DE202017105656U1 - Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system - Google Patents

Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system Download PDF

Info

Publication number
DE202017105656U1
DE202017105656U1 DE202017105656.2U DE202017105656U DE202017105656U1 DE 202017105656 U1 DE202017105656 U1 DE 202017105656U1 DE 202017105656 U DE202017105656 U DE 202017105656U DE 202017105656 U1 DE202017105656 U1 DE 202017105656U1
Authority
DE
Germany
Prior art keywords
module
variable
modules
measuring system
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE202017105656.2U
Other languages
German (de)
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE202017105656.2U priority Critical patent/DE202017105656U1/en
Publication of DE202017105656U1 publication Critical patent/DE202017105656U1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

System, insbesondere ein prädiktives Messsystem (23) umfassend ein tiefes neuronales Netz, das zum Ermitteln zumindest einer zukünftigen Ausgangsgröße (ỹt+1) abhängig von zumindest einer aktuellen Eingangsgröße (xt) eingerichtet ist, umfassend: – zwei wenigstens mittelbar, insbesondere unmittelbar, hintereinander geschaltete Module (24, 25) und eine Erfassungseinheit (210), wobei die Erfassungseinheit (210) eingerichtet ist, um die aktuelle Eingangsgröße (xt) zu erfassen und die aktuelle Eingangsgröße (xt) an mindestens eines der Module (24, 25) zu übermitteln und wobei die Module (24, 25) zum Ermitteln der zukünftigen Ausgangsgröße (ỹt+1) abhängig von der aktuellen Eingangsgröße (xt) und abhängig von einer vorhergehenden Zwischengröße (mt-1) eingerichtet sind, wobei – zumindest eines dieser zwei Module (24, 25) ein rekurrentes Modul (25) ist und das rekurrente Modul (25) eingerichtet ist, um eine aktuelle Zwischengröße (mt) abhängig von einer aktuellen inneren Eingangsgröße (zt) des rekurrenten Moduls (25) und abhängig von der vorhergehenden Zwischengröße (mt-1) zu ermitteln, wobei – die vorhergehende Zwischengröße (mt-1) abhängig von einer vorhergehenden Eingangsgröße (xt-1) des Systems mittels des rekurrenten Moduls (25) des Systems ermittelt wurde.System, in particular a predictive measuring system (23) comprising a deep neural network, which is set up to determine at least one future output variable (ỹt + 1) as a function of at least one current input variable (xt), comprising: - two at least indirectly, in particular directly, one behind the other switched modules (24, 25) and a detection unit (210), wherein the detection unit (210) is adapted to detect the current input quantity (xt) and the current input quantity (xt) to at least one of the modules (24, 25) and wherein the modules (24, 25) are arranged for determining the future output variable (ỹt + 1) as a function of the current input variable (xt) and dependent on a preceding intermediate variable (mt-1), wherein - at least one of these two modules ( 24, 25) is a recurrent module (25) and the recurrent module (25) is arranged to set a current intermediate size (mt) dependent on a current one internal input (zt) of the recurrent module (25) and dependent on the previous intermediate size (mt-1) to determine where - the previous intermediate size (mt-1) depending on a previous input (xt-1) of the system by means of the recurrent Module (25) of the system was determined.

Description

Technisches GebietTechnical area

Die Erfindung betrifft ein prädiktives Messsystem, welches insbesondere ein tiefes neuronales Netz umfassen kann, das zum Ermitteln einer zukünftigen Ausgangsgröße abhängig von einer Eingangsgröße eingerichtet ist. Ferner betrifft die Erfindung ein Aktorsteuerungssystem, welches das prädiktive Messsystem umfasst. Das Aktorsteuerungssystem ist dafür eingerichtet, einen Aktor mittels einer zukünftigen Aktoransteuerungsgröße abhängig von einer aktuellen Eingangsgröße zu steuern. Ebenso betrifft die Erfindung eine Vorrichtung zum Betreiben des prädiktiven Messsystems oder des Aktorsteuerungssystems.The invention relates to a predictive measuring system, which may in particular comprise a deep neural network, which is set up to determine a future output variable as a function of an input variable. Furthermore, the invention relates to an actuator control system comprising the predictive measuring system. The actuator control system is configured to control an actuator by means of a future actuator drive quantity dependent on a current input. Likewise, the invention relates to a device for operating the predictive measuring system or the actuator control system.

Stand der TechnikState of the art

Aus der US 544 848 A ist ein Verfahren zum Erkennen der Anwesenheit eines Fahrzeugs in einer Verkehrsszene mit einem neuronalen Netz bekannt. Das neuronale Netz umfasst Eingangseinheiten, versteckte Einheiten und Ausgabeeinheiten, wobei eine Ausgabe von jeder der genannten Eingangseinheiten mit einem Eingang von jeder der versteckten Einheiten verbunden ist. Ein Ausgang ist von jeder der versteckten Einheiten mit einem Eingang von jeder der Ausgabeeinheiten verbunden. Das neuronale Netz erzeugt ein Ausgangssignal an jeder der Ausgabeeinheiten und gibt an, ob in einer Detektionszone ein Fahrzeug detektiert wurde.From the US 544 848 A For example, a method is known for detecting the presence of a vehicle in a traffic scene with a neural network. The neural network comprises input units, hidden units and output units, an output of each of said input units being connected to an input of each of the hidden units. An output is connected from each of the hidden units to an input of each of the output units. The neural network generates an output signal at each of the output units and indicates whether a vehicle has been detected in a detection zone.

Die Erfindung hat demgegenüber den Vorzug, dass diese eine Vorhersage für einen zukünftigen Zeitpunkt treffen kann, ob sich das Fahrzeug in einer nachfolgenden Verkehrsszene in der Detektionszone befinden wird.By contrast, the invention has the advantage that it can make a prediction for a future point in time whether the vehicle will be in the detection zone in a subsequent traffic scene.

Damit ist es möglich, basierend auf dem aktuellen Eingangssignal direkt den Zustand des Eingangssignals zu einem Zeitpunkt in der Zukunft zu prognostizieren. Dieses prädiktive Verhalten ist wünschenswert, da hiermit zum Beispiel schneller eine sicherheitsrelevante Handlung eingeleitet werden kann wie zum Beispiel eine Notbremsung, um einen Unfall oder eine Kollision zu verhindern.This makes it possible to directly predict the state of the input signal at a time in the future based on the current input signal. This predictive behavior is desirable because it can be used, for example, more quickly initiate a safety-relevant action such as emergency braking to prevent an accident or collision.

Vorteile der ErfindungAdvantages of the invention

Das erfindungsgemäße System hat demgegenüber den Vorteil, dass dieses eine zukünftige Ausgangsgröße abhängig von der aktuellen Eingangsgröße ermitteln kann. Darüber hinaus werden ein geringer Rechenaufwand und keine durch einen Menschen gelabelten Trainingsdaten zum Trainieren des prädiktiven Messsystems benötigt. Ein weiterer Vorteil ist, dass durch das prädiktive Verhalten weniger Messungen durchgeführt werden müssen. Denn durch das prädiktive Verhalten, kann basierend auf einer aktuellen Messung ein zukünftiger Zustand prognostiziert werden, der eine nachfolgende Messung charakterisiert. Dadurch ist es möglich mit weniger Messungen oder kürzere Messungen trotzdem eine hohe Messgenauigkeit durch das erfindungsgemäße System bereitzustellen, wodurch auch die Effizienz der Messungen erhöht wird. In contrast, the system according to the invention has the advantage that it can determine a future output variable as a function of the current input variable. In addition, low computational effort and no human-labeled training data is needed to train the predictive measurement system. Another advantage is that fewer measurements need to be made by the predictive behavior. Because by the predictive behavior, based on a current measurement, a future state can be predicted, which characterizes a subsequent measurement. This makes it possible, with fewer measurements or shorter measurements, nevertheless to provide a high measuring accuracy by the system according to the invention, which also increases the efficiency of the measurements.

Offenbarung der ErfindungDisclosure of the invention

In einem ersten Aspekt betrifft die Erfindung ein System, insbesondere ein prädiktives Messsystem, das zum Ermitteln zumindest einer zukünftigen Ausgangsgröße abhängig von zumindest einer aktuellen Eingangsgröße eingerichtet ist. Das prädiktive Messsystem kann insbesondere ein tiefes neuronales Netz umfassen. Das System umfasst folgende Merkmale: Zwei wenigstens mittelbar, insbesondere unmittelbar, hintereinander geschaltete Module und eine Erfassungseinheit. Dabei ist die Erfassungseinheit eingerichtet, um eine aktuelle Eingangsgröße zu erfassen und diese mindestens an eines der Module zu übermitteln. Die Module sind dafür eingerichtet, die zukünftige Ausgangsgröße abhängig von der aktuellen Eingangsgröße und abhängig von einer vorhergehenden Zwischengröße zu ermitteln. Zumindest eines dieser zwei Module ist ein rekurrentes Modul und das rekurrente Modul ist dafür eingerichtet, eine aktuelle Zwischengröße abhängig von einer aktuellen inneren Eingangsgröße des rekurrenten Moduls und abhängig von der vorhergehenden Zwischengröße zu ermitteln. Dabei wurde die vorhergehende Zwischengröße abhängig von einer vorhergehenden Eingangsgröße des Systems mittels des rekurrenten Moduls des Systems ermittelt.In a first aspect, the invention relates to a system, in particular a predictive measuring system, which is set up to determine at least one future output variable as a function of at least one current input variable. The predictive measuring system may in particular comprise a deep neural network. The system comprises the following features: Two modules, at least indirectly, in particular directly, one behind the other, and a detection unit. In this case, the detection unit is set up to detect a current input variable and to transmit it to at least one of the modules. The modules are designed to determine the future output variable depending on the current input variable and dependent on a previous intermediate variable. At least one of these two modules is a recurrent module and the recurrent module is adapted to determine a current intermediate size depending on a current internal input of the recurrent module and dependent on the previous intermediate size. The previous intermediate variable was determined as a function of a previous input of the system by means of the recurrent module of the system.

Unter wenigstens mittelbar, insbesondere unmittelbar, hintereinander geschalteten Modulen kann verstanden werden, dass ein Eingang eines Moduls unmittelbar mit einem Ausgang des vorherigen Moduls verbunden sein kann. Ebenso kann darunter verstanden werden, dass die Verschaltung der Eingänge der Module mittelbar mit den Ausgängen der vorherigen Modulen verschaltet sein können, wobei zwischen den Ausgängen und Eingängen der jeweiligen Modulen eine weitere Komponente, wie zum Beispiel ein Filter, dazwischen geschaltet sein kann. By at least indirectly, in particular directly, modules connected in series can be understood that an input of a module can be connected directly to an output of the previous module. Likewise, it can be understood that the interconnection of the inputs of the modules can be interconnected indirectly with the outputs of the previous modules, wherein between the outputs and inputs of the respective modules, a further component, such as a filter, can be connected in between.

Die aktuelle Eingangsgröße ist diejenige Eingangsgröße aus einer zeitlichen Abfolge von Eingangsgrößen, die einem vorgebbaren aktuellen Zeitpunkt zugeordnet ist. The current input variable is that input variable from a chronological sequence of input variables that is assigned to a predefinable current time.

Die zukünftige Ausgangsgröße ist diejenige Ausgangsgröße aus einer zeitlichen Abfolge von Ausgangsgrößen, die einem vorgebbaren nachfolgenden Zeitpunkt aus einer zeitlichen Abfolge von Ausgangsgrößen zugeordnet ist. Dabei ist die aktuelle Zwischengröße diejenige Zwischengröße aus einer zeitlichen Abfolge von Zwischengrößen, die dem vorgebbaren aktuellen Zeitpunkt zugeordnet ist. The future output variable is that output variable from a temporal sequence of output variables that is assigned to a predefinable subsequent time from a time sequence of output variables. The current intermediate size is the intermediate size a temporal sequence of intermediate variables, which is assigned to the predefinable current time.

Die vorhergehende Zwischengröße ist diejenige Zwischengröße aus der zeitlichen Abfolge von Zwischengrößen, die einem vorgebbaren vorhergehenden Zeitpunkt zugeordnet ist. The preceding intermediate variable is the intermediate variable from the temporal sequence of intermediate variables which is assigned to a predefinable preceding time.

Die aktuelle innere Eingangsgröße ist die Eingangsgröße des rekurrenten Moduls und kann entweder die aktuelle Eingangsgröße des Systems oder eine Ausgangsgröße eines vorhergeschalteten Moduls sein.The current inner input is the input of the recurrent module and may be either the current input of the system or an output of a pre-switched module.

Die Ausgangsgröße ist eine charakterisierende Größe der Eingangsgröße. Das System, insbesondere das prädiktive Messsystem, hat den Vorteil, dass es ermöglicht, ausschließlich auf Basis von Eingangsgrößen bis zum vorgegebenen Zeitpunkt, eine nachfolgende Ausgangsgröße zu prädizieren.The output is a characterizing size of the input. The system, in particular the predictive measuring system, has the advantage that it makes it possible to predict a subsequent output variable exclusively on the basis of input variables up to the predefined time.

In einer besonders vorteilhaften Weiterentwicklung umfasst das System zusätzlich eine Aktorsteuereinheit, welche zum Steuern eines Aktors abhängig von der zukünftigen Ausgangsgröße des Systems eingerichtet ist. Ein Aktor kann beispielhaft ein Fahrzeug sein und das System der besonders vorteilhaften Weiterentwicklung, insbesondere ein Aktorsteuerungssystem, steuert das Fahrzeug, um zum Beispiel Kollisionen des Fahrzeuges mit anderen Verkehrsteilnehmern oder mit Gegenständen zu prädizieren und zu vermeiden. Des Weiteren kann das System auch auf dynamisch ändernde Verkehrszeichen, z.B. eine Ampel, oder Veränderungen der Fahrverhalten der benachbarten Fahrzeuge den Aktor, in diesem Fall insbesondere den Motor oder das Fahrzeug, ansteuern, sodass das Fahrverhalten des Fahrzeuges auf die veränderte Verkehrssituation angepasst werden kann. Der Aktor kann alternativ auch eine zumindest teilautonomen Maschine oder ein zumindest teilautonomer Roboter sein, aber auch ein Alarmanlage sein, welche beispielsweise einen Warnton ausgibt, wenn die Aktorsteuereinheit eine bestimmte Ausgangsgrößen des prädiktiven Messsystems des Systems erhält und die Alarmanlage dementsprechend ansteuert.In a particularly advantageous further development, the system additionally comprises an actuator control unit which is set up to control an actuator as a function of the future output variable of the system. An actuator can be a vehicle by way of example, and the system of particularly advantageous further development, in particular an actuator control system, controls the vehicle in order, for example, to predict and avoid collisions of the vehicle with other road users or with objects. Furthermore, the system can also be adapted to dynamically changing traffic signs, e.g. a traffic light, or changes the driving behavior of the adjacent vehicles the actuator, in this case, in particular the engine or the vehicle, control, so that the driving behavior of the vehicle can be adapted to the changed traffic situation. Alternatively, the actuator can also be an at least semi-autonomous machine or an at least partially autonomous robot, but also an alarm system which, for example, emits a warning tone if the actuator control unit receives a certain output variable of the system's predictive measuring system and actuates the alarm system accordingly.

Besonders vorteilhaft ist, wenn eine Vorrichtung zum Betreiben des Systems eingerichtet ist. Dabei umfasst die Vorrichtung ein maschinenlesbares Speichermedium, auf dem Befehle gespeichert sind, die beim Ausführen durch einen Computer bewirken, das der Computer ein Verfahren mit den folgenden Schritten ausführt:

  • – Ermitteln einer ersten zukünftigen Ausgangsgröße mittels des Systems aus der aktuellen Eingangsgröße und der vorhergehenden Zwischengröße.
  • – Ermitteln einer zweiten zukünftigen Ausgangsgröße mittels eines weiteren Systems, insbesondere ausschließlich, aus einer nachfolgenden Eingangsgröße.
  • – Trainieren des Systems mittels der ersten zukünftigen Ausgangsgröße des Systems und der zweiten zukünftigen Ausgangsgröße des weiteren Systems. Das weitere System kann ein weiteres Messsystem sein, wenn das prädiktive Messsystem trainiert wird. Wird das Aktorsteuerungssystem, das das prädiktive Messsystem umfasst, trainiert, kann das weitere System ein weiteres Aktorsteuerungssystem, das das weitere Messsystem umfasst, sein. Die nachfolgende Eingangsgröße ist diejenige Eingangsgröße aus einer zeitlichen Abfolge von Eingangsgrößen, die einem vorgebbaren nachfolgenden Zeitpunkt zugeordnet ist. Da das System, insbesondere das prädiktive Messsystem oder das Aktorsteuerungssystem, mittels eines weiteren Systems trainiert wird, werden keine gelabelten Trainingsdaten benötigt, da während des Trainieren des Systems die Label der Trainingsdaten durch das weitere System generiert werden. Die Module des Systems, insbesondere des prädiktiven Messsystems, weisen eine parametrisierbare Struktur auf, die durch eine Übertragungsfunktion charakterisiert werden kann. Dabei gibt die Übertragungsfunktion für eine gegebene Parametrisierung der Struktur an, welche Ausgangsgröße das Modul für die gegebene Eingangsgröße ermittelt. Während des Trainings wird die Parametrisierung der Struktur des Moduls optimiert, sodass das Modul für eine gegebene Eingangsgröße eine gewünschte Ausgangsgröße generiert. Das Trainieren des Systems umfasst dabei die Optimierung einer Parametrisierung von zumindest einem Modul des prädiktiven Messsystems. Für das Trainieren des Systems können unterschiedliche Trainingsgrößen verwendet werden, wie zum Beispiel die Ausgangsgröße des Systems und die des weiteren Systems, um abhängig von diesen einen Fehler zu ermitteln. In Abhängigkeit von dem ermittelten Fehler wird die Parametrisierung der Module des Systems nach einer vorgebbaren Methode angepasst bzw. optimiert, sodass der Fehler kleiner wird. Sobald der Fehler verschwindet oder innerhalb eines vorgegebenen Toleranzbereiches liegt, kann das Trainieren des Systems, insbesondere des prädiktiven Messsystems, beendet werden.
It is particularly advantageous if a device for operating the system is set up. In this case, the device comprises a machine-readable storage medium on which are stored instructions which, when executed by a computer, cause the computer to carry out a method with the following steps:
  • - Determining a first future output by means of the system of the current input and the previous intermediate size.
  • - Determining a second future output by means of another system, in particular exclusively, from a subsequent input.
  • - Training the system by means of the first future output of the system and the second future output of the other system. The other system may be another measuring system if the predictive measuring system is trained. When the actuator control system comprising the predictive measurement system is trained, the further system may be another actuator control system comprising the further measurement system. The subsequent input variable is that input variable from a time sequence of input variables which is assigned to a predefinable subsequent time. Since the system, in particular the predictive measuring system or the actuator control system, is trained by means of a further system, no labeled training data is required because during training of the system the labels of the training data are generated by the further system. The modules of the system, in particular of the predictive measuring system, have a parameterizable structure that can be characterized by a transfer function. For a given parameterization of the structure, the transfer function indicates which output variable the module determines for the given input variable. During training, the parameterization of the structure of the module is optimized so that the module generates a desired output for a given input. The training of the system comprises the optimization of a parameterization of at least one module of the predictive measuring system. For training the system different training variables can be used, such as the output of the system and those of the other system, in order to determine an error depending on these. Depending on the detected error, the parameterization of the modules of the system is adjusted or optimized according to a predefinable method, so that the error becomes smaller. As soon as the error disappears or lies within a predetermined tolerance range, the training of the system, in particular of the predictive measuring system, can be ended.

Vorteilhafterweise umfassen die derart ausgebildeten und gespeicherten Befehle, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass die zukünftige Ausgangsgröße abhängig von der aktuellen Eingangsgröße mittels des Systems ermittelt wird.Advantageously, the instructions thus formed and stored include that the process performed by the computer when these instructions are executed on the computer is such that the future output is determined by the system depending on the current input.

In einer weiteren vorteilhaften Ausführungsform ist das rekurrente Modul ein LSTM-Modul, wobei ein LSTM-Modul ein Lang-/Kurzzeitgedächtnis-Modul (Long Short Term Memory-Modul) ist.In a further advantageous embodiment, the recurrent module is an LSTM module, wherein an LSTM module is a long-term memory module (Long Short Term Memory Module).

In einer vorteilhaften Weiterentwicklung umfasst das weitere System eine Mehrzahl von Modulen. Dabei sind die gespeicherten Befehle derart ausgebildet, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass bei dem Trainieren des Systems zusätzlich eine Differenz zwischen einer inneren Ausgangsgröße eines der Module des Systems und einer inneren Ausgangsgröße eines der Module des weiteren Systems berücksichtig wird. Die Differenz zwischen den inneren Ausgangsgrößen kann als ein Abstandsmaß zwischen zwei Größen definiert sein, insbesondere ein logarithmisch berechnetes Abstandsmaß, wie zum Beispiel eine Kreuzentropie.In an advantageous further development, the further system comprises a plurality of modules. The stored instructions are arranged such that the process that the computer performs when executing these instructions on the computer is such that, when the system is trained, there is additionally a difference between an internal output of one of the modules of the system and an internal one Output size of one of the modules of the other system is taken into account. The difference between the inner output quantities may be defined as a distance measure between two quantities, in particular a logarithmically calculated distance measure, such as, for example, a cross entropy.

Vorteilhaft ist, wenn das System, insbesondere das prädiktive Messsystem oder das Aktorsteuerungssystem, mindestens ein Modul aufweist, das zumindest verhaltensgleich wie ein Modul des weiteren Systems, insbesondere weiteren Messsystems oder weiteren Aktorsteuerungssytems, ist und die gespeicherten Befehle derart ausgebildet sind, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass das Trainieren des Systems zumindest das Trainieren eines nicht verhaltensgleichen Moduls des Systems, verglichen mit einem jeden Modul des weiteren Systems, umfasst.It is advantageous if the system, in particular the predictive measuring system or the actuator control system, has at least one module which is at least equal in behavior to a module of the further system, in particular a further measuring system or further Aktorsteuerungssemsem, and the stored commands are designed such that the method, the computer executes when executing these instructions on the computer, such that training the system at least includes training a non-behavioral module of the system as compared to each module of the further system.

Ein Modul ist zu einem zweiten Modul verhaltensgleich, wenn für eine Menge an Eingangsgrößen die Ausgangsgrößen des Moduls identisch oder ähnlich mit einer Abweichungen innerhalb eines vorgegebenen Toleranzbereiches zu den Ausgangsgrößen des zweiten Moduls sind, welches dieselben Eingangsgrößen erhält. Das impliziert, dass ein verhaltensgleiches Modul die Menge an Eingangsgrößen auf jeweils dieselben oder innerhalb einem vorgegebenen Toleranzbereich ähnliche Ausgangsgrößen abbildet wie das zweite Modul. Dabei ist die Abbildung des verhaltensgleichen Moduls der Eingangsgrößen auf die Ausgangsgrößen identisch oder ähnlich mit Abweichungen innerhalb eines vorgegebenen Toleranzbereichs zu der Abbildung des zweiten Moduls der Eingangsgrößen auf die Ausgangsgrößen. Die Abbildung erfolgt über eine Übertragungsfunktion des Moduls, wobei die Übertragungsfunktion von der Parametrisierung der Struktur des Moduls abhängig ist. Die Abbildung kann aber auch durch eine hinterlegte Tabelle für das jeweilige Modul definiert sein, wobei die Tabelle die Zuordnung der Ausgangsgrößen für gegebene Eingangsgrößen umfasst. Es sei angemerkt, dass ein verhaltensgleiches Modul zu einem zweiten Modul nicht voraussetzt, dass die charakterisierenden Strukturen der Übertragungsfunktionen der Modulen oder die hinterlegten Tabellen der Module identisch sein müssen, jedoch setzt ein verhaltensgleiches Modul zu einem zweiten Modul voraus, dass die erzielten Abbildungen der jeweiligen Übertragungsfunktionen oder Tabellen der Module identisch bzw. ähnlich mit Abweichungen innerhalb eines vorgegebenen Toleranzbereichs sind.A module is behaviorally equal to a second module if for a set of inputs the outputs of the module are identical or similar with deviations within a predetermined tolerance range to the outputs of the second module receiving the same inputs. This implies that a behaviorally similar module maps the set of input quantities to output values that are the same or similar within a predetermined tolerance range as the second module. In this case, the mapping of the behavior-like modulus of the input variables to the output variables is identical or similar with deviations within a predefined tolerance range from the mapping of the second modulus of the input variables to the output variables. The mapping takes place via a transfer function of the module, whereby the transfer function depends on the parameterization of the structure of the module. However, the mapping can also be defined by a stored table for the respective module, wherein the table comprises the assignment of the output variables for given input variables. It should be noted that a behaviorally similar module to a second module does not require that the characterizing structures of the transfer functions of the modules or the stored tables of the modules must be identical, however, a behaviorally equal module to a second module presupposes that the obtained images of the respective Transfer functions or tables of the modules are identical or similar with deviations within a specified tolerance range.

Besonders vorteilhaft ist, wenn das Modul des Systems, welches verhaltensgleich wie ein Modul des weiteren Systems ist, die gleiche parametrisierte Struktur wie das Modul des weiteren Systems umfasst.It is particularly advantageous if the module of the system which has the same behavior as a module of the further system has the same parameterized structure as the module of the further system.

Ebenfalls besonders vorteilhaft ist, wenn das Modul des Systems, welches verhaltensgleich wie ein Modul des weiteren Systems ist, eine komprimierte parametrisierte Struktur des Modul des weiteren Systems umfasst.It is also particularly advantageous if the module of the system which has the same behavior as a module of the further system comprises a compressed parameterized structure of the module of the further system.

In einer vorteilhaften Weiterentwicklung sind die gespeicherten Befehle derart ausgebildet, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass mindestens ein Modul des Systems, das verhaltensgleich wie ein Modul des Systems ist, während des Trainierens des Systems nicht trainiert wird.In an advantageous further development, the stored instructions are arranged such that the method performed by the computer when executing these instructions on the computer is such that at least one module of the system that is behaving as a module of the system during the time period Training the system is not trained.

Ausführungsbeispiele der vorliegenden Erfindung sind in den beiliegenden Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Dabei zeigen:Embodiments of the present invention are illustrated in the accompanying drawings and explained in more detail in the following description. Showing:

Kurze Beschreibung der ZeichnungenBrief description of the drawings

1 eine schematische Darstellung eines Messsystems, das aus einer erfassten Eingangsgröße eine Ausgangsgröße ermittelt; 1 a schematic representation of a measuring system which determines an output variable from a detected input variable;

2A eine schematische Darstellung einer Ausführungsform des erfindungsgemäßen Systems, insbesondere prädiktiven Messsystems, das aus einer erfassten Eingangsgröße in Abhängigkeit von einer Zwischengröße eine zukünftige Ausgangsgröße ermittelt; 2A a schematic representation of an embodiment of the system according to the invention, in particular a predictive measuring system, which determines a future output variable from a detected input variable as a function of an intermediate variable;

2B eine schematische Darstellung einer alternativen Ausführungsform des erfindungsgemäßen Systems, das aus einer erfassten Eingangsgröße eine zukünftige Aktoransteuerungsgröße ermittelt; 2 B a schematic representation of an alternative embodiment of the system according to the invention, which determines a future Aktoransteuerungsgröße from a detected input variable;

3 eine schematische Darstellung einer Ausführungsform eines Verfahrens, das auf einem Computer ausgeführt wird, zum Betreiben des erfindungsgemäßen Systems, insbesondere prädiktiven Messsystems; 3 a schematic representation of an embodiment of a method which is carried out on a computer, for operating the system according to the invention, in particular a predictive measuring system;

4 eine schematische Darstellung einer Ausführungsform zum Trainieren des erfindungsgemäßen Systems mittels eines weiteren Systems; 4 a schematic representation of an embodiment for training the system according to the invention by means of another system;

5 eine schematische Darstellung einer Ausführungsform eines Verfahrens, das auf einem Computer ausgeführt wird, zum Betreiben des Systems, insbesondere eines Aktorsteuerungssystems. 5 a schematic representation of an embodiment of a method that is performed on a computer, for operating the system, in particular an actuator control system.

1 zeigt eine schematische Darstellung eines Messsystems (10), welches über eine Erfassungseinheit (110) eine aktuelle Eingangsgröße (xt) erhält und daraus eine Ausgangsgröße (yt) ermittelt. Die Eingangsgröße (xt) stammt dabei aus einem Datenstrom, aus dem die Erfassungseinheit (110) die Eingangsgröße (xt) erfasst. Die ermittelten Ausgangsgrößen des Messsystems (10) in Abhängigkeit von den erfassten Eingangsgrößen aus dem Datenstrom, bilden einen Datenstrom mit Ausgangsgrößen des Messsystems (10). Es sei angemerkt, dass die Eingangsgröße (xt) und die Ausgangsgröße (yt) mehrdimensionale Größen sein können. 1 shows a schematic representation of a measuring system ( 10 ), which via a registration unit ( 110 ) receives a current input variable (x t ) and determines therefrom an output variable (y t ). The input variable (x t ) originates from a data stream from which the detection unit ( 110 ) detects the input quantity (x t ). The determined output variables of the measuring system ( 10 ) as a function of the detected input variables from the data stream, form a data stream with output variables of the measuring system ( 10 ). It should be noted that the input (x t ) and the output (y t ) may be multi-dimensional quantities.

Das Messsystem (10) umfasst zwei Module (11, 12), die unmittelbar hintereinander miteinander verbunden sind, wobei das Modul (12) die aktuelle Eingangsgröße (xt) erhält und die Ausgangsgröße des Moduls (12) eine Eingangsgröße des Moduls (11) ist. Abhängig von der Eingangsgröße des Moduls (11) wird eine Ausgangsgröße des Moduls (11) ermittelt, die auch die Ausgangsgröße (yt) des Messsystems (10) ist. Die Struktur des Messsystems (10) muss nicht zwingend die abgebildete Struktur des Messsystems (10) nach 1 aufweisen. Denkbar sind auch andere Strukturen des Messsystems (10) mit beispielsweise nur einen Modul (11) oder mit mehr als zwei Modulen (11, 12).The measuring system ( 10 ) comprises two modules ( 11 . 12 ) connected in immediate succession, the module ( 12 ) receives the current input value (x t ) and the output value of the module ( 12 ) an input of the module ( 11 ). Depending on the input size of the module ( 11 ), an output of the module ( 11 ), which also determines the output variable (y t ) of the measuring system ( 10 ). The structure of the measuring system ( 10 ) does not necessarily have the depicted structure of the measuring system ( 10 ) to 1 exhibit. Also conceivable are other structures of the measuring system ( 10 ) with, for example, only one module ( 11 ) or with more than two modules ( 11 . 12 ).

Die Ausgangsgröße (yt) des Messsystems (10) kann dazu verwendet werden um beispielsweise mittels einer Einheit (120), z.B. einer Aktorsteuereinheit, einen Aktor, der in 1 nicht dargestellt ist, anzusteuern. Alternativ kann die Einheit (120) ein Anzeigesystem sein, welches die Ausgangsgröße (yt) optisch oder akustisch ausgeben oder darstellen kann. The output (y t ) of the measuring system ( 10 ) can be used, for example, by means of a unit ( 120 ), eg an actuator control unit, an actuator which is in 1 not shown, to drive. Alternatively, the unit ( 120 ) may be a display system which can output or output the output quantity (y t ) optically or acoustically.

Bevorzugt sind die Module (11, 12) bereits trainierte künstliche neuronale Netze, insbesondere tiefe neuronale Netze, die aus der Eingangsgröße des Moduls (11, 12) eine Ausgangsgröße (yt) ermitteln. Ein tiefes neuronales Netz ist dadurch gekennzeichnet, dass es aus einer Mehrzahl von nacheinander folgenden Schichten besteht, wobei die Schichten jeweils eine Mehrzahl von Neuronen umfassen. Dabei sind die Eingänge der Neuronen einer Schicht jeweils mit den Ausgängen der Neuronen aus einer vorhergehenden Schicht verbunden, und die Ausgänge der Neuronen der Schicht jeweils mit den Eingängen der Neuronen der nachfolgenden Schicht verbunden. Alternativ ist denkbar, dass das künstliche neuronale Netz auch andere Architekturen der einzelnen Schichten aufweisen kann, wie zum Beispiel ein tiefes neuronales Faltungsnetz. Bei einem tiefen neuronalen Faltungsnetz wird mittels eines Filters die Eingangsgröße der Faltungsschicht gefiltert. Unter einem bereits trainierten künstlichen neuronalen Netz wird ein Netz verstanden, welches für bekannte Eingangsgrößen mit zugehörigen bekannten Ausgangsgrößen, die jeweils richtigen Ausgangsgrößen ermittelt.The modules are preferably ( 11 . 12 ) already trained artificial neural networks, in particular deep neural networks, from the input size of the module ( 11 . 12 ) determine an output variable (y t ). A deep neural network is characterized in that it consists of a plurality of successive layers, the layers each comprising a plurality of neurons. In this case, the inputs of the neurons of one layer are each connected to the outputs of the neurons from a preceding layer, and the outputs of the neurons of the layer are each connected to the inputs of the neurons of the following layer. Alternatively, it is conceivable that the artificial neural network may also have other architectures of the individual layers, such as a deep neural folding network. In a deep neural convolution network, the input variable of the convolution layer is filtered by means of a filter. Under an already trained artificial neural network, a network is understood, which determines for known input variables with associated known output variables, each of the correct output variables.

2A zeigt eine schematische Darstellung einer Ausführungsform des erfindungsgemäßen Systems als prädiktiven Messsystems (23). Ebenfalls wie das Messsystem in 1, erhält das prädiktive Messsystem (23), mittels einer Erfassungseinheit (210), eine aktuelle Eingangsgröße (xt). Abhängig von der aktuellen Eingangsgröße (xt) ermittelt das prädiktive Messsystem (23) eine zukünftige Ausgangsgröße (ỹt+1). Die zukünftige Ausgangsgröße (ỹt+1) ist diejenige Ausgangsgröße aus einer zeitlichen Abfolge von Ausgangsgrößen, die einem vorgegebenen nachfolgenden Zeitpunkt aus einer zeitlichen Abfolge von Ausgangsgrößen zugeordnet ist. 2A shows a schematic representation of an embodiment of the system according to the invention as a predictive measuring system ( 23 ). Also like the measuring system in 1 , receives the predictive measuring system ( 23 ), by means of a registration unit ( 210 ), a current input (x t ). Depending on the current input variable (x t ), the predictive measuring system ( 23 ) a future output (ỹ t + 1 ). The future output variable (ỹ t + 1 ) is that output variable from a temporal sequence of output variables which is assigned to a predefined subsequent time from a time sequence of output variables.

Beispielsweise kann die zukünftige Ausgangsgröße (ỹt+1) des prädiktiven Messsystems (23) dafür verwendet werden, eine Einheit (220) anzusteuern. Bevorzugt ist die Einheit (220) eine Aktorsteuerungseinheit, die in Abhängigkeit von der zukünftigen Ausgangsgröße (ỹt+1) einen Aktor ansteuert. Dabei weist die Einheit (220) eine hinterlegte Tabelle oder Funktion auf, mittels der die Ausgangsgröße der Einheit (220) abhängig von der zukünftigen Ausgangsgröße (ỹt+1) ermittelt wird. Alternativ kann die Einheit (220) auch eine Anzeigeeinheit sein, welche die ermittelte zukünftige Ausgangsgröße (ỹt+1) der aktuellen Eingangsgröße (xt) darstellt.For example, the future output (ỹ t + 1 ) of the predictive measurement system ( 23 ) are used to create a unit ( 220 ) head for. The unit is preferably ( 220 ) An actuator control unit which controls an actuator in dependence on the future output variable (ỹ t + 1 ). The unit ( 220 ) has a stored table or function by which the output size of the unit ( 220 ) is determined depending on the future output quantity (ỹ t + 1 ). Alternatively, the unit ( 220 ) also be a display unit, which represents the determined future output variable (ỹ t + 1 ) of the current input variable (x t ).

Das prädiktive Messsystem (23) umfasst mehrere Module (24, 25, 26), wobei mindestens ein Modul ein rekurrentes Modul (25) ist. Insbesondere ist das rekurrente Modul (25) dafür eingerichtet, abhängig von einer aktuellen inneren Eingangsgröße (zt) des rekurrenten Moduls (25) und einer vorhergehenden Zwischengröße (mt-1), eine aktuelle Ausgangsgröße des rekurrenten Moduls (25) und eine aktuelle Zwischengröße (mt) zu ermitteln. Es sei angemerkt, dass die aktuelle innere Eingangsgröße (zt), wie in 2A dargestellt, eine Ausgangsgröße eines vorhergehenden Moduls (26) sein kann, aber auch die aktuelle Eingangsgröße (xt) des prädiktiven Messsystems (23) sein kann.The predictive measuring system ( 23 ) comprises several modules ( 24 . 25 . 26 ), where at least one module is a recurring module ( 25 ). In particular, the recurrent module ( 25 ), depending on a current internal input (z t ) of the recurrent module ( 25 ) and a preceding intermediate variable (m t-1 ), a current output of the recurrent module ( 25 ) and a current intermediate size (m t ). It should be noted that the current internal input (z t ), as in 2A shown, an output of a previous module ( 26 ), but also the current input quantity (x t ) of the predictive measuring system ( 23 ) can be.

Bevorzugt sind die Module (24, 25, 26) trainierte tiefe neuronale Netze, wobei das rekurrente Modul (21) ein trainiertes tiefes rekurrentes neuronale Netz ist. Das tiefe rekurrente neuronale Netz ist dadurch gekennzeichnet, dass im Gegensatz zu einem tiefen neuronalen Netz, zusätzlich eine vorhergehende Zwischengröße (mt-1) zum Ermitteln der Ausgangsgröße des tiefen neuronalen Netzes verwendet wird. Die vorhergehende Zwischengröße (mt-1) ist dabei eine Größe, die abgängig von einer vorhergehenden Eingangsgröße (xt-1) des prädiktiven Messsystems (23) durch das rekurrente Modul (25) ermittelt wurde. Die vorhergehende Zwischengröße (mt-1) kann beispielsweise in dem tiefen rekurrenten neuronalen Netz in Form einer Verbindung eines Ausganges eines Neurons einer Schicht zu mindestens einem Eingang eines Neurons derselben oder einer vorhergehenden Schicht realisiert sein. Dabei leitet die Verbindung eine Ausgangsgröße des Neurons zurück und die Ausgangsgröße des Neurons wird in einem vorherigen Neuron für eine nachfolgende Berechnung wiederverwendet. Ebenso ist es denkbar, dass das tiefe rekurrente neuronale Netz anderweitige Architekturen aufweist, die durch eine Rückkopplung eines Ausgangs eines Neurons einer Schicht zu einem Neuronen in einer vorherigen und/oder gleichen Schicht kennzeichnet sind. Bevorzugt umfasst das rekurrente Modul (25) ein Lang-/Kurzzeitgedächtnis-Modell (LSTM-Modell), welches durch eine Gedächtniszelle eine bereits berechnete Ausgangsgröße wieder verwendet.The modules are preferably ( 24 . 25 . 26 ) trained deep neural networks, with the recurrent module ( 21 ) is a trained deep recurrent neural network. The deep recurrent neural network is characterized in that, in contrast to a deep neural network, in addition a preceding intermediate variable (m t-1 ) is used to determine the output of the deep neural network. The preceding intermediate variable (m t-1 ) is a variable that is dependent on one previous input (x t-1 ) of the predictive measuring system ( 23 ) by the recurrent module ( 25 ) was determined. The preceding intermediate variable (m t-1 ) may for example be realized in the deep recurrent neural network in the form of a connection of an output of a neuron of a layer to at least one input of a neuron of the same or a previous layer. In doing so, the connection returns an output of the neuron and the output of the neuron is reused in a previous neuron for subsequent calculation. It is also conceivable that the deep recurrent neural network has other architectures that are characterized by a feedback of an output of a neuron of a layer to a neuron in a previous and / or same layer. Preferably, the recurrent module ( 25 ) a long-term / short-term memory model (LSTM model), which uses an already calculated output by a memory cell.

2B zeigt eine schematische Darstellung einer Ausführungsform des prädiktiven Messsystems (23) in einem Aktorsteuerungssystem (27). Das Aktorsteuerungssystem (27) umfasst das prädiktive Messsystem (23) und eine Aktorsteuerungseinheit (220). Das Aktorsteuerungssystem (27) bekommt die aktuelle Eingangsgröße (xt) über eine Erfassungseinheit (210) übermittelt, wobei das prädiktive Messsystem (23) abhängig von der aktuellen Eingangsgröße (xt) eine zukünftige Ausgangsgröße (ỹt+1) ermittelt. Die zukünftige Ausgangsgröße (ỹt+1) wird an die Aktorsteuerungseinheit (220) übermittelt, welche abhängig von der zukünftigen Ausgangsgröße (ỹt+1) einen Aktor (230) steuert. Bevorzugt ist der Aktor (230) ein Fahrzeug, alternativ eine zumindest teilautonome Maschine oder ein zumindest teilautonomer Roboter. 2 B shows a schematic representation of an embodiment of the predictive measuring system ( 23 ) in an actuator control system ( 27 ). The actuator control system ( 27 ) the predictive measuring system ( 23 ) and an actuator control unit ( 220 ). The actuator control system ( 27 ) receives the current input variable (x t ) via a detection unit ( 210 ), the predictive measuring system ( 23 ) determines a future output variable (ỹ t + 1 ) depending on the current input variable (x t ). The future output variable (ỹ t + 1 ) is sent to the actuator control unit ( 220 ), which depends on the future output variable (ỹ t + 1 ) an actuator ( 230 ) controls. The actuator is preferably ( 230 ) a vehicle, alternatively an at least partially autonomous machine or an at least partially autonomous robot.

3 zeigt eine Ausführungsform eines Verfahrens (30) zum Betreiben eines prädiktiven Messsystems (23). Das Verfahren (30) zum Betreiben eines prädiktiven Messsystems (23) umfasst eine Abfolge von maschinenlesbaren Befehlen auf einem maschinenlesbaren Speicherelement, die beim Ausführen durch eine Maschine bewirken, dass die Maschine eine Ausführungsform des Verfahrens (30) zum Betreiben eines prädiktiven Messsystems (23) ausführt. 3 shows an embodiment of a method ( 30 ) for operating a predictive measuring system ( 23 ). The procedure ( 30 ) for operating a predictive measuring system ( 23 ) comprises a sequence of machine-readable instructions on a machine-readable memory element which, when executed by a machine, cause the machine to execute an embodiment of the method ( 30 ) for operating a predictive measuring system ( 23 ).

In Schritt 31 wird über die Erfassungseinheit (210) die aktuelle Eingangsgröße (xt) erfasst und an das prädiktive Messsystem (23) weitergeleitet. Des Weiteren wird in Schritt 31 durch die Erfassungseinheit (210) eine nachfolgende Eingangsgröße (xt+1) erfasst und an ein weiteres Messsystem (10) weitergeleitet.In step 31 is transmitted via the registration unit ( 210 ) the current input variable (x t ) and to the predictive measuring system ( 23 ) forwarded. Furthermore, in step 31 by the registration unit ( 210 ) a subsequent input variable (x t + 1 ) is detected and sent to another measuring system ( 10 ) forwarded.

Nachdem Schritt 31 beendet wurde, wird Schritt 32 ausgeführt. In Schritt 32 ermittelt das prädiktive Messsystem (23) aus der erfassten aktuellen Eingangsgröße (xt) aus Schritt 31 und einer vorhergehenden Zwischengröße (mt-1) eine erste zukünftige Ausgangsgröße (ŷt+1). In dem nachfolgenden Schritt 33 wird mittels eines weiteren Messsystems (10), insbesondere ausschließlich, aus der erfassten nachfolgenden Eingangsgröße (xt+1) aus Schritt 31 eine zweite zukünftige Ausgangsgröße (yt+1) ermittelt.After step 31 has finished, will step 32 executed. In step 32 determines the predictive measuring system ( 23 ) from the detected current input (x t ) from step 31 and a previous intermediate size (m t-1 ) has a first future output (ŷ t + 1 ). In the following step 33 is determined by means of another measuring system ( 10 ), in particular exclusively, from the acquired subsequent input variable (x t + 1 ) from step 31 a second future output (y t + 1 ) determined.

Nachdem Schritt 33 ausgeführt wurde, folgt Schritt 34. In Schritt 34 wird das Trainieren des prädiktiven Messsystems (23) mittels der ersten zukünftigen Ausgangsgröße (ŷt+1) des prädikativen Messsystems (23) und der zweiten zukünftigen Ausgangsgröße (yt+1) des weiteren Messsystems (10) ausgeführt. Das Trainieren des prädiktiven Messsystems (23) umfasst dabei beispielhaft ein Vergleichen der zwei zukünftigen Ausgangsgrößen (ŷt+1, yt+1) der beiden Messsysteme (23, 10), wobei anschließend anhand des Vergleichens während des Trainierens in Schritt 34 die Parametrisierung der Struktur von zumindest einem der Module (24, 25, 26) optimiert wird, sodass das prädiktive Messsystem (23) ein ähnliche Ausgangsgröße generiert wie das weitere Messsystem (10) für die nachfolgende Eingangsgröße (xt+1).After step 33 was executed, follow step 34 , In step 34 will be the training of the predictive measuring system ( 23 ) by means of the first future output variable (ŷ t + 1 ) of the predicative measuring system ( 23 ) and the second future output variable (y t + 1 ) of the further measuring system ( 10 ). The training of the predictive measuring system ( 23 ) comprises by way of example a comparison of the two future output variables (ŷ t + 1 , y t + 1 ) of the two measuring systems ( 23 . 10 ), and then by comparing during exercise in step 34 the parameterization of the structure of at least one of the modules ( 24 . 25 . 26 ), so that the predictive measuring system ( 23 ) generates a similar output variable as the further measuring system ( 10 ) for the subsequent input variable (x t + 1 ).

Optional wird der Schritt 34 des Trainierens des prädiktiven Messsystems (23) für eine Menge mit einer Mehrzahl von Eingangsgrößen, erfasst mittels der Erfassungseinheit (210), ausgeführt. Dabei wird für jede Eingangsgröße der Menge jeweils die zukünftigen Ausgangsgrößen (ŷt+1, yt+1) der beiden Messsysteme miteinander verglichen, um daraus die Parametrisierung des prädiktiven Messsystems (23) zu optimieren, sodass für alle erfassten Eingangsgrößen die zukünftigen Ausgangsgrößen des prädiktiven Messsystems (23) ähnlich innerhalb einer gewissen vorgegebenen Toleranzbereichs zu den zukünftigen Ausgangsgrößen des weiteren Messsystems (10) sind.Optionally, the step 34 training of the predictive measuring system ( 23 ) for a set having a plurality of input quantities, detected by means of the detection unit ( 210 ). For each input quantity of the set, the future output variables (ŷ t + 1 , y t + 1 ) of the two measuring systems are compared with one another in order to determine the parameterization of the predictive measuring system ( 23 ), so that the future output variables of the predictive measuring system ( 23 ) similar within a certain predetermined tolerance range to the future output variables of the further measuring system ( 10 ) are.

Die Optimierung der Parametrisierung kann beispielhaft durch ein automatisiertes kombinatorisches Suchen einer geeigneten Parametrisierungsmöglichkeit durchgeführt werden. Bevorzugt aber mittels einer vorgebbaren Optimierungsmethode, um beispielsweise iterativ die optimale Parametrisierung zu berechnen unter einer Nebenbedingung, z.B. dass die zukünftigen Ausgangsgrößen (ŷt+1, yt+1) sich angleichen sollen.The optimization of the parameterization can be carried out by way of example by an automated combinatorial search for a suitable parameterization option. But preferably by means of a predetermined optimization method to, for example, iteratively calculate the optimal parameterization under a constraint condition such that future output variables (y t + 1, y t + 1) are to converge.

Alternativ kann das Trainieren des prädiktiven Messsystems (23) ein Ermitteln eines Fehlers oder einer Differenz zwischen den zukünftigen Ausgangsgrößen (ŷt+1, yt+1) der beiden Messsysteme (23, 10) umfassen. Durch den ermittelten Fehler oder der Differenz kann eine geeignete Parametrisierung der Struktur der Module (24, 25, 26) des prädiktiven Messsystems (23) ermittelt werden. Bevorzugt wird als Differenz eine Kreuzentropie zwischen der ersten zukünftigen Ausgangsgröße (ŷt+1) und der zweiten zukünftigen Ausgangsgröße (yt+1) berechnet. Anhand der Kreuzentropie kann beispielsweise ermittelt werden, welche geeignete Parametrisierung das prädiktive Messsystem (23) aufzuweisen hat. Zum Beispiel kann die Ermittlung der geeigneten Parametrisierung bzw. die Optimierung der Parametrisierung mittels einer Rückpropagation durch die Zeit (Backpropagation Through Time – BPTT) durchgeführt werden. Die Rückpropagation durch die Zeit wird unter einer Nebenbedingung einer Minimierung des Fehlers oder der Differenz der beiden zukünftigen Ausgangsgrößen (ŷt+1, yt+1), insbesondere der Kreuzentropie, durchgeführt.Alternatively, the training of the predictive measuring system ( 23 ) determining an error or a difference between the future output variables (ŷ t + 1 , y t + 1 ) of the two measuring systems ( 23 . 10 ). Due to the determined error or the difference, a suitable parameterization of the structure of the modules ( 24 . 25 . 26 ) of the predictive Measuring system ( 23 ) be determined. Preferably, the difference is calculated as a cross entropy between the first future output variable (ŷ t + 1 ) and the second future output variable (y t + 1 ). By means of the cross entropy, for example, it can be determined which suitable parameterization the predictive measuring system ( 23 ) has to show. For example, the determination of the appropriate parameterization or the optimization of the parameterization by means of a backpropagation through time (Back Propagation Through Time - BPTT) can be performed. Reverse propagation through time is performed under a constraint of minimizing the error or difference between the two future outputs (ŷ t + 1 , y t + 1 ), particularly the cross entropy.

Alternativ kann das Trainieren des prädiktiven Messsystems auch nur ein Trainieren eines einzelnen Moduls (24, 25, 26) des prädiktiven Messsystems (23) umfassen.Alternatively, the training of the predictive measuring system can only be a training of a single module ( 24 . 25 . 26 ) of the predictive measuring system ( 23 ).

Das Trainieren des prädiktiven Messsystems (23) mittels eines weiteren Messsystem (10) wird bevorzugt durch ein Lernsystem realisiert, wobei das Lernsystem das prädiktive Messsystem (23) und das weitere Messsystem (10) umfasst. Dabei erhält das prädiktive Messsystem (23) eine aktuelle Eingangsgröße (xt) und ermittelt daraus eine erste zukünftige Ausgangsgröße (ŷt+1). Das Messsystem (10) ermittelt abhängig von einer nachfolgenden Eingangsgröße (xt+1) eine zweite zukünftige Ausgangsgröße (yt+1). Die nachfolgende Eingangsgröße (xt+1) zur aktuellen Eingangsgröße (xt) kann dabei eine direkt nachfolgende Eingangsgröße zur aktuellen Eingangsgröße sein, aber auch eine Eingangsgröße sein, die mehrere Zeitpunkte relativ gesehen später zur aktuellen Eingangsgröße (xt), mittels der Erfassungseinheit (210), erfasst wird. Das Lernsystem kann beispielhaft dafür eingerichtet sein, das prädiktive Messsystem (23) in Schritt 34 zu trainieren.The training of the predictive measuring system ( 23 ) by means of a further measuring system ( 10 ) is preferably implemented by a learning system, wherein the learning system the predictive measuring system ( 23 ) and the further measuring system ( 10 ). The predictive measuring system ( 23 ) a current input variable (x t ) and determines therefrom a first future output variable (ŷ t + 1 ). The measuring system ( 10 ) determines, depending on a subsequent input variable (x t + 1 ), a second future output variable (y t + 1 ). The following input variable (x t + 1 ) to the current input variable (x t ) can be a directly following input to the current input, but also an input that several times relatively later seen to the current input (x t ), by means of the detection unit ( 210 ). The learning system can be set up by way of example to use the predictive measuring system ( 23 ) in step 34 to train.

4 zeigt eine mögliche Ausführungsform des Lernsystems zum Trainieren des prädiktiven Messsystems (23). 4 zeigt beispielhaft wie das prädiktive Messsystem (23) über eine Trainingseinheit (41) zum Trainieren des prädiktiven Messsystems (23) mit dem Ausgang des Messsystems (10) verbunden sein kann. Die Trainingseinheit (41) erhält die erste zukünftige Ausgangsgröße (ŷt+1) des prädiktiven Messsystems (23) und die zweite zukünftige Ausgangsgröße (yt+1) des Messsystems (10). 4 shows a possible embodiment of the learning system for training the predictive measuring system ( 23 ). 4 shows by way of example how the predictive measuring system ( 23 ) about a training session ( 41 ) for training the predictive measuring system ( 23 ) with the output of the measuring system ( 10 ) can be connected. The training session ( 41 ) receives the first future output (ŷ t + 1 ) of the predictive system ( 23 ) and the second future output (y t + 1 ) of the measuring system ( 10 ).

Während des Trainings des prädiktiven Messsystems (23) in Schritt 34, berechnet die Trainingseinheit (41) beispielsweise aus den beiden zukünftigen Ausgangsgrößen (ŷt+1, yt+1) der Messsysteme (23, 10) einen Fehler, der dazu verwendet wird, die Module (24, 25, 26) des prädiktiven Messsystems (23) zu trainieren, sodass die erste zukünftige Ausgangsgröße (ŷt+1) sich der zweiten zukünftigen Ausgangsgröße (yt+1) angleicht. Der ermittelte Fehler der Trainingseinheit (41) wird dazu verwendet, um eine neue Parametrisierung (P) des Moduls (24), und/oder eine Parametrisierung (R, Q) der Module (25, 26) zu ermitteln. Die Parametrisierungen (P, R, Q) sind dabei in Datenspeichern (411, 412, 413) gespeichert. Alternativ können die Parametrisierungen (P, R, Q) anderweitig in dem prädiktiven Messsystem (43) hinterlegt sein.During training of the predictive measuring system ( 23 ) in step 34 , calculates the training session ( 41 ), for example, from the two future output variables (ŷ t + 1 , y t + 1 ) of the measuring systems ( 23 . 10 ) an error that is used to modify the modules ( 24 . 25 . 26 ) of the predictive measuring system ( 23 ) so that the first future output (ŷ t + 1 ) equals the second future output (y t + 1 ). The calculated error of the training session ( 41 ) is used to create a new parameterization (P) of the module ( 24 ), and / or a parameterization (R, Q) of the modules ( 25 . 26 ) to investigate. The parameterizations (P, R, Q) are stored in data memories ( 411 . 412 . 413 ) saved. Alternatively, the parameterizations (P, R, Q) can be otherwise stored in the predictive measurement system (FIG. 43 ) be deposited.

Optional kann während des Trainings des prädiktiven Messsystems (23) eine weitere Differenz mittels einer weiteren Trainingseinheit (42) zwischen einer inneren Ausgangsgröße (z23) eines der Module (24, 25, 26) des prädiktiven Messsystems (23) und einer inneren Ausgangsgröße (z10) eines der Module (11, 12) des Messsystems (10) berücksichtigt werden. Dabei ermittelt die weitere Trainingseinheit (42) beispielsweise eine weitere Differenz oder einen weiteren Fehler zwischen den beiden inneren Ausgangsgrößen (z23, z10). Unter einer weiteren Differenz oder einem weiteren Fehler kann sowohl ein Unterschied zwischen den inneren Ausgangsgrößen (z23, z10) verstanden werden, als auch eine logarithmische Differenz, wie z.B. eine Kreuzentropie, verstanden werden. Die weitere Differenz oder der weitere Fehler der weiteren Trainingseinheit (42) kann dazu verwendet werden, um das prädiktive Messsystem (23) oder einzelne Module (24, 25, 26) des prädiktiven Messsystems (23) zu trainieren.Optionally, during training of the predictive measuring system ( 23 ) another difference by means of another training session ( 42 ) between an internal output (z 23 ) of one of the modules ( 24 . 25 . 26 ) of the predictive measuring system ( 23 ) and an internal output (z 10 ) of one of the modules ( 11 . 12 ) of the measuring system ( 10 ). The further training unit ( 42 ), for example, another difference or another error between the two internal output variables (z 23 , z 10 ). A further difference or a further error can be understood as meaning both a difference between the internal output variables (z 23 , z 10 ) and a logarithmic difference, such as, for example, a cross entropy. The further difference or the further error of the further training session ( 42 ) can be used to generate the predictive measurement system ( 23 ) or individual modules ( 24 . 25 . 26 ) of the predictive measuring system ( 23 ) to train.

Der weitere Fehler, ermittelt durch die weitere Trainingseinheit (42), fließt dabei in das Training des prädiktiven Messsystems (23) ein. Der weitere Fehler kann entweder separat zu dem ermittelten Fehler der Trainingseinheit (41), um damit separat zu der Optimierung mittels dem Fehler der Trainingseinheit (41), die Parametrisierung des prädiktiven Messsystems (23) oder eines der Module (24, 25, 26) zu optimieren oder um gemeinsam mit dem Fehler der Trainingseinheit (41) eine geeignete Parametrisierung des prädiktiven Messsystems (23) oder eines der Module (24, 25, 26) zu bestimmen. Der positive Effekt der weiteren Trainingseinheit (42) ist, dass beispielsweise ein schnelleres Trainieren des prädiktiven Messsystems (23) durchgeführt werden kann. The further error, determined by the further training session ( 42 ) flows into the training of the predictive measuring system ( 23 ) one. The further error may be either separately from the determined error of the training session ( 41 ) separately to the optimization by means of the error of the training session ( 41 ), the parameterization of the predictive measuring system ( 23 ) or one of the modules ( 24 . 25 . 26 ) or together with the error of the training session ( 41 ) a suitable parameterization of the predictive measuring system ( 23 ) or one of the modules ( 24 . 25 . 26 ). The positive effect of the further training session ( 42 ) is that, for example, a faster training of the predictive measuring system ( 23 ) can be carried out.

Alternativ kann das Lernsystem in 4 dazu eingerichtet sein, dass die zweite zukünftige Ausgangsgröße (yt+1) als Kontrollgröße durch das weitere Messsystem (10) generiert wird und das prädiktive Messsystem (23) beim Trainieren dazu gezwungen wird, die zweite zukünftige Ausgangsgröße (yt+1), sowie eine innere Größe, insbesondere eine innere Ausgangsgröße (z10), des weiteren Messsystems (10) nachzuahmen. Alternatively, the learning system in 4 be set up so that the second future output variable (y t + 1 ) as a control variable by the further measuring system ( 10 ) and the predictive measuring system ( 23 ) is forced during training to the second future output variable (y t + 1 ), as well as an internal variable, in particular an internal output (z 10 ), of the further measuring system ( 10 ).

Optional ist das Lernsystem nach 4 dafür ausgebildet, dass während des Trainierens des prädiktiven Lernsystems (23) in Schritt 34 nur die Module des prädiktiven Lernsystems (23) trainiert werden, die nicht verhaltensgleich zu einem der Module (11, 12) des weiteren Messsystems (10) sind. Bevorzugt weisen die verhaltensgleichen Module (24, 26) des prädiktiven Lernsystems (23), verglichen zu den Modulen des weiteren Messsystems (10), die gleiche Parametrisierung wie das korrespondierende verhaltensgleiche Modul des weiteren Messsystems (10) auf. Alternativ können die verhaltensgleichen Module (24, 26) eine komprimierte Parametrisierung der korrespondierenden verhaltensgleichen Module (11, 12) des weiteren Messsystems (10) aufweisen. Ein Modul (24) ist zu einem zweiten Modul (11) verhaltensgleich, wenn für eine bestimmte Menge an Eingangsgrößen (xt) die jeweils selben Ausgangsgrößen, wie das zweite Modul (11) für die Menge an Eingangsgrößen ermittelt, ermittelt werden.Optionally, the learning system is after 4 trained to practice while exercising predictive learning system ( 23 ) in step 34 only the modules of the predictive learning system ( 23 ) that are not behaving like one of the modules ( 11 . 12 ) of the further measuring system ( 10 ) are. Preferably, the behavior-like modules ( 24 . 26 ) of the predictive learning system ( 23 ) compared to the modules of the further measuring system ( 10 ), the same parameterization as the corresponding behavior-like module of the further measuring system ( 10 ) on. Alternatively, the behaviorally similar modules ( 24 . 26 ) a compressed parameterization of the corresponding behaviorally equivalent modules ( 11 . 12 ) of the further measuring system ( 10 ) exhibit. A module ( 24 ) is to a second module ( 11 ) behave the same if, for a specific set of input variables (x t ), the same output variables as the second module ( 11 ) are determined for the amount of input variables.

Optional kann das Lernsystem dazu verwendet werden, dass während des Trainierens des prädiktiven Messsystems (23) ermittelt wird, welche Parameter der Parametrisierungen (P, R, Q) der Module (24, 25, 26) redundant sind. Die redundanten Parameter können dann zum Beispiel während des Trainierens des prädiktiven Messsystems (23) vernachlässigt oder entfernt werden. Dies hat den vorteilhaften Effekt, dass beim Trainieren des prädiktiven Messsystems (23) durch das Lernsystem nach Schritt 34 geringere Redundanzen in den Parametrisierungen der Module (24, 25, 26) vorhanden sind und dass die Parametrisierungen (P, R, Q) effizienter abgespeichert werden können.Optionally, the learning system can be used so that during training of the predictive measuring system ( 23 ) determines which parameters of the parameterizations (P, R, Q) of the modules ( 24 . 25 . 26 ) are redundant. The redundant parameters may then be, for example, during training of the predictive measurement system ( 23 ) are neglected or removed. This has the advantageous effect that when training the predictive measuring system ( 23 ) through the learning system after step 34 lower redundancies in the parameterizations of the modules ( 24 . 25 . 26 ) and that the parameterizations (P, R, Q) can be stored more efficiently.

Nachdem das Trainieren des prädiktiven Messsystems (23) abgeschlossen wurde, kann optional Schritt 35 in 3 folgen. In Schritt 35 wird mittels des trainierten prädiktiven Messsystems (23) aus der aktuellen Eingangsgröße (xt) eine zukünftige Ausgangsgröße (ỹt+1) ermittelt.After training the predictive measuring system ( 23 ) has been completed, optional step 35 in 3 consequences. In step 35 is determined by means of the trained predictive measuring system ( 23 ) determines from the current input variable (x t ) a future output variable (ỹ t + 1 ).

Alternativ kann das Trainieren des prädiktiven Messsystems (23) mit mehreren zukünftigen Ausgangsgrößen, die jeweils zu unterschiedlichen nachfolgenden vorgebbaren Zeitpunkten aus einer Abfolge von Ausgangsgrößen zugeordnet sind, durchgeführt werden. Dabei werden die mehreren zukünftigen Ausgangsgrößen des prädiktiven Messsystems (23) zusammen mit den mehreren zukünftigen Ausgangsgrößen des weiteren Messsystems (10) verwendet, um das prädiktive Messsystem (23) in Schritt 34 zu trainieren. Alternativ kann dann mit diesem trainierten prädiktiven Messsystem (23) in Schritt 35 mehrere zukünftige Ausgangsgrößen, die jeweils zu unterschiedlichen nachfolgenden vorgebbaren Zeitpunkten aus einer Abfolge von Ausgangsgrößen zugeordnet sind, abhängig von der aktuellen Eingangsgröße (xt) ermittelt werden.Alternatively, the training of the predictive measuring system ( 23 ) are performed with a plurality of future output variables, which are each assigned at different subsequent predeterminable times from a sequence of output variables. In doing so, the several future output variables of the predictive measuring system ( 23 ) together with the several future output variables of the further measuring system ( 10 ) is used to calculate the predictive measuring system ( 23 ) in step 34 to train. Alternatively, with this trained predictive measuring system ( 23 ) in step 35 a plurality of future output variables, which are each assigned to different subsequent predefinable times from a sequence of output variables, depending on the current input variable (x t ) are determined.

Nachdem das Verfahren (30) zum Betreiben des prädiktiven Messsystems (23) mit Schritt 35 beendet wurde, kann dieses Verfahren (30) beispielsweise zyklisch mit Schritt 31 fortgeführt werden, wenn zum Beispiel ermittelt wurde, dass die zukünftige Ausgangsgröße (ỹt+1) zu ungenau ist oder wenn das prädiktive Messsystem (23) für eine neue Aufgabe eingerichtet oder angepasst werden soll.After the procedure ( 30 ) for operating the predictive measuring system ( 23 ) with step 35 has been terminated, this procedure ( 30 ), for example cyclically with step 31 for example, if it has been determined that the future output (ỹ t + 1 ) is too inaccurate or if the predictive 23 ) should be set up or adapted for a new task.

5 zeigt eine Ausführungsform eines Verfahrens (50) zum Betreiben eines Aktorsteuerungssystems (27), welches ein prädiktives Messsystem (23) umfasst. Dabei umfasst dieses Verfahren (50) eine Abfolge von maschinenlesbaren Befehlen, die auf einem maschinenlesbaren Speicherelement gespeichert sind. Diese Befehle bewirken beim Ausführen auf einer Maschine, dass die Maschine eine Ausführungsform des Verfahrens (50) zum Betreiben eines Aktorsteuerungssystems (27) ausführt. 5 shows an embodiment of a method ( 50 ) for operating an actuator control system ( 27 ), which is a predictive measuring system ( 23 ). In this case, this process comprises ( 50 ) a sequence of machine-readable instructions stored on a machine-readable storage element. These instructions, when executed on a machine, cause the machine to perform one embodiment of the method ( 50 ) for operating an actuator control system ( 27 ).

Das Verfahren (50) zum Betreiben eines Aktorsteuerungssystems (27) umfasst dabei folgende Schritte. Im ersten Schritt 51 werden mittels der Erfassungseinheit (210) eine aktuelle und eine nachfolgende Eingangsgröße (xt, xt+1) erfasst, welche dann an die Aktorsteuerungssysteme übermittelt werden. In Schritt 52 wird eine erste zukünftigen Aktoransteuerungsgröße (yAktor) mittels des Aktorsteuerungssystems (27) abhängig von der aktuellen Eingangsgröße (xt) nach Schritt 51 ermittelt. Anschließend wird nach Schritt 52 der nachfolgende Schritt 53 durchgeführt. In Schritt 53 wird eine zweite zukünftige Aktoransteuerungsgröße mittels eines weiteren Aktorsteuerungssystem abhängig von einer nachfolgenden Eingangsgröße (xt+1) nach Schritt 51 ermittelt.The procedure ( 50 ) for operating an actuator control system ( 27 ) includes the following steps. In the first step 51 are determined by means of the registration unit ( 210 ) detects a current and a subsequent input variable (x t , x t + 1 ), which are then transmitted to the actuator control systems. In step 52 is a first future Aktoransteuerungsgröße (y actuator ) by means of the actuator control system ( 27 ) depending on the current input quantity (x t ) after step 51 determined. Subsequently, after step 52 the next step 53 carried out. In step 53 becomes a second future Aktoransteuerungsgröße means of another Aktorsteuerungssystem depending on a subsequent input (x t + 1 ) after step 51 determined.

In Schritt 54, dem Schritt nach Schritt 53, wird das Aktorsteuerungssystem (27) mittels der ersten zukünftigen Aktoransteuerungsgröße (yAktor) des Aktorsteuerungssystems (27) und der zweiten zukünftigen Aktoransteuerungsgröße des weiteren Aktorsteuerungssystems trainiert. Das Trainieren des Aktorsteuerungssystems (27) umfasst dabei das Trainieren des prädiktiven Messsystems (23) des Aktorsteuerungssystems (27), sodass sich die zukünftigen Aktoransteuerungsgrößen der beiden Aktorsteuerungssystem angleichen.In step 54 , the step after step 53 , the actuator control system ( 27 ) by means of the first future actuator control variable (y actuator ) of the actuator control system ( 27 ) and the second future Aktoransteuerungsgