DE102022108135A1 - Method and device for parameterizing a vehicle component - Google Patents

Method and device for parameterizing a vehicle component Download PDF

Info

Publication number
DE102022108135A1
DE102022108135A1 DE102022108135.4A DE102022108135A DE102022108135A1 DE 102022108135 A1 DE102022108135 A1 DE 102022108135A1 DE 102022108135 A DE102022108135 A DE 102022108135A DE 102022108135 A1 DE102022108135 A1 DE 102022108135A1
Authority
DE
Germany
Prior art keywords
parameter data
vehicle
vehicle component
data set
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022108135.4A
Other languages
German (de)
Inventor
Robert Siwy
Felix Schranner
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102022108135.4A priority Critical patent/DE102022108135A1/en
Publication of DE102022108135A1 publication Critical patent/DE102022108135A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/037—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for occupant comfort, e.g. for automatic adjustment of appliances according to personal settings, e.g. seats, mirrors, steering wheel

Abstract

Es wird eine Vorrichtung zur Parametrierung einer Fahrzeug-Komponente (105) für eine Nutzung in Fahrzeugen (100) eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation beschrieben. Die Vorrichtung ist eingerichtet, auf Basis einer Vielzahl von bekannten Parameter-Datensätzen (110) eine maschinell-erlernte KI-Einheit (400, 410, 420) zu ermitteln. Die Vielzahl von bekannten Parameter-Datensätzen (110) wurde im Vorfeld ermittelt, für ein oder mehrere unterschiedliche Varianten der Fahrzeug-Komponente (105); ein oder mehrere unterschiedliche Fahrzeug-Modelle; und/oder ein oder mehrere unterschiedliche Fahrzeug-Generationen. Die Vorrichtung ist ferner eingerichtet, die Parametrierung der Fahrzeug-Komponente (105) anhand der KI-Einheit (400, 410, 420) durchzuführen.A device for parameterizing a vehicle component (105) for use in vehicles (100) of a specific vehicle model and/or a specific vehicle generation is described. The device is set up to determine a machine-learned AI unit (400, 410, 420) based on a large number of known parameter data sets (110). The large number of known parameter data sets (110) were determined in advance for one or more different variants of the vehicle component (105); one or more different vehicle models; and/or one or more different vehicle generations. The device is also set up to carry out the parameterization of the vehicle component (105) using the AI unit (400, 410, 420).

Description

Die Erfindung betrifft eine Vorrichtung und ein entsprechendes Verfahren zur Parametrierung einer Fahrzeug-Komponente.The invention relates to a device and a corresponding method for parameterizing a vehicle component.

Fahrzeuge weisen unterschiedliche Fahrzeug-Komponenten auf, die über mehrere Fahrzeug-Generationen hinweg in gleicher oder angepasster Form in den Fahrzeugen verbaut werden. Ein Beispiel für eine Fahrzeug-Komponente ist ein Audiowiedergabesystem, das z.B. ein Audiowiedergabegerät und mehrere unterschiedliche Lautsprecher umfasst. Das Audiowiedergabesystem kann ggf. unterschiedliche Varianten (z.B. mit unterschiedlicher Qualität) aufweisen, die in einem Fahrzeug verbaut werden können. Ferner kann das Audiowiedergabesystem in unterschiedlichen Fahrzeug-Modellen (z.B. Kleinwagen, Mittelklassewagen, Luxuswagen, SUV, Kombi, Stufenheck, etc.) verbaut werden.Vehicles have different vehicle components that are installed in the vehicles in the same or adapted form across several vehicle generations. An example of a vehicle component is an audio playback system, which includes, for example, an audio playback device and several different speakers. The audio playback system may have different variants (e.g. with different quality) that can be installed in a vehicle. Furthermore, the audio playback system can be installed in different vehicle models (e.g. small cars, mid-range cars, luxury cars, SUVs, station wagons, notchbacks, etc.).

Weitere Beispiele für eine Fahrzeug-Komponente, die in unterschiedliche Fahrzeug-Modelle verbaut wird und/oder die in Fahrzeuge aus unterschiedlichen Fahrzeug-Generationen verbaut wird, sind ein Fahrwerksteuer- und/oder regelsystem und/oder ein Antriebssystem.Further examples of a vehicle component that is installed in different vehicle models and/or that is installed in vehicles from different vehicle generations are a chassis control and/or regulation system and/or a drive system.

Im Rahmen der Integration einer bestimmten Variante einer Fahrzeug-Komponente in ein Fahrzeug eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation wird typischerweise (durch menschliche Experten) ein Parameter-Datensatz erstellt, der Parameterwerte für eine Vielzahl von unterschiedlichen Parametern aufweist. Beispielhafte Parameter für ein Audiowiedergabesystem sind: Equalizereinstellungen, Filtereinstellungen, Verstärkungseinstellungen, etc. Die Fahrzeug-Komponente kann dann in dem Fahrzeug mit den Parameterwerten aus dem erstellten Parameter-Datensatz betrieben werden.As part of the integration of a specific variant of a vehicle component into a vehicle of a specific vehicle model and/or a specific vehicle generation, a parameter data set is typically created (by human experts) which has parameter values for a large number of different parameters. Example parameters for an audio playback system are: equalizer settings, filter settings, gain settings, etc. The vehicle component can then be operated in the vehicle with the parameter values from the created parameter data set.

Die Ermittlung der Parameterwerte für einen Parameter-Datensatz zum Betrieb einer bestimmten Variante einer Fahrzeug-Komponente in einem Fahrzeug eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation ist typischerweise mit einem relativ hohen Entwicklungsaufwand verbunden.Determining the parameter values for a parameter data set for operating a specific variant of a vehicle component in a vehicle of a specific vehicle model and/or a specific vehicle generation is typically associated with a relatively high development effort.

Das vorliegende Dokument befasst sich mit der technischen Aufgabe, in effizienter Weise einen qualitativ hochwertigen Parameter-Datensatz für eine Fahrzeug-Komponente zu ermitteln.This document deals with the technical task of efficiently determining a high-quality parameter data set for a vehicle component.

Die Aufgabe wird jeweils durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.The task is solved in each case by the independent claims. Advantageous embodiments are described, among other things, in the dependent claims. It should be noted that additional features of a patent claim dependent on an independent patent claim can form a separate invention independent of the combination of all the features of the independent patent claim, without the features of the independent patent claim or only in combination with a subset of the features of the independent patent claim can be made the subject of an independent claim, a division application or a subsequent application. This applies equally to technical teachings described in the description, which may constitute an invention independent of the features of the independent patent claims.

Gemäß einem Aspekt wird eine Vorrichtung (z.B. ein Computer oder ein Server) zur Parametrierung einer Fahrzeug-Komponente für die Nutzung in Fahrzeugen eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation beschrieben. Die Fahrzeug-Komponente kann ein Audiowiedergabesystem umfassen. Die Fahrzeug-Komponente kann eine Vielzahl von Parametern (z.B. 1000 oder mehr) aufweisen, für die jeweils ein Parameterwert festgelegt werden kann. Dabei ist der Parameterwert der Wert oder das Datum eines Parameters der Fahrzeug-Komponente. Ein Parameter kann in unterschiedlichen Fahrzeug-Modellen und/oder unterschiedlichen Fahrzeug-Generationen (d.h. in unterschiedlichen Fahrzeug-Ausprägungen) unterschiedliche Werte oder Daten annehmen. Ggf. kann ein bestimmter Parameter nur ein einem Teil der unterschiedlichen Fahrzeug-Modelle und/oder unterschiedlichen Fahrzeug-Generationen vorhanden sein.According to one aspect, a device (e.g. a computer or a server) for parameterizing a vehicle component for use in vehicles of a specific vehicle model and/or a specific vehicle generation is described. The vehicle component may include an audio playback system. The vehicle component can have a large number of parameters (e.g. 1000 or more), for each of which a parameter value can be set. The parameter value is the value or the date of a parameter of the vehicle component. A parameter can assume different values or data in different vehicle models and/or different vehicle generations (i.e. in different vehicle versions). If necessary, a specific parameter may only be present in part of the different vehicle models and/or different vehicle generations.

Die Parameterwerte für die Vielzahl von unterschiedlichen Parametern können zu einem Parameter-Datensatz zusammengefasst werden. Die Fahrzeug-Komponente kann bei der Nutzung in einem Fahrzeug mit den Parameterwerten aus dem Parameter-Datensatz betrieben werden. Dabei hängt die Güte der Fahrzeug-Komponente typischerweise von der Kombination von Parameterwerten ab. Die Vorrichtung kann darauf ausgelegt sein, eine Kombination von Parameterwerten (d.h. einen Parameter-Datensatz) zu ermitteln, durch den eine (für einen menschlichen Experten) ausreichende Güte der Fahrzeug-Komponente bewirkt wird.The parameter values for the large number of different parameters can be combined into a parameter data set. When used in a vehicle, the vehicle component can be operated with the parameter values from the parameter data set. The quality of the vehicle component typically depends on the combination of parameter values. The device can be designed to determine a combination of parameter values (i.e. a parameter data set) which results in sufficient quality of the vehicle component (for a human expert).

Für unterschiedliche Fahrzeug-Modelle und/oder für unterschiedliche Fahrzeug-Generationen (mit unterschiedlichen Abmessungen und/oder Geometrien und/oder Materialien des Innenraums) und/oder für unterschiedliche Varianten der Fahrzeug-Komponente sind typischerweise unterschiedliche Kombinationen von Parameterwerten (d.h. unterschiedliche Parameter-Datensätze) erforderlich. Die Vorrichtung kann darauf ausgelegt sein, in effizienter Weise einen Parameter-Datensatz für das bestimmte Fahrzeug-Modell und/oder für die bestimmte Fahrzeug-Generation zu ermitteln, durch den eine (für einen menschlichen Experten) ausreichende Güte der Fahrzeug-Komponente bewirkt wird.For different vehicle models and/or for different vehicle generations (with different dimensions and/or geometries and/or materials of the interior) and/or for different variants of the vehicle component, there are typically different combinations of parameter values (ie different parameter data sets ) necessary. The device can be designed to: to efficiently determine a parameter data set for the specific vehicle model and/or for the specific vehicle generation, which results in sufficient quality of the vehicle component (for a human expert).

Die Vorrichtung kann eingerichtet sein, auf Basis einer Vielzahl von bekannten Parameter-Datensätzen (z.B. auf Basis von 1000 oder mehr, oder 10000 oder mehr bekannten Parameter-Datensätzen) eine maschinell-erlernte KI-Einheit zu ermitteln. Dabei kann die KI-Einheit anhand von Trainingsdaten angelernt werden, wobei die Trainingsdaten die Vielzahl von bekannten Parameter-Datensätzen umfassen. Die KI-Einheit kann ein oder mehrere neuronale Netze umfassen, die anhand der Vielzahl von bekannten Parameter-Datensätzen angelernt werden oder worden sind.The device can be set up to determine a machine-learned AI unit based on a large number of known parameter data sets (e.g. based on 1000 or more, or 10,000 or more known parameter data sets). The AI unit can be trained using training data, whereby the training data includes the large number of known parameter data sets. The AI unit can include one or more neural networks that are or have been trained based on the large number of known parameter data sets.

Die Vielzahl von bekannten Parameter-Datensätzen kann im Vorfeld (durch ein oder mehrere menschliche Experten und/oder anhand von Testmessungen) ermittelt worden sein. Dabei können bekannte Parameter-Datensätze für ein oder mehrere unterschiedliche Varianten der Fahrzeug-Komponente; für ein oder mehrere unterschiedliche Fahrzeug-Modelle; und/oder für ein oder mehrere unterschiedliche (vorhergehende) Fahrzeug-Generationen bereitgestellt werden. Es kann somit eine Vielzahl von bekannten Parameter-Datensätzen bereitgestellt und verwendet werden, durch die das Wissen von menschlichen Experten bei der Festlegung der Parameterwerte repräsentiert wird.The large number of known parameter data sets can have been determined in advance (by one or more human experts and/or based on test measurements). Known parameter data sets can be used for one or more different variants of the vehicle component; for one or more different vehicle models; and/or are provided for one or more different (previous) vehicle generations. A large number of known parameter data sets can therefore be provided and used, through which the knowledge of human experts is represented when determining the parameter values.

Die Vorrichtung kann eingerichtet sein, die Parametrierung der Fahrzeug-Komponente (für die Nutzung in Fahrzeugen des bestimmten Fahrzeug-Modells und/oder der bestimmten Fahrzeug-Generation) anhand der KI-Einheit durchzuführen und/oder zu ermitteln. Die Vorrichtung kann insbesondere eingerichtet sein, im Rahmen der Parametrierung der Fahrzeug-Komponente anhand der KI-Einheit einen bestimmten neuen Parameter-Datensatz für die Fahrzeug-Komponente zur Nutzung in Fahrzeugen des bestimmten Fahrzeug-Modells und/oder der bestimmten Fahrzeug-Generation zu ermitteln.The device can be set up to carry out and/or determine the parameterization of the vehicle component (for use in vehicles of the specific vehicle model and/or the specific vehicle generation) using the AI unit. The device can in particular be set up, as part of the parameterization of the vehicle component, to use the AI unit to determine a specific new parameter data set for the vehicle component for use in vehicles of the specific vehicle model and/or the specific vehicle generation .

Es wird somit eine Vorrichtung beschrieben, die eine KI (Künstliche Intelligenz) Einheit dazu verwendet, in effizienter und präziser Weise eine Fahrzeug-Komponente zu parametrieren.A device is therefore described that uses an AI (artificial intelligence) unit to parameterize a vehicle component in an efficient and precise manner.

Die einzelnen bekannten Parameter-Datensätze aus der Vielzahl von bekannten Parameter-Datensätzen können jeweils mit Güteinformation in Bezug auf die Güte der Fahrzeug-Komponente bei Betrieb mit dem jeweiligen bekannten Parameter-Datensatz (in dem jeweiligen Fahrzeug-Modell und/oder in der jeweiligen Fahrzeug-Generation) assoziiert sein. Die Güteinformation kann z.B. in binärer Weise anzeigen, ob die Güte der Fahrzeug-Komponente ausreichend ist oder nicht (dies kann von dem menschlichen Experten festgelegt worden sein). The individual known parameter data sets from the large number of known parameter data sets can each be provided with quality information regarding the quality of the vehicle component when operating with the respective known parameter data set (in the respective vehicle model and/or in the respective vehicle generation). The quality information can, for example, indicate in a binary manner whether the quality of the vehicle component is sufficient or not (this may have been determined by the human expert).

Alternativ oder ergänzend können die einzelnen bekannten Parameter-Datensätze aus der Vielzahl von bekannten Parameter-Datensätzen jeweils mit Werten (d.h. jeweils mit einer Wertekombination) für ein oder mehrere Kontextparameter assoziiert sein, die den Kontext beschreiben, für den der jeweilige bekannte Parameter-Datensatz ermittelt wurde. Der Kontext kann dabei von dem Fahrzeug-Modell und/oder von der Fahrzeug-Generation und/oder von der Variante der Fahrzeug-Komponente abhängen, für die der jeweilige bekannten Parameter-Datensatz ermittelt wurde. Beispielhafte Kontextparameter sind: das Innenraumvolumen, die Form des Innenraums, ein Materialtyp eines Materials des Innenraums, ein Fahrzeugtyp (z.B. Limousine, Stufenheck, SUV, Kombi, etc.), etc.Alternatively or additionally, the individual known parameter data sets from the multitude of known parameter data sets can each be associated with values (i.e. each with a combination of values) for one or more context parameters that describe the context for which the respective known parameter data set is determined became. The context can depend on the vehicle model and/or on the vehicle generation and/or on the variant of the vehicle component for which the respective known parameter data set was determined. Example context parameters are: the interior volume, the shape of the interior, a material type of a material of the interior, a vehicle type (e.g. sedan, notchback, SUV, station wagon, etc.), etc.

Die Vorrichtung kann eingerichtet sein, die KI-Einheit auch auf Basis der jeweils assoziierten Güteinformation und/der auf Basis der jeweils assoziierten Wertekombination für die ein oder mehreren Kontextparameter zu ermitteln. So kann die Güte der Parametrierung einer Fahrzeug-Komponente weiter erhöht werden.The device can be set up to determine the AI unit also on the basis of the respectively associated quality information and/or based on the respectively associated combination of values for the one or more context parameters. In this way, the quality of the parameterization of a vehicle component can be further increased.

Die Vorrichtung kann eingerichtet sein, die KI-Einheit anhand der Vielzahl von bekannten Parameter-Datensätzen und anhand der entsprechenden (jeweils assoziierten) Güteinformation derart anzulernen, dass die KI-Einheit ausgebildet ist, für einen neuen Parameter-Datensatz entsprechende Güteinformation zu prädizieren. Die Güteinformation kann z.B. in binärer Weise anzeigen, ob die Güte der Fahrzeug-Komponente ausreichend ist oder nicht. Alternativ oder ergänzend kann die Güteinformation einen Indikator für die Wahrscheinlichkeit anzeigen, dass die Güte der Fahrzeug-Komponente bei Verwendung des neuen Parameter-Datensatzes ausreichend sein wird. Alternativ oder ergänzend kann die Güteinformation ein oder mehrere Betriebsbereiche der Fahrzeug-Komponente anzeigen, in denen die Güte der Fahrzeug-Komponente bei Verwendung des neuen Parameter-Datensatzes (voraussichtlich) ausreichend sein wird oder nicht ausreichend sein wird.The device can be set up to train the AI unit based on the large number of known parameter data sets and based on the corresponding (each associated) quality information in such a way that the AI unit is designed to predict corresponding quality information for a new parameter data set. The quality information can, for example, indicate in a binary manner whether the quality of the vehicle component is sufficient or not. Alternatively or additionally, the quality information can display an indicator of the probability that the quality of the vehicle component will be sufficient when using the new parameter data set. Alternatively or additionally, the quality information can indicate one or more operating ranges of the vehicle component in which the quality of the vehicle component will (probably) be sufficient or will not be sufficient when using the new parameter data set.

Es kann somit eine KI-Einheit bereitgestellt werden, die für die Validierung und/oder für die Plausibilisierung eines neuen Parameter-Datensatzes verwendet wird. So kann der Aufwand bei der Parametrierung der Fahrzeug-Komponente wesentlich reduziert werden.An AI unit can thus be provided that is used for the validation and/or the plausibility check of a new parameter data set. In this way, the effort involved in parameterizing the vehicle component can be significantly reduced.

Die Vorrichtung kann eingerichtet sein, die KI-Einheit anhand der Vielzahl von bekannten Parameter-Datensätzen und anhand der entsprechenden (jeweils assoziierten) Werte für die ein oder mehreren Kontextparameter derart anzulernen, z.B. unter Verwendung eines Generative Adversarial Networks oder unter Verwendung einer anderen Methode, dass die KI-Einheit ausgebildet ist, für eine neue Wertekombination der ein oder mehreren Kontextparameter einen neuen Parameter-Datensatz zu generieren.The device can be set up to train the AI unit based on the large number of known parameter data sets and based on the corresponding (each associated) values for the one or more context parameters, for example using a generative adversarial network or using another method, that the AI unit is designed to generate a new parameter data set for a new combination of values of the one or more context parameters.

Des Weiteren kann die Vorrichtung eingerichtet sein, eine bestimmte Wertekombination der ein oder mehreren Kontextparameter für das bestimmte Fahrzeug-Modell und/oder für die bestimmte Fahrzeug-Generation und/oder für eine bestimmte Variante der Fahrzeug-Komponente zu ermitteln. Mit anderen Worten, der Kontext der geplanten Nutzung der Fahrzeug-Komponente kann anhand einer bestimmten Wertekombination der ein oder mehreren Kontextparameter beschrieben werden.Furthermore, the device can be set up to determine a specific combination of values of the one or more context parameters for the specific vehicle model and/or for the specific vehicle generation and/or for a specific variant of the vehicle component. In other words, the context of the planned use of the vehicle component can be described based on a specific combination of values of the one or more context parameters.

Es kann dann in präziser und effizienter Weise anhand der KI-Einheit für die bestimmte Wertekombination ein bestimmter Parameter-Datensatz als Parametrierung für die Fahrzeug-Komponente ermittelt werden.A specific parameter data set can then be determined as a parameterization for the vehicle component in a precise and efficient manner using the AI unit for the specific combination of values.

Die KI-Einheit kann somit dazu genutzt werden, direkt einen geeigneten Parameter-Datensatz zu generieren. Dieser Parameter-Datensatz kann ggf. anhand einer weiteren KI-Einheit validiert und/oder plausibilisiert werden. So kann eine besonders effiziente und präzise Parametrierung bewirkt werden.The AI unit can therefore be used to directly generate a suitable parameter data set. This parameter data set can, if necessary, be validated and/or checked for plausibility using another AI unit. In this way, particularly efficient and precise parameterization can be achieved.

Die Vorrichtung kann eingerichtet sein, die KI-Einheit anhand der Vielzahl von bekannten Parameter-Datensätzen derart anzulernen, dass die KI-Einheit ausgebildet ist, für einen Parameter-Datensatz einen Indikator bereitzustellen, der anzeigt, welchen Einfluss ein oder mehrere Parameter aus dem Parameter-Datensatz bei Verwendung des Parameter-Datensatzes auf die Güte der Fahrzeug-Komponente haben. Alternativ oder ergänzend kann ein Indikator bereitgestellt werden, der eine Abhängigkeit und/oder einen Zusammenhang zwischen unterschiedlichen Parametern aus dem Parameter-Datensatz anzeigt. Es können dann in besonders effizienter und präziser Weise Parameterwerte für die einzelnen (relevanten) Parameter ermittelt werden (z.B. anhand der o.g. KI-Einheit zur Generierung eines Parameter-Datensatzes).The device can be set up to train the AI unit based on the large number of known parameter data sets in such a way that the AI unit is designed to provide an indicator for a parameter data set that shows the influence of one or more parameters from the parameter -Data set when using the parameter data set on the quality of the vehicle component. Alternatively or additionally, an indicator can be provided that shows a dependency and/or a connection between different parameters from the parameter data set. Parameter values for the individual (relevant) parameters can then be determined in a particularly efficient and precise manner (e.g. using the above-mentioned AI unit to generate a parameter data set).

Gemäß einem weiteren Aspekt wird ein (Computer-implementiertes) Verfahren zur Parametrierung einer Fahrzeug-Komponente (insbesondere eines Audiowiedergabesystems) für die Nutzung in (Kraft-) Fahrzeugen eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation beschrieben. Das Verfahren umfasst das Ermitteln, auf Basis einer Vielzahl von bekannten Parameter-Datensätzen, einer maschinell-erlernten KI-Einheit. Das Verfahren umfasst ferner das Ermitteln der Parametrierung (insbesondere des bestimmten Parameter-Datensatzes) der Fahrzeug-Komponente anhand der KI-Einheit.According to a further aspect, a (computer-implemented) method for parameterizing a vehicle component (in particular an audio playback system) for use in (motor) vehicles of a specific vehicle model and/or a specific vehicle generation is described. The method includes determining a machine-learned AI unit based on a large number of known parameter data sets. The method further includes determining the parameterization (in particular the specific parameter data set) of the vehicle component using the AI unit.

Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.According to a further aspect, a software (SW) program is described. The SW program can be set up to run on a processor and thereby carry out the procedure described in this document.

Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.According to a further aspect, a storage medium is described. The storage medium may include a SW program configured to be executed on a processor and thereby carry out the method described in this document.

Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden. Ferner sind in Klammern aufgeführte Merkmale als optionale Merkmale zu verstehen.It should be noted that the methods, devices and systems described in this document can be used both alone and in combination with other methods, devices and systems described in this document. Furthermore, any aspects of the methods, devices and systems described in this document can be combined with one another in a variety of ways. In particular, the features of the claims can be combined with one another in a variety of ways. Furthermore, features listed in brackets are to be understood as optional features.

Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen

  • 1a ein beispielhaftes Fahrzeug mit einer Fahrzeug-Komponente;
  • 1b einen beispielhaften Parameter-Datensatz zur Parametrierung einer Fahrzeug-Komponente;
  • 2a ein beispielhaftes neuronales Netz;
  • 2b ein beispielhaftes Neuron;
  • 3 ein beispielhaftes Generative Adversarial Network (GAN);
  • 4a eine beispielhafte maschinell-angelernte KI-Einheit zur Überprüfung eines Parameter-Datensatzes;
  • 4b eine beispielhafte maschinell-angelernte KI-Einheit zur Analyse der Parameter einer Fahrzeug-Komponente;
  • 4c eine beispielhafte maschinell-angelernte KI-Einheit zur Ermittlung eines Parameter-Datensatzes für eine Fahrzeug-Komponente; und
  • 5 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Parametrierung einer Fahrzeug-Komponente.
The invention is further described in more detail using exemplary embodiments. Show it
  • 1a an exemplary vehicle with a vehicle component;
  • 1b an exemplary parameter data set for parameterizing a vehicle component;
  • 2a an exemplary neural network;
  • 2 B an example neuron;
  • 3 an example Generative Adversarial Network (GAN);
  • 4a an exemplary machine-trained AI unit for checking a parameter data set;
  • 4b an exemplary machine-trained AI unit for analyzing the parameters of a vehicle component;
  • 4c an exemplary machine-trained AI unit for determining a parameter data set for a vehicle component; and
  • 5 a flowchart of an exemplary method for parameterizing a vehicle component.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der effizienten und präzisen Parametrierung einer Fahrzeug-Komponente. In diesem Zusammenhang zeigt 1a ein beispielhaftes Fahrzeug 100 mit einem Audiowiedergabesystem 105 als Beispiel für eine parametrierbare Fahrzeug-Komponente. Das Audiowiedergabesystem 105 umfasst ein Steuergerät 101 zur Steuerung der Audiowiedergabe, eine Benutzerschnittstelle 103 zur Interaktion mit einem Nutzer und mehrere unterschiedliche Lautsprecher 102. Es sei darauf hingewiesen, dass die in diesem Dokument beschriebenen Aspekte allgemein für eine parametrierbare Fahrzeug-Komponente 105 anwendbar sind.As explained at the beginning, this document deals with the efficient and precise parameterization of a vehicle component. In this context shows 1a an exemplary vehicle 100 with an audio playback system 105 as an example of a parameterizable vehicle component. The audio playback system 105 includes a control device 101 for controlling audio playback, a user interface 103 for interacting with a user and several different speakers 102. It should be noted that the aspects described in this document are generally applicable to a parameterizable vehicle component 105.

Für den Betrieb des Audiowiedergabesystems 105 in dem Fahrzeug 100 kann im Rahmen der Entwicklung, wie beispielhaft in 1b dargestellt, ein Parameter-Datensatz 110 erstellt werden, der Parameterwerte für eine Vielzahl von unterschiedlichen Parametern 111 aufweist. Beispielhafte Parameter 111 für ein Audiowiedergabesystem 105 sind Filtereinstellungen, Gain-Einstellungen, Equalizer-Einstellungen, etc. Ein Parameter-Datensatz 110 kann z.B. als Vektor betrachtet werden, der für jeden Parameter 111 jeweils einen Vektoreintrag aufweist. Ein Parameter-Datensatz 110 kann z.B. 1000 oder mehr, oder 10000 oder mehr Vektoreinträge bzw. Parameter 111 aufweisen.For the operation of the audio playback system 105 in the vehicle 100, as part of the development, as exemplified in 1b shown, a parameter data set 110 can be created, which has parameter values for a large number of different parameters 111. Example parameters 111 for an audio playback system 105 are filter settings, gain settings, equalizer settings, etc. A parameter data set 110 can, for example, be viewed as a vector that has a vector entry for each parameter 111. A parameter data set 110 can, for example, have 1000 or more, or 10000 or more vector entries or parameters 111.

Die Parameterwerte für die Parameter 111 des Parameter-Datensatzes 110 können durch menschliche Experten verändert werden, und die (perzeptuelle) Güte des Betriebs des Audiowiedergabesystems 105 kann in Tests begutachtet werden. Dabei kann das Audiowiedergabesystem 105 eingerichtet sein, ein Audiosignal in dem Fahrzeug 100 wiederzugeben. Ferner kann das Audiowiedergabesystem 105 ausgebildet sein, ein (wiederzugebendes) Audiosignal zu erzeugen und/oder zu synthetisieren. Die Parameterwerte für die Parameter 111 des Parameter-Datensatzes 110 können sich zumindest teilweise auf die Erzeugung und/oder zumindest teilweise auf die Wiedergabe eines Audiosignals beziehen.The parameter values for the parameters 111 of the parameter data set 110 can be changed by human experts, and the (perceptual) quality of the operation of the audio playback system 105 can be assessed in tests. The audio playback system 105 can be set up to play an audio signal in the vehicle 100. Furthermore, the audio playback system 105 can be designed to generate and/or synthesize an audio signal (to be played back). The parameter values for the parameters 111 of the parameter data set 110 can relate at least partially to the generation and/or at least partially to the playback of an audio signal.

