-
Die Erfindung betrifft ein Verfahren zum Ermitteln einer Schaltstrategie für ein Schaltgetriebe eines Fahrzeugs.
-
Des Weiteren betrifft die Erfindung ein Verfahren zum Trainieren eines lernfähigen Systems zur Prädiktion einer Schaltstrategie für ein Schaltgetriebe eines Fahrzeugs.
-
Ebenfalls betrifft die Erfindung ein Fahrerassistenzsystem mit einem lernfähigen System.
-
Eine Schaltstrategie von Fahrzeugen mit Automatikgetriebe oder einem normalen Getriebe wirkt sich fundamental auf den Verbau, den Verschleiß, den Fahrkomfort und die Sicherheit des Fahrzeugs und insbesondere des Verkaufs aus. Beispielsweise kann durch die Auswahl eines niedrigen Gangs die Motorbremse des Fahrzeugs gezielt eingesetzt werden, um beispielsweise ein Überhitzen der Bremse zu vermeiden.
-
Vor allem ist eine optimale Schaltstrategie in Personenkraftwagen, Lastkraftwagen oder Bussen vorteilhaft.
-
Die Wahl des optimalen Gangs, also die sogenannte Schaltstrategie, kann von einer Vielzahl an Parametern eines Fahrzeugs abhängig sein. Hierbei können die Geschwindigkeit, Gaspedalstellung, Leistungsbedarf, Steigung der Straße, aktueller Gang, Verschleißzustand verschiedener Fahrzeugkomponenten und/oder ein gewünschter Fahrkomfort relevant sein.
-
Beispielsweise gibt es im Stand der Technik Ansätze zur Ermittlung einer Schaltstrategie. Hierbei muss für jedes Fahrzeug und für verschiedene Szenarien eine manuelle Abstimmung vorgenommen werden.
-
Beispielsweise stellt die
EP 19 60 698 A1 eine Strategie zur Gangwahl unter schweren Aufwärtsbedingungen vor.
-
Beispielsweise ist aus der
DE 10 206 007 717 A1 ein Verfahren zur Bestimmung einer Schaltstrategie in Abhängigkeit von fahrzeuginternen Parametern, insbesondere während der Fahrt des Fahrzeuges, offenbart.
-
Ferner offenbart die
EP 3 859 192 A1 eine Methode zum maschinellen Lernen zur Bestimmung eines Zustands eines Schaltgetriebes eines Fahrzeuges. Hierbei kann während der Fahrt, insbesondere während des Betriebs des Fahrzeuges, anhand von Parametern ein maschinelles Trainieren durchgeführt werden.
-
Ein Nachteil im Stand der Technik ist vor allem der, dass Schaltstrategien anhand interner Fahrzeugparameter, welche durch insbesondere reale Parameter während einer aktuellen Fortbewegungsfahrt repräsentiert werden, verwendet werden.
-
Daher ist eine Aufgabe der vorliegenden Erfindung die Bestimmung beziehungsweise Ermittlung einer Schaltstrategie für ein Schaltgetriebe eines Fahrzeuges zu verbessern und insbesondere die Schaltstrategie verschleißoptimierter und/oder verbrauchsoptimierter bereitzustellen.
-
Diese Aufgabe wird durch ein Verfahren und ein Fahrerassistenzsystem gemäß den unabhängigen Patentansprüchen gelöst. Sinnvolle Weiterbildungen ergeben sich aus den abhängigen Patentansprüchen.
-
Ein Aspekt der Erfindung betrifft ein Verfahren zum Ermitteln einer Schaltstrategie für ein Schaltgetriebe eines Fahrzeugs, dadurch gekennzeichnet, dass
- - das Ermitteln der Schaltstrategie durch ein lernfähiges System
erfolgt, das darauf trainiert ist, anhand einer vorgegebenen Verkehrssituation in einem Simulationsmodell die Schaltstrategie zu ermitteln, wobei
- - dem lernfähigen System
Fahrzeuginformationen des Fahrzeugs
und/oder Umgebungsinformationen der Verkehrssituation und/oder Karteninformationen betreffend der Verkehrssituation bereitgestellt werden, und
- - das Ermitteln der Schaltstrategie anhand den Fahrzeuginformationen und/oder den Umgebungsinformationen und/oder den Karteninformationen erfolgt.
