DE102022123578A1

DE102022123578A1 - Method and device for tuning motor vehicles

Info

Publication number: DE102022123578A1
Application number: DE102022123578.5A
Authority: DE
Inventors: Matteo Skull
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2022-09-15
Filing date: 2022-09-15
Publication date: 2024-03-21

Abstract

Die Erfindung stellt ein Verfahren zur Abstimmung von Kraftfahrzeugen mit den folgenden Merkmalen bereit: Mittels eines computerlinguistischen Modells (0) wird eine das Fahrverhalten betreffende Zielsetzung (13) formuliert; ein technischer Agent (10) mit einer auf die Zielsetzung (13) ausgerichteten Strategie ergreift eine Kalibrierungsmaßnahme (1), welche das Kraftfahrzeug in einen Folgezustand (2) versetzt; das Fahrverhalten des Kraftfahrzeuges im Folgezustand (2) wird einer Beurteilung (3) unterzogen; anhand der Beurteilung (3) wird mittels eines statistischen Modells (4) eine angemessene Belohnung (5) für die ergriffene Maßnahme (1) bestimmt; und abhängig von der Belohnung (5) ändert der Agent (10) seine Strategie.Die Erfindung stellt ferner eine entsprechende Vorrichtung (10), ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium bereit.The invention provides a method for tuning motor vehicles with the following features: an objective (13) relating to driving behavior is formulated using a computer linguistic model (0); a technical agent (10) with a strategy aimed at the objective (13) takes a calibration measure (1) which puts the motor vehicle into a subsequent state (2); the driving behavior of the motor vehicle in the subsequent state (2) is subjected to an assessment (3); Based on the assessment (3), an appropriate reward (5) for the measure taken (1) is determined using a statistical model (4); and depending on the reward (5), the agent (10) changes its strategy. The invention further provides a corresponding device (10), a corresponding computer program and a corresponding storage medium.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Abstimmung von Kraftfahrzeugen. Die vorliegende Erfindung betrifft darüber hinaus eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium.The present invention relates to a method for tuning motor vehicles. The present invention also relates to a corresponding device, a corresponding computer program and a corresponding storage medium.

In der Fahrzeugindustrie ist die modellbasierte Applikation von Antriebssträngen hinlänglich bekannt. Die Abstimmung (in Anlehnung an die englische Fachsprache auch „Kalibrierung“) der Parameter der Motorsteuerung stellt einen Schwerpunkt dieser Methodik dar. Einen Anwendungsfall auf diesem Gebiet beschreibt etwa - unter Verwendung der fachspezifischen Begrifflichkeiten - SKULL, Matteo. Numerische Modelle für einfachere Applikation. Porsche Engineering Magazin, 2016, Nr. 6, S. 44-48 .The model-based application of drive trains is well known in the vehicle industry. The coordination (based on the English technical language also “calibration”) of the parameters of the engine control is a focus of this methodology. An application case in this area is described - using the technical terms - SKULL, Matteo. Numerical models for easier application. Porsche Engineering Magazine, 2016, No. 6, pp. 44-48 .

Unabhängig hiervon kommen auf dem Gebiet der industriellen Informationstechnik zur Automatisierung unterschiedlichster Aufgaben Agentensysteme zum Einsatz. Die Richtlinie VDI/VDE 2653 Blatt 1 gibt folgende Definition: „Ein technischer Agent ist eine abgrenzbare (Hardware- oder/und Software-) Einheit mit definierten Zielen. Ein technischer Agent ist bestrebt, diese Ziele durch selbstständiges Verhalten zu erreichen und interagiert dabei mit seiner Umgebung und anderen Agenten.“Regardless of this, agent systems are used in the field of industrial information technology to automate a wide variety of tasks. The VDI/VDE 2653 Sheet 1 guideline gives the following definition: “A technical agent is a definable (hardware and/or software) unit with defined goals. A technical agent strives to achieve these goals through autonomous behavior and thereby interacts with its environment and other agents.”

