DE102022200562A1

DE102022200562A1 - Method for detecting a change between a driving state and a vehicle standstill

Info

Publication number: DE102022200562A1
Application number: DE102022200562.7A
Authority: DE
Inventors: Frank Baehrle-Miller; Benjamin Heer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-01-19
Filing date: 2022-01-19
Publication date: 2023-07-20
Also published as: CN116461517A

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung eines Wechsels (WM) zwischen einem Fahrzustand und einem Fahrzeugstillstand. Das Verfahren umfasst dabei die Schritte des Bestimmens (A) wenigstens einer fahrdynamischen Zustandsgröße (Sw), des Eingebens (B) der fahrdynamischen Zustandsgröße (SW) in ein trainiertes machine learning System, und des Ausgebens (C) einer Information über einen Wechsel (WM) zwischen einem Fahrzustand und einem Fahrzeugstillstand.The invention relates to a method for detecting a change (WM) between a driving state and a vehicle standstill. The method includes the steps of determining (A) at least one driving dynamics state variable (Sw), entering (B) the driving dynamics state variable (SW) into a trained machine learning system, and outputting (C) information about a change (WM) between a driving state and a vehicle standstill.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Erkennung eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand. Darüber hinaus betrifft die Erfindung ein Verfahren zum Trainieren eines machine learning systems zum Erkennen eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand.The present invention relates to a method for detecting a change between a driving state and a vehicle standstill. In addition, the invention relates to a method for training a machine learning system for detecting a change between a driving state and a vehicle standstill.

Stand der TechnikState of the art

Verschiedene Fahrzeugfunktionen sind auf die Information angewiesen, ob sich das Fahrzeug im Stillstand oder in einem dynamischen Fahrzustand befindet. Beispielweise darf die automatisierte Parkbremse erst geschlossen werden, wenn das Fahrzeug steht. Der Fahrzeugstillstand wird üblicherweise vom Bremssystem ermittelt, welches die Umdrehung der einzelnen Räder über Drehzahlsensoren erfasst. Sobald die Sensoren keine Radumdrehungen mehr erkennen oder die Radumfangsgeschwindigkeit unterhalb eines festgelegten Schwellwerts liegt, wird für das Fahrzeug der Stillstandzustand bestimmt. Mit dieser Information können Fahrzeugfunktionen freigegeben werden, die nur im Stillstand ausgeführt werden dürfen.Various vehicle functions depend on the information as to whether the vehicle is at a standstill or in a dynamic driving state. For example, the automated parking brake may only be applied when the vehicle is stationary. The standstill of the vehicle is usually determined by the braking system, which records the rotation of the individual wheels via speed sensors. As soon as the sensors no longer detect any wheel revolutions or the wheel peripheral speed is below a specified threshold value, the vehicle is determined to be at a standstill. This information can be used to enable vehicle functions that may only be carried out when the vehicle is stationary.

Aus der DE 199 63 750 B4 ist ein Verfahren und eine Einrichtung zum Erkennen eines Stillstandes eines Fahrzeugs bekannt. In diesem Verfahren wird die Stillstandserkennung in Abhängigkeit der Geschwindigkeit des Fahrzeugs oder der Geschwindigkeit wenigstens einem Rad des Fahrzeugs durchgeführt. Die Erkennung erfolgt dabei in Abhängigkeit der Bremskraft beim Abbremsen des Fahrzeugs und in Abhängigkeit zweier Geschwindigkeits-Schwellen.From the DE 199 63 750 B4 a method and a device for detecting a standstill of a vehicle are known. In this method, the standstill detection is carried out depending on the speed of the vehicle or the speed of at least one wheel of the vehicle. The detection takes place depending on the braking force when braking the vehicle and depending on two speed thresholds.

Ein einzelner Hardwarefehler kann zu einem Ausfall der primären Stillstanderkennung führen. Damit sind alle Fahrzeugfunktionen mit einer Abhängigkeit zur Information über den Fahrzeugstillstand degradiert oder nur noch mit Einschränkungen verfügbar. Muss die Funktionsfähigkeit auch bei solchen Einfachfehler erhalten werden, ist eine redundante Erkennung des Fahrzeugstillstands über eine sekundäre Stillstanderkennung wie bspw. einer zusätzlichen Raddrehzahlsensorik notwendig.A single hardware failure can cause the primary standstill detection to fail. As a result, all vehicle functions that depend on information about the vehicle being stationary are degraded or only available with restrictions. If the functionality has to be maintained even with such a simple error, a redundant detection of the vehicle standstill via a secondary standstill detection such as an additional wheel speed sensor is necessary.