-
Durch das vorgeschlagene Verfahren kann eine Schaltstrategie beziehungsweise können mehrere Schaltstrategien für ein Schaltgetriebe eines Fahrzeuges verbesserter ermittelt werden. Durch die Berücksichtigung der verschiedensten Informationen können vor allem in dem Simulationsmodell beziehungsweise innerhalb einer Simulationsumgebung die verschiedensten Szenarien simuliert werden, um daraus eine verbesserte und insbesondere optimiertere Schaltstrategie für Fahrzeuge ermitteln beziehungsweise bestimmen zu können. Mithilfe des lernfähigen Systems können also verschiedenste Simulationen, also virtuelle Simulationen, bezüglich Schaltstrategien vorgenommen werden. Hierzu können ebenfalls virtuelle Informationen beziehungsweise Parameter bereitgestellt werden. Demzufolge können Datensätze dem lernfähigen System im Vorfeld und/oder kontinuierlich zur Verfügung gestellt werden, sodass die mehreren beziehungsweise vielzähligen Simulationen durchgeführt beziehungsweise simuliert werden können. Dadurch kann vor allem eine verschleißoptimierte und/oder verbrauchsoptimierte Schaltstrategie ermittelt werden.
-
Vor allem kann durch das Einbeziehen der verschiedensten Informationen des Fahrzeuges, der Umgebung, der Karte bezüglich der Verkehrsumgebung oder anderweitige Informationen von anderen Verkehrsteilnehmern eine detaillierte und insbesondere realitätsnahe Simulation durchgeführt werden, um damit wiederum eine entsprechende verbesserte Schaltstrategie ermitteln zu können.
-
Eine solche ermittelte Schaltstrategie kann wiederum für weitere Simulationen berücksichtigt werden oder in ein reales Fahrzeugsystem eingespielt beziehungsweise implementiert werden.
-
Beispielsweise kann das Ermitteln der Schaltstrategie in einer entsprechenden Recheneinheit simuliert werden. Ebenfalls denkbar ist, dass das Ermitteln der Schaltstrategie in einer Recheneinheit eines Fahrzeugs während einer Fortbewegungsfahrt des Fahrzeugs durchgeführt wird, sodass dort reale Daten für die Simulation zur Verfügung gestellt werden können und somit an eine jeweilige Situation des Fahrzeuges, insbesondere einer realen Situation, eine entsprechende Schaltstrategie bestimmt werden kann.
-
Insbesondere kann es sich bei dem vorgeschlagenen Verfahren um ein computerimplementiertes Verfahren oder um ein cloudbasiertes Verfahren oder um ein simulationsbasiertes Verfahren handeln.
-
Ein weiterer Aspekt der Erfindung betrifft ein Verfahren zum Trainieren eines lernfähigen Systems zur Detektion einer Schaltstrategie für ein Schaltgetriebe eines Fahrzeuges.
-
Hierbei können Fahrzeuginformationen des Fahrzeugs und/oder Umgebungsinformationen einer vorliegenden Verkehrssituation und/oder Karteninformationen betreffend eine Verkehrssituation bereitgestellt werden. Auf Basis der Fahrzeuginformationen und/oder der Umgebungsinformationen und/oder der Karteninformationen kann in einem Simulationsmodell ein Lernen der Prädiktion der Schaltstrategie durchgeführt werden.
-
Durch das Trainieren des lernfähigen Systems mithilfe eines Simulationsmodells und insbesondere mithilfe einer Simulationsumgebung kann anhand der verschiedensten Informationen, Eingangsgrößen und/oder Parameter eine verbesserte Prädiktion von Schaltstrategien, insbesondere von einer Schaltstrategie, durchgeführt werden. Somit kann vor allem anhand von vergangenen Schaltstrategien und/oder von Schaltstrategien mehrerer Fahrzeuge und/oder von verschiedensten Informationen vor allem ein maschinelles Lernen vorgenommen werden, sodass eine aktuelle Schaltstrategie und insbesondere zukünftige Schaltstrategien effizienter und insbesondere verbessert prädiziert, also vorhergesagt, werden können. Solche prädizierten Schaltstrategien können vor allem für Fahrzeuge mit einem Automatikgetriebe beziehungsweise einem automatischen Schaltgetriebe, aber auch für manuelle Schaltgetriebe vorteilhaft verwendet werden.
-
Insbesondere kann es sich bei dem soeben vorgeschlagenen Verfahren um ein computerimplementiertes Verfahren handeln.
