategieprofils für den Betrieb eines Fahrzeugs sowie ein Verfahren und eine zentrale Datenbankvorrichtung zur Festlegung eines globalen georeferenzierten Betriebsstrategieprofils bezüglich einer Fahrstrecke.
Der Erfindung liegt die Aufgabe zugrunde, für den Betrieb zumindest eines Fahrerassistenzsystems, dass in einem Kraftfahrzeug Fahrmanöver vollautomatisiert oder teilautomatisiert durchführt, geeignete, einzuhaltende Vorgaben zu ermitteln, die den Fahrbetrieb des Kraftfahrzeugs in Bezug auf einen Verbrauch oder eine Emission optimieren, also diese insbesondere minimieren.
Die Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Weiterentwicklungen oder Weiterbildungen der Erfindung sind durch die abhängigen Patentansprüche, die folgende Beschreibung sowie die Figuren beschrieben.
Als eine Lösung umfasst die Erfindung ein Verfahren zur Verbrauchsoptimierung von vollautomatisierten oder teilautomatisierten Fahrmanövern eines Kraftfahrzeugs. Das Verfahren geht davon aus, dass die Fahrmanöver durch zumindest ein Fahrerassistenzsystem vollautomatisiert oder teilautomatisiert ausgeführt werden. Es ist zumindest ein Fahrerassistenzsystem bereitgestellt, d.h. insbesondere ein Abstandsregelautomat (ACC) und/oder eines der anderen bereits beschriebenen Fahrerassistenzsysteme, um nur Beispiele zu nennen. Solche Fahrerassistenzsysteme weisen in der Regel jeweils einen Steuereingang oder eine Steuerschnittstelle auf, über welche ein solches Fahrerassistenzsystem eine Vorgabe empfangen kann, beispielsweise betreffend die maximal oder höchstens zu verwendende einzustellende Fahrgeschwindigkeit und/oder einen Abstandswert, um nur Beispiele zu nennen. Ein Fahrerassistenzsystem weist aber insbesondere auch interne Vorgaben oder Beschränkungen auf, die ein Fahrerassistenzsystem selbst bei Empfangen einer anderen Vorgabe nicht verletzen oder ignorieren würde. So kann beispielsweise ein Fahrerassistenzsystem für eine Geschwindigkeitsregelung eine externe Vorgabe betreffend eine zu fahrende oder einzustellende Fahrgeschwindigkeit ignorieren oder ablehnen, wenn innerhalb des Fahrerassistenzsystems die interne Vorgabe oder Information vorliegt (beispielsweise aus Kartendaten eines Umfelds des Kraftfahrzeugs) dass eine Geschwindigkeitsbegrenzung oder eine maximal zulässige Höchstgeschwindigkeit kleiner als die externe Vorgabe ist.
Um unter diesen Voraussetzungen Vorgaben für eine Verbrauchsoptimierung der Fahrmanöver zu ermitteln, umfasst die Erfindung, dass durch eine Prozessorschaltung ein selbstlernendes System betrieben wird. Die Prozessorschaltung kann in dem Kraftfahrzeug selbst bereitgestellt sein, beispielsweise als Steuergerät oder Verbund mehrerer Steuergeräte oder als Zentralrechner, oder die Prozessorschaltung kann außerhalb des Kraftfahrzeugs beispielsweise in einem sogenannten Backend-Server realisiert sein. Es kann sich bei der Prozessorschaltung um eine verteilte Schaltung handeln, die teilweise in dem Kraftfahrzeug und teilweise in einem fahrzeugexternen Backend-Server bereitgestellt ist. Das hier genannte „selbstlernende System“ kann durch eine Software oder einen Programmcode der Prozessorschaltung realisiert sein.
Durch das selbstlernende System werden die folgenden Schritte durchgeführt:

• Fahrsituationsdaten werden empfangen, welche eine jeweilige aktuelle Fahrsituation, in welcher das jeweilige Fahrmanöver aktuell oder voraussichtlich oder planungsgemäß ausgeführt werden, beschreiben, und
• die Fahrsituationsdaten werden einem Modell des maschinellen Lernens als Eingangsgrößen bereitgestellt und mittels des Modells wird aus den Eingangsgrößen ein Vorgabesignal für das zumindest eine Fahrerassistenzsystem erzeugt, wobei das Vorgabesignal für das jeweilige Fahrerassistenzsystem eine bei dem jeweiligen Fahrmanöver einzuhaltende Vorgabe vorgibt (also eine externe Vorgabe in dem obigen Sinne), und
• Verbrauchsdaten einer Verbrauchsmessung werden empfangen, die einen jeweiligen beim Ausführen des jeweiligen Fahrmanövers angefallenen Bedarf an Energie und/oder an Leistung und/oder an Kraftstoff und/oder eine Emission an zumindest einer „Belastung“ (z.B. Kohlendioxid, Lärm) angeben, und
• die Verbrauchsdaten mittels einer Bewertungsfunktion in einem Bewertungssignal zusammengefasst werden; und
• einem das Modell trainierenden Trainingsalgorithmus wird mittels des Bewertungssignals signalisiert, ob für jeweilige Fahrsituation die verwendete Vorgabe zukünftig beibehalten oder verstärkt oder vermieden werden soll. Der Trainingsalgorithmus kann dann das Modell entsprechend umtrainieren oder anpassen, sodass sich zukünftig bei gleicher Fahrsituation und/oder gleichem Fahrmanöver ein Abbildungsverhalten des Modells ergibt, das dem Bewertungssignal entspricht.

Zu der aktuellen Fahrsituation wird also mittels des Modells eine Vorgabe für das zumindest eine Fahrerassistenzsystem erzeugt und es wird gemessen oder ermittelt, welche Verbrauchsdaten sich ergeben. Welche Vorgabe sich in einem gegebenen Fahrerassistenzsystem einstellen oder parametrieren lässt, hängt vom Typ des Fahrerassistenzsystems ab und kann vom Fachmann in an sich bekannter Weise in Erfahrung gebracht werden, z.B. anhand der Beschreibung der Steuerschnittstelle des Fahrerassistenzsystems. Die hier genannte Einheit „Fahrmanöver“ kann sich beispielsweise auf einen bestimmten Streckenabschnitt (Fahrmanöver zum Durchfahren des Streckenabschnitts, z.B. einer vorausliegenden Fahrstrecke einer vorbestimmten Länge, z.B. im Bereich von 5km bis 200km) oder beispielsweise ein einzelnes Lenkmanöver oder Beschleunigungsmanöver oder Bremsmanöver beziehen oder beispielsweise auf eine Kombination mehrerer solcher Führungsschritte (Lenken, Beschleunigen, Bremsen), wie es beispielsweise für ein Überholmanöver notwendig sein kann. Ein Fahrmanöver kann einen vorbestimmten Zeitabschnitt während der Fahrt, z.B. die Fahrt während der letzten oder der nächsten 10 min oder allgemein während eines vorbestimmten Zeitintervalls, angeben. Zu beachten ist, dass das Modell des maschinellen Lernens für das Erzeugen des Vorgabesignals die ausgeführten oder geplanten Fahrmanöver nicht kennen muss. Alternativ dazu kann vorgesehen sein, dass das zumindest eine Fahrerassistenzsystem dem selbstlernenden System mittels Manöverdaten signalisiert, welches Fahrmanöver (z.B. Überholen oder Abstandsregelung) aktuell oder als nächstes durchgeführt wird, und diese Manöverdaten vom Modell des maschinellen Lernens ebenfalls beim Erzeugen des Vorgabesignals einbezogen werden. Dann wird entsprechend durch das Bewertungssignal die jeweilige Kombination aus Fahrmanöver und Fahrsituation bewertet. Im Zusammenhang mit einem Fahrmanöver, das einen vorbestimmten Zeitabschnitt beschreit, kann dieser mittels einer Zeiterfassung (Uhr) erkannt werden (z.B. die letzten 10 min).
Die hier alternativ oder zusätzlich zum Bedarf ermittelte Emission einer Belastung kann beispielsweise eine Belastung durch Kohlendioxid (Kohlendioxidabgabe) und/oder Lärm (Geräuschpegel) gegeben oder definiert sein. Mittels der Bewertungsfunktion können die Verbrauchsdaten „interpretiert“ werden, das heißt es kann festgelegt werden, ob die Verbrauchsdaten einen hohen Verbrauch oder einen niedrigen Verbrauch in Bezug auf das Fahrmanöver bei gegebener Fahrsituation darstellen. Hier kann ein Fachmann Bewertungsregeln oder Werteintervalle zum Einordnen oder Klassifizieren der Verbrauchsdaten als „geringer Verbrauch“ oder „hoher Verbrauch“ festlegen. Dies kann auch dynamisch als Vergleich mit bisherigen, historischen Verbrauchsdaten für dieselbe Fahrsituation erfolgen (z.B. „weniger als beim letzten Mal“ oder „negativer Trend während des Fahrmanövers selbst“). Als Fahrsituation kann durch die „Fahrsituationsdaten“ eine vom Fachmann festzulegende Menge an Parametern zusammengefasst werden, beispielsweise eine aktuelle Beladung des Kraftfahrzeugs und/oder ein aktuelles Wetter, um nur Beispiele zu nennen, die im Weiteren noch genauer erläutert werden. Eine aktuelle Fahrsituation, wie sie durch die Fahrsituationsdaten beschrieben ist, kann eine Kombination aus Fahrzeugzustand (z.B. Beladung) und/oder Fahrumgebung (z.B. Fahrt im Gebirge) und/oder Verkehrsumgebung (z.B. Stau) sein.
Durch die Erfindung ergibt sich der Vorteil, dass für eine Vielzahl unterschiedlicher Fahrsituationen und für darin auszuführende unterschiedliche Fahrmanöver (z.B. Überholmanöver) mittels des Modells des maschinellen Lernens eine verbrauchsoptimierte Vorgabe in Bezug auf den Bedarf an Energie/Leistung/Kraftstoff und/oder die Emission automatisiert während eines Fahrbetriebs oder während einer Nutzung eines Kraftfahrzeugs ermittelt werden kann. Somit muss nicht im Voraus beispielsweise auf Grundlage umfangreicher Berechnungen und/oder Simulationen eine jeweilige Vorgabe ermittelt werden. Zudem können auch neue Fahrsituationen zu weiteren Vorgaben führen oder für neue Fahrsituationen passende oder verbrauchsoptimierte Vorgaben ermittelt werden.
Die Erfindung umfasst auch Weiterbildungen oder Weiterentwicklungen, durch die sich zusätzliche Vorteile ergeben.
Eine Weiterentwicklung umfasst, dass zusätzlich Umsetzungsdaten empfangen werden, die angeben, ob durch das zumindest eine Fahrerassistenzsystem die Vorgabe abgelehnt wurde, und mittels des Bewertungssignals eine abgelehnte Vorgabe als zukünftig zu vermeiden signalisiert wird. Die Umsetzungsdaten signalisieren somit dem selbstlernenden System, ob seine Vorgabe nicht akzeptiert oder nicht eingehalten wurde. Wie bereits beschrieben, kann dies durch zumindest eine „interne Vorgabe“ in dem jeweiligen Fahrerassistenzsystem verursacht oder gesteuert werden, gegen welche die Vorgabe des selbstlernenden Systems verstoßen hat oder mit welcher diese inkompatibel ist. Somit wird in das Modell auch eintrainiert oder durch das Modell gelernt, welche internen Vorgaben oder Grenzen oder Beschränkungen in dem jeweiligen Fahrerassistenzsystem vorhanden sind. Somit kann durch das Modell auch trainiert oder erlernt werden, welche Absicherungen und/oder Grenzwerte für seine Vorgabe vorteilhaft sind.