Im Rahmen der Entwicklung kann so eine Vielzahl von unterschiedlichen Parameter-Datensätzen (mit jeweils unterschiedlichen Kombinationen von Parameterwerten) ermittelt werden. Ferner kann für jeden Parameter-Datensatz jeweils Güteinformation in Bezug auf die Güte des Audiowiedergabesystems 105 mit dem jeweiligen Parameter-Datensatz ermittelt werden. Die Güteinformation für einen Parameter-Datensatz 110 kann als Label für den Parameter-Datensatz 110 betrachtet werden.As part of the development, a large number of different parameter data sets (each with different combinations of parameter values) can be determined. Furthermore, for each parameter data set, quality information relating to the quality of the audio reproduction system 105 can be determined with the respective parameter data set. The quality information for a parameter data set 110 can be viewed as a label for the parameter data set 110.

Eine Fahrzeug-Komponente 105 kann ggf. unterschiedliche Varianten aufweisen (z.B. für unterschiedliche Komfort- und/oder Qualitätslevel). Ferner kann die Fahrzeug-Komponente 105 in unterschiedliche Fahrzeug-Modelle bzw. FahrzeugKlassen verbaut werden. Des Weiteren kann die Fahrzeug-Komponente 105 (ggf. in jeweils abgewandelter Form) in unterschiedlichen Fahrzeug-Generationen verbaut werden. Als Folge daraus kann eine relativ hohe Anzahl von unterschiedlichen (bekannten) Parameter-Datensätzen 110 (jeweils mit Güteinformation) bereitgestellt werden. Diese (bekannten) Parameter-Datensätze 110 können als Basis genutzt werden, um in besonders effizienter zielgerichteter und/oder qualitativ hochwertiger Weise einen neuen Parameter-Datensatzes 110 für eine neue Komponenten-Variante, für ein neues Fahrzeug-Modell und/oder für eine neue Fahrzeug-Generation zu ermitteln. In diesem Zusammenhang kann künstliche Intelligenz, etwa in Form von maschinell-angelernten neuronalen Netzen, verwendet werden.A vehicle component 105 may have different variants (e.g. for different levels of comfort and/or quality). Furthermore, the vehicle component 105 can be installed in different vehicle models or vehicle classes. Furthermore, the vehicle component 105 (possibly in a modified form) can be installed in different vehicle generations. As a result, a relatively high number of different (known) parameter data sets 110 (each with quality information) can be provided. These (known) parameter data sets 110 can be used as a basis for creating a new parameter data set 110 for a new component variant, for a new vehicle model and/or for a new one in a particularly efficient, targeted and/or high-quality manner Determine vehicle generation. In this context, artificial intelligence, for example in the form of machine-learned neural networks, can be used.

2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211. Allgemein kann das Netz 200 ausgebildet sein, Eingangsdaten mit ein oder mehreren Eingangswerten 201 (z.B. die einzelnen Parameterwerte eines Parameter-Datensatzes 110) aufzunehmen. 2a and 2 B show exemplary components of a neural network 200, in particular a feedforward network. In the example shown, the network 200 comprises two input neurons or input nodes 202, each of which receives a current value of an input variable as an input value 201 at a specific time t. The one or more input nodes 202 are part of an input layer 211. In general, the network 200 can be designed to record input data with one or more input values 201 (eg the individual parameter values of a parameter data set 110).

Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln. Allgemein kann das Netz 200 ausgebildet sein, Ausgangsdaten mit ein oder mehreren Ausgangswerten 203 bereitzustellen.The neural network 200 further includes neurons 220 in one or more hidden layers 212 of the neural network 200. Each of the neurons 220 can have as input values the individual output values of the neurons of the previous layer 212, 211 (or at least a part thereof). Processing takes place in each of the neurons 220 in order to determine an output value of the neuron 220 depending on the input values. The output values of the neurons 220 of the last hidden layer 212 can be processed in an output neuron or output node 220 of an output layer 213 to determine the one or more output values 203 of the neural network 200. In general, the network 200 can be designed to provide output data with one or more output values 203.

2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden. 2 B illustrates the exemplary signal processing within a neuron 220, in particular within the neurons 202 of the one or more hidden layers 212 and/or the output layer 213. The input values 221 of the neuron 220 are weighted with individual weights 222 in order to produce a weighted one in a sum unit 223 To determine the sum 224 of the input values 221 (if necessary taking into account a bias or offset 227). The weighted sum 224 can be mapped to an output value 226 of the neuron 220 using an activation function 225. The activation function 225 can, for example, limit the value range. For a neuron 220, for example, a sigmoid function or a hyperbolic tangent (tanh) function or a Rectified Linear Unit (ReLU), for example f(x) = max(0, x) can be used as the activation function 225. If necessary, the value of the weighted sum 224 can be shifted with an offset 227.

Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion approximiert und/oder ein bestimmtes Verhalten modelliert.A neuron 220 thus has weights 222 and/or possibly an offset 227 as neuron parameters. The neuron parameters of the neurons 220 of a neural network 200 can be trained in a training phase to cause the neural network 200 to approximate a specific function and/or model a specific behavior.

Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer q-ten Epoche eines Lernalgorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 einer bestimmten Trainingsmenge von Daten-Stichproben (z.B. einer bestimmten Menge von Parameter-Datensätzen 110) entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Fehlerwert einer Optimierungs- bzw. Fehlerfunktion ermittelt werden. Insbesondere können die Abweichungen zwischen den von dem Netz 200 berechneten Ausgangswerten 203 und dem Soll-Ausgangswerten aus den Daten-Stichproben als Fehlerwerte berechnet werden.The training of a neural network 200 can be done, for example, using the backpropagation algorithm. For this purpose, in a first phase of a q-th epoch of a learning algorithm for the input values 201 at the one or more input nodes 202 of the neural network 200 of a specific training set of data samples (e.g. a specific set of parameter data sets 110) corresponding output values 203 are determined at the output of the one or more output neurons 220. Based on the output values 203, the error value of an optimization or error function can be determined. In particular, the deviations between the output values 203 calculated by the network 200 and the target output values from the data samples can be calculated as error values.

In einer zweiten Phase der q-ten Epoche des Lernalgorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes 200, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lernalgorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.In a second phase of the qth epoch of the learning algorithm, the error or the error value is backpropagated from the output to the input of the neural network 200 in order to change the neuron parameters of the neurons 220 layer by layer. The error function determined at the output can be partially derived according to each individual neuron parameter of the neural network 200 in order to determine an extent and/or a direction for adapting the individual neuron parameters. This learning algorithm can be repeated iteratively for a variety of epochs until a predefined convergence and/or termination criterion is reached.

In dem vorliegenden Fall kann die Vielzahl von unterschiedlichen Parameter-Datensätzen 110 (zusammen mit der jeweiligen Güteinformation als Soll-Ausgangswerte 203) verwendet werden, um ein oder mehrere neuronale Netze 200 anzulernen, die in einer KI-Einheit verwendet werden können, um die Parametrierung einer Fahrzeug-Komponente 105 zu unterstützen.In the present case, the multitude of different parameter data sets 110 (together with the respective quality information as target output values 203) can be used to train one or more neural networks 200, which can be used in an AI unit to carry out the parameterization a vehicle component 105 to support.

4a zeigt eine beispielhafte maschinell-angelernte KI-Einheit 400, die eingerichtet ist, einen neuen Parameter-Datensatz 401, der z.B. im Rahmen der Integration einer Fahrzeug-Komponente 105 in ein Fahrzeug 100 eines neuen Fahrzeug-Modells und/oder einer neuen Fahrzeug-Generation erstellt wurde, zu analysieren. Dabei kann die KI-Einheit 400 ausgebildet sein, geschätzte Güteinformation 403 für den neuen Parameter-Datensatz 401 zu ermitteln. Die geschätzte Güteinformation 403 kann z.B. (ggf. in binärer Weise) anzeigen, ob die Güte der Fahrzeug-Komponente 105 bei Nutzung des neuen Parameter-Datensatzes 401 ausreichend hoch sein wird. Die KI-Einheit 400 kann die Entwicklung dahingehend unterstützen, dass in effizienter Weise überprüft werden kann, ob es überhaupt sinnvoll ist, einen neu erstellten Parameter-Datensatz 401 an einem Prüfstand der Fahrzeug-Komponente 105 zu testen. So kann der Entwicklungsaufwand wesentlich reduziert werden. 4a shows an exemplary machine-trained AI unit 400, which is set up, a new parameter data set 401, for example as part of the integration of a vehicle component 105 into a vehicle 100 of a new vehicle model and/or a new vehicle generation was created to analyze. The AI unit 400 can be designed to determine estimated quality information 403 for the new parameter data set 401. The estimated quality information 403 can, for example, indicate (possibly in a binary manner) whether the quality of the vehicle component 105 will be sufficiently high when using the new parameter data set 401. The AI unit 400 can support the development in such a way that it can be checked in an efficient manner whether it actually makes sense to test a newly created parameter data set 401 on a test bench of the vehicle component 105. In this way, the development effort can be significantly reduced.

