DE102022120831B3 - Method for estimating a range for a motor vehicle - Google Patents
Method for estimating a range for a motor vehicle Download PDFInfo
- Publication number
- DE102022120831B3 DE102022120831B3 DE102022120831.1A DE102022120831A DE102022120831B3 DE 102022120831 B3 DE102022120831 B3 DE 102022120831B3 DE 102022120831 A DE102022120831 A DE 102022120831A DE 102022120831 B3 DE102022120831 B3 DE 102022120831B3
- Authority
- DE
- Germany
- Prior art keywords
- data
- motor vehicle
- range
- achievable range
- achievable
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 27
- 238000013459 approach Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000002023 somite Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
Abstract
Die Erfindung betrifft ein Verfahren zum Abschätzen einer Reichweite für ein Kraftfahrzeug, aufweisend die folgenden Schritte:a. mittels einer Vielzahl von Sensoren, Erfassen von Daten (1) mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs;b. mittels eines externen Speichers (2), Sammeln und Vorhalten von den erfassten Daten (1) mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs; undc. mittels eines Prozessors, Abschätzen einer erzielbaren Reichweite eines Kraftfahrzeugs auf Basis von in dem externen Speicher (2) vorgehaltenen Daten (1) mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs,wobei der Prozessor mittels eines tiefen neuralen Netzwerks (3) mit einer Mehrzahl von Schichten (4,5,6,7) mithilfe der Daten (1) aus dem externen Speicher (2) ein hierarchisches Wissensmodell (8) erzeugt und damit eine individuelle erzielbare Reichweite abschätzt, undwobei der Prozessor mittels eines Maschinen-Lern-Algorithmus (9) eine Performance der Schätzung der erzielbaren Reichweite mithilfe einer gewichteten Ähnlichkeit der Daten (1) ermittelt,wobei dem tiefen neuronalen Netzwerk (3) die Daten (1) abhängig von der Performance zugeführt werden.Mit dem hier vorgeschlagenen Verfahren ist ein hoch-präzises Abschätzen einer erzielbaren Reichweite mit einem Kraftfahrzeug bereitstellbar.The invention relates to a method for estimating a range for a motor vehicle, comprising the following steps:a. by means of a large number of sensors, collecting data (1) that influences the achievable range of a motor vehicle; b. by means of an external memory (2), collecting and storing the recorded data (1) with an influence on the achievable range of a motor vehicle; andc. by means of a processor, estimating an achievable range of a motor vehicle based on data (1) held in the external memory (2) with an influence on an achievable range of a motor vehicle, the processor using a deep neural network (3) with a plurality of layers (4,5,6,7) creates a hierarchical knowledge model (8) using the data (1) from the external memory (2) and thus estimates an individual achievable range, and the processor uses a machine learning algorithm (9) a performance of the estimation of the achievable range is determined using a weighted similarity of the data (1), the deep neural network (3) being supplied with the data (1) depending on the performance. The method proposed here enables a high-precision estimation of a achievable range can be provided with a motor vehicle.
Description
Die Erfindung betrifft ein Verfahren zum Abschätzen einer Reichweite für ein Kraftfahrzeug, sowie ein Kraftfahrzeug mit einem solchen Verfahren.The invention relates to a method for estimating a range for a motor vehicle, and to a motor vehicle with such a method.
Mit dem Einzug der Elektromobilität ist die genaue Berechnung der verbleibenden (erzielbaren) Reichweite in Bereichen des elektrischen Verkehrs wie beispielsweise Elektrofahrzeugen, öffentlichen Verkehrsmitteln und Logistik äußerst wichtig geworden. Ein genaues Abschätzen der erzielbaren Reichweite (engl.: RE, Range Estimation) ist entscheidend für eine optimierte Routenplanung, die Vermeidung von Reichweitenangst und die Gewinnung neuer Kunden für den Umstieg von anderen Mobilitätsmitteln auf Elektrofahrzeuge.With the advent of electromobility, the precise calculation of the remaining (achievable) range in areas of electric transport such as electric vehicles, public transport and logistics has become extremely important. Accurately estimating the achievable range (RE, Range Estimation) is crucial for optimized route planning, avoiding range anxiety and attracting new customers to switch from other means of mobility to electric vehicles.
Derzeit wird das Abschätzen der Reichweite in den meisten Formen der Elektromobilität und insbesondere in E-Fahrzeugen durch die Verwendung entwickelter komplexer Modelle der Fahrzeugphysik durchgeführt, die die Energiequelle (die Batterie in E-Fahrzeugen) und den Motor enthalten. Dieser Ansatz liefert gute Ergebnisse in einer kontrollierten Umgebung. Allerdings sind diese Modelle extrem rechenaufwändig, was ihre Berechnung sehr langsam macht und es nahezu unmöglich macht, sie in Edge Devices des Fahrzeugs für eine Online-Reichweitenbestimmung einzusetzen. Darüber hinaus haben sich diese physikalischen Modelle als nicht robust und sehr unzureichend erwiesen, weil sie den Fahrer und alle mit ihm zusammenhängenden Eigenschaften, beispielsweise Standort und Fahrgewohnheiten, sowie die Umgebung bei dem Abschätzen der erzielbare Reichweite vernachlässigen. Daher ist die Gesamtleistung der physikbasierten Modelle zum Abschätzen der erzielbaren Reichweite relativ schlecht und muss verbessert werden.Currently, range estimation in most forms of electric mobility, and especially in electric vehicles, is carried out through the use of developed complex models of vehicle physics that include the energy source (the battery in electric vehicles) and the motor. This approach gives good results in a controlled environment. However, these models are extremely computationally intensive, which makes their calculation very slow and makes it almost impossible to use them in vehicle edge devices for online range determination. In addition, these physical models have proven to be not robust and very inadequate because they neglect the driver and all related characteristics, such as location and driving habits, as well as the environment when estimating the achievable range. Therefore, the overall performance of the physics-based models for estimating the achievable range is relatively poor and needs to be improved.
In jüngster Zeit ermöglichen die enormen Datenmengen, welche im Zusammenhang mit dem Internet der Dinge [engl.: IoT, Internet of Things) im Verkehrswesen gesammelt werden, und die Entwicklung von Kl-Algorithmen [künstliche Intelligenz] sowie Cloud-Technologien, die fehlenden wichtigen Faktoren in den Entwurf eines Modells zum Abschätzen der erzielbaren Reichweite einzubringen, nämlich die Benutzermerkmale und Umgebungsmerkmale. Die Komplexität ergibt sich jedoch, wenn man die Art des Problems in der KI-Modellarchitektur, der Datenverteilung und dem Trainingsschema berücksichtigt. Daher ist ein naiver datengesteuerter Ansatz ebenso wenig praktikabel wie ein rein physikbasierter Ansatz.Recently, the enormous amounts of data collected in connection with the Internet of Things in transportation and the development of artificial intelligence algorithms and cloud technologies have made it possible to fill in the important missing data Factors to incorporate into the design of a model for estimating the achievable range, namely user characteristics and environmental characteristics. However, the complexity arises when considering the nature of the problem in the AI model architecture, data distribution, and training scheme. Therefore, a naive data-driven approach is no more practical than a purely physics-based approach.