Eine Weiterentwicklung umfasst, dass zumindest ein Teil der Fahrsituationsdaten mittels einer Umfeldwahrnehmung des Kraftfahrzeugs erzeugt wird und in einem Umfeld des Kraftfahrzeugs erkannte Verkehrsteilnehmer beschreibt, d.h. die Verkehrssituation. Eine „Umfeldwahrnehmung“ kann in einem Kraftfahrzeug mittels zumindest eines Steuergeräts realisiert sein und erkannte Verkehrsteilnehmer beispielsweise in einer sogenannten Umfeldkarte kartographieren oder angeben. So kann beispielsweise auf der Grundlage zumindest eines Sensors des Kraftfahrzeugs, beispielsweise Radar und/oder Lidar und/oder Kamera, und/oder auf Grundlage zumindest eines Empfängers für eine Fahrzeug-zu-Fahrzeug-Kommunikation die jeweilige relative Position der Verkehrsteilnehmer ermittelt und in der Umfeldkarte und/oder in einer digitalen Umfeldbeschreibung, beispielsweise einem mathematischen Graphen, gespeichert oder signalisiert werden. Diese Umfeldwahrnehmung kann dann durch die Fahrsituationsdaten oder als Teil der Fahrsituationsdaten ebenfalls von dem Modell berücksichtigt werden. Somit kann durch das Modell auch eine Zuordnung einer jeweiligen Verkehrssituation oder Relativposition zumindest eines Verkehrsteilnehmers und/oder der Relativgeschwindigkeit zumindest eines Verkehrsteilnehmers bezüglich des Kraftfahrzeugs beim Erzeugen des Vorgabesignals berücksichtigt werden. Insbesondere in Kombination mit der bereits beschriebenen Erkennung einer Ablehnung einer Vorgabe kann hierdurch erkannt oder erlernt werden, falls ein Fahrerassistenzsystem, beispielsweise zur Vermeidung eines gefährlichen Fahrmanövers, in einer durch die Umfeldwahrnehmung signalisierten Vekehrsituation aus relativen Positionen und/oder Geschwindigkeiten zumindest eines Verkehrsteilnehmers eine Vorgabe ablehnt, weil z.B. ein Abstand zu gering vorgegeben wurde. Dies wird dann durch die Kombination aus der Umfeldwahrnehmung und der Erkennung der Ablehnung einer Vorgabe durch das Modell gelernt, sodass in Zukunft beispielsweise kritische und/oder riskante Fahrmanöver bereits durch das Modell vermieden werden können. Insbesondere bei mehreren Fahrerassistenzsystemen kann hierdurch das Wissen oder die Information über eine abgelehnte Vorgabe bei bestimmten Konstellationen von umgebenden Verkehrsteilnehmern oder zumindest einem Verkehrsteilnehmer in der Umgebung auch auf eine Vorgabe für zumindest ein anderes Fahrerassistenzsystem übertragen werden, sodass hierdurch mittels des Modells eine Koordination mehrerer Fahrerassistenzsysteme zum Vermeiden unerwünschter Fahrmanöver bei Gegenwart zumindest eines anderen Verkehrsteilnehmers erfolgen kann.
Eine Weiterentwicklung umfasst, dass mittels des Vorgabesignals zumindest eine der folgenden Vorgaben signalisiert wird:

• ein Segelbetrieb bei vorausliegender Geschwindigkeitsbegrenzung,
• eine Reduktion der Fahrgeschwindigkeit unterhalb einer Geschwindigkeitsbegrenzung und/oder unterhalb eines Sollwerts eines Geschwindigkeitsregelautomaten, ACC.

Dies sind lediglich Beispiele, die sich allerdings als besonders vorteilhaft erwiesen haben. Da hierbei natürlich eine Reduktion der Fahrgeschwindigkeit auf 0 auch als Vorgabe möglich sein könnte, kann insbesondere im Zusammenhang mit einer abgelehnten Vorgabe, wie es beschrieben wurde, und/oder in Kombination mit der Umfeldwahrnehmung (z.B. Erkennen eines nachfolgenden Verkehrsteilnehmers) erreicht werden, dass eine solche Vorgabe vermieden wird, da sich hierdurch eine unerwünschte Fahrsituation, beispielsweise ein Aufstauen des nachfolgenden Verkehrs, vermieden wird.
Eine Weiterentwicklung umfasst, dass die Fahrsituationsdaten zumindest eine der folgenden Situationen beschreiben:

• eine Fahrzeugbeladung,
• ein Verkehrsaufkommen,
• einen Streckenverlauf,
• eine maximal verfügbare Fahrzeit,
• ein aktuelles Wetter,
• eine aktuelle Temperatur.

Eine Fahrzeugbeladung kann beispielsweise aus dem an sich bekannten Einfederweg ermittelt werden, wie er an zumindest einem Dämpfer eines Fahrwerks des Kraftfahrzeugs ermittelt werden kann. Das Verkehrsaufkommen kann beispielsweise aus Verkehrsdaten ermittelt werden, wie sie beispielsweise von einem Server des Internets bezogen werden können. Der Streckenverlauf kann beispielsweise aus einem Navigationssystem des Kraftfahrzeugs und/oder eines mobilen Endgeräts eines Benutzers des Kraftfahrzeugs abgefragt oder ausgelesen werden. Die maximal verfügbare Fahrzeit kann beispielsweise aus Kalenderdaten eines Fahrzeugnutzers berechnet werden, falls sich das Kraftfahrzeug auf den Weg zu einem Treffpunkt oder Ort befindet, an welchem zu einem vorbestimmten Termin ein Treffen stattfinden soll. Das aktuelle Wetter kann aus einem Wetterdienst und/oder beispielsweise mittels eines Regensensors und/oder einer Kamera ermittelt werden. Die aktuelle Temperatur kann ebenfalls von einem Wetterdienst und/oder mittels eines Temperaturfühlers des Kraftfahrzeugs und/oder eines mobilen Endgeräts des Kraftahrzeugs ermittelt werden. Solche Fahrsituationsdaten haben sich als informativ in Bezug auf das Einschätzen und/oder Steuern oder Auswählen von Vorgaben für Fahrmanöver zum Erreichen einer Verbrauchsoptimierung oder Verbrauchsminimierung erwiesen.
Eine Weiterentwicklung umfasst, dass mittels des Vorgabesignals das zumindest eine Fahrerassistenzsystem gesteuert wird oder an einen Benutzer des Kraftfahrzeugs eine Einstellempfehlung ausgegeben wird. Mit anderen Worten kann mittels des selbstlernenden Systems direkt das Fahrerassistenzsystem gesteuert oder eingestellt werden (also ohne Zutun eines Benutzers) und/oder es kann einem Benutzer des Kraftfahrzeugs eine Empfehlung oder Hinweis auf die Nutzung oder Einstellung für das zumindest eine Fahrerassistenzsystem gegeben werden.