-
Bei der vorgegebenen Verkehrssituation beziehungsweise einer vorgegebenen Fahrsituation handelt es sich um eine virtuell vorgegebene Verkehrssituation, welche beispielsweise aus umfangreichsten Datensätzen von realen Verkehrssituationen basieren kann. Beispielsweise kann die vorgegebene Verkehrssituation mehrere Verkehrssituationen repräsentieren. Bei dem lernfähigen System kann es sich beispielsweise um ein künstliches neuronales Netz handeln. Beispielsweise kann das Lernen anhand eines bestärkenden Lernens (Reinforcement Learning) erfolgen. Dabei ist die Strategie beziehungsweise die Schaltstrategie durch „Trial and Error“ zu ermitteln.
-
Ein weiterer Aspekt der Erfindung betrifft ein Fahrerassistenzsystem mit einem lernfähigen System, wobei das Fahrerassistenzsystem, insbesondere ein elektronisches Fahrerassistenzsystem, zum Durchführen eines Verfahrens nach einem der vorhergehenden Aspekte oder einer entsprechenden Ausführung davon ausgebildet ist.
-
Insbesondere kann mithilfe des Fahrerassistenzsystems ein Verfahren nach einem der vorhergehenden Aspekte oder einer vorteilhaften Weiterbildung davon ausgebildet werden. Ein derartiges Fahrerassistenzsystem kann vor allem den Fahrer des Fahrzeuges in jeweiligen Situationen für das Einstellen der bestmöglichen beziehungsweise optimierteren Schaltstrategie unterstützen oder autonom beziehungsweise automatisch die entsprechende Schaltstrategie einstellen.
-
Beispielsweise kann das Fahrerassistenzsystem entsprechend der Variationsmöglichkeiten und Vorteile der oben geschilderten Verfahren weitergebildet werden. Die genannten Verfahrensmerkmale stellen dabei entsprechende funktionale Merkmale des Fahrerassistenzsystems dar. Des Weiteren weist das Fahrerassistenzsystem mit dem lernfähigen System Mittel beziehungsweise funktionelle Merkmale auf, mit welchen die genannten Verfahren gemäß den vorhergehenden Aspekten durchgeführt beziehungsweise ausgeführt werden können.
-
Insbesondere können vorteilhafte Ausführungsformen eines Aspekts als vorteilhafte Ausführungsformen der anderen Aspekte und umgekehrt angesehen werden.
-
Hier und im Folgenden kann ein künstliches neuronales Netzwerk, insbesondere das lernfähige System, als Softwarecode verstanden werden, der auf einem computerlesbaren Speichermedium gespeichert ist und eines oder mehrere vernetzte künstliche Neuronen repräsentiert beziehungsweise deren Funktion nachbilden kann. Der Softwarecode kann dabei auch mehrere Softwarecodekomponenten beinhalten, die beispielsweise unterschiedliche Funktionen haben können. Insbesondere kann ein künstliches neuronales Netzwerk ein nichtlineares Modell oder einen nichtlinearen Algorithmus implementieren, das beziehungsweise der eine Eingabe auf eine Ausgabe abbildet, wobei die Eingabe durch einen Eingangsmerkmalsvektor oder eine Eingangssequenz gegeben ist und die Ausgabe beispielsweise eine ausgegebenen Kategorie für eine Klassifizierungsaufgabe, einen oder mehrere prädizierte Werte oder eine prädizierte Sequenz beinhalten kann.
-
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele sowie anhand der Zeichnung(en). Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.
-
Dabei zeigen die nachfolgenden Figuren in:
- 1 eine schematische Darstellung eines lernfähigen Systems zur Ermittlung einer Schaltstrategie; und
- 2 eine beispielhafte Ausführung eines Lernprozesses des lernfähigen Systems.
-
In der 1 ist beispielsweise ein lernfähiges System 1 dargestellt. Bei dem lernfähigen System kann es sich um ein neuronales Netzwerk, insbesondere um ein künstliches neuronales Netzwerk beziehungsweise Netz handeln. Somit kann es sich beispielsweise bei dem lernfähigen System 1 um einen Softwarecode handeln, der auf einem computerlesbaren Speichermedium gespeichert werden kann. Insbesondere kann es sich bei dem lernfähigen System 1 um eine cloudbasierte Einheit handeln. Beispielsweise kann das lernfähige System 1 in einer Recheneinheit, Servereinheit, Backend oder Computeranwendung integriert beziehungsweise implementiert sein.
-
Beispielsweise kann das lernfähige System 1 dazu verwendet werden, um eine Schaltstrategie für ein Schaltgetriebe 2 eines Fahrzeugs 3 zu ermitteln beziehungsweise zu bestimmen beziehungsweise zu generieren. Bei dem Schaltgetriebe 2 kann es sich um ein Getriebe des Fahrzeugs 3 wie einen Personenkraftwagen oder einen Lastkraftwagen handeln. Insbesondere kann die Schaltstrategie für das richtige Auswählen eines Gangs des Getriebes beziehungsweise des Schaltgetriebes 2 verwendet werden. Beispielsweise kann es sich bei dem Schaltgetriebe 2 um ein manuelles Schaltgetriebe oder um ein Automatikgetriebe handeln.