Als bestärkendes oder verstärkendes Lernen (reinforcement learning, RL) werden in der Neuroinformatik solche Verfahren des maschinellen Lernens bezeichnet, bei denen ein derartiger Agent selbstständig eine Strategie (policy) erlernt, um erhaltene Belohnungen zu maximieren. Die Umgebung oder Umwelt, mit welcher der Agent interagiert, ist in diesem Fall als Markow-Entscheidungsproblem modelliert und umfasst somit eine Menge von Zuständen. Der Folgezustand in jedem Verfahrensschritt wird hierbei durch die jeweilige Aktion des Agenten bestimmt, die wiederum von dessen Strategie abhängt.In neuroinformatics, machine learning methods in which such an agent independently learns a strategy (policy) in order to maximize the rewards received are known as reinforcement learning (RL). In this case, the environment with which the agent interacts is modeled as a Markov decision problem and thus includes a set of states. The subsequent state in each process step is determined by the agent's respective action, which in turn depends on his strategy.

DE102019116980A1 offenbart ein Verfahren zum selektiven Lernen von Fahrzeugdaten, wobei dazu eine Fahrfunktion erkannt wird, mit einer Vielzahl von Fahrfunktionen aus einer Datenbank verglichen wird und bei einer Vergleichbarkeit der Fahrfunktion innerhalb einer Toleranz eine grafisch und/oder sprachliche Bewertungsanfrage an den Nutzer erstellt, sodass die Fahrzeugdaten zu der entsprechenden Fahrfunktion subjektiv bewertbar und mittels RL einstellbar sind. DE102019116980A1 discloses a method for selectively learning vehicle data, in which a driving function is recognized, compared with a large number of driving functions from a database and, if the driving function is comparable within a tolerance, a graphical and / or linguistic evaluation request is created for the user, so that the vehicle data can be subjectively evaluated for the corresponding driving function and can be adjusted using RL.

DE102021004426A1 offenbart ein Verfahren zum Trainieren einer autonomen Fahrfunktion, wobei bei einer nicht autonomen Fahrt die Fahrdaten ermittelt und gespeichert werden, sodass zu diesen Daten durch sogenanntes inverses RL eine Belohnungsfunktion ermittelt und eine autonome Fahrfunktion mittels der erlernten Belohnungsfunktion durch RL trainiert wird. DE102021004426A1 discloses a method for training an autonomous driving function, wherein during a non-autonomous trip the driving data is determined and stored, so that a reward function is determined for this data by so-called inverse RL and an autonomous driving function is trained by RL using the learned reward function.

DE102017216321A1 offenbart ein Verfahren zum Ermitteln einer Fahrfunktion für hochautomatisiertes Fahren für ein Fahrzeug, wobei beim Ermitteln der Fahrfunktion eine Bewertung des Fahrers maßgebend ist, ob die Fahrfunktion in einem Speicher gelöscht oder für spätere Fahrsituationen gespeichert wird. DE102017216321A1 discloses a method for determining a driving function for highly automated driving for a vehicle, wherein when determining the driving function, an assessment by the driver is decisive as to whether the driving function is deleted in a memory or saved for later driving situations.

DE102020109666A1 offenbart ein Verfahren zum Betreiben eines Fahrerassistenzsystems eines Fahrzeugs, wobei der Fahrer vor einer Ausführung einer abgespeicherten autonomen Fahrfunktion mittels Spracheingabe diese Ausführung bestätigen muss. Die Fahrfunktion kann zudem mittels künstlicher Intelligenz (KI) und einer wiederholten Ausführung des Fahrers in ähnlichen Situationen angepasst werden. DE102020109666A1 discloses a method for operating a driver assistance system of a vehicle, wherein the driver must confirm this execution by means of voice input before executing a stored autonomous driving function. The driving function can also be adjusted using artificial intelligence (AI) and repeated execution by the driver in similar situations.

Der Stand der Technik umfasst ferner KI- und insbesondere RL-gestützte Verfahren zur Abstimmung oder Kalibrierung von Fahrzeugen.The state of the art also includes AI- and in particular RL-supported methods for tuning or calibrating vehicles.