Im Folgenden sind Lösungen dafür beschrieben, wie mittels des Bewertungssignals eine Veränderung oder ein Training oder eine Anpassung des Modells des maschinellen Lernens durchgeführt werden kann, um zu erreichen, dass mittels des Modells Vorgaben dahingehend angepasst werden, dass sich eine Verbrauchsverringerung ergibt.
Eine Weiterentwicklung umfasst, dass das Bewertungssignal angibt, ob und/oder in welchem Ausmaß durch die Vorgabe des Vorgabesignals der Bedarf für das Fahrmanöver im Vergleich zu einem vorbestimmten Referenzverbrauch verbessernd oder verschlechternd wirkt und/oder ob der Bedarf in einem vorbestimmten Werteintervall liegt. Das Bewertungssignal kann also einen Vergleich zu einem Referenzverbrauch signalisieren und hierbei angeben, ob der Verbrauch oder Bedarf oder die Emission in Bezug auf den Referenzverbrauch verringert oder größer oder gleich ist und/oder in welchem Ausmaß, das heißt in welcher Menge, diese Verringerung oder Erhöhung stattgefunden hat. Das Bewertungssignal kann hierbei einen Wert oder einen Trend (Gradient oder Entwicklungsrichtung) signalisieren. Zusätzlich oder alternativ dazu kann das Bewerten auch dahingehend erfolgen, dass Werteintervalle für die Verbrauchsdaten vorgegeben werden und ermittelt wird, in welchem Werteintervall die Verbrauchsdaten liegen. Jedem Werteintervall kann hierbei ein Bewertungslabel oder eine Bewertungsinformation zugeordnet sein, beispielsweise „sparsamer Verbrauch“, „hoher Verbrauch“, „zu hoher Verbrauch“, „optimaler Verbrauch“, um nur Beispiele zu nennen. Somit können die Verbrauchsdaten auf einen jeweiligen Signalwert des Bewertungssignals abgebildet werden.
Eine Weiterentwicklung umfasst, dass als Trainingsalgorithmus ein Reinforcement-Learning oder ein „Exploration versus Exploitation“-Algorithmus verwendet wird. Mittels eines Reinforcement-Learnings ist es nicht notwendig, sogenannte gelabelte Trainingsdaten bereitzustellen, also beispielsweise durch einen Benutzer eine Bewertung der Verbrauchsdaten vornehmen zu lassen. Hierdurch ergibt sich der Vorteil, dass das System mittels des Modells tatsächlich selbstlernend ausgestaltet werden kann. Mittels des beschriebenen Algorithmus ist es zusätzlich möglich, unterschiedliche Strategien beim „Ausprobieren“ oder versuchsweise Verändern der Vorgabe zu erreichen, um zu ermitteln, ob sich durch eine andere Vorgabe ein verbesserter oder verringerter Bedarf und/oder eine verringerte Emission ergibt.
Eine Weiterentwicklung umfasst, dass das Modell mittels eines initialen Standardmodells initialisiert wird, welches für Fahrmanöver unterschiedlicher Manövertypen dieselbe Vorgabe vorsieht. Somit ist durch initiales oder anfängliches Betreiben eines Standardmodells das selbstlernende System unmittelbar einsatzbereit. So kann es beispielsweise ab Werk bereitgestellt oder ausgeliefert werden. Das Standardmodell kann auch über eine Internetverbindung aus einem Back-End-Server in das selbstlernende System geladen werden. Ausgehend von dem Standardmodell können dann für die unterschiedlichen Manövertypen die Vorgaben differenziert oder in unterschiedliche Richtungen oder Trends verändert werden. Als Manövertyp kann beispielsweise vorgesehen sein: Kurvenfahrt, Beschleunigen, Bergfahrt, Überholmanöver, Stadtfahrt, Autobahnfahrt, um nur Beispiele zu nennen.
Eine Weiterentwicklung umfasst, dass Modelldaten des Modells, welche ein aktuelles Abbildungsverhalten des Modells beschreiben, an eine fahrzeugexterne zentrale Servervorrichtung ausgesendet werden, und aus der Servervorrichtung kombinierte Modelldaten, die durch Kombinieren der Modelldaten und weiterer Modelldaten zumindest eines weiteren Kraftfahrzeugs von der Servervorrichtung erzeugt wurden, empfangen werden und mittels der kombinierten Modelldaten das Modell aktualisiert wird. Als Modell des maschinellen Lernens kann beispielsweise ein künstliches neuronales Netzwerk und/oder sogenannter Decision-Tree genutzt werden. Ein aktueller Lernzustand eines solchen Modells ist durch Modelldaten beschrieben. Aus den Modelldaten ergibt sich das Abbildungsverhalten, also die Abbildung der betreffenden Fahrsituationsdaten zu dem Wert des Vorgabesignals. Modelldaten sind bei einem künstlichen neuronalen Netzwerk beispielsweise die Netzwerkkonfiguration (Anzahl der Netzwerkschichten und/oder der Neuronen pro Schicht) und die aktuell ermittelten oder eingestellten Gewichtungswerte. Die zentrale Servervorrichtung kann beispielsweise der beschriebene Back-End-Server sein. Dort können dann die Modelldaten mehrerer Modelle kombiniert oder zusammengeführt werden, sodass das Lernergebnis oder Trainingsergebnis eines Modells in einem Kraftfahrzeug auch in dem Modell eines anderen Kraftfahrzeugs verfügbar wird oder nutzbar wird. Somit ergibt sich der Effekt der sogenannten Schwarm intelligenz, von dem die Prozessorschaltungen mehrerer Kraftfahrzeuge in vorteilhafter Weise profitieren können.
Als eine weitere Lösung umfasst die Erfindung eine Prozessorschaltung, die dazu eingerichtet oder angepasst ist, in einem Kraftfahrzeug mittels einer Ausführungsform des Verfahrens ein Vorgabesignal für zumindest ein Fahrerassistenzsystem des Kraftfahrzeugs zu erzeugen. Die Prozessorschaltung kann eine Datenverarbeitungsvorrichtung oder eine Prozessoreinrichtung darstellen, die dazu eingerichtet ist, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Die Prozessorschaltung kann hierzu zumindest einen Mikroprozessor und/oder zumindest einen Mikrocontroller und/oder zumindest einen FPGA (Field Programmable Gate Array) und/oder zumindest einen DSP (Digital Signal Processor) aufweisen. Des Weiteren kann die Prozessorschaltung Programmcode aufweisen, der dazu eingerichtet ist, bei Ausführen durch die Prozessoreinrichtung die Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Der Programmcode kann in einem Datenspeicher der Prozessorschaltung gespeichert sein.
