DE112014003714B4 - Verfahren zum Anpassen von Einstellungen in einem Fahrzeug - Google Patents

Verfahren zum Anpassen von Einstellungen in einem Fahrzeug Download PDF

Info

Publication number
DE112014003714B4
DE112014003714B4 DE112014003714.1T DE112014003714T DE112014003714B4 DE 112014003714 B4 DE112014003714 B4 DE 112014003714B4 DE 112014003714 T DE112014003714 T DE 112014003714T DE 112014003714 B4 DE112014003714 B4 DE 112014003714B4
Authority
DE
Germany
Prior art keywords
settings
vehicle
vector
procedure according
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE112014003714.1T
Other languages
English (en)
Other versions
DE112014003714T5 (de
Inventor
Daniel Nikovski
Michael Jones
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of DE112014003714T5 publication Critical patent/DE112014003714T5/de
Application granted granted Critical
Publication of DE112014003714B4 publication Critical patent/DE112014003714B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Navigation (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • User Interface Of Digital Computer (AREA)
  • Air-Conditioning For Vehicles (AREA)

Abstract

Verfahren zum Anpassen von Einstellungen (110) in einem Fahrzeug (102), das die Schritte des Trainings (200) und des Betreibens (300) aufweist und keine Identifizierungsvorrichtungen im Fahrzeug erfordert, wobei die Einstellungen eine Sitzhöhe und/oder eine Sitzposition und/oder eine Sitzneigung und/oder eine Sitztemperatur und/oder eine Rückspiegeleinstellung und/oder einen Temperatursollwert einer Klimaanlage und/oder eine Gebläsedrehzahl und/oder eine Luftrichtung für alle Düsen umfassen, wobei das Training (200) ferner Folgendes aufweist:Konstruieren von Eingabevektoren (301) anhand von aus Fahrzeugteilsystemen (220) erfassten Sensordaten, wobei jeder Eingabevektor (301) einen Kontext definiert, und wobei Sensordaten von einer Motorsteuereinheit, einem Fahrzeugnavigationssystem, und der Klimaanlage als Teilsysteme (220) erfasst werden, wobei die Kontexte nicht nach einer Fahrer-ID unterschieden werden;Konstruieren eines entsprechenden Ausgabevektors (302) für jeden Eingabevektor (301) anhand von anpassbaren Einstellungen (110), die in einem aktuellen Kontext aufgezeichnet sind;Ansammeln einer Trainingsdatenbank in einem Speicher, die Paare der Eingabevektoren (301) und der Ausgabevektoren (302) beinhaltet;Lernen eines prädiktiven Modells (250) von der Trainingsdatenbank unter Verwendung eines maschinellen Lernverfahrens (210), wobei das prädiktive Modell (250) den entsprechenden Ausgabevektor (302) anhand des Eingabevektors (301) vorhersagt; und wobei das Betreiben (300) ferner Folgendes aufweist:Konstruieren der Eingabevektoren (301) anhand von aus Fahrzeugteilsystemen (220) erfassten Sensordaten, die die Kontexte definieren;Vorhersagen eines wahrscheinlichsten Ausgabevektors (302) unter Verwendung des prädiktiven Modells (250) undAnpassen der Einstellungen (110) gemäß dem wahrscheinlichsten Ausgabevektor, wobei das Verfahren in einem Prozessor (100) durchgeführt wird.