Hiervon ausgehend liegt der vorliegenden Erfindung die Aufgabe zugrunde, die aus dem Stand der Technik bekannten Nachteile zumindest teilweise zu überwinden. Die erfindungsgemäßen Merkmale ergeben sich aus den unabhängigen Ansprüchen, zu denen vorteilhafte Ausgestaltungen in den abhängigen Ansprüchen aufgezeigt werden. Die Merkmale der Ansprüche können in jeglicher technisch sinnvollen Art und Weise kombiniert werden, wobei hierzu auch die Erläuterungen aus der nachfolgenden Beschreibung sowie Merkmale aus den Figuren hinzugezogen werden können, welche ergänzende Ausgestaltungen der Erfindung umfassen.Proceeding from this, the present invention is based on the object of at least partially overcoming the disadvantages known from the prior art. The features according to the invention result from the independent claims, to which advantageous embodiments are shown in the dependent claims. The features of the claims can be combined in any technically sensible manner, for which the explanations from the following description and features from the figures, which include additional embodiments of the invention, can also be consulted.
Die Erfindung betrifft ein Verfahren zum Abschätzen einer Reichweite für ein Kraftfahrzeug, aufweisend die folgenden Schritte:
- a. mittels einer Vielzahl von Sensoren, Erfassen von Daten mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs;
- b. mittels eines externen Speichers, Sammeln und Vorhalten von den erfassten Daten mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs; und
- c. mittels eines Prozessors, Abschätzen einer erzielbaren Reichweite eines Kraftfahrzeugs auf Basis von in dem externen Speicher vorgehaltenen Daten mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs,
wobei der Prozessor mittels eines tiefen neuralen Netzwerks mit einer Mehrzahl von Schichten mithilfe der Daten aus dem externen Speicher ein hierarchisches Wissensmodell erzeugt und damit eine individuelle erzielbare Reichweite abschätzt, und
wobei der Prozessor mittels eines Maschinen-Lern-Algorithmus eine Performance der Schätzung der erzielbaren Reichweite mithilfe einer gewichteten Ähnlichkeit der Daten ermittelt,
wobei dem tiefen neuronalen Netzwerk die Daten abhängig von der Performance zugeführt werden.The invention relates to a method for estimating a range for a motor vehicle, comprising the following steps:
- a. using a variety of sensors, collecting data that influences the achievable range of a motor vehicle;
- b. by means of an external memory, collecting and storing the recorded data that influences the achievable range of a motor vehicle; and
- c. by means of a processor, estimating an achievable range of a motor vehicle based on data stored in the external memory that influences an achievable range of a motor vehicle,
wherein the processor uses a deep neural network with a plurality of layers to generate a hierarchical knowledge model using the data from the external memory and thus estimates an individual achievable range, and
wherein the processor uses a machine learning algorithm to determine the performance of the estimate of the achievable range using a weighted similarity of the data,
whereby the data is fed to the deep neural network depending on the performance.
In der vorhergehenden und nachfolgenden Beschreibung verwendete Ordinalzahlen dienen, sofern nicht explizit auf das Gegenteilige hingewiesen wird, lediglich der eindeutigen Unterscheidbarkeit und geben keine Reihenfolge oder Rangfolge der bezeichneten Komponenten wieder. Eine Ordinalzahl größer eins bedingt nicht, dass zwangsläufig eine weitere derartige Komponente vorhanden sein muss.Ordinal numbers used in the preceding and following descriptions, unless explicitly stated to the contrary, only serve to clearly distinguish them and do not reflect the order or ranking of the designated components. An ordinal number greater than one does not mean that another such component must necessarily be present.
Mittels des hier vorgeschlagenen Verfahrens ist ein vollautomatisches, kontinuierlich optimierendes Modell zum Abschätzen der erzielbaren Reichweite bereitgestellt. Hierzu beinhaltet das Verfahren neben dem ersten KI-Agent (tiefes neuronales Netzwerk, Wissensagent) einen zweiten KI-Agent (Maschinen-Lern-Algorithmus, Regulator-Agent). Der zweite KI-Agent (Regulator-Agent) ist dazu eingerichtet, die Aktionen des Wissensagenten zu regulieren, indem der Regulator-Agent einen Überblick über die Leistung aller personalisierten Modelle hat. Diese Architektur und ihr Zwei-Agenten-Konzept ermöglichen es, ein System zu schaffen, welches in der Lage ist, Fahrzeuge, Benutzer und die Umwelt in einer nachhaltig entwickelten Plattform gleichzeitig zu erfassen.Using the method proposed here, a fully automatic, continuously optimizing model is provided for estimating the achievable range. For this purpose, the method includes a second AI agent (machine learning algorithm, regulator agent) in addition to the first AI agent (deep neural network, knowledge agent). The second AI agent (regulator agent) is set up to regulate the actions of the knowledge agent by giving the regulator agent an overview of the performance of all personalized models. This architecture and its two-agent concept make it possible to create a system capable of simultaneously sensing vehicles, users and the environment in a sustainably developed platform.
Dieser neuartige Ansatz besteht also aus den folgenden KI-Agenten, welche im Tandem konzipiert sind und zusammenarbeiten:
- 1. der Wissensagent (tiefes neuronales Netzwerk) mit einem Design, welches von der hierarchischen Natur der für eine genaue erzielbare Reichweite erforderlichen Daten gespeist ist. Das Design basiert auf einer mehrschichtigen Architektur, bei welcher die (höheren) ersten Schichten erstellt und trainiert werden, um spezifische Attribute jedes Fahrzeugs zu erlernen (wie beispielsweise Fahrzeugtyp und/oder Fahrzeugmodell, Auswirkungen von Standort und Wetter sowie den persönlichen Fahrstil des Nutzers), während tiefere Schichten trainiert werden, um allgemeine Merkmale der Elektromobilität zu erlernen. Das bedeutet, dass bei jedem Trainingszyklus verschiedene Schichten des Modells mit unterschiedlichen Datensätzen trainiert werden, wobei die früheren (tieferen) Schichten in weniger Schritten mit dem Datensatz der gesamten Flotte trainiert werden und eingefroren bleiben.
- 1. the knowledge agent (deep neural network) with a design that is powered by the hierarchical nature of the data required for accurate achievable reach. The design is based on a multi-layered architecture, where the (higher) first layers are created and trained to learn specific attributes of each vehicle (such as vehicle type and/or vehicle model, effects of location and weather, and the user's personal driving style), while deeper layers are trained to learn general features of electromobility. This means that during each training cycle, different layers of the model are trained on different data sets, with the earlier (deeper) layers being trained in fewer steps on the entire fleet's data set and remaining frozen.
Darüber hinaus werden die späteren (höheren) Schichten mit einer Teilmenge der gesamten Flotte trainiert, welche die weniger allgemeinen Aspekte der Daten wie das Land (beispielsweise das Land der Zulassung oder in dem das Fahrzeug lokalisiert wird) und das Fahrzeugmodell repräsentieren. Die spezifischsten (obersten) Schichten werden nur mit den personalisierten Daten der einzelnen Nutzer trainiert. Dieser Transfer-Learning-Ansatz erzeugt so viele Modelle wie Fahrzeuge. Daher enthält jeder Wissensagent pro Benutzer die kollektive Weisheit der Flotte und ist gleichzeitig für jeden Benutzer personalisiert.