Wie weiter oben dargelegt, wird eine Fahrzeug-Komponente 105, die eine elektronische Steuereinheit 101 aufweist, typischerweise speziell auf die jeweilige Fahrzeugart und/oder Fahrzeugausprägung konfiguriert und abgestimmt. Dies geschieht bei einer komplexen Fahrzeug-Komponente 105 über die Bedatung von vielen tausend Parametern 111 (d.h. durch die Erstellung eines Parameter-Datensatzes 110). Über mehrere Fahrzeugarten und Ausprägungen können so mehrere tausend Datensätze 110 erstellt worden sein. Dabei können die Anzahl und/oder die Art der Parameter 111 in den Datensätzen 110 zumindest teilweise unterschiedlich sein. Ggf. können einzelne Parameter 111 bei einzelnen Datensätzen 110 nicht vorhanden sein oder eine andere Bedeutung aufweisen.As explained above, a vehicle component 105, which has an electronic control unit 101, is typically configured and tailored specifically to the respective type of vehicle and/or vehicle characteristics. In the case of a complex vehicle component 105, this happens by entering many thousands of parameters 111 (i.e. by creating a parameter data set 110). Several thousand data sets 110 may have been created across several vehicle types and characteristics. The number and/or the type of parameters 111 in the data sets 110 can be at least partially different. If necessary, individual parameters 111 may not be present in individual data sets 110 or may have a different meaning.

Durch die große Anzahl der Parameter 111 ist eine nominelle, formale Überprüfung typischerweise nicht durchführbar. Ferner können meist keine analytischen und/oder formalen Regeln für die Wahl der Parameterwerte der einzelnen Parameter 111 definiert werden.Due to the large number of parameters 111, a nominal, formal check is typically not possible. Furthermore, it is usually not possible to define analytical and/or formal rules for the choice of the parameter values of the individual parameters 111.

Wie in diesem Dokument dargelegt, kann aus einer Menge von bekannten und ggf. betriebsbewährten Datensätzen 110 eine KI-Einheit 400 angelernt werden, um Muster und/oder Strukturen zu erkennen. Damit wird ein Modell 400 erzeugt, das als Referenz für betriebsbewährte Datensätze 110 dient. Ein neuer Datensatz 401 kann mit dem zuvor gebildeten Modell 400 verglichen werden und es kann dadurch ermittelt werden, ob der neue Datensatz 401 potentiell einem betriebsbewährten Datensatz entspricht oder nicht. Ggf. kann als Güteinformation 403 eine Prozentzahl angegeben werden, die der Wahrscheinlichkeit entspricht, mit der der neue Datensatz 401 der Betriebsbewährtheit entspricht. Ferner kann als Güteinformation 403 ggf. angegeben werden, in welchem Betriebsbereich der Fahrzeug-Komponente 105 der neue Datensatz 401 möglicherweise nicht der Betriebsbewährtheit entspricht.As explained in this document, an AI unit 400 can be trained from a set of known and possibly operationally proven data sets 110 in order to recognize patterns and/or structures. This creates a model 400 that serves as a reference for operationally proven data sets 110. A new data set 401 can be compared with the previously formed model 400 and it can thereby be determined whether the new data set 401 potentially corresponds to a tried and tested data set or not. If necessary, a percentage number can be specified as quality information 403, which corresponds to the probability with which the new data record 401 corresponds to operational reliability. Furthermore, as quality information 403, it may be indicated in which operating range of the vehicle component 105 the new data record 401 may not correspond to the operational provenance.

Im Rahmen einer Fahrzeugapplikation kann somit ein neuer Datensatz 401 erstellt werden, der mit der in diesem Dokument beschriebenen KI-Einheit 400 auf Plausibilität geprüft werden kann.As part of a vehicle application, a new data set 401 can thus be created, which can be checked for plausibility using the AI unit 400 described in this document.

Zum Anlernen der KI-Einheit 400 kann die Vielzahl von (bekannten) Parameter-Datensätzen 110 mit der entsprechenden Güteinformation als Trainingsdaten verwendet werden. Dabei kann die Güteinformation für einen Parameter-Datensatz 110 dem Soll-Ausgangswert 203 der KI-Einheit 400 entsprechen, der von der KI-Einheit 400 bereitgestellt werden sollte, wenn der Parameter-Datensatz 110 als Eingangswert 201 an die KI-Einheit 400 übergeben wird.To train the AI unit 400, the large number of (known) parameter data sets 110 with the corresponding quality information can be used as training data. The quality information for a parameter data set 110 can correspond to the target output value 203 of the AI unit 400, which should be provided by the AI unit 400 when the parameter data set 110 is transferred to the AI unit 400 as an input value 201 .

4b zeigt eine beispielhafte maschinell-angelernte KI-Einheit 410, die ausgebildet ist, einen Parameter-Datensatz 110 für eine Fahrzeug-Komponente 105 dahingehend zu analysieren, welche Teilmenge von Parametern 111 einen wesentlichen Einfluss auf die Güte der Fahrzeug-Komponente 105 hat, und welche (komplementäre) Teilmenge von Parametern 111 keinen wesentlichen Einfluss auf die Güte der Fahrzeug-Komponente 105 hat. Die KI-Einheit 410 kann z.B. ausgebildet sein, als Eingangswert 201, 411 einen Parameter-Datensatz 110 aufzunehmen. Als Ausgangswert 203, 413 kann ggf. für jeden einzelnen Parameter 111 des Parameter-Datensatzes 110 ein Indikator (z.B. ein Wert zwischen 0 und 1) für die Relevanz des jeweiligen Parameters 111 für die Güte der Fahrzeug-Komponente 105 bereitgestellt werden. 4b shows an exemplary machine-trained AI unit 410, which is designed to analyze a parameter data set 110 for a vehicle component 105 to determine which subset of parameters 111 has a significant influence on the quality of the vehicle component 105, and which ones (complementary) subset of parameters 111 has no significant influence on the quality of the vehicle component 105. The AI unit 410 can, for example, be designed to record a parameter data set 110 as an input value 201, 411. As an initial value 203, 413, an indicator (eg a value between 0 and 1) for the relevance of the respective parameter 111 for the quality of the vehicle component 105 can optionally be provided for each individual parameter 111 of the parameter data set 110.

Die KI-Einheit 410 kann auf Basis der Vielzahl von Parameter-Datensätzen 110 mit der jeweiligen Güteinformation angelernt worden sein.The AI unit 410 can have been trained based on the large number of parameter data sets 110 with the respective quality information.

Es kann angenommen werden, dass Parameter 111 mit einem signifikanten Einfluss auf das Verhalten und/oder auf die Güte einer Fahrzeug-Komponente 105 in einem Fahrzeug 100 eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation auch einen signifikanten Einfluss für ein Fahrzeug 100 eines anderen Fahrzeug-Modells und/oder einer anderen Fahrzeug-Generation aufweisen. Dabei ist typischerweise nicht bekannt, welche Parameter 111 einen wesentlichen Einfluss aufweisen und welche nicht. Ferner sind typischerweise auch keine Abhängigkeiten der Parameter 111 untereinander und/oder keine Kreuzwirkungen der Parameter 111 bekannt. Außerdem sind die Pflege und/oder Verwaltung von Datensätzen 110 mit jeweils einer hohen Anzahl von Parametern 111 mit einem relativ hohen Aufwand verbunden. Des Weiteren ist die Abstimmung eines Parameter-Datensatzes 110 auf ein neues Fahrzeug-Modell und/oder auf eine neue Fahrzeug-Generation typischerweise mit einem relativ hohen Aufwand verbunden, da eine Vielzahl von Parametern 111 und ggf. alle Parameter 111 überprüft und ggf. angepasst werden müssen.It can be assumed that parameters 111 with a significant influence on the behavior and/or on the quality of a vehicle component 105 in a vehicle 100 of a specific vehicle model and/or a specific vehicle generation also have a significant influence on a vehicle 100 of a different vehicle model and/or a different vehicle generation. It is typically not known which parameters 111 have a significant influence and which do not. Furthermore, there are typically no known dependencies between the parameters 111 and/or no cross-effects between the parameters 111. In addition, the maintenance and/or management of data sets 110, each with a large number of parameters 111, involves a relatively high level of effort. Furthermore, the coordination of a parameter data set 110 to a new vehicle model and/or to a new vehicle generation typically involves a relatively high level of effort, since a large number of parameters 111 and possibly all parameters 111 are checked and, if necessary, adjusted Need to become.

Anhand einer KI-Einheit 410 können Strukturen in den gegebenen Datensätzen 110 erkannt werden. Eine Struktur wird z.B. durch Parameter 111 definiert, die sich über die Gesamtheit der Datensätze 110 selten oder häufig ändern, oder durch Parameter 111, die sich über die Gesamtheit der Datensätze 110 nur wenig oder signifikant ändern. Die KI-Einheit 410 kann ferner ausgebildet sein, zu erkennen, zwischen welchen Parametern 111 Abhängigkeiten bestehen. Dies sind beispielsweise Parameter 111, deren Werte sich häufig miteinander verändern. Die KI-Einheit 410 kann eingerichtet sein, zu erkennen, welche Parameter 111 signifikant für die Güte der Fahrzeug-Komponente 105 sind, und welche keinen signifikanten Einfluss auf die Güte der Fahrzeug-Komponente 105 haben. Dies sind beispielsweise Parameter 111, die sich häufig miteinander verändern, wobei sich dabei ein erster Parameter 111 relativ zu einem anderen Parameter 111 in einem bestimmten Verhältnis verändert. Die KI-Einheit 410 kann eingerichtet sein, zu erkennen, welche Parameterkombinationen durch eine reduzierte Anzahl von Parametern 111 ersetzt werden können, z.B. indem die relativen Abhängigkeiten der Parameter 111 zueinander beschrieben werden.Using an AI unit 410, structures in the given data sets 110 can be recognized. A structure is defined, for example, by parameters 111, which change rarely or frequently across the entirety of the data sets 110, or by parameters 111, which change only slightly or significantly across the entirety of the data sets 110. The AI unit 410 can also be designed to recognize between which parameters 111 there are dependencies. These are, for example, parameters 111, whose values often change with each other. The AI unit 410 can be set up to recognize which parameters 111 are significant for the quality of the vehicle component 105 and which have no significant influence on the quality of the vehicle component 105. These are, for example, parameters 111 that frequently change with one another, with a first parameter 111 changing in a certain ratio relative to another parameter 111. The AI unit 410 can be set up to recognize which parameter combinations can be replaced by a reduced number of parameters 111, for example by describing the relative dependencies of the parameters 111 to one another.