Die Erfindung stellt ein Verfahren zur Abstimmung des von einem Kraftfahrzeug gezeigten Fahrverhaltens, eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium gemäß den unabhängigen Ansprüchen bereit.The invention provides a method for tuning the driving behavior displayed by a motor vehicle, a corresponding device, a corresponding computer program and a corresponding storage medium according to the independent claims.

Der erfindungsgemäße Ansatz fußt hierbei auf der Erkenntnis, dass gattungsmäßige Methoden üblicherweise danach streben, subjektive Fahrbarkeitsbewertungen in einen analytischen Erfolgs- oder Leistungsindikator (key performance indicator, KPI) umzuwandeln. Derlei Umwandlung subjektiver Beurteilungen in einen KPI ist gleichwohl problematisch, da analytische Metriken die gesamte subjektive Beurteilung durch einen menschlichen Fahrer, Piloten oder Ingenieur nicht vollständig erfassen. Daher erweist es sich als suboptimal, die Fahrbarkeit eines Fahrzeugs anhand eines KPI zu bewerten.The approach according to the invention is based on the knowledge that generic methods usually strive to convert subjective drivability assessments into an analytical success or performance indicator (key performance indicator, KPI). However, converting subjective assessments into a KPI is problematic because analytical metrics do not fully capture the entire subjective assessment made by a human driver, pilot or engineer. It therefore proves to be suboptimal to evaluate the drivability of a vehicle based on a KPI.

Vielmehr ist jeder Eindruck vom Fahrverhalten sehr subjektiv und kann nicht eindeutig in einen KPI umgewandelt werden. Beispielsweise mögen drei verschiedene Fahrer ein als komfortabel empfundenes Fahrverhalten mit unterschiedlichem KPI bewerten, obgleich ihre Beurteilung im Kern übereinstimmt. Eine KPI-Umwandlung für Fahrbarkeitszwecke ist somit nicht zuverlässig genug, die Abbildung eines subjektiven Gefühls auf Messwerte ebenfalls suboptimal.Rather, every impression of driving behavior is very subjective and cannot be clearly converted into a KPI. For example, three different drivers may rate driving behavior that is perceived as comfortable using different KPIs, even though their assessment is essentially the same. A KPI conversion for drivability purposes is therefore not reliable enough, and mapping a subjective feeling to measured values is also suboptimal.

Eine Ausführungsform der Erfindung stützt sich vor diesem Hintergrund auf einen RL-Agenten, der mit dem Fahrzeug interagiert, indem er die Parameter der Fahrbarkeitsfunktion verändert, einen Zielgenerator, der subjektive Fahrbarkeitsbewertungen allein mittels eines computerlinguistischen (natural language processing, NLP) Modells zu Fahrbarkeitszielen zusammenfasst, einen Belohnungsgenerator, der - zum Beispiel basierend auf dem Ähnlichkeitswert zwischen dem zusammengefassten Fahrbarkeitsziel und der Beschreibung der subjektiven Bewertung der Fahrbarkeit des Fahrzeugs im aktuellen Zustand - Belohnungen ableitet, sowie ein optionales Zustandsabbildungsmodell, das Fahrbarkeitsmessungen auf subjektive Bewertungsbeschreibungen abbildetAgainst this background, one embodiment of the invention is based on an RL agent that interacts with the vehicle by changing the parameters of the drivability function, a goal generator that combines subjective drivability assessments into drivability goals solely using a computational linguistics (natural language processing, NLP) model , a reward generator that derives rewards - for example based on the similarity value between the summarized drivability goal and the description of the subjective rating of the vehicle's drivability in the current state - and an optional state mapping model that maps drivability measurements onto subjective rating descriptions

Ein Vorzug der nachfolgend vorgeschlagenen Lösung liegt darin, dass sie eine subjektive Kalibrierung und Bewertung des Fahrverhaltens des Fahrzeugs durch die einzige intuitive Schnittstelle gestattet: die Sprache. Die Sprache ist die einzige Möglichkeit, die es dem Ingenieur und dem Fahrer ermöglicht, ihr Gefühl betreffend das Fahrverhalten vollständig zu beschreiben. Somit sind keine Messanalysen zur Bewertung des Fahrverhaltens erforderlich.An advantage of the solution proposed below is that it allows subjective calibration and evaluation of the vehicle's driving behavior through the only intuitive interface: voice. Language is the only way that allows the engineer and the driver to fully describe their feeling about the driving behavior. This means that no measurement analyzes are required to evaluate driving behavior.

