DE102022104352A1

DE102022104352A1 - Maschinelles lernen für lokalisierung von mobilen vorrichtungen

Info

Publication number: DE102022104352A1
Application number: DE102022104352.5A
Authority: DE
Inventors: Vivekanandh Elangovan; Ali Hassani; Hemanth Yadav Aradhyula; Hamid M. Golgiri; John Robert Van Wiemeersch
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2021-03-09
Filing date: 2022-02-23
Publication date: 2022-09-15
Also published as: CN115052336A; US20220292388A1

Abstract

Ein Maschinenlernschemas für Lokalisierung wird bereitgestellt. Kalibrierungsdaten werden von einer Vielzahl von Fahrzeugen empfangen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf eines oder mehrere von Betriebssystemversionen der mobilen Vorrichtungen oder Batterieständen der mobilen Vorrichtungen beinhalten. Ein Maschinenlernmodell wird unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe trainiert. Als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, wird das Maschinenlernmodell der Vielzahl von Fahrzeugen bereitgestellt.

Description

GEBIET DER TECHNIK
Aspekte der Offenbarung betreffen die Verwendung von Techniken maschinellen Lernens, um die Lokalisierung von mobilen Vorrichtungen zu verbessern.
ALLGEMEINER STAND DER TECHNIK
Passiveinstieg-Passivstart-(passive entry and passive start - PEPS-)Systeme ermöglichen es Kunden, in das Fahrzeug einzusteigen und wegzufahren, ohne einen Schlüssel physisch handhaben zu müssen. Telefon-als-Schlüssel (Phone-as-a-Key - PaaK) ermöglicht die Verwendung eines Smartphones, um sowohl als passiver Schlüssel zu fungieren als auch herkömmliche Funkschlüsselfunktionen bereitzustellen, wie etwa Entriegeln, Verriegeln, Fernstart und Zugang zur Heckklappe. PaaK kann unter Verwendung von Bluetooth Low Energy (BLE) umgesetzt werden, einer in den meisten Smartphones auf dem Markt integrierten Technologie. Ultrabreitband (Ultra-Wide Band - UWB) kann zur Telefonlokalisierung verwendet werden, um eine bessere Lokalisierung im Vergleich zu BLE-Lokalisierungsansätzen bereitzustellen.
KURZDARSTELLUNG
In einer ersten veranschaulichenden Ausführungsform wird ein System zum Umsetzen eines Maschinenlernschemas für Lokalisierung bereitgestellt. Das System beinhaltet einen Prozessor, der dazu programmiert ist, Kalibrierungsdaten von einer Vielzahl von Fahrzeugen zu empfangen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten; ein Maschinenlernmodell unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe zu trainieren; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, das Maschinenlernmodell der Vielzahl von Fahrzeugen bereitzustellen.
In einer zweiten veranschaulichenden Ausführungsform wird ein Verfahren für ein Maschinenlernschema für Lokalisierung bereitgestellt. Kalibrierungsdaten werden von einer Vielzahl von Fahrzeugen empfangen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten. Ein Maschinenlernmodell wird unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe trainiert. Als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, wird das Maschinenlernmodell der Vielzahl von Fahrzeugen bereitgestellt.
In einer dritten veranschaulichenden Ausführungsform beinhaltet ein nicht transitorisches computerlesbares Medium Anweisungen, die bei Ausführung durch einen Prozessor den Prozessor dazu veranlassen, Vorgänge durchzuführen, die Folgendes beinhalten: Empfangen von Kalibrierungsdaten von einer Vielzahl von Fahrzeugen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten; Trainieren eines Maschinenlernmodells unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, Bereitstellen des maschinellen Lernmodells für die Vielzahl von Fahrzeugen.
Figurenliste

1 veranschaulicht ein beispielhaftes System, das eine mobile Vorrichtung beinhaltet, die zum Umsetzen eines Maschinenlernschemas für Lokalisierung konfiguriert ist;
2 veranschaulicht ein beispielhaftes Diagramm, das Sitzzonen veranschaulicht, denen mobile Vorrichtungen zugewiesen werden können;
3 veranschaulicht ein Client-Server-System für das Aktualisieren eines Maschinenlernmodells 302 auf Grundlage von Daten, die von einer Flotte von Fahrzeugen empfangen werden;
4 veranschaulicht einen beispielhaften Prozess zum Umsetzen eines Maschinenlernschemas für Lokalisierung; und
5 veranschaulicht ein Beispiel für eine Rechenvorrichtung zum Umsetzen von Aspekten des Maschinenlernschemas für Lokalisierung.

DETAILLIERTE BESCHREIBUNG
Nach Bedarf werden in dieser Schrift detaillierte Ausführungsformen der vorliegenden Erfindung offenbart; es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich beispielhaft für die Erfindung sind, die in verschiedenen und alternativen Formen umgesetzt werden kann. Die Figuren sind nicht unbedingt maßstabsgetreu; einige Merkmale können stark vergrößert oder verkleinert sein, um Details konkreter Komponenten zu zeigen. Demnach sind die in dieser Schrift offenbarten spezifischen strukturellen und funktionellen Details nicht als einschränkend, sondern lediglich als repräsentative Grundlage auszulegen, um den Fachmann den vielfältigen Einsatz der vorliegenden Erfindung zu lehren.
Einige Aufgaben innerhalb einer Fahrzeugumgebung erfordern Kenntnisse darüber, wo sich eine Person in Bezug auf das Fahrzeug befindet. In einem Beispiel kann eine Willkommenszone für ein Fahrzeug aktiviert werden, wenn sich ein Benutzer dem Fahrzeug nähert, was dazu führt, dass die Fahrzeugleuchten angeschaltet werden. In einem anderen Beispiel kann eine Passiveinstiegszone für ein Fahrzeug aktiviert werden, wenn sich ein Benutzer näher an das Fahrzeug nähert, was dazu führt, dass die Fahrzeugtüren (oder eine Tür, die dem Benutzer am nächsten ist) entriegelt werden. In noch einem weiteren Beispiel kann, wenn eine Person über eine Anwendung einer mobilen Vorrichtung verfügt, um Klimaeinstellungen zu steuern, das Fahrzeug oder die Anwendung versuchen, die Sitzzone innerhalb des Fahrzeugs zu bestimmen, für die die Einstellungen angepasst werden sollen. In einigen Fahrzeugen triangulieren Sensoren die mobile Vorrichtung, um den Standort der mobilen Vorrichtung zu identifizieren. Zum Beispiel kann BLE-Lokalisierung unter Verwendung von Daten der empfangenen Signalstärke (received signal strength indication - RSSI) durchgeführt werden, die durch verschiedene Komponenten gemessen werden, die um das Fahrzeug herum angeordnet sind. Beim Identifizieren der Zone, die dem Standort der mobilen Vorrichtung entspricht, können die RSSI-Werte mit vorher festgelegten Schwellenwerten verglichen werden, um die richtige Zone zu bestimmen.
Die BLE-RSSI-Werte können sich jedoch in Abhängigkeit von der Position der mobilen Vorrichtung in dem Fahrzeug (oder davon, ob die Vorrichtung in einer Hosentasche, einer Handtasche, einem Rucksack usw. aufbewahrt wird) erheblich ändern. Die BLE-RSSI-Werte können zudem gemäß dem Smartphone-Design variieren. Diese Variablen können dazu führen, dass die Sitzzone des Benutzers falsch berechnet wird, was möglicherweise zu Verwirrung hinsichtlich der Leistung des Systems führt. Darüber hinaus kann es für einen Fahrzeughersteller aufgrund der sich ändernden Vielfalt der mobilen Vorrichtungen und Anwendungsfälle schwierig sein, das System für eine konsistente Leistung über verschiedene Umgebungen hinweg einheitlich zu kalibrieren.