Description

  • [Technisches Gebiet]
  • Die Erfindung betrifft allgemein die automatische Individualisierung anpassbarer Einstellungen in einem Fahrzeug und spezieller das Anpassen der Einstellung zur Maximierung des Beifahrerkomforts und zur Minimierung der Ablenkung des Fahrers.
  • [Allgemeiner Stand der Technik]
  • Moderne Fahrzeuge ermöglichen die Individualisierung und Personalisierung von Fahrzeugeinstellungen, um den Komfort von Fahrer und Beifahrern zu verbessern. Zum Beispiel können Fahrzeuge Sitze mit verstellbarer Höhe, Position, Neigung und Temperatur, verstellbare äußere und innere Rückspiegel, Infotainment-Konsolen, eine Klimaanlage mit verstellbarer/n Temperatur, Gebläsedrehzahl und Luftrichtungen für mehrere Düsen (Klimaregelung) und dergleichen enthalten.
  • Die Individualisierung kann zwar den Fahrerkomfort maximieren, es ist aber oft der Fall, dass mehrere Benutzer zu verschiedenen Zeiten regelmäßig dasselbe Fahrzeug fahren, wobei die Benutzer sehr verschiedene Stellungen für diese variablen Einstellungen bevorzugen könnten. Am häufigsten kommt das vor, wenn man sich die Benutzung des Fahrzeugs regelmäßig teilt. Oft findet jeder Benutzer die von anderen Benutzern gewählten Einstellungen unbequem, besonders, wenn beim Start des Fahrzeugs „neutrale“ Einstellungen vorausgewählt sind und der aktuelle Benutzer gezwungen ist, die Präferenzen und Einstellungen anzupassen. Zusätzlich dazu, dass sie unbequem und zeitraubend sind, können Anpassungen bei sich in Bewegung befindlichem Fahrzeug auch sehr gefährlich sein, entweder weil der Fahrer nicht bemerkte, dass die Einstellungen falsch waren, oder weil der Fahrer versucht, Zeit zu sparen oder die Einstellung an aktuelle Fahr- und Verkehrsverhältnisse oder andere Bedingungen wie die Außentemperatur anzupassen.
  • Eine mögliche Lösung für dieses Problem ist es, eine Identität des Fahrers zu erkennen und Einstellungssätze spezifischen Fahrern zuzuordnen. Ein mögliches Mittel zum Erkennen der Identität des Fahrers ist die Einbettung einer Kennung (ID) in Fahrzeugschlüssel und die Benutzung eines anderen Schlüssels für jeden Fahrer. US 6 198 996 B 1 beschreibt ein Verfahren zum Erkennen der Identität des Fahrers mithilfe eines Chipkartenschlüssels, der zur Authorisierung und zum Speichern der bevorzugten Leistungs- und Fahrparameter für den dieser Karte zugeordneten Benutzer verwendet wird.
  • US 4 920 338 A beschreibt ein Verfahren zur automatischen Sitzverstellung auf Basis eines Satzes verschiedener Zündschlüssel, die die bevorzugte Sitzposition für jeden Benutzer des Schlüssels speichern.
  • Zur Erkennung der Identität des Fahrers kann auch Biometrie verwendet werden. Die Biometrie kann auf Gesichts-, Fingerabdruck- oder Retinaerkennungsverfahren basieren. US 6 810 309 B2 beschreibt ein Verfahren zur Fahreridentifizierung mithilfe von Gesichtserkennung anhand von Bildern, die von einer Kamera im Fahrzeug aufgenommen werden. US 5 686 765 A beschreibt ein Fahrzeugsicherheitssystem, das Fingerabdruck- und Retina- Scanner verwendet. US 8 344 849 B2 beschreibt ein Verfahren zur Fahrer-identitätsüberprüfung auf Basis eines multimodalen Algorithmus, der mehrere biometrische Techniken verwendet. Die US 2009 / 0 050 267 A1 beschreibt ein Fahrzeugpersonalisierungssystem auf Basis von Daten, die für physische Eigenschaften eines Benutzers bezeichnend sind. Der Vorteil dieser Verfahren ist, dass der Fahrer keine speziellen Vorrichtungen mit sich führen muss, um erkannt zu werden. Die WO 2013/101052 A1 bezieht sich auf das Lernen einer Identität eines Nutzers eines Fahrzeugs. Dabei wird eine Primär-Identifikationeingabe sowie eine oder mehrere Sekundär-Identifikationseingaben empfangen und basierend auf der Primär-Identifikationeingabe eine Cluster-Information abgerufen. Die eine oder mehrere Sekundär-Identifikationseingaben werden dann mit der Cluster-Information verglichen und anhand des Vergleichsergebnisses ein Konfidenzwert bestimmt. Die Cluster-Information wird mittels der empfangenen Sekundär-Identifikationseingaben trainiert und sodann abgespeichert. Die US 2009 / 0 240 391 A1 beschreibt ein Verfahren zum Optimieren eines Motors bei welchem Daten während des Betriebs gesammelt und basierend auf Sensorsignalen analysiert werden, um basierend auf der Analyse Programmdateien auszuwählen, welche sodann in einen programmierbaren nichtflüchtigen Speicher programmiert werden. Die US 2013 / 0 030 645 A1 beschreibt ein Infotainmentsystem zum Bereitstellen von Inhalten an mehrere Fahrzeuginsassen. Durch das Infotainmentsystem werden basierend auf charakteristischen Sensordaten für die Fahrzeuginsassen Profile generiert und zu den Profilen passende Inhalte an die Fahrzeuginsassen bereitgestellt.
  • Sowohl die schlüsselbasierten als auch die biometrischen Verfahren zur Fahreridentifizierung haben beachtliche Nachteile. Der erste Nachteil ist die Notwendigkeit von Spezialausrüstung, wie etwa Chipkartenschlüssel, Kameras, Fingerabdruck- und Retina-Scanner usw. sowie Systeme zur Herstellung dieser. Der zweite Nachteil entsteht aus der Annahme, dass es für die Personalisierung der Fahrzeugeinstellungen ausreicht, dass die Identität des Fahrers bekannt ist. Dies würde zutreffen, wenn die einzige Person in dem Fahrzeug, die individualisierte Einstellungen benötigt, der Fahrer wäre. Das ist aber oft nicht der Fall. Zum Beispiel basiert die Innenraumtemperatur auf den Präferenzen aller Insassen und nicht nur des Fahrers. Bei vorprogrammierten Radiosendern ist es ebenfalls wahrscheinlich, dass sie vom Beifahrer wie auch vom Fahrer benutzt werden.