Die der Erfindung zugrunde liegende Aufgabe liegt darin, ein Verfahren anzugeben, mit welchem auf einfache und zuverlässige Weise ein Wechsel zwischen einem Fahrzustand und einem Fahrzeugstillstand ermittelbar ist.The object on which the invention is based is to specify a method with which a change between a driving state and a vehicle standstill can be determined in a simple and reliable manner.

Die Aufgabe wird gelöst durch ein Verfahren zur Erkennung eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand mit den Merkmalen des Patentanspruchs 1. Die Aufgabe wird zusätzlich gelöst durch ein Verfahren zum Trainieren eines machine learning Systems zum Erkennen eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand, mit den Merkmalen von Anspruch 4. Bevorzugte Ausführungsformen sind den abhängigen Ansprüchen zu entnehmen.The object is achieved by a method for detecting a change between a driving condition and a vehicle standstill with the features of claim 1. The object is additionally achieved by a method for training a machine learning system for detecting a change between a driving condition and a vehicle standstill, with the features of claim 4. Preferred embodiments are evident from the dependent claims.

Offenbarung der ErfindungDisclosure of Invention

Die Erfindung gibt ein Verfahren zur Erkennung eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand an. Das Verfahren umfasst dabei die Schritte des Bestimmens wenigstens einer fahrdynamischen Zustandsgröße, des Eingebens der fahrdynamischen Zustandsgröße in ein trainiertes machine learning System, und des Ausgebens einer Information über einen Wechsel zwischen einem Fahrzustand und einem Fahrzeugstillstand.The invention specifies a method for detecting a change between a driving state and a vehicle standstill. The method includes the steps of determining at least one driving dynamics state variable, inputting the driving dynamics state variable into a trained machine learning system, and outputting information about a change between a driving state and a vehicle standstill.

Bei der Erkennung eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand, soll einmal bestimmt werden, wann das Fahrzeug einen Stillstand erreicht und zum anderen mal, wann das Fahrzeug aus dem Stillstand anfährt. Zur Bestimmung wird dabei eine fahrdynamische Zustandsgröße bestimmt. Eine fahrdynamische Zustandsgröße ist dabei ein Wert, welcher sich während einer Fahrt ständig ändert. Die fahrdynamische Zustandsgröße ändert sich dabei insbesondere bei einem Wechsel zwischen einem Fahrzustand und einem Fahrzeugstillstand. Vorteilhafterweise wird eine solche Zustandsgröße über Sensoren ermittelt. Ebenso kann ein solcher Wert aus anderen Messwerten berechnet werden.When detecting a change between a driving state and a vehicle standstill, it should be determined on the one hand when the vehicle reaches a standstill and on the other hand when the vehicle starts moving from a standstill. A driving dynamics state variable is determined for the determination. A driving dynamics state variable is a value that changes constantly during a journey. The driving dynamics state variable changes in particular when there is a change between a driving state and a vehicle standstill. Such a state variable is advantageously determined via sensors. Such a value can also be calculated from other measured values.

Ein machine learning System hat dabei den Vorteil, dass dieses aus Werten, welche lediglich durch den Wechsel zwischen Fahrzustand und Fahrzeugstillstand beeinflusst werden, eine Aussage über diesen Wechsel bestimmen kann. Die Bestimmung des Wechsels ist dadurch vereinfacht, da das machine learning System nicht auf bestimmte Werte festgelegt ist. Es können somit alle Werte verwendet werden, welche lediglich durch den Wechsel beeinflusst werden. Ein solches machine learning System ist dadurch variabel einsetzbar.A machine learning system has the advantage that it can determine a statement about this change from values that are only influenced by the change between the driving state and the vehicle being stationary. This simplifies the determination of the change, since the machine learning system is not fixed to specific values. This means that all values can be used that are only influenced by the change. Such a machine learning system can thus be used variably.

