DE102022203816A1

DE102022203816A1 - Verfahren zur Ermittlung eines Fahrerzustands eines motorunterstützten Fahrzeugs; Verfahren zum Trainieren eines maschinellen Lernsystems; motorunterstütztes Fahrzeug

Info

Publication number: DE102022203816A1
Application number: DE102022203816.9A
Authority: DE
Inventors: Jan Schnee; Jo Pletinckx; Annika Laqua
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-04-19
Filing date: 2022-04-19
Publication date: 2023-10-19
Also published as: US20230331341A1

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung eines Fahrerzustands eines motorunterstützten Fahrzeugs, insbesondere eines Elektrofahrrads, wobei zur Ermittlung des Fahrerzustands eine Fahrzeugleistungskenngröße, eine Handhabungskenngröße und eine Fahrerleistungskenngröße bereitgestellt werden.

Description

Stand der Technik
In der EP 3 531 071 A1 ist ein Verfahren zur Unterstützung eines gemeinsamen Fahrerlebnisses von Fahrern einer Vielzahl von Mobileinheiten beschrieben.
Offenbarung der Erfindung
Die Erfindung betrifft ein Verfahren zur Ermittlung eines Fahrerzustands eines motorunterstützten Fahrzeugs, insbesondere eines Elektrofahrrads, wobei zur Ermittlung des Fahrerzustands eine Fahrzeugleistungskenngröße, eine Handhabungskenngröße und eine Fahrerleistungskenngröße bereitgestellt werden. Vorteilhaft kann durch den ermittelten Fahrerzustand das Fahrerlebnis des Fahrers verbessert werden.
Unter einem Fahrerzustand soll in diesem Zusammenhang insbesondere eine Abschätzung für das von dem Fahrer des motorunterstützten Fahrzeugs empfundene Fahrerlebnis verstanden werden. Das Fahrerlebnis kann dabei auf einen einzelnen oder mehrere Aspekte gerichtet sein, wobei es sich bei den Aspekten beispielsweise um einen Komfort, ein Anstrengungsempfinden, ein Fahrspaß, ein Sicherheitsgefühl oder dergleichen handeln kann. Bei der Fahrzeugleistungskenngröße, der Handhabungskenngröße und der Fahrerleistungskenngröße handelt es sich vorzugsweise um Sensordaten, die zur Quantifizierung des Fahrerzustands geeignet sind. Alternativ ist auch denkbar, dass zur Ermittlung des Fahrerzustands nur eine oder zwei der Kenngrößen bereitgestellt werden und/oder zusätzliche Kenngrößen bereitgestellt werden.
Unter einem motorunterstützten Fahrzeug soll im Zusammenhang dieser Anmeldung insbesondere ein Fahrzeug verstanden werden, welches zusätzlich zur Muskelkraft eines Fahrers mit einem Motorantrieb, insbesondere einem Elektromotorantrieb, antreibbar ist. Das motorunterstützte Fahrzeug kann beispielsweise als ein eScooter oder als ein Elektrofahrrad ausgebildet sein.
Unter einem Elektrofahrrad soll im Zusammenhang dieser Anmeldung insbesondere ein Fahrrad verstanden, dass eine Antriebseinheit zur Unterstützung des Fahrers aufweist. Das Elektrofahrrad ist vorzugsweise als ein eBike, ein Pedelec, ein Lastenfahrrad, ein Klappfahrrad oder dergleichen ausgebildet. Die Antriebseinheit weist einen Motor auf, der beispielsweise als ein Mittelmotor oder als ein Nabenmotor ausgebildet sein kann. Der Motor ist vorzugsweise als ein Elektromotor ausgebildet. Die Antriebseinheit ist mit einem Energiespeicher zur Versorgung der Antriebseinheit mit Energie verbunden. Die Energieversorgungseinheit ist vorzugsweise als ein Akkupack ausgebildet und weist ein Akkugehäuse auf, das bevorzugt lösbar mit einem Rahmen des Fahrrads verbunden ist. Das Elektrofahrrad umfasst eine Elektronik mit einer Steuereinheit zur Steuerung oder Regelung des Elektrofahrrads. Die Elektronik umfasst vorzugsweise eine Sensoreinheit, wobei die Sensoreinheit beispielsweise Bewegungssensoren, Drehmomentsensoren, Geschwindigkeitssensoren, einen GNSS Empfänger, Magnetsensoren oder dergleichen aufweisen kann. Zudem umfasst die Elektronik eine Kommunikationsschnittstelle zur drahtlosen Verbindung des Elektrofahrrads mit einer externen Vorrichtung, wie beispielsweise einem Smartphone, und/oder einem Server.