Als eine weitere Lösung umfasst die Erfindung ein Kraftfahrzeug mit einer Ausführungsform der Prozessorschaltung. Das erfindungsgemäße Kraftfahrzeug ist bevorzugt als Kraftwagen, insbesondere als Personenkraftwagen oder Lastkraftwagen, oder als Personenbus oder Motorrad ausgestaltet.
Als eine weitere Lösung umfasst die Erfindung ein System mit einer Servervorrichtung und mit zumindest einer Ausführungsform des Kraftfahrzeugs. Das hier beschriebene „System“ umfasst also die Zusammenfassung aus einer Servervorrichtung, also beispielsweise dem beschriebenen Back-End-Server, und einem oder bevorzugt mehreren Kraftfahrzeugen.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen. Die Erfindung umfasst also auch Realisierungen, die jeweils eine Kombination der Merkmale mehrerer der beschriebenen Ausführungsformen aufweisen, sofern die Ausführungsformen nicht als sich gegenseitig ausschließend beschrieben wurden.
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:

1 eine schematische Darstellung einer Ausführungsform des erfindungsgemäßen Systems;
2 eine schematische Darstellung einer Ausführungsform der Prozessorschaltung, wie sie in Kraftfahrzeugen des Systems von 1 bereitgestellt sein kann.

Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.
1 zeigt ein System 10, dass mehrere Kraftfahrzeuge 11 und eine Servervorrichtung 12 aufweisen kann, die beispielsweise als Back-End-Server der Kraftfahrzeuge 11 im Internet 13 bereitgestellt sein kann. Bei dem jeweiligen Kraftfahrzeug 11 kann es sich beispielsweise um einen Kraftwagen, insbesondere einen Personenkraftwagen oder Lastkraftwagen, handeln. Im Folgenden wird in Bezug mit den Kraftfahrzeugen 11 nur auf eines der Kraftfahrzeuge 11 für die weitere Erläuterung von dessen Komponenten Bezug genommen.
Jedes Kraftfahrzeug 11 kann mit der Servervorrichtung 12 über eine Kommunikationsverbindung 14 gekoppelt sein, um Daten auszutauschen. Die Kommunikationsverbindung 14 kann auch beispielsweise eine Funkverbindung 15 umfassen, die durch ein Funkmodul 16 des jeweiligen Kraftfahrzeugs 11, beispielsweise ein Mobilfunkmodul oder WLAN-Funkmodul (WLAN - wireless local area network), und ein Funknetzwerk 17, beispielsweise ein Mobilfunknetz und/oder ein WLAN-Funknetz, gebildet sein kann.
In dem jeweiligen Kraftfahrzeug 11 können ein oder mehrere Fahrerassistenzsysteme 18 vorgesehen sein, von denen jedes für eine Fahrt 19 des Kraftfahrzeugs 11 eine teilautomatisierte oder vollautomatisierte Führung des Kraftfahrzeugs (Längsführung und/oder Querführung) durchführen kann, indem das jeweilige Fahrerassistenzsystem 18 zumindest einen Aktuator 20 des Kraftfahrzeugs 11, beispielsweise eine aktive oder motorisierte Lenkung und/oder ein Motorsteuergerät und/oder ein Bremssystem des Kraftfahrzeugs 11 ansteuert.
Das jeweilige Fahrerassistenzsystem 18 kann einen Steuereingang oder eine Steuerschnittstelle 21 aufweisen, über welches das Fahrerassistenzsystem 18 ein Vorgabesignal 22 empfangen kann, welches für die Fahrerassistenz oder das Durchführen von Fahrmanövern 23 während der Fahrt 19 eine Vorgabe 24 empfangen kann, die durch das Fahrerassistenzsystem 18 berücksichtigt oder eingehalten werden soll. Eine solche Vorgabe 24 kann beispielsweise eine Soll-Fahrgeschwindigkeit und/oder eine maximale Gierrate und/oder ein Getriebe-Modus (Segeln oder Schleppbetrieb oder Beschleunigen) vorgeben. Das Vorgabesignal 22 kann durch eine Prozessorschaltung 25 erzeugt werden, die beispielsweise durch ein Steuergerät oder einen Verbund mehrerer Steuergeräte oder einen zentralen Rechner des Kraftfahrzeugs 11 oder (nicht dargestellt) durch die Servervorrichtung 12 oder einen anderen Back-End-Server realisiert sein kann. Die Prozessorschaltung 25 kann zum Erzeugen des Vorgabesignals 22 für das jeweilige Fahrerassistenzsystem 18 ein selbstlernendes System 26 betreiben, in welchem ein Modell 27 des maschinellen Lernens, beispielsweise ein künstliches neuronales Netzwerk oder ein Decision-Tree, den jeweils aktuellen Wert des Vorgabesignals 22 in Abhängigkeit von Eingangsgrößen erzeugt oder berechnet, deren jeweils aktueller Wert durch Fahrsituationsdaten 28 dem selbstlernenden System 26 signalisiert oder bereitgestellt werden kann. Die Fahrsituationsdaten können aus zumindest einer Datenquelle 29 empfangen werden, wie sie im weiteren Zusammenhang mit 2 noch erläutert werden. Die Fahrsituationsdaten 28 können beispielsweise eine aktuelle Geoposition 30 des Kraftfahrzeugs 11 beschreiben, wie es mittels eines Positionssignals 31 eines GNSS 32 (global navigation satellite system), beispielsweise des GPS (global positioning system) ermittelt werden kann. Zusätzlich oder alternativ können die Fahrsituationsdaten ein aktuelles Wetter 33 beschreiben. Zusätzlich oder alternativ können die Fahrsituationsdaten 28 eine aktuelle Verkehrssituation 34 beschreiben, die in 1 symbolisch durch einen Zustand einer Ampel symbolisiert ist. Die Fahrsituationsdaten können auch zumindest einen anderen Verkehrsteilnehmer 35 beschreiben oder signalisieren, der in einem Umfeld 36 des Kraftfahrzeugs 11 durch eine Umfeldwahrnehmung (eine der möglichen Datenquellen 29) signalisiert wird. Zusätzlich oder alternativ dazu können die Fahrsituationsdaten beispielsweise eine Topographie 37, beispielsweise ein Gefälle oder eine Steigung, signalisieren, entlang welcher die Fahrt 19 führt und auf welcher die Fahrmanöver 23 ausgeführt werden sollen.