In einer bevorzugten Ausführung der Erfindung umfassen die fahrdynamischen Zustandsgrößen eine Beschleunigung der Fahrzeugkarosserie in Längsrichtung, eine Beschleunigung der Fahrzeugkarosserie um die Fahrzeugquerachse, einen Einfederzustand eines einzelnen Rades, einen Bremsdruck im Hauptbremszylinder, einen Bremsdruck in der Radbremse eines einzelnen Rades, und eine Radgeschwindigkeit. Jeder dieser Größen ändert sich beim Wechsel zwischen Fahrzustand und Fahrzeugstillstand. Aus diesen Werten kann durch ein machine learning System somit ein Wechsel erkannt werden.In a preferred embodiment of the invention, the driving dynamics state variables include an acceleration of the vehicle body in the longitudinal direction, an acceleration of the vehicle body about the vehicle transverse axis, a compression state of an individual wheel, a brake pressure in the master brake cylinder, a brake pressure in the wheel brake of an individual wheel, and a wheel speed. Each of these variables changes when changing between driving status and vehicle standstill. From these values, a change can be recognized by a machine learning system.

Vorteilhafterweise werden diese fahrdynamische Zustandsgrößen durch bereits vorhandene Sensoren ermittelt. Mit anderen Worten werden diese Werte dieser Sensoren bereits für andere Fahrzeugfunktionen benötigt und sind damit bereits installiert. Es muss für die Erkennung des Wechsels kein zusätzlicher Sensor installiert werden, so dass ein solches Verfahren wirtschaftlich ausführbar ist. Der Niveausensor zu Messung des Einfederzustands wird beispielsweise bereits für die dynamische Leuchtweitenregulierung verwendet.Advantageously, these driving dynamics state variables are determined by already existing sensors. In other words, these values from these sensors are already required for other vehicle functions and are therefore already installed. No additional sensor needs to be installed to detect the change, so that such a method can be implemented economically. The level sensor for measuring the deflection state is already used for dynamic headlight range control, for example.

Die der Erfindung zugrunde liegende Aufgabe wird zusätzlich gelöst durch ein Verfahren zum Trainieren eines machine learning Systems zum Erkennen eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand. In einem ersten Schritt werden Trainingsdaten, umfassend wenigstens eine, einen Wechsel zwischen Fahrzustand und Fahrzeugstillstand charakterisierende fahrdynamische Zustandsgröße, in das machine learning System eingegeben.The object on which the invention is based is additionally achieved by a method for training a machine learning system for detecting a change between a driving state and a vehicle standstill. In a first step, training data, comprising at least one driving-dynamics state variable characterizing a change between driving state and vehicle standstill, are entered into the machine learning system.

Anhand dieser Trainingsdaten ermittelt das machine learning System einen Wechsel zwischen einem Fahrzustand und einem Fahrzeugstillstand. Dabei wird insbesondere der Zeitpunkt dieses Wechsels ermittelt. Anschließend wird der ermittelte Wechsel des machine learning Systems mit einem tatsächlichen Zeitpunkt des Wechsels zwischen Fahrzustand und Fahrzeugstillstand verglichen. Der tatsächliche Wechsel ist dabei ein Wert, welcher beispielsweise über Raddrehzahlsensoren ermittelt wird. Mit anderen Worten wird überprüft, ob der durch das machine learning System ermittelte Zeitpunkt des Wechsels mit dem tatsächlichen Zeitpunkt des Wechsels übereinstimmt. Die dabei festgestellten Abweichungen werden in einem nächsten Schritt mit einer Kostenfunktion bewertet.Using this training data, the machine learning system determines a change between a driving state and a vehicle standstill. In particular, the time of this change is determined. The change determined by the machine learning system is then compared with an actual point in time at which the change between the driving state and the vehicle is stationary. The actual change is a value which is determined, for example, via wheel speed sensors. In other words, it is checked whether the time of the change determined by the machine learning system matches the actual time of the change. In the next step, the deviations identified are evaluated using a cost function.