  • Es ist zwar möglich, mehrere Identitäten von Fahrzeuginsassen zu erkennen, zum Beispiel mithilfe von dedizierten ID-Abzeichen oder biometrischer Erkennung an allen Sitzen, eine derartige Erkennung ist aber wahrscheinlich im Vergleich zu der von der Personalisierung gegebenen Zweckdienlichkeit umständlich und/oder unerschwinglich teuer.
  • [Kurzdarstellung der Erfindung]
  • Die Ausführungsformen der Erfindung sehen ein Verfahren und ein System zum dynamischen Anpassen von Einstellungen eines Fahrzeugs ohne die Notwendigkeit komplizierter und kostspieliger Identifizierung des Fahrers und anderer Insassen im Fahrzeug vor.
  • Das System erfasst Sensordaten von Teilsystemen des Fahrzeugs, wie etwa einer Motorsteuereinheit (ECU) und einem Fahrzeugnavigationssystem, und ordnet die Sensordaten bekannten Einstellungen zu. Die richtigen Zuordnungen werden mithilfe eines maschinellen Lernverfahrens (MLP) hergestellt, das mit geeigneten Darstellung eines aktuellen Betriebskontextes arbeitet. Nach dem Konstruieren eines zuverlässigen prädiktiven Modells wird das Modell periodisch zum Vorhersagen der richtigen Einstellungen für den aktuellen Kontext verwendet und, wenn sie sich von den aktuellen Einstellungen unterscheiden, werden Anpassungen automatisch eingeleitet. Das Modell kann mit der Zeit oder auf Verlangen aktualisiert werden.
  • Figurenliste
    • [1] 1 ist ein Blockdiagramm eines Systems und Verfahrens für ein Verfahren und ein System zum Individualisieren und Anpassen von Einstellungen in einem Fahrzeug gemäß Ausführungsformen der Erfindung.
    • [2] 2 ist ein Blockdiagramm einer Trainingsphase gemäß Ausführungsformen der Erfindung.
  • [Beschreibung der Ausführungsformen]
  • Die Ausführungsformen der Erfindung sehen ein Verfahren zum automatischen Individualisieren und Anpassen von Einstellungen in einem Fahrzeug vor. Die Erfindung behandelt das Problem der Personalisierung von Fahrzeugeinstellungen ohne die Notwendigkeit komplizierter und kostspieliger Identifizierung des Fahrers und anderer Insassen des Fahrzeugs. Die Erfindung basiert auf dem Gedanken, dass die bevorzugten Einstellungen in jedem beliebigen Augenblick nicht für den aktuellen Fahrer, sondern für einen aktuellen Kontext spezifisch sein können. Die Erkennung des Kontextes ist anhand der Sensordaten möglich, die während des Routinebetriebs des Fahrzeugs aus funktionsfähigen Teilsystemen des Fahrzeugs erfassten werden. In der bevorzugten Ausführungsform erfordern das Verfahren und das System außer den bereits eingebauten keine zusätzlichen Sensoren oder Identifizierungsvorrichtungen im Fahrzeug, obwohl Spezialsensoren auf Wunsch verwendet werden könnten. Auch muss die Identität der Insassen nicht detailliert bekannt sein.
  • Kontext
  • Ein Kontext, wie hierin definiert, ist ein Satz Situationen, die nicht identisch sind, aber durch irgendeine Gemeinsamkeit des Betriebs gekennzeichnet sind. Ein Beispiel für einen Kontext ist die Pendelfahrt zur oder von der Arbeit oder Schule durch den Fahrzeugführer oder vielleicht einen anderen Insassen. In diesem Fall ist die Gemeinsamkeit die Tageszeit (Morgen) und der Tagestyp (Arbeits-/Schultag), ungeachtet dessen, welche anderen Variationen noch bestehen, wie etwa die Außentemperatur, Fahrtzeit usw. Diesem Kontext und dem angenommenen Benutzer des Fahrzeugs während dieses Kontextes kann ein Satz bevorzugter Einstellungen zugeordnet werden.
  • Ein weiteres Beispiel ist der Kontext, wenn sowohl Fahrer- als auch Beifahrersitz besetzt sind. In diesem Fall entspricht der diesem Kontext zugeordnete Satz bevorzugter Einstellungen den Einstellungen, die für beide Insassen angenehm sind, zum Beispiel eine „neutrale“ Temperatur. Es ist zu beachten, dass diese Einstellungen von denen in jedem Satz bevorzugter Einstellungen für die zwei separaten Kontexte verschieden sein können, wenn nur ein Insasse im Fahrzeug ist.
  • Das Konzept eines Fahrzeugkontextes subsumiert die Ansätze für eine Fahrzeugpersonalisierung auf Basis einer Fahreridentifizierung, weil die Identität des Fahrers auch die Gemeinsamkeit sein kann, die den Kontext definiert. Zum Beispiel kann der Satz Situationen, wenn Fahrer A das Fahrzeug fährt, einen Kontext definieren, und desgleichen kann der Satz Situationen, wenn Fahrer B das Fahrzeug fährt, einen weiteren Kontext definieren. Bei unserem Ansatz werden Kontexte aber nicht nach Fahrer-ID unterschieden, wie im Stand der Technik, sondern nach sinnvoller Gemeinsamkeit in den Sensordaten.
  • Wir reduzieren somit das Problem der Fahrzeugpersonalisierung nicht auf die Aufgabe der Fahrer- und/oder Beifahreridentifizierung, sondern auf die Aufgabe der Zuordnung zwischen von den Sensordaten für die bevorzugten Einstellungen definierten Kontexten. Das Hauptproblem bei dieser Aufgabe liegt in der Erkennung von Kontexten, die hinsichtlich der bekannten Variationen in bevorzugten Einstellungen prädiktiv sind.