Es kann somit ermöglicht werden, bei der Anpassung einer Fahrzeug-Komponente 105 auf ein neues Fahrzeug-Modell und/oder auf eine neue Fahrzeug-Generation und/oder auf eine neue Fahrzeugklasse die Anzahl von Parametern 111 des Datensatzes 110 zu reduzieren, die überprüft und/oder eingestellt werden müssen. Es kann somit eine Reduktion der Parameter 111 und/oder eine Fokussierung der Anpassung auf wenige, signifikante Parameter 111 ermöglicht werden.It can thus be made possible, when adapting a vehicle component 105 to a new vehicle model and/or to a new vehicle generation and/or to a new vehicle class, to reduce the number of parameters 111 of the data record 110 that are checked and /or need to be adjusted. A reduction of the parameters 111 and/or a focusing of the adaptation on a few, significant parameters 111 can thus be made possible.

4c zeigt eine beispielhafte KI-Einheit 420, die eingerichtet ist, auf Basis von einer Wertekombination für Werte von ein oder mehreren Kontextparametern 421 einen Parameter-Datensatz 423 für eine Fahrzeug-Komponente 423 zu generieren. Die ein oder mehreren Kontextparameter 421 können dabei den Kontext beschreiben, in dem die Fahrzeug-Komponente 105 genutzt werden soll, wie z.B. das Fahrzeug-Modell, die Variante der Fahrzeug-Komponente 423, die Fahrzeug-Generation, etc. Der von der KI-Einheit 420 generierte Parameter-Datensatz 423 kann dabei derart generiert werden, dass der Parameter-Datensatz 423 mit einer relativ hohen Wahrscheinlichkeit eine ausreichend hohe Güte der Fahrzeug-Komponente 105 in dem durch die Wertekombination der ein oder mehreren Kontextparameter 421 beschriebenen Kontext bewirkt. 4c shows an exemplary AI unit 420, which is set up to generate a parameter data set 423 for a vehicle component 423 based on a combination of values for values of one or more context parameters 421. The one or more context parameters 421 can describe the context in which the vehicle component 105 is to be used, such as the vehicle model, the variant of the vehicle component 423, the vehicle generation, etc. The one determined by the AI The parameter data set 423 generated by the unit 420 can be generated in such a way that the parameter data set 423, with a relatively high probability, results in a sufficiently high quality of the vehicle component 105 in the context described by the combination of values of the one or more context parameters 421.

Die KI-Einheit 420 kann unter anderem mittels eines Generative Adversarial Networks (GAN) angelernt werden. Alternativ oder ergänzend kann ein Gaussian Process Regression (GPR) Modell zum Anlernen der KI-Einheit 420 verwendet werden. 3 zeigt ein beispielhaftes GAN 300 mit einem Generator-Netzwerk 301 und einem Diskriminator-Netzwerk 302. Wie bereits oben dargelegt, stelle ein GAN 300 eine Möglichkeit zum Anlernen der KI-Einheit 420 dar, die im Folgenden beispielhaft beschrieben wird.The AI unit 420 can be trained using, among other things, a Generative Adversarial Network (GAN). Alternatively or additionally, a Gaussian Process Regression (GPR) model can be used to train the AI unit 420. 3 shows an exemplary GAN 300 with a generator network 301 and a discriminator network 302. As already explained above, a GAN 300 represents a possibility for training the AI unit 420, which is described below as an example.

Das Generator-Netzwerk 301 kann derart angelernt werden, dass das Generator-Netzwerk 301 ausgebildet ist, für Stichproben-Wertekombinationen 311 der ein oder mehreren Kontextparameter 421 einen synthetischen Parameter-Datensatz 312 zu generieren, der zumindest statistisch von dem Diskriminator-Netzwerk 302 nicht von einem realen Parameter-Datensatz 321 aus der Menge 320 von realen Parameter-Datensätzen 110 unterschieden werden kann. Das Diskriminator-Netzwerk 302 ist ausgebildet, jeweils zwei Parameter-Datensätze 312, 321 am Eingang aufzunehmen, und jeweils zu entscheiden, welche der beiden Parameter-Datensätze 312, 321 der reale Parameter-Datensatz ist. Das Generator-Netzwerk 301 kann derart angelernt werden, dass die Entscheidung 303 des Diskriminator-Netzwerkes 302 (genau) in 50% der Fälle auf den jeweils synthetischen Parameter-Datensatz 312 fällt.The generator network 301 can be trained in such a way that the generator network 301 is designed to generate a synthetic parameter data set 312 for sample value combinations 311 of the one or more context parameters 421, which is at least statistically different from the discriminator network 302 a real parameter data set 321 from the set 320 can be distinguished from real parameter data sets 110. The discriminator network 302 is designed to receive two parameter data sets 312, 321 at the input and to decide which of the two parameter data sets 312, 321 is the real parameter data set. The generator network 301 can be trained in such a way that the decision 303 of the discriminator network 302 (exactly) falls on the respective synthetic parameter data set 312 in 50% of the cases.

Zum Anlernen des GANs 300 kann der in Zusammenhang mit den 2a und 2b dargelegte Lern-Algorithmus verwendet werden. Dabei kann zum Anlernen des Diskriminator-Netzwerkes 302 eine Fehlerfunktion verwendet werden, die darauf gerichtet ist, die Wahrscheinlichkeit dafür zu erhöhen, dass sich das Diskriminator-Netzwerk 302 für den realen Parameter-Datensatz 321 entscheidet. Andererseits wird zum Anlernen des Generator-Netzwerkes 301 eine Fehlerfunktion verwendet werden, die darauf gerichtet ist, die Wahrscheinlichkeit dafür zu erhöhen, dass sich das Diskriminator-Netzwerk 302 für den synthetischen Parameter-Datensatz 312 entscheidet. Als Trainingsdaten kann die Vielzahl von Parameter-Datensätzen 110 verwendet werden, die im Rahmen der vorhergehenden Fahrzeugentwicklungen erstellt wurden. Das angelernte Generator-Netzwerkes 301 kann dann als KI-Einheit 420 verwendet werden.To train the GAN 300, it can be used in conjunction with the 2a and 2 B The learning algorithm described can be used. An error function can be used to train the discriminator network 302, which is aimed at increasing the probability that the discriminator network 302 will choose the real parameter data set 321. On the other hand, to train the generator network 301, an error function will be used, which is aimed at increasing the probability that the discriminator network 302 will choose the synthetic parameter data set 312. The large number of parameter data sets 110 that were created as part of previous vehicle developments can be used as training data. The trained generator network 301 can then be used as an AI unit 420.

Wie eingangs dargelegt, wird eine Fahrzeug-Komponente 105 typischerweise in relativ aufwändigen Versuchen und Abstimmungen bedatet. Hierbei werden die einzelnen Parameter 111 bei einem Audiowiedergabesystem z.B. von erfahrenen Sound-Ingenieuren verstellt, so dass die Güte des Audiowiedergabesystems einem bestimmten Zielbild entspricht. Das Zielbild kann z.B. auf der Erfahrung des Sound-Ingenieurs und auf Erfahrungen aus dem Betrieb in unterschiedlichen Fahrzeugen 100 beruhen.As explained at the beginning, a vehicle component 105 is typically dataed in relatively complex tests and coordination. Here, the individual parameters 111 in an audio playback system are adjusted, for example by experienced sound engineers, so that the quality of the audio playback system corresponds to a specific target image. The target image can be based, for example, on the experience of the sound engineer and on experiences from operation in different vehicles 100.

Wenn die Fahrzeug-Komponente 105 für ein neues Fahrzeug 100 bedatet werden soll, muss typischerweise im Rahmen einer weiteren Versuchsreihe ein neuer Parameter-Datensatz 110 ermittelt werden, auch wenn das Fahrzeug 100 aufgrund seiner Attribute (d.h. aufgrund der Werte der ein oder mehreren Kontextparameter 421) einer Fahrzeugklasse entspricht, für die bereits ein Parameter-Datensatz 110 ermittelt wurde.If the vehicle component 105 is to be updated for a new vehicle 100, a new parameter data set 110 must typically be determined as part of a further series of tests, even if the vehicle 100 is based on its attributes (i.e. based on the values of the one or more context parameters 421 ) corresponds to a vehicle class for which a parameter data set 110 has already been determined.

Die Parameter-Datensätze 110 können in einer sortierten Form vorliegen, sodass bekannt ist, zu welcher Fahrzeugklasse und/oder Betriebsfunktion, die über ihre Attribute bestimmt ist, welche ein oder mehreren Datensätze 110 gehören. Die Datensätze 110 können zunächst klassifiziert werden. Dies kann z.B. mittels einer KI-Einheit 410 bewirkt werden, die eine Beziehung zwischen Parametern 111 bzw. Parametergruppe und Attribute 421 und dessen Attributausprägung herstellt. Ferner kann mittels einer KI-Einheit 420 ein Datensatz 423 für ein neues Fahrzeug generiert werden. Hierzu wird das neue Fahrzeug mittels der bekannten Attribute 421 beschrieben. Mittels der KI-Einheit 420 wird zu den Attributen 421 des neuen Fahrzeugs ein Datensatz 423 generiert, der Werte der einzelnen Parameter 111 bzw. der Parametergruppen aufweist. Mit Hilfe der KI-Einheit 400 kann der generierte Datensatz 423 plausibilisiert und validiert werden. So kann in effizienter Weise ein qualitativ hochwertiger Parameter-Datensatz 110, 423 generiert werden.The parameter data sets 110 can be in a sorted form so that it is known which vehicle class and/or operating function, which is determined via its attributes, which one or more data sets 110 belong to. The data sets 110 can first be classified. This can be achieved, for example, by means of an AI unit 410, which establishes a relationship between parameters 111 or parameter group and attributes 421 and its attribute expression. Furthermore, a data set 423 can be generated for a new vehicle using an AI unit 420. For this purpose, the new vehicle is described using the known attributes 421. Using the AI unit 420, a data set 423 is generated for the attributes 421 of the new vehicle, which has values of the individual parameters 111 or the parameter groups. With the help of the AI unit 400, the generated data set 423 can be checked for plausibility and validated. In this way, a high-quality parameter data set 110, 423 can be generated in an efficient manner.

