DE112018001596T5 - Elektronische fahrzeugsteuerung - Google Patents

Elektronische fahrzeugsteuerung Download PDF

Info

Publication number
DE112018001596T5
DE112018001596T5 DE112018001596.3T DE112018001596T DE112018001596T5 DE 112018001596 T5 DE112018001596 T5 DE 112018001596T5 DE 112018001596 T DE112018001596 T DE 112018001596T DE 112018001596 T5 DE112018001596 T5 DE 112018001596T5
Authority
DE
Germany
Prior art keywords
model
vehicle
unit
state
vehicle control
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.)
Pending
Application number
DE112018001596.3T
Other languages
English (en)
Inventor
Mitsuhiro Kitani
Masayoshi Ishikawa
Tsuneo Sobue
Hiroaki Itou
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.)
Hitachi Astemo Ltd
Original Assignee
Hitachi Automotive Systems Ltd
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 Hitachi Automotive Systems Ltd filed Critical Hitachi Automotive Systems Ltd
Publication of DE112018001596T5 publication Critical patent/DE112018001596T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems

Abstract

Eine elektronische Fahrzeugsteuerung enthält eine zum Erfassen des Zustands eines Fahrzeugs konfigurierte Zustandserfassungseinheit und eine zum Ermitteln, ob ein Künstliche-Intelligenz-Modell auf der Grundlage des in der Zustandserfassungseinheit erfassten Zustands des Fahrzeugs zu konfigurieren ist, konfigurierte Ermittlungseinheit. Wenn die Ermittlungseinheit ermittelt, dass das Künstliche-Intelligenz-Modell konfiguriert wird, wird ein zum Ausführen eines vordefinierten Prozesses konfiguriertes Künstliche-Intelligenz-Modell durch Kombination einer Vielzahl von Operationseinheiten konfiguriert.