  • Überblick über das System des Verfahrens
  • Wie in 1 gezeigt, beinhalten das Verfahren und das System eine Trainingsphase 200 und eine Betriebsphase 300. Das Training kann einmalig, periodisch, kontinuierlich oder auf Verlangen sein. Während des Trainings werden von Teilsystemen (siehe unten) in einem Fahrzeug 102 Trainingsensordaten 101 erfasst. Zu den Trainingsdaten zählen Paare beobachteter Eingabevektoren 301 und beobachteter Ausgabevektoren 302. Die Eingabevektoren definieren den aktuellen Kontext. Die Ausgabevektoren definieren aktuelle Einstellungen für die Vorrichtung, die angepasst werden könnten. Die Trainingsdaten werden zum Konstruieren eines prädiktiven Modells 250 unter Verwendung eines maschinellen Lernverfahrens (MLP) 210 verwendet. Zweck des MLP ist es, einen kausalen Zusammenhang zwischen den Eingabevektoren (Kontext) und den Ausgabevektoren (diesem Kontext entsprechende Einstellungen) herzustellen.
  • Während des Betriebs 300 werden periodisch Eingabevektorenx 301 von Sensordaten identisch mit der Trainingsphase aufgebaut. Während des Betriebs ist der richtige Ausgabevektor für den aktuellen Kontext nicht bekannt und es ist eine Aufgabe des prädiktiven Verfahrens, die richtige Ausgabe unter Verwendung des prädiktiven Modells 250 zu ermitteln. Die Eingabevektoren 301 können anhand von während des normalen Betriebs des Fahrzeugs von den Teilsystemen erfassten Sensordaten erhalten werden. Die Sensordaten sind eine Zeitreihe, wie unten beschrieben. Das prädiktive Modell wird dann zur Erzeugung entsprechender Ausgabevektoren ypred 302 verwendet, die dann wiederum die Fahrzeugeinstellungen z 110 je nach dem aktuellen Kontext automatisch anpassen.
  • Die Schritte des Verfahrens können in einem Prozessor 100, der mit einem Speicher 109 und Eingabe-/Ausgabeschnittstellen verbunden ist, durchgeführt werden, wie in der Technik bekannt. Die Schnittstellen können mit den hierin beschriebenen Bussen verbunden sein.
  • Training
  • Wie in 2 gezeigt, kann das MLP 210 versteckte Beziehungen zwischen den Eingabevektoren x , den Ausgabevektoren y und den Einstellungen z entdecken. Die Sensordaten werden zu einer Trainingsmenge von M Beispielen geordnet, wobei jedes Beispiel ein Paar (x(k), y(k)) ist, wobei k = 1, ..., M. Der Eingabevektor x = [x1, x2, ..., xN] hat N Komponenten, die Sensordaten sein können, die direkt 201 von den Fahrzeugteilsystemen 220 gemessen werden oder mittels Ausdrücken, Funktion oder Extraktionsverfahren, wie unten beschrieben, indirekt 202 abgeleitet werden können. Der Ausgabevektor y = [y1,y2,yP ] hat P Komponenten, die mit unabhängig anpassbaren Einstellungen zi, i = 1, ..., L der Teilsysteme in Beziehung stehen, aber nicht zwangsläufig übereinstimmen.
  • Zu Sensordaten, die beim Konstruieren der Eingabevektoren verwendet werden können, können unter anderem Variablen von einer Motorsteuereinheit (ECU), Fahrzeugbeschleunigung, Bremskraft, Motordrehzahl pro Minute (U/min), Kraftstoffverbrauch, Batterieladung usw. und von den mit einem Controller Area Netzwork- (CAN) -Bus verbundenen Vorrichtungen zählen. Der CAN-Bus ist ein Fahrzeugbusstandard, der dafür ausgelegt ist, Mikrocontrollern und Geräten die Kommunikation miteinander ohne Hostrechner zu ermöglichen. Der CAN-Bus ist besonders nützlich in modernen Fahrzeugen, die vielleicht etwa einhundert elektronische Steuereinheiten (ECU) für die verschiedenen Teilsysteme haben, wie etwa die Motorsteuereinheit, die Triebstrangsteuereinheit, Einheiten zum Steuern von Getriebe, Airbags, Antiblockiersystem, Tempomat, elektrischer Servolenkung, Audiosystemen, Fenstern, Türen, Spiegeleinstellung, Batterie- und Aufladungssystemen für Hybrid- oder Elektrofahrzeuge, Einspritzanlagen, Innenraumtemperatur, Beifahrersitz-Besetztanzeiger, Fahrzeug-Navigationseinheit, die Zeit, Datum, Geschwindigkeit, Richtung, Ziel, geschätzte Ankunftszeit anzeigen kann, und Infotainment-Systeme usw.
  • Zu den indirekten Daten 202 können unter anderem die Folgenden zählen: Tagestyp (Arbeitstag im Gegensatz zu Wochenende), Wochentag, Zeitraum während des Tages (Morgen, Nachmittag, Abend, Nacht), usw.
  • Zu den anpassbaren Einstellungen z 110 können unter anderem die Folgenden zählen: Sitzhöhe, -position, -neigung und -temperatur; Rückspiegelstellung (Spiegel im Innenraum, links und rechts); vorprogrammierte Radiosender; Temperatursollwert der Klimaanlage (Fahrer- und Beifahrerseite, falls separat verfügbar), Gebläsedrehzahl, Luftrichtungen für alle Düsen usw.
  • Für das Konstruieren der Eingabevektoren und die Erzeugung der Ausgabevektoren x und y während Training und Betrieb gibt es mehrere Vorgehensweisen. Ein Verfahren zum Konstruieren des Eingabevektors x beinhaltet die direkten Daten 201 und die indirekten Daten 202. Dieses Verfahren kann bei der Erkennung von Kontexten, die von einer oder mehr dieser Variablen abhängen, sehr effektiv sein. Wenn zum Beispiel ein Benutzer das Fahrzeug nur an Wochentagen fährt und ein anderer das Fahrzeug nur an Wochenenden fährt, hat der so konstruierte Eingabevektor alle notwendigen Informationen, um zwischen den zwei für die Personalisierung relevanten Kontexten zu unterscheiden. In diesem Fall ist der abgeleitete Bezugspunkt z.B. der Tagestyp. Ein anderes nicht überlappendes Time-Sharing zwischen zwei oder mehr Benutzern kann auch mit dieser Art von Eingabevektor gehandhabt werden.