2 veranschaulicht, wie durch das selbstlernende System 26 das Modell 27 zum Abbilden der Fahrsituationsdaten 28 auf das Vorgabesignal 22 dahingehend trainiert oder angepasst werden kann, dass sich durch das Vorgabesignal 22 eine Vorgabe 24 für eine Verbrauchsoptimierung ergibt.
2 veranschaulicht hierzu noch einmal, wie in dem Kraftfahrzeug 11 durch zumindest eine mögliche Datenquelle 29 Sensordaten 39 erzeugt werden können, beispielsweise Kameradaten und/oder Lidar-Daten und/oder Radar-Daten und mittels einer an sich bekannten Sensordatenfusion 39` eine Umfeldwahrnehmung 41 betrieben werden kann, die als einen Teil der Fahrsituationsdaten beispielsweise den zumindest einen weiteren Verkehrsteilnehmer 35 signalisieren oder beschreiben können. Weitere Datenquellen 29 können in der beschriebenen Weise weitere Fahrsituationsdaten 28 bereitstellen an das selbstlernende System 26.
In Abhängigkeit oder nach Erzeugen oder während des Erzeugens des Vorgabesignals 22 zum Einstellen und Ersetzen der jeweiligen Vorgabe 24 in dem jeweiligen Fahrerassistenzsystem 18, das als Fahrzeugsteuereinheit auf den zumindest einen Aktuator 20 einwirkt, können zum einen aus einer Verbrauchsmessung 40 Verbrauchsdaten h und zum anderen (optional) Umsetzungsdaten g, die beschreiben, ob das jeweilige Fahrerassistenzsystem 18 die Vorgabe 24 akzeptiert oder abgelehnt hat, empfangen werden. Es können Manöverdaten, welche das durchgeführte Fahrmanöver, für welches die Vorgabe zugrunde gelegt wurde und/oder welches aktuell oder als nächstes ansteht, dem System 26 bereitgestellt werden.
Das selbstlernende System 26 kann mittels einer Bewertungsfunktion 42 ein Bewertungssignal 43 betreffend die Verbrauchsdaten h oder allgemein den Bedarf an Energie/Leistung/Kraftstoff und/oder die Notwendigkeit einer Emission (beispielsweise Kohlendioxid und/oder Lärm) für das jeweilige Fahrmanöver 23 bei erzeugtem Vorgabesignal 22 bewerten. Mittels des Bewertungssignals 43 kann ein Trainingsalgorithmus 44 für das Modell 27 gesteuert oder über den Nutzen oder die Nachteile der jeweiligen Vorgabe 24 informiert werden. Daraufhin kann mittels eines Trainings des Modells 27 durch den Trainingsalgorithmus 44, beispielsweise ein Reinforcement Learning LR das Abbildungsverhalten 45 des Modells 27 betreffend das Abbilden der Fahrsituationsdaten 28 auf das Vorgabesignal 22 angepasst oder verändert oder eingestellt werden.
Folgende Signale a bis h können das Zusammenwirken der Komponenten bewirken:

Sensordatenfusion 39`: Das Modul „Sensordatenfusion“ hat die Sensorsignale (a) als Input. Zu (a) können u.a. Kamera, Lidar, Radar und weitere Sensorsignale zählen. Die Signale werden im Modul fusioniert. Darunter wird die Verknüpfung der Signale zu einen zeitlich und örtlich einheitlichen Kontext verstanden. Die fusionierten Daten werden in einer oder mehreren Datenstrukturen an das Modul „Umfeldwahrnehmung“ 41 weitergegeben.

Umfeldwahrnehmung 41: Das Modul Umfeldwahrnehmung 41 hat den Output (b) der Sensordatenfusion 39` als Input. Die fusionierten Sensordaten werden verwendet, um eine Umfeldwahrnehmung zu generieren. Dazu zählt beispielsweise das Erkennen von Fahrzeugen, Fußgängern und anderen Verkehrsteilnehmern, die Abschätzen der Bewegung dieser Objekte, die Erkennung von Straßenschildern, der umliegenden Bebauung, der Straßenmarkierung, der Ampeln, etc. Der Output (c) der Umfeldwahrnehmung kann eine Liste von Datenstrukturen sein, in welchen die Eigenschaften der einzelnen Objekte und erkannten Umgebung beschrieben wird.
Selbstlernendes System 26: Das selbstlernende System 26 ist zentraler Bestandteil und dieses Modul, welches basierend auf den Inputs (c) Umfeldwahrnehmung 41 und (d) Fahrzeug-, Umwelt-, Strecken- und/oder Karteninformationen ein verbrauchsoptimiertes Fahrmanöver für das Fahrzeug in der jeweiligen Situation für den jeweiligen nächsten Streckenabschnitt prädiziert. Die Prädiktion des bestmöglichen Fahrmanövers variiert abhängig von den Inputs.
Ist das Fahrzeug beispielsweise schwer beladen, die Batterie kalt, die Außentemperatur niedrig und die vorausliegende Strecke bergauf steil wird ggf. das Stück bergauf die eingestellte ACC Geschwindigkeit nicht gehalten, sondern die kinetische Energie genutzt um die Steigung rollend zu überwinden und erst im Anschluss wieder beschleunigt.
Der Output als Vorgabesignal (e) ist ein Fahrmanövervorschlag an die zumindest eine Fahrzeugsteuereinheit, d.h. eines Fahrerassistenzsystems 18 und bezieht die aktuelle Umfeldwahrnehmung mit ein. So wird vermieden, dass verbrauchsoptimierte Fahrempfehlungen sicherheitskritisch oder generell Verkehrsfluss störend sind (z.B. Ausbremsen herannahenden Verkehrs), was durch interne Vorgaben des Fahrerassistenzsystems 18 überwacht werden kann.