Des Weiteren wird vorgeschlagen, dass zur Ermittlung des Fahrerzustands zusätzlich eine Umweltkenngröße bereitgestellt wird. Vorteilhaft kann dadurch die Ermittlung des Fahrerzustands verbessert werden. Die Umweltkenngröße kann als eine streckenspezifische Kenngröße und/oder als eine wetterspezifische Kenngröße ausgebildet sein. Es ist zudem denkbar, dass die Umweltkenngröße als eine Energiespeicherkenngröße, wie beispielsweise als ein Ladezustand des Akkupacks, ausgebildet ist. Die streckenspezifischen Kenngröße kann beispielsweise als eine Information bezogen auf die Art des Untergrunds, auf eine Steigung eines Streckenabschnitts, eine Schwierigkeit eines Streckenabschnitts, eine Länge eines Streckenabschnitts oder dergleichen ausgebildet sein. Vorteilhaft vereint die Umweltkenngröße sämtliche Kenngröße, die von außen auf die Fahrer-Fahrzeug-Schnittstelle einwirken.
Weiterhin wird vorgeschlagen, dass die Fahrzeugleistungskenngröße, die Handhabungskenngröße, die Fahrerleistungskenngröße und/oder die Umweltkenngröße durch eine Sensoreinheit des Fahrzeugs und/oder einer Sensoreinheit einer externen Vorrichtung erfasst werden. Vorteilhaft kann dadurch eine präzise Erfassung der jeweiligen Kenngrößen gewährleistet werden. Bei der externen Vorrichtung handelt es sich insbesondere um eine Vorrichtung, die zur lösbaren mechanischen Verbindung mit dem Fahrzeug und/oder zur drahtlosen Kommunikation mit dem Fahrzeug ausgebildet ist. Die externe Vorrichtung kann beispielsweise als ein Smartphone oder als eine Smartwach ausgebildet sein.
Zudem wird vorgeschlagen, dass die Fahrzeugleistungskenngröße als eine motorspezifische Kenngröße ausgebildet ist, insbesondere eine Motorleistung, eine durchschnittliche Motorleistung, einen Motorleistungsbereich, ein Motorunterstützungskenngröße und/oder eine maximale Motorleistung. Die Fahrzeugleistungskenngröße vereint vorteilhaft die Kraft, die Dynamik sowie die Reaktionsgeschwindigkeit der Motorunterstützung.
Des Weiteren wird vorgeschlagen, dass die Handhabungskenngröße als eine Standardabweichung einer Fahrerkadenz, eine Standardabweichung der Motorleistung, eine Querdynamikkenngröße, insbesondere eine Querbeschleunigung des Fahrzeugs, eine Lenkwinkelkenngröße, und/oder als eine Längsdynamikkenngröße, insbesondere eine Geschwindigkeitskenngröße oder Beschleunigungskenngröße, ausgebildet ist. Vorteilhaft bezieht sich die Handhabungskenngröße auf die Kontrollierbarkeit sowie die Sensitivität der Motorunterstützung. Die Handhabungskenngröße ist insbesondere derart ausgebildet, dass über die Handhabungskenngröße eine Stetigkeit der Fahrt ermittelbar ist. Die Lenkwinkelkenngröße kann beispielsweise als eine Lenkwinkelgeschwindigkeit, ein Lenkwinkel oder eine Drehrate ausgebildet sein.
Weiterhin wird vorgeschlagen, dass die Fahrerleistungskenngröße als eine fahrerspezifische Kenngröße, insbesondere als eine integrierte Fahrerleistung, eine Fahrerkadenz, einen physischen Zustand des Fahrers und/oder ein Fahrerdrehmoment ausgebildet ist. Vorteilhaft bezieht sich die Fahrerleistungskenngröße auf ein Anstrengungsempfinden des Fahrers. Bei dem physischen Zustand des Fahrers kann es sich beispielsweise um eine Herzfrequenz, eine Sauerstoffsättigung des Bluts oder dergleichen handeln.
Zudem betrifft die Erfindung ein Verfahren zum Trainieren eines maschinellen Lernsystems, insbesondere eines überwachten maschinellen Lernsystems, wobei dem maschinellen Lernsystem Fahrzeugleistungskenngrößen, Handhabungskenngrößen und Fahrerleistungskenngrößen bereitgestellt werden, die mit einer subjektiven Fahrerzustandskenngröße gelabelt sind.
Vorteilhaft kann die Ermittlung des Fahrerzustands durch das maschinelle Lernsystem verbessert werden.