  • Eine kompliziertere Kontexterkennung kann durch Erweitern des Bereichs der Daten implementiert werden, die zur Einbeziehung in den Eingabevektor in Betracht gezogen werden, so dass die jüngsten Sensordaten und Daten aus einer längeren Zeitspanne, die der aktuellen Zeit vorangeht, zum Beispiel seit der Zeit, an dem das Fahrzeug gestartet wurde, das Fahrzeug für eine Weile bis zum aktuellen Zeitpunkt in Bewegung war, verwendet werden. Diese letztere Bedingung geht davon aus, dass der Fahrer derselbe ist und sich die Positionen anderer Insassen nicht geändert haben. Die Verfügbarkeit dieser Daten kann einen viel weiteren Bereich möglicher Kontexte erfassen, zum Beispiel Kontexte, die vom Fahrstil des aktuellen Fahrers definiert werden, wie von den Beschleunigungs- und Bremsmustern beschrieben, sowie spezifische Handlungssequenzen, die der Fahrer einleitet. Zum Beispiel startet ein Fahrer vielleicht immer den Motor und schnallt sich dann an, während der andere Fahrer diese zwei Aufgaben in umgekehrter Reihenfolge durchführt. Durch Feststellen des Unterschieds in der Reihenfolge der Handlungen ist das Zuordnungsverfahren in der Lage, zwischen den zwei Fahrern und ihren Kontexten zu unterscheiden.
  • Wenn eine größere Sensordatenmenge verwendet wird, wird das Problem ein Problem der Zuordnung zwischen einer hochdimensionalen Zeitreihe und den aktuellen Einstellungen. Die praktische Überlegung ist jetzt, wie die Daten der großen Datenmenge in einer Zeitreihe zu handhaben sind. Die Einbeziehung aller dieser Daten in den Eingabevektor x ist nicht möglich, weil x eine konstante Dimensionalität hat, während die Zeitreihendaten mit der Zeit zunehmen. Eine Möglichkeit ist es, die Dauer der Zeitreihe zu begrenzen. Aber selbst in diesem Fall nimmt die Größe x schnell zu und eine zuverlässige Schätzung der Beziehung zwischen x und dem Ausgabevektor y würde eine unsinnige Trainingsdatenmenge erfordern.
  • Eine Möglichkeit zur Behandlung dieses Problems ist, nach einer begrenzten Zahl kurzer Teilsequenzen in der gesamten hochdimensionalen Zeitreihe zu suchen, wobei die Eigenschaften dieser Teilsequenzen für den Ausgabevektor hoch prädiktiv sind.
  • Derartige Teilsequenzen sind als Motive oder Shapelets bekannt und können mittels rechnerisch effizienter Prozeduren in der gesamten Zeitreihenmenge entdeckt werden. Während des Trainings analysiert ein Suchverfahren die gesamte Zeitreihe, um hoch prädiktive Teilsequenzen (HPS) zu erkennen, und konstruiert für jede Teilsequenz eine Boolesche Anzeigervariable xi. Der durch Anzeigervariablen des HPS erweiterte Eingabevektor bildet eine kurzgefasste Eingabedarstellung.
  • Ein Verfahren beinhaltet alle Variablen, die für die anpassbare Einstellung im Ausgabevektor relevant sind, so dass der Wert der Ausgabevariablen yi gleich dem Wert der anpassbaren Einstellung zi: yi = zi ist, zum Beispiel dem Winkel des linken Rückspiegels. Dieser Typ von Ausgabevariable kann mit dem ersten Typ von Eingabemerkmalen, der oben beschrieben wird, verwendet werden, wenn keine vorhergehenden Daten verwendet werden oder verfügbar sind. Dieser Ausgabevariablentyp wird gewöhnlich zum Entdecken der HPS verwendet, wenn alle Ausgabevariablen diskret sind (Boolesch oder multinominal).
  • Eine weitere Möglichkeit identifiziert die Einstellungen, die einzelnen Benutzern entsprechen, mithilfe einer Quantisierung, zum Beispiel eines Clustering-Verfahrens. In diesem Fall nimmt die Ausgabevariable yi diskrete Werte an, die dem während der Clustering-Phase identifizierten Cluster entsprechen. In den meisten Fällen entspricht ein Cluster nur einem Benutzer und beschreibt die allgemeinen Intervalle von Werten, die der Benutzer für die anpassbaren Einstellungen auswählt. Die Ausgabedarstellung ist in ihrer Art zwangsläufig diskret (Boolesch oder multinominal) und kann mit beiden Typen von Eingabedarstellungen verwendet werden.
  • Nach dem Konstruieren der Datenbank des Trainingsbeispielpaars (x(k), y(k)), k = 1, ..., M kann das Mapping zwischen Eingabe- und Ausgabevariablen mit dem MLP 210 identfiziert werden, z.B. neurale Netzwerke, Support Vector Machines, k-nächste Nachbarn, Gauß‘sche Gemischmodelle, Bayes-Modelle, Entscheidungsbäume, probabilistische grafische Modelle und Radiale-Basisfunktion-Klassifikatoren.
  • Zur Personalisierung der Einstellungen verwendet das Verfahren das anhand des Trainings und der verfügbaren Sensordaten erhaltene prädiktive Modell in regelmäßigen Intervallen, z.B. je Minute. Die Eingabevektoren x werden auf die gleiche Weise konstruiert, wie die Eingabevektoren während des Trainings konstruiert werden. Das Verfahren kann dann einen wahrscheinlichsten ypred produzieren. Danach werden die Einstellungen zi angepasst, so dass sie dem Kontext entsprechen, der dem Ausgabevektor ypred zugeordnet ist.