-
Das lernfähige System 1 kann darauf trainiert sein, anhand einer vorgegebenen Verkehrssituation und/oder einer vorgegebenen Fahrersituation in einem Simulationsmodell beziehungsweise Simulationssystem beziehungsweise Simulationsumgebung die Schaltstrategie zu ermitteln. Hierzu können im lernfähigen System Fahrzeuginformationen beziehungsweise Fahrzeugparameter des Fahrzeugs 3 oder anderen Fahrzeugen und/oder Umgebungsinformationen der Verkehrssituation und/oder Karteninformationen betreffend der Verkehrssituation bereitgestellt werden. Anhand dieser bereitgestellten Informationen oder weiteren denkbaren Informationen kann die Schaltstrategie ermittelt werden. Des Weiteren denkbar ist, dass das lernfähige System 1 zur Prädiktion einer entsprechenden Schaltstrategie für das Schaltgetriebe 2 trainiert beziehungsweise maschinell trainiert wird. Hierzu können wiederum die vorhin genannten Informationen bereitgestellt werden, sodass anhand dieser bereitgestellten Informationen abhängig von dem Simulationsmodell die Prädiktion der Schaltstrategie erlernt beziehungsweise maschinell erlernt werden kann. Hierzu kann für das Lernen ein bestärkendes Lernen beziehungsweise ein bestärkendes-Lernen-Verfahren verwendet werden.
-
Durch die Fahrzeuginformationen, Umgebungsinformationen und/oder Karteninformationen können Informationen über umliegende Verkehrsteilnehmer in der Verkehrssituation und Kartendaten bezüglich der Verkehrssituation für das Bestimmen der Schaltstrategie berücksichtigt werden. Somit können neben den verwendeten fahrzeugspezifischen Parametern umfangreiche Informationen berücksichtigt werden. Somit kann die Schaltstrategie vor allem im Vergleich zum Stand der Technik besser ermittelt werden, da nicht nur interne Fahrzeugparameter verwendet werden.
-
In einem Ausführungsbeispiel kann mithilfe des lernfähigen Systems 1 ein lernbasierter Ansatz bereitgestellt werden, der es ermöglicht, eine optimale Schaltstrategie initial in einer Simulationsumgebung beziehungsweise einem Simulationsmodell zu erlernen. Das gelernte beziehungsweise angelernte Modell beziehungsweise Simulationsmodell kann im Anschluss in dem Fahrzeug 3 in der echten Welt beziehungsweise in der realen Welt angewendet beziehungsweise eingesetzt werden. Die optimale Schaltstrategie kann dabei durch eine Kostenfunktion, insbesondere durch eine Referenzfunktion, definiert werden. Somit kann beispielsweise nach dem Ermitteln oder Prädizieren der Schaltstrategie die Schaltstrategie mit der vorgegebenen Referenzfunktion beziehungsweise Kostenfunktion verglichen werden, sodass in Abhängigkeit von diesem Vergleich ein Beurteilungsergebnis betreffend eine Effizienz der Schaltstrategie bereitgestellt werden kann. Dementsprechend können beispielsweise mithilfe des lernfähigen Systems mehrere Schaltstrategien bestimmt beziehungsweise ermittelt werden, welche anschließend mit der Referenzfunktion verglichen werden können und somit beispielsweise die effizienteste Schaltstrategie ausgewählt werden kann.
-
Im Gegensatz zu den Ansätzen des Stands der Technik werden in der vorliegenden Erfindung nicht nur interne Fahrzeugparameter, sondern Informationen bezüglich des gesamten Szenenkontext, also der Interaktion zu umliegenden Agenten beziehungsweise Verkehrsteilnehmer und Informationen einer Karte, insbesondere einer High-Definition-Karte. Anhand dieser umfangreichen Kontextinformationen kann vor allem ein bestärkendes Lernen (Reinforcement Learning) verwendet werden.