Unter einem maschinellen Lernsystem sollen im Zusammenhang mit dieser Anmeldung insbesondere Algorithmen verstanden werden, die mittels Trainingsdaten ein statistisches Modell aufbauen. Über das statistische Modell sind beispielsweise Parameter und Attribute ermittelbar, die über den Umfang der Trainingsdaten hinausgehen. Bei den Algorithmen des maschinellen Lernsystems kann es sich dabei um Algorithmen für ein überwachtes Lernen, ein unüberwachtes Lernen oder ein bestärkendes Lernen handeln. Das maschinelle Lernsystem kann beispielsweise als ein neuronales Netzwerk ausgebildet. Im Gegensatz zu der Fahrzeugleistungskenngröße, der Handhabungskenngröße und der Fahrerleistungskenngröße ist die subjektive Fahrerzustandskenngröße insbesondere nicht oder nicht direkt mittels durch Sensoren erfasste Daten ermittelbar. Alternativ oder zusätzlich ist denkbar, dass objektive Fahrerzustandskennkenngrößen mittels einer Sensoreinheit erfasst und vorzugsweise dem maschinellen Lernsystem bereitgestellt werden. Beispielhaft ist denkbar, dass über eine externe Vorrichtung, insbesondere über ein Smartphone, das Gesicht des Fahrers getrackt und darüber der Emotionszustand ermittelt wird. So könnte ein lachendes oder ein entspanntes Gesicht einem positiven Emotionszustand und damit Fahrerzustand zugeordnet werden.
Die Trainingsdaten, insbesondere die Fahrzeugleistungskenngröße, die Handhabungskenngröße, die Fahrerleistungskenngröße und die subjektive Fahrerzustandskenngröße, werden vorzugsweise durch das motorunterstützte Fahrzeug erfasst und zum Trainieren des maschinellen Lernsystems bereitgestellt. Es ist aber ebenso denkbar, dass die Trainingsdaten teilweise oder vollständig von einer externen Vorrichtung erfasst und/oder bereitgestellt werden. Die subjektive Fahrerzustandskenngröße kann beispielsweise als ein Komfort, ein Anstrengungsempfinde, ein Fahrspaß, ein Sicherheitsgefühl des Fahrers, etc. ausgebildet sein. Das Labeln der Trainingsdaten kann beispielsweise lokal, insbesondere auf dem Fahrzeug, oder auf einem Server, insbesondere einem Web- oder Cloud-Server erfolgen. Das Trainieren des maschinellen Lernsystems erfolgt vorzugsweise auf einem bzw. dem Server. Zusätzlich ist denkbar, dass das Training des maschinellen Lernsystem auch lokal auf dem Fahrzeug oder der externen Vorrichtung erfolgt und dann im Server die Vielzahl von trainierten maschinellen Lernsystemen zusammengeführt werden. Das trainierte maschinelle Lernsystem entspricht im Zusammenhang dieser Anmeldung einem Modell, das zur Ermittlung des Fahrerzustand ausgebildet ist. Das Modell kann in einer Speichereinheit eines Computers, einer Elektronik oder dergleichen gespeichert werden und zur Ermittlung des Fahrerzustands herangezogen werden.
Des Weiteren wird vorgeschlagen, dass das maschinelle Lernsystem zur Durchführung eines Klassifikationsverfahrens ausgebildet ist, insbesondere mittels einer logistischen Regression, eines Entscheidungsbaums, eines KNN-Ansatzes oder einer Naive Bayes Klassifikation. Weiterhin wird vorgeschlagen, dass das maschinelle Lernsystem zur Durchführung eines Regressionsverfahrens ausgebildet ist, insbesondere mittels einer linearen Regression, eines Entscheidungsbaums, einer Gaußglocken Regression oder eines KNN-Ansatzes. Vorteilhaft kann durch die Wahl des Klassifikations- oder Regressionsverfahrens das Training optimal auf die subjektive Fahrerzustandskenngröße und/oder den jeweiligen Anwendungsfall angepasst werden.
Das maschinelle Lernsystem kann auch als neuronales Netzwerk ausgebildet sein, insbesondere als ein neuronales Netzwerk, das zur Verarbeitung von Zeitreihen ausgebildet ist, wie beispielsweise ein RNN neuronales Netz, ein LSTM neuronales Netz, ein TCN neuronales Netz.
Zudem wird vorgeschlagen, dass die subjektive Fahrerkenngröße mittels einer Eingabe eines Fahrers bereitgestellt wird. Die Eingabe des Fahrers kann beispielsweise über ein Eingabeelement des Fahrzeugs oder ein Eingabeelement der externen Vorrichtung, die zum Datenaustausch mit dem Fahrzeug verbunden ist, erfolgen. Hierzu weist das Fahrzeug beispielsweise einen Boardcomputer und/oder ein HMI (human-machine-interface) auf. Beispielsweise ist denkbar, dass die subjektive Fahrerzustandskenngröße am Ende einer Fahrt oder zu unterschiedlichen Zeitpunkten während einer Fahrt ermittelt, beziehungsweise abgefragt werden. Es ist zudem denkbar, dass mehrere subjektive Fahrerzustandskenngrößen pro Fahrt oder pro Streckenabschnitt abgefragt werden. Es ist beispielsweise denkbar, dass die von dem Fahrer gefahrene Strecke durch die Steuereinheit in Streckenabschnitt eingeteilt wird, wobei die Einteilung basierend auf der Steigung in den jeweiligen Streckenabschnitten erfolgt und am Ende jedes Streckenabschnitts der Fahrer nach einer ersten subjektiven Fahrerzustandskenngröße in Form eines Anstrengungsempfindens gefragt wird. Die Abfrage erfolgt beispielsweise über den Boardcomputer des Fahrzeugs. Am Ende der Fahrt kann durch den Boardcomputer neben dem Anstrengungsempfinden des letzten Streckenabschnitts noch weitere subjektive Fahrerzustandskenngrößen für die gesamte Fahrt, wie beispielsweise der Fahrspaß abgefragt werden.
Des Weiteren betrifft die Erfindung ein motorunterstütztes Fahrzeug, insbesondere ein Elektrofahrrad, mit einer Steuereinheit zur Steuerung oder Regelung des Fahrzeugs, wobei die Steuerung dazu ausgebildet ist, ein Verfahren zur Ermittlung des Fahrerzustands wie zuvor beschrieben durchzuführen und mit einer Anzeigeeinheit zur Anzeige von Informationen. Insbesondere ist die Anzeigeeinheit dazu ausgebildet ist, eine Information basierend auf dem Fahrerzustand anzuzeigen. Die Information kann dabei als eine Abschätzung des aktuellen Fahrerzustands ausgebildet sein, beispielsweise einen hohen Fahrspaß. Alternativ oder zusätzlich kann die Information auch derart ausgebildet sein, dass eine Verbesserung des Fahrerzustands vorgeschlagen wird und basierend auf einer Fahrereingabe die Steuereinheit des Fahrzeugs zur Verbesserung des Fahrerzustands angepasst wird, beispielsweise zur Ansteuerung der Antriebseinheit des Fahrzeugs.
Weiterhin wird vorgeschlagen, dass der Fahrerzustand einer Navigationseinheit zur Ermittlung einer Route bereitgestellt wird. Die Navigationseinheit kann dem Fahrzeug und/oder der externen Vorrichtung zugeordnet sein. Die Navigationseinheit ist zur Verarbeitung und/oder Ermittlung von Routeninformationen ausgebildet. Die Navigationseinheit kann zur Anzeige der Routeninformation mit der Anzeigeeinheit des Fahrzeugs verbunden sein.
Zeichnungen
Weitere Vorteile ergeben sich aus der folgenden Zeichnungsbeschreibung. Die Zeichnungen, die Beschreibung und die Ansprüche enthalten zahlreiche Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen.
Es zeigen:

1 eine schematische Ansicht eines Systems zur Erfassung von Trainingsdaten für ein maschinelles Lernsystem;
2 ein Flussdiagramm mit einem ersten Verfahren zum Training eines maschinellen Lernsystems;
3 ein Flussdiagramm mit einem zweiten Verfahren zum Training eines maschinellen Lernsystems.

Beschreibung der Ausführungsbeispiele
In 1 ist ein System 10 zur Bereitstellung von Trainingsdaten schematisch dargestellt.
Das System 10 umfasst einen Server 12 in Form eines Web-Servers und ein motorunterstütztes Fahrzeug 14. Das motorunterstützte Fahrzeug 14 ist beispielhaft als ein Elektrofahrrad 16 ausgebildet. Das Elektrofahrrad 16 kann beispielsweise als ein Pedelec oder als ein E-Bike ausgebildet sein.
Das Elektrofahrrad 16 weist ein Gehäuse in Form eines Rahmens 20 bzw. eines Fahrradrahmens auf. Mit dem Rahmen 20 sind zwei Räder 22 verbunden. Zudem weist das Elektrofahrrad 16 einen Energiespeicher 24 in Form eines Akkupacks auf. Zudem weist das Elektrofahrrad 16 eine Antriebseinheit 26 auf, die einen Elektromotor bzw. Hilfsmotor umfasst. Der Elektromotor ist vorzugsweise als ein Permanentmagnet-erregter, bürstenloser Gleichstrommotor ausgebildet. Der Elektromotor ist beispielhaft als ein Mittelmotor ausgebildet, wobei auch ein Nabenmotor oder dergleichen denkbar ist. Das Elektrofahrrad 16, insbesondere die Antriebseinheit 26 des Elektrofahrrads 16, wird über den Energiespeicher 24 mit Energie versorgt. Der Energiespeicher 24 kann von außen am Rahmen 20 befestigbar oder im Rahmen 20 integriert ausgebildet sein.
