-
Stand der Technik
-
Die vorliegende Erfindung betrifft ein Verfahren zur Ermittlung eines Bewegungszustands eines Kraftfahrzeugs, wobei in dem Kraftfahrzeug mindestens ein Inertialsensor angeordnet ist, und wobei eine Datenverarbeitungsvorrichtung Daten des Inertialsensors empfängt.
-
Ferner betrifft die vorliegende Erfindung ein Kraftfahrzeug umfassend mindestens einen Inertialsensor und eine Datenverarbeitungsvorrichtung, wobei die Datenverarbeitungsvorrichtung zur Durchführung eines Verfahrens zur Ermittlung eines Bewegungszustandes des Kraftfahrzeugs ausgebildet ist.
-
Offenbarung der Erfindung
-
Kraftfahrzeuge können sich entweder in einem Bewegungszustand oder in einem Stillstandzustand befinden. Die Unterscheidung zwischen einem Bewegungszustand und einem Stillstandzustand eines Kraftfahrzeuges kann in verschiedenen Anwendungsfällen wichtig und wesentlich sein. Befindet sich beispielsweise ein Kraftfahrzeug in einem Stillstandzustand, so finden keinerlei Positionsänderungen des Kraftfahrzeugs statt, und es können daher Fahrzeugsensoren kalibriert werden.
-
Ferner ist es in modernen Kraftfahrzeugen möglich, dass beispielsweise über ein Infotainmentsystem verschiedene Informationen angezeigt werden können. Dabei dürfen manche der Informationen aus Sicherheitsgründen nur im Stand des Fahrzeuges angezeigt werden. Darüber hinaus kann die Feststellung, ob ein Kraftfahrzeug sich in einem Stillstandzustand befindet, auch rechtlich wichtig sein. In einem Stillstandzustand kann das Kraftfahrzeug nicht aktiv einen Unfall verursachen.
-
Zur Ermittlung eines Bewegungszustandes eines Kraftfahrzeugs, insbesondere eines Fahrzustands oder eines Stillstandzustands, sind im Stand der Technik verschiedene Lösungen bekannt. Es werden hierfür beispielsweise Odometer, also Pulsgeber an den Fahrzeugrädern, wie sie für die Tachometeranzeige, die ABS-Funktionalität oder das ESP benötigt werden, oder ein Geschwindigkeitssignal, welche zum Beispiel in Kraftfahrzeug auf dem CAN zur Verfügung stehen, verwendet. Die Verwendung von Signalen eines Odometers oder eines Geschwindigkeitssignals hat aber das Problem, dass es für diese Signale eine untere Grenzgeschwindigkeit gibt. Bei manchen Odometern werden unterhalb einer bestimmten Geschwindigkeit keine Pulse mehr erzeugt, sodass ein Stillstandzustand suggeriert wird, obwohl das Fahrzeug noch mit beispielsweise ca. 1 km/h rollt.
-
Zudem ist das Odometersignal ein digitales Signal. Es wird nur nach dem Zurücklegen einer bestimmten Strecke ein neuer Puls erzeugt. In hochwertigen Fahrzeugen wird beispielsweise nur alle 20 cm ein Puls generiert. Bei anderen Fahrzeugen kann es vorkommen, dass ein Puls sogar nur jeden Meter erzeugt wird. Es kann daher bei Einparkmanövern vorkommen, dass sich das Fahrzeug bewegt, ohne dass auch nur ein einziger Puls erzeugt wird.
-
Ferner ist es bekannt, Signale eines globalen Navigationssatellitensystems zu verwenden. Die Signale des Navigationssatellitensystems haben aber den Nachteil, dass sich aufgrund des Einflusses von Multipath-Effekten, Receiverrauschen und ähnlichen Effekten nicht sicher ein Stillstandzustand ermitteln lässt.