In einem weiteren Schritt werden Parameter, die das Verhalten des Modells charakterisieren mit dem Ziel geändert, so dass bei weiterer Verarbeitung von Trainingsdaten durch das machine learning System die Bewertung durch die Kostenfunktion voraussichtlich verbessert wird. Die Ermittlung des Wechsels wird dadurch bei jedem Lernschritt verbessert. Die Ermittlung des Wechsel mit dem machine learning Systems wird freigegeben, falls ein ermittelter Zuverlässigkeitsfaktor größer als ein vorbestimmter Wert ist. Dadurch wird eine Ermittlung des Wechsels mit dem machine learning Systems erst verwendet, wenn eine ausreiche Genauigkeit erzielt wird. Dadurch wird die Sicherheit eines solchen Fahrzeugs erhöht. Die Ermittlung des Wechsels mittels des machine learning Systems stellt dabei eine einfache und wirtschaftliche Möglichkeit dar. Dies trifft insbesondere zu, für den Fall, dass die fahrdynamischen Zustandsgrößen mittels bereits vorhandener Sensoren ermittelt wird.In a further step, parameters that characterize the behavior of the model are changed with the aim of improving the evaluation by the cost function with further processing of training data by the machine learning system. The determination of the change is thereby improved with each learning step. The determination of the change with the machine learning system is enabled if a determined reliability factor is greater than a predetermined value. As a result, a determination of the change with the machine learning system is only used when sufficient accuracy is achieved. This increases the safety of such a vehicle. Determining the change using the machine learning system represents a simple and economical option. This applies in particular if the driving dynamics state variables are determined using sensors that are already present.

In einer weiteren bevorzugten Ausführung der Erfindung werden die Daten zum erkannten Wechsel zwischen Fahrzustand und Fahrzeugstillstand über eine primäre Erkennungseinheit bereitgestellt. Die primäre Erkennungseinheit ist dabei eine Vorrichtung, welche normalerweise einen Wechsel detektiert. Eine Erkennung des Wechsels durch das machine learning System bildet dadurch ein redundantes System zur primären Erkennungseinheit.In a further preferred embodiment of the invention, the data on the recognized change between driving state and vehicle standstill are provided via a primary recognition unit. The primary recognition unit is a device that normally detects a change. A detection of the change by the machine learning system thus forms a redundant system for the primary detection unit.

Durch die Daten der primären Erkennungseinheit müssen keine Trainingsdaten vor einer Auslieferung der Fahrzeuge erzeugt werden. Die Trainingsdaten werden somit in jedem Fahrzeug selber erzeugt. Eine Verwendung eines machine learning Systems in einem Kraftfahrzeug ist dadurch wirtschaftlich möglich.The data from the primary recognition unit means that no training data need to be generated before the vehicles are delivered. The training data is thus generated in each vehicle itself. It is therefore economically possible to use a machine learning system in a motor vehicle.

Vorzugsweise wird das machine learning System während des Betriebs mittels der ermittelten fahrdynamischen Zustandsgrößen weitertrainiert. Das Training wird somit nicht beendet, nachdem der Zuverlässigkeitsfaktor ausreichend ist. Verschiedene Faktoren können sich während der Lebensdauer des Fahrzeugs durch Verschleiß ändern. Beispielsweise lässt die Dämpfungswirkung der Stoßdämpfer mit der Zeit nach. Auch kann sich der Beladungszustand während verschiedener Fahrten ändern. Das machine learning System wird somit ständig an die aktuellen Begebenheiten angepasst, so dass die Genauigkeit des Wechsels zwischen Fahrzustands und Fahrzeugstillstand mit hoher Genauigkeit ermittelt werden kann. Durch das ständige Training wird der Zuverlässigkeitsfaktor stetig überprüft, so dass eine Fehlfunktion des machine learning Systems zügig erkannt werden kann. Dadurch wird die Sicherheit der Erkennung des Wechsel zwischen Fahrzustand und Fahrzeugstillstand zusätzlich erhöht.The machine learning system is preferably further trained during operation using the determined driving dynamics state variables. The training is thus not terminated after the reliability factor is sufficient. Various factors can change during the life of the vehicle due to wear and tear. For example, the damping effect of the shock absorbers decreases over time. The loading status can also change during different journeys. The machine learning system is thus constantly adapted to the current events, so that the accuracy of the change between the driving state and the vehicle standstill can be determined with great accuracy. The reliability factor is constantly checked through constant training, so that a malfunction of the machine learning system can be detected quickly. As a result, the reliability of the detection of the change between driving status and vehicle standstill is additionally increased.