Die Antriebseinheit 26 umfasst eine Steuereinheit (nicht dargestellt), die zur Steuerung oder Regelung des Elektrofahrrads 16, insbesondere des Elektromotors, ausgebildet ist. Das Elektrofahrrad 16 weist eine Tretkurbel 28 auf. Die Tretkurbel 28 weist eine Tretkurbelwelle (nicht dargestellt) auf. Die Steuereinheit des Elektrofahrrads 16 ist mit einer Sensoreinheit (nicht dargestellt) verbunden. Die Sensoreinheit des Elektrofahrrads 16 umfasst beispielhaft mehrere Sensorelemente, wie einen Drehmomentsensor und einen Magnetsensor.
Die Steuereinheit und die Antriebseinheit 26 mit dem Elektromotor und der Tretkurbelwelle sind in einem mit dem Rahmen 20 verbundenen Antriebsgehäuse angeordnet. Die Antriebsbewegung des Elektromotors wird vorzugsweise über ein Getriebe (nicht dargestellt) auf die Tretkurbelwelle übertragen, wobei die Größe der Unterstützung durch die Antriebseinheit 26 mittels der Steuereinheit gesteuert oder geregelt wird. Die Steuereinheit ist dazu ausgebildet die Antriebseinheit 26 derart anzusteuern, dass der Fahrer des Elektrofahrrads 16 beim Pedalieren unterstützt wird. Vorzugsweise ist die Steuereinheit durch den Fahrer bedienbar ausgebildet, sodass der Fahrer den Unterstützungsgrad einstellen kann.
Die Steuereinheit und die Sensoreinheit sind einer Elektronik (nicht dargestellt) des Elektrofahrrads 16 zugeordnet. Die Elektronik umfasst beispielhaft eine Leiterplatte, auf der eine Recheneinheit in Form einer CPU, eine Speichereinheit und die Sensoreinheit angeordnet ist. Die Elektronik ist beispielhaft vollständig in dem Antriebsgehäuse der Antriebseinheit 26 angeordnet. Es ist allerdings auch denkbar, dass die Elektronik nur teilweise im Antriebsgehäuse angeordnet ist und Komponente der Elektronik an anderen Bereichen des Elektrofahrrads 16 angeordnet sind. Zudem ist auch eine Anordnung der Elektronik außerhalb des Antriebsgehäuses denkbar.
Das Elektrofahrrad 16 umfasst zudem beispielhaft einen Boardcomputer 30, der an einem Lenker 32 des Elektrofahrrads 16 angeordnet ist. Der Boardcomputer 30 ist teilweise lösbar mit dem Elektrofahrrad 16 ausgebildet. Der Boardcomputer 30 umfasst eine Anzeigeeinheit 34, die zur Anzeige von Informationen ausgebildet ist. Der Boardcomputer 30 umfasst zudem ein Bedienelement, über das der Benutzer beziehungsweise der Fahrer den Boardcomputer 30 und/oder das Elektrofahrrad 16 steuern kann. Das Bedienelement ist beispielhaft als ein berührungsempfindlicher Bildschirm ausgebildet, es ist aber ebenso denkbar, dass das Bedienelement aus Knöpfen oder Tasten ausgebildet ist. Der Boardcomputer 30 ist mit der Steuereinheit des Elektrofahrrads 16 derart verbunden, dass Informationen ausgetauscht werden können. Beispielsweise ist über die Anzeigeeinheit 34 eine von der Steuereinheit ermittelte Geschwindigkeit, ein eingestellter Unterstützungsgrad des Elektromotors, eine Routeninformation einer Navigationseinheit und ein Ladezustand des Energiespeichers 24 anzeigbar.
Die Verbindung zwischen dem Boardcomputer 30 und der Elektronik des Elektrofahrrads 16 kann dabei über eine drahtlose Kommunikationsschnittstelle (nicht dargestellt) des Elektrofahrrads 16 oder drahtgebunden erfolgen. Die drahtlose Kommunikationsschnittstelle des Elektrofahrrads 16 ist beispielhaft als eine kurzreichweitige Kommunikationsschnittstelle in Form einer BLE (Bluetooth Low Energy) Schnittstelle ausgebildet. Alternativ sind auch andere kurzreichweitigen Kommunikationsschnittstellen denkbar. Alternativ oder zusätzlich ist ebenso denkbar, dass das Elektrofahrrad 16 eine langreichweitige Kommunikationsschnittstelle aufweist, die zur Verbindung des Elektrofahrrads 16 mit einem Server, beispielsweise einem Web-Server, ausgebildet ist.