5 zeigt ein Ablaufdiagramm eines beispielhaften (Computer-implementierten) Verfahrens 500 zur Parametrierung einer Fahrzeug-Komponente 105 für die Nutzung in Fahrzeugen 100 eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation. Das Verfahren 500 kann von einer Vorrichtung, z.B. von einem Server oder einem Computer, ausgeführt werden. 5 shows a flowchart of an exemplary (computer-implemented) method 500 for parameterizing a vehicle component 105 for use in vehicles 100 of a specific vehicle model and/or a specific vehicle generation. The procedure 500 may be executed by a device, such as a server or a computer.

Das Verfahren 500 umfasst das Ermitteln 501, auf Basis einer Vielzahl von bekannten Parameter-Datensätzen 110, einer maschinell-erlernten KI (künstliche Intelligenz)-Einheit 400, 410, 420. Die KI-Einheit 400, 410, 420 kann ein oder mehrere maschinell-angelernte, neuronale Netze 200 umfassen. Dabei kann die Vielzahl von bekannten Parameter-Datensätzen 110 als Trainingsdaten verwendet werden.The method 500 includes determining 501, based on a large number of known parameter data sets 110, a machine-learned AI (artificial intelligence) unit 400, 410, 420. The AI unit 400, 410, 420 can be one or more machine-based -semi-trained neural networks 200 include. The large number of known parameter data sets 110 can be used as training data.

Die Vielzahl von bekannten Parameter-Datensätzen 110 kann (anhand von menschlichen Experten) im Vorfeld ermittelt worden sein, für ein oder mehrere unterschiedliche Varianten der Fahrzeug-Komponente 105; für ein oder mehrere unterschiedliche Fahrzeug-Modelle; und/oder für ein oder mehrere unterschiedliche Fahrzeug-Generationen. Die Vielzahl von bekannten Parameter-Datensätzen 110 kann dabei (statistisch und/oder empirisch) das Know-How von menschlichen Experten für die Parametrierung der Fahrzeug-Komponente 105 beschreiben.The large number of known parameter data sets 110 may have been determined in advance (using human experts) for one or more different variants of the vehicle component 105; for one or more different vehicle models; and/or for one or more different vehicle generations. The large number of known parameter data sets 110 can (statistically and/or empirically) describe the know-how of human experts for the parameterization of the vehicle component 105.

Das Verfahren 500 umfasst ferner das Ermitteln 502 der Parametrierung der Fahrzeug-Komponente 105 anhand der KI-Einheit 400, 410, 420. Dabei kann insbesondere anhand der KI-Einheit 400, 410, 420 ein bestimmter, neuer Parameter-Datensatz 110 ermittelt werden, der für den Betrieb der Fahrzeug-Komponente 105 in Fahrzeugen 100 des bestimmten Fahrzeug-Modells und/oder der bestimmten Fahrzeug-Generation genutzt werden kann (um einen Betrieb der Fahrzeug-Komponente 105 mit einer ausreichend hohen Güte zu bewirken).The method 500 further includes determining 502 the parameterization of the vehicle component 105 using the AI unit 400, 410, 420. In particular, a specific, new parameter data set 110 can be determined using the AI unit 400, 410, 420, which can be used for the operation of the vehicle component 105 in vehicles 100 of the specific vehicle model and/or the specific vehicle generation (in order to effect operation of the vehicle component 105 with a sufficiently high quality).

Durch die in diesem Dokument beschriebenen Maßnahmen kann eine besonders effiziente und präzise Parametrierung einer Fahrzeug-Komponente 105 bewirkt werden.The measures described in this document enable a particularly efficient and precise parameterization of a vehicle component 105 to be achieved.

Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur beispielhaft das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.The present invention is not limited to the exemplary embodiments shown. In particular, it should be noted that the description and the figures are only intended to illustrate the principle of the proposed methods, devices and systems by way of example.

Claims (12)