Wie nachstehend ausführlich erläutert, kann ein Maschinenlernansatz verwendet werden, um die Lokalisierung von mobilen Vorrichtungen zu verbessern. Kalibrierungsdaten werden von einer Vielzahl von Fahrzeugen empfangen. Die Kalibrierungsdaten beinhalten drahtlose Daten, die Standorte der mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf eines oder mehrere von Betriebssystemversionen der mobilen Vorrichtungen oder Batterieständen der mobilen Vorrichtungen. Ein Maschinenlernmodell wird unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe trainiert. Als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, wird das Maschinenlernmodell der Vielzahl von Fahrzeugen bereitgestellt. Weitere Aspekte der Offenbarung werden in dieser Schrift ausführlich erörtert.
1 veranschaulicht ein beispielhaftes System 100, das eine mobile Vorrichtung 104 beinhaltet, die zum Umsetzen eines Maschinenlernschemas für Lokalisierung konfiguriert ist. Das Fahrzeug 102 kann verschiedene Arten von Automobilen, Softroadern (crossover utility vehicle - CUV), Geländelimousinen (sport utility vehicle - SUV), Trucks, Wohnmobilen (recreational vehicle - RV), Booten, Flugzeugen oder anderen mobilen Maschinen zum Befördern von Personen oder Gütern beinhalten. In vielen Fällen kann das Fahrzeug 102 durch eine Brennkraftmaschine mit Leistung versorgt werden. Als eine andere Möglichkeit kann das Fahrzeug 102 ein Batterieelektrofahrzeug (battery electric vehicle - BEV) sein, das durch einen oder mehrere Elektromotoren mit Leistung versorgt wird. Als eine weitere Möglichkeit kann das Fahrzeug 102 ein Hybridelektrofahrzeug sein, das sowohl durch eine Brennkraftmaschine als auch einen oder mehrere Elektromotoren mit Leistung versorgt wird, wie etwa ein Serienhybrid-Elektrofahrzeug, ein Parallelhybrid-Elektrofahrzeug oder ein Parallel-/Serienhybrid-Elektrofahrzeug. Da die Art und die Konfiguration des Fahrzeugs 102 variieren können, können dementsprechend auch die Eigenschaften des Fahrzeugs 102 variieren. Als einige andere Möglichkeiten können Fahrzeuge 102 unterschiedliche Eigenschaften in Bezug auf die Fahrgastkapazität, die Schleppfähigkeit und -kapazität und den Stauraum aufweisen.
Bei der mobilen Vorrichtung 104 kann es sich um eine beliebige von verschiedenen Arten von tragbaren Rechenvorrichtungen handeln, wie etwa Mobiltelefone, Tablet-Computer, Smartwatches, Laptop-Computer, tragbare Musikabspielvorrichtungen, einen Funkschlüssel oder andere derartige Vorrichtungen, die in das Fahrzeug 102 gebracht werden und Verarbeitungs- und Kommunikationsfunktionen aufweisen. Die mobile Vorrichtung 104 kann einen oder mehrere Prozessoren, die zum Ausführen von Computeranweisungen konfiguriert sind, und ein Speichermedium, auf dem die computerausführbaren Anweisungen und/oder Daten aufbewahrt werden können, beinhalten. Die mobile Vorrichtung 104 kann ferner verschiedene drahtlose Sendeempfänger beinhalten, wie etwa BLUETOOTH-, BLE-, Wi-Fi- und/oder andere UWB-Sendeempfänger.
Das Fahrzeug 102 kann ein Array von Antennen 106 beinhalten, die dazu konfiguriert sind, eine Kommunikation zwischen der mobilen Vorrichtung 104 und dem Fahrzeug 102 zu ermöglichen. Zum Beispiel kann eine Vielzahl von BLE-Sendeempfänger mit den Antennen 106 verbunden sein, um ein BLE-Array zu bilden, das zum Triangulieren oder anderweitigen Erfassen des Standortes der mobilen Vorrichtung 104 verwendet werden kann. Die BLE-Sendeempfänger können durch ein BLE-Modul (BLEM) 108 gesteuert werden, das einen Speicher und einen Prozessor, der dazu programmiert ist, Nachrichten zwischen der mobilen Vorrichtung 104 und dem Fahrzeug 102 zu senden und zu empfangen, beinhalten kann (z. B. um die Durchführung von Abfrage-Rückmeldung-Sequenzen bereitzustellen und/oder Befehle von dem Fahrzeug 102 zu empfangen). In einem Beispiel kann sich ein Funkschlüssel mit der Antenne 106 des am nächsten erfassten BLE-Sendeempfängers verbinden, um eine Kommunikation mit dem BLEM 108 des Fahrzeugs 102 zu ermöglichen. Wie gezeigt, beinhaltet das Fahrzeug 102 ein Array von acht Antennen 106 um den Umfang der Kabine des Fahrzeugs 102, es ist jedoch anzumerken, dass Umsetzungen mehr, weniger und/oder anders angeordnete Sendeempfänger und/oder Antennen beinhalten können.
Die mobile Vorrichtung 104 kann zudem eine Anzeige beinhalten, die dazu konfiguriert ist, einem Benutzer eine Benutzerschnittstelle bereitzustellen. In einigen Beispielen kann die Anzeige berührungsempfindlich sein und kann ferner dazu konfiguriert sein, Eingaben von dem Benutzer zu empfangen. Darüber hinaus kann eine passive Schlüsselanwendung 112 Anweisungen beinhalten, die bei Ausführung durch den einen oder die mehreren Prozessoren der mobilen Vorrichtung 104 die mobile Vorrichtung 104 dazu veranlassen, Vorgänge durchzuführen, um den Zugang zu dem Fahrzeug 102 zu ermöglichen. In einem Beispiel kann die passive Schlüsselanwendung 112 die mobile Vorrichtung 104 dazu veranlassen, eine Benutzeroberfläche anzuzeigen, die Steuerungen beinhaltet, die denen eines Funkschlüssels ähnlich sind (z. B. Verriegeln, Entriegeln, Starten usw.). In einem weiteren Beispiel kann die passive Schlüsselanwendung 112 die mobile Vorrichtung 104 dazu veranlassen, als Passiveinstiegsvorrichtung mit dem Fahrzeug 102 zu interagieren, wodurch dem BLEM 108 Anwesenheitsinformationen bereitgestellt werden, die es dem Fahrzeug 102 ermöglichen, zu erfassen, dass sich ein autorisierter Benutzer des Fahrzeugs 102 in der Nähe befindet. Durch Ausführen der passiven Schlüsselanwendung 112 zum Steuern der Kommunikation der mobilen Vorrichtung 104 mit dem BLEM 108 des Fahrzeugs 102 kann die mobile Vorrichtung 104 verwendet werden, um das Fahrzeug 102 zu entriegeln, zu starten oder auf andere Weise darauf zuzugreifen.
Die passive Schlüsselanwendung 112 kann die Authentifizierung der mobilen Vorrichtung 104 gegenüber dem Fahrzeug 102 unter Verwendung eines Authentifizierungsmanagers 114 des Fahrzeugs 102 ermöglichen. Der Authentifizierungsmanager 114 kann eine Steuerung des Fahrzeugs 102 sein, die mit dem BLEM 108 sowie mit anderen Komponenten des Fahrzeugs 102, wie etwa Türverriegelungen oder der Fahrzeugzündsperre, in Kommunikation steht. Die Authentifizierung der mobilen Vorrichtung 104 gegenüber Fahrzeugen 102 kann eine PaaK-Merkmalsumsetzung nutzen, die eine sichere Verbindung zwischen der mobilen Vorrichtung 104 des Benutzers und einem Fahrzeugkonnektivitätsmodul (wie etwa dem BLEM 108) gewährleistet, wodurch die Benutzerposition unter Nutzung der Antennen 106 des BLE-Sendeempfängers lokalisiert werden kann. Beispielsweise kann der Authentifizierungsmanager 114 den Standort der mobilen Vorrichtung 104 als lokal gegenüber dem Fahrzeug 102 bestätigen und/oder eine Verhinderung von Relaisangriffen gemäß ToF und/oder der Standortbestimmung der mobilen Vorrichtung 104 durchführen.