- 2. der Regulator-Agent, welcher über den Datenstrom im Wissensmodell für jedes Kraftfahrzeug entscheidet, ist abhängig von der Leistung des Wissensmodells für das jeweilige Kraftfahrzeug und der Menge der verfügbaren Daten. Der Wissensagent entscheidet auf der Grundlage von zwei Kriterien, wie viele Informationen zwischen den personalisierten Modellen der einzelnen Fahrzeuge ausgetauscht werden:
- (i) ein Ähnlichkeitsindex (SI) als gewichteter Durchschnitt zwischen allen Kraftfahrzeugen in Bezug auf die Ähnlichkeit ihrer Merkmale, wie in nachfolgender Gleichung (1) aufgezeigt, und
- (ii) ein Leistungsindexvektor (PI) als Hinweis auf die zwischen ähnlichen Benutzern geteilten Informationen unter Berücksichtigung der Genauigkeit ihrer entsprechenden Modelle zum Abschätzen der erzielbaren Reichweite, wie in Gleichung (2) aufgezeigt:
- 2. the regulator agent, which decides on the data flow in the knowledge model for each motor vehicle, depends on the performance of the knowledge model for the respective motor vehicle and the amount of available data. The knowledge agent decides how much information to exchange between the personalized models of each vehicle based on two criteria:
- (i) a similarity index (SI) as a weighted average between all motor vehicles in terms of the similarity of their characteristics, as shown in equation (1) below, and
- (ii) a Performance Index (PI) vector indicative of the information shared between similar users, taking into account the accuracy of their respective models for estimating the achievable reach, as shown in Equation (2):
Jedes benutzerspezifische Modell wird bevorzugt außerhalb des einzelnen Kraftfahrzeugs, beispielsweise in einer Cloud-Instanz, gehostet. Die neuen Daten werden aktualisiert. Zu diesem Zweck wird die Häufigkeit des weiteren Trainings erhöht, indem von tieferen (beziehungsweise früheren) Schichten (mit allgemeinem Wissen) zu den obersten (beziehungsweise spezifischsten) Schichten (mit benutzerspezifischen Daten) übergegangen wird.Each user-specific model is preferably hosted outside of the individual vehicle, for example in a cloud instance. The new data is updated. To this end, the frequency of further training is increased by moving from deeper (or earlier) layers (with general knowledge) to the highest (or most specific) layers (with user-specific data).
Unter Verwendung eines multimodalen Lernansatzes für den Wissensagenten ist die Nutzung diverser Sensordaten, welche in einem Kraftfahrzeug gesammelt werden, ermöglicht. Beispiele (nicht beschränkend) sind Daten von GPS, Kameras und zustandsbeschreibenden Signalen wie Außentemperatur, Batterietemperatur und weitere. In einer vorteilhaften Ausführungsform ist zum Homogenisieren von Daten, welche von verschiedenen Kraftfahrzeugen mit unterschiedlichen Möglichkeiten der Datenerfassung stammen, die Verwendung eines Merkmalsextraktionsnetzwerks für Rohdaten mit variabler Dimension als Input und konstanter Dimension als Output vorgesehen, welche in das Wissensmodell eingespeist werden. Die Dimension des Merkmalsraums wird in einer vorteilhaften Ausführungsform während der Trainingszyklen des Regulator-Agents angepasst.Using a multimodal learning approach for the knowledge agent makes it possible to use various sensor data collected in a motor vehicle. Examples (not limiting) include data from GPS, cameras and condition-describing signals such as outside temperature, battery temperature and others. In an advantageous embodiment, the use of a feature extraction network for raw data with variable dimensions as input and constant dimensions as output, which are fed into the knowledge model, is intended to homogenize data that comes from different motor vehicles with different data acquisition options. In an advantageous embodiment, the dimension of the feature space is adjusted during the training cycles of the regulator agent.
Eine mögliche Ausführungsform des hier beschriebenen Verfahrens ist die Verwendung eines rekurrenten neuronalen Netzwerks mit LSTM- [engl.: Long Short-Term Memory] oder GRU- [engl.: Gated Recurrent Unit] Zellen als Wissensmodell, welches zum Verarbeiten von Zeitreihen eingerichtet ist. Dieses rekurrente neuronale Netzwerk umfasst beispielsweise vier aufeinanderfolgende LSTM-Schichten, welche mit dem Konzept des Transfer-Lernens, wie zuvor beschrieben, trainiert werden.A possible embodiment of the method described here is the use of a recurrent neural network with LSTM [Long Short-Term Memory] or GRU [Gated Recurrent Unit] cells as a knowledge model, which is set up to process time series. This recurrent neural network includes, for example, four consecutive LSTM layers, which are trained with the concept of transfer learning as described previously.
Im Gegensatz zu aktuellen Modellen zum Abschätzen von der erzielbaren Reichweite bezieht der hier vorgeschlagene datengesteuerte Ansatz sowohl das Verhalten des Fahrers als auch die Umwelt in die Abschätzungen ein. Darüber hinaus wird durch die Entwicklung eines personalisierten Modells eine große Steigerung der Flexibilität und Robustheit des Abschätzens erreicht. Hiermit wird anstelle einer (gleichen) Lösung für alle eine spezifische Lösung für jeden Nutzer geschaffen, wobei aber aufgrund der tieferen Schichten des Wissensmodells gleich zu Anfang und über die Lebenszeit eines Kraftfahrzeugs (oder sogar Nutzers) eine sehr exakte Abschätzung der erzielbaren Reichweite ausgegeben wird.In contrast to current models for estimating the achievable range, the data-driven approach proposed here includes both the driver's behavior and the environment in the estimates. In addition, the development of a personalized model achieves a large increase in the flexibility and robustness of the estimation. This creates a specific solution for each user instead of a (same) solution for everyone, but due to the deeper layers of the knowledge model, a very precise estimate of the achievable range is provided right from the start and over the lifetime of a motor vehicle (or even user).
Der Prozessor ist zum Ausführen von Rechenoperationen eingerichtet und umfasst eine oder mehrere Prozessoreinheiten. Eine solche Prozessoreinheit ist beispielsweise ein Allzweck-Prozessor (CPU) oder Mikroprozessor, RISC-Prozessor, GPU und/oder DSP. In einer Ausführungsform ist der Prozessor ausschließlich für die hier genannte Aufgabe eingerichtet. In einer bevorzugten Ausführungsform ist der Prozessor für eine Vielzahl von Aufgaben eingerichtet, welche von dem Prozessor in Echtzeit und/oder quasi-parallel abarbeitbar sind.The processor is set up to carry out arithmetic operations and includes one or more processor units. Such a processor unit is, for example, a general-purpose processor (CPU) or microprocessor, RISC processor, GPU and/or DSP. In one embodiment, the processor is set up exclusively for the task mentioned here. In a preferred embodiment, the processor is set up for a variety of tasks which can be processed by the processor in real time and/or quasi-parallel.