Das System umfasst optional eine externe Vorrichtung 100 in Form eines Smartphones 102. Die externe Vorrichtung 100 weist eine drahtlose Kommunikationsschnittstelle auf, die zur Verbindung der externen Vorrichtung 100 mit dem Elektrofahrrad 16 und mit dem Server 12 ausgebildet ist. Die drahtlose Kommunikationsschnittstelle der externen Vorrichtung 100 umfasst beispielhaft eine BLE Schnittstelle zur Verbindung mit dem Elektrofahrrad 16 und eine LTE-Schnittstelle zur Verbindung mit dem Server 12. Somit kann das Elektrofahrrad 16 mittels der externen Vorrichtung 100 Daten mit dem Server 12 austauschen. Im Falle eines Elektrofahrrads 16 mit einer langreichweitigen Kommunikationsschnittstelle wäre auch ein direkter Austausch von Daten zwischen dem Elektrofahrrad 16 und dem Server 12 möglich.
In 2 ist ein Flussdiagramm mit einem beispielhaften Verfahren zum Trainieren eines maschinellen Lernsystems, insbesondere eines überwachten maschinellen Lernsystems, gezeigt.
In einem ersten Schritt 200 erfolgt eine Fahrt mit dem Elektrofahrrad 16 durch den Fahrer. Während der Fahrt werden dabei durch die Elektronik und/oder die Steuereinheit des Elektrofahrrads 16 zumindest eine Fahrzeugleistungskenngröße, zumindest eine Handhabungskenngröße und zumindest eine Fahrerleistungskenngrößen erfasst. Die Fahrzeugleistungskenngröße ist beispielhaft als eine durchschnittliche Motorleistung $\bar{p w_{m}}$
ausgebildet. Die Handhabungskenngröße ist beispielhaft als eine Standardabweichung der Kadenz σ(cad_r) und eine Standardabweichung der Motorleistung σ(pw_m) ausgebildet. Die Fahrerleistungskenngröße ist beispielhaft als eine integrierte Fahrerleistung ∫pw_rdt ausgebildet.
In einem zweiten Schritt 202 erfolgt die Erfassung einer subjektiven Fahrerzustandskenngröße, mittels welcher die Fahrzeugleistungskenngröße, die Handhabungskenngröße und die Fahrerleistungskenngröße gelabelt werden. Die subjektive Fahrerzustandskenngröße ist beispielhaft als eine physische Aktivierung und als ein Wohlbefinden ausgebildet. Zur Erfassung dieser Größen erfolgt beispielhaft mittels einer Abfrage durch die Anzeigeeinheit 34 des Elektrofahrrads 16. Beispielhaft kann die Anzeigeeinheit eine Frage bezüglich der physischen Aktivierung anzeigen, wie „Bitte bewerten Sie, wie anstrengend Sie diese Fahrt empfunden haben“. Mittel einer Betätigung des Boardcomputers 30 erfolgt eine Bewertung durch den Fahrer mittels der die subjektive Fahrerzustandskenngröße erfasst wird.
Die Erfassung der subjektiven Fahrerzustandskenngröße erfolgt vorzugsweise am Ende Fahrt. Das Ende der Fahrt kann beispielsweise über die Zielerreichung der Navigationseinheit oder durch die Ermittlung eines Stillstands des Elektrofahrrads 16 durch das Elektrofahrrad 16 ermittelt werden. Alternativ ist auch denkbar, dass während der Fahrt das Labeling der Trainingsdaten für ausgewählte Streckenabschnitte erfolgt.
Die gelabelten Fahrzeugleistungskenngröße, Handhabungskenngröße und Fahrerleistungskenngröße beziehungsweise die gelabelten Trainingsdaten werden in einem weiteren Schritt 204 über die mit dem Elektrofahrrad 16 verbundene externe Vorrichtung 100 dem Server 12 bereitgestellt.
Dem Server 12 werden dabei eine Vielzahl an Trainingsdaten des Elektrofahrrads 16 und anderer Elektrofahrrädern bereitgestellt. Mittels der Trainingsdaten des Servers 12 wird ein maschinelles Lernsystem in einem Schritt 206 zur Ermittlung eines Fahrerzustands trainiert.