In einer vorteilhaften Weiterbildung wird die Erkennung eines Wechsels zwischen Fahrzustand und Fahrzeugstillstand mittels des machine learning Systems deaktiviert, falls ein Training während des Betriebs für einen vorbestimmten Zeit ausgesetzt wurde. Falls nach einem Defekt der primären Erkennungseinheit, die Erkennung des Stillstands lediglich durch das machine learning Systems durchgeführt wird, unterbleibt ein Training dieses Systems. Durch ein fehlendes Training wird das machine learning System jedoch aufgrund des Verschleiß des Fahrzeugs ungenau. Um den Fahrzeugsystemen keinen falschen Wert über den Wechsel zu liefern, wird die Erkennung nach einer vorbestimmten Zeit, vollkommen deaktiviert. Zusätzlich kann eine weitere Fehlermeldung für den Fahrer ausgegeben werden. Die Sicherheit des Fahrzeugs wird dadurch erhöht. In an advantageous development, the recognition of a change between the driving state and the vehicle being stationary is deactivated by means of the machine learning system if training has been suspended for a predetermined time during operation. If, after a defect in the primary detection unit, the detection of the standstill is only carried out by the machine learning system, this system is not trained. However, due to a lack of training, the machine learning system becomes inaccurate due to the wear and tear of the vehicle. In order not to provide the vehicle systems with an incorrect value about the change, the detection is completely deactivated after a predetermined time. In addition, another error message can be output for the driver. This increases the safety of the vehicle.

Vorteilhafterweise werden vor dem Eingeben der fahrdynamischen Zustandsgrößen zusätzlich Kenngrößen aus den fahrdynamischen Zustandsgrößen ermittelt, die ebenfalls in das machine learning System eingegeben werden. Kenngrößen sind dabei Parameter, welche aus den fahrdynamischen Zustandsgrößen abgeleitet werden und unterschiedliche Erkenntnisse aus den verschiedenen fahrdynamischen Zustandsgrößen liefern. Solche Kenngrößen können beispielsweise einen Mittelwert, einen Gradienten bei einem Anstieg/Abfall, die Frequenz oder die Abklingzeit umfassen.Advantageously, before entering the vehicle-dynamics state variables additionally Parameters determined from the driving dynamics state variables, which are also entered into the machine learning system. Parameters are parameters which are derived from the driving dynamics state variables and provide different insights from the various driving dynamics state variables. Such parameters can include, for example, an average value, a gradient in the event of an increase/decrease, the frequency or the decay time.

Anhand der eingegebenen Daten ermittelt das machine learning System die für die Auswertung relevanten Daten und gewichtet diese entsprechend. Durch eine Erhöhung der Datenmenge wird es dem machine learning System erleichtert, die relevanten Daten zu ermitteln. Die Genauigkeit der Ermittlung des Wechsels zwischen Fahrzustand und Fahrzeugstillstand wird dadurch erhöht. Zusätzlich wird die Zeit, bis das machine learning System eine ausreichende Zuverlässigkeit aufweist, verkürzt.Based on the entered data, the machine learning system determines the data relevant for the evaluation and weights them accordingly. Increasing the amount of data makes it easier for the machine learning system to determine the relevant data. This increases the accuracy of the determination of the change between the driving state and the vehicle standstill. In addition, the time until the machine learning system has sufficient reliability is shortened.

Bei einer weiteren vorteilhaften Ausführung werden die einen Wechsel zwischen Fahrzustand und Fahrzeugstillstand charakterisierenden fahrdynamischen Zustandsgrößen an eine Cloud übermittelt, in welcher das machine learning System trainiert wird. Ein Training findet somit nicht direkt im Fahrzeug statt. Die im Fahrzeug implementierte Rechenleistung kann dadurch wesentlich reduziert werden, wodurch Antriebsenergie eingespart und die Reichweite erhöht werden kann. Zusätzlich ist es möglich in der Cloud die bereits ermittelten Berechnungsmodelle von Fahrzeugen des gleichen Typs lediglich minimal anzupassen, so dass das Ergebnis verbessert und die ausreichende Zuverlässigkeit schneller erzielt wird. Die in der Cloud ermittelten Parameter zur Berechnung des Wechsel werden anschließend an das Fahrzeug übermittelt.In a further advantageous embodiment, the driving dynamics state variables characterizing a change between the driving state and the vehicle being stationary are transmitted to a cloud in which the machine learning system is trained. Training therefore does not take place directly in the vehicle. The computing power implemented in the vehicle can be significantly reduced as a result, which saves drive energy and increases the range. In addition, it is possible in the cloud to only minimally adapt the calculation models of vehicles of the same type that have already been determined, so that the result improves and sufficient reliability is achieved more quickly. The parameters determined in the cloud for calculating the change are then transmitted to the vehicle.