-
Zudem ist der Vergleich des Rauschens eines Drehratensensors oder eines Beschleunigungssensors zwischen dem Fahrzustand und dem Stillstandzustand bekannt. Diese Methode funktioniert sehr gut für festeingebaute Sensoren bei Kraftfahrzeugen mit Verbrennungsmotoren. Bei batterieelektrischen oder Hybridelektrokraftfahrzeugen ist die Ermittlung des Bewegungszustandes aus dem Rauschen des Drehratensensors oder des Beschleunigungssensors relativ ungenau, da es bei derartigen Fahrzeugen kaum noch ein verstärktes Rauschen gibt.
-
Ein noch weiteres bekanntes Verfahren ist die Nutzung des optischen Flusses. Dabei wird mittels einer Kamera die relative Bewegung des Fahrzeugs zu der Fahrbahn oder zu entfernten Landmarken ermittelt. Dieses Verfahren ist jedoch rechnerisch sehr aufwendig. Zudem muss die dafür benötigte Kamera sehr genau ausgerichtet sein.
-
Aus der
US 2008/0027601 A1 ist eine Vorrichtung zum Detektieren eines Fahrzeugstillstandes bekannt. Dabei werden minimale und maximale Werte eines Drehratensignals, das von einem Gyroskop ausgegeben wird, erkannt. Es wird ein Bereich des Drehratensignals bestimmt, welcher verwendet wird, um zu bestimmen, ob das Fahrzeug stillsteht. Wenn das Drehratensignal des Gyroskops den Bereich überschreitet, wird darauf geschlossen, dass sich das Fahrzeug bewegt.
-
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Ermittlung eines Bewegungszustands eines Kraftfahrzeugs bereitzustellen, welches hochpräzise ist und insbesondere auch bei batterieelektrischen Kraftfahrzeugen und Hybridelektrokraftfahrzeugen angewendet werden kann.
-
Zur Lösung der der Erfindung zugrundeliegenden Aufgabe wird ein Verfahren zur Ermittlung eines Bewegungszustands eines Kraftfahrzeugs vorgeschlagen, wobei in dem Kraftfahrzeug mindestens ein Inertialsensor angeordnet ist, wobei eine Datenverarbeitungsvorrichtung Daten des mindestens einen Inertialsensors empfängt, wobei die Datenverarbeitungsvorrichtung die Daten des mindestens einen Inertialsensors einem von der Datenverarbeitungsvorrichtung ausgeführten künstlichen neuronalen Netz zuführt, wobei das künstliche neuronale Netz auf Basis der Daten des mindestens einen Inertialsensors den Bewegungszustand des Kraftfahrzeugs ermittelt.
-
Unter einem Bewegungszustand kann beispielsweise ein Fahrzustand, das heißt ein Zustand, bei dem das Kraftfahrzeug eine Fahrgeschwindigkeit ungleich null aufweist, und ein Stillstandzustand, das heißt ein Zustand des Kraftfahrzeugs, in dem das Kraftfahrzeug stillsteht, verstanden werden. Das künstliche neuronale Netz führt auf Basis der Daten des mindestens einen Inertialsensors somit bevorzugt ein Klassifikationsverfahren durch. Die Datenverarbeitungsvorrichtung kann Teil des Kraftfahrzeugs sein, oder es kann sich um eine externe Datenverarbeitungsvorrichtung handeln. Im letzteren Fall werden die Daten des Inertialsensors beispielsweise über ein Funksignal, wie beispielsweise ein Mobilfunksignal, an die externe Datenverarbeitungsvorrichtung übermittelt.
-
Inertialsensoren, insbesondere Beschleunigungs- und Drehratensensoren, erzeugen sehr unterschiedliche Messmuster, je nachdem, ob ein Kraftfahrzeug steht oder sich bewegt. Derartige unterschiedliche Messmuster treten dabei auch bei batterieelektrischen Fahrzeugen oder Hybridelektrokraftfahrzeugen auf, sind jedoch mit den aus dem Stand der Technik bekannten Methoden nicht sicher erkennbar. Die Messmuster äußern sich nicht unbedingt in einem erhöhten Rauschen, auf dessen Auswertung die aus dem Stand der Technik bekannten Ansätze beruhen. Ferner sind die Messmuster von dem Beladungszustand des Kraftfahrzeugs abhängig und ändern sich zudem jedes Mal, wenn der Inertialsensor an einem anderen Ort im Kraftfahrzeug angeordnet wird. Auch von Kraftfahrzeug zu Kraftfahrzeug liegen Unterschiede zwischen den Messmustern vor. Die Unterschiede der Messmuster sind so signifikant, dass eine sichere Auswertung mit den bekannten Verfahren nicht möglich ist, jedoch nicht so radikal, dass sie einer Auswertung grundsätzlich nicht zugänglich sind.
-
Künstliche neuronale Netze sind besonders geeignet, um derartige typische, aber mit deutlichen Variationen behaftete Messmuster sicher zu erkennen.
-
Durch die erfindungsgemäße Auswertung der Daten des mindestens einen Inertialsensors durch das künstliche neuronale Netz werden die Messmuster einer sicheren Auswertung zugänglich.
-
Bevorzugt ist vorgesehen, dass der mindestens eine Inertialsensor einen Drehratensensor und/oder einen Beschleunigungssensor umfasst.
-
Insbesondere können mehrere Inertialsensoren, insbesondere mehrere Drehratensensoren und/oder mehrere Beschleunigungssensoren, vorgesehen sein.
-
Mit weiterem Vorteil kann vorgesehen sein, dass der mindestens eine Inertialsensor fest in dem Kraftfahrzeug installiert ist, und/oder dass der mindestens eine Inertialsensor in einer mobilen Vorrichtung angeordnet ist, wobei die mobile Vorrichtung lösbar an oder in dem Kraftfahrzeug befestigbar oder befestigt ist, wobei bevorzugt die mobile Vorrichtung eine Empfangsvorrichtung eines Satellitennavigationssystems oder ein Tabletcomputer oder ein Mobiltelefon, insbesondere ein Smartphone, ist.
-
Ist der mindestens eine Inertialsensor fest in dem Kraftfahrzeug installiert, so werden die besten Ergebnisse mittels des erfindungsgemäßen Verfahrens erzielt. Eine dennoch sehr präzise Ermittlung des Bewegungszustandes ist jedoch auch dann möglich, wenn der Inertialsensor in einer mobilen Vorrichtung, wie beispielsweise einem Mobiltelefon oder einem Smartphone installiert ist. So ist es im Stand der Technik bekannt, ein Smartphone oder eine mobiles Navigationsgerät für die Fahrzeugnavigation zu nutzen. Derartige mobile Vorrichtungen können über eine Halterung mit einem Saugnapf beispielsweise an der Frontscheibe des Kraftfahrzeugs befestigt werden.
-
Mit weiterem Vorteil kann vorgesehen sein, dass das künstliche neuronale Netz die Daten des Inertialsensors in einem, bevorzugt gleitenden, Zeitintervall auswertet, wobei das Zeitintervall bevorzugt 1 Sekunde bis 30 Sekunden, weiter bevorzugt 3 Sekunden bis 10 Sekunden, insbesondere bevorzugt 4 Sekunden bis 6 Sekunden, ganz besonders bevorzugt ca. 5 Sekunden, beträgt.
-
Versuche der Anmelderin haben gezeigt, dass Messmuster für einen Stillstandzustand des Kraftfahrzeugs eine Länge von typischerweise 5 Sekunden haben. Derartige Stillstandzustände treten beispielsweise bei kurzen Halten an Kreuzungen, Fußgängerüberwegen oder Ampeln auf.
-
Dabei ist es von besonderem Vorteil, wenn das Zeitintervall ein gleitendes Zeitintervall ist. Mit der Auswertung eines gleitenden Zeitintervalls kann der Bewegungszustand, insbesondere der Stillstandzustand oder der Fahrzustand, des Kraftfahrzeugs unabhängig vom Beginn des ausgewerteten Zeitintervalls erkannt werden.
-
Bevorzugt ist vorgesehen, dass das künstliche neuronale Netz ein Convolutional Neural Net (CNN) ist, und/oder dass das künstliche neuronale Netz mindestens ein Convolutional Layer umfasst.