Dem selbstlernenden System 26 liegt ein dynamisch anpassbares Modell zur Prädiktion zugrunde. Dies kann ein Machine Learning Modell (z.B. ein künstliches tiefes neuronales Netz) sein. Das Modell wird als Basismodell oder spezifisch für ein Fahrzeug im selbstlernenden System eingebracht oder kann Online durch die Schnittstelle (h) zum Backend-Server aktualisiert / getauscht werden.
Der Input (g) der Fahrzeugsteuereinheit / des Fahrerassistenzsystem 18 ist der Rückkanal an das selbstlernende System 26. Über (g) wird dem selbstlernenden System die tatsächliche durchgeführte Fahraktion mitgeteilt. So ist es möglich, dass im System 26 basierend auf anderen Inputgrößen die Fahrmanöver angepasst werden.
Der Input (h) der Verbrauchsmessung ist der direkte Rückkanal zum selbstlernenden System, um die Effektivität des vorgeschlagenen Fahrmanövers in die Modellbildung mit einfließen zu lassen.
Das selbstlernende System schlägt also basierend auf der Umfeldwahrnehmung (c) und den Fahrzeug-, Umwelt-, Strecken- und Karteninformationen (d) ein Fahrmanöver vor. Durch (g) und (h) wird rückgespiegelt, wie effizient das Fahrmanöver war. Durch Anpassung in der Fahrmanöver Vorschlägen, kann das System so bessere Vorschläge finden und ggf. das für die Vorhersage zugrunde liegende Modell anpassen.
Werden vom bisher zugrunde liegenden Modell hinsichtlich des Verbrauchs bessere Fahrmanöver gefunden, können diese oder die für eine entsprechende Prädiktion notwendigen Modellparameter über (h) mit dem Backend mitgeteilt werden.
Fahrzeugsteuereinheit oder Fahrerassistenzsystem 18: Die Fahrzeugsteuereinheit ist nicht zentraler Bestandteil und kann als abstraktes Modul gesehen werden. Es kann hier auf den Stand der Technik zurückgegriffen werden. Das Modul steht stellvertretend für alle Stand der Technik Regel- und Fahrsysteme im Fahrzeug. Der Input (e) des selbstlernenden Systems ist nur eine weitere Größe, um die Fahrt zu regeln.
Fahrzeugaktoren 20: Die Fahrzeugaktoren nicht zentraler Bestandteil und ebenfalls ein abstraktes Modul, welches stellvertretend für alle für die Fahrt notwendigen Aktoren steht. Es kann hier auf den Stand der Technik zurückgegriffen werden.
Verbrauchsmessung 40: Das Modul der Verbrauchsmessung 40 ist ebenfalls ein abstraktes Modul und nicht zentraler Bestandteil. Es steht stellvertretend für die notwendigen Systeme zur Verbrauchsmessung im Fahrzeug. Es kann hier auf den Stand der Technik zurückgegriffen werden.
Backend-Server 12: Im Backend laufen über die Schnittstelle (h) die Informationen aller Fahrzeuge welche das selbstlernende System 26 einsetzen zusammen. Über das Backend und die Schnittstelle (h) können Modelle des selbstlernenden Systems aktualisiert und getauscht werden oder initial bereitgestellt werden. Informationen vom selbstlernenden System über neue Modellparameter können im Backend geprüft werden (z.B. durch Erstellen eines neuen Modells, Training und Validierung mit Testdaten). Im Anschluss kann das neue Modell oder die neuen Parameter anderen selbstlernenden Systemen über (h) bereitgestellt werden.
Die Informationen oder Fahrsituationsdaten über das Verkehrsaufkommen, den Streckenverlauf, den Wirkungsgrad des Fahrzeugs bei aktueller Beladung, die maximal mögliche Fahrtzeit, das Wetter, die Temperatur und weitere Inputgrößen können somit in dem selbstlernenden System zusammengeführt werden, um das Modell zu erzeugen oder zu anzupassen, welches für die zu fahrende Strecke verbrauchsoptimierte Fahrmanöver prädiziert oder vorgibt. Dazu zählt beispielsweise das frühzeitige „Rollen lassen“ bei einer anstehenden Geschwindigkeitsbegrenzung anstelle eines Herunterbremsens direkt vor der Begrenzung. Des Weiteren wäre eine Reduktion der Geschwindigkeit unter die erlaubte oder eingestellte ACC Geschwindigkeit denkbar, sollte dies für einen Streckenabschnitt den Wirkungsgrad (ggf. abhängig von der Beladung) erhöhen und damit den Verbrauch senken (z.B. langsames Fahren bergauf).
Die verbrauchsoptimierte Prädiktion oder Steuerung des Fahrmanövers kann entweder dem Nutzer angezeigt werden oder direkt vom Fahrzeug angewendet werden.
Alle verbrauchsoptimierten Fahrmanöver Prädiktionen beziehen eine prädiktive Umfeld Wahrnehmung mit ein, sodass durch verbrauchsoptimierte Fahrmanöver gefährliche oder störende Interaktionen mit anderen Verkehrsteilnehmern vermieden werden.
Der Trainingsalgorithmus kann Reinforcement Learning (RL) vorsehen. Dazu wird keine Ground-Truth benötigt, sondern über Feedbacks (Rewards) ein Bewertungssignal gegeben, wie gut die zuvor versuchte Strategie (z.B. Geschwindigkeit auf 55km/h setzen) funktioniert hat. Der Trainingsalgorithmus ermittelt, das bestmögliche Feedback zu erhalten. Das Feedback könnte in diesem Fall also einfach der Verbrauchswert sein (d.h. umso kleiner der Verbrauch, umso größer das Feedback und daher umso besser die Strategie).
Daneben gibt es als Trainingsalgorithmus im Reinforcement Learning noch den „Exploration vs. Exploitation“-Tradeoff. Hier geht es darum, eine vernünftige Abwägung zwischen dem Anwenden des bisher Gelernten (Exploitation) und dem Ausprobieren neuer Strategien (Exploration) zu finden. Häufig startet man im RL mit einem hohen Anteil des Ausprobierens. Mit der Zeit wird dieser allerdings immer geringer und der Anteil des Anwendens von bisher Gelerntem überwiegt schließlich.