Zusätzlich wird eine Steuereinheit eines Kraftfahrzeugs angegeben, mit welcher das erfindungsgemäße Verfahren durchgeführt wird. Eine solche Steuereinheit kann dabei mehrere Steuergerät aufweisen. Die primäre Erkennungseinheit und das machine learning System können dabei auf einem Steuergerät vorgesehen sein. Ebenso können diese Funktionen auf verschiedenen Steuergeräten angeordnet sein. Mit einer solchen Steuereinheit werden die zu dem Verfahren genannten Vorteile erzielt.In addition, a control unit of a motor vehicle is specified, with which the method according to the invention is carried out. Such a control unit can have several control units. The primary recognition unit and the machine learning system can be provided on a control unit. Likewise, these functions can be arranged on different control units. The advantages mentioned for the method are achieved with such a control unit.

Vorteilhafterweise ist das machine learning System auf einem bereits vorhandenen Steuergerät vorgesehen. Dadurch wird kein gesondertes Steuergerät für das machine learning System benötigt. Eine solche Erkennung eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand kann somit einfach und wirtschaftlich bereitgestellt werden.The machine learning system is advantageously provided on an already existing control unit. As a result, no separate control unit is required for the machine learning system. Such a detection of a change between a driving state and a vehicle standstill can thus be provided easily and economically.

Das zuvor beschriebene Verfahren kann insbesondere beispielsweise computerimplementiert und somit in einer Software verkörpert sein. Die Erfindung bezieht sich daher auch auf ein Computerprogramm mit maschinenlesbaren Anweisungen, die, wenn sie auf einem oder mehreren Computern ausgeführt werden, den oder die Computer dazu veranlassen, das beschriebene Verfahren auszuführen.The method described above can be computer-implemented, for example, and thus embodied in software. The invention therefore also relates to a computer program with machine-readable instructions which, when executed on one or more computers, cause the computer or computers to carry out the method described.

Ebenso bezieht sich die Erfindung auch auf einen maschinenlesbaren Datenträger und/oder auf ein Downloadprodukt mit dem Computerprogramm. Ein Downloadprodukt ist ein über ein Datennetzwerk übertragbares, d.h. von einem Benutzer des Datennetzwerks downloadbares, digitales Produkt, das beispielsweise in einem Online-Shop zum sofortigen Download feilgeboten werden kann.The invention also relates to a machine-readable data carrier and/or a download product with the computer program. A downloadable product is a digital product that can be transmitted over a data network, i.e. can be downloaded by a user of the data network and that can be offered for sale in an online shop for immediate download, for example.

Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:

1 Ausführungsbeispiel eines Verfahrens zur Erkennung eines Wechsels zwischen einem Fahrzustand und einem Fahrzeugstillstand, und
2 Ausführungsbeispiel eines Verfahrens zum Trainieren eines machine learning Systems.

Embodiments of the invention are shown in the drawing and explained in more detail in the following description. It shows:

1 Embodiment of a method for detecting a change between a driving state and a vehicle standstill, and
2 Embodiment of a method for training a machine learning system.

In 1 ist ein Ausführungsbeispiel eines Verfahrens zur Erkennung eines Wechsels W_M zwischen einem Fahrzustand und einem Fahrzeugstillstand gezeigt. Mit diesem Verfahren wird somit sowohl ein Stillstand als auch ein Anfahren des Fahrzeugs ermittelt. In einem ersten Schritt A werden die fahrdynamischen Zustandsgrößen S_W anhand von beispielsweise Sensoren ermittelt. Die fahrdynamischen Zustandsgrößen Sw können dabei Beschleunigungen in Längs- und Querrichtung des Fahrzeugs sein. Bei einem Wechsel W_M zwischen Stillstand und einem Fahrzustand treten beispielsweise charakteristische Karosserieschwingungen auf.In 1 an exemplary embodiment of a method for detecting a change W _M between a driving state and a vehicle standstill is shown. With this method, both a standstill and a start-up of the vehicle are thus determined. In a first step A, the vehicle-dynamics state variables S _W are determined using sensors, for example. The vehicle dynamics state variables Sw can be accelerations in the longitudinal and transverse direction of the vehicle. When there is a change W _M between a standstill and a driving state, characteristic body vibrations occur, for example.