Der externe (Daten-) Speicher ist zum Sammeln und Vorhalten von Daten mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs eingerichtet, beispielsweise in einer vorgegebenen Dimension. Ein solcher externer Speicher ist beispielsweise eine Festplatte (HDD, SSD, HHD) oder ein (nichtflüchtiger) Festkörperspeicher, beispielsweise ein ROM-Speicher oder Flash-Speicher (Flash-EEPROM). Der externe Speicher umfasst oftmals eine Mehrzahl einzelner physischer Speichereinheiten oder ist auf eine Vielzahl von separaten Geräten verteilt, sodass ein Zugriff darauf über Datenkommunikation, beispielsweise Package-Data-Service, stattfindet. Letzteres ist eine dezentrale Lösung, wobei Datenspeicher und Prozessor (-einheiten) einer Vielzahl separater Recheneinheiten anstelle eines (einzigen baueinheitlichen) zentralen Computers oder ergänzend zu einem zentralen Computer genutzt werden. In einer (unter den derzeitigen technischen Gegebenheit mit beschränkter Rechenkapazität in einem Kraftfahrzeug bevorzugten) anderen Ausführungsform ist der externe Speicher mittels einer Cloud-Lösung ersetzt oder ergänzt. In einer Ausführungsform ist der externe Speicher ausschließlich für die hier genannte Aufgabe eingerichtet. In einer bevorzugten Ausführungsform ist der externe Speicher für eine Vielzahl von Speicheraufgaben eingerichtet, wobei beispielsweise ein Teil des physisch einstückigen und/oder baueinheitlichen Speichers als virtuelle Partition ausschließlich zuständig ist und/oder einzig Software-seitig die Daten zusammenhängend registriert sind, aber physisch mehr oder weniger zufällig verteilt abgespeichert sind.The external (data) memory is set up to collect and store data that influences the achievable range of a motor vehicle, for example in a predetermined dimension. Such an external memory is, for example, a hard drive (HDD, SSD, HHD) or a (non-volatile) solid-state memory, for example a ROM memory or flash memory (Flash EEPROM). The external storage often includes a plurality of individual physical storage units or is distributed across a multitude of separate devices so that it is accessed via data communication, for example package data service. The latter is a decentralized solution, whereby data storage and processor (units) of a large number of separate computing units are used instead of a (single structurally uniform) central computer or in addition to a central computer. In another embodiment (preferred under the current technical circumstances with limited computing capacity in a motor vehicle) the external memory is replaced or supplemented by a cloud solution. In one embodiment, the external memory is set up exclusively for the task mentioned here. In a preferred embodiment, the external memory is for a variety of memories given, whereby, for example, a part of the physically one-piece and / or structurally uniform memory is exclusively responsible as a virtual partition and / or the data is only registered contiguously on the software side, but is physically stored in a more or less randomly distributed manner.
Die Sensoren sind bevorzugt bereits konventionell verbaute Sensoren zum Erfassen von beispielsweise Temperaturen außen und/oder von Bauteilen, State of Health [SoH] und/oder State of Charge [SoC] einer Traktionsbatterie, Beschleunigungsanfragen beziehungsweise Stromflüsse bei einer elektrischen Antriebsmaschine, Positionsbestimmung (beispielsweise GPS oder Galileo), Navigationstrajektorien, Kameras und weitere. Inwieweit die mittels der Sensoren ermittelten Daten einzeln und/oder gemeinsam die erzielbare Reichweite beeinflussen ist Gegenstand von Forschung. Ferner werden diesbezüglich künstliche Intelligenzen trainiert. Die verwendeten Daten sind daher frei wählbar und werden sich in der näheren Zukunft von heutigen sowie von Anwender zu Anwender unterscheiden. Es sei darauf hingewiesen, dass ein exakter mathematisch nachvollziehbarer Einfluss nicht zwangsläufig vorliegen muss, sondern vielmehr auch potenziell beeinflussende Daten verwendbar sind, wobei das Wissensmodell in einer vorteilhaften Ausführungsform diese Daten nutzt, ignoriert oder einen vermuteten Zusammenhang ausgibt beziehungsweise auch Daten verwirft.The sensors are preferably already conventionally installed sensors for detecting, for example, external temperatures and/or components, state of health [SoH] and/or state of charge [SoC] of a traction battery, acceleration requests or current flows in an electric drive machine, position determination (for example GPS or Galileo), navigation trajectories, cameras and others. The extent to which the data determined by the sensors individually and/or collectively influence the achievable range is the subject of research. Artificial intelligences are also trained in this regard. The data used is therefore freely selectable and will differ in the near future from today and from user to user. It should be noted that an exact mathematically comprehensible influence does not necessarily have to exist, but rather potentially influencing data can also be used, with the knowledge model in an advantageous embodiment using this data, ignoring it or outputting a suspected connection or even discarding data.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass die Mehrzahl von Schichten des tiefen neuralen Netzwerks, von
welchen die erste individuell und die jeweils tiefere eine Gruppe bildend ausgewählt sind,
wobei bevorzugt die Schichten mit sinkender Frequenz trainiert werden, besonders bevorzugt die oberste Schicht täglich bis wöchentlich und die tiefste Schicht quartalsweise bis jährlich.It is further proposed in an advantageous embodiment of the method that the plurality of layers of the deep neural network
of which the first is selected individually and the deeper one is selected to form a group,
The layers are preferably trained with decreasing frequency, particularly preferably the top layer daily to weekly and the lowest layer quarterly to annually.
Bei diesem Ansatz wird die Leistung der verfügbaren physikbasierten Modelle mittels Einführen von Benutzerattributen verbessert. Hierbei werden mittels des Maschinen-Lern-Algorithmus benutzerspezifische Modelle genutzt, welche auf jeden Benutzer und/oder auf jedes Kraftfahrzeug zugeschnitten sind. Weiterhin ist mit dem Maschinen-Lern-Algorithmus ermöglicht, das Wissen der gesamten Flotte in jedem nutzerspezifischen Modell zu nutzen.This approach improves the performance of the available physics-based models by introducing user attributes. The machine learning algorithm uses user-specific models that are tailored to each user and/or each motor vehicle. Furthermore, the machine learning algorithm makes it possible to use the knowledge of the entire fleet in each user-specific model.
Dieses Verfahren basiert auf der Hierarchie der Informationen, welche derart ausgewählt sind, dass sie für ein genaues Abschätzen der erzielbaren Reichweite vorteilhaft, bevorzugt erforderlich, sind. Das bedeutet in einer vorteilhaften Ausführungsform, dass auf der allgemeinsten (tiefsten) Schicht alle Kraftfahrzeuge und Nutzer an die physikalischen Gesetze (beispielsweise die vierte Schicht) gebunden sind, dann (beispielsweise die dritte Schicht) aufgespalten in Regionen (beispielsweise entsprechend den Klimaeffekten) und dann (beispielsweise die zweite Schicht) für jedes Fahrzeugmodell eine niedrigere Ebene der Allgemeinheit in den Daten zu sehen ist. Schließlich enthalten (beispielsweise die erste Schicht) die Daten jedes Nutzers die niedrigste Ebene der Allgemeinheit, welche die nutzerspezifischen Fahrgewohnheiten darstellt. Dementsprechend enthält das wissensbasierte tiefe neuronale Netzwerk das kollektive Wissen aller relevanten Kraftfahrzeuge, aber gleichzeitig für jeden Nutzer spezifisch optimiert. Es sei darauf hingewiesen, dass einzelne Schichten weglassbar beziehungsweise weitere Schichten hinzufügbar und/oder zumindest eine der genannten Schichten in eine Mehrzahl von Schichten aufteilbar ist. Beispielsweise ist eine oder mehrere Schichten für Unterregionen (beispielsweise mit einem einheitlichen Mikroklima und/oder einer Anfälligkeit für besondere Einschränkungen der erzielbaren Reichweite, wie Eis oder starke Sonneneinstrahlung) und/oder eine oder mehrere Schichten für Baureihen und/oder Untergruppen von Fahrzeugtypen ergänzbar und/oder als Ersatz einsetzbar. In einer vorteilhaften Ausführungsform ist die Auswahl beziehungsweise Einteilung der Schichten ebenfalls Gegenstand einer selbst-lernenden künstlichen Intelligenz.This method is based on the hierarchy of information, which is selected in such a way that it is advantageous, preferably necessary, for an accurate estimate of the achievable range. In an advantageous embodiment, this means that on the most general (deepest) layer, all motor vehicles and users are bound to the physical laws (e.g. the fourth layer), then (e.g. the third layer) split into regions (e.g. corresponding to climate effects) and then (e.g. the second layer) for each vehicle model a lower level of generality can be seen in the data. Finally, (e.g., the first layer), each user's data contains the lowest level of generality, which represents the user-specific driving habits. Accordingly, the knowledge-based deep neural network contains the collective knowledge of all relevant motor vehicles, but at the same time is specifically optimized for each user. It should be noted that individual layers can be omitted or additional layers can be added and/or at least one of the layers mentioned can be divided into a plurality of layers. For example, one or more layers can be added for sub-regions (for example with a uniform microclimate and/or a susceptibility to particular restrictions on the achievable range, such as ice or strong sunlight) and/or one or more layers for series and/or subgroups of vehicle types and/ or can be used as a replacement. In an advantageous embodiment, the selection or classification of the layers is also the subject of a self-learning artificial intelligence.