-
Beispielsweise handelt es sich bei dem Simulationsmodell um einen Verkehrssimulator mit einem oder mehreren Fahrzeugmodellen und simulierten umliegenden Verkehrslagen beziehungsweise Verkehrssituationen. Diese, also vorgegebene, Verkehrssituation kann umliegende Agenten wie Fußgänger und andere Verkehrsteilnehmer wie Fahrzeuge aufweisen. Ein solches Fahrzeugmodell kann interne Parameter aufweisen. Hierzu können, insbesondere virtuelle, interne Fahrzeugparameter zur Bestimmung der Schaltstrategie berücksichtigt werden. Diese können dem Simulationsmodell anhand von Datensätzen zur Verfügung gestellt werden. Diese Datensätze können aus Informationen beziehungsweise Daten von realen Fahrzeugen bestehen. Hierzu können beispielsweise als interne Fahrzeugparameter, also als Fahrzeuginformationen, eine Geschwindigkeit, eine Drehzahl, ein Gang, ein Verbrauch, ein Fahrmodus, ein Drehzahl-Leistungskennfeld und/oder ein Drehzahl-Drehmoment-Kennfeld. Weitere fahrzeugspezifische Parameter sind ebenfalls denkbar.
-
Eine vorteilhafte Besonderheit des vorliegenden lernbasierten Ansatzes, also des lernfähigen Systems, ist die, dass eine beliebige Anzahl von internen Fahrzeugparametern mit beliebigen Datenformaten, wie zum Beispiel Kennfeldern, skalierte Werte oder diskrete Werte, berücksichtigt werden können. Anhand eines Lernvorgangs kann automatisch erlernt werden, wie diese Informationen zur Bestimmung der Schaltstrategie berücksichtigt werden können. Daher kann hier im Gegensatz zum Stand der Technik verzichtet werden, dass sinnvolle Bedienungen für Schaltvorgänge manuell aus den internen Fahrzeugparametern, insbesondere manuell, abgeleitet werden müssen. Im Gegensatz wird in der vorliegenden Erfindung automatisch erlernt, wie die internen Fahrzeugparameter in die Schaltstrategie vorteilhaft einfließen können. Dies erfolgt vor allem automatisiert und insbesondere systemseitig.
-
Des Weiteren besonders vorteilhaft für die Ermittlung und/oder Prädizieren der Schaltstrategie ist das Berücksichtigen der umliegenden Agenten, wie zum Beispiel Fahrzeugen und Fußgängern und der Karteninformationen. Diese können für einen nachfolgenden Lernvorgang für die Ermittlung einer optimalen Schaltstrategie mit einbezogen werden. Informationen zu umliegenden Agenten, insbesondere deren Position und Geschwindigkeit, können entweder über einen Informationsaustausch zwischen Fahrzeugen oder durch Sensoriken des betrachteten Fahrzeugs ermittelt beziehungsweise bereitgestellt werden. Insbesondere können Fahrzeuge und beispielsweise zumindest teilautomatisierte beziehungsweise teilautonome Fahrzeuge vielfältigste Sensorsysteme aufweisen, um entsprechende Informationen zu erfassen. Somit kann beispielsweise das Fahrzeug 3 im realen Verkehrsgeschehen mithilfe seiner Sensorik bezüglich Verkehrssituationen die verschiedensten Informationen erfassen. Diese können als Daten für das Simulationsmodell und insbesondere für das lernfähige System 1 verwendet werden. Vor allem kann durch die Berücksichtigung der Karteninformationen in Kombination mit den Umgebungsinformationen eine lernbasierte Bestimmung der Schaltstrategie verbessert werden.
-
In einer Verkehrssituation, insbesondere in einer simulierten beziehungsweise virtuellen Verkehrssituation, kann beispielsweise während eines Beschleunigungsvorgangs des Fahrzeugs 3 ein Fußgänger, also ein Agent, an einem Fußgängerübergang vor dem Fahrzeug 3 auftauchen. Diese Informationen können vor allem durch Sensorsysteme und insbesondere durch eine digitale Karte bereitgestellt werden. In einer solchen Situation, also in einer Verkehrssituation, kann davon ausgegangen werden, dass der Fahrer bald seinen Beschleunigungsvorgang abbrechen wird. Eine vorteilhafte Schaltstrategie wäre in diesem Fall in der Lage, alle diese Informationen mit einzubeziehen und ein unmittelbares Hochschalten vor Abbruch des Beschleunigungsvorgangs zu unterbinden. Dies kann durch die vorliegende Erfindung mithilfe des lernfähigen Systems und insbesondere mit dem Ermitteln der Schaltstrategie gelöst werden. Hierdurch kann vor allem das Durchführen zweier oder mehrerer Schaltvorgänge und somit ein Verschleiß eingespart beziehungsweise reduziert werden. Solche Szenarien beziehungsweise Verkehrssituationen können vor allem im Simulationsmodell simuliert werden und vor allem für das Trainieren beziehungsweise Anlernen des lernfähigen Systems verwendet werden. Des Weiteren kann als denkbare Verkehrssituation eintreten, dass sich das Fahrzeug einer Kreuzung nähert und sich von rechts beispielsweise ein Fahrzeug ebenfalls annähert, welches wiederum Vorfahrt hat. Hierzu kann diese Situation berücksichtigt werden, sodass vor allem beispielsweise frühzeitig eine Geschwindigkeit reduziert wird und entsprechende Schaltvorgänge reduziert werden.