Claims (12)

  1. Verfahren zum Anpassen von Einstellungen (110) in einem Fahrzeug (102), das die Schritte des Trainings (200) und des Betreibens (300) aufweist und keine Identifizierungsvorrichtungen im Fahrzeug erfordert, wobei die Einstellungen eine Sitzhöhe und/oder eine Sitzposition und/oder eine Sitzneigung und/oder eine Sitztemperatur und/oder eine Rückspiegeleinstellung und/oder einen Temperatursollwert einer Klimaanlage und/oder eine Gebläsedrehzahl und/oder eine Luftrichtung für alle Düsen umfassen, wobei das Training (200) ferner Folgendes aufweist: Konstruieren von Eingabevektoren (301) anhand von aus Fahrzeugteilsystemen (220) erfassten Sensordaten, wobei jeder Eingabevektor (301) einen Kontext definiert, und wobei Sensordaten von einer Motorsteuereinheit, einem Fahrzeugnavigationssystem, und der Klimaanlage als Teilsysteme (220) erfasst werden, wobei die Kontexte nicht nach einer Fahrer-ID unterschieden werden; Konstruieren eines entsprechenden Ausgabevektors (302) für jeden Eingabevektor (301) anhand von anpassbaren Einstellungen (110), die in einem aktuellen Kontext aufgezeichnet sind; Ansammeln einer Trainingsdatenbank in einem Speicher, die Paare der Eingabevektoren (301) und der Ausgabevektoren (302) beinhaltet; Lernen eines prädiktiven Modells (250) von der Trainingsdatenbank unter Verwendung eines maschinellen Lernverfahrens (210), wobei das prädiktive Modell (250) den entsprechenden Ausgabevektor (302) anhand des Eingabevektors (301) vorhersagt; und wobei das Betreiben (300) ferner Folgendes aufweist: Konstruieren der Eingabevektoren (301) anhand von aus Fahrzeugteilsystemen (220) erfassten Sensordaten, die die Kontexte definieren; Vorhersagen eines wahrscheinlichsten Ausgabevektors (302) unter Verwendung des prädiktiven Modells (250) und Anpassen der Einstellungen (110) gemäß dem wahrscheinlichsten Ausgabevektor, wobei das Verfahren in einem Prozessor (100) durchgeführt wird.
  2. Verfahren nach Anspruch 1, wobei die Eingabevektoren (301) aus aktuell messbaren Variablen bestehen.
  3. Verfahren nach Anspruch 1, wobei die Eingabevektoren (301) aus aktuell messbaren Variablen und vergangenen gemessenen Variablen bestehen.
  4. Verfahren nach Anspruch 1, wobei der wahrscheinlichste Ausgabevektor (302) reellwertige anpassbare Einstellungen (110) direkt codiert.
  5. Verfahren nach Anspruch 4, wobei der wahrscheinlichste Ausgabevektor (302) aus diskreten Cluster-Identifizierungen besteht und wobei ein Clustering-Verfahren auf die reellwertigen anpassbaren Einstellungen (110) angewendet wird.
  6. Verfahren nach Anspruch 1, wobei das prädiktive Modell (250) von neuralen Netzwerken, Support Vector Machine, Entscheidungsbaum oder einem probabilistischen grafischen Modell repräsentiert wird.
  7. Verfahren nach Anspruch 1, wobei der Kontext durch eine Gemeinsamkeit des Betriebs gekennzeichnet ist.
  8. Verfahren nach Anspruch 1, wobei das Training (200) einmalig, periodisch, kontinuierlich oder auf Verlangen ist.
  9. Verfahren nach Anspruch 1, wobei das Lernen versteckte Beziehungen zwischen den Eingabevektoren (301) und den Ausgabevektoren (302) und den Einstellungen (110) entdeckt.
  10. Verfahren nach Anspruch 1, wobei die Sensordaten Zeitreihendaten sind und das ferner Folgendes aufweist: Suchen nach einer begrenzten Zahl von kurzen Teilsequenzen in der Zeitreihe mit einer Eigenschaft, dass die Teilsequenzen für den wahrscheinlichsten Ausgabevektor (302) hoch prädiktiv sind.
  11. Verfahren nach Anspruch 10, wobei die Teilsequenzen Motive sind.
  12. Verfahren nach Anspruch 1, wobei der wahrscheinlichste Ausgabevektor (302) diskrete Werte annimmt.
DE112014003714.1T 2013-08-12 2014-07-11 Verfahren zum Anpassen von Einstellungen in einem Fahrzeug Active DE112014003714B4 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/964,160 2013-08-12
US13/964,160 US20150046060A1 (en) 2013-08-12 2013-08-12 Method and System for Adjusting Vehicle Settings
PCT/JP2014/069121 WO2015022838A1 (en) 2013-08-12 2014-07-11 Method for adjusting settings in vehicle