Description

  • Technisches Gebiet
  • Die vorliegende Erfindung betrifft eine elektronische Fahrzeugsteuerung.
  • Stand der Technik
  • Heutzutage wird die Entwicklung automatischer Fahrsysteme vorangetrieben. Bei dem automatischen Fahrsystem ist zum Fahren in einer komplexen Fahrumgebung die Verfeinerung von Funktionen, nämlich „Erkennung“, welche auf der Grundlage von Informationen von verschiedenen Sensoren wie Kameras, Laserradaren und Millimeterwellenradaren eine ein Trägerfahrzeug umgebende Umgebung abtastet, „Wahrnehmung“, welche schätzt, wie ein Objekt, welches durch einen Sensor erfasst wurde und das Trägerfahrzeug umgibt, sich in der Zukunft verhalten wird, und „Ermittlung“, welche auf der Grundlage der Ergebnisse von Erkennung und Wahrnehmung das Verhalten des Trägerfahrzeugs in der Zukunft plant, erforderlich. Deshalb wird ein KI (Künstliche-Intelligenz-) Modell wie ein neuronales Netz und „Deep Learning“ in diese Funktionen eingeführt, und daher ist eine weitere Verfeinerung zu erwarten. Zum Beispiel wird in dem Fall, in welchem ein KI-Modell auf eine Objekterkennungs-Verarbeitung angewendet wird, welches die Art eines Hindernisses (eine Person, ein Kraftfahrzeug oder irgendein anderes Objekt) aus einem mittels einer Stereokamera aufgenommenen Bild identifiziert, eine Reihe der Prozessprozeduren betrachtet, in welchen Objekte (Hindernisse) durch „Strukturschätzung“ auf der Grundlage einer Parallaxe beim stereoskopischen Sehen extrahiert werden, die Merkmalswerte der Hindernisse durch ein CNN („faltendes neuronales Netz“), welches eine Art von KI-Modell ist, aus den Bilddaten der extrahierten Objekte berechnet werden und die Arten von Hindernissen entsprechend den Merkmalswerten identifiziert werden. In diesem Fall nimmt, da die Artenidentifikationsprozesse mittels eines CNN für jedes durch den Strukturschätzungsprozess extrahierte Hindernis durchgeführt werden, bei einer Zunahme der extrahierten Hindernisse die für den CNN-Prozess erforderliche Last oder Zeit zu. In dem automatischen Fahrsystem muss eine Reihe von Prozessen für den „Betrieb“, welche eine Fahrsteuerung eines Fahrzeugs durchführen, in Echtzeit ausgeführt werden. Deshalb müssen auch in dem Fall, in welchem ein KI-Modell angewendet wird, um eine Echtzeit-Zyklusverarbeitung für den „Betrieb“ nicht zu beeinträchtigen, die Prozesse „Erkennung“, „Wahrnehmung“ und „Ermittlung“ innerhalb der Frist des Zyklusausführungsstarts für den „Betrieb“ abgeschlossen werden.
  • Patentliteratur 1 beschreibt, dass Hindernisse aus einem Bild erfasst werden, welches von dem Bereich vor einem Trägerfahrzeug mittels einer Kamera aufgenommen wird. Eine in dieser Patentliteratur 1 beschriebene Vorrichtung ermittelt unter Verwendung eines neuronalen Netzes, welches die Bewegungsmuster von wirklichen Fußgängern lernt, bei der Erfassung von Hindernissen als Fußgänger hochgenau, ob Hindernisse Fußgänger sind.
  • Druckschriftenverzeichnis
  • Patentliteratur
  • Patentliteratur 1: Japanische ungeprüfte Patentanmeldungs-Veröffentlichung Nr. 2004-145660
  • Kurzbeschreibung der Erfindung
  • Technisches Problem
  • Das in Patentliteratur 1 beschriebene Verfahren krankt an einem Problem, dass eine für eine Operationsverarbeitung erforderliche Verarbeitungszeit in dem Fall, in welchem die Anzahl von Objekten wie Fußgängern, welche Ziele für die Operation durch das neuronale Netz sind, länger wird.
  • Problemlösung
  • Gemäß einem ersten Aspekt der vorliegenden Erfindung enthält eine elektronische Fahrzeugsteuerung bevorzugt eine zum Erfassen des Zustands eines Fahrzeugs konfigurierte Zustandserfassungseinheit und eine zum Ermitteln, ob ein Künstliche-Intelligenz-Modell auf der Grundlage des in der Zustandserfassungseinheit erfassten Zustands des Fahrzeugs zu konfigurieren ist, konfigurierte Ermittlungseinheit. Wenn die Ermittlungseinheit ermittelt, dass das Künstliche-Intelligenz-Modell konfiguriert wird, wird ein zum Ausführen eines vordefinierten Prozesses konfiguriertes Künstliche-Intelligenz-Modell durch Kombination einer Vielzahl von Operationseinheiten konfiguriert.
  • Vorteilhafte Auswirkungen der Erfindung
  • Gemäß der vorliegenden Erfindung kann eine für die Operationsverarbeitung erforderliche Verarbeitungszeit entsprechend dem Zustand eines Fahrzeugs, bei dem die Anzahl von Objekten zum Beispiel zunimmt, verkürzt werden.
  • Figurenliste
    • 1 ist ein schematisches Blockschaubild eines neuronalen Netzes.
    • 2 ist ein Blockschaubild einer elektronischen Fahrzeugsteuerung gemäß einer ersten Ausführungsform.
    • 3(a), 3(b), 3(c), 3(d) und 3(e) sind Zustandstabellen zur Verwendung bei der Auswahl des KI-Modells gemäß der ersten Ausführungsform.
    • 4 besteht aus Blockschaubildern, welche beispielhafte ein Kl-Modell konfigurierende Operationseinheiten zeigen.
    • 5 besteht aus Blockschaubildern, welche aus Operationseinheiten konfigurierte KI-Modelle zeigen.
    • 6 zeigt Tabelleninformationen zur Verwendung beim Widerspiegeln von KI-Modell-Informationen in einem Beschleunigungselement.
    • 7 ist ein Ablaufplan, welcher den Prozessablauf der elektronischen Fahrzeugsteuerung gemäß der ersten Ausführungsform veranschaulicht.
    • 8 ist ein Blockschaubild, welches eine beispielhafte Abwandlung der Konfiguration der elektronischen Fahrzeugsteuerung gemäß der ersten Ausführungsform zeigt.
    • 9 ist ein Ablaufplan, welcher den Prozessablauf der beispielhaften Abwandlung der elektronischen Fahrzeugsteuerung gemäß der ersten Ausführungsform veranschaulicht.
    • 10 ist ein Blockschaubild einer elektronischen Fahrzeugsteuerung gemäß einer zweiten Ausführungsform.
    • 11(a), 11(b) und 11(c) sind Zustandstabellen zur Verwendung bei der Auswahl des KI-Modells gemäß der zweiten Ausführungsform.
    • 12 ist ein Ablaufplan, welcher den Prozessablauf der elektronischen Fahrzeugsteuerung gemäß der zweiten Ausführungsform veranschaulicht.
    • 13 ist ein Blockschaubild, welches eine beispielhafte Abwandlung der Konfiguration der elektronischen Fahrzeugsteuerung gemäß der zweiten Ausführungsform zeigt.
    • 14 zeigt Tabelleninformationen zur Verwendung bei der Auswahl des KI-Modells gemäß einer beispielhaften Abwandlung der zweiten Ausführungsform.
    • 15 ist ein Ablaufplan, welcher den Prozessablauf der beispielhaften Abwandlung der elektronischen Fahrzeugsteuerung gemäß der zweiten Ausführungsform veranschaulicht.
    • 16 ist ein Blockschaubild einer elektronischen Fahrzeugsteuerung gemäß einer dritten Ausführungsform.
    • 17 ist ein Blockschaubild, welches eine beispielhafte Abwandlung der Konfiguration der elektronischen Fahrzeugsteuerung gemäß der dritten Ausführungsform zeigt.
  • Beschreibung von Ausführungsformen
  • Im Folgenden werden Ausführungsformen der vorliegenden Erfindung anhand der Zeichnungen beschrieben. Es ist zu beachten, dass in den nachfolgend beschriebenen Ausführungsformen zum Beispiel gleiche Teile und Prozessinhalte mit gleichen Bezugszeichen versehen sind und die Beschreibung entsprechend vereinfacht ist. In den Ausführungsformen wird eine mit einem KI-Modell (einem Vorhersagemodell), welches Künstliche-Intelligenz-Verarbeitung verwendet, ausgestattete elektronische Fahrzeugsteuerung beschrieben und wird ein Beispiel eines neuronalen Netzes für das KI-Modell beschrieben. Jedoch kann das KI-Modell auch ein Modell im Zusammenhang mit maschinellem Lernen, „Deep Learning“ und bestärkendem Lernen sein. Die Konfigurationen von Operationseinheiten sind zur Kombination veränderlich, und daher können die Ausführungsformen angewendet werden.
  • Erste Ausführungsform
  • In der Ausführungsform ist ein KI-Modell aus einer Vielzahl von Operationseinheiten konfiguriert und wird das Kombinationsmuster der Operationseinheiten entsprechend dem Zustand einer elektronischen Fahrzeugsteuerung 20 individuell ausgewählt. Im Folgenden stützt sich die Beschreibung auf die 1 bis 9. Es ist zu beachten, dass mit dem Zustand der elektronischen Fahrzeugsteuerung 20 eine zum Beispiel Objektanzahl, Fahrszenarien, Wetter, Zeitfenster und Vorrichtungszustand enthaltende Trägerfahrzeug-Fahrumgebung gemeint ist.
  • KI-Modell
  • 1 ist ein Blockschaubild einer beispielhaften Struktur eines KI-Modells. Wie in 1 gezeigt, ist ein Neuronales-Netz-Modell 1 aus einer Eingangsschicht 10, einer Zwischenschicht 11 und einer Ausgangsschicht 12 konfiguriert und enthalten die Schichten I Operationseinheiten u, J Operationseinheiten u beziehungsweise K Operationseinheiten u. Die Operationseinheiten u sind auf der Grundlage von Verbindungsinformationen zwischen den Operationseinheiten u miteinander verbunden. In die Eingangsschicht 10 eingegebene Informationen werden durch das Innere der Zwischenschicht 11 gemäß den Verbindungsinformationen verbreitet, und dem Vorhersageergebnis entsprechende Informationen werden schließlich aus der Ausgangsschicht 12 ausgegeben. In der Ausführungsform sind Verbindungsinformationen bezüglich der Verbindung zwischen den Operationseinheiten u als „KI-Modell-Strukturinformationen“ beschrieben. Die Verbindungsinformationen enthalten einen Kopplungskoeffizienten, und die Informationen werden verbreitet, während die Operation unter Verwendung des Kopplungskoeffizienten der Informationen als Parameter durchgeführt wird. In der Ausführungsform ist der bei einer KI-Modell-Operation verwendete Kopplungskoeffizient als „KI-Modell-Parameterinformationen“ beschrieben. Der Inhalt der Operation wird durch die in den Verbindungsinformationen enthaltene Art der Schicht identifiziert. Zu Beispielen von in den Verbindungsinformationen enthaltenen Schichten zählen eine Faltschicht, die Batch-Normalisierung, eine Aktivierungsfunktion, eine „Pooling“-Schicht, eine „Fully-connected“-Schicht und eine LSTM- (Long Short-Term Memory) Schicht.
  • Es ist zu beachten, dass die Anzahl von Operationseinheiten u und die Anzahl von die Zwischenschicht 11 konfigurierenden Schichten nicht mit den Ausführungsformen zusammenhängen und dass diese Anzahlen gegebene Werte sind. Die Struktur des KI-Modells ist außerdem nicht-beschränkend und kann ein Zurückkommen oder die bidirektionale Eigenschaft auf die Verbindung zwischen den Operationseinheiten u aufweisen. Jedes KI-Modell wie ein Maschinelles-Lernen-Modell mit oder ohne Lehrer und ein Bestärkendes-Lernen-Modell ist unter dem Gesichtspunkt des Auswählens eines KI-Modells entsprechend dem Zustand der elektronischen Fahrzeugsteuerung 20 anwendbar.
  • Konfiguration der Fahrzeugsteuerung
  • 2 ist ein Blockschaubild der elektronischen Fahrzeugsteuerung 20 gemäß der ersten Ausführungsform. In der Ausführungsform ist das KI-Modell aus einer Vielzahl von Operationseinheiten 2300 konfiguriert und wird das Kombinationsmuster der Operationseinheiten 2300 entsprechend dem Zustand der elektronischen Fahrzeugsteuerung 20 individuell ausgewählt.
  • Die elektronische Fahrzeugsteuerung 20 ist aus einer Hauptvorrichtung 21, einer Speichereinheit 22 und einem Beschleunigungselement 23 konfiguriert. Es ist zu beachten, dass die elektronische Fahrzeugsteuerung 20 mindestens eine CPU (Central Processing Unit) (nicht gezeigt) als Hardware enthält. Die CPU steuert den Betrieb der elektronischen Fahrzeugsteuerung 20 gemäß in der Speichereinheit 22 gespeicherten Programmen, und daher werden Funktionen im Zusammenhang mit der Ausführungsform realisiert. Jedoch ist die Ausführungsform nicht auf eine solche Konfiguration beschränkt und können die oben beschriebenen Funktionen ganz oder teilweise als Hardware konfiguriert sein.
  • Die Hauptvorrichtung 21 enthält eine Vorhersageausführungs-Steuereinheit 210 und führt den Prozessen der Vorhersageausführungs-Steuereinheit 210 entsprechende Programme mittels der CPU aus und steuert das Beschleunigungselement 23, um Funktionen im Zusammenhang mit der Ausführungsform zu realisieren. Es ist zu beachten, dass die Prozesse der Vorhersageausführungs-Steuereinheit 210 ganz oder teilweise als Hardware installiert sein können. Es ist auch eine Konfiguration denkbar, bei welcher das Beschleunigungselement 23 eine CPU enthält und die Vorhersageausführungs-Steuereinheit 210 ganz oder teilweise durch das Beschleunigungselement 23 gesteuert wird.
  • Die Vorhersageausführungs-Steuereinheit 210 ist aus einer Berechnungseinheit, welche dafür konfiguriert ist, eine Operationsverarbeitungszeit eines KI-Modells zu berechnen, (einer KI-Modell-Operationsverarbeitungszeit-Berechnungseinheit) 2100, einer Ermittlungseinheit, welche dafür konfiguriert ist, zu ermitteln, ob die Operationsverarbeitungszeit des KI-Modells eine vordefinierte Zeitspanne überschreitet, (einer KI-Modell-Operationsverarbeitungszeitüberschreitungs-Ermittlungseinheit) 2101, einer Erfassungseinheit, welche dafür konfiguriert ist, den Zustand der elektronischen Steuerung zu erfassen, (einer Elektroniksteuerungszustands-Erfassungseinheit) 2102, einer Auswähleinheit 2103, welche dafür konfiguriert ist, ein KI-Modell auszuwählen, einer KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit 2104, welche dafür konfiguriert ist, die Aktivierung einer für die KI-Modell-Operationsverarbeitung verwendeten Einheit oder die Deaktivierung einer nicht verwendeten Einheit einzustellen, einer KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 2105 und einer KI-Modell-Nutzungs-Ermittlungseinheit 2106 konfiguriert.
  • Die KI-Modell-Operationsverarbeitungszeit-Berechnungseinheit 2100 berechnet die Schätzung der Operationsverarbeitungszeit mittels eines in 4(e) gezeigten, später noch zu beschreibenden KI-Modells 71. Für die Schätzungsberechnung wird das im Voraus im Entwurfsstadium eines KI-Modells ermittelte Auswertungsergebnis der KI-Modell-Operationsverarbeitung verwendet. Zum Zeitpunkt der Fertigstellung des Entwurfs des KI-Modells werden KI-Modell-Strukturinformationen oder KI-Modell-Parameterinformationen individuell ermittelt. Für die Operationsverarbeitung wird ein exklusives Beschleunigungselement verwendet. Deshalb ist die Schätzung der KI-Modell-Operationsverarbeitungszeit möglich. Das KI-Modell und die Operationsverarbeitungszeit für das KI-Modell werden in einer Verarbeitungszeiten-Zuordnungstabelle (in der Zeichnung nicht dargestellt) gespeichert.
  • Die KI-Modell-Operationsverarbeitungszeitüberschreitungs-Ermittlungseinheit 2101 ermittelt, ob eine Anwendungsverarbeitung im Zusammenhang mit Automatikbetrieb einschließlich KI-Modell-Operation oder Fahrerunterstützung innerhalb einer voreingestellten, vordefinierten Zeitspanne (bis zum Ablauf der Frist) abgeschlossen werden kann. Die Einheit der Anwendungsverarbeitung, in welcher die Frist bereitgestellt ist, ist frei wählbar. Zu Beispielen der Verarbeitung zählen die Verarbeitung vom Berechnen der Positionsinformationen von in der Umgebung des Trägerfahrzeugs vorhandenen Hindernissen bis zum Sortieren der Arten der Hindernisse und die Verarbeitung vom Berechnen der Positionsinformationen von Hindernissen und Informationen über die Art bis zum Vorhersagen des Verhaltens der Hindernisse, wie die Hindernisse sich in der Zukunft bewegen.
  • Die Elektroniksteuerungszustands-Erfassungseinheit 2102 erfasst zum Auswählen des Kombinationsmusters von ein KI-Modell konfigurierenden Operationseinheiten zum Ermitteln des KI-Modells erforderliche Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20.
  • Die KI-Modell-Auswähleinheit 2103 identifiziert das Kombinationsmuster der Operationseinheiten des KI-Modells aus Informationen über die Elektroniksteuerungszustands-Erfassungseinheit 2102 und Ermittlungsergebnis-Informationen der KI-Modell-Operationsverarbeitungszeitüberschreitungs-Ermittlungseinheit 2101. Von dem Kombinationsmuster ausgehend wird auf eine in 3 gezeigte, später noch zu beschreibende Zustandstabelle 221 Bezug genommen und wird das individuell ermittelte KI-Modell ausgewählt.
  • Da die KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit 2104 das in der KI-Modell-Auswähleinheit 2103 ausgewählte KI-Modell verwendet, stellt die KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit 2104 das Beschleunigungselement 23 zum Aktivieren des Kombinationsmusters der Operationseinheiten ein.
  • Um die KI-Modell-Operationsverarbeitung auszuführen, überträgt die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 2105 für die KI-Modell-Operation erforderliche Eingabedaten an das Beschleunigungselement 23 und gibt sie einen Steuerbefehl bezüglich des Operationsausführungsstarts.
  • Die KI-Modell-Nutzungs-Ermittlungseinheit 2106 empfängt das Ausgabeergebnis von der Elektroniksteuerungszustands-Erfassungseinheit 2102, ermittelt, ob ein KI-Modell verwendet wird, und gibt das Ermittlungsergebnis an die KI-Modell-Auswähleinheit 2103 aus.
  • Die Speichereinheit 22 enthält eine Zustandstabelle 221 und eine KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Tabelle 220. Die Zustandstabelle 221 enthält Informationen, welche Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20 mit dem KI-Modell verknüpfen. 3 zeigt ein Beispiel der Tabelle, und die Beschreibung der Einzelheiten folgt später noch. Die KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Tabelle 220 enthält Kombinationsmuster-Informationen über die Operationseinheiten 2300 einer KI-Modell-Operationsverarbeitungseinheit 230. Das Beschleunigungselement 23 wird auf der Grundlage von Kombinationsmuster-Informationen eingestellt. 6 zeigt ein Beispiel der Tabelle, und die Beschreibung der Einzelheiten folgt später noch.