Weitere vorteilhafte Ausgestaltungen der Erfindung sind in den abhängigen Patentansprüchen angegeben. So kann die Zielsetzung des Verfahrens formuliert werden, indem die Einzeleindrücke des Fahrers vom Fahrverhalten mittels des NLP-Modells zu einer Zusammenfassung verdichtet werden. Der Fahrer beschreibt somit lediglich sprachlich seine Eindrücke und ein lernender Agent kalibriert das Fahrzeug autonom, bis es die formulierte Zielsetzung erfüllt. Hierzu bedarf es weder der Formulierung von Belohnungen auf der Grundlage eines KPI noch Messergebnisse, die dem Agenten mitteilen, wie gut er arbeitet. Vielmehr findet der Agent die optimale Kalibrierung für die Fahrbarkeit des Fahrzeugs, indem er einfach das beschriebene subjektive Ziel verfolgt.Further advantageous embodiments of the invention are specified in the dependent claims. The objective of the process can be formulated by condensing the driver's individual impressions of driving behavior into a summary using the NLP model. The driver simply describes his impressions verbally and a learning agent autonomously calibrates the vehicle until it meets the formulated objective. This does not require the formulation of rewards based on a KPI or metrics that tell the agent how well they are performing. Rather, the agent finds the optimal calibration for the drivability of the vehicle by simply pursuing the described subjective goal.

In einer weiteren Ausführungsform wird die Übereinstimmung der Beschreibung mit den Kalibrierungszielen als KPI für die Abstimmung herangezogen. Auch ohne Rückmeldung des menschlichen Fahrers in Form von Belohnungen wird auf diese Weise ein sehr genauer KPI zur objektiven Bewertung der Fahrbarkeit autonom aus der Ähnlichkeit des beschriebenen Ziels und der Beschreibung des aktuellen Kalibrierungsstatus abgeleitet. Allein die subjektive Beschreibung der Empfindungen des Fahrers reicht dem Agenten hierbei aus, um das Fahrverhalten zu begutachten.In a further embodiment, the agreement of the description with the calibration goals is used as a KPI for the tuning. Even without feedback from the human driver in the form of rewards, a very precise KPI for the objective assessment of drivability is derived autonomously from the similarity of the described target and the description of the current calibration status. The subjective description of the driver's feelings alone is enough for the agent to assess the driving behavior.

Kurze Beschreibung der ZeichnungenBrief description of the drawings

Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und werden im Folgenden näher beschrieben.

1 zeigt den Überblick eines erfindungsgemäßen Verfahrens ohne menschliche Beteiligung.
2 zeigt den Überblick eines erfindungsgemäßen Verfahrens unter Beteiligung des Fahrers.
3 zeigt die Formulierung der das Fahrverhalten betreffenden Zielsetzung mittels eines NLP-Modells.
4 zeigt die Bestimmung einer angemessenen Belohnung mittels eines statistischen Modells.
5 zeigt die automatisierte Beurteilung des Fahrverhaltens mittels eines weiteren Modells.

Embodiments of the invention are shown in the drawings and are described in more detail below.

1 shows an overview of a method according to the invention without human involvement.
2 shows an overview of a method according to the invention with the participation of the driver.
3 shows the formulation of the objective relating to driving behavior using an NLP model.
4 shows the determination of an appropriate reward using a statistical model.
5 shows the automated assessment of driving behavior using another model.