In einer Ausführungsform sind vier aufeinanderfolgende LSTM-Schichten [engl.: Long Short-Term Memory], welche mit dem Konzept des Transfer-Lernens, wie zuvor beschrieben, trainiert werden, wobei die Daten von (erstens) der Datenbank für bestimmte Benutzer, (zweitens) der Flottendatenbank für bestimmte Fahrzeugtypen (drittens) der regionalen Flottendatenbank und (viertens) der gesamten Flottendatenbank stammen. Die Daten eines jeden Nutzers werden beispielsweise täglich gesammelt und beispielsweise in die jeweilige Cloud-Instanz hochgeladen. Diese Daten umfassen sowohl die gesammelten sensorischen Daten als auch die Fehler der Vorhersagen des Modells zum Abschätzen der erzielbaren Reichweite. Die verschiedenen Schichten des Wissensmodells werden beispielsweise mit einer Frequenz von (tiefste Schicht) einem Jahr, (mittlere Schicht) drei Monaten, (mittlere Schicht) einem Monat und (oberste Schicht) einer Woche trainiert und/oder aktualisiert. Das reguläre Modell ist beispielsweise ein neuronales Perzeptron-Netzwerk , das so trainiert wird, dass es die Merkmale des Benutzers (f) auf den Effektvektor a abbildet.In one embodiment, there are four consecutive LSTM [Long Short-Term Memory] layers, which are trained using the concept of transfer learning as described above, where the data from (firstly) the database for specific users, ( secondly) the fleet database for specific vehicle types (thirdly) the regional fleet database and (fourth) the entire fleet database. For example, each user's data is collected daily and uploaded to the respective cloud instance, for example. This data includes both the sensory data collected and the errors of the model's predictions used to estimate the achievable range. The different layers of the knowledge model are trained and/or updated, for example, with a frequency of (deepest layer) one year, (middle layer) three months, (middle layer) one month and (top layer) one week. For example, the regular model is a perceptron neural network that is trained to map the user's features (f) onto the effect vector a.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass die Daten von den Sensoren von einem neuen Kraftfahrzeug zunächst auf ihre Performance untersucht werden, bevor diese dem tiefen neuronalen Netzwerk zugeführt werden,
wobei bevorzugt die erzielbare Reichweite für das neue Kraftfahrzeug initial auf Basis der Daten der anderen Kraftfahrzeuge abgeschätzt wird.It is further proposed in an advantageous embodiment of the method that the data from the sensors be taken from a new force Vehicles are first examined for their performance before they are fed to the deep neural network,
The achievable range for the new motor vehicle is preferably initially estimated based on the data from the other motor vehicles.
Mit dieser Ausführungsform wird unterbunden, dass ein oder eine Mehrzahl von (dem Wissensmodell) neuen Kraftfahrzeugen aufgrund von artefaktischen beziehungsweise noch nicht richtig eingeordneten Daten das Training zu stark beeinflusst. Beispielsweise wird ein solches neues Kraftfahrzeug zunächst separat behandelt beziehungsweise beobachtet und trägt zunächst nicht oder mit einem stark abmildernden Effektvektor mit seinen Daten zu dem Wissensmodell bei.This embodiment prevents one or a plurality of (the knowledge model) new motor vehicles from influencing the training too strongly due to artifactual or not yet correctly classified data. For example, such a new motor vehicle is initially treated or observed separately and initially does not contribute to the knowledge model with its data or with a greatly attenuating effect vector.
In einer vorteilhaften Ausführungsform wird diesem neuen Kraftfahrzeug zunächst ein Modell zum Abschätzen der erzielbaren Reichweite auf Basis der anderen Kraftfahrzeuge des Wissensmodells zum Abschätzen der individuellen erzielbaren Reichweite bereitgestellt. Damit erhält das neue Kraftfahrzeug von Anfang an ein sehr präzises Modell, ohne dass dabei individuelle Daten bekannt sind, betreffend das individuelle Kraftfahrzeug und/oder das Nutzerverhalten; denn mit einer hohen Wahrscheinlichkeit ist bereits ein Kraftfahrzeug in dem Wissensmodell enthalten, welches dem neuen Kraftfahrzeug sehr ähnlich ist.In an advantageous embodiment, this new motor vehicle is first provided with a model for estimating the achievable range based on the other motor vehicles of the knowledge model for estimating the individual achievable range. This means that the new motor vehicle receives a very precise model right from the start, without any individual data being known regarding the individual motor vehicle and/or user behavior; Because there is a high probability that the knowledge model already contains a motor vehicle that is very similar to the new motor vehicle.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass sowohl fahrzeugseitige als auch stationäre Sensoren umfasst sind.It is further proposed in an advantageous embodiment of the method that both vehicle-side and stationary sensors are included.
In einer Ausführungsform wird zumindest einer der folgenden fahrzeugseitigen Sensoren zum Erfassen von einer der folgenden Parameter zum Bereitstellen von Daten für das Wissensmodell genutzt: Pedalstellung beziehungsweise deren zeitliche Änderungsrate, Temperatur (außen, innen und/oder Bauteil), aktuelles Gewicht des Kraftfahrzeugs, welche Person und/oder wie viele Personen, ein Routenplaner für einer Navigationstrajektorie.In one embodiment, at least one of the following vehicle-side sensors is used to record one of the following parameters to provide data for the knowledge model: pedal position or its rate of change over time, temperature (outside, inside and/or component), current weight of the motor vehicle, which person and/or how many people, a route planner for a navigation trajectory.
In einer Ausführungsform wird zumindest einer der folgenden stationären Sensoren zum Erfassen von einem der folgenden Parameter zum Bereitstellen von Daten für das Wissensmodell genutzt: einer oder einer Mehrzahl von Wetterstationen in der jeweiligen Region beziehungsweise Unterregion, einer Verkehrsüberwachung beispielsweise für Stauprognosen.In one embodiment, at least one of the following stationary sensors is used to record one of the following parameters to provide data for the knowledge model: one or a plurality of weather stations in the respective region or sub-region, a traffic monitor, for example for traffic jam forecasts.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass das tiefe neuronale Netzwerk und/oder der Maschinen-Lern-Algorithmus zum selbstverstärkenden Lernen eingerichtet sind.It is further proposed in an advantageous embodiment of the method that the deep neural network and/or the machine learning algorithm are set up for self-reinforcing learning.