Das maschinelle Lernsystem kann beispielsweise zur Durchführung eines Regressionsverfahrens ausgebildet sein. Das Regressionsverfahren kann beispielhaft als eine lineare Regression ausgebildet sein, wobei die subjektive Fahrerzustandskenngröße wie folgt bestimmt wird: $r p i_l i n = β 0 + β 1 * F a h r l e i s t u n g s k e n n g r \ddot{o} ß e - β 2 * H a n d h a b u n g s k e n n g r \ddot{o} ß e - β 3 * F a h r l e i s t u n g s k e n n g r \ddot{o} ß e$
beziehungsweise $r p i_l i n = β 0 + β 1 * \bar{p w_{m}} - β 2 * σ (c a d_{r}) - β 3 * \int p w_{T} d t .$
Alternativ ist auch denkbar, dass das maschinelle Lernsystem beispielsweise zur Durchführung eines Klassifikationsverfahrens ausgebildet ist und optional eine zusätzlich bereitgestellte Umweltkenngröße in Form einer Streckenart bereitgestellt wird. Das Klassifikationsverfahrens kann beispielhaft als eine logistische Regression ausgebildet sein, wobei die subjektive Fahrerzustandskenngröße wie folgt bestimmt wird: $P (r p i_l o g = 1) = 1 / 1 + e - (β 0 + β 1 * P e r f o r m a n c e - β 2 * Handling - β 3 * P h y s i c a l_A c t i v i t y + β 4 * E n v i r o n m e n t))$
Das durch das trainierte maschinelle Lernsystem entstandene Modell wird in einem weiteren Schritt 208 dem Elektrofahrrad 16, insbesondere der Steuereinheit des Elektrofahrrads 16, bereitgestellt. Durch Anwendung des Modells ist die Steuereinheit dazu ausgebildet, basierend auf den durch das Elektrofahrrad 16 erfassten Fahrzeugleistungskenngrößen, Handhabungskenngrößen und Fahrerleistungskenngrößen einen Fahrerzustand zu ermitteln.
Der Fahrerzustand kann dabei beispielsweise in einem Schritt 210 als Information über die Anzeigeeinheit 34 des Elektrofahrrads 16 dem Fahrer angezeigt werden. Zudem ist denkbar, dass durch das Elektrofahrrad 16 in einem Schritt 212 ermittelt wird, ob durch Anpassung einer Fahrleistungskenngröße oder eine anderen Kenngröße der Fahrerzustand optimiert oder verbesserbar ist. Diese Information kann ebenfalls über die Anzeigeeinheit 34 angezeigt werden oder auch zur automatischen oder semi-automatischen Anpassung des Elektrofahrrads 16, beispielhaft durch eine Anpassung des Motorunterstützungsgrads, verwendet werden. Es ist ebenfalls denkbar, dass der Fahrerzustand in einem Schritt 214 zur Ermittlung einer optimalen Routeninformation verwendet wird.
In 3 ist ein Flussdiagramm mit einem alternativen Verfahren zum Trainieren des maschinellen Lernsystems gezeigt, wobei die Ermittlung der Koeffizienten durch einen dreigliedrigen, iterativen Ansatz erfolgt.
In einem ersten Schritt 300 wird mithilfe eines Grunddatensatzes Basiskoeffizienten bestimmt und ein Basismodell auf der Elektronik beziehungsweise der Elektronik des Elektrofahrrads 16 hinterlegt.
In einem zweiten Schritt 302 wird das Basismodell durch Rückmeldungen des Fahrers in ein lokal lernendes Modell überführt. Die Rückmeldungen des Fahrers erfolgen dabei beispielhaft wie zuvor beschrieben durch Anzeige und Betätigung des Boardcomputers 30 und entsprechen somit der Erfassung von subjektiven Fahrerzustandskenngrößen. Die Erfassung erfolgt dabei jeweils im Anschluss an die Fahrten oder den jeweiligen Fahrsegmenten. Basierend auf den erfassten subjektiven Fahrerzustandskenngrößen werden die Koeffizienten des Modells kontinuierlich auf den jeweiligen Fahrer optimiert. Der Fahrer beantwortet zur Erfassung der subjektiven Fahrerzustandskenngrößen beispielhaft Fragen zur physischen Aktivierung und seinem Wohlbefinden. Vorzugsweise können die subjektiven Fahrerzustandskenngrößen auch Informationen zu persönlichen Fähigkeiten, wie beispielsweise einem Fahrkönnen, einem Fitnesslevel, Vorlieben, eine gewünschte Trainingsintensität oder ein Fahrstil umfassen und diese mittels Gewichtungsfaktoren berücksichtigen.