  • Das Beschleunigungselement 23 enthält Hardware-Vorrichtungen wie ein FPGA (Field-Programmable Gate Array), einen ASIC (Application-Specific Integrated Circuit) und eine GPU (Graphics Processing Unit), welche dafür konfiguriert sind, die KI-Modell-Operationsverarbeitung mit hoher Geschwindigkeit auszuführen. In dem in 2 gezeigten Beispiel enthält das Beschleunigungselement 23 ein FPGA oder einen ASIC und ist das Beschleunigungselement 23 aus der KI-Modell-Operationsverarbeitungseinheit 230 und den KI-Modell-Parameterinformationen 231 konfiguriert.
  • Die KI-Modell-Operationsverarbeitungseinheit 230 führt die KI-Modell-Operationsverarbeitung aus und ist aus einer oder mehreren Operationseinheiten 2300 konfiguriert. Die KI-Modell-Parameterinformationen 231 sind Parameterinformationen zur Verwendung bei der KI-Modell-Operationsverarbeitung und geben den Kopplungskoeffizient zwischen den zum Beispiel in 1 beschriebenen Operationseinheiten u an. Es ist zu beachten, dass die KI-Modell-Parameterinformationen 231 innerhalb oder außerhalb der Hardware-Vorrichtung des Beschleunigungselements 23 enthalten sein können. In dem Fall, in welchem die KI-Modell-Parameterinformationen 231 sich außerhalb der Vorrichtung befinden, können die KI-Modell-Parameterinformationen 231 in der Speichereinheit 22 gespeichert sein oder können sie in einer anderen, nicht gezeigten Speichereinheit, welche mit dem Beschleunigungselement 23 verbunden ist, gespeichert sein.
  • Es ist zu beachten, dass die KI-Modell-Operationsverarbeitung ganz oder teilweise durch die CPU und nicht durch das Beschleunigungselement 23 ausgeführt werden kann. In dem Fall, in welchem eine Vielzahl verschiedene Kl-Modelle verwendender Anwendungen in der elektronischen Fahrzeugsteuerung 20 installiert ist, kann die KI-Modell-Operationsverarbeitungseinheit 230 durch Kombination der den KI-Modell-Strukturinformationen über eine Vielzahl von KI-Modellen oder den KI-Modell-Parameterinformationen 231 entsprechenden Operationseinheiten 2300 bereitgestellt sein.
  • In der KI-Modell-Auswähleinheit verwendete Zustandstabelle
  • 3 zeigt ein Beispiel der Zustandstabelle 221, welche Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20 mit dem KI-Modell zur Verwaltung verknüpft. Die KI-Modell-Auswähleinheit 2103 wählt gemäß der Zustandstabelle 221 ein KI-Modell aus. Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20 sind Informationen, welche eine zum Beispiel die Objektanzahl, die Fahrszenarien, das Wetter, das Zeitfenster und den Vorrichtungszustand enthaltende Trägerfahrzeug-Fahrumgebung angeben. Diese Zustandstabelle 221 ist in der in 2 gezeigten Speichereinheit 22 gespeichert.
  • 3(a) ist eine Objektanzahl-zu-Modell-ID-Zuordnungstabelle 60, welche eine Modell-ID 600 mit Informationen über eine Objektanzahl 601 verknüpft. Die Modell-ID 600 ist eine ID-Information, welche ein durch das Kombinationsmuster der Operationseinheiten individuell ermitteltes KI-Modell identifiziert. Hier zeigt 3(a), dass es drei Arten von durch das Kombinationsmuster der Operationseinheiten ermittelten KI-Modellen gibt. Jedoch ist die Anzahl von Arten von KI-Modellen frei wählbar und kann auch eine einzige Art oder können auch mehr Arten angewandt werden. Anstelle von KI-Modellen können Modelle auf der Grundlage der Regeln des manuellen Logikentwurfs ohne Verwendung von KI verwendet werden.
  • Die in 3(a) gezeigte Objektanzahl 601 gibt die Anzahl von Objekten (Hindernissen) an, welche durch Außenabtastung in der Umgebung des Trägerfahrzeugs erfasst werden. Bei Verwendung des KI-Modells werden die Arten erfasster Objekte wie Fahrzeuge, Fahrräder und Fußgänger identifiziert oder wird das Verhalten erfasster Objekte vorhergesagt, wie die Objekte sich in der Zukunft bewegen.
  • Es ist zu beachten, dass bei den durch Außenabtastung erfassten Objekten die Anzahl von für die KI-Modell-Operation bestimmten Objekten angewandt werden kann, nicht die Anzahl von durch Außenabtastung erfassten Objekten. Dies soll Objekte wie Hindernisse auf der Gegenfahrbahn, welche für den Fahrweg-Plan des Trägerfahrzeugs eindeutig unerheblich sind, ausschließen.
  • Bei der in 3(a) gezeigten Kombination der Objektanzahl und des KI-Modells wird in dem Fall, in welchem für die Objektanzahl n zum Beispiel 10 ≤ n gilt, d.h. in dem Fall, in welchem die Anzahl wiederholter Ausführungen der KI-Modell-Operationsverarbeitung, um die für die KI-Modell-Operation erforderliche Verarbeitungszeit kurz zu halten, ID M003, welche ein KI-Modell mit einer kurzen Verarbeitungszeit ist, verwendet, obwohl die Operationsgenauigkeit etwas schlechter wird. In dem Fall, in welchem für die Objektanzahl n 0 ≤ n < 5 gilt, wird ID M001, welche ein KI-Modell mit einer gegenüber ID M003 langen Verarbeitungszeit und hohen Operationsgenauigkeit ist, verwendet. In dem Fall, in welchem für die Objektanzahl n 5 ≤ n < 10 gilt, wird ID M002 in der Mitte verwendet. Die in 3(a) gezeigte Kombination der Objektanzahl und des KI-Modells ist ein Beispiel, ohne darauf beschränkt zu sein.
  • 3(b) ist eine Fahrszenario-zu-Modell-ID Zuordnungstabelle 61, welche die Modell-ID 600 mit Informationen über ein Fahrszenario 611 verknüpft. Die Modell-ID 600 ist eine ID-Information, welche ein durch das Kombinationsmuster der Operationseinheiten individuell ermitteltes KI-Modell identifiziert.
  • Das in 3(b) gezeigte Fahrszenario 611 zeigt Informationen bezüglich der Fahrspur des Trägerfahrzeugs. Zu Beispielen dieser Informationen zählen Autobahn, Landstraße, Kreuzung, Unfallschwerpunkt, und Parkplatz, und auf der Grundlage dieser Informationselemente wird ein KI-Modell ausgewählt. Zum Beispiel wird ein Beispiel betrachtet, bei welchem, wenn die Verarbeitungsdauer der am Fahren beteiligten Stellelement-Ansteuerung bei Autobahn und Landstraße die gleiche ist, die Unterbrechungen der Verarbeitungszeit für Automatikbetriebs-Logik sich ändern. Da die Fahrwegerzeugungs-Verarbeitung des Trägerfahrzeugs bei Landstraßenfahrt kompliziertere Fahrspuren als bei Autobahnfahrt bewältigen muss, ist die Verarbeitungszeit viel länger als bei Autobahnfahrt. In diesem Fall muss, obwohl bei Landstraßenfahrt die Operationsgenauigkeit der KI-Modelle verwendenden Objekterkennung oder die Vorhersage des Verhaltens von Objekten etwas schlechter als bei Autobahnfahrt wird, die Verarbeitungszeit verkürzt werden. Deshalb wird bei Landstraßenfahrt M005, ein KI-Modell mit einer gegenüber Autobahnfahrt kurzen Verarbeitungszeit, ausgewählt, wohingegen bei Autobahnfahrt M004, ein KI-Modell mit einer gegenüber Landstraßenfahrt hohen Operationsgenauigkeit und langen Verarbeitungszeit, ausgewählt wird. An der Kreuzung wird M006, ein KI-Modell mit einer kürzeren Verarbeitungszeit als derjenigen für die Landstraße, ausgewählt. An dem Unfallschwerpunkt wird M007, ein KI-Modell mit einer etwas kürzeren Verarbeitungszeit als derjenigen für die Landstraße, ausgewählt. Auf dem Parkplatz wird M008, ein KI-Modell mit einer längeren Verarbeitungszeit als derjenigen für die Autobahn, ausgewählt.
  • Es ist zu beachten, dass die in 3(b) gezeigte Kombination des Fahrszenarios und des KI-Modells ein Beispiel ist, ohne darauf beschränkt zu sein. Das KI-Modell wird nicht unbedingt entsprechend allen in 3(b) gezeigten Fahrszenarien gewechselt. Das KI-Modell kann für einige Fahrszenarien von den in 3(b) gezeigten Fahrszenarien gewechselt werden, oder das KI-Modell kann entsprechend der Kombination von Fahrszenarien einschließlich in 3(b) nicht gezeigter Fahrszenarien gewechselt werden.
  • Die Fahrspurinformation wird durch Kartenabgleich mit geografischen Informationen auf der Grundlage von Trägerfahrzeug-Positionsinformationen oder unter Verwendung der Verkehrsinfrastruktur oder von Telematikzentren übermittelter Informationen identifiziert.
  • 3(c) ist eine Wetter-zu-Modell-ID Zuordnungstabelle 62, welche die Modell-ID 600 mit Informationen über ein Wetter 621 verknüpft. Die Modell-ID 600 ist eine ID-Information, welche ein durch das Kombinationsmuster der Operationseinheiten individuell ermitteltes KI-Modell identifiziert.
  • Das in 3(c) gezeigte Wetter 621 gibt Informationen bezüglich des Wetters an der Fahrposition des Trägerfahrzeugs, und es werden Wetterarten wie schönes Wetter, bewölktes Wetter, Regen und Schnee berücksichtigt. Zum Beispiel wird in dem Fall, in welchem das Wetter nicht gut ist, wie bei Regen oder Schnee, davon ausgegangen, dass die Genauigkeit der Außenabtastung geringer ist als bei schönem Wetter, und wird der Entwurf wie folgt ausgeführt. Das heißt, der Entwurf wird so ausgeführt, dass die verschlechterte Verarbeitungszeit verkürzt wird, obwohl die Operationsgenauigkeit der Objekterkennung unter Verwendung von KI-Modellen oder die Vorhersage des Verhaltens von Objekten etwas schlechter wird. Somit wird der Zyklus der Rückmeldung an die Anwendung unter Verwendung einer auf die Gültigkeit des Ausgabeergebnisses der KI-Modell-Operation bezogenen Diagnose das KI-Modell des Diagnoseergebnisses verkürzt. Deshalb wird in dem Fall, in welchem das Wetter gut ist, wie bei schönem Wetter oder bewölktem Wetter, M009, welche ein KI-Modell mit einer gegenüber Regen oder Schnee langen Verarbeitungszeit ist, verwendet. In dem Fall, in welchem das Wetter nicht gut ist, wie bei Regen, wird M010, welche ein KI-Modell mit einer gegenüber schönem Wetter oder bewölktem Wetter kurzen Verarbeitungszeit ist, verwendet. In dem Fall, in welchem das Wetter nicht gut ist, wie bei Schnee, wird M011, welche ein KI-Modell mit einer gegenüber schönem Wetter oder bewölktem Wetter kurzen Verarbeitungszeit ist, verwendet. Es ist zu beachten, dass das Kombinationsmuster der Arten der Wetterinformation und des KI-Modells ein Beispiel ist, ohne darauf beschränkt zu sein. Die Wetterinformation wird zum Beispiel unter Verwendung von Ergebnissen aus Kamerabildern, Scheibenwischerbetriebs-Informationen, Regen-/Schneesensor-Informationen und Abtastergebnis-Informationen über ein anderes Fahrzeug ermittelt.
  • 3(d) ist eine Zeitfenster-zu-Modell-ID Zuordnungstabelle 63, welche die Modell-ID 600 mit Informationen über ein Zeitfenster 631 verknüpft. Die Modell-ID 600 ist eine ID-Information, welche ein durch das Kombinationsmuster der Operationseinheiten individuell ermitteltes KI-Modell identifiziert.
  • Das in 3(d) gezeigte Zeitfenster 631 gibt eine Information bezüglich des Zeitfensters, in welchem das Trägerfahrzeug fährt, und es werden die Arten Morgen/Tag und Nacht berücksichtigt. Zum Beispiel wird in dem Fall der Nacht davon ausgegangen, dass die Genauigkeit der Außenabtastung geringer ist als am Morgen und am Tag, und wird der Zyklus der Rückmeldung an die Anwendung unter Verwendung einer auf die Gültigkeit des Ausgabeergebnisses der KI-Modell-Operation bezogenen Diagnose das KI-Modell des Diagnoseergebnisses verkürzt. Deshalb wird der Entwurf so ausgeführt, dass die Verarbeitungszeit verkürzt wird, obwohl die Operationsgenauigkeit der Objekterkennung unter Verwendung von KI-Modellen oder die Vorhersage des Verhaltens von Objekten etwas schlechter wird. Deshalb wird in dem Fall, in welchem das Fahr-Zeitfenster der Tag ist, M012, welche ein KI-Modell mit einer längeren Verarbeitungszeit als bei Nacht ist, verwendet. In dem Fall der Nacht wird M013, welche ein KI-Modell mit einer kürzeren Verarbeitungszeit als bei Tag ist, verwendet. Es ist zu beachten, dass das Kombinationsmuster der Arten des Zeitfensters und des KI-Modells, ohne darauf beschränkt zu sein. Die Zeitfenster-Information wird zum Beispiel unter Verwendung einer Beleuchtungsstärkesensor-Information und einer GPS-Zeitinformation erfasst.
  • 3(e) ist eine Vorrichtungszustand-zu-Modell-ID-Zuordnungstabelle 64, welche die Modell-ID 600 mit Informationen über einen Vorrichtungszustand 641 verknüpft. Die Modell-ID 600 ist eine ID-Information, welche ein durch das Kombinationsmuster der Operationseinheiten individuell ermitteltes KI-Modell identifiziert.
  • Der in 3(e) gezeigte Vorrichtungszustand 641 gibt eine Information bezüglich des Vorrichtungszustands von Hardware und Software der elektronischen Fahrzeugsteuerung 20 und enthält die Arten des Vorliegens oder Nicht-Vorliegens eines Fehlers in der elektronischen Fahrzeugsteuerung 20 und des Lastzustands der CPU oder des Beschleunigungselements. Zum Beispiel in dem Fall, in welchem in der elektronischen Fahrzeugsteuerung 20 ein Fehler auftritt, oder in dem Fall einer großen Last M014 oder M015, welche ein leichtes KI-Modell mit einer kurzen Verarbeitungszeit ist, anstelle von M016 oder M017, welche ein gewöhnlich verwendetes KI-Modell ist, obwohl die Operationsgenauigkeit etwas schlechter wird. Es ist zu beachten, dass das Kombinationsmuster der Arten des Vorrichtungszustands und des KI-Modells ein Beispiel ist, ohne darauf beschränkt zu sein.
  • Es ist zu beachten, dass, obwohl in der Zeichnung nicht gezeigt, eine Konfiguration denkbar ist, bei welcher alle oder einige der Objektanzahl 601, des Fahrszenarios 611, des Wetters 621, des Zeitfensters 631, der Information über den Vorrichtungszustand 641, welche in 3(a) bis 3(e) gezeigt sind, kombiniert werden, um eine Tabelle zu erzeugen, welche diese Informationselemente mit den KI-Modellen verknüpft, und ein KI-Modell entsprechend der Kombination dieser Informationselemente ausgewählt werden kann. Ferner ist die Kombination nicht unbedingt die Kombination von KI-Modellen und kann die Kombination auch die Kombination von Modellen auf der Grundlage der Regeln des manuellen Logikentwurfs ohne Verwendung von KI und KI-Modellen sein.
  • Das KI-Modell konfigurierende Operationseinheiten
  • 4 besteht aus Blockschaubildern, welche Beispiele das KI-Modell konfigurierender Operationseinheiten 70 zeigen. Es ist zu beachten, dass die Operationseinheit 70 in die in 2 gezeigte KI-Modell-Operationsverarbeitungseinheit 230 eingebaut oder in in 8 gezeigten KI-Modell-Strukturinformationen 421, welche später noch zu beschreiben sind, gespeichert ist.
  • 4(a) ist eine beispielhafte Operationseinheit 70, welche aus einer Faltschicht 700, einer Batch-Normalisierung 701 und einer Aktivierungsfunktion 702 konfiguriert ist. 4(b) ist eine beispielhafte Operationseinheit 70, welche aus der Faltschicht 700, der Batch-Normalisierung 701, der Aktivierungsfunktion 702 und einer „Pooling“-Schicht 703 konfiguriert ist. 4(c) ist eine beispielhafte Operationseinheit 70, welche aus der „Fully-connected“-Schicht 704 konfiguriert ist. 4(d) ist eine beispielhafte Operationseinheit 70, welche aus einer LSTM-Schicht 705 konfiguriert ist.
  • Wie in 4(e) gezeigt, ist in einem KI-Modell 71 die Zwischenschicht aus einer oder mehreren Operationseinheiten 70 konfiguriert. Die Anzahl der Operationseinheiten 70 ist frei wählbar, und auch das Kombinationsmuster der Arten der Operationseinheiten 70 ist frei wählbar. Zum Beispiel kann das KI-Modell 71 aus einer Kombination von zehn Operationseinheiten 70 in 4(b) konfiguriert sein oder kann das KI-Modell 71 aus einer Kombination von Vielzahlen von Operationseinheiten 70 in 4(a), 4(b) und 4(c) konfiguriert sein. Es ist zu beachten, dass das KI-Modell 71 auch aus einer anderen Kombination von Operationseinheiten 70 als den in 4 gezeigten konfiguriert sein kann.
  • Beispielhafte Konfiguration der aus den Operationseinheiten konfigurierten KI-Modelle
  • 5 besteht aus Blockschaubildern, welche aus den Operationseinheiten 70 konfigurierte KI-Modelle zeigen. 5(a) zeigt ein Beispiel einer mit Umschaltfunktion ausgestatteten Operationseinheit (einer mit Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestatteten Operationseinheit) 80, welche dafür konfiguriert ist, festzulegen, ob die Operationseinheit 70 aktiviert oder deaktiviert ist. Eine solche Operationseinheit 80 kann die Operationseinheit 70 durch Aktivierung oder Deaktivierung der Verarbeitung der Operationseinheit 70 umschalten. 5(b) zeigt den Fall, in welchem die Verarbeitung der Operationseinheit 70 aktiviert ist. 5(c) zeigt den Fall, in welchem die Verarbeitung der Operationseinheit 70 deaktiviert ist. 5(d) zeigt das mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktion-ausgestattete KI-Modell 83, welches aus der Kombination von einer oder mehreren mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestatteten Operationseinheiten 80 als der Zwischenschicht konfiguriert ist. Hier wird ein Beispiel verwendet, in welchem fünf Operationseinheiten 80 kombiniert sind, aber die Anzahl der Kombinationen ist frei wählbar.
  • 5(e) ist ein Blockschaubild, welches ein KI-Modell 84 in dem Fall zeigt, in welchem die Verarbeitung der Operationseinheit 70 in dem mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestatteten KI-Modell 83 ganz aktiviert ist. 5(f) ist ein Blockschaubild, welches ein KI-Modell 85 in dem Fall zeigt, in welchem in dem mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestatteten KI-Modell 83 die Verarbeitung nur der vierten Operationseinheit 70 von links deaktiviert ist und die anderen Operationseinheiten 70 alle aktiviert sind. 5(g) ist ein Blockschaubild, welches ein KI-Modell 86 in dem Fall zeigt, in welchem in dem mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestatteten KI-Modell 83 die Verarbeitung der zweiten Operationseinheit 70 und der vierten Operationseinheit 70 von links deaktiviert ist und die anderen Operationseinheiten 70 alle aktiviert sind.