-
Die Verwendung eines Convolutional Neural Nets oder eines Convolutional Layers ist insbesondere bei der Auswertung von gleitenden Zeitintervallen von besonderem Vorteil. Convolutional Neural Nets sind bei der Auswertung von Zeitreihen invariant gegenüber der Verschiebung des Beobachtungszeitraums in der Zeit, sodass mittels eines Convolutional Neural Nets gleitende Zeitintervalle besonders vorteilhaft ausgewertet werden können. Die Verwendung eines Convolutional Layers oder eines Convolutional Neural Nets führt zudem zu einer Reduzierung der benötigten Parameter zur sicheren Bestimmung des Bewegungszustands.
-
Bevorzugt weist das künstliche neuronale Netz zwei oder drei versteckte Schichten beziehungsweise „Hidden Layers“ auf. Es kann somit ein vergleichsweise kleines künstliches neuronales Netz verwendet werden. Hierdurch werden auch Online-Auswertungsverfahren möglich.
-
Bevorzugt ist ferner vorgesehen, dass das künstliche neuronale Netz mittels eines, bevorzugt überwachten, Lernverfahrens angelernt wird.
-
Es ist dabei weiter bevorzugt vorgesehen, dass das Lernverfahren bei der Benutzung des Fahrzeuges durchgeführt wird. Somit kann das künstliche neuronale Netz die für das spezifische Kraftfahrzeug typischen Messmuster lernen.
-
Dafür kann bevorzugt vorgesehen sein, dass bei der Durchführung des Lernverfahrens die Daten des Inertialsensors Eingabevariablen sind, und dass eine Zielvariable ein zu lernender Bewegungszustand des Kraftfahrzeugs ist, wobei die Zielvariable, insbesondere der zu lernende Bewegungszustand, aus Daten einer Sensorvorrichtung ermittelt wird, wobei bevorzugt die Sensorvorrichtung ein Odometer, und/oder ein Geschwindigkeitssensor, und/oder ein Navigationsgerät, insbesondere eine Empfangsvorrichtung eines Satellitennavigationssystems, und/oder ein Feststellbremsensensor, und/oder eine Kamera, und/oder ein Start/Stopp-Sensor, ist.
-
Auch weitere hier nicht aufgezählte Sensorvorrichtungen können für die Ermittlung der Zielvariable geeignet sein.
-
Für das Lernverfahren wird somit aus den Daten oder Signalen der Sensorvorrichtung, beispielsweise des Odometers, zunächst ein zu lernender Bewegungszustand ermittelt. Sendet beispielsweise der Pulsgeber eines Odometers keine Signale, sodass ein Stillstandzustand des Kraftfahrzeugs angenommen werden kann, so wird dieser Stillstandzustand als zu lernender Bewegungszustand im Rahmen des Lernverfahrens als Zielvariable verwendet. Gleichzeitig werden dem künstlichen neuronalen Netz die Daten des Inertialsensors zugeführt, und im Rahmen des Lernverfahrens werden die Gewichte des künstlichen neuronalen Netzes angepasst, um eine zuverlässige Klassifikation der Daten des Inertialsensors hinsichtlich des zu lernenden Bewegungszustandes zu ermöglichen.
-
Dabei kann es bevorzugt vorgesehen sein, dass der zu lernende Bewegungszustand ein Fahrzustand oder ein Stillstandzustand ist, wenn die Daten der Sensorvorrichtung mit einer hohen Wahrscheinlichkeit dem zu lernenden Bewegungszustand zugeordnet werden können.
-
Ferner bevorzugt kann vorgesehen sein, dass der zu lernende Bewegungszustand ein Fahrzustand oder ein Stillstandzustand ist, wenn die Daten der Sensorvorrichtung über einen vorbestimmten Zeitraum mit dem zu lernenden Bewegungszustand verträglich sind, wobei der vorbestimmte Zeitraum bevorzugt mindestens 10 Sekunden, weiter bevorzugt mindestens 20 Sekunden, noch weiter bevorzugt mindestens 30 Sekunden, beträgt.