Einige Fahrzeuge 102 können ferner zusätzliche Protokolle umsetzen, wie etwa UWB-Fähigkeit zusammen mit BLE zur Lokalisierung. Wie gezeigt, beinhaltet das Fahrzeug 102 ferner eine UWB-Steuerung 110, die dazu konfiguriert ist, die Antennen 106 zu verwenden, um Nachrichten zwischen der mobilen Vorrichtung 104 und dem Fahrzeug 102 zu senden und zu empfangen. Im Vergleich zu BLE kann UWB eine genauere Standortbestimmung bereitstellen. Zum Beispiel kann UWB die Entfernung und den Standort mit einer Genauigkeit in der Größenordnung von 5 bis 10 cm messen, während Wi-Fi, BLUETOOTH und andere Schmalbandfunksysteme typischerweise eine Genauigkeit in der Größenordnung von Metern erreichen.
2 veranschaulicht ein beispielhaftes Diagramm 200, das Zonen 202 veranschaulicht, denen mobile Vorrichtungen 104 zugewiesen werden können. Wie gezeigt, ist das Innere des Fahrzeugs 102 in vier Sitzzonen 202 unterteilt, wobei jede Sitzzone 202 einer Sitzposition im Inneren des Fahrzeugs 102 zugeordnet ist. Wie gezeigt, beinhaltet die Vorderreihe des veranschaulichten Fahrzeugs 102 eine erste Zone 202A, die der Fahrersitzposition zugeordnet ist, und eine zweite Zone 202B, die einer vorderen Fahrgastsitzposition zugeordnet ist. Die zweite Reihe des veranschaulichten Fahrzeugs 102 beinhaltet eine dritte Zone 202C, die einer hinteren Sitzposition auf der Fahrerseite zugeordnet ist, und eine vierte Zone 202D, die einer hinteren Sitzposition auf der Fahrgastseite zugeordnet ist. Es ist anzumerken, dass das veranschaulichte Diagramm 200 lediglich ein Beispiel ist und mehr, weniger und/oder anders angeordnete Sitzzonen 202 verwendet werden können.
Darüber hinaus kann die mobile Vorrichtung 104 zudem einer Zone 202 außerhalb des Fahrzeugs 102 zugewiesen werden. Zum Beispiel kann eine Willkommenszone 202E für das Fahrzeug 102 als eine erste Entfernung von dem Fahrzeug 102 definiert sein, sodass, wenn sich der Benutzer innerhalb der Willkommenszone 202E befindet, die Lichter des Fahrzeugs 102 angeschaltet werden können oder andere Aspekte des Fahrzeugs 102 aktiviert werden können. In einem anderen Beispiel kann eine Passiveinstiegszone 202F für das Fahrzeug 102 als eine zweite, nähere Entfernung zu dem Fahrzeug 102 definiert sein, sodass, wenn sich der Benutzer innerhalb der Passiveinstiegszone 202F befindet, die Türen des Fahrzeugs 102 (oder die Tür, die dem Benutzer am nächsten ist) entriegelt werden können.
Die mobilen Vorrichtungen 104 können mit den Antennen 106 kommunizieren, die BLE unterstützen, um es dem Fahrzeug 102 zu ermöglichen, RSSI-Informationen zu erfassen, die über das BLE-Protokoll bereitgestellt werden. Die Zuweisung von mobilen Vorrichtungen 104 zu Sitzzonen 202 kann auf Grundlage dieser erfassten Informationen durchgeführt werden, die zwischen den mobilen Vorrichtungen 104 und den Antennen 106 übertragen werden. Sobald die mobilen Vorrichtungen 104 einer Sitzzone 202 zugewiesen sind, kann die passive Schlüsselanwendung 112 dem Benutzer ermöglichen, Radio-, Klima- und/oder andere Fahrzeugeinstellungen zu steuern. Wie veranschaulicht, befindet sich die mobile Vorrichtung 104 in der Sitzzone 202A und kann verwendet werden, um Einstellungen in dieser Sitzzone 202 zu steuern.
3 veranschaulicht ein Client-Server-System für das Aktualisieren eines Maschinenlernmodells 302 auf Grundlage von Daten, die von einer Flotte von Fahrzeugen 102 empfangen werden. Bei Verwendung zur Laufzeit kann das Maschinenlernmodell 302 die BLE-RSSI-Daten als Eingabe empfangen und kann eine Bezeichnung der Sitzzone 202 als Ausgabe bereitstellen. Während einer Trainingsphase kann das Maschinenlernmodell 302 BLE-RSSI-Daten von mobilen Vorrichtungen 104 sowie den Ground-Truth-Standort der Sitzzone 202 der mobilen Vorrichtungen 104 empfangen. Dies ermöglicht es dem Maschinenlernmodell 302, seine Koeffizienten mit Werten zu aktualisieren, die es dem Maschinenlernmodell 302 ermöglichen, die Sitzzone 202 der mobilen Vorrichtung 104 aus den RSSI-Daten vorherzusagen, wenn die Ground Truth nicht verfügbar ist.
Wie vorstehend angemerkt, können einige Fahrzeuge 102 mehrere Protokolle unterstützen, wie etwa BLE und UWB. In einem derartigen Fahrzeug 102 können Daten für sowohl UWB-Laufzeit-(time of Flight - ToF-)Daten als auch BLE-RSSI-Daten an demselben Fahrzeug 102 für dieselbe mobile Vorrichtung 104 gesammelt werden. In einem derartigen Beispiel kann das Maschinenlernmodell 302 die UWB-Daten als die Ground-Truth-Informationen zum Trainieren des Maschinenlernmodells 302 verwenden, um die richtige Zone zu bestimmen. Diese Zone kann in einem Beispiel die Sitzzone 202 beinhalten. Diese Zone kann zusätzlich oder alternativ andere Zonen beinhalten, wie etwa eine Passiveinstiegszone, in der das Fahrzeug 102 entriegelt werden kann, eine Willkommenszone, in der die Lichter des Fahrzeugs 102 angeschaltet werden können, wenn sich der Benutzer nähert, und/oder eine beliebige andere Zone, die PaaK-Funktionalität zugeordnet ist. Dies ermöglicht es dem Maschinenlernmodell 302, die UWB-Daten zu verwenden, um die Varianz in den BLE-RSSI-Daten zu lernen.
Die Fahrzeuge 102 können dazu konfiguriert sein, Kalibrierungsdaten 304 an den Kalibrierungsdatenserver 306 zu senden. In einem Beispiel kann das Maschinenlernmodell 302 auf einem Kalibrierungsdatenserver 306 trainiert werden. In einem derartigen Beispiel kann der Kalibrierungsdatenserver 306 BLE- und UWB-Daten über ein Kommunikationsnetzwerk 308 von dem Fahrzeug 102 sowie von anderen Fahrzeugen 102 empfangen. Diese Daten von den Fahrzeugen 102 können durch den Kalibrierungsdatenserver 306 aggregiert und als Trainingssatz für das Maschinenlernmodell 302 verwendet werden. Durch Trainieren des Maschinenlernmodells 302 unter Verwendung von Kalibrierungsdaten 304, die UWB-Daten von vielen Fahrzeugen 102 beinhalten, können die UWB-Daten verwendet werden, um BLE-Versätze selbst an Fahrzeugen 102 zu kompensieren, die UWB nicht umsetzen.
Die Kalibrierungsdaten 304 können zudem Informationen bezüglich der Nähe zum Benutzer beinhalten. Zum Beispiel können Markierungsanmerkungen für die Kalibrierungsdaten 304 angeben, wo sich die mobile Vorrichtung 104 an dem Benutzer befindet, ob sie sich in freiem Raum (z. B. einem Getränkehalter) befindet oder ob sie in einer Aufbewahrung (z. B. einem Rucksack) eingeschlossen ist, da sich die Interferenz auf die RSSI auswirkt. Diese Markierungsanmerkungen können in einem Beispiel von dem Benutzer abgefragt werden, um zu ermöglichen, dass die Anmerkungen bestimmt werden. In anderen Beispielen können die Markierungsanmerkungen auf Grundlage anderer Informationen abgeleitet werden. Zum Beispiel kann auf Grundlage der Nähe der mobilen Vorrichtung 104 zu einem Getränkehaltersensor abgeleitet werden, dass sich die mobile Vorrichtung 104 in einem Getränkehalter befindet. Oder es kann auf Grundlage des Vorhandenseins von Reflexionen oder einer verringerten Gesamtsignalstärke für die mobile Vorrichtung 104 im Vergleich zu einer durchschnittlichen Signalstärke für das Modell der mobilen Vorrichtung 104 im Vergleich mit Laufzeitentfernungsmessungen usw. abgeleitet werden, dass sich die mobile Vorrichtung 104 in einer Tasche befindet.
Unabhängig von der Quelle der Anmerkungen können die mit Anmerkungen versehenen Daten verwendet werden, um mehrere kontextbasierte Maschinenlernmodelle 302 zu ergeben. Zum Beispiel kann ein erstes Maschinenlernmodell 302 verwendet werden, um eine Art von Interferenz zu bestimmen, die die Vorrichtung erfährt. Dabei kann ein forensischer Ansatz genutzt werden, bei dem eine Rauschprofilanalyse verwendet wird, um die Art der Interferenz zu bestimmen. Verschiedene Materialien absorbieren und reflektieren drahtlose Wellen in vorhersagbarer Weise; die Auswirkung dieser Absorptionen und Reflexionen kann dann in dem Rauschprofil des Signals erfasst werden. Beispiele dafür können das Messen sekundärer Oberschwingungen, um das Vorhandensein von Reflexionen zu bestimmen und das Verwenden einer Frequenzanalyse, um zu bestimmen, welche erwarteten Signale absorbiert wurden beinhalten. Dieses Rauschprofil kann dann verwendet werden, um die umgebende Interferenz vorherzusagen. Auf Grundlage des bestimmten Interferenzzustands kann dann ein Maschinenlernmodell 302, das speziell für diese Art von Kontext trainiert wurde, angewendet werden, um die Position genauer zu messen.
4 veranschaulicht einen beispielhaften Prozess 400 zum Umsetzen eines Maschinenlernschemas für Lokalisierung. In einem Beispiel können Aspekte des Prozesses 400 durch den Kalibrierungsdatenserver 306 im Kontext der Systeme 100 und 300 umgesetzt werden.
Bei Vorgang 402 empfängt der Kalibrierungsdatenserver 306 Kalibrierungsdaten 304 von einem oder mehreren Fahrzeugen 102. Zum Beispiel können die Kalibrierungsdaten 304 RSSI-Werte, UWB-ToF-Werte und/oder andere standortbestimmende Informationen beinhalten (die z. B. von den mobilen Vorrichtungen 104 erfasst und den Fahrzeugen 102 bereitgestellt wurden, von den Fahrzeugen 102 auf Grundlage der mobilen Vorrichtungen 104 erfasst wurden usw.). In einigen Beispielen kann der Kalibrierungsdatenserver 306 zusätzlich zum Empfangen der BLE-RSSI für das spezifische Modell der mobilen Vorrichtung 104 zudem zusätzliche Kontextinformationen bezüglich der mobilen Vorrichtung 104 empfangen. Diese Kontextinformationen können als einige nicht einschränkende Beispiele das Modell und die Betriebssystemversion der mobilen Vorrichtung 104, Informationen zum Batteriestand der mobilen Vorrichtung 104, einen Versatz in Bezug auf die Signalstärke für die mobile Vorrichtung 104 usw. beinhalten.
Bei Vorgang 404 identifiziert der Kalibrierungsdatenserver 306 Datencluster aus den empfangenen Kalibrierungsdaten 304. In einem Beispiel kann der Kalibrierungsdatenserver 306 die Kalibrierungsdaten 304 gemäß einem oder mehreren der Vorrichtungsmodelle der mobilen Vorrichtung 104, der Betriebssystemversion der mobilen Vorrichtung 104 und/oder des Batterieladezustands der mobilen Vorrichtung 104 clustern. Diese Clustering-Informationen können als weitere Eingaben in das Maschinenlernmodell 302 zusätzlich zu den RSSI-Werten nützlich sein.
In einem Beispiel können Hersteller einer mobilen Vorrichtung 104 die drahtlose Ausgangsleistung der mobilen Vorrichtung 104 im Laufe der Zeit anpassen, um Bedenken hinsichtlich der Merkmale der mobilen Vorrichtung 104 zu kompensieren oder abzuschwächen. Zum Beispiel kann ein Hersteller wählen, die BLE-Ausgangsleistung zu reduzieren, wenn die Batterie der mobilen Vorrichtung 104 unter einer Schwellenladungsmenge liegt, um die Fähigkeit zu einem Mobilfunkanruf zu erhalten. Wenn dies der Fall ist, können Parameter für derartige mobile Vorrichtungen 104 nicht direkt mit Daten von denselben mobilen Vorrichtungen 104 vergleichbar sein, wenn sie geladen sind. Bei Vorgang 406 bereinigt der Kalibrierungsdatenserver 306 Ausreißerdaten. In einem Beispiel kann der Kalibrierungsdatenserver 306 Daten gemäß den geclusterten Daten bereinigen, wie etwa Entfernen von Ausreißerdatenelementen, die scheinbar fehlerhafte Daten sind und/oder die eine RSSI aufweisen, die mehr als zwei Standardabweichungen vom Mittelwert der Daten entfernt sind.
In einem anderen Beispiel kann der Kalibrierungsdatenserver 306, wenn der Batteriestand unter einem bestimmten Schwellenwert (z. B. 15 %) liegt, die BLE-RSSI-Werte vom Lernen des Maschinenlernmodells 302 ausschließen. Dies kann erfolgen, da derartige Werte aus Gründen, wie etwa den vorstehend erwähnten Betriebssystemaktionen, künstlich niedrig sein können. Oder diese Daten können verwendet werden, aber als von einer mobilen Vorrichtung 104 mit einem niedrigen Ladezustand empfangen gekennzeichnet werden. Bei einer derartigen Kennzeichnung kann das Maschinenlernmodell 302 dazu konfiguriert sein, automatisch Fälle zu berücksichtigen, in denen die mobile Vorrichtung 104 in einem Energiesparmodus arbeitet.
In einigen Beispielen kann der Kalibrierungsdatenserver 306 gesammelte RSSI-Daten verwerfen, wenn die UWB-Messungen einen laufenden Relaisangriffsversuch nahelegen. Diese Daten können verworfen werden, da Relaisangriffssysteme das BLE-Signal verstärken können, das nicht mit dem einer echten Interaktion der mobilen Vorrichtung 104 vergleichbar wäre. Durch Ignorieren derartiger Daten kann vermieden werden, dass Fehler in das Maschinenlernmodell 302 eingeführt werden, im Vergleich dazu, wenn derartige verstärkten Messungen beim Training verwendet würden. Zum Beispiel kann der Kalibrierungsdatenserver 306, wenn angenommen wird, dass sich die mobile Vorrichtung 104 außerhalb einer gültigen PEPS-Zone befindet, wie gemäß dem UWB-ToF-Wert erfasst, die BLE-RSSI-Kalibrierung unterbrechen, um das Durchführen von maschinellem Lernen unter Verwendung falscher verstärkter oder abgeschwächter BLE-RSSI-Werte zu vermeiden.