Bei einem (selbst) verstärkenden beziehungsweise bestärkenden [engl.: reinforcement learning] werden neue Daten aktualisiert und mithilfe von Reinforcement Learning weiter trainiert, um die Leistung des Wissensmodells zu optimieren. Dabei wird erreicht, dass eine vollständige Automatisierung der Weiterentwicklung der Modelle durch kontinuierliches Training mit neu erhobenen Daten und automatischer Neubewertung der Leistung bereitgestellt ist. Weiterhin wird eine Reihe von neuen Metriken zur Bewertung der Leistung des Wissensmodells für das Abschätzen der erzielbaren Reichweite erzeugt.In self-reinforcing reinforcement learning, new data is updated and further trained using reinforcement learning to optimize the performance of the knowledge model. This ensures that complete automation of the further development of the models is provided through continuous training with newly collected data and automatic reassessment of performance. Furthermore, a series of new metrics are created to evaluate the performance of the knowledge model for estimating the achievable reach.
Darüber hinaus ermöglicht die selbstoptimierende Natur dieses Ansatzes nicht nur eine kontinuierliche Verbesserung der Modellergebnisse, sondern auch die Möglichkeit einer nachhaltigen Entwicklung durch Hinzufügen weiterer Funktionen und Ergebnisse zum Wissensmodell. Und schließlich ermöglicht das modulare und tandemartige Zwei-Agenten-Design eine vollautomatische Modelloptimierung, die den derzeitigen Modellen zum Abschätzen der erzielbaren Reichweite fehlt.In addition, the self-optimizing nature of this approach allows not only continuous improvement of the model results, but also the possibility of sustainable development by adding more features and results to the knowledge model. Finally, the modular and tandem two-agent design enables fully automated model optimization, which current models for estimating the achievable range lack.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass der Prozessor Bestandteil eines Hochleistungsrechners ist.It is further proposed in an advantageous embodiment of the method that the processor is part of a high-performance computer.
Der hier vorgeschlagene KI-Ansatz erfordert in einigen Anwendungsformen die Nutzung von einer Hochleistungsrechnerplattform (HPC), um die Unzulänglichkeiten der derzeitigen Ansätze zu überwinden, indem benutzerspezifische Attribute sowie die Umgebung in die Berechnung einbezogen werden. Dieser Ansatz ist darauf ausgelegt, die enormen Mengen an gesammelten Daten zu nutzen, um benutzerspezifische Modelle für das Abschätzen der erzielbaren Reichweite zu erstellen, welche sich selbst kontinuierlich optimieren, indem sie auf das Wissen aller anderen ähnlichen Objekte (beispielsweise Kraftfahrzeuge) in der Flotte zurückgreifen. Dies ermöglicht eine noch nie dagewesene Genauigkeit des Ergebnisses des Abschätzens der erzielbaren Reichweite mittels Verwendung des Konzepts des Transferlernens, des Verstärkungslernens, des HPC, und einer neuartigen Zwei-Agenten-Kl-Modellarchitektur.The AI approach proposed here requires the use of a high performance computing (HPC) platform in some applications to overcome the shortcomings of current approaches by incorporating user-specific attributes and the environment into the calculation. This approach is designed to leverage the vast amounts of data collected to create custom achievable range estimation models that continuously optimize themselves by drawing on the knowledge of all other similar objects (e.g. motor vehicles) in the fleet . This enables unprecedented accuracy in the result of estimating the achievable range using the concept of transfer learning, reinforcement learning, HPC, and a novel two-agent AI model architecture.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass ein individuelles Kraftfahrzeug Änderungen bezüglich der erzielbaren Reichweite und/oder zu seinem Berechnungsmodell mittels Überluftübertragung von dem Prozessor erhält.It is further proposed in an advantageous embodiment of the method that an individual motor vehicle receives changes in terms of the achievable range and/or its calculation model from the processor by means of over-air transmission.
Mit Hilfe von OTA-Updates (Überluftübertragung [engl. OTA: over-the-air]) werden die Daten auf dem entsprechenden externen Speicher, beispielsweise Cloud-Instanz, gesammelt und die Wissensmodelle mit dem entworfenen Regime des Verfahrens trainiert. Zusätzlich ist das Modell des Regulator-Agents (Regulierungsmodell oder Performance-Modell) von einem zentralen externen Speicher (Cloud) gehostet, welcher Zugriff auf alle Daten und alle personalisierten Modelle zum Abschätzen der erzielbaren Reichweite vorhält und stets aktualisiert erhält. Auch dieses Performance-Modell wird mittels der eingehenden Daten und Abweichungen regelmäßig trainiert, um seine Entscheidungen zu optimieren.With the help of OTA updates (over-the-air transmission [OTA: over-the-air]), the data is collected on the appropriate external storage, for example a cloud instance, and the knowledge models are trained with the designed regime of the method. In addition, the model of the regulator agent (regulatory model or performance model) is hosted by a central external storage (cloud), which provides access to all data and all personalized models to estimate the achievable reach and is always updated. This performance model is also regularly trained using the incoming data and deviations in order to optimize its decisions.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass weiterhin abgeschätztwird zumindest eines der folgenden Ereignisse:
- - vorhergesagte Wartungszyklen für das individuelle Kraftfahrzeug und/oder einen Fahrzeugtyp;
- - quantifizierter SoH einer Traktionsbatterie; und
- - Fahrverhalten eines individuellen Fahrers hinsichtlich einer Versicherung, eines Garantie-Service und/oder einer Rückkauf-Option.
- - predicted maintenance cycles for the individual motor vehicle and/or a vehicle type;
- - quantified SoH of a traction battery; and
- - Driving behavior of an individual driver with regard to insurance, warranty service and/or a buyback option.
Der oben beschriebene Ansatz ist (leicht) modifizierbar, um weitere Parameter einzubeziehen, welche anstelle der erzielbaren Reichweite oder ergänzend dazu auf der Grundlage des Benutzerverhaltens und der Umgebung vorhergesagt werden sollen. Im Rahmen der vorausschauenden Wartung kann zum Beispiel der Gesundheitszustand der Batterie [SoH] vorhergesagt werden. Dies ist einfach möglich, indem die Dimension des Ausgabevektors im personalisierten Wissensagenten um den gewünschten neuen Parameter erweitert wird. Dabei wird zusätzlich die inhärente Natur des DeepLearning genutzt, welche es ermöglicht, Abhängigkeiten zwischen den Zielparametern zu finden. Andere mögliche Vorhersagen beziehen sich in einer Ausführungsform auf Fahrgewohnheiten, welche für die Bereitstellung von (monetären) Versicherungen, weiteren Garantie-Service und eine Rückkauf-Option wichtig sind.The approach described above can be (easily) modified to include additional parameters that should be predicted based on user behavior and the environment instead of the achievable range or in addition to it. As part of predictive maintenance, for example, the health status of the battery [SoH] can be predicted. This is easily possible by expanding the dimension of the output vector in the personalized knowledge agent with the desired new parameter. The inherent nature of deep learning is also used, which makes it possible to find dependencies between the target parameters. Other possible predictions relate, in one embodiment, to driving habits, which are important for the provision of (monetary) insurance, further warranty service and a buyback option.