-
Die vorstehend einleitend erläuterten Probleme bei der Ermittlung eines Bewegungszustands eines Kraftfahrzeugs mit den aus dem Stand der Technik bekannten Verfahren, wie beispielsweise auf Basis der Signale eines Odometers, treten lediglich in der Übergangsphase zwischen einem Fahrzustand und einem Stillstandzustand auf. Entsendet ein Pulsgeber eines Odometers jedoch beispielsweise über 30 Sekunden keinen Puls mehr, so kann man sicher sein, dass das Kraftfahrzeug tatsächlich stillsteht. Entsendet ein Pulsgeber eines Odometers hingegen kontinuierlich Pulse, oder liegen wesentlich von Null verschiedene Geschwindigkeitswerte von einer Satellitennavigation vor, so kann man sicher sein, dass das Kraftfahrzeug bewegt wird.
-
Mit anderen Worten ist das Nichtauftreten von Pulsen des Odometers für einen Zeitraum von 30 Sekunden mit einem Stillstandzustand sehr gut verträglich. In ähnlicher Weise können die Daten aus einer Empfangsvorrichtung eines Navigationsgerätes verwendet werden. Zwar springen die mittels der Empfangsvorrichtung des Satellitennavigationssystems ermittelten Positionen des Fahrzeuges auf kurzen Zeiträumen um einen stabilen Ort herum, über längere Zeiträume von beispielsweise mindestens 10 Sekunden mitteln sich die entsprechenden Geschwindigkeiten jedoch zu 0. Wenn das Positionssignal der Empfangsvorrichtung des globalen Navigationssatellitensystems für mindestens 10 Sekunden, bevorzugt für mindestens 20 Sekunden, noch weiter bevorzugt für mindestens 30 Sekunden, um ein stabiles Zentrum herumspringt, kann davon ausgegangen werden, dass sich das Fahrzeug tatsächlich in einem Stillstandzustand befindet. Auf ähnliche Art und Weise können auch die Signale einer Start-Stopp-Automatik oder eines Feststellbremsensensors verwendet werden. Hierdurch wird sichergestellt, dass der zu lernende Bewegungszustand nur dann ein Stillstandzustand oder ein Fahrzustand ist, wenn die Daten der Sensorvorrichtung mit einer hohen Wahrscheinlichkeit diesem zu lernenden Bewegungszustand zugeordnet werden können.
-
Weiter bevorzugt kann vorgesehen sein, dass das Lernverfahren kontinuierlich durchgeführt wird, und/oder dass das Lernverfahren im Wesentlichen parallel und/oder zeitgleich mit der Ermittlung des Bewegungszustands aus den Daten des Inertialsensors durchgeführt wird.
-
Mit anderen Worten wird das künstliche neuronale Netz parallel zu der Ermittlung des Bewegungszustands des Kraftfahrzeugs trainiert. Dabei lernt das künstliche neuronale Netz bereits nach wenigen Stillstand- oder Fahrzuständen, die verschiedenen Bewegungszustände zu erkennen.
-
Dabei kann bevorzugt vorgesehen sein, dass zu jedem Fahrbeginn die Lernrate des künstlichen neuronalen Netzes sehr hoch angesetzt wird, um das neuronale Netz schnell auf die neuen Muster zu trainieren.
-
Da das künstliche neuronale Netz ständig hinzulernt, werden die Parameter des künstlichen neuronalen Netzes nicht ständig gelöscht, sondern kontinuierlich angepasst. Dies ist insbesondere dann von Vorteil, wenn der mindestens eine Inertialsensor nicht fest im Fahrzeug installiert ist, sondern bei jeder Fahrt an einem leicht unterschiedlichen Ort im Fahrzeug angeordnet ist. Dies tritt beispielsweise dann auf, wenn der mindestens eine Inertialsensor Teil einer mobilen Vorrichtung, wie beispielsweise eines Smartphones, ist.