Das Nutzen von Schwarmintelligenz kann wie folgt implementiert werden. Es gibt ein technisches Konzept um dezentral trainierte Modelle zu einem globalen Modell zusammenzufügen. Dieser Ansatz nennt sich Federated Learning:

https://ai.googleblog.com/2017/04/federated-learning-collaborative.html.

Die dezentral trainierten Modelle können damit in regelmäßigen oder vorgegebenen Zeitabständen in der Servervorrichtung eingesammelt, nach diesem Ansatz zusammengefügt und wiederum verteilt werden. Damit würde sichergestellt werden, dass alle Kraftfahrzeuge regelmäßig mit dem aktuellen Wissen der gesamten Flotte versorgt sind (= Schwarmintelligenz).
Insgesamt zeigen die Beispiele, wie ein selbstlernendes System zur Verbrauchsoptimierung von automatisierten und teilautomatisierten Fahrmanövern bereitgestellt werden kann.

Claims

Verfahren zur Verbrauchsoptimierung von vollautomatisierten oder teilautomatisierten Fahrmanövern (23) eines Kraftfahrzeugs (11), wobei die Fahrmanöver (23) durch zumindest ein Fahrerassistenzsystem (18) vollautomatisiert oder teilautomatisiert ausgeführt werden, dadurch gekennzeichnet, dass durch eine Prozessorschaltung (25) ein selbstlernendes System (26) betrieben wird, durch welches • Fahrsituationsdaten (28) empfangen werden, welche eine jeweilige Fahrsituation, in welcher das jeweilige Fahrmanöver (23) ausgeführt wird, beschreiben, und • die Fahrsituationsdaten (28) einem Modell (27) des maschinellen Lernens als Eingangsgrößen bereitgestellt werden und mittels des Modells (27) aus den Eingangsgrößen ein Vorgabesignal (22) für das zumindest eine Fahrerassistenzsystem (18) erzeugt wird, wobei das Vorgabesignal (22) eine bei dem jeweiligen Fahrmanöver (23) einzuhaltende Vorgabe (24) vorgibt, und • Verbrauchsdaten einer Verbrauchsmessung (40) empfangen werden, die einen jeweiligen beim Ausführen des jeweiligen Fahrmanövers (23) angefallenen Bedarfs an Energie und/oder an Leistung und/oder an Kraftstoff und/oder eine Emission an zumindest einer Belastung angeben, und • die Verbrauchsdaten mittels einer Bewertungsfunktion (42) auf ein Bewertungssignal (43) abgebildet werden und • einem das Modell (27) trainierenden Trainingsalgorithmus (44) mittels des Bewertungssignals (43) signalisiert wird, ob für die jeweilige Fahrsituation die verwendete Vorgabe (24) zukünftig beibehalten oder verstärkt oder vermieden werden soll.
Verfahren nach Anspruch 1, wobei zusätzlich Umsetzungsdaten (g) empfangen werden, die angeben, ob durch das zumindest eine Fahrerassistenzsystem (18) die Vorgabe (24) abgelehnt wurde, und mittels des Bewertungssignals (43) eine abgelehnte Vorgabe (24) als zukünftig zu vermeiden signalisiert wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei zumindest ein Teil der Fahrsituationsdaten (28) mittels einer Umfeldwahrnehmung (41) des Kraftfahrzeugs (11) erzeugt wird und in einem Umfeld (36) des Kraftfahrzeugs (11) erkannte Verkehrsteilnehmer (35) beschreibt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei mittels des Vorgabesignals (22) zumindest eine der folgenden Vorgaben (24) signalisiert wird: • ein Segelbetrieb bei vorausliegender Geschwindigkeitsbegrenzung, • eine Reduktion der Fahrgeschwindigkeit unterhalb einer Geschwindigkeitsbegrenzung und/oder unterhalb eines Sollwerts eines Geschwindigkeitsregelautomaten, ACC.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Fahrsituationsdaten (28) zumindest eine der folgenden Situationen beschreiben: • eine Fahrzeugbeladung, • ein Verkehrsaufkommen, • einen Streckenverlauf, • eine maximal verfügbare Fahrzeit, • ein aktuelles Wetter (33), • eine aktuelle Temperatur.
Verfahren nach einem der vorhergehenden Ansprüche, wobei mittels des Vorgabesignals (22) • das zumindest eine Fahrerassistenzsystem (18) gesteuert wird oder • an einen Benutzer des Kraftfahrzeugs (11) eine Einstellempfehlung ausgegeben wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bewertungssignal (43) angibt, ob und/oder in welchem Ausmaß durch die Vorgabe (24) des Vorgabesignals (22) der Bedarf für das Fahrmanöver (23) im Vergleich zu einem vorbestimmten Referenzverbrauch verbessernd oder verschlechternd wirkt und/oder ob der Bedarf in einem vorbestimmten Werteintervall liegt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei als Trainingsalgorithmus (44) ein Reinforcement-Learning oder ein „Exploration versus Exploitation“-Algorithmus verwendet wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Modell (27) mittels eines initialen Standardmodells (27) initialisiert wird, welches für Fahrmanöver (23) unterschiedlicher Manövertypen dieselbe Vorgabe (24) vorsieht.
Verfahren nach einem der vorhergehenden Ansprüche, wobei Modelldaten des Modells (27), welche ein aktuelles Abbildungsverhalten (45) des Modells (27) beschreiben, an eine fahrzeugexterne zentrale Servervorrichtung (12) ausgesendet werden, und aus der Servervorrichtung (12) kombinierte Modelldaten, die durch Kombinieren der Modelldaten und weiterer Modelldaten zumindest eines weiteren Kraftfahrzeugs (11) von der Servervorrichtung (12) erzeugt wurden, empfangen werden und mittels der kombinierten Modelldaten das Modell (27) aktualisiert wird.
Prozessorschaltung (25), die dazu angepasst ist, in einem Kraftfahrzeug (11) mittels eines Verfahrens nach einem der vorhergehenden Ansprüche ein Vorgabesignal (22) für zumindest ein Fahrerassistenzsystem (18) des Kraftfahrzeugs (11) zu erzeugen.
Kraftfahrzeug (11) mit einer Prozessorschaltung (25) nach Anspruch 11.
System (10) mit einer Servervorrichtung (12) und mit zumindest einem Kraftfahrzeug (11) nach Anspruch 12.