  • Das in 5(f) gezeigte KI-Modell 85 führt die Verarbeitung eines Teils der Operationseinheiten nicht aus, und daher kann die Verarbeitungszeit gegenüber dem in 5(e) gezeigten KI-Modell 84 verkürzt werden. Das in 5(g) gezeigte KI-Modell 86 hat die gleichen Gründe, und daher kann die Verarbeitungszeit gegenüber dem in 5(e) gezeigten Kl-Modell 84 oder dem in 5(f) gezeigten KI-Modell 85 verkürzt werden.
  • Diese KI-Modelle werden entsprechend dem in 3 gezeigten Zustand der elektronischen Fahrzeugsteuerung 20 richtig verwendet, und daher kann die Verarbeitung innerhalb einer vordefinierten Zeitspanne (innerhalb der Frist) für den gewünschten Verarbeitungsabschluss entsprechend dem Zustand der elektronischen Fahrzeugsteuerung 20 abgeschlossen werden. Zum Beispiel wird in dem Fall, in welchem die Objektanzahl groß ist, das in 5(g) gezeigte KI-Modell 86 verwendet. Es ist zu beachten, dass in dem Fall, in welchem das KI-Modell gemäß der Ausführungsform als eine Exklusivschaltung eingebaut ist, das in 5(d) gezeigte, mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestattete KI-Modell 83 nur installiert zu werden braucht und das KI-Modell 84, das Kl-Modell 85 und das Kl-Modell 86 durch einfaches Ändern der Einstellungen der Schalter zwischen Aktivierung und Deaktivierung realisiert werden können. Somit kann gegenüber dem Fall, in welchem eine Vielzahl der KI-Modelle, deren Arten völlig verschieden sind, eingebaut ist, eine Zunahme der Hardware-Ressourcen zum Erzeugen einer Exklusivschaltung unterbunden werden.
  • 6 zeigt Tabelleninformationen zur Verwendung beim Widerspiegeln von Kl-Modell-Informationen in dem Beschleunigungselement. Diese Tabelleninformationen sind in der in 2 gezeigten KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Tabelle 220 gespeichert. Auf der Grundlage dieser Tabelleninformationen wird ein Aktivierungs-/Deaktivierungs-Schalter in dem in 5(d) gezeigten, mit einer Aktivierungs-/Deaktivierungs-Umschaltfunktionausgestatteten Kl-Modell 83 eingestellt. Die in 6 gezeigten Tabelleninformationen sind ein Beispiel.
  • Die in 6 gezeigte KI-Modell-Operationseinheiten-Aktivierungsoptionen-Tabelle 220 enthält Tabelleninformationen, welche Identifikationsinformationen über das in einer Modell-ID 1320 gezeigte KI-Modell mit in Operationseinheiten-Aktivierungsoptionen-Informationen 1501 gezeigten Aktivierungs-/Deaktivierungsinformationen für jede Operationseinheit zur Verwaltung verknüpfen.
  • Das in 5(e) gezeigte Kl-Modell 84 hat der in 6 gezeigten Modell-ID M001 entsprechende Einstellungen, und U1 bis U5, welche alle Operationseinheiten-IDs sind, sind eingeschaltet, um alle Operationseinheiten zu aktivieren.
  • Das in 5(f) gezeigte KI-Modell 85 hat die Einstellungen der in 6 gezeigten Modell-ID M002, und nur die Operationseinheiten-ID U4 ist ausgeschaltet und die anderen Operationseinheiten-IDs sind eingeschaltet, um die vierte Operationseinheit von links zu deaktivieren.
  • Das in 5(g) gezeigte KI-Modell 86 hat die Einstellungen der in 6 gezeigten Modell-ID M003, die Operationseinheiten-IDs U2 und U4 sind ausgeschaltet und die anderen Operationseinheiten-IDs sind eingeschaltet, um die zweite Operationseinheit und die vierte Operationseinheit von links zu deaktivieren.
  • In den in 6 gezeigten Tabelleninformationen sind drei Modell-IDs als Beispiele gezeigt. Jedoch ist entsprechend den in 3 gezeigten Modell-IDs M001 bis M017 eine Vielzahl von Elementen von Operationseinheiten-Aktivierungsoptionen-Informationen 1501 in den Tabelleninformationen gespeichert. Von der in 3 gezeigten, auf der Grundlage zum Beispiel der Anzahl von Objekten ausgewählten Modell-ID wird auf die entsprechende in 6 gezeigte Modell-ID verwiesen, und die Aktivierung oder Deaktivierung der Operationseinheit wird eingestellt.
  • Arbeitsweise der elektronischen Fahrzeugsteuerung
  • 7 ist ein Ablaufplan, welcher den Prozessablauf der elektronischen Fahrzeugsteuerung 20 gemäß der Ausführungsform veranschaulicht. Der vorliegende Ablauf wird bei der Ausführung der Operationsverarbeitung durch das Kl-Modell gestartet.
  • Der Prozess geht zu Schritt S29 über. Die Elektroniksteuerungszustands-Erfassungseinheit 2102 erfasst zum Ermitteln eines Kl-Modells erforderliche Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20. Ein Beispiel einer Information bezüglich des Zustands dieser elektronischen Fahrzeugsteuerung 20 ist wie anhand von 3 beschrieben. Danach geht der Prozess zu Schritt S30 über. Die KI-Modell-Nutzungs-Ermittlungseinheit 2106 ermittelt auf der Grundlage von Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20, ob ein Kl-Modell verwendet wird. In dem Fall, in welchem in Schritt S30 ermittelt wird, dass das KI-Modell verwendet wird, wird der Prozessablauf beendet und wird ein ein regelbasiertes Modell verwendender Prozess ausgeführt. Andererseits geht in dem Fall, in welchem in Schritt S30 ermittelt wird, dass das Kl-Modell verwendet wird, der Prozess zu Schritt S31 über.
  • In Schritt S31 schätzt die KI-Modell-Operationsverarbeitungszeit-Berechnungseinheit 2100 die für die KI-Modell-Operationsverarbeitung erforderliche Zeit. Das Kl-Modell und die Operationsverarbeitungszeit für das Kl-Modell werden in der Verarbeitungszeiten-Zuordnungstabelle gespeichert. Die KI-Modell-Operationsverarbeitungszeit-Berechnungseinheit 2100 ermittelt das Ergebnis, bei welchem die Operationsverarbeitungszeit mit der zum Beispiel der Anzahl von Objekten entsprechenden Anzahl der Verarbeitungen multipliziert ist, als KI-Modell-Operationsverarbeitungszeit.
  • Danach geht der Prozess zu Schritt S32 über. Die KI-Modell-Operationsverarbeitungszeitüberschreitungs-Ermittlungseinheit 2101 ermittelt, ob die Anwendungsverarbeitung einschließlich der KI-Modell-Operation eine vordefinierte Zeitspanne für den Abschluss der voreingestellten Verarbeitung (im Folgenden eine Frist) überschreitet. Für Fahrszenarien wie Autobahn und Landstraße können verschiedene Fristen eingestellt sein. Darüber hinaus können Fristen entsprechend dem Zustand der elektronischen Fahrzeugsteuerung 20 verändert werden.
  • In dem Fall, in welchem ermittelt wird, dass die Frist in Schritt S32 nicht überschritten wird, geht der Prozess zu Schritt S35 über. In diesem Fall ist das standardmäßig eingestellte KI-Modell auszuwählen, wobei nicht die durch das Kombinationsmuster der Operationseinheiten des Kl-Modells individuell ermittelte Art des Kl-Modells ausgewählt wird. In dem Fall, in welchem ermittelt wird, dass die Frist in Schritt S32 überschritten wird, geht der Prozess zu Schritt S33 über. Die KI-Modell-Auswähleinheit 2103 wählt die durch das Kombinationsmuster der Operationseinheiten des Kl-Modells aus Informationen bezüglich des durch die Elektroniksteuerungszustands-Erfassungseinheit 2102 erfassten Zustands der elektronischen Fahrzeugsteuerung 20 und des Ermittlungsergebnisses der Kl-Modell-Operationsverarbeitungszeitüberschreitungs-Ermittlungseinheit 2101 individuell ermittelte Art des Kl-Modells aus. Speziell liest die KI-Modell-Auswähleinheit 2103 die Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20 entsprechende Modell-ID aus der in 3 gezeigten Zustandstabelle, nimmt sie auf der Grundlage der gelesenen Modell-ID Bezug auf die in 6 gezeigte KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Tabelle 220 und wählt sie eine Operationsverarbeitungseinheiten-Aktivierungsoptionen-Information aus. Im Folgenden wird dieser Prozess als „KI-Modell-Auswahl“ beschrieben. In diesem Fall wird die Operationsverarbeitungseinheiten-Aktivierungsoptionen-Information so ausgewählt, dass ein vordefinierter Prozess in einer vordefinierten Zeitspanne abgeschlossen wird.
  • In Schritt S34 stellt die KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit 2104 das Kombinationsmuster der Operationseinheiten für das Beschleunigungselement 23 gemäß Informationen in der in der Speichereinheit 22 gespeicherten KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Tabelle 220 ein.
  • Danach geht der Prozess zu Schritt S35 über. Die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 2105 überträgt für die KI-Modell-Operation erforderliche Eingabedaten an das Beschleunigungselement 23, gibt einen Steuerbefehl bezüglich des Operationsausführungsstarts und führt daher die KI-Modell-Operationsverarbeitung aus. In diesem Operationsprozess wird ein KI-Modell mit einer kurzen Verarbeitungszeit, obwohl die Operationsgenauigkeit etwas schlechter wird, oder ein Kl-Modell mit einer langen Verarbeitungszeit und einer hohen Operationsgenauigkeit zum Beispiel entsprechend der Anzahl von Objekten ausgewählt und wird daher ein vordefinierter Prozess in einer vordefinierten Zeitspanne abgeschlossen.
  • Es ist zu beachten, dass ein Kl-Modell auch allein unter Verwendung von Informationen bezüglich des Zustands der elektronischen Fahrzeugsteuerung 20, unter Verzicht auf die Prozesse in den Schritten S30 und S31, ausgewählt werden kann. Dies ist wirkungsvoll in dem Fall, in welchem der Zustand der elektronischen Fahrzeugsteuerung 20 sich nicht jedesmal in der Einheit der Verarbeitungs-KI-Modell-Operation dynamisch ändert. In diesem Fall sind die Prozesse in den Schritten S30 und S31 unnötig.
  • Beispielhafte Abwandlung der Fahrzeugsteuerung
  • 8 ist ein Blockschaubild, welches eine beispielhafte Abwandlung der Konfiguration der in 2 gezeigten elektronischen Fahrzeugsteuerung 20 gemäß der ersten Ausführungsform zeigt. Das in 2 gezeigte Beschleunigungselement 23 enthält eine GPU, und daher sind die Vorhersageausführungs-Steuereinheit 210, die Speichereinheit 22 und ein Teil des Beschleunigungselements 23 verändert.
  • In 8 ist in der in 2 gezeigten Vorhersageausführungs-Steuereinheit 210 die KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit 2104 entfernt und ist anstelle dieser eine KI-Modell-Informationen-Einstelleinheit 4100 enthalten. Die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 2105 ist entfernt, und anstelle dieser ist eine KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 4101 enthalten.
  • Die KI-Modell-Informationen-Einstelleinheit 4100 liest zu Informationen über das in der KI-Modell-Auswähleinheit 2103 ausgewählte KI-Modell und den KI-Modell-Strukturinformationen 421 passende KI-Modell-Parameterinformationen 420 aus der Speichereinheit 22 und speichert die Informationselemente in einem Speicher (RAM: Random Access Memory), welchen die CPU bei der Ausführung von Programmen nutzt.
  • Die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 4101 überträgt die in dem Speicher expandierten KI-Modell-Parameterinformationen 420 und KI-Modell-Strukturinformationen 421 und die für die Kl-Modell-Operationsverarbeitung bestimmten Eingabedaten an das Beschleunigungselement 23 und gibt den zu dem Operationsausführungsstart gehörenden Steuerbefehl.
  • Die Speichereinheit 22 speichert die KI-Modell-Parameterinformationen 420 und die KI-Modell-Strukturinformationen 421 neu. Der Inhalt der KI-Modell-Parameterinformationen und der Inhalt der KI-Modell-Strukturinformationen sind wie oben beschrieben.
  • Das Beschleunigungselement 23 hat eine Konfiguration, bei welcher die in 2 gezeigten KI-Modell-Parameterinformationen 231 entfernt sind. Bei dieser Konfiguration behält das Beschleunigungselement 23 keine KI-Modell-Parameterinformationen und werden KI-Modell-Parameterinformationen für jede KI-Modell-Operationsprozessausführung an das Beschleunigungselement 23 übertragen. Jedoch ist auch eine Konfiguration denkbar, bei welcher das Beschleunigungselement 23 diese Informationen behält.
  • Die in 2 gezeigte KI-Modell-Operationsverarbeitungseinheit 230 ist entfernt, und anstelle dieser ist eine KI-Modell-Operationsverarbeitungs-Ausführungseinheit 430 hinzugefügt. Im Gegensatz zu der KI-Modell-Operationsverarbeitungseinheit 230 ist die KI-Modell-Operationsverarbeitungs-Ausführungseinheit 430 nicht aus der auf das in der elektronischen Fahrzeugsteuerung 20 installierte KI-Modell spezialisierten Exklusivschaltung, d.h. einer Vielzahl von Operationseinheiten 2300, konfiguriert und ist die KI-Modell-Operationsverarbeitungs-Ausführungseinheit 430 konfiguriert, in welcher eine Vielzahl von Allzweck-Berechnungseinheiten, welche verschiedene an der Operation beteiligte KI-Modelle mit hoher Geschwindigkeit ausführen können, installiert ist. Jedoch ist die Ausführung der Operationsverarbeitung entsprechend der Vielzahl von Operationseinheiten 2300 möglich, und daher kann die gleiche KI-Modell-Operationsverarbeitung zwischen der KI-Modell-Operationsverarbeitungseinheit 230 und der Kl-Modell-Operationsverarbeitungs-Ausführungseinheit 430 ausgeführt werden.
  • Arbeitsweise der beispielhaften Abwandlung der elektronischen Fahrzeugsteuerung
  • 9 ist ein Ablaufplan, welcher den Prozessablauf der beispielhaften Abwandlung (8) der elektronischen Fahrzeugsteuerung 20 gemäß der ersten Ausführungsform veranschaulicht.
  • Gegenüber den in 7 beschriebenen Prozessen ist in dem Ablaufplan in 9 Schritt S34 entfernt und ist anstelle dessen Schritt S50 hinzugefügt. Nachdem in Schritt S33 ein Kl-Modell ausgewählt wurde, überträgt in Schritt S50 die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 4101 die durch die KI-Modell-Informationen-Einstelleinheit 4100 in dem Speicher expandierten KI-Modell-Parameterinformationen und KI-Modell-Strukturinformationen an die KI-Modell-Operationsverarbeitungs-Ausführungseinheit 430 des Beschleunigungselements 23. Danach geht der Prozess zu Schritt S35 über, werden für die KI-Modell-Operationsverarbeitung bestimmte Eingabedaten übertragen, um den zu dem Operationsausführungsstart gehörenden Steuerbefehl zu geben, und wird daher die KI-Modell-Operationsverarbeitung ausgeführt.
  • Gemäß der ersten Ausführungsform wird die KI-Modell-Operationsverarbeitung einschließlich eines neuronalen Netzes innerhalb einer gewünschten Zeitspanne abgeschlossen und kann sie realisiert werden, wobei eine Zunahme des Verbrauchs der Hardware-Ressourcen eines Hardware-Beschleunigungselements, welches die KI-Modell-Operationsverarbeitung ausführt, so weit wie möglich unterbunden wird.
  • Zweite Ausführungsform
  • In der zweiten Ausführungsform wird ein Kl-Modell für die jeweiligen für die KI-Modell-Operationsverarbeitung bestimmten Eingabedaten entsprechend dem Zustand der elektronischen Fahrzeugsteuerung 20 ausgewählt. Im Folgenden wird die zweite Ausführungsform anhand der 10 bis 15 beschrieben. Es ist zu beachten, dass auch das in 1 gezeigte schematische Blockschaubild des neuronalen Netzes, das in 4 gezeigte Blockschaubild des Kl-Modells, das in 5 gezeigte Blockschaubild der das Kl-Modell konfigurierenden Operationseinheiten und die in 6 gezeigten Tabelleninformationen zur Verwendung beim Widerspiegeln von KI-Modell-Informationen in dem Beschleunigungselement in der Ausführungsform die gleichen sind und deshalb auf deren Beschreibung verzichtet wird.
  • Die Ausführungsform wird auf den Fall, in welchem für eine Vielzahl von zum Beispiel durch Außenabtastung erfassten Objekten (Hindernissen) die Objektdatenelemente einzeln in das Kl-Modell eingegeben werden und die Arten von Objekten (zum Beispiel Fahrzeuge, Personen und Fahrräder) ermittelt werden, oder auf den Fall, in welchem das Verhalten von Objekten in der Zukunft (zum Beispiel Positionen, nachdem die Objekte sich bewegt haben, und Positionsinformationen) vorhergesagt wird (werden), angewendet. Wenn die Objektdatenelemente für die Operation einzeln in KI-Modelle eingegeben werden, wird für die jeweiligen Objektdaten ein Kl-Modell ausgewählt.
  • Konfiguration der Fahrzeugsteuerung
  • 10 ist ein Blockschaubild einer elektronischen Fahrzeugsteuerung 20 gemäß der zweiten Ausführungsform. In der in 10 gezeigten Konfiguration sind, gegenüber der in 2 gezeigten Konfiguration der ersten Ausführungsform, eine KI-Modell-Auswahlbewertungs-Berechnungseinheit 9100, eine Kl-Modell-Operationsverarbeitungsausführungsabschluss-Ermittlungseinheit 9101 und eine Objekt-nach-KI-Modell-Auswähleinheit 9102 neu zu einer Vorhersageausführungs-Steuereinheit 210 hinzugefügt und ist die KI-Modell-Auswähleinheit 2103 entfernt. Die Konfiguration der elektronischen Fahrzeugsteuerung 20 gemäß der Ausführungsform enthält ein FPGA oder einen ASIC in einem Beschleunigungselement 23.
  • Die KI-Modell-Auswahlbewertungs-Berechnungseinheit 9100 berechnet einen Bewertungswert, welcher ein Kl-Modell für die jeweiligen für die KI-Modell-Operationsverarbeitung bestimmten Eingabedaten auswählt (z.B. ein außen erfasstes Objekt in der Umgebung von Trägerfahrzeugdaten). Zum Berechnen des Bewertungswerts können nicht nur für die KI-Modell-Operationsverarbeitung bestimmte Eingabedaten, sondern auch alle außen erfassten Objekte, welche nicht schließlich für die Operationsverarbeitung in der Umgebung des Trägerfahrzeugs bestimmt sind, bestimmt sein.
  • Die KI-Modell-Operationsverarbeitungsausführungsabschluss-Ermittlungseinheit 9101 ermittelt, ob die KI-Modell-Operationsverarbeitung für alle für die KI-Modell-Operationsverarbeitung bestimmten Eingabedatenelemente abgeschlossen ist. Es ist zu beachten, dass später noch spezielle Beispiele der Bewertungswert-Berechnung und der KI-Modell-Auswahl anhand der 11 und 12 beschrieben werden.
  • Die Objekt-nach-KI-Modell-Auswähleinheit 9102 wählt ein für die Operationsverarbeitung verwendetes KI-Modell auf der Grundlage des Bewertungswerts für die jeweiligen für die KI-Modell-Operationsverarbeitung bestimmten Eingabedaten aus, wobei der Bewertungswert in der KI-Modell-Auswahlbewertungs-Berechnungseinheit 9100 berechnet wird.
  • Zustandstabelle zur Verwendung bei der Auswahl des Kl-Modells