In einigen Beispielen kann es, wenn sich die mobile Vorrichtung 104 in einer gültigen PEPS-Zone befindet, wie durch UWB-ToF bestimmt, für den Kalibrierungsdatenserver 306 schwierig sein, zu bestimmen, ob eine BLE-Verstärkung durchgeführt wird (z. B. abhängig vom Standort des Verstärkers), was kann dazu führen, dass der Kalibrierungsdatenserver 306 ein falsches Signal kalibriert. Wenn sich der Verstärker jedoch nicht in der Nähe der mobilen Vorrichtung 104 befindet, kann das Fahrzeug 102 dazu in der Lage sein, den Verstärker zu erfassen, indem der RSSI-Pegel, wie er von jeder der Antennen 106 des Fahrzeugs 102 gesehen, auf RSSI-Werte untersucht wird, die Ausreißer für den durch die UWB-ToF-Daten angegebenen Standort sind. Dies kann es dem Fahrzeug 102 ermöglichen, eine laufende zoneninterne BLE-Verstärkung zu erkennen und die Verwendung dieser Daten bei der Kalibrierung auszusetzen.
Bei Vorgang 408 trainiert der Kalibrierungsdatenserver 306 das Maschinenlernmodell 302. In einem Beispiel können die von den Fahrzeugen 102 empfangenen RSSI-Daten und die UWB-Ground-Truth-Informationen auf das Maschinenlernmodell 302 angewendet werden. Somit kann das Maschinenlernmodell 302 mit Koeffizienten aktualisiert werden, die es dem Maschinenlernmodell 302 ermöglichen, die Zone (z. B. die Sitzzone 202, die Passiveinstiegszone usw.) der mobilen Vorrichtung 104 aus den RSSI-Daten vorherzusagen, selbst wenn die Ground Truth nicht bekannt ist.
Bei Vorgang 410 testet der Kalibrierungsdatenserver 306 das Maschinenlernmodell 302, um sicherzustellen, dass das Maschinenlernmodell 302 richtig funktioniert. In einem Beispiel kann das Maschinenlernmodell 302 unter Verwendung einer Teilmenge der Parameterdaten getestet werden, die nicht bei dem Training bei Vorgang 408 verwendet wurde. In einem anderen Beispiel kann das Maschinenlernmodell 302 unter Verwendung eines anderen Trainingsdatensatzes getestet werden, der von den von den Fahrzeugen 102 erfassten Daten getrennt ist. In noch einem anderen Beispiel kann das Maschinenlernmodell 302 einem Testsatz der Fahrzeuge 102 bereitgestellt werden, wobei diese Fahrzeuge 102 dann dem Kalibrierungsdatenserver 306 zurückmelden können, ob das Maschinenlernmodell 302 bei der Erfassung eine bessere oder schlechtere Leistung erbringt als ein vorheriges Maschinenlernmodell 302, das von den Fahrzeugen 102 verwendet wird.
Bei Vorgang 412 bestimmt der Kalibrierungsdatenserver 306, ob die Fehlerrate innerhalb eines Fehlerziels liegt. In einem Beispiel kann der Kalibrierungsdatenserver 306 das Maschinenlernmodell 302 als innerhalb des Fehlerziels akzeptieren, wenn ein neues lokales Modell die Zielfehlerrate erreicht. In einem anderen Beispiel kann der Kalibrierungsdatenserver 306 das Maschinenlernmodell 302 als Reaktion darauf, dass das Maschinenlernmodell 302 in mindestens einem vordefinierten Prozentsatz von Fällen (z. B. 95 %, 99 % usw.) richtige Ergebnisse erreicht, als innerhalb des Fehlerziels akzeptieren. In noch einem anderen Beispiel kann der Kalibrierungsdatenserver 306 das Maschinenlernmodell 302 als Reaktion darauf akzeptieren, dass eine vordefinierte Anzahl oder ein vordefinierter Prozentsatz von Fahrzeugen 102 ein zufriedenstellend geringes vordefiniertes Fehlerratenziel reflektiert (z. B. das neue Maschinenlernmodell 302 erbringt eine bessere Leistung als das, das es ersetzt, erreicht richtige Ergebnisse in mindestens einem vordefinierten Prozentsatz von Fällen usw.).
Wenn die Fehlerrate innerhalb des Ziels liegt, geht die Steuerung zu Vorgang 414 über, um den Fahrzeugen 102 das Maschinenlernmodell 302 bereitzustellen. Nach Vorgang 414 endet der Prozess 400. Falls nicht, wird das Maschinenlernmodell 302 nicht eingeführt. Der Kalibrierungsdatenserver 306 kann zum Beispiel bei Vorgang 402 auf weitere Daten warten und den Prozess 400 erneut unter Verwendung dieser zusätzlichen Daten durchführen. In einigen Beispielen wird der Prozess 400 kontinuierlich oder periodisch durch den Kalibrierungsdatenserver 306 durchgeführt.
Variationen des Prozesses 400 sind möglich. Zum Beispiel kann auch ein Ansatz des föderierten Lernens angewendet werden, um die Trainingsleistung zu optimieren. In einem derartigen Ansatz kann jedes Fahrzeug 102 ein Maschinenlernmodell 302 auf Grundlage von für das Fahrzeug 102 lokalen UWB- und BLE-Daten lokal trainieren, um zu ermöglichen, dass Parameter des Maschinenlernmodells 302 iterativ aktualisiert werden. Als Reaktion darauf, dass ein neuer Satz von Parametern des Maschinenlernmodells 302 durch das Fahrzeug 102 berechnet wird, können diese Parameter von dem Fahrzeug 102 an den Kalibrierungsdatenserver 306 zur Analyse übertragen werden. In einigen Beispielen kann der Kalibrierungsdatenserver 306 die Parameter des Maschinenlernmodells 302 für Fahrzeuge 102, die das Fehlerratenziel erreichen, mitteln und das globale Maschinenlernmodell 302 entsprechend aktualisieren. In anderen Beispielen kann der Kalibrierungsdatenserver 306 die Daten von den Fahrzeugen 102, die das Fehlerratenziel erreichen, kombinieren, clustern und nutzen, um ein verbessertes Maschinenlernmodell 302 unter Verwendung der Daten von den mehreren Fahrzeugen 102 zu konstruieren und einzuführen.
In einer anderen Variation kann bestärkendes Lernen angewendet werden, um Änderungen des Maschinenlernmodells 302 intelligent zu bestimmen. Eine Belohnungsfunktion kann durch Durchführen einer sekundären Lokalisierungsprüfung konstruiert werden. Zum Beispiel kann die sekundäre Lokalisierungsprüfung das Vergleichen des durch BLE vorhergesagten Standorts mit einer zusätzlichen UWB-Abfrage jedes Mal, wenn die Konfidenz niedrig ist, beinhalten. Auf Grundlage der Ähnlichkeitsbewertung zu den UWB-Daten kann das Maschinenlernmodell 302 entsprechend verstärkt oder aktualisiert werden, um neue Variationen zu berücksichtigen.
Es ist zudem anzumerken, dass die vorgenannten Techniken nicht auf die Verwendung von UWB zur Unterstützung von BLE beschränkt sind und Ansätze unter Verwendung anderer Protokolle durchgeführt werden können. In einem Beispiel können Algorithmen für hochgenaue Entfernungsmessung (high accuracy distance measurement - HADM) durch BLE verwendet werden, um eine Entfernungsmessung unter Verwendung von BLE bereitzustellen, die zusätzlich oder alternativ dazu verwendet werden kann, die Ground Truth zu bestimmen. In einem anderen Beispiel können WiFi-ToF-Daten zusätzlich oder alternativ verwendet werden. In noch einem anderen Beispiel können UWB-Phasendaten zusätzlich oder alternativ verwendet werden.
In einem anderen Beispiel kann BLE-Phasenmessung als Quelle von Standortinformationen verwendet werden. Wie bei der UWB-ToF kann die BLE-Phasenmessung verwendet werden, um die Varianz in den BLE-RSSI-Daten zu messen, indem die Phasendifferenz zwischen jedem Kanal berechnet und die Entfernung von der Quelle zum Empfänger geschätzt wird. Auf Grundlage der Entfernungsberechnung aus Phasenmessung kann eine Varianz in den RSSI-Daten kompensiert werden. Durch die Verwendung dieses Ansatzes kann die Varianz in den BLE-RSSI-Daten reduziert werden, wodurch die Vorhersagegenauigkeit verbessert wird.