Publications (2)

Publication Number Publication Date
DE112014003714T5 DE112014003714T5 (de) 2016-04-28
DE112014003714B4 true DE112014003714B4 (de) 2020-12-31

Family

ID=51355597

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112014003714.1T Active DE112014003714B4 (de) 2013-08-12 2014-07-11 Verfahren zum Anpassen von Einstellungen in einem Fahrzeug

Country Status (4)

Country Link
US (1) US20150046060A1 (de)
JP (1) JP2016525983A (de)
DE (1) DE112014003714B4 (de)
WO (1) WO2015022838A1 (de)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2999234B1 (fr) * 2012-12-11 2014-12-19 Renault Sa Procede de gestion d'un groupe motopropulseur mettant en oeuvre une estimation de la temperature moteur a la fin d'un temps d'arret d'un element du groupe motopropulseur
WO2015174063A1 (ja) * 2014-05-16 2015-11-19 日本電気株式会社 情報処理装置、分析方法、及び、記録媒体
US9843597B2 (en) * 2015-01-05 2017-12-12 International Business Machines Corporation Controller area network bus monitor
EP3362994A4 (de) 2015-10-13 2019-06-12 Athena Vision LLC Genaue bestimmung von echtzeitparametern mit beschreibung einer fahrzeugbewegung auf der basis von mehreren datenquellen
US9963012B2 (en) * 2015-12-07 2018-05-08 GM Global Technology Operations LLC Personalizing vehicular comfort settings for a specific user
US10017139B2 (en) 2016-02-12 2018-07-10 Google Llc Portable vehicle settings
EP3460613B1 (de) * 2016-06-08 2020-10-07 Uisee Technologies (Beijing) Ltd Verfahren und vorrichtung zur geschwindigkeitsplanung sowie kalkulationsvorrichtung zum automatischen fahren eines fahrzeugs
CN106004735B (zh) * 2016-06-27 2019-03-15 京东方科技集团股份有限公司 车载系统及车辆设施的调整方法
KR101876051B1 (ko) * 2016-08-31 2018-08-02 현대자동차주식회사 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법
DE102016118888A1 (de) 2016-10-05 2018-04-05 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und Vorrichtung zur Steuerung eines Fahrzeugs
US10328913B2 (en) 2016-11-18 2019-06-25 International Business Machines Corporation Facilitation of automatic adjustment of a braking system
CN106908075B (zh) * 2017-03-21 2020-05-08 福州大学 大数据采集与处理系统及基于其电动汽车续航估计方法
DE102017109043A1 (de) * 2017-04-27 2018-10-31 Deutsche Telekom Ag Variable Steuerung von Bedienfunktionen im Kraftfahrzeug
FR3067124B1 (fr) * 2017-06-02 2019-07-05 Universite De Franche-Comte Procede et systeme pour diagnostiquer en temps reel l'etat de fonctionnement d'un systeme electrochimique, et systeme electrochimique integrant ce systeme de diagnostic
US11084440B2 (en) * 2017-06-06 2021-08-10 Toyota Motor Engineering & Manufacturing North America, Inc. Smart vehicle accommodation device adjustment
US10625567B2 (en) * 2017-06-20 2020-04-21 Ford Global Technologies, Llc System and method for correcting ambient air temperature measurement using a wireless network
US11138517B2 (en) * 2017-08-11 2021-10-05 Google Llc On-device machine learning platform
US11403540B2 (en) * 2017-08-11 2022-08-02 Google Llc On-device machine learning platform
US10953881B2 (en) 2017-09-07 2021-03-23 Tusimple, Inc. System and method for automated lane change control for autonomous vehicles
US10649458B2 (en) 2017-09-07 2020-05-12 Tusimple, Inc. Data-driven prediction-based system and method for trajectory planning of autonomous vehicles
US10782693B2 (en) 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10953880B2 (en) 2017-09-07 2021-03-23 Tusimple, Inc. System and method for automated lane change control for autonomous vehicles
DE102018206717A1 (de) * 2018-05-02 2019-11-07 Audi Ag Verfahren zum fahrsituationsabhängigen Betreiben eines Kraftfahrzeugsystems eines Kraftfahrzeugs, Personalisierungseinrichtung und Kraftfahrzeug
CN108647054A (zh) * 2018-05-08 2018-10-12 拉扎斯网络科技（上海）有限公司 一种调整设备的配置参数的方法及装置
DE102018207379A1 (de) * 2018-05-14 2019-11-14 Audi Ag Verfahren zum Betreiben eines Kraftfahrzeugsystems anhand einer benutzerspezifischen Benutzereinstellung, Speichermedium, Zuordnungseinrichtung, Kraftfahrzeug und Servervorrichtung zum Betreiben im Internet
DE102018209967A1 (de) * 2018-06-20 2019-12-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zum automatischen Einstellen einer Funktion in einem Fahrzeug
DE102018211835A1 (de) * 2018-07-17 2019-12-05 Conti Temic Microelectronic Gmbh Verfahren zum Bestimmen einer Einstellposition einer in einer Position verstellbaren Komponente
DE102018211831A1 (de) * 2018-07-17 2019-12-05 Conti Temic Microelectronic Gmbh Verfahren zum Bestimmen einer Sitzeinstellung eines Sitzes eines Kraftfahrzeugs, Computerprogrammprodukt, Servereinrichtung, Kommunikationsendgerät und Kraftfahrzeug
US10974567B2 (en) 2018-09-20 2021-04-13 Ford Global Technologies, Llc Automatic adaptive climate controls
US10803213B2 (en) 2018-11-09 2020-10-13 Iocurrents, Inc. Prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission for a vehicle using machine learning
EP3666596B1 (de) * 2018-12-11 2021-04-28 e.solutions GmbH Verfahren zur identifizierung von passagierspezifischen einstellungen und fahrzeug zur durchführung des verfahrens zur identifizierung von passagierspezifischen einstellungen
US11498388B2 (en) * 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
DE102019133415A1 (de) * 2019-12-06 2021-06-10 Bayerische Motoren Werke Aktiengesellschaft Steuerungseinrichtung für Fahrzeuginnenraumkomponenten
US11564101B2 (en) 2020-07-31 2023-01-24 Beijing Voyager Technology Co., Ltd. Method and system for handling network intrusion
US11555859B2 (en) 2020-09-10 2023-01-17 Toyota Research Institute, Inc. Vehicle battery analysis system

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4920338A (en) * 1987-06-04 1990-04-24 Nissan Motor Co., Ltd. Automatic seat positioning device for automotive vehicle and the like
US5686765A (en) * 1993-03-19 1997-11-11 Driver Id Llc Vehicle security system including fingerprint and eyeball part identification
US6198996B1 (en) * 1999-01-28 2001-03-06 International Business Machines Corporation Method and apparatus for setting automotive performance tuned preferences set differently by a driver
US6810309B2 (en) * 2002-04-25 2004-10-26 Visteon Global Technologies, Inc. Vehicle personalization via biometric identification
US20090050267A1 (en) * 2007-08-11 2009-02-26 Maverick Enterprises, Inc. Customizable item labeling system for use in manufacturing, packaging, product shipment-fulfillment, distribution, and on-site operations, adaptable for validation of variable-shaped items
US20090240391A1 (en) * 2008-02-08 2009-09-24 Airmax Group Plc Configuration of an Electronic Control System for Controlling the Operation of at Least One Component of a Vehicle
US8344849B2 (en) * 2005-07-11 2013-01-01 Volvo Technology Corporation Method for performing driver identity verification
US20130030645A1 (en) * 2011-07-28 2013-01-31 Panasonic Corporation Auto-control of vehicle infotainment system based on extracted characteristics of car occupants
WO2013101052A1 (en) * 2011-12-29 2013-07-04 Intel Corporation Systems, methods, and apparatus for learning the identity of an occupant of a vehicle

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3389774B2 (ja) * 1996-03-22 2003-03-24 トヨタ自動車株式会社 自動変速機の制御装置
JP2003050605A (ja) * 2001-08-07 2003-02-21 Mazda Motor Corp 自動車の制御ゲイン変更用サーバ、自動車の制御ゲイン変更方法、及び、自動車の制御ゲイン変更用プログラム
KR101195011B1 (ko) * 2003-05-13 2012-10-31 콘티넨탈 테베스 아게 운트 코. 오하게 차량용 구동 역학 제어 시스템
US20060097844A1 (en) * 2004-11-10 2006-05-11 Denso Corporation Entry control system and method using biometrics
US20060155439A1 (en) * 2005-01-12 2006-07-13 Slawinski John A System and method for using a vehicle's key to collect vehicle data and diagnose mechanical problems, to store and compare security data to allow only authorized use of vehicles and a method to automatically set vehicle features usng the key
JP2007145200A (ja) * 2005-11-28 2007-06-14 Fujitsu Ten Ltd 車両用認証装置及び車両用認証方法
DE102006030528A1 (de) * 2006-07-01 2008-01-03 Zf Friedrichshafen Ag Vorausschauende Bestimmung einer Übersetzungsänderung
US8437919B2 (en) 2007-03-13 2013-05-07 GM Global Technology Operations LLC Vehicle personalization system
US8775010B2 (en) * 2011-05-16 2014-07-08 Ford Motor Company System and method of conducting vehicle usage data analysis
US9573541B2 (en) * 2011-12-29 2017-02-21 Intel Corporation Systems, methods, and apparatus for identifying an occupant of a vehicle
US10061745B2 (en) * 2012-04-01 2018-08-28 Zonar Sytems, Inc. Method and apparatus for matching vehicle ECU programming to current vehicle operating conditions