Zudem ist mit den Fortschritten der Elektromobilität im Gütertransport dieser Ansatz nicht nur von einem Endnutzer, sondern auch von Unternehmen aus anderen Sektoren wie dem Luftverkehr und Seeverkehr nutzbar, welche ihren Betrieb über große Entfernungen überwachen, steuern und optimieren wollen. Die vorgeschlagene benutzerspezifische Bestimmung der erzielbaren Reichweite ermöglicht eine optimierte Routenplanung und mehr Automatisierung in diesen Sektoren, was zu einer umweltfreundlicheren und nachhaltigeren Entwicklung führt.In addition, with the advances in electromobility in freight transport, this approach can be used not only by an end user, but also by companies from other sectors such as air transport and maritime transport, which want to monitor, control and optimize their operations over long distances. The proposed user-specific determination of the achievable range allows for optimized route planning and more automation in these sectors, leading to greener and more sustainable development.
Es wird weiterhin in einer vorteilhaften Ausführungsform des Verfahrens vorgeschlagen, dass der Maschinen-Lern-Algorithmus zum Ermitteln der Performance ein neuronales Perzeptron-Netzwerk nutzt.It is further proposed in an advantageous embodiment of the method that the machine learning algorithm uses a neural perceptron network to determine the performance.
Gemäß einem weiteren Aspekt wird ein Kraftfahrzeug vorgeschlagen, aufweisend eine Antriebsmaschine und zumindest ein Vortriebsrad zum Vortrieb des Kraftfahrzeugs, eine Mehrzahl von Sensoren zum Erfassen von Daten mit Einfluss auf eine erzielbare Reichweite eines Kraftfahrzeugs und bevorzugt eine Kommunikationsschnittstelle zum Erhalten von Änderungen bezüglich einer abgeschätzten erzielbaren Reichweite mithilfe des Prozessors von dem externen Speicher,
wobei bevorzugt eine Traktionsbatterie eine, bevorzugt die einzige, Energiequelle für den Vortrieb des Kraftfahrzeugs ist.According to a further aspect, a motor vehicle is proposed, comprising a drive machine and at least one propulsion wheel for propelling the motor vehicle, a plurality of sensors for acquiring data influencing an achievable range of a motor vehicle and preferably a communication interface for receiving changes in relation to an estimated achievable range using the processor from the external memory,
wherein preferably a traction battery is one, preferably the only, energy source for propelling the motor vehicle.
Hier ist nun ein Kraftfahrzeug mit einem Antrieb vorgeschlagen, welcher mithilfe des zumindest einen (oft zwei oder vier) Vortriebsrads zum Vortrieb des Kraftfahrzeugs eingerichtet ist. Das Kraftfahrzeug ist zum Transport von zumindest einem Fahrgast und/oder Transportgütern vorgesehen und weist dazu eine Fahrgastzelle und/oder eine Cargo-Zelle auf. Das Kraftfahrzeug wird über das zumindest eine Vortriebsrad mittels des Drehmoments von zumindest einer der Antriebsmaschinen, bevorzugt einer elektrischen Traktionsmaschine, angetrieben.What is proposed here is a motor vehicle with a drive, which is set up to propel the motor vehicle using at least one (often two or four) propulsion wheels. The motor vehicle is intended for transporting at least one passenger and/or goods to be transported and has a passenger cell and/or a cargo cell for this purpose. The motor vehicle is driven via the at least one propulsion wheel by means of the torque of at least one of the drive machines, preferably an electric traction machine.
Mittels des Verfahrens ist eine erzielbare Reichweite mit hoher Präzision für das Individuum abschätzbar, wobei das Verfahren zugleich robust ist, vor allem deswegen, weil die aktuellen und historischen (gesammelten) Daten von einer Vielzahl von Kraftfahrzeugen für das Abschätzen genutzt werden. Sofern bei einem individuellen Kraftfahrzeug oder Nutzer des Kraftfahrzeugs ein Ausreißer auftritt, wird dieser in den Zusammenhang mit den anderen Kraftfahrzeugen hergestellt, welche von dem Verfahren beobachtet werden. Zugleich werden physikalische Zusammenhänge nicht einfach ignoriert, sondern als global geltender Einfluss mitberücksichtigt. Mithilfe des Maschinen-Lern-Algorithmus und dem Ermitteln einer Performance wird eine Gewichtung miteinbezogen und die Datenlage auch auf der Eingangsseite moderiert.Using the method, an achievable range can be estimated with high precision for the individual, while at the same time the method is robust, especially because the current and historical (collected) data from a large number of motor vehicles are used for the estimation. If an outlier occurs in an individual motor vehicle or user of the motor vehicle, this is linked to the other motor vehicles that are observed by the method. At the same time, physical connections are not simply ignored, but are taken into account as a globally valid influence. With the help of the machine learning algorithm and the determination of a performance, a weighting is included and the data situation is also moderated on the input page.
In einer bevorzugten Ausführungsform ist das Kraftfahrzeug mit einer Kommunikationsschnittstelle ausgestattet und das Verfahren wird maßgeblich extern, besonders bevorzugt auf einem Hochleistungsrechner [engl. HPC: High-Performance Computing], ausgeführt. Das Kraftfahrzeug erhält dann Änderungen (Updates) betreffend die (aktuell) erzielbare Reichweite und/oder betreffend das anzuwendende lokale Modell zu dessen Berechnung mittels Überluftübertragung [engl. OTA: over-the-air (updates)].In a preferred embodiment, the motor vehicle is equipped with a communication interface and the method is largely carried out externally, particularly preferably on a high-performance computer. HPC: High-Performance Computing]. The motor vehicle then receives changes (updates) regarding the (current) achievable range and/or regarding the local model to be used for its calculation via air transmission OTA: over-the-air (updates)].
Die oben beschriebene Erfindung wird nachfolgend vor dem betreffenden technischen Hintergrund unter Bezugnahme auf die zugehörigen Zeichnungen, welche bevorzugte Ausgestaltungen zeigen, detailliert erläutert. Die Erfindung wird durch die rein schematischen Zeichnungen in keiner Weise beschränkt, wobei anzumerken ist, dass die Zeichnungen nicht maßhaltig sind und zur Definition von Größenverhältnissen nicht geeignet sind. Es wird dargestellt in
-
1 : ein Schaubild eines vier-schichtigen neuronalen Netzwerks zum Abschätzen einer individuellen erzielbaren Reichweite; -
2 : ein Schaubild eines tiefen neuronalen Netzwerks in Zusammenarbeit mit einem regulierenden Perzeptron-Netzwerk zum Abschätzen einer individuellen erzielbaren Reichweite; und -
3 : ein Flussdiagramm eines Verfahrens zum Abschätzen einer erzielbaren Reichweite.
-
1 : a diagram of a four-layer neural network for estimating an individual achievable range; -
2 : a diagram of a deep neural network in collaboration with a regulatory perceptron network to estimate an individual achievable range; and -
3 : a flowchart of a method for estimating an achievable range.