In noch einem anderen Beispiel kann BLE-Umlaufzeit als Quelle von Standortinformationen verwendet werden. Die BLE-Umlaufzeit kann zudem verwendet werden, um die Varianz in BLE-RSSI-Daten zu messen. Die BLE-Umlaufzeit berechnet die Zeit, die ein Signal benötigt, um von einer Quellenvorrichtung zu einer Zielvorrichtung und zurück von der Zielvorrichtung zu der Quellenvorrichtung zu gelangen. Auf Grundlage der gemessenen verstrichenen Zeit kann eine Entfernung unter Verwendung der Lichtgeschwindigkeit als die Ausbreitungsgeschwindigkeit des Hochfrequenz-(HF-)Signals abgeleitet werden. Auf Grundlage der Entfernungsberechnung aus der BLE-Umlaufzeit kann die Varianz in den RSSI-Daten kompensiert werden.
In noch einem anderen Beispiel kann die Wi-Fi-ToF als Quelle von Standortinformationen verwendet werden. Die Wi-Fi-Laufzeit kann ähnlich wie die BLE-Umlaufzeit verwendet werden, jedoch mit einer höheren Genauigkeit, was die Vorhersagegenauigkeit des BLE-RSSI-Algorithmus erhöhen kann.
5 veranschaulicht ein Beispiel 500 für eine Rechenvorrichtung 502 zum Umsetzen von Aspekten des Maschinenlernschemas für Lokalisierung. Unter Bezugnahme auf 5 und unter Bezugnahme auf die 1-4 können das Fahrzeug 102, die mobile Vorrichtung 104 und der Kalibrierungsdatenserver 306 Beispiele für derartige Rechenvorrichtungen 502 sein. Wie gezeigt, beinhaltet die Rechenvorrichtung 502 einen Prozessor 504, der mit einem Speicher 506, einer Netzwerkvorrichtung 508, einer Ausgabevorrichtung 510 und einer Eingabevorrichtung 512 wirkverbunden ist. Es ist zu beachten, dass dies lediglich ein Beispiel ist und Rechenvorrichtungen 502 mit mehr, weniger oder anderen Komponenten verwendet werden können.
Der Prozessor 504 kann eine oder mehrere integrierte Schaltungen beinhalten, welche die Funktionalität einer zentralen Verarbeitungseinheit (central processing unit - CPU) und/oder Grafikverarbeitungseinheit (graphics processing unit - GPU) umsetzen. In einigen Beispielen sind die Prozessoren 504 ein System auf einem Chip (system on a chip - SoC), in dem die Funktionalität der CPU und der GPU integriert sind. Das SoC kann optional andere Komponenten, wie zum Beispiel den Speicher 506 und die Netzwerkvorrichtung 508 in einer einzigen integrierten Vorrichtung beinhalten. In anderen Beispielen sind die CPU und die GPU über eine Peripherie-Anschlussvorrichtung, wie etwa PCI (Peripheral Component Interconnect) Express oder eine andere geeignete Peripherie-Datenverbindung, miteinander verbunden. In einem Beispiel handelt es sich bei der CPU um eine handelsübliche zentrale Verarbeitungsvorrichtung, die einen Anweisungssatz umsetzt, wie etwa eine von der x86-, ARM-, Power- oder MIPS-(Microprocessor without Interlocked Pipeline Stages)Anweisungssatzfamilie.
Unabhängig von den Einzelheiten führt der Prozessor 504 während des Betriebs gespeicherte Programmanweisungen aus, die aus dem Speicher 506 abgerufen werden. Die gespeicherten Programmanweisungen beinhalten dementsprechend Software, die den Betrieb der Prozessoren 504 steuert, um die in dieser Schrift beschriebenen Vorgänge durchzuführen. Der Speicher 506 kann sowohl nicht flüchtige als auch flüchtige Speichervorrichtungen beinhalten. Der nicht flüchtige Speicher beinhaltet Festkörperspeicher, wie etwa NAND-Flash-Speicher, magnetische und optische Speichermedien oder eine beliebige andere geeignete Datenspeichervorrichtung, die Daten speichert, wenn das System ausgeschaltet wird oder dessen Stromversorgung unterbrochen ist. Der flüchtige Speicher beinhaltet einen statischen und dynamischen Direktzugriffsspeicher (random-access memory - RAM), auf dem während des Betriebs des Systems 100 Programmanweisungen und Daten gespeichert werden.
Die GPU kann Hardware und Software zur Anzeige von zumindest zweidimensionalen (2D-) und gegebenenfalls dreidimensionalen (3D-)Grafiken auf der Ausgabevorrichtung 510 beinhalten. Die Ausgabevorrichtung 510 kann eine grafische oder visuelle Anzeigevorrichtung, wie etwa einen elektronischen Anzeigebildschirm, einen Projektor, einen Drucker oder eine beliebige andere geeignete Vorrichtung, die eine grafische Anzeige wiedergibt, beinhalten. Als ein anderes Beispiel kann die Ausgabevorrichtung 510 eine Audiovorrichtung, wie etwa einen Lautsprecher oder einen Kopfhörer, beinhalten. Als noch ein weiteres Beispiel kann die Ausgabevorrichtung 510 eine taktile Vorrichtung, wie etwa eine mechanisch erhöhbare Vorrichtung, beinhalten, die in einem Beispiel dazu konfiguriert sein kann, Blindenschrift oder eine andere physische Ausgabe anzuzeigen, die berührt werden kann, um einem Benutzer Informationen bereitzustellen.
Die Eingabevorrichtung 512 kann eine beliebige von verschiedenen Vorrichtungen beinhalten, die es der Rechenvorrichtung 502 ermöglichen, Steuereingaben von Benutzern zu empfangen. Beispiele für geeignete Eingabevorrichtungen, die Eingaben über eine menschliche Schnittstelle empfangen, können Tastaturen, Mäuse, Trackballs, Touchscreens, Spracheingabevorrichtungen, Grafiktabletts und dergleichen beinhalten.
Die Netzwerkvorrichtungen 508 können jeweils eine beliebige von verschiedenen Vorrichtungen beinhalten, die es den Fahrzeugen 102, den mobilen Vorrichtungen 104 und/oder dem Kalibrierungsdatenserver 306 ermöglichen, Daten von externen Vorrichtungen über Netzwerke zu senden und/oder zu empfangen. Beispiele für geeignete Netzwerkvorrichtungen 508 beinhalten eine Ethernet-Schnittstelle, einen Wi-Fi-Sendeempfänger, einen Mobilfunk-Sendeempfänger, einen BLUETOOTH- oder BLE-Sendeempfänger, einen UWB-Sendeempfänger oder einen anderen Netzwerkadapter oder eine andere Peripherie-Verbindungsvorrichtung, der/die Daten von einem anderen Computer oder einer externen Speichervorrichtung empfängt, was zum Empfangen großer Datensätze auf effiziente Weise nützlich sein kann.
Die in dieser Schrift offenbarten Prozesse, Verfahren oder Algorithmen können einer Verarbeitungsvorrichtung, einer Steuerung oder einem Computer zuführbar sein/davon umgesetzt werden, die/der eine beliebige bestehende programmierbare elektronische Steuereinheit oder eine dedizierte elektronische Steuereinheit beinhalten kann. Gleichermaßen können die Prozesse, Verfahren oder Algorithmen als Daten und Anweisungen, die durch eine Steuerung oder einen Computer ausgeführt werden können, in vielen Formen, einschließlich unter anderem Informationen, die dauerhaft auf nicht beschreibbaren Speichermedien gespeichert sind, wie etwa Festwertspeicher-(read-only memory - ROM-)Vorrichtungen, und Informationen, die veränderbar auf beschreibbaren Speichermedien gespeichert sind, wie etwa Disketten, Magnetbändern, Compact Discs (CDs), RAM-Vorrichtungen und anderen magnetischen und optischen Medien, gespeichert sein. Die Prozesse, Verfahren oder Algorithmen können zudem in einem mit Software ausführbaren Objekt umgesetzt sein.