  • Die 11(a), 11(b) und 11(c) sind Zustandstabellen 130 bis 132 gemäß der zweiten Ausführungsform zur Verwendung bei der Auswahl des Kl-Modells. Diese Zustandstabellen 130 bis 132 sind in einer Speichereinheit 22 gespeichert und speichern in der KI-Modell-Auswahlbewertungs-Berechnungseinheit 9100 und der Objekt-nach-KI-Modell-Auswähleinheit 9102 verwendete Tabelleninformationen.
  • Die Kl-Modell-Auswahlbewertungs-Berechnungseinheit 9100 und die Objekt-nach-KI-Modell-Auswähleinheit 9102 berechnen Bewertungswerte für Objekte (Hindernisse), welche in der Umgebung des Trägerfahrzeugs durch Außenabtastung erfasst werden. Somit wird die Kombination der für jedes Objekt verwendeten Operationseinheiten, d.h. ein Kl-Modell, ausgewählt. Die Tabelleninformationen werden für diesen Zweck verwendet.
  • 11(a) ist die Bewertung-D-Werte-Tabelle 130, welche aus der relativen Entfernung zwischen dem erfassten Objekt und dem Trägerfahrzeug einen Bewertungswert berechnet. Der Bewertungswert wird so verwaltet, dass der Bewertungswert ein anderer für das Fahrszenario geeigneter Wert sein kann. Die Bewertung-D-Werte-Tabelle 130 speichert einen Zustand 1300 der elektronischen Fahrzeugsteuerung, eine relative Entfernung D1301 und einen Bewertung-D-Wert 1302 im Zusammenhang miteinander.
  • Der Zustand 1300 der elektronischen Fahrzeugsteuerung in der Bewertung-D-Werte-Tabelle 130 drückt in der Ausführungsform ein Fahrszenario aus und drückt Autobahnfahrt und Landstraßenfahrt entsprechende Bewertungswerte aus. Die relative Entfernung D1301 ist der durch den Wert der relativen Entfernung zwischen dem erfassten Objekt und dem Trägerfahrzeug verwaltete Bewertungswert. In der Ausführungsform wird der Bewertungswert durch die Bereiche von fünf Arten relativer Entfernungswerte verwaltet. Es ist zu beachten, dass, als ein weiteres Beispiel mit Ausnahme der relativen Entfernung, welche den Bewertungswert verwaltet, der Bewertungswert auch durch die relative Geschwindigkeit zwischen dem erfasstem Objekt und dem Trägerfahrzeug oder durch die Zeit bis zur Kollision (TTC) verwaltet werden kann. Als ein weiteres Beispiel des Zustands 1300 der elektronischen Fahrzeugsteuerung kann der Bewertungswert entsprechend den Informationen wie dem Fahrszenario 611, dem Wetter 621, dem Zeitfenster 631 und dem Vorrichtungszustand 641, welche in 3 beschrieben sind, verwaltet werden.
  • Der Bewertung-D-Wert 1302 ist der Bewertungswert, welcher entsprechend dem Wert der relativen Entfernung zwischen dem Objekt und dem Trägerfahrzeug zugewiesen wird. Dieser Bewertungswert wird durch den Benutzer im Voraus als der Bemessungswert der Bewertung-D-Werte-Tabelle 130 eingestellt.
  • 11(b) zeigt die Tabelle, welche den Bewertungswert unter Verwendung der Information, ob das erfasste Objekt sich auf dem Weg des Fahrweg-Plans des Trägerfahrzeugs befindet, berechnet. Die Bewertung-P-Werte-Tabelle 131 ist eine Tabelle, welche den Zustand 1300 der elektronischen Fahrzeugsteuerung, eine Information 1310 über das Vorhandensein/Nichtvorhandensein des Wegs in der Zukunft und einen Bewertung-P-Wert 1311 im Zusammenhang miteinander verwaltet.
  • Der Zustand 1300 der elektronischen Fahrzeugsteuerung in der Bewertung-P-Werte-Tabelle 131 drückt in der Ausführungsform ein Fahrszenario aus und drückt Autobahnfahrt und Landstraßenfahrt entsprechende Bewertungswerte aus. Die Information 1310 über das Vorhandensein/Nichtvorhandensein des Wegs in der Zukunft ist der dadurch, ob das erfasste Objekt sich auf dem Weg des Fahrweg-Plans des Trägerfahrzeugs befindet, verwaltete Bewertungswert. Der Fall, in welchem das erfasste Objekt sich auf dem Weg befindet, ist „Vorhanden“, wohingegen der Fall, in welchem das erfasste Objekt sich nicht auf dem Weg befindet, „Nicht vorhanden“ ist. Der Bewertung-P-Wert 1311 ist der Bewertungswert, welcher entsprechend der Information, ob das erfasste Objekt sich auf dem Weg des Fahrweg-Plans des Fahrzeugs befindet, zugewiesen wird. Dieser Bewertungswert wird durch den Benutzer im Voraus bei dem Entwurf der Bewertung-P-Werte-Tabelle 131 eingestellt.
  • 11(c) zeigt eine Tabelle, welche ein einem aus den Werten des Bewertung-D-Werts 1302 und des Bewertung-P-Werts 1311 berechneten Bewertung-S-Wert entsprechendes Kl-Modell auswählt. Die Bewertung-S-Werte-Tabelle 132 ist eine Tabelle, welche Modell-IDs 1320 und Bewertung-S-Werte 1321 im Zusammenhang miteinander verwaltet.
  • Die Modell-ID 1320 in der Bewertung-S-Werte-Tabelle 132 ist eine ID-Information, welche ein durch das Kombinationsmuster der Operationseinheiten ausgedrücktes Kl-Modell identifiziert. Der Bewertung-S-Wert 1321 wird aus den Werten des Bewertung-D-Werts 1302 und des Bewertung-P-Werts 1311 berechnet und ist der für die KI-Modell-Auswahl verwendete Bewertungswert.
  • Ein Berechnungsverfahren für den Bewertung-S-Wert wird durch den Benutzer im Voraus bei dem Entwurf der Bewertung-S-Werte-Tabelle 132 eingestellt und wird zum Beispiel durch eine Auswertungsformel wie „Bewertung-S-Wert = W1 · Bewertung-D-Wert + W2 · Bewertung-P-Wert“ berechnet. Hier sind W1 und W2 gegebene Konstanten. Im Entwurfsstadium der KI-Modelle verwendenden Anwendung wird der Wertebereich des möglicherweise genommenen Bewertung-S-Werts für jedes Modell ermittelt und wird die Bewertung-S-Werte-Tabelle 132 erzeugt. W1 und W2 können entsprechend dem Zustand 1300 der elektronischen Fahrzeugsteuerung einzeln eingestellt werden.
  • In dem Beispiel der in 11(c) gezeigten Bewertung-S-Werte-Tabelle 132 ist in dem Fall, in welchem das Trägerfahrzeug auf der Autobahn fährt, die relative Entfernung zu dem Trägerfahrzeug groß und wird der Bewertung-S-Wert 132 für das auf dem Weg des Fahrweg-Plans vorhandene Objekt groß, wohingegen in dem Fall, in welchem das Trägerfahrzeug auf der Landstraße fährt, die relative Entfernung zu dem Trägerfahrzeug klein ist und der Bewertung-S-Wert 132 für das auf dem Weg des Fahrweg-Plans vorhandene Objekt groß wird. Dies ist ein Beispiel der erzeugten Bewertungswertetabelle, in welcher in dem Fall der Autobahnfahrt ein hochgenaues Kl-Modell mit einer langen Verarbeitungszeit prioritär einem weiter von dem Trägerfahrzeug entfernten Objekt zugewiesen wird, wohingegen in dem Fall der Landstraßenfahrt ein hochgenaues Kl-Modell mit einer langen Verarbeitungszeit prioritär einem dem Trägerfahrzeug am nächsten befindlichen Objekt zugewiesen wird. In dem Fall der Autobahnfahrt ist, gegenüber der Landstraßenfahrt, die Art des Objekts auf Fahrzeuge oder Zweiräder beschränkt und ist die Fahrbahn relativ einfach, so dass das Trägerfahrzeug auf der auf der Straße gezogenen weißen Linie geradeaus fährt. Somit wird dem näher an dem Trägerfahrzeug befindlichen Objekt ein einfaches Kl-Modell mit einer kurzen Verarbeitungszeit oder ein regelbasiertes Modell zugewiesen. Andererseits sind in dem Fall der Landstraßenfahrt die Arten von Objekten mannigfaltig und umfassen sie, zusätzlich zu Fahrzeugen oder Zweirädern, zum Beispiel Fußgänger (Kinder und ältere Personen), Fahrräder und vorübergehend vorhandene Hindernisse und enthalten Fahrbahnen Rechts- und Linkskurven und Straßen ohne weiße Linien an unbegrenzten Orten, gegenüber der Autobahnfahrt. Somit wird sicherheitshalber auch dem näher an dem Trägerfahrzeug befindlichen Objekt ein hochgenaues Kl-Modell mit einer langen Verarbeitungszeit zugewiesen. Wie oben beschrieben, wird auf der Grundlage der relativen Beziehung zwischen dem Trägerfahrzeug und dem Objekt dem Objekt die Dringlichkeitsstufe zugewiesen und wird entsprechend der Dringlichkeitsstufe des Objekts eine Vielzahl von Konfigurationen der Operationseinheit ausgewählt.
  • Es ist zu beachten, dass die Modell-ID 1320 nicht unbedingt nur KI-Modelle umfasst. Auch auf den Regeln des manuellen Logikentwurfs ohne Verwendung von KI beruhende Modelle können angewandt werden. Das heißt, das Modell, welches nach dem Bewertungswert ausgewählt werden kann, kann ein KI-basiertes Modell sein oder kann ein regelbasiertes Modell mit manuell entworfener Logik sein.
  • Arbeitsweise der elektronischen Fahrzeugsteuerung
  • 12 ist ein Ablaufplan, welcher den Prozessablauf der elektronischen Fahrzeugsteuerung 20 gemäß der zweiten Ausführungsform veranschaulicht. Gleiche Teile wie in dem in 7 gezeigten Ablaufplan gemäß der ersten Ausführungsform sind mit gleichen Bezugszeichen versehen, und die Beschreibung ist entsprechend vereinfacht.
  • Nach dem Ende des in 12 gezeigten Schritts S32 geht der Prozess zu Schritt S100 über. Die KI-Modell-Auswahlbewertungs-Berechnungseinheit 9100 berechnet einen Bewertungswert, welcher ein Kl-Modell für jedes Objekt auswählt, für alle für die KI-Modell-Operationsverarbeitung bestimmten Objekte oder für alle abgetasteten Objekte in der Umgebung des Trägerfahrzeugs.
  • Der Prozess geht zu Schritt S101 über. Die Objekt-nach-KI-Modell-Auswähleinheit 9102 wählt ein Kl-Modell das Kombinationsmuster der Operationseinheiten des Kl-Modells für jedes Objekt, d.h. das auf dem in Schritt S100 berechneten Bewertungswert für jedes Objekt basierende KI-Modell aus. Danach geht der Prozess über die Schritte S34 und S35 zu Schritt S102 über.
  • In Schritt S102 wird in dem Fall, in welchem die KI-Modell-Operationsverarbeitungsausführungsabschluss-Ermittlungseinheit 9101 ermittelt, dass die KI-Modell-Operationsverarbeitung für alle Objekte abgeschlossen ist, der Prozessablauf beendet. In Schritt S102 geht in dem Fall, in welchem die Kl-Modell-Operationsverarbeitungsausführungsabschluss-Ermittlungseinheit 9101 ermittelt, dass die KI-Modell-Operationsverarbeitung nicht für alle Objekte abgeschlossen ist, der Prozess zu Schritt S34 über. Das Beschleunigungselement 23 wird passend zu dem für jedes Objekt ausgewählten KI-Modell eingestellt, die KI-Modell-Operationsverarbeitung wird ausgeführt, und die Prozesse werden wiederholt ausgeführt, bis die Ermittlung in Schritt S102 „Ja“ ergibt.
  • Beispielhafte Abwandlung der Fahrzeugsteuerung
  • 13 ist ein Blockschaubild, welches eine beispielhafte Abwandlung der Konfiguration der in 10 gezeigten elektronischen Fahrzeugsteuerung 20 zeigt. In diesem Fall enthält das Beschleunigungselement 23 eine GPU, und daher ist ein Teil der Konfigurationen der Hauptvorrichtung 21, der Speichereinheit 22 und des Beschleunigungselements 23 gegenüber der in 10 gezeigten elektronischen Fahrzeugsteuerung 20 verändert.
  • In 13 ist in der Vorhersageausführungs-Steuereinheit 210 die in 10 gezeigte KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit 2104 entfernt und ist anstelle dieser die KI-Modell-Informationen-Einstelleinheit 4100 enthalten. Die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 2105 ist entfernt, und anstelle dieser ist die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 4101 enthalten.
  • Die KI-Modell-Informationen-Einstelleinheit 4100 und die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 4101 gleichen den in der beispielhaften Abwandlung der Konfiguration der elektronischen Fahrzeugsteuerung 20 gemäß der ersten Ausführungsform beschriebenen, und deshalb wird auf deren Beschreibung verzichtet.
  • Das Beschleunigungselement 23 hat eine Konfiguration, bei welcher die in 10 gezeigten KI-Modell-Parameterinformationen 231 entfernt sind. Bei dieser Konfiguration behält das Beschleunigungselement 23 keine KI-Modell-Parameterinformationen und werden KI-Modell-Parameterinformationen für jede KI-Modell-Operationsprozessausführung an das Beschleunigungselement 23 übertragen. Jedoch ist auch eine Konfiguration denkbar, bei welcher das Beschleunigungselement 23 diese Informationen behält. Die in 10 gezeigte KI-Modell-Operationsverarbeitungseinheit 230 ist entfernt, und anstelle dieser ist eine KI-Modell-Operationsverarbeitungs-Ausführungseinheit 330 hinzugefügt. Die KI-Modell-Operationsverarbeitungs-Ausführungseinheit 330 hat eine Konfiguration, in welcher eine auf das in der elektronischen Fahrzeugsteuerung 20 installierte KI-Modell spezialisierte Exklusivschaltung, d.h. eine Vielzahl von Allzweck-Berechnungseinheiten, welche verschiedene an der Operation beteiligte KI-Modelle mit hoher Geschwindigkeit ausführen können, installiert ist.
  • Tabelleninformationen zur Verwendung bei der Auswahl des Kl-Modells gemäß der beispielhaften Abwandlung der zweiten Ausführungsform
    14 zeigt Tabelleninformationen gemäß der beispielhaften Abwandlung der zweiten Ausführungsform zur Verwendung bei der Auswahl des Kl-Modells. Diese Tabelleninformationen werden in der KI-Modell-Auswahlbewertungs-Berechnungseinheit 9100 und der Objekt-nach-KI-Modell-Auswähleinheit 9102 verwendet.
  • 14 zeigt ein Beispiel einer von 11 verschiedenen Tabelle, welche den Bewertungswert für die KI-Modell-Auswahl verwaltet. Eine in 14 gezeigte Bewertung-T-Werte-Tabelle 140 ist eine Tabelle, welche den Zustand 1300 der elektronischen Fahrzeugsteuerung, eine nach der Objekterfassung verstrichene Zeit 1401 und einen Bewertung-T-Wert 1402 im Zusammenhang miteinander verwaltet.
  • Der Zustand 1300 der elektronischen Fahrzeugsteuerung in der Bewertung-T-Werte-Tabelle 140 drückt in der Ausführungsform ein Fahrszenario aus und drückt Autobahnfahrt und Landstraßenfahrt entsprechende Bewertungswerte aus. Die nach der Objekterfassung verstrichene Zeit 1401 ist eine Information, welche die nach der Erfassung in der Umgebung des Trägerfahrzeugs vorhandener Objekte durch Außenabtastung verstrichene Zeit angibt.
  • Der in 14 gezeigte Bewertung-T-Wert 1402 ist der Bewertungswert, welcher entsprechend der Information über die nach der Objekterfassung verstrichene Zeit 1401 zugewiesen wird. Es ist zu beachten, dass eine Konfiguration denkbar ist, bei welcher der Bewertung-T-Wert 1402 mit einer gegebenen Konstante multipliziert wird, um den in 11(c) gezeigten Bewertung-S-Wert 1321 zu berechnen, und daher ein Kl-Modell ausgewählt wird, oder eine Konfiguration denkbar ist, bei welcher der Bewertung-S-Wert berechnet wird, um ein Kl-Modell mittels einer gegebene Auswertungsformel, gebildet aus dem Bewertung-D-Wert 1302, dem Bewertung-P-Wert 1311 und dem Bewertung-T-Wert 1402, welche in den 11(a) bis 11(b) gezeigt sind, auszuwählen.
  • In der Ausführungsform kann dem durch Abtasten neu erfassten Objekt unter Verwendung des Bewertung-T-Werts ein hochgenaues Kl-Modell mit einer langen Verarbeitungszeit zugewiesen werden. Für das Objekt mit einer Zeitspanne ab einer neuen Erfassung kann das Abtastergebnis durch die kombinierte Verwendung eines bereits bestehenden Verfahrens wie Spurverfolgung korrigiert werden. Somit wird ein leichtes KI-Modell mit einer kurzen Verarbeitungszeit unter dem Gesichtspunkt der Last oder ein regelbasiertes Modell zugewiesen. Die nach der Objekterfassung verstrichene Zeit 1401 kann die verstrichene Zeit aus der Anzahl von Empfängen anderer periodisch von dem Sensor eingegebener Daten als der Zeitinformation oder, in dem Fall von Bilddaten, der Anzahl von Einzelbildern berechnen.
  • Nach Ablauf einer bestimmten Zeitspanne ab der Objekterfassung wird der Bewertung-T-Wert 1402 in regelmäßigen Zeitintervallen verändert, und daher ist die kombinierte Verwendung von Modellen zulässig, während ein hochgenaues KI-Modell mit einer langen Verarbeitungszeit und ein leichtes KI-Modell mit einer kurzen Verarbeitungszeit oder ein regelbasiertes Modell periodisch gewechselt werden. Beim Wechseln wird dasselbe KI-Modell für alle Objekte in der Umgebung des Trägerfahrzeugs nicht ausgewählt. Ein hochgenaues Kl-Modell mit einer langen Verarbeitungszeit wird für einige Objekte ausgewählt, ein leichtes KI-Modell mit einer kurzen Verarbeitungszeit wird für einige Objekte ausgewählt, das Modell zur Verwendung wird periodisch ersetzt, und daher kann die Vereinbarkeit der Vorhersagegenauigkeit für jedes Objekt mit der Verarbeitungszeit für alle Objekte beabsichtigt werden.
  • Arbeitsweise der beispielhaften Abwandlung der elektronischen Fahrzeugsteuerung
  • 15 ist ein Ablaufplan, welcher den Prozessablauf einer beispielhaften Abwandlung der elektronischen Fahrzeugsteuerung 20 gemäß der zweiten Ausführungsform veranschaulicht. In 15 sind gleiche Teile wie in dem in 7 gezeigten Ablaufplan gemäß der ersten Ausführungsform mit gleichen Bezugszeichen versehen, und die Beschreibung ist entsprechend vereinfacht.
  • Nach dem Ende des in 15 gezeigten Schritts S32 geht der Prozess zu Schritt S100 über. Die Modellauswahlbewertungs-Berechnungseinheit 9100 berechnet einen Bewertungswert, welcher ein Kl-Modell für jedes Objekt auswählt, für alle für die KI-Modell-Operationsverarbeitung bestimmten Objekte oder für alle abgetasteten Objekte in der Umgebung des Trägerfahrzeugs.
  • Der Prozess geht zu Schritt S101 über. Die Objekt-nach-KI-Modell-Auswähleinheit 9102 wählt ein Kl-Modell, das Kombinationsmuster der Operationseinheiten des Kl-Modells für jedes Objekt, d.h. das auf dem in Schritt S100 berechneten Bewertungswert für jedes Objekt basierende KI-Modell aus. Danach geht der Prozess zu Schritt S50 über. Nachdem ein Kl-Modell ausgewählt wurde, überträgt die KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit 4101 die durch die KI-Modell-Informationen-Einstelleinheit 4100 in dem Speicher expandierten KI-Modell-Parameterinformationen und KI-Modell-Strukturinformationen an die Kl-Modell-Operationsverarbeitungs-Ausführungseinheit 330 des Beschleunigungselements 23. Danach geht der Prozess zu Schritt S35 über, werden für die KI-Modell-Operationsverarbeitung bestimmte Eingabedaten übertragen, um den zu dem Operationsausführungsstart gehörenden Steuerbefehl zu geben, und wird daher die KI-Modell-Operationsverarbeitung ausgeführt. Danach geht der Prozess zu Schritt S102 über.