Die lokal gesammelten Daten werden in einem dritten Schritt 304 dem Server 12 bereitgestellt und somit global Trainingsdaten andere Elektrofahrräder beziehungsweise Fahrer zusammengefasst, um daraus anschließend ein optimiertes Basismodel zu ermitteln.
Das optimierte Basismodell wird in einem Schritt 306 wiederum dem Elektrofahrrad 16 bereitgestellt, wo es wieder wie im Schritt 302 beschrieben lokal zur Individualisierung optimiert werden kann.
Das beschrieben Verfahren kann zudem dazu eingesetzt werden, um bereits vorhandene Modelle auf andere Anwendungsfälle zu übertragen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

EP 3531071 A1 [0001]

Claims

Verfahren zur Ermittlung eines Fahrerzustands eines motorunterstützten Fahrzeugs (14), insbesondere eines Elektrofahrrads (16), wobei zur Ermittlung des Fahrerzustands eine Fahrzeugleistungskenngröße, eine Handhabungskenngröße und eine Fahrerleistungskenngröße bereitgestellt werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zur Ermittlung des Fahrerzustands zusätzlich eine Umweltkenngröße bereitgestellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugleistungskenngröße, die Handhabungskenngröße, die Fahrerleistungskenngröße und/oder die Umweltkenngröße durch eine Sensoreinheit des Fahrzeugs (14) und/oder einer Sensoreinheit einer externen Vorrichtung (100) erfasst werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugleistungskenngröße als eine motorspezifische Kenngröße ausgebildet ist, insbesondere eine Motorleistung, eine durchschnittliche Motorleistung $\bar{p w_{m}},$
einen Motorleistungsbereich, ein Motorunterstützungskenngröße und/oder eine maximale Motorleistung.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Handhabungskenngröße als eine Standardabweichung einer Fahrerkadenz σ(cad_r), eine Standardabweichung der Motorleistung, eine Querdynamikkenngröße, insbesondere eine Querbeschleunigung des Fahrzeugs (14), eine Lenkwinkelkenngröße, und/oder als eine Längsdynamikkenngröße, insbesondere eine Geschwindigkeitskenngröße oder Beschleunigungskenngröße, ausgebildet ist.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrerleistungskenngröße als eine fahrerspezifische Kenngröße, insbesondere als eine integrierte Fahrerleistung σ(pw_m), ein Fahrerkadenz, ein Fahrerdrehmoment.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umweltkenngröße als eine streckenspezifische Kenngröße und/oder als eine wetterspezifische Kenngröße ausgebildet ist.
Verfahren zum Trainieren eines maschinellen Lernsystems, insbesondere eines überwachten maschinellen Lernsystems, wobei dem maschinellen Lernsystem Fahrzeugleistungskenngrößen, Handhabungskenngrößen und Fahrerleistungskenngrößen bereitgestellt werden, die mit einer subjektiven Fahrerzustandskenngröße gelabelt sind.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass das maschinelle Lernsystem zur Durchführung eines Klassifikationsverfahrens ausgebildet ist, insbesondere mittels einer logistischen Regression, eines Entscheidungsbaums, eines KNN-Ansatzes oder einer Naive Bayes Klassifikation.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass das maschinelle Lernsystem zur Durchführung eines Regressionsverfahrens ausgebildet ist, insbesondere mittels einer linearen Regression, eines Entscheidungsbaums, einer Gaußglocken Regression, eines KNN-Ansatzes.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die subjektive Fahrerkenngröße mittels einer Eingabe eines Fahrers bereitgestellt wird.
Motorunterstütztes Fahrzeug, insbesondere Elektrofahrrad (16), mit einer Steuereinheit zur Steuerung oder Regelung des Fahrzeugs (14), wobei die Steuerung dazu ausgebildet ist, ein Verfahren nach Anspruch 1 durchzuführen, und mit einer Anzeigeeinheit (34) zur Anzeige von Informationen.
Motorunterstütztes Fahrzeug nach Anspruch 12, dadurch gekennzeichnet, dass die Anzeigeeinheit (34) dazu ausgebildet ist, eine Information basierend auf dem Fahrerzustand anzuzeigen.
Motorunterstütztes Fahrzeug nach Anspruch 12 oder 13, dadurch gekennzeichnet, dass die Steuereinheit dazu ausgebildet ist, eine Antriebseinheit (26) des motorunterstützten Fahrzeugs (14) basierend auf dem Fahrerzustand anzupassen.
Motorunterstütztes Fahrzeug nach einem der Ansprüche 12 bis 14, dadurch gekennzeichnet, dass der Fahrerzustand einer Navigationseinheit zur Ermittlung einer Route bereitgestellt wird.