Alternativ können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten, wie etwa anwendungsspezifischer integrierter Schaltungen (Application Specific Integrated Circuits - ASICs), feldprogrammierbarer Gate-Arrays (FPGAs), Zustandsmaschinen, Steuerungen oder anderer Hardwarekomponenten oder -vorrichtungen oder einer Kombination aus Hardware-, Software- und Firmwarekomponenten, verwirklicht sein.
Wenngleich vorstehend beispielhafte Ausführungsformen beschrieben sind, sollen diese Ausführungsformen nicht alle möglichen Formen beschreiben, die durch die Patentansprüche eingeschlossen sind. Die in der Beschreibung verwendeten Ausdrücke sind vielmehr beschreibende Ausdrücke als einschränkende Ausdrücke und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne vom Wesen und Umfang der Offenbarung abzuweichen. Wie vorstehend beschrieben, können die Merkmale verschiedener Ausführungsformen kombiniert werden, um weitere Ausführungsformen der Erfindung zu bilden, die unter Umständen nicht ausdrücklich beschrieben oder veranschaulicht sind. Wenngleich verschiedene Ausführungsformen gegenüber anderen Ausführungsformen oder Umsetzungen nach dem Stand der Technik in Bezug auf eine oder mehrere gewünschte Eigenschaften als vorteilhaft oder bevorzugt beschrieben worden sein könnten, erkennt der Durchschnittsfachmann, dass bei einem/einer oder mehreren Merkmalen oder Eigenschaften Kompromisse eingegangen werden können, um die gewünschten Gesamtattribute des Systems zu erzielen, die von der konkreten Anwendung und Umsetzung abhängen. Diese Attribute können unter anderem Folgendes beinhalten: Kosten, Festigkeit, Haltbarkeit, Lebenszykluskosten, Marktfähigkeit, Erscheinungsbild, Verbauung, Größe, Wartbarkeit, Gewicht, Herstellbarkeit, Einfachheit der Montage usw. Soweit beliebige Ausführungsformen in Bezug auf eine oder mehrere Eigenschaften als weniger wünschenswert als andere Ausführungsformen oder Umsetzungen aus dem Stand der Technik beschrieben werden, liegen diese Ausführungsformen daher nicht außerhalb des Umfangs der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.
Gemäß der vorliegenden Erfindung ist ein System zum Umsetzen eines Maschinenlernschemas für Lokalisierung bereitgestellt, das Folgendes aufweist: einen Prozessor, der dazu programmiert ist, Kalibrierungsdaten von einer Vielzahl von Fahrzeugen zu empfangen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten; ein Maschinenlernmodell unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe zu trainieren; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, das Maschinenlernmodell der Vielzahl von Fahrzeugen bereitzustellen. Gemäß einer Ausführungsform ist der Prozessor ferner zu Folgendem programmiert: Identifizieren von Datenclustern in den Kalibrierungsdaten gemäß den Kontextinformationen; Bereinigen von Ausreißerdatenelementen, die Ausreißer in Bezug auf die identifizierten Datencluster sind; und Trainieren des Maschinenlernmodells gemäß den bereinigten Kalibrierungsdaten.
Gemäß einer Ausführungsform ist der Prozessor ferner dazu programmiert, das Maschinenlernmodell unter Verwendung von Testdaten zu testen, um die Fehlerrate für das Maschinenlernmodell zu bestimmen.
Gemäß einer Ausführungsform sind die Testdaten eine Teilmenge der Kalibrierungsdaten, die von der Verwendung beim Trainieren des Maschinenlernmodells ausgeschlossen ist.
Gemäß einer Ausführungsform ist der Prozessor ferner dazu programmiert, als Reaktion darauf, dass das Maschinenlernmodell in mindestens einem vordefinierten Prozentsatz der Testdaten richtige Ergebnisse erreicht, zu bestimmen, dass die Fehlerrate für das Maschinenlernmodell innerhalb des Fehlerziels liegt.
Gemäß einer Ausführungsform ist der Prozessor ferner zu Folgendem programmiert: Senden des Maschinenlernmodells an eine Testteilmenge der Vielzahl von Fahrzeugen; und Bestimmen, dass die Fehlerrate innerhalb des Fehlerziels liegt, als Reaktion auf den Empfang von Testinformationen von der Testteilmenge der Vielzahl von Fahrzeugen, die angeben, dass das Maschinenlernmodell beim Bestimmen der Standorte der mobilen Vorrichtungen im Vergleich zu einem vorherigen Maschinenlernmodell, das von der Testteilmenge der Vielzahl von Fahrzeugen verwendet wird, eine genauere Leistung erbringt.
Gemäß einer Ausführungsform sind die drahtlosen Daten BLUETOOTH-RSSI-Informationen und sind die Ground-Truth-Daten UWB-ToF-Daten.
Gemäß einer Ausführungsform sind die drahtlosen Daten BLUETOOTH-RSSI-Informationen und sind die Ground-Truth-Daten hochgenaue BLE-Entfernungsmessungsdaten.
Gemäß einer Ausführungsform sind die Ground-Truth-Daten eines oder mehrere von UWB-Phasendaten oder Wi-Fi-ToF-Daten.
Gemäß einer Ausführungsform beinhalten die Kontextinformationen eines oder mehrere von Betriebssystemversionen der mobilen Vorrichtungen oder Batterieständen der mobilen Vorrichtungen.
Gemäß einer Ausführungsform beinhalten die Kontextinformationen Antenneneigenschaften, die Versätze in Bezug auf Signalstärken für die mobilen Vorrichtungen definieren.
Gemäß der vorliegenden Erfindung beinhaltet ein Verfahren zum Umsetzen eines Maschinenlernschemas für Lokalisierung Folgendes: Empfangen von Kalibrierungsdaten von einer Vielzahl von Fahrzeugen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten; Trainieren eines Maschinenlernmodells unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, Bereitstellen des Maschinenlernmodells für die Vielzahl von Fahrzeugen.
In einem Aspekt der Erfindung beinhaltet das Verfahren Folgendes: Identifizieren von Datenclustern in den Kalibrierungsdaten gemäß den Kontextinformationen; Bereinigen von Ausreißerdatenelementen, die Ausreißer in Bezug auf die identifizierten Datencluster sind; und Trainieren des Maschinenlernmodells gemäß den bereinigten Kalibrierungsdaten.
In einem Aspekt der Erfindung beinhaltet das Verfahren Testen des Maschinenlernmodells unter Verwendung von Testdaten, um die Fehlerrate für das Maschinenlernmodell zu bestimmen.
In einem Aspekt der Erfindung beinhaltet das Verfahren Bestimmen, dass die Fehlerrate für das Maschinenlernmodell innerhalb des Fehlerziels liegt, als Reaktion darauf, dass das Maschinenlernmodell in mindestens einem vordefinierten Prozentsatz der Testdaten richtige Ergebnisse erreicht.
In einem Aspekt der Erfindung beinhaltet das Verfahren Folgendes: Senden des Maschinenlernmodells an eine Testteilmenge der Vielzahl von Fahrzeugen; und Bestimmen, dass die Fehlerrate innerhalb des Fehlerziels liegt, als Reaktion auf den Empfang von Testinformationen von der Testteilmenge der Vielzahl von Fahrzeugen, die angeben, dass das Maschinenlernmodell beim Bestimmen der Standorte der mobilen Vorrichtungen im Vergleich zu einem vorherigen Maschinenlernmodell, das von der Testteilmenge der Vielzahl von Fahrzeugen verwendet wird, eine genauere Leistung erbringt.