-
Mithilfe eines lernbasierten Algorithmus beziehungsweise eines lernbasierten Modells kann vor allem das lernfähige System 1 angelernt beziehungsweise trainiert werden. Mittels eines lernbasierten Modells, welches lernbare Parameter besitzen kann, kann aus einer beobachteten Szene, insbesondere einer der vorgegebenen Verkehrssituation, eine Schaltstrategie erlernt werden. Hierzu können diesem lernbasierten Modell als Eingabedaten interne Fahrzeugparameter, Informationen über umliegende Agenten und Karteninformationen bezüglich einer digitalen Karte zur Verfügung gestellt werden. Während des Lernvorgangs können in der Simulationsumgebung beziehungsweise Simulationsmodell diese Informationen von dem Simulationsmodell bereitgestellt werden. Sollte dieses Prinzip beziehungsweise dieser lernbasierte Ansatz in einem realen Fahrzeug in einer realen Fortbewegung angewendet werden, so können diese Informationen von der realen Sensorik des Fahrzeugs 3 erfasst und zur Verfügung gestellt werden.
-
Durch die Ausgabedaten des lernbasierten Modells kann der aktuelle Gang, der eingelegt werden soll, bereitgestellt werden. Während des Lernvorgangs in der Simulationsumgebung beziehungsweise in dem Simulationsmodell werden diese Informationen unmittelbar an das Fahrzeugmodell weitergegeben. Während der Anwendung im realen Fahrzeug, also der realen Welt, wird der Schaltbefehl unmittelbar an die Fahrzeugelektronik weitergegeben und insbesondere einem Fahrer des Fahrzeugs 3 akustisch und/oder visuell und/oder haptisch ausgegeben.
-
Für die Realisierung solcher lernbasierter Modelle können beispielsweise Graph-basierten-Netze verwendet werden. Hierbei können anhand aller umliegenden Agenten und den Elemente in der digitalen Karte jeweils Knoten in einem Graphen gebildet werden. Über Kanten können diese Knoten miteinander verbunden werden. Beispielsweise kann ein Tupel aus Quellknoten, Kanten und Zielknoten wie folgt aussehen:
- „Agent_1, befindet_sich_auf, Knoten_1“
-
Mittels Graph-neuronalen-Netzen (GNNs) können somit Informationen aller umliegenden Agenten, der digitalen Karte (HD-Karte) und des betrachtenden Fahrzeugs 3 aggregiert werden und eine Schaltstrategie ermittelt beziehungsweise prädiziert werden.
-
Des Weiteren können hybride Netze, also eine Kombination aus Graph und Rasterkarten, verwendet werden. Hierbei können analog zu den Graph-basierten Netzen das betrachtete Fahrzeug und alle anderen Agenten mittels eines Graphen repräsentiert und Informationen mittels Graph-neuronaler-Netze aggregiert werden. Die Karte kann allerdings in eine mehrlagige Rasterkarte in Vogelperspektive umgewandelt werden. Mittels Convolutional-Neuronal-Network (CNNs) werden im Anschluss Informationen aus der Karte aggregiert und im Anschluss mit den aggregierten Informationen des betrachteten Fahrzeugs 3 und den anderen Agenten kombiniert.
-
Durch das erfindungsgemäße Ermitteln oder Prädizieren der Schaltstrategie kann ein Bezug, insbesondere ein direkter Bezug, zu einer Trajektorienprädiktion hergestellt werden. Für eine Trajektorienprädiktion können ähnliche Szenencoder eingesetzt werden. Somit kann hier eine Graphrepräsentation oder eine hybride Repräsentation erfolgen. Dementsprechend kann mithilfe der vorliegenden Erfindung eine Gangprädiktion durchgeführt werden.
-
Mithilfe der Referenzfunktion beziehungsweise Kostenfunktion kann vorgegeben beziehungsweise vordefiniert werden, welche Kosten beziehungsweise welcher Aufwand durch eine optimale beziehungsweise verbesserte Schaltstrategie minimiert beziehungsweise reduziert werden kann. Hierbei kann für die Kostenfunktion eine gewichtete Summe aus Anzahl Schaltvorgängen, Verbrauch pro Kilometer, Zeit in einem zu niedrigen Drehzahlbereich, also untertouriges Fahren, und/oder Zeit in einem zu hohen Drehzahlbereich, welcher nicht komfortabel ist und eine laute Geräuschkulisse entstehen lassen kann. Dementsprechend kann unter Verwendung des Simulationsmodells, des Fahrzeugmodells und der Kostenfunktion ein verbessertes Lernen des lernfähigen Systems 1 zur Ermittlung beziehungsweise Prädiktion von einer Schaltstrategie erfolgen.
-
In der 2 wird ein beispielhafter Ablauf für ein Trainieren eines lernbasierten Schaltstrategiemodells in einer Simulationsumgebung mittels bestärkenden Lernens erläutert.
-
In einem ersten Schritt S1 können entweder in einer realen Welt oder in einer virtuellen beziehungsweise simulierten Welt die verschiedensten Informationen beziehungsweise Parameter bereitgestellt werden. Diese können in einem zweiten Schritt S2 beispielsweise einem lernbasierten Modell zur Verfügung gestellt werden. Hierbei können beispielsweise interne Fahrzeugparameter, Informationen über umliegenden Agenten oder Karteninformationen übermittelt beziehungsweise übertragen werden. In einem nachfolgenden dritten Schritt S3 kann mit dem lernbasierten Modell, einem lernbasierten Algorithmus oder einem Fahrzeugmodell eine Reihe von festgelegten Fahrszenarien beziehungsweise Verkehrssituationen simuliert werden. Diese Fahrszenarien können auch randomisiert werden, also beispielsweise starke unterschiedliche Geschwindigkeiten.
-
Hierbei kann von dem lernbasierten Modell während der Simulation zu vorgegebenen Zeitschritten beziehungsweise zu jedem Zeitschritt eine Gangauswahl für die Schaltstrategie ermittelt werden. Dieser ermittelte Gang kann in einem Schritt S4 wiederum an die virtuelle oder reale Welt, also entweder dem Simulationsmodell oder dem Fahrzeug, bereitgestellt werden. In einem fünften Schritt S5 kann nach jedem Szenario eine Auswertung vorgenommen werden. Somit kann hier eine Auswertung eines simulierten Szenarios erfolgen. Hierzu kann in einem nachfolgenden sechsten Schritt S6 die Kostenfunktion zu dem jeweiligen Szenario beurteilt beziehungsweise bewertet werden. Hierzu kann ein jeweiliges Ergebnis in einem siebten Schritt S7 dem lernbasierten Modell zur Verfügung gestellt werden, sodass das lernbasierte Modell nachtrainiert werden kann. Hierzu kann beispielsweise ein „Deep-Q-Learning“ oder ein „Actor Critic“ verwendet werden. Hierbei können lernbare Gewichte des Modells so angepasst werden, dass vor allem die Kostenfunktion minimiert wird. Somit erfolgt hier ein Gradientenabstieg.
-
Vor allem können die Schritte S5, S6 und S7 während des Trainierens vorgenommen werden.
-
Beispielsweise kann nach Konvergenz des lernbasierten Modells dieses Modell in der echten beziehungsweise realen Welt, also einem realen Fahrzeug 3, angewendet werden. Eine Auswertung des gelernten Modells enthält hierbei beispielsweise: die internen Fahrzeugparameter, die Karteninformation und die beobachteten umliegenden Agenten. Speziell kann hier das gelernte Modell inferiert, also mit den Daten versorgt werden. Das Modell kann nach Konvergenz in der Lage sein, den Gang vorzugeben. Diese werden hier nicht mehr von dem Simulationsmodell zur Verfügung gestellt, sondern sind Beobachtungen der realen beziehungsweise tatsächlichen Verkehrssituation. Vor allem können diese Informationen nun einem Fahrerassistenzsystem 4 des Fahrzeugs 3 zugeführt werden. Mit diesen kann beispielsweise das Schaltgetriebe 2 entsprechend eingestellt werden.
-
In einem Ausführungsbeispiel kann ein Erlernen einer optimalen Schaltstrategie für Automatikfahrzeuge, wie Verbrennern oder verbrennungsbetriebenen Fahrzeugen und elektrisch betriebenen Fahrzeugen, mittels bestärkten Lernens durchgeführt werden. Ein End-zu-End-Ansatz kann in einer Simulationsumgebung erlernt werden. Hierzu kann ein Ansatz berücksichtigt werden, welcher für eine entsprechenden Gangwahl beziehungsweise Schaltstrategie interne Fahrzeugparameter, umliegende Informationen und kartenbasierte Informationen berücksichtigt. Nach dem Erlernen in der Simulationsumgebung kann das lernbasierte Modell in der realen Welt eingesetzt werden. Welche Kriterien von der Schaltstrategie optimiert werden, wie zum Beispiel Komfort, Verbrauch oder Verschleiß, kann durch die Kostenfunktion bereits während des Lernvorgangs eingestellt werden.
-
Durch das lernfähige System 1 kann auf ein manuelles Definieren von Schaltstrategien verzichtet werden, da systemseitig jegliche gegebene Informationen in die erlernte beziehungsweise anzulernende Schaltstrategie mit einbezogen werden können.
-
Durch die Ermittlung der Schaltstrategie, vor allem mithilfe des lernfähigen Systems 1, kann ein Verschleiß verringert werden und vor allem ein Verbrauch verringert werden. Des Weiteren können die Sicherheit und der Komfort erhöht werden. Somit ist vor allem die Nutzung eines Fahrzeuges, welches eine solche Schaltstrategie berücksichtigt, komfortabler für die Passagiere des Fahrzeuges.
-
Die Kostenfunktion kann beispielsweise individuell angepasst werden, um bestimmte gewünschte Kriterien der Schaltstrategie zu optimieren.
-
Das Lernen des lernbasierten Modells kann in der Simulationsumgebung durchgeführt werden und benötigt daher keine realen Daten. Dies verhindert einen großen Mehraufwand und auch Kosten. Somit können zunächst Schaltstrategien mithilfe des Simulationsmodells simuliert werden und später in Fahrzeugen implementiert beziehungsweise integriert werden.
-
Somit kann hier eine Methode zur Nutzung von bestärktem Lernen zur Ermittlung der optimalen Schaltstrategie die Einbeziehung des Szenenkontexts bereitgestellt werden.
-
In einem Ausführungsbeispiel kann eine Schaltstrategie bezüglich einer Aufwärtsfahrt, beispielsweise entlang einer Straße mit einer Steigung, ermittelt werden. Durch den lernbasierten Ansatz können vor allem anhand der Karteninformationen, in welchen die Steigungen hinterlegt werden können, eine Schaltstrategie ermittelt werden. Somit kann für die jeweilige Situation beziehungsweise Betrieb eine jeweilige Schaltstrategie ermittelt werden. Insbesondere kann der lernbasierte Ansatz während des Trainierens lernen, insbesondere automatisch, wie die Steigung oder ein Gefälle in der Schaltstrategie berücksichtigt werden soll. Dadurch kann ein manueller Modellierungsaufwand zur Abdeckung von Grenzfällen bezüglich von Schaltstrategien verhindert werden.
-
Im Nachfolgenden wird ein Ausführungsbeispiel der vorliegenden Erfindung mit anderen Worten erläutert. Der lernbasierte Ansatz erlaubt das Erlernen einer optimalen Schaltstrategie in einer Simulation und dort vor allem vorgegebene Kostenfunktionen zu berücksichtigen. Hierzu werden keine manuell eingestellten oder manuell vorgegebenen Werte beziehungsweise Parameter benötigt. Darin kann der lernbasierte Ansatz alle aktuell beobachteten Informationen einer Szene beziehungsweise Verkehrssituation berücksichtigen, sodass vor allem im Hintergrund trainiert beziehungsweise gelernt werden kann, wie sich beispielsweise der Fahrer zukünftig verhalten wird. Dies ist vor allem von Bedeutung, um optimale Schaltstrategien ermitteln zu können. Hierzu kann neben dem Graph-basierten neuronalen Netz auch ein Faltungsnetz verwendet werden. Vor allem kann der Trainingsprozess anhand virtueller beziehungsweise bereits vorgegebener Parameter erfolgen. Mithilfe des erfindungsgemäßen lernbasierten Ansatzes kann mittels eines bestärkenden Lernens in einer Simulation erlernt werden, welche Schaltstrategien verwendet werden können, um vordefinierte Kostenfunktionen einzuhalten beziehungsweise zu minimieren und gleichzeitig den Verschleiß und/oder den Verbrauch zu reduzieren.
-
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 1960698 A1 [0008]
- DE 10206007717 A1 [0009]
- EP 3859192 A1 [0010]