-
Ferner kann vorgesehen, dass der mittels des künstlichen neuronalen Netzes ermittelte Bewegungszustand des Kraftfahrzeuges mit den Daten weiterer Sensorvorrichtungen, wie beispielsweise eines Odometers oder eines Geschwindigkeitssensors, abgeglichen wird. Hierdurch wird eine noch höhere Sicherheit für die Ermittlung des Bewegungszustandes erzielt.
-
Mit weiterem Vorteil ist vorgesehen, dass der mindestens eine Inertialsensor mit einer Abtastrate von 10 Hz bis 2 kHz, bevorzugt von 500 Hz bis 1,5 kHz ausgelesen wird.
-
Mit entsprechend hohen Abtastraten wird es möglich, auch Rauschmuster in den Signalen des Inertialsensors, insbesondere des Drehratensensors und/oder des Beschleunigungssensors, zu erfassen, und dem künstlichen neuronalen Netz zu Auswertungszwecken zuzuleiten.
-
Bevorzugt ist vorgesehen, dass die Daten des mindestens einen Inertialsensors bezüglich eines, insbesondere temperaturbedingten, Offsets und/oder einer, insbesondere temperaturbedingten, Drift korrigiert werden.
-
Es ist bekannt, dass Inertialsensoren wie beispielsweise Drehratensensoren oder Beschleunigungssensoren einen temperaturabhängigen Offsetdrift haben können. Deshalb ist es bevorzugt, dass die Daten des Inertialsensors vor der Zuführung an das künstliche neuronale Netz von dem Offset befreit werden.
-
Die Korrektur der Daten des mindestens einen Inertialsensors bezüglich eines, insbesondere temperaturbedingten, Offsets und/oder einer, insbesondere temperaturbedingten, Drift stellt eine Vorverarbeitung der Daten dar.
-
Dabei kann bevorzugt vorgesehen sein, dass, insbesondere während der Vorverarbeitung, aus den Daten des mindestens einen Inertialsensors weitere Kennwerte extrahiert werden.
-
Beispielsweise können die weiteren Kennwerte eine Varianz, dominante Frequenzen des Signals, zum Beispiel nach einer Fouriertransformation, Peakto-Peak Abstände oder ähnliches sein. Die extrahierten Kennwerte können im Lernverfahren zusätzlich dem künstlichen neuronalen Netz zugeführt werden.
-
Hierdurch kann das künstliche neuronale Netz die Bewegungszustände noch präziser und schneller lernen.
-
Eine weitere Lösung der der Erfindung zugrundeliegenden Aufgabe besteht in einem Kraftfahrzeug umfassend mindestens einen Inertialsensor und eine Datenverarbeitungsvorrichtung, wobei die Datenverarbeitungsvorrichtung zur Durchführung eines vorbeschriebenen Verfahrens ausgebildet ist.
-
Sämtliche in Zusammenhang mit dem vorstehend erläuterten Verfahren beschriebenen Merkmale, Funktionen und Ausgestaltungen können in entsprechender Weise auch auf das Kraftfahrzeug übertragen werden.
-
Die Erfindung wird nachstehend näher anhand der beigefügten Figuren erläutert.
-
Es zeigen:
- 1 ein Kraftfahrzeug,
- 2 ein Ablaufdiagramm eines Verfahrens zur Ermittlung eines Bewegungszustands eines Kraftfahrzeugs,
- 3 Daten eines Inertialsensors, und
- 4 ein Ablaufdiagramm eines Lernverfahrens für ein künstliches neuronales Netz.
-
Nachstehend wird ein Verfahren 100 zur Ermittlung eines Bewegungszustands eines Kraftfahrzeugs 200 anhand der Figuren erläutert.
-
1 zeigt ein Kraftfahrzeug 200 mit Inertialsensoren 10 und mit einer Datenverarbeitungsvorrichtung 11. Die Inertialsensoren 10 umfassen einen Drehratensensor 12 und einen Beschleunigungssensor 13. Die Datenverarbeitungsvorrichtung 11 kann ein Computer 14 sein. Die Datenverarbeitungsvorrichtung 11 führt ein künstliches neuronalen Netz 15 aus. Die Datenverarbeitungsvorrichtung 11 ist zur Durchführung eines nachstehend beschriebenen Verfahrens 100 zur Ermittlung eines Bewegungszustands des Kraftfahrzeugs 200 eingerichtet.