In einem nächsten Schritt B werden die fahrdynamischen Zustandsgrößen Sw in ein trainiertes machine learning System eingegeben. Das machine learning System berechnet dabei anhand der fahrdynamischen Zustandsgrößen Sw den Zeitpunkt des Wechsels W_M zwischen dem Fahrzustand und dem Fahrzeugstillstand. Die entsprechende Information wird in einem anschließenden Schritt C ausgegeben.In a next step B, the vehicle-dynamics state variables Sw are entered into a trained machine learning system. The machine learning system calculates the time of the change W _M between the driving state and the vehicle standstill using the driving dynamics state variables Sw. The corresponding information is output in a subsequent step C.

2 zeigt ein Ausführungsbeispiel eines Verfahrens zum Trainieren eines machine learning Systems. In einem ersten Schritt F werden die fahrdynamischen Zustandsgrößen S_W des Fahrzeugs während der Fahrt aufgenommen. In diesem Ausführungsbeispiel werden dabei insbesondere die Raddrehzahl n_R von Raddrehzahlsensoren, Beschleunigung der Fahrzeugkarosserie in Längsrichtung und Beschleunigung des Fahrzeugkarosserie um die Fahrzeugquerachse ermittelt. Die Raddrehzahl n_R der Raddrehzahlsensoren wird dabei durch eine primäre Erkennungseinheit bereitgestellt. Die primäre Erkennungseinheit berechnet in Schritt G den tatsächlichen Wechsel W_T zwischen dem Fahrzustand und dem Fahrzeugstillstand. 2 shows an embodiment of a method for training a machine learning system. In a first step F, the driving dynamics state variables S _W of the vehicle are recorded while driving. In this embodiment, in particular the wheel speed n _R of wheel speed sensors, acceleration of the vehicle body in the longitudinal direction and Acceleration of the vehicle body determined about the vehicle transverse axis. The wheel speed n _R of the wheel speed sensors is provided by a primary detection unit. In step G, the primary recognition unit calculates the actual change W _T between the driving state and the vehicle standstill.

Alle fahrdynamischen Zustandsgrößen Sw werden in Schritt H zusätzlich einer Recheneinheit bereitgestellt, welche zu den fahrdynamischen Zustandsgrößen S_W Kenngrößen K_G, wie beispielsweise einen Mittelwert, eine Abklingzeit, ermittelt. Die Recheneinheit kann dabei entweder im Fahrzeug, oder in einer Cloud angeordnet sein. In einem nächsten Schritt I werden die fahrdynamischen Zustandsgrößen Sw und die Kenngrößen K_G in ein machine learning System eingegeben. Das machine learning System berechnet in einem nächsten Schritt J einen Wechsel W_M zwischen Fahrzustand und Fahrzeugstillstand.In step H, all driving-dynamics state variables Sw are additionally made available to a computing unit, which determines parameters K _G for the driving-dynamics state variables S _W , such as a mean value or a decay time. The processing unit can be arranged either in the vehicle or in a cloud. In a next step I, the vehicle-dynamics state variables Sw and the parameters K _G are entered into a machine learning system. In a next step J, the machine learning system calculates a change W _M between driving status and vehicle standstill.

In einem sich daran anschließenden Schritt K, wird der durch das machine learning System erkannte Zeitpunkt des Wechsels W_M mit dem über die primäre Erkennungseinheit berechneten Zeitpunkt des Wechsels W_T verglichen. In Schritt L wird die Abweichung mit einer Kostenfunktion bewertet und in einem anschließenden Schritt M werden Parameter des machine learning Modells geändert. Anschließend wird geprüft, ob ein Zuverlässigkeitsfaktor Z_F einen vorbestimmten Wert X für die Zuverlässigkeit, übersteigt. Falls dies der Fall sein sollte, wird die Erkennung eines Wechsels W_M in Schritt N freigegeben. Die Erkennung des Wechsels W_M stellt dann ein redundantes System zur primären Erkennungseinheit dar.In a subsequent step K, the time of the change _WM recognized by the machine learning system is compared with the time of the change _WT calculated via the primary recognition unit. In step L, the deviation is evaluated using a cost function, and in a subsequent step M, parameters of the machine learning model are changed. A check is then carried out to determine whether a reliability factor Z _F exceeds a predetermined value X for reliability. If this should be the case, the detection of a change W _M in step N is released. The detection of the change _WM then represents a redundant system to the primary detection unit.