1 illustriert den Ablauf eines erfindungsgemäßen Verfahrens, welches von einem Datensatz (12) von Einzeleindrücken ausgeht, die der Fahrer vom anfänglichen Fahrverhalten des Kraftfahrzeuges gewinnt. Anhand dieses Datensatzes (12) wird zunächst mittels eines NLP-Modells (0) eine das Fahrverhalten betreffende Zielsetzung (13) formuliert. 1 illustrates the sequence of a method according to the invention, which is based on a data set (12) of individual impressions that the driver gains from the initial driving behavior of the motor vehicle. Based on this data set (12), an objective (13) relating to driving behavior is first formulated using an NLP model (0).

Auf eben diese Zielsetzung (13) ist die Strategie eines technischen Agenten (10) auszurichten, welcher hierzu wiederholt eine Kalibrierungsmaßnahme (1) ergreift, die die Parameter der Fahrfunktion des Kraftfahrzeuges modifiziert und letzteres so in einen Folgezustand (2) versetzt. Das Fahrverhalten des Kraftfahrzeuges in diesem Folgezustand (2) wird mittels eines weiteren Modells (11), welches die Zustände des Agenten (10) auf subjektive Kommentare abbildet, einer automatisierten Beurteilung (3) unterzogen.The strategy of a technical agent (10) is to be aimed at precisely this objective (13), which for this purpose repeatedly takes a calibration measure (1) which modifies the parameters of the driving function of the motor vehicle and thus puts the latter into a subsequent state (2). The driving behavior of the motor vehicle in this subsequent state (2) is subjected to an automated assessment (3) using a further model (11), which maps the states of the agent (10) to subjective comments.

Anhand der besagten Beurteilung (3) lässt sich mittels eines statistischen Modells (4) nunmehr eine angemessene Belohnung (5) des Agenten (10) für die von ihm ergriffene Maßnahme (1) bestimmen, in die auch sein Zustand (2) eingehen kann. Diese dem Agenten (10) zustehende Belohnung (5) mag hierbei als KPI (14) für die Abstimmung des Fahrverhaltens herangezogen werden (6). In jedem Fall berücksichtigt der Agent (10) die Belohnung (5), um seine Kalibrierungsstrategie mit jeder Wiederholung der beschriebenen Schritte zu verfeinern, bis das Fahrverhalten des Kraftfahrzeuges die Zielsetzung (13) in hinreichendem Maße erfüllt.Based on the said assessment (3), a statistical model (4) can now be used to determine an appropriate reward (5) for the agent (10) for the measure (1) he has taken, which can also include his state (2). This reward (5) due to the agent (10) can be used as a KPI (14) for coordinating driving behavior (6). In any case, the agent (10) takes the reward (5) into account in order to refine its calibration strategy with each repetition of the steps described until the driving behavior of the motor vehicle sufficiently meets the objective (13).

Eine Variante dieses Verfahrens ist in 2 dargestellt. An die Stelle des Modells (11) tritt hier der Fahrer (21) des Kraftfahrzeuges, welcher dessen Fahrverhalten im Folgezustand (2) aufschreibt. Anstatt der vom Modell (11) generierten Kommentare dient diese manuelle Beurteilung (3) als Eingabe für das statistische Modell (4) und somit als Grundlage für die Festsetzung der Belohnung (5).A variant of this procedure is in 2 shown. The driver (21) of the motor vehicle takes the place of the model (11). Write down driving behavior in the following state (2). Instead of the comments generated by the model (11), this manual assessment (3) serves as input to the statistical model (4) and thus as the basis for setting the reward (5).

3 veranschaulicht das Formulieren der Zielsetzung (13) mittels des NLP-Modells (0). Zur Verallgemeinerung wird der Inhalt des Datensatzes (12 - 1 und 2), welcher die Einzeleindrücke (32) des Fahrers (21 - 2) vom Fahrverhalten beschreibt, hierbei zunächst einer Datenvermehrung (data augmentation 30) unterzogen. Die solchermaßen vorverarbeiteten Daten werden sodann zur summarischen Zielsetzung (13 - 1 und 2) verdichtet (31), welche dem weiteren Verfahren zugrunde gelegt werden soll. 3 illustrates the formulation of the objective (13) using the NLP model (0). For generalization, the content of the data set (12 - 1 and 2 ), which contains the individual impressions (32) of the driver (21 - 2 ) describes driving behavior, first subjected to data augmentation 30. The data pre-processed in this way then becomes the summary objective (13 - 1 and 2 ) condensed (31), which should be used as the basis for the further procedure.