-
2 zeigt ein Ablaufdiagramm eines Verfahrens 100 zur Ermittlung eines Bewegungszustands eines Kraftfahrzeugs 200. In einem ersten Verfahrensschritt 16 ermittelt ein Inertialsensor 10 Daten, welche geeignet sein können, einen Bewegungszustand des Kraftfahrzeugs 200 zu charakterisieren. Die Daten werden in einem zweiten Schritt 17 von einer Datenverarbeitungsvorrichtung 11 empfangen, welche in einem dritten Schritt 18 die Daten des mindestens einen Inertialsensors 10 einem von der Datenverarbeitungsvorrichtung 11 ausgeführten künstlichen neuronalen Netz 15 zuführt. Auf Basis der zugeführten Daten des mindestens einen Inertialsensors 10 ermittelt das künstliche neuronale Netz 15 in einem vierten Schritt 19 den Bewegungszustand des Kraftfahrzeugs 200.
-
3 zeigt typische Daten, welche von einem verfahrensgemäß verwendeten Inertialsensor 10 aufgenommen werden. Die x-Achse ist dabei die Zeitachse t, und die y-Achse gibt die Signalamplitude A wieder. Im Signalverlauf sind deutlich voneinander unterscheidbare Phasen, welche Bewegungszuständen des Kraftfahrzeugs entsprechen, erkennbar. Die Phasen 23 mit einem relativ geringen Signalpegel betreffen Stillstandzustände des Kraftfahrzeugs 200. Die Phasen 24 mit hohen Amplituden des Signals entsprechen Fahrzuständen des Kraftfahrzeuges 200.
-
Zurückkehrend zu 1 umfasst das Kraftfahrzeug 200 ferner eine Sensorvorrichtung 20, welche als Odometer 21 ausgebildet ist. Zudem umfasst das Kraftfahrzeug 200 eine Empfangsvorrichtung 22 eines globalen Satellitennavigationssystems. 4 zeigt ein Ablaufdiagramm für ein Lernverfahren 25 des künstlichen neuronalen Netzes 15. Das Lernverfahren 25 kann insbesondere parallel oder zeitgleich mit dem Verfahren 100 gemäß 2 durchgeführt werden. Im Rahmen des Lernverfahrens 25 wird in einem ersten Schritt 26 aus Daten einer Sensorvorrichtung 20, wie beispielsweise des Odometers 21 oder der Empfangsvorrichtung 22 für das Satellitennavigationssystem, ein zu lernender Bewegungszustand des Kraftfahrzeugs 200 ermittelt. Da die Ermittlung des Bewegungszustandes aus den Daten eines Odometers 21 oder einer Empfangsvorrichtung 22 für das Satellitennavigationssystem auf kurzen Zeitskalen ungenau sein kann, werden die Daten nur dann einem zu lernenden Bewegungszustand zugeordnet, wenn die Daten des Odometers 21 oder der Empfangsvorrichtung 22 für das Satellitennavigationssystem über einen Zeitraum von mindestens 30 Sekunden mit dem zu lernenden Bewegungszustand vereinbar sind. Der zu lernende Bewegungszustand, beispielsweise ein Stillstandzustand, wird dann dem künstlichen neuronalen Netz 15 als Zielvariable in einem zweiten Schritt 27 zugeführt. Dem künstlichen neuronalen Netz 15 werden zeitgleich in einem dritten Schritt 28 die Daten des mindestens einen Inertialsensors 10 als Eingangsvariablen zugeführt. Mittels beispielsweise eines Gradientenverfahrens werden die Parameter des künstlichen neuronalen Netzes 15 in einem vierten Schritt 29 so lange angepasst, bis die Klassifizierung der Daten des Inertialsensors 10 zu den Bewegungszuständen zuverlässig erfolgt.
-
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
-