Vorrichtung zur Parametrierung einer Fahrzeug-Komponente (105) für eine Nutzung in Fahrzeugen (100) eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation; wobei die Vorrichtung eingerichtet ist, - auf Basis einer Vielzahl von bekannten Parameter-Datensätzen (110) eine maschinell-erlernte KI-Einheit (400, 410, 420) zu ermitteln; wobei die Vielzahl von bekannten Parameter-Datensätzen (110) im Vorfeld ermittelt wurde, für - ein oder mehrere unterschiedliche Varianten der Fahrzeug-Komponente (105); - ein oder mehrere unterschiedliche Fahrzeug-Modelle; und/oder - ein oder mehrere unterschiedliche Fahrzeug-Generationen; und - die Parametrierung der Fahrzeug-Komponente (105) anhand der KI-Einheit (400, 410, 420) durchzuführen.Device for parameterizing a vehicle component (105) for use in vehicles (100) of a specific vehicle model and/or a specific vehicle generation; wherein the device is set up, - to determine a machine-learned AI unit (400, 410, 420) based on a large number of known parameter data sets (110); wherein the large number of known parameter data sets (110) were determined in advance, for - one or more different variants of the vehicle component (105); - one or more different vehicle models; and or - one or more different vehicle generations; and - carry out the parameterization of the vehicle component (105) using the AI unit (400, 410, 420). Vorrichtung gemäß Anspruch 1, wobei die Vorrichtung eingerichtet ist, im Rahmen der Parametrierung der Fahrzeug-Komponente (105) anhand der KI-Einheit (400, 410, 420) einen neuen Parameter-Datensatz (110) für die Fahrzeug-Komponente (105) für die Nutzung in Fahrzeugen (100) des bestimmten Fahrzeug-Modells und/oder der bestimmten Fahrzeug-Generation zu ermitteln.Device according to Claim 1 , wherein the device is set up, as part of the parameterization of the vehicle component (105), using the AI unit (400, 410, 420), a new parameter data set (110) for the vehicle component (105) for use in To determine vehicles (100) of the specific vehicle model and/or the specific vehicle generation. Vorrichtung gemäß einem der vorhergehenden Ansprüche, wobei die einzelnen bekannten Parameter-Datensätze (110) aus der Vielzahl von bekannten Parameter-Datensätzen (110) jeweils assoziiert sind, - mit Güteinformation (403) in Bezug auf eine Güte der Fahrzeug-Komponente (105) bei Betrieb mit dem jeweiligen bekannten Parameter-Datensatz (110); und/oder - mit Werten (311) für ein oder mehrere Kontextparameter (421), die einen Kontext beschreiben, für den der jeweilige bekannte Parameter-Datensatz (110) ermittelt wurde.Device according to one of the preceding claims, wherein the individual known parameter data sets (110) from the plurality of known parameter data sets (110) are each associated, - with quality information (403) relating to a quality of the vehicle component (105) when operating with the respective known parameter data set (110); and or - with values (311) for one or more context parameters (421), which describe a context for which the respective known parameter data set (110) was determined. Vorrichtung gemäß Anspruch 3, wobei die Vorrichtung eingerichtet ist, die KI-Einheit (400) anhand der Vielzahl von bekannten Parameter-Datensätzen (110) und anhand der entsprechenden Güteinformation (403) derart anzulernen, dass die KI-Einheit (400) ausgebildet ist, für einen neuen Parameter-Datensatz (401) entsprechende Güteinformation (403) zu prädizieren.Device according to Claim 3 , wherein the device is set up to train the AI unit (400) based on the large number of known parameter data sets (110) and based on the corresponding quality information (403) in such a way that the AI unit (400) is trained for a new one Predict the corresponding quality information (403) from the parameter data set (401). Vorrichtung gemäß Anspruch 4, wobei - die Güteinformation (403) in binärer Weise anzeigt, ob die Güte der Fahrzeug-Komponente (105) ausreichend ist oder nicht; und/oder - die Güteinformation (403) einen Indikator für eine Wahrscheinlichkeit anzeigt, dass die Güte der Fahrzeug-Komponente (105) bei Verwendung des neuen Parameter-Datensatzes (401) ausreichend sein wird; und/oder - die Güteinformation (403) ein oder mehrere Betriebsbereiche der Fahrzeug-Komponente (105) anzeigt, in denen die Güte der Fahrzeug-Komponente (105) bei Verwendung des neuen Parameter-Datensatzes (401) ausreichend sein wird oder nicht ausreichend sein wird.Device according to Claim 4 , wherein - the quality information (403) indicates in a binary manner whether the quality of the vehicle component (105) is sufficient or not; and/or - the quality information (403) indicates an indicator of a probability that the quality of the vehicle component (105) will be sufficient when using the new parameter data set (401); and/or - the quality information (403) indicates one or more operating ranges of the vehicle component (105) in which the quality of the vehicle component (105) will be sufficient or not sufficient when using the new parameter data set (401). becomes. Vorrichtung gemäß einem der Ansprüche 3 bis 5, wobei die Vorrichtung eingerichtet ist, die KI-Einheit (420) anhand der Vielzahl von bekannten Parameter-Datensätzen (110) und anhand der entsprechenden Werte (311) für die ein oder mehreren Kontextparameter (421) derart anzulernen, insbesondere unter Verwendung eines Generative Adversarial Networks und/oder einer Gaussian Process Regression, dass die KI-Einheit (420) ausgebildet ist, für eine neue Wertekombination (311) der ein oder mehreren Kontextparameter (421) einen neuen Parameter-Datensatz (423) zu generieren.Device according to one of Claims 3 until 5 , wherein the device is set up to train the AI unit (420) based on the large number of known parameter data sets (110) and based on the corresponding values (311) for the one or more context parameters (421), in particular using a generative Adversarial Networks and/or a Gaussian Process Regression, that the AI unit (420) is trained to generate a new parameter data set (423) for a new combination of values (311) of the one or more context parameters (421). Vorrichtung gemäß Anspruch 6, wobei die Vorrichtung eingerichtet ist, - eine bestimmte Wertekombination (311) der ein oder mehreren Kontextparameter (421) für das bestimmte Fahrzeug-Modell und/oder für die bestimmte Fahrzeug-Generation und/oder für eine bestimmte Variante der Fahrzeug-Komponente (105) zu ermitteln; und - anhand der KI-Einheit (420) für die bestimmte Wertekombination (311) einen bestimmten Parameter-Datensatz (423) als Parametrierung für die Fahrzeug-Komponente (105) zu ermitteln.Device according to Claim 6 , wherein the device is set up - a specific combination of values (311) of the one or more context parameters (421) for the specific vehicle model and/or for the specific vehicle generation and/or for a specific variant of the vehicle component (105 ) to determine; and - using the AI unit (420) to determine a specific parameter data set (423) for the specific combination of values (311) as parameterization for the vehicle component (105). Vorrichtung gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung eingerichtet ist, die KI-Einheit (410) anhand der Vielzahl von bekannten Parameter-Datensätzen (110) derart anzulernen, dass die KI-Einheit (410) ausgebildet ist, für einen Parameter-Datensatz (411) einen Indikator (413) bereitzustellen, - der anzeigt, welchen Einfluss ein oder mehrere Parameter (111) aus dem Parameter-Datensatz (411) bei Verwendung des Parameter-Datensatzes (411) auf eine Güte der Fahrzeug-Komponente (105) haben; und/oder - der eine Abhängigkeit und/oder einen Zusammenhang zwischen unterschiedlichen Parametern (111) aus dem Parameter-Datensatz (411) anzeigt.Device according to one of the preceding claims, wherein the device is set up to train the AI unit (410) based on the plurality of known parameter data sets (110) in such a way that the AI unit (410) is designed for a parameter data set (411) to provide an indicator (413), - which indicates what influence one or more parameters (111) from the parameter data set (411) have on the quality of the vehicle component (105) when using the parameter data set (411); and or - which displays a dependency and/or a connection between different parameters (111) from the parameter data set (411). Vorrichtung gemäß einem der vorhergehenden Ansprüche, wobei die KI-Einheit (400, 410, 420) ein oder mehrere neuronale Netze (200, 301) umfasst, die anhand der Vielzahl von bekannten Parameter-Datensätzen (110) angelernt werden.Device according to one of the preceding claims, wherein the AI unit (400, 410, 420) comprises one or more neural networks (200, 301) which are trained based on the plurality of known parameter data sets (110). Vorrichtung gemäß einem der vorhergehenden Ansprüche, wobei - ein Parameter-Datensatz (110) Parameterwerte für eine Vielzahl von unterschiedlichen Parametern (111), insbesondere für 1000 oder mehr Parameter (111), umfasst; und - die Fahrzeug-Komponente (105) bei der Nutzung in einem Fahrzeug (100) mit den Parameterwerten aus dem Parameter-Datensatz (110) betrieben wird.Device according to one of the preceding claims, wherein - a parameter data set (110) comprises parameter values for a large number of different parameters (111), in particular for 1000 or more parameters (111); and - the vehicle component (105) is operated with the parameter values from the parameter data set (110) when used in a vehicle (100). Vorrichtung gemäß einem der vorhergehenden Ansprüche, wobei die Fahrzeug-Komponente (105) ein Audiowiedergabesystem umfasst.Device according to one of the preceding claims, wherein the vehicle component (105) comprises an audio reproduction system. Verfahren (500) zur Parametrierung einer Fahrzeug-Komponente (105) für eine Nutzung in Fahrzeugen (100) eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation; wobei das Verfahren (500) umfasst, - Ermitteln (501), auf Basis einer Vielzahl von bekannten Parameter-Datensätzen (110), einer maschinell-erlernten KI-Einheit (400, 410, 420); wobei die Vielzahl von bekannten Parameter-Datensätzen (110) im Vorfeld ermittelt wurde, für - ein oder mehrere unterschiedliche Varianten der Fahrzeug-Komponente (105); - ein oder mehrere unterschiedliche Fahrzeug-Modelle; und/oder - ein oder mehrere unterschiedliche Fahrzeug-Generationen; und - Ermitteln (502) der Parametrierung der Fahrzeug-Komponente (105) anhand der KI-Einheit (400, 410, 420).Method (500) for parameterizing a vehicle component (105) for use in vehicles (100) of a specific vehicle model and/or a specific vehicle generation; wherein the method (500) comprises, - Determine (501), based on a large number of known parameter data sets (110), a machine-learned AI unit (400, 410, 420); wherein the large number of known parameter data sets (110) were determined in advance, for - one or more different variants of the vehicle component (105); - one or more different vehicle models; and or - one or more different vehicle generations; and - Determining (502) the parameterization of the vehicle component (105) using the AI unit (400, 410, 420).
DE102022108135.4A 2022-04-05 2022-04-05 Method and device for parameterizing a vehicle component Pending DE102022108135A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102022108135.4A DE102022108135A1 (en) 2022-04-05 2022-04-05 Method and device for parameterizing a vehicle component

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022108135.4A DE102022108135A1 (en) 2022-04-05 2022-04-05 Method and device for parameterizing a vehicle component

Publications (1)

Publication Number Publication Date
DE102022108135A1 true DE102022108135A1 (en) 2023-10-05

Family

ID=88019220

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022108135.4A Pending DE102022108135A1 (en) 2022-04-05 2022-04-05 Method and device for parameterizing a vehicle component

Country Status (1)

Country Link
DE (1) DE102022108135A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019169421A1 (en) 2018-03-09 2019-09-12 Avl List Gmbh Method for determining a vehicle parameter of a vehicle data set of a vehicle, and use of the vehicle parameter at a test bench
DE102020102863A1 (en) 2020-02-05 2021-08-05 Festo Se & Co. Kg Parameterization of a component in the automation system
DE102017201728B4 (en) 2017-02-03 2022-02-17 Audi Ag Control device for generating control data for actuators for configuring an interior situation of a motor vehicle and motor vehicle and method for operating a control device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017201728B4 (en) 2017-02-03 2022-02-17 Audi Ag Control device for generating control data for actuators for configuring an interior situation of a motor vehicle and motor vehicle and method for operating a control device
WO2019169421A1 (en) 2018-03-09 2019-09-12 Avl List Gmbh Method for determining a vehicle parameter of a vehicle data set of a vehicle, and use of the vehicle parameter at a test bench
DE102020102863A1 (en) 2020-02-05 2021-08-05 Festo Se & Co. Kg Parameterization of a component in the automation system

Similar Documents

Publication Publication Date Title
DE102019217613A1 (en) METHOD OF DIAGNOSING AN ENGINE CONDITION AND DIAGNOSTIC MODELING METHOD FOR THEREOF
DE102018209595A1 (en) Method for automatically determining a road condition
EP3825796A1 (en) Method and device for ki-based operation of an automation system
DE102022108135A1 (en) Method and device for parameterizing a vehicle component
DE102018209108A1 (en) Fast fault analysis for machine learning technical devices
DE102019127908A1 (en) Method and device for parameterizing a vehicle function
DE102019201188A1 (en) Method for training and operating a multitasking artificial neural network, multitasking artificial neural network and device
DE102020119853B3 (en) Method for controlling an automation system with visualization of program objects of a control program of the automation system and automation system
EP3901713B1 (en) Method and device for operating a technical system with optimal model
DE202017105656U1 (en) Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system
WO1998034176A1 (en) Method for transforming a fuzzy logic used to simulate a technical process into a neural network
DE102022113831A1 (en) Method and device for parameterizing a vehicle component using inference
WO2020216622A1 (en) Detecting and removing noise in labels of learning data for trainable modules
EP3953865A1 (en) Method, device, and computer program for operating a deep neural network
WO2020216621A1 (en) Training trainable modules with learning data, the labels of which are subject to noise
DE102019130484A1 (en) Method and device for training an ensemble of neural networks
DE102017207036A1 (en) Method for computer-aided analysis of the operation of a production system
EP0814402A2 (en) Method for the design or for the adaption of a fuzzy controller, or a system of linked fuzzy controllers
WO2024041837A1 (en) Machine learning system for optical inspection
DE102022203834A1 (en) Method for training a machine learning algorithm taking into account at least one inequality condition
DE102021132542A1 (en) METHOD OF PROVIDING BIT FLIP ERRORS RESISTANT; PERTURBATION-RESISTANT AND COMPRESSED NEURAL NETWORK; COMPUTER PROGRAM; DRIVER ASSISTANCE SYSTEM
EP4339066A1 (en) Dynamics model for a rail vehicle
WO2022002866A1 (en) Method for controlling the production of a sheet metal component and method for producing a sheet metal component or a plurality of different sheet metal components
DE102020207921A1 (en) Method for setting up a vehicle simulation model
DE102022117313A1 (en) Design device and method for providing a 3D model for design development of an object

Legal Events

Date Code Title Description
R163 Identified publications notified