  • In Schritt S102 wird in dem Fall, in welchem die KI-Modell-Operationsverarbeitungsausführungsabschluss-Ermittlungseinheit 9101 ermittelt, dass die KI-Modell-Operationsverarbeitung für alle Objekte abgeschlossen ist, der Prozessablauf beendet. In Schritt S102 geht in dem Fall, in welchem ermittelt wird, dass die KI-Modell-Operationsverarbeitung nicht für alle Objekte abgeschlossen ist, der Prozess zu Schritt S50 über und werden die oben beschriebenen Prozesse wiederholt ausgeführt, bis die Ermittlung in Schritt S102 „Ja“ ergibt.
  • Gemäß der zweiten Ausführungsform wird die Dringlichkeitsstufe dem Objekt auf der Grundlage der relativen Beziehung zwischen dem Trägerfahrzeug und dem Objekt zugewiesen und wird eine Vielzahl von Konfigurationen der Operationseinheit entsprechend der Dringlichkeitsstufe des Objekts ausgewählt. Somit kann die KI-Modell-Operationsverarbeitung einschließlich eines neuronalen Netzes innerhalb einer gewünschten Zeitspanne unter Berücksichtigung der Dringlichkeitsstufe des Objekts abgeschlossen werden.
  • Dritte Ausführungsform
  • 16 ist ein Blockschaubild einer elektronischen Fahrzeugsteuerung 20 gemäß einer dritten Ausführungsform. In der dritten Ausführungsform enthalten elektronische Fahrzeugsteuerungen 20 gemäß der ersten Ausführungsform und der zweiten Ausführungsform eine Funktion, welche die Daten der KI-Modell-Parameterinformationen 231 lernt und auf die KI-Modell-Parameterinformationen 321 aktualisiert. Die Konfiguration der elektronischen Fahrzeugsteuerung 20 gemäß der Ausführungsform enthält ein FPGA oder einen ASIC in einem Beschleunigungselement 23.
  • Konfiguration der Fahrzeugsteuerung
  • Die Konfiguration der elektronischen Fahrzeugsteuerung 20 gemäß der in 16 gezeigten Ausführungsform ist eine Konfiguration, bei welcher, gegenüber der Konfiguration der in 2 gezeigten elektronischen Fahrzeugsteuerung 20, eine Lern-Steuereinheit 1600 neu zu einer Hauptvorrichtung 21 hinzugefügt ist und eine KI-Modell-Gesamtvorhersagefehler-Berechnungseinheit 1610 und eine Aktualisierungs-KI-Modell-Operationsparameter Berechnungseinheit 1620 neu zu dem Beschleunigungselement 23 hinzugefügt sind.
  • Die Lern-Steuereinheit 1600 ist aus einer KI-Modell-Operationsparameteraktualisierungs-Ermittlungseinheit 16000 und einer KI-Modell-Operationsparameter-Aktualisierungseinheit 16001 konfiguriert.
  • Die KI-Modell-Gesamtvorhersagefehler-Berechnungseinheit 1610 berechnet einen Ausgabewert eines Kl-Modells, welcher KI-Modell-Parameterinformationen aktualisiert, und den Vorhersagefehlerwert eines korrekten Werts mittels einer Verlustfunktion wie Kleinste-Quadrate-Fehler oder Kreuzentropiefehler. Die Aktualisierungs-KI-Modell-Operationsparameter Berechnungseinheit 1620 aktualisiert, d.h. lernt KI-Modell-Parameterinformationen mittels eines öffentlich bekannten, als Fehlerrückführung bezeichneten Verfahrens so, dass der Vorhersagefehlerwert sein Minimum annimmt, von dem in der KI-Modell-Gesamtvorhersagefehler-Berechnungseinheit 1610 berechneten Vorhersagefehlerwert. Speziell werden in dem Fall, in welchem zwischen dem vorliegenden Ausgabewert des KI-Modells und dem erwarteten Ausgabewert ein Fehler vorliegt, KI-Modell-Parameterinformationen so aktualisiert, dass der Fehler klein wird, d.h. die Zuverlässigkeit sich verbessert.
  • Die Kl-Modell-Operationsparameteraktualisierungs-Ermittlungseinheit 16000 wertet die Vorhersagegenauigkeit der von dem Beschleunigungselement 23 empfangenen KI-Modell-Parameterinformationen unter Verwendung von Auswertungsdaten, welche die Vorhersagegenauigkeit des KI-Modells auswerten, aus, und daher ermittelt die KI-Modell-Operationsparameteraktualisierungs-Ermittlungseinheit 16000, ob die in den KI-Modell-Parameterinformationen 231 gespeicherten KI-Modell-Parameterinformationen aktualisiert sind. Es ist zu beachten, dass ein Verfahren zum Berechnen der Vorhersagegenauigkeit aus Auswertungsdaten aus den bisher beschriebenen, der KI-Modell-Operationsverarbeitung gleichenden Prozeduren besteht und für die KI-Modell-Operationsverarbeitung bestimmte Eingabedaten nur Auswertungsdaten zu sein brauchen.
  • Die KI-Modell-Operationsparameter-Aktualisierungseinheit 16001 aktualisiert und kontrolliert die KI-Modell-Parameterinformationen in den KI-Modell-Parameterinformationen 231. Die KI-Modell-Parameterinformationen in den KI-Modell-Parameterinformationen 231 werden auf der Grundlage des Ermittlungsergebnisses aus der Kl-Modell-Operationsparameteraktualisierungs-Ermittlungseinheit 16000 aktualisiert. Das Aktualisieren, d.h. Lernen der KI-Modell-Parameterinformationen wird für die später noch zu beschreibenden KI-Modell-Gesamtvorhersagefehler-Berechnungseinheit 1610 verlangt.
  • Beispielhafte Abwandlung der Konfiguration der elektronischen Fahrzeugsteuerung
  • 17 ist ein Blockschaubild, welches eine beispielhafte Abwandlung der Konfiguration der elektronischen Fahrzeugsteuerung 20 gemäß der dritten Ausführungsform zeigt. In der Ausführungsform enthält das Beschleunigungselement 23 eine GPU, und daher ist ein Teil der Konfigurationen der Hauptvorrichtung 21, der Speichereinheit 22 und des Beschleunigungselements 23 gegenüber der in 16 gezeigten elektronischen Fahrzeugsteuerung 20 verändert. Jedoch gleichen die Verarbeitungseinheiten den in der ersten Ausführungsform beschriebenen, und deshalb wird auf deren Beschreibung verzichtet.
  • Es ist zu beachten, dass in der Ausführungsform bei dem Lernen der KI-Modell-Parameterinformationen in den 16 und 17 eine Vielzahl von KI-Modellen entsprechend der Kombination der Operationseinheiten für die Operation verwendet wird. Jedoch kann das Lernen so möglich sein, dass KI-Modell-Parameterinformationen zwischen den Operationseinheiten der Vielzahl von KI-Modellen geteilt werden. Speziell berechnet die KI-Modell-Gesamtvorhersagefehler-Berechnungseinheit 1610 einen Vorhersagefehler für alle in der elektronischen Fahrzeugsteuerung 20 installierten KI-Modelle. Die Summe der für jedes der KI-Modelle berechneten Vorhersagefehler wird berechnet, die KI-Modell-Parameterinformationen werden so aktualisiert, dass der Wert sein Minimum annimmt, und daher kann das Lernen realisiert werden. Bei dieser Konfiguration kann der KI-Modell-Parameter zwischen den Operationseinheiten der Vielzahl von KI-Modellen standardisiert werden und ist es unnötig, KI-Modell-Parameterinformationen über jedes der KI-Modelle zu behalten. Somit wird eine Zunahme der für die Speichereinheit erforderlichen Kapazität vermieden und können Hardware-Kosten unterbunden werden.
  • Gemäß den oben beschriebenen Ausführungsformen erhält man folgende Arbeitsweise und Wirkung.
    • 1.) Die elektronische Fahrzeugsteuerung 20 enthält die Zustandserfassungseinheit 2102, welche dafür konfiguriert ist, den Zustand eines Fahrzeugs zu erfassen, und die Ermittlungseinheit 2106, welche dafür konfiguriert ist, auf der Grundlage des in der Zustandserfassungseinheit 2102 erfassten Zustands des Fahrzeugs zu ermitteln, ob ein Künstliche-Intelligenz-Modell konfiguriert wird. In dem Fall, in welchem die Ermittlungseinheit 2106 ermittelt, dass das Künstliche-Intelligenz-Modell konfiguriert wird, wird ein zum Ausführen eines vordefinierten Prozesses konfiguriertes Künstliche-Intelligenz-Modell durch die Kombination einer Vielzahl von Operationseinheiten konfiguriert. Somit wird das Künstliche-Intelligenz-Modell auf der Grundlage des Zustands des Fahrzeugs konfiguriert und kann die für die Operationsverarbeitung erforderliche Verarbeitungszeit verkürzt werden.
    • 2.) In dem Fall, in welchem ein vordefinierter Prozess nicht innerhalb einer vordefinierten Zeitspanne abgeschlossen wird, ermittelt die elektronische Fahrzeugsteuerung 20, ob ein Künstliche-Intelligenz-Modell unter Verwendung einer oder mehrerer aus der Vielzahl von Operationseinheiten zu konfigurieren ist, und führt sie einen vordefinierten Prozess aus. Somit wird das Künstliche-Intelligenz-Modell konfiguriert und kann die für die Operationsverarbeitung erforderliche Verarbeitungszeit verkürzt werden.
    • 3.) Das Künstliche-Intelligenz-Modell der elektronischen Fahrzeugsteuerung 20 ist ein aus der Eingangsschicht 10, welche dafür konfiguriert ist, ein äußeres Signal zu empfangen, der Ausgangsschicht 12, welche dafür konfiguriert ist, das Operationsergebnis nach außen auszugeben, und der aus einer Vielzahl von Operationseinheiten 2300 konfigurierten Zwischenschicht 11 konfiguriertes neuronales Netz, wobei die Zwischenschicht 11 einen vordefinierten Prozess auf von der Eingangsschicht 10 erhaltene Informationen anwendet, wobei die Zwischenschicht 11 das Prozessergebnis eines vordefinierten Prozesses an die Ausgangsschicht 12 ausgibt. Die Konfiguration der Zwischenschicht 11 wird entsprechend dem in der Zustandserfassungseinheit 2102 erfassten Zustand eines Fahrzeugs ausgewählt. Somit wird die für die KI-Modell-Operationsverarbeitung einschließlich eines neuronalen Netzes erforderliche Verarbeitungszeit verkürzt, wird eine Zunahme des Verbrauchs der Hardware-Ressourcen eines Hardware-Beschleunigungselements, welches die KI-Modell-Operationsverarbeitung ausführt, so weit wie möglich vermieden und kann daher das Künstliche-Intelligenz-Modell realisiert werden.
    • 4.) Der Zustand des Fahrzeugs der elektronischen Fahrzeugsteuerung 20 ist eine die Anzahl in der Umgebung des Fahrzeugs vorhandener Objekte enthaltende Trägerfahrzeug-Fahrumgebung. Somit kann ein der Anzahl von Objekten entsprechendes Kl-Modell erstellt werden.
    • 5.) Der Zustand des Fahrzeugs der elektronischen Fahrzeugsteuerung 20 ist eine das Fahrszenario des Fahrzeugs enthaltende Trägerfahrzeug-Fahrumgebung. Somit kann ein für das Fahrszenario geeignetes Kl-Modell erstellt werden.
    • 6.) Der Zustand des Fahrzeugs der elektronischen Fahrzeugsteuerung 20 ist eine das Wetter an der Fahrposition des Fahrzeugs enthaltende Trägerfahrzeug-Fahrumgebung. Somit kann ein für das Wetter an der Fahrposition des Fahrzeugs geeignetes Kl-Modell erstellt werden.
    • 7.) Der Zustand des Fahrzeugs der elektronischen Fahrzeugsteuerung 20 ist eine das Zeitfenster, in welchem das Fahrzeug fährt, enthaltende Trägerfahrzeug-Fahrumgebung. Somit kann ein dem Zeitfenster, in welchem das Fahrzeug fährt, entsprechendes Kl-Modell erstellt werden.
    • 8.) Der Zustand des Fahrzeugs der elektronischen Fahrzeugsteuerung 20 ist eine den Vorrichtungszustand des Fahrzeugs enthaltende Trägerfahrzeug-Fahrumgebung. Somit kann ein zum Beispiel dem Vorrichtungszustand des Fahrzeugs, dem Vorliegen oder Nicht-Vorliegen eines Fehlers und dem Lastzustand der CPU oder des Beschleunigungselements entsprechendes Kl-Modell erstellt werden.
    • 9.) Die elektronische Fahrzeugsteuerung enthält eine Einheitenaktivierungstabelle, in welcher die Aktivierung oder Deaktivierung der Operationseinheit entsprechend dem Zustand des Fahrzeugs eingestellt ist. Das neuronale Netz ist mit der Kombination einer Vielzahl von Operationseinheiten, welche auf der Grundlage der Einheitenaktivierungstabelle aktiviert sind, konfiguriert. Somit kann eine Vielzahl von Operationseinheiten kombiniert werden.
    • 10.) Das neuronale Netz ermittelt, ob eine oder mehrere aus der Vielzahl von Operationseinheiten für eine der Anzahl von Objekten entsprechende Konfiguration zu verwenden ist/sind. Somit kann selbst in dem Fall, in welchem die Anzahl von Objekten zum Beispiel zunimmt, die für die Operationsverarbeitung erforderliche Verarbeitungszeit verkürzt werden.
    • 11.) Das neuronale Netz ermittelt, ob eine oder mehrere aus der Vielzahl von Operationseinheiten für eine Konfiguration mit Zuweisung der Dringlichkeitsstufe des Objekts auf der Grundlage des Zustands des Fahrzeugs zu verwenden ist/sind. Somit kann unter Berücksichtigung der Dringlichkeitsstufe des Objekts die für die KI-Modell-Operationsverarbeitung einschließlich eines neuronalen Netzes erforderliche Verarbeitungszeit verkürzt werden.
    • 12.) Die Dringlichkeitsstufe wird auf der Grundlage der relativen Beziehung zwischen dem Trägerfahrzeug und dem Objekt zugewiesen. Somit kann unter Berücksichtigung der Dringlichkeitsstufe des Objekts die für die KI-Modell-Operationsverarbeitung einschließlich eines neuronalen Netzes erforderliche Verarbeitungszeit verkürzt werden.
    • 13.) Die Speichereinheit, welche dafür konfiguriert ist, den Operationsparameter der Vielzahl von Operationseinheiten zu speichern, ist enthalten. In dem neuronalen Netz wird der Operationsparameter so aktualisiert, dass die Zuverlässigkeit des Ausgabewerts aus der Ausgangsschicht in dem Zustand des Fahrzeugs sich verbessert. Somit kann der Betriebsfehler bei der KI-Modell-Operationsverarbeitung verringert werden.
  • Die vorliegende Erfindung ist nicht auf die vorangehenden Ausführungsformen beschränkt. Auch weitere innerhalb des Kerns der technischen Idee der vorliegenden Erfindung betrachtete Formen sind in dem Kern der vorliegenden Erfindung enthalten, solange die Merkmale der vorliegenden Erfindung nicht beeinträchtigt werden. Es sind auch Konfigurationen denkbar, bei welchen die vorangehenden Ausführungsformen kombiniert sind.
  • Der Inhalt der Offenbarung der folgenden zugrundeliegenden Prioritätsanmeldung wird durch Verweis hierin einbezogen.
  • Japanische Patentanmeldung Nr. 2017-089825 (eingereicht am 28. April 2017)
  • Bezugszeichenliste
    • 1:
    Neuronales-Netz-Modell
    10:
    Eingangsschicht
    11:
    Zwischenschicht
    12:
    Ausgangsschicht
    20:
    elektronische Fahrzeugsteuerung
    21:
    Hauptvorrichtung
    22:
    Speichereinheit
    23:
    Beschleunigungselement
    210:
    Vorhersageausführungs-Steuereinheit
    220:
    KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Tabelle
    230:
    KI-Modell-Operationsverarbeitungseinheit
    231:
    KI-Modell-Parameterinformationen
    2100:
    KI-Modell-Operationsverarbeitungszeit-Berechnungseinheit
    2101:
    KI-Modell-Operationsverarbeitungszeitüberschreitungs-Ermittlungseinheit
    2102:
    Elektroniksteuerungszustands-Erfassungseinheit
    2103:
    KI-Modell-Auswähleinheit
    2104:
    KI-Modell-Operationsverarbeitungseinheiten-Aktivierungsoptionen-Einstelleinheit
    2105:
    KI-Modell-Operationsverarbeitungsausführungs-Steuereinheit
    2106:
    Kl-Modell-Nutzungs-Ermittlungseinheit
    2300:
    Operationseinheit
    S30:
    Prozess zur Schätzung der Anwendungsverarbeitungszeit
    S31:
    Fristüberschreitungs-Ermittlungsprozess
    S32:
    Prozess zur Erfassung des Zustands der elektronischen Steuerung
    S33:
    KI-Modell-Auswahlprozess
    S34:
    Operationseinheiten-Aktivierungsoptionen-Einstellprozess
    S35:
    Kl-Modell-Operationsprozessausführungs-Startbefehls-Prozess
    420:
    KI-Modell-Parameterinformationen
    421:
    Kl-Modell-Strukturinformationen
    4100:
    KI-Modell-Informationen-Einstelleinheit
    430:
    KI-Modell-Operationsverarbeitungs-Ausführungseinheit
    S50:
    KI-Modell-Datenübertragung
    60:
    Objektanzahl-zu-Modell-ID-Zuordnungstabelle
    61:
    Fahrszenario-zu-Modell-ID-Zuordnungstabelle
    600:
    Modell-ID
    601:
    Objektanzahl-Information
    611:
    Fahrszenario-Information
    62:
    Wetter-zu-Modell-ID-Zuordnungstabelle
    621:
    Wetterinformation
    63:
    Zeitfenster-zu-Modell-ID-Zuordnungstabelle
    631:
    Zeitfenster-Information
    64:
    Vorrichtungszustand-zu-Modell-ID-Zuordnungstabelle
    641:
    Vorrichtungszustand
    70:
    Operationseinheit
    71:
    KI-Modell
    700:
    Faltschicht
    701:
    Batch-Normalisierung
    702:
    Aktivierungsfunktion
    703:
    „Pooling“-Schicht
    704:
    „Fully-connected“-Schicht
    705:
    LSTM-Schicht
    80:
    Mit Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestattete Operationseinheit
    81:
    Aktivierungsumschaltzeit-Operationseinheit
    82:
    Deaktivierungsumschaltzeit-Operationseinheit
    83:
    Mit Aktivierungs-/Deaktivierungs-Umschaltfunktion ausgestattetes Kl-Modell
    84:
    Modellmuster 1
    85:
    Modellmuster 2
    86:
    Modellmuster 3
    9100:
    KI-Modell-Auswahlbewertungs-Berechnungseinheit
    9101:
    KI-Modell-Operationsverarbeitungsausführungsabschluss-Ermittlungseinheit
    9102:
    Objekt-nach-KI-Modell-Auswähleinheit
    S100:
    Neuronales-Netz-Modell-Auswahlbewertungs-Berechnungsprozess
    S101:
    Neuronales-Netz-Modell-Operationsabschluss-Ermittlungsprozess
    130:
    Bewertung-T-Werte-Tabelle
    1300:
    Zustand der elektronischen Fahrzeugsteuerung
    1301:
    relative Entfernung D
    1302:
    Bewertung-T-Wert
    131:
    Bewertung-P-Werte-Tabelle
    1310:
    Information über das Vorhandensein/Nichtvorhandensein des Wegs in der Zukunft
    1311:
    Bewertung-P-Wert
    132:
    Bewertung-S-Werte-Tabelle
    1320:
    Modell-ID
    1321:
    Bewertung-S-Wert
    140:
    Bewertung-T-Werte-Tabelle
    1401:
    Nach der Objekterfassung verstrichene Zeit
    1402:
    Bewertung-T-Wert
    1500:
    Operationseinheiten-ID
    1501:
    Operationseinheiten-Aktivierungsoptionen-Information
    1600:
    Lern-Steuereinheit
    1610:
    KI-Modell-Gesamtvorhersagefehler-Berechnungseinheit
    1620:
    Aktualisierungs-Kl-Modell-Operationsparameter Berechnungseinheit
    16000:
    KI-Modell-Operationsparameteraktualisierungs-Ermittlungseinheit
    16001:
    KI-Modell-Operationsparameter-Aktualisierungseinheit
  • 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
    • JP 2017089825 [0122]

Claims (13)

  1. Elektronische Fahrzeugsteuerung, enthaltend: eine Zustandserfassungseinheit, welche dafür konfiguriert ist, einen Zustand eines Fahrzeugs zu erfassen; und eine Ermittlungseinheit, welche dafür konfiguriert ist, zu ermitteln, ob auf der Grundlage des in der Zustandserfassungseinheit erfassten Zustands des Fahrzeugs ein Künstliche-Intelligenz-Modell zu konfigurieren ist, wobei, wenn die Ermittlungseinheit ermittelt, dass das Künstliche-Intelligenz-Modell konfiguriert wird, ein zum Ausführen eines vordefinierten Prozesses konfiguriertes Künstliche-Intelligenz-Modell durch Kombination einer Vielzahl von Operationseinheiten konfiguriert wird.
  2. Elektronische Fahrzeugsteuerung nach Anspruch 1, wobei, wenn der vordefinierte Prozess nicht innerhalb einer vordefinierten Zeitspanne abgeschlossen wird, ermittelt wird, ob das Künstliche-Intelligenz-Modell unter Verwendung einer oder mehrerer aus einer Vielzahl der Operationseinheiten zu konfigurieren ist, und der vordefinierte Prozess ausgeführt wird.
  3. Elektronische Fahrzeugsteuerung nach Anspruch 2, wobei das Künstliche-Intelligenz-Modell ein aus einer Eingangsschicht, welche dafür konfiguriert ist, ein äußeres Signal zu empfangen, einer Ausgangsschicht, welche dafür konfiguriert ist, ein Operationsergebnis nach außen auszugeben, und einer aus der Vielzahl der Operationseinheiten konfigurierten Zwischenschicht konfiguriertes neuronales Netz ist, wobei die Zwischenschicht den vordefinierten Prozess auf von der Eingangsschicht erhaltene Informationen anwendet, wobei die Zwischenschicht ein Prozessergebnis des vordefinierten Prozesses an die Ausgangsschicht ausgibt; und eine Konfiguration der Zwischenschicht entsprechend dem in der Zustandserfassungseinheit erfassten Zustand des Fahrzeugs ausgewählt wird.
  4. Elektronische Fahrzeugsteuerung nach Anspruch 3, wobei der Zustand des Fahrzeugs eine eine Anzahl von in einer Umgebung des Fahrzeugs vorhandenen Objekten enthaltende Trägerfahrzeug-Fahrumgebung ist.
  5. Elektronische Fahrzeugsteuerung nach Anspruch 3, wobei der Zustand des Fahrzeugs eine ein Fahrszenario des Fahrzeugs enthaltende Trägerfahrzeug-Fahrumgebung ist.
  6. Elektronische Fahrzeugsteuerung nach Anspruch 3, wobei der Zustand des Fahrzeugs eine ein Wetter an einer Fahrposition des Fahrzeugs enthaltende Trägerfahrzeug-Fahrumgebung ist.
  7. Elektronische Fahrzeugsteuerung nach Anspruch 3, wobei der Zustand des Fahrzeugs eine ein Zeitfenster, in welchem das Fahrzeug fährt, enthaltende Trägerfahrzeug-Fahrumgebung ist.
  8. Elektronische Fahrzeugsteuerung nach Anspruch 3, wobei der Zustand des Fahrzeugs eine einen Vorrichtungszustand des Fahrzeugs enthaltende Trägerfahrzeug-Fahrumgebung ist.
  9. Elektronische Fahrzeugsteuerung nach Anspruch 3, enthaltend eine Einheitenaktivierungstabelle, in welcher die Aktivierung/Deaktivierung der Operationseinheit entsprechend dem Zustand des Fahrzeugs eingestellt ist, wobei das neuronale Netz konfiguriert ist, in welchem die Operationseinheit auf der Grundlage der Einheitenaktivierungstabelle aktiviert ist, und die Vielzahl der Operationseinheiten kombiniert ist.
  10. Elektronische Fahrzeugsteuerung nach Anspruch 4, wobei das neuronale Netz ermittelt, ob unter Verwendung einer oder mehrerer aus der Vielzahl der Operationseinheiten entsprechend einer Anzahl der Objekte zu konfigurieren ist.
  11. Elektronische Fahrzeugsteuerung nach Anspruch 4, wobei auf der Grundlage des Zustands des Fahrzeugs einem Objekt eine Dringlichkeitsstufe zugewiesen wird; und das neuronale Netz ermittelt, ob unter Verwendung einer oder mehrerer aus der Vielzahl von Operationseinheiten entsprechend der Dringlichkeitsstufe des Objekts zu konfigurieren ist.
  12. Elektronische Fahrzeugsteuerung nach Anspruch 11, wobei die Dringlichkeitsstufe auf der Grundlage einer relativen Beziehung zwischen einem Trägerfahrzeug und dem Objekt zugewiesen wird.
  13. Elektronische Fahrzeugsteuerung nach Anspruch 3, enthaltend eine Speichereinheit, welche dafür konfiguriert ist, einen Operationsparameter der Vielzahl der Operationseinheiten zu speichern, wobei in dem neuronalem Netz der Operationsparameter so aktualisiert wird, dass eine Zuverlässigkeit eines Ausgabewerts aus der Ausgangsschicht sich in dem Zustand des Fahrzeugs verbessert.
DE112018001596.3T 2017-04-28 2018-04-13 Elektronische fahrzeugsteuerung Pending DE112018001596T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017089825A JP6756661B2 (ja) 2017-04-28 2017-04-28 車両電子制御装置
JP2017-089825 2017-04-28
PCT/JP2018/015511 WO2018198823A1 (ja) 2017-04-28 2018-04-13 車両電子制御装置

Publications (1)

Publication Number Publication Date
DE112018001596T5 true DE112018001596T5 (de) 2020-01-02

Family

ID=63919841

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112018001596.3T Pending DE112018001596T5 (de) 2017-04-28 2018-04-13 Elektronische fahrzeugsteuerung

Country Status (5)

Country Link
US (1) US20200143670A1 (de)
JP (1) JP6756661B2 (de)
CN (1) CN110494868B (de)
DE (1) DE112018001596T5 (de)
WO (1) WO2018198823A1 (de)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018220851A1 (ja) 2017-06-02 2018-12-06 本田技研工業株式会社 自動運転車の制御のための車両制御装置及び方法
CN110692094B (zh) * 2017-06-02 2022-02-01 本田技研工业株式会社 用于自动驾驶车的控制的车辆控制装置及方法
JP6979648B2 (ja) * 2018-02-02 2021-12-15 Kddi株式会社 車載制御装置
JP7177609B2 (ja) * 2018-06-13 2022-11-24 株式会社デンソーテン 画像認識装置、画像認識方法、機械学習モデル提供装置、機械学習モデル提供方法、機械学習モデル生成方法、および機械学習モデル装置
US20220001858A1 (en) * 2018-11-13 2022-01-06 Nec Corporation Dangerous scene prediction device, dangerous scene prediction method, and dangerous scene prediction program
DE102018221063A1 (de) * 2018-12-05 2020-06-10 Volkswagen Aktiengesellschaft Konfiguration eines Steuerungssystems für ein zumindest teilautonomes Kraftfahrzeug
JP7174243B2 (ja) * 2018-12-21 2022-11-17 富士通株式会社 情報処理装置、ニューラルネットワークプログラム、ニューラルネットワークの処理方法
DE102018222720B4 (de) 2018-12-21 2022-01-05 Continental Teves Ag & Co. Ohg Überwachung von auf neuronalen Netzwerken basierten Fahrfunktionen
KR102166811B1 (ko) * 2019-01-21 2020-10-19 한양대학교 산학협력단 심층강화학습과 운전자보조시스템을 이용한 자율주행차량의 제어 방법 및 장치
JP7145770B2 (ja) * 2019-01-25 2022-10-03 株式会社デンソーアイティーラボラトリ 車間距離測定装置、誤差モデル生成装置および学習モデル生成装置とこれらの方法およびプログラム
JP7099368B2 (ja) * 2019-03-07 2022-07-12 株式会社デンソー 支援時間提示システム
GB201909506D0 (en) 2019-07-02 2019-08-14 Wista Lab Ltd Synaptopathies
JP2021032563A (ja) * 2019-08-13 2021-03-01 ソニーセミコンダクタソリューションズ株式会社 装置、測定装置および測距システム
US11588796B2 (en) 2019-09-11 2023-02-21 Baidu Usa Llc Data transmission with obfuscation for a data processing (DP) accelerator
DE112019007851T5 (de) 2019-12-12 2022-10-27 Mitsubishi Electric Corporation Datenverarbeitungsausführungseinrichtung, Datenverarbeitungsausführungsverfahren und Datenverarbeitungsausführungsprogramm
JP7373387B2 (ja) 2019-12-20 2023-11-02 株式会社デンソーテン 情報処理装置
JP2021105798A (ja) * 2019-12-26 2021-07-26 パナソニックＩｐマネジメント株式会社 人工知能システム
WO2021153049A1 (ja) * 2020-01-30 2021-08-05 日立Astemo株式会社 情報処理装置
US20230037499A1 (en) * 2020-02-17 2023-02-09 Mitsubishi Electric Corporation Model generation device, in-vehicle device, and model generation method
EP4149061A4 (de) * 2020-05-07 2023-11-01 NEC Communication Systems, Ltd. Netzwerksteuerungsvorrichtung, netzwerksteuerungsverfahren und netzwerksteuerungsprogramm
WO2022004184A1 (ja) * 2020-07-01 2022-01-06 日立Astemo株式会社 電子制御装置
JPWO2022009542A1 (de) * 2020-07-10 2022-01-13
JP6885553B1 (ja) * 2020-07-14 2021-06-16 エッジコーティックス ピーティーイー． リミテッド ハードウェアとニューラルアーキテクチャとの共同探索
US11938941B2 (en) * 2020-08-31 2024-03-26 Denso International America, Inc. Mode selection according to system conditions
JPWO2022070781A1 (de) * 2020-09-29 2022-04-07
JP7471602B2 (ja) 2021-01-14 2024-04-22 株式会社アイビス・キャピタル・パートナーズ 情報処理装置及び情報処理方法
JP2022178465A (ja) * 2021-05-20 2022-12-02 日立Astemo株式会社 演算装置、認識装置および制御装置
US20230064500A1 (en) * 2021-09-02 2023-03-02 Hitachi, Ltd. Optimizing machine learning as-a-service performance for cellular communication systems
JP2023057871A (ja) * 2021-10-12 2023-04-24 キヤノン株式会社 医用画像処理装置、医用画像処理方法およびプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017089825A (ja) 2015-11-13 2017-05-25 日本精工株式会社 ボールねじ及びこれを備えるアクチュエータ

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5142612A (en) * 1990-08-03 1992-08-25 E. I. Du Pont De Nemours & Co. (Inc.) Computer neural network supervisory process control system and method
JPH07333242A (ja) * 1994-06-13 1995-12-22 Mazda Motor Corp 車両のヨーレート推定方法及びその装置
US7426437B2 (en) * 1997-10-22 2008-09-16 Intelligent Technologies International, Inc. Accident avoidance systems and methods
JPH09230935A (ja) * 1996-02-28 1997-09-05 Zexel Corp 車両の自走制御方法
JP5441626B2 (ja) * 2009-11-06 2014-03-12 日立オートモティブシステムズ株式会社 車載用マルチアプリ実行装置
JP5259647B2 (ja) * 2010-05-27 2013-08-07 本田技研工業株式会社 車両の周辺監視装置
JP6230620B2 (ja) * 2013-12-10 2017-11-15 三菱電機株式会社 走行制御装置
KR101555444B1 (ko) * 2014-07-10 2015-10-06 현대모비스 주식회사 차량탑재 상황감지 장치 및 그 방법
EP3234867A4 (de) * 2014-12-17 2018-08-15 Nokia Technologies Oy Objekterkennung mit neuronalem netzwerk
US20160328644A1 (en) * 2015-05-08 2016-11-10 Qualcomm Incorporated Adaptive selection of artificial neural networks
US20180157972A1 (en) * 2016-12-02 2018-06-07 Apple Inc. Partially shared neural networks for multiple tasks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017089825A (ja) 2015-11-13 2017-05-25 日本精工株式会社 ボールねじ及びこれを備えるアクチュエータ

Also Published As

Publication number Publication date
CN110494868A (zh) 2019-11-22
CN110494868B (zh) 2023-10-24
US20200143670A1 (en) 2020-05-07
JP2018190045A (ja) 2018-11-29
JP6756661B2 (ja) 2020-09-16
WO2018198823A1 (ja) 2018-11-01

Similar Documents

Publication Publication Date Title
DE112018001596T5 (de) Elektronische fahrzeugsteuerung
EP3365741B1 (de) Verfahren zur vollautomatischen führung eines fahrzeugsystems und kraftfahrzeug
DE102018120845B4 (de) Verfahren und Vorrichtung zum Überwachen eines autonomen Fahrzeugs
DE102019104974A1 (de) Verfahren sowie System zum Bestimmen eines Fahrmanövers
DE102016212700A1 (de) Verfahren und System zur Steuerung eines Fahrzeugs
WO2020016385A1 (de) Verfahren und system zum bestimmen einer position eines fahrzeugs
DE102018116633A1 (de) Vorrichtung und verfahren zum steuern einer fahrmodusumschaltung eines fahrzeugs und fahrzeugsystem
DE102011005844A1 (de) Automatische Steuerung eines Fahrzeugs
DE102018119867B4 (de) Autonome Verhaltenssteuerung unter Verwendung von Richtlinienauslösung und -ausführung
WO2019215222A1 (de) Verfahren zum betreiben eines kraftfahrzeugs zur verbesserung von arbeitsbedingungen von auswerteeinheiten des kraftfahrzeugs, steuersystem zum durchführen eines derartigen verfahrens sowie kraftfahrzeug mit einem derartigen steuersystem
DE102019133970A1 (de) Steuern eines Ego-Fahrzeugs in einer Umgebung einer Vielzahl von Durchfahrten
DE102017200580A1 (de) Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge
DE102019207721A1 (de) Lenkvorrichtung und zugehöriges Lenksteuerverfahren
DE102020131949A1 (de) System und verfahren zum erlernen einer fahrerpräferenz und zum anpassen einer spurzentrierungssteuerung an ein fahrerverhalten
DE102022112059B3 (de) Verfahren, System und Computerprogrammprodukt zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
EP3250427B1 (de) Fahrzeugsteuervorrichtung und verfahren
DE102018133670B4 (de) Verfahren und Vorrichtung zum Erzeugen von Steuersignalen zum Unterstützen von Insassen eines Fahrzeugs
DE102022112395A1 (de) Von kreuzungsknoten unterstützte hochauflösende kartierung
DE102021114077A1 (de) System zum Erweitern der Funktionalität einer durch Schlussfolgerungssysteme auf Symbolik/Logik-Basis erzeugten Hypothese
DE102020103754A1 (de) Hyper-assoziation im episodenspeicher
DE102017221634B4 (de) Kraftfahrzeug mit einem Fahrzeugführungssystem, Verfahren zum Betrieb eines Fahrzeugführungssystems und Computerprogramm
DE102020103505A1 (de) Kognitive prozessor vorsteuerung- und rückkopplung integration in autonome systeme
DE102019214935A1 (de) Steuerung eines Fahrzeugs
WO2023083474A1 (de) Verfahren zur unterstützenden oder automatisierten fahrzeugführung
DE102021113767A1 (de) Überwachungseinrichtung und Verfahren zum Überwachen eines Gesamtsystems aus mehreren unterschiedlichen Teilsystemen auf Fehler und Kraftfahrzeug

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R081 Change of applicant/patentee

Owner name: HITACHI ASTEMO, LTD., HITACHINAKA-SHI, JP

Free format text: FORMER OWNER: HITACHI AUTOMOTIVE SYSTEMS, LTD., HITACHINAKA-SHI, IBARAKI, JP