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4920338A (en) * 1987-06-04 1990-04-24 Nissan Motor Co., Ltd. Automatic seat positioning device for automotive vehicle and the like
US5686765A (en) * 1993-03-19 1997-11-11 Driver Id Llc Vehicle security system including fingerprint and eyeball part identification
US6198996B1 (en) * 1999-01-28 2001-03-06 International Business Machines Corporation Method and apparatus for setting automotive performance tuned preferences set differently by a driver
US6810309B2 (en) * 2002-04-25 2004-10-26 Visteon Global Technologies, Inc. Vehicle personalization via biometric identification
US8344849B2 (en) * 2005-07-11 2013-01-01 Volvo Technology Corporation Method for performing driver identity verification
US20090050267A1 (en) * 2007-08-11 2009-02-26 Maverick Enterprises, Inc. Customizable item labeling system for use in manufacturing, packaging, product shipment-fulfillment, distribution, and on-site operations, adaptable for validation of variable-shaped items
US20090240391A1 (en) * 2008-02-08 2009-09-24 Airmax Group Plc Configuration of an Electronic Control System for Controlling the Operation of at Least One Component of a Vehicle
US20130030645A1 (en) * 2011-07-28 2013-01-31 Panasonic Corporation Auto-control of vehicle infotainment system based on extracted characteristics of car occupants
WO2013101052A1 (en) * 2011-12-29 2013-07-04 Intel Corporation Systems, methods, and apparatus for learning the identity of an occupant of a vehicle

Also Published As

Publication number Publication date
DE112014003714T5 (de) 2016-04-28
JP2016525983A (ja) 2016-09-01
WO2015022838A1 (en) 2015-02-19
US20150046060A1 (en) 2015-02-12

Similar Documents

Publication Publication Date Title
DE112014003714B4 (de) Verfahren zum Anpassen von Einstellungen in einem Fahrzeug
DE102015111969A1 (de) Identifizierung des Fahrers eines Fahrzeugs
DE102016106803B4 (de) Adaptives Fahrzeugschnittstellensystem
DE102019115236B4 (de) Vorrichtung zur behandlung von bewegungskrankheit
DE102014220302B4 (de) Verfahren zur Durchführung einer Aktions-Erkennung auf einem Bild eines Fahrers in einem Fahrzeug sowie entsprechendes Nichtflüchtiges, Computer-lesbares Speichermedium und Verfahren zum Lernen eines Random Forest Modells zur Aktionserkennung
EP3727945B1 (de) Verfahren zum fahrsituationsabhängigen betreiben eines kraftfahrzeugsystems eines kraftfahrzeugs, personalisierungseinrichtung und kraftfahrzeug
DE102014111271A1 (de) Fahrzeugsystem und Verfahren zum Identifizieren eines Fahrers
DE102017110251A1 (de) Funktionalität zur Rundum-Versorgung für Fahrgäste von vollständig autonomen gemeinsam genutzten oder Taxidienst-Fahrzeugen
DE102019104353A1 (de) System und verfahren zur reifenverschleissprognose
DE102019100574A1 (de) Profilerstellung unter verwendung der insassenbelastungsbewertung und des profilabgleichs für die fahrzeugumgebungsabstimmung während der fahrgemeinschaften
DE102014105420A1 (de) Insassenanwesenheitserfassung und -identifikation
DE102007009895A1 (de) Steuergerät zur Steuerung einer Fahrzeugeinheit
DE102020208191A1 (de) Erfassung und Verarbeitung von Fahrzeuginsassendaten mittels künstlicher Intelligenz
DE102021116308A1 (de) Selektives aktivieren oder deaktivieren von fahrzeugmerkmalen basierend auf fahrerklassifizierung
DE102020115726A1 (de) Autmomatisierte unterscheidung und automatisches lernen von fahrzeugprofilen
DE102017211521A1 (de) Steuerung von Fahrzeugfunktionen aus einer virtuellen Realität
DE102015004748A1 (de) Verfahren zur Vorhersage einer gefährlichen Fahrsituation
DE102019206718A1 (de) Verfahren zum personalisierten Verwenden von Kommunikationsmitteln
DE102018128706A1 (de) Dynamischer Informationsschutz für Anzeigeeinrichtungen
DE102006053328B4 (de) Verfahren zum Authentifizieren eines Fahrers eines Fahrzeugs und zugehörige Vorrichtung
DE102020117555A1 (de) Verfahren und vorrichtung zur insassenklassifizierung
DE102013007256B4 (de) Verfahren zum personalisierten Betreiben einer graphischen Benutzeroberfläche eines Kraftwagens und Kraftwagen mit einer solchen graphischen Benutzeroberfläche
EP1610302A1 (de) Verfahren zur sprecherabhängigen Spracherkennung in einem Kraftfahrzeug
DE102022115531A1 (de) Verfahren zum Bestimmen einer Aufmerksamkeit eines Nutzers eines Kraftfahrzeugs, Computerprogramm, Datenverarbeitungsvorrichtung und Kraftfahrzeug
DE102021129085B3 (de) Verfahren zur Erzeugung eines Modells zur automatisierten Vorhersage von Interaktionen eines Benutzers mit einer Benutzerschnittstelle eines Kraftfahrzeugs, außerdem Datenverarbeitungseinheit für ein Kraftfahrzeug und Kraftfahrzeug

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R083 Amendment of/additions to inventor(s)
R084 Declaration of willingness to licence
R016 Response to examination communication
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final