Dieses Vorgehen sei nunmehr an einem Beispiel erläutert. Der Datensatz (12 - 1 und 2) umfasse dabei folgende Einzeleindrücke (32):

1. „Das Lastwechselverhalten bei 3.000 U/min ist zu sportlich.“
2. „Das Anfahren sollte weniger sprunghaft vonstattengehen.“
3. „Ich spürte einen Stoß bei 2000 U/min, als ich das Pedal entlastete.“
4. „Das Fahrgefühl im Fahrzeug unserer Mitbewerber ist angenehmer, besonders unter geringer Last.“

This procedure will now be explained using an example. The data set (12 - 1 and 2 ) includes the following individual impressions (32):

1. “The load change behavior at 3,000 rpm is too sporty.”
2. “Starting off should be less abrupt.”
3. “I felt a shock at 2000 rpm when I released the pedal.”
4. “The driving experience in our competitors’ vehicles is more pleasant, especially under light loads.”

Als Ergebnis der oben beschriebenen Datenvermehrung (30) und -verdichtung (31) liefert das MLP-Modell (0) folgende Formulierung: „Das Fahrzeug muss bequemer sein.“As a result of the data augmentation (30) and compression (31) described above, the MLP model (0) provides the following formulation: “The vehicle must be more comfortable.”

An dieser Zielsetzung (13) hat sich gemäß den 1 und 2 die Strategie des Agenten (10) zu orientieren, dessen Kalibrierungsmaßnahmen (1) daher fortan mittels des in 4 dargestellten statistischen Modells (4) entsprechend zu bewerten sind. Die von der Zielsetzung umfassten Kalibrierungsziele (33) werden hierzu unmittelbar nach der Umsetzung jeder Einzelmaßnahme einer verbalen Beschreibung (43) des Fahrverhaltens im jeweiligen Folgezustand (2 - 1 und 2) gegenübergestellt. (Entsprechende Zustandssignale mögen zusätzlich in die Betrachtung einfließen.) Durch gewichteten Vergleich liefert das Modell (4) ein Maß für die Übereinstimmung (40) zwischen Zielen (33) und Beschreibung (43), welches vom Agenten als dessen Belohnung (5 - 1 und 2) ausgelegt wird. So stünde beispielsweise die Zielsetzung (33) „Mach das Fahrzeug komfortabel“ mit der Beschreibung (43) „Das Fahrverhalten des Fahrzeugs ist insgesamt sehr komfortabel“ vollständig in Übereinstimmung (40), sodass die volle Belohnung angemessen erschiene. Mit den Beschreibungen (43) „Das Fahrverhalten des Fahrzeugs war insgesamt zu sportlich“ oder „Das Fahrverhalten des Fahrzeugs ist insgesamt komfortabel, außer beim Anfahren“ bestünde indes eine Übereinstimmung (40) von 0 % beziehungsweise 90 %, welche lediglich im entsprechenden Anteil zu belohnen wäre.This objective (13) has been worked on in accordance with 1 and 2 to orientate the strategy of the agent (10), whose calibration measures (1) are henceforth carried out using the in 4 presented statistical model (4) must be assessed accordingly. For this purpose, the calibration goals (33) included in the objective are given a verbal description (43) of the driving behavior in the respective subsequent state (2 - 1 and 2 ) compared. (Corresponding status signals may also be included in the consideration.) Through weighted comparison, model (4) provides a measure of the agreement (40) between goals (33) and description (43), which the agent uses as his reward (5 - 1 and 2 ) is designed. For example, the objective (33) “Make the vehicle comfortable” would be completely in line with the description (43) “The driving behavior of the vehicle is very comfortable overall” (40), so that the full reward would seem appropriate. However, with the descriptions (43) “The overall driving behavior of the vehicle was too sporty” or “The overall driving behavior of the vehicle is comfortable, except when starting off,” there would be an agreement (40) of 0% or 90%, which only corresponds in the corresponding proportion would be rewarding.

Die in 1 dargestellte automatisierte Beurteilung (3) des Folgezustandes (2) wird schließlich durch 5 eingehender beleuchtet. Ein weiteres im Rahmen des maschinellen Lernens (ML) eingesetztes Modell (11) bildet demnach den durch Geschwindigkeit, Motordrehzahl, Ladezustand, Fahrmodus, Ruckeln usw. des Kraftfahrzeuges charakterisierten Zustand (2) auf eine subjektive Schilderung des Fahrverhaltens ab, welche der verbalen Beschreibung (43 - 4) durch einen menschlichen Fahrer entspricht (20).In the 1 The automated assessment (3) of the subsequent state (2) shown is finally carried out 5 illuminated in more detail. Another model (11) used in the context of machine learning (ML) maps the state (2) of the motor vehicle, characterized by speed, engine speed, state of charge, driving mode, jerking, etc., onto a subjective description of the driving behavior, which corresponds to the verbal description ( 43 - 4 ) by a human driver corresponds to (20).

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

DE 102019116980 A1 [0005]
DE 102021004426 A1 [0006]
DE 102017216321 A1 [0007]
DE 102020109666 A1 [0008]

Zitierte Nicht-PatentliteraturNon-patent literature cited

SKULL, Matteo. Numerical models for easier application. Porsche Engineering Magazine, 2016, No. 6, pp. 44-48 [0002]

Claims

Method for coordinating driving behavior displayed by a motor vehicle, characterized by the following features: - an objective (13) relating to driving behavior is formulated using a computer linguistic model (0), - a technical agent (10) with an objective (13) geared towards the objective (13). Strategy takes a calibration measure (1), which puts the motor vehicle into a subsequent state (2), - the driving behavior of the motor vehicle in the subsequent state (2) is subjected to an assessment (3), - based on the assessment (3), a statistical model ( 4) an appropriate reward (5) is determined for the action taken (1) and - depending on the reward (5) the agent (10) changes its strategy.

Procedure according to Claim 1 , characterized by at least one of the following features: - the assessment (3) takes place as a verbal description (43) of the driving behavior in the subsequent state (2) by a driver (21) of the motor vehicle or - the assessment (3) takes place in accordance with (20) for verbal description (43) automatically using another model (11).

Procedure according to Claim 2 , characterized by the following features: - the objective (13) is formulated using a set (12) of data which describes individual impressions (32) of the driver (21) of driving behavior, and - the objective (13) is formulated by Using the computer linguistic model (0), the data is increased (30) and the individual impressions (32) are condensed (31) into the objective (13) to be formulated.

Procedure according to Claim 2 or 3 , characterized by the following features: - the objective (13) includes calibration objectives (33) to be fulfilled by the motor vehicle and - the reward (5) is determined depending on whether the description (43) matches (40) with the calibration objectives (33) .

Procedure according to Claim 4 , characterized by the following feature: - the established agreement (40) is used as a success indicator (14) for the coordination of driving behavior (6).

Procedure according to one of the Claims 1 until 5 , characterized by the following feature: - the statistical model (4) takes into account the subsequent state (2).

Procedure according to one of the Claims 1 until 6 , characterized in that the subsequent state (2) is described using at least one of the following variables: - a speed of the motor vehicle, - an engine speed of the motor vehicle, - a charge status of the motor vehicle, - a driving mode of the motor vehicle or - a jerking of the motor vehicle.

Device (10), which is set up to implement a method according to one of Claims 1 until 7 to carry out.

Computer program that is set up to carry out all steps of a procedure according to one of the Claims 1 until 7 to carry out.

Machine-readable storage medium with a computer program stored on it Claim 9 .