Gemäß der vorliegenden Erfindung beinhaltet ein nicht transitorisches computerlesbares Medium Anweisungen, die bei Ausführung durch einen Prozessor den Prozessor dazu veranlassen, Vorgänge durchzuführen, die Folgendes beinhalten: Empfangen von Kalibrierungsdaten von einer Vielzahl von Fahrzeugen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten; Trainieren eines Maschinenlernmodells unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, Bereitstellen des maschinellen Lernmodells für die Vielzahl von Fahrzeugen.
In einem Aspekt der Erfindung beinhaltet das Verfahren Anweisungen, die bei Ausführung durch den Prozessor den Prozessor zu Folgendem veranlassen: Identifizieren von Datenclustern in den Kalibrierungsdaten gemäß den Kontextinformationen; Bereinigen von Ausreißerdatenelementen, die Ausreißer in Bezug auf die identifizierten Datencluster sind; und Trainieren des Maschinenlernmodells gemäß den bereinigten Kalibrierungsdaten.
In einem Aspekt der Erfindung beinhaltet das Verfahren Anweisungen, die bei Ausführung durch den Prozessor den Prozessor dazu veranlassen, das Maschinenlernmodell unter Verwendung von Testdaten zu testen, um die Fehlerrate für das Maschinenlernmodell zu bestimmen.
In einem Aspekt der Erfindung beinhaltet das Verfahren Anweisungen, die bei Ausführung durch den Prozessor den Prozessor zu einem oder mehreren der Folgenden veranlassen: (i) Bestimmen, dass die Fehlerrate für das Maschinenlernmodell innerhalb des Fehlerziels liegt, als Reaktion darauf, dass das Maschinenlernmodell in mindestens einem vordefinierten Prozentsatz der Testdaten richtige Ergebnisse erreicht; oder (ii) Senden des Maschinenlernmodells an eine Testteilmenge der Vielzahl von Fahrzeugen und Bestimmen, dass die Fehlerrate innerhalb des Fehlerziels liegt, als Reaktion auf den Empfang von Testinformationen von der Testteilmenge der Vielzahl von Fahrzeugen, die angeben, dass das Maschinenlernmodell beim Bestimmen der Standorte der mobilen Vorrichtungen im Vergleich zu einem vorherigen Maschinenlernmodell, das von der Testteilmenge der Vielzahl von Fahrzeugen verwendet wird, eine genauere Leistung erbringt.

Claims

System zum Umsetzen eines Maschinenlernschemas für Lokalisierung, umfassend: einen Prozessor, der dazu programmiert ist, Kalibrierungsdaten von einer Vielzahl von Fahrzeugen zu empfangen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten, ein Maschinenlernmodell unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe zu trainieren; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, das Maschinenlernmodell der Vielzahl von Fahrzeugen bereitzustellen.
System nach Anspruch 1, wobei der Prozessor ferner zu Folgendem programmiert ist: Identifizieren von Datenclustern in den Kalibrierungsdaten gemäß den Kontextinformationen; Bereinigen von Ausreißerdatenelementen, die Ausreißer in Bezug auf die identifizierten Datencluster sind, und Trainieren des Maschinenlernmodells gemäß den bereinigten Kalibrierungsdaten.
System nach Anspruch 1, wobei der Prozessor ferner dazu programmiert ist, das Maschinenlernmodell unter Verwendung von Testdaten zu testen, um die Fehlerrate für das Maschinenlernmodell zu bestimmen.
System nach Anspruch 3, wobei die Testdaten eine Teilmenge der Kalibrierungsdaten sind, die von der Verwendung beim Trainieren des Maschinenlernmodells ausgeschlossen ist.
System nach Anspruch 3, wobei der Prozessor ferner dazu programmiert ist, als Reaktion darauf, dass das Maschinenlernmodell in mindestens einem vordefinierten Prozentsatz der Testdaten richtige Ergebnisse erreicht, zu bestimmen, dass die Fehlerrate für das Maschinenlernmodell innerhalb des Fehlerziels liegt.
System nach Anspruch 1, wobei der Prozessor ferner zu Folgendem programmiert ist: Senden des Maschinenlernmodells an eine Testteilmenge der Vielzahl von Fahrzeugen; und Bestimmen, dass die Fehlerrate innerhalb des Fehlerziels liegt, als Reaktion auf den Empfang von Testinformationen von der Testteilmenge der Vielzahl von Fahrzeugen, die angeben, dass das Maschinenlernmodell beim Bestimmen der Standorte der mobilen Vorrichtungen im Vergleich zu einem vorherigen Maschinenlernmodell, das von der Testteilmenge der Vielzahl von Fahrzeugen verwendet wird, eine genauere Leistung erbringt.
System nach Anspruch 1, wobei die drahtlosen Daten BLUETOOTH-RSSI-Informationen sind und die Ground-Truth-Daten UWB-ToF-Daten sind.
System nach Anspruch 1, wobei die drahtlosen Daten BLUETOOTH-RSSI-Informationen sind und die Ground-Truth-Daten hochgenaue BLE-Entfernungsmessungsdaten sind.
System nach Anspruch 1, wobei die Ground-Truth-Daten eines oder mehrere von UWB-Phasendaten oder Wi-Fi-ToF-Daten sind.
System nach Anspruch 1, wobei die Kontextinformationen eines oder mehrere von Betriebssystemversionen der mobilen Vorrichtungen oder Batterieständen der mobilen Vorrichtungen beinhalten.
System nach Anspruch 1, wobei die Kontextinformationen Antenneneigenschaften beinhalten, die Versätze in Bezug auf Signalstärken für die mobilen Vorrichtungen definieren.
Verfahren zum Umsetzen eines Maschinenlernschemas für Lokalisierung, umfassend: Empfangen von Kalibrierungsdaten von einer Vielzahl von Fahrzeugen, wobei die Kalibrierungsdaten drahtlose Daten, die Standorte von mobilen Vorrichtungen innerhalb der Vielzahl von Fahrzeugen angeben, Ground-Truth-Daten in Bezug auf die Standorte der mobilen Vorrichtungen und Kontextinformationen in Bezug auf die mobilen Vorrichtungen beinhalten; Trainieren eines Maschinenlernmodells unter Verwendung der drahtlosen Daten und der Kontextinformationen als Eingaben und der Ground-Truth-Daten als Ausgabe; und als Reaktion darauf, dass eine Fehlerrate für das Maschinenlernmodell innerhalb eines Fehlerziels liegt, Bereitstellen des Maschinenlernmodells für die Vielzahl von Fahrzeugen.
Verfahren nach Anspruch 12, ferner umfassend: Identifizieren von Datenclustern in den Kalibrierungsdaten gemäß den Kontextinformationen; Bereinigen von Ausreißerdatenelementen, die Ausreißer in Bezug auf die identifizierten Datencluster sind, und Trainieren des Maschinenlernmodells gemäß den bereinigten Kalibrierungsdaten.
Verfahren nach Anspruch 12, ferner umfassend: Testen des Maschinenlernmodells unter Verwendung von Testdaten, um die Fehlerrate für das Maschinenlernmodell zu bestimmen, und Bestimmen, dass die Fehlerrate für das Maschinenlernmodell innerhalb des Fehlerziels liegt, als Reaktion darauf, dass das Maschinenlernmodell in mindestens einem vordefinierten Prozentsatz der Testdaten richtige Ergebnisse erreicht.
Verfahren nach Anspruch 12, ferner umfassend: Senden des Maschinenlernmodells an eine Testteilmenge der Vielzahl von Fahrzeugen; und Bestimmen, dass die Fehlerrate innerhalb des Fehlerziels liegt, als Reaktion auf den Empfang von Testinformationen von der Testteilmenge der Vielzahl von Fahrzeugen, die angeben, dass das Maschinenlernmodell beim Bestimmen der Standorte der mobilen Vorrichtungen im Vergleich zu einem vorherigen Maschinenlernmodell, das von der Testteilmenge der Vielzahl von Fahrzeugen verwendet wird, eine genauere Leistung erbringt.