Falls der Zuverlässigkeitsfaktor Z_F nicht hoch genug sein sollte, wird das Verfahren erneut gestartet. Auch wenn die Zuverlässigkeitsfaktor Z_F hoch genug sein sollte, wird auch in diesem Fall das Verfahren erneut gestartet, da dadurch das machine learning System weiter trainiert wird. Da sich verschiedene Faktoren wie Beladung oder Verschleiß ändern können, wird eine Erkennung eines Wechsels W_M zwischen Fahrzustand und Fahrzeugstillstand genauer erkannt.If the reliability factor Z _F is not high enough, the method is restarted. Even if the reliability factor Z _F should be high enough, the method is restarted in this case as well, since the machine learning system is trained further as a result. Since various factors such as loading or wear and tear can change, a change W _M between the driving state and the vehicle being stationary is recognized more accurately.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN 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 cited 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 PatentliteraturPatent Literature Cited

DE 19963750 B4 [0003]

Claims

Method for detecting a change (W _M ) between a driving state and a vehicle standstill, comprising the steps: - determining (A) at least one driving dynamics state variable (S _W ), - entering (B) the driving dynamics state variable (S _W ) into a trained machine learning system System, and - outputting (C) information about a change (W _M ) between a driving state and a vehicle standstill.

procedure after claim 1 , characterized in that the vehicle dynamics state variables (Sw) indicate at least one of the following variables: - acceleration of the vehicle body in the longitudinal direction, - acceleration of the vehicle body about the vehicle transverse axis, - compression state of an individual wheel, - brake pressure in the master brake cylinder, - brake pressure in the wheel brake of a individual wheel, and - wheel speed.

procedure after claim 1 or 2 , characterized in that already existing sensors are used for the measurements of the vehicle dynamics state variables (Sw).

Method for training a machine learning system for recognizing a change ( _WM ) between a driving state and a vehicle standstill, comprising the steps: - inputting training data (I) comprising at least one characterizing a change ( _WM ) between driving state and vehicle standstill driving dynamics state variable (Sw), - determination (J) of a change (W _M ) between driving state and vehicle standstill by means of the machine learning system - comparison (K) of the determined change (W _M ) of the machine learning system with an actual change (W _T ) between driving status and vehicle standstill, - Evaluation (L) of the deviations with a cost function, - Change parameters that characterize the behavior of the model with the aim (M) that with further processing of training data by the machine learning system, the evaluation by the cost function is likely is improved, and - Enabling (N) the determination of the change (W _M ) with the machine learning system if a determined reliability factor (Z _F ) is greater than a predetermined value (X).

procedure after claim 4 , characterized in that the data on the detected change (W _T ) between driving status and vehicle standstill are provided via a primary detection unit.

procedure after claim 4 or 5 , characterized in that the machine learning system is further trained during operation by means of the determined driving dynamics state variables (S _W ).

procedure after claim 6 , characterized in that the detection of a change (W _M ) between the driving state and vehicle standstill is deactivated by means of the machine learning system if training has been suspended during operation for a predetermined time.

Procedure according to one of Claims 4 until 7 , characterized in that before entering the driving dynamics state variables (Sw) additional characteristics (K _G ) from the driving dynamics state variables (Sw) are determined, which are also entered into the machine learning system.

Procedure according to one of Claims 4 until 8th , characterized in that the dynamic driving state variables characterizing a change (W _M ) between the driving state and vehicle standstill are transmitted to a cloud, in which the machine learning system is trained.

Control unit of a motor vehicle for carrying out a method according to one of the preceding claims.

Computer program containing machine-readable instructions which, when executed on one or more computers, cause the computer or computers to carry out a method according to one of Claims 4 until 9 to execute.

Machine-readable data carrier and/or download product with the computer program claim 11 .

Computer equipped with the computer program according to claim 11 , and/or with the machine-readable data medium and/or download product claim 12 .