In
In
In
Hiermit ist ein hoch-präzises Ki-basiertes Verfahren zum Abschätzen der erzielbaren Reichweite, beispielsweise von elektrischen Kraftfahrzeugen, vorgeschlagen, indem personalisierte Modelle erstellt werden, welche in der Lage sind, das Kraftfahrzeug, den Nutzer und die Umgebung zu verstehen. Die Architektur dieses Ansatzes ermöglicht die Erstellung eines KI-Modells für jeden Nutzer, wobei das KI-Modell das kollektive Wissen der (Kraftfahrzeug-) Flotte enthält und gleichzeitig auf den jeweiligen Nutzer zugeschnitten ist. Darüber hinaus erleichtert das Zwei-Agenten-KI-Design das kontinuierliche Lernen und die Verbesserung des Modells zum Abschätzen der erzielbare Reichweite auf der Grundlage neu gesammelter Daten 1.A high-precision AI-based method for estimating the achievable range, for example of electric motor vehicles, is hereby proposed by creating personalized models that are able to understand the motor vehicle, the user and the environment. The architecture of this approach enables the creation of an AI model for each user, where the AI model contains the collective knowledge of the (motor vehicle) fleet and at the same time is tailored to the respective user. Additionally, the two-agent AI design facilitates continuous learning and improvement of the model to estimate achievable reach based on newly collected
Mit dem hier vorgeschlagenen Verfahren ist ein hoch-präzises Abschätzen einer erzielbaren Reichweite mit einem Kraftfahrzeug bereitstellbar.With the method proposed here, a highly precise estimate of an achievable range with a motor vehicle can be provided.
BezugszeichenlisteReference symbol list
- 11
- DatenData
- 22
- externer Speicher (Cloud)external storage (cloud)
- 33
- tiefes neuronales Netzwerkdeep neural network
- 44
- erste Schicht (Individuum)first layer (individual)
- 55
- zweite Schicht (Fahrzeugtyp)second shift (vehicle type)
- 66
- dritte Schicht (Region)third layer (region)
- 77
- vierte Schicht (physikalische Grundlagen)fourth layer (physical basics)
- 88th
- WissensmodellKnowledge model
- 99
- Maschinen-Lern-AlgorithmusMachine learning algorithm
- 1010
- erste Gruppe (Fahrzeugtyp)first group (vehicle type)
- 1111
- zweite Gruppe (Region)second group (region)
- 1212
- dritte Gruppe (alle)third group (all)
- 1313
- Perzeptron-NetzwerkPerceptron network
- 1414
- Individuumindividual
- 1515
- NeulingNewbie
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022120831.1A DE102022120831B3 (en) | 2022-08-18 | 2022-08-18 | Method for estimating a range for a motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022120831.1A DE102022120831B3 (en) | 2022-08-18 | 2022-08-18 | Method for estimating a range for a motor vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022120831B3 true DE102022120831B3 (en) | 2023-12-14 |
Family
ID=88874399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022120831.1A Active DE102022120831B3 (en) | 2022-08-18 | 2022-08-18 | Method for estimating a range for a motor vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022120831B3 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019114590A1 (en) | 2018-08-29 | 2020-03-05 | GM Global Technology Operations LLC | MOTOR VEHICLES WITH ELECTRIC DRIVE, SYSTEMS AND CONTROL LOGIC FOR FORWARD-LOOKING CHARGING PLANNING AND DRIVELINE CONTROL |
DE102020126883A1 (en) | 2019-11-19 | 2021-05-20 | GM Global Technology Operations LLC | ESTIMATION, CLASSIFICATION AND ADAPTATION OF DRIVER MODELS FOR RANGE PREDICTION |
DE102020210561A1 (en) | 2020-08-20 | 2022-02-24 | Ford Global Technologies, Llc | Method for operating a motor vehicle with a drive train having at least one traction motor powered by a traction battery |
US20220097557A1 (en) | 2019-11-21 | 2022-03-31 | Ecobrain Co., Ltd. | Information provision service system for electric vehicle using vehicle sensors |
-
2022
- 2022-08-18 DE DE102022120831.1A patent/DE102022120831B3/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019114590A1 (en) | 2018-08-29 | 2020-03-05 | GM Global Technology Operations LLC | MOTOR VEHICLES WITH ELECTRIC DRIVE, SYSTEMS AND CONTROL LOGIC FOR FORWARD-LOOKING CHARGING PLANNING AND DRIVELINE CONTROL |
DE102020126883A1 (en) | 2019-11-19 | 2021-05-20 | GM Global Technology Operations LLC | ESTIMATION, CLASSIFICATION AND ADAPTATION OF DRIVER MODELS FOR RANGE PREDICTION |
US20220097557A1 (en) | 2019-11-21 | 2022-03-31 | Ecobrain Co., Ltd. | Information provision service system for electric vehicle using vehicle sensors |
DE102020210561A1 (en) | 2020-08-20 | 2022-02-24 | Ford Global Technologies, Llc | Method for operating a motor vehicle with a drive train having at least one traction motor powered by a traction battery |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3676707B1 (en) | Method for using a processor unit and a vehicle | |
DE112018004000T5 (en) | MONITORING A VEHICLE OPERATION RISK USING SENSOR UNITS | |
DE102017201226A1 (en) | Method for operating a data evaluation system for motor vehicle functions and data evaluation system | |
DE102019118366A1 (en) | Method and control device for a system for controlling a motor vehicle | |
DE102019209736A1 (en) | Procedure for evaluating possible trajectories | |
DE102021105419A1 (en) | VEHICLE HEALTH CALIBRATION | |
DE112021001181T5 (en) | Iterative optimization algorithm for multi-scale vehicle speed fusion prediction for smart connected vehicles | |
DE102020210561A1 (en) | Method for operating a motor vehicle with a drive train having at least one traction motor powered by a traction battery | |
DE102022118589A1 (en) | METHODS AND SYSTEMS FOR PREDICTING THE ENERGY CONSUMPTION OF A VEHICLE FOR ITS TRAVEL ALONG A DEFINED ROUTE AND FOR ROUTE PLANNING | |
DE102014212989A1 (en) | Controlling data connections and / or data transmissions in a mobile radio device | |
DE102020119861A1 (en) | Method and assistance device for the iteratively optimized operation of a motor vehicle and motor vehicle | |
DE102021111275A1 (en) | CHARGING SYSTEMS AND PROCESSES FOR ELECTRIC VEHICLES | |
DE102018211575A1 (en) | Method for operating an electrical vehicle electrical system of a motor vehicle and motor vehicle | |
EP3667237B1 (en) | Determination of a further test route during a test drive of a vehicle | |
DE102014225122A1 (en) | Method and system for providing information on the availability of charging stations | |
DE112017002942T5 (en) | Method and system for evaluating the operating performance of driver assistance systems associated with a vehicle | |
DE102022120831B3 (en) | Method for estimating a range for a motor vehicle | |
DE102018119668A1 (en) | Range selection for an electrical device with a rechargeable energy storage unit | |
DE102020210376A1 (en) | Apparatus and method for controlling a hardware agent in a multiple hardware agent control situation | |
DE102022001721B3 (en) | Method for planning charging processes for a vehicle and vehicle | |
DE102022119448A1 (en) | Method and system for generating an energy consumption forecast for a vehicle | |
DE102022125793A1 (en) | ADAPTIVE UPDATE OF VEHICLE ENERGY CONSUMPTION PREDICTION WHILE DRIVING | |
DE102022207279A1 (en) | Method for estimating model uncertainties using a neural network and an architecture of the neural network | |
DE102022120730A1 (en) | SYSTEM AND PROGRAM PRODUCT FOR GENERATION OF A VEHICLE SCHEDULE | |
DE102022210635A1 (en) | Method for controlling a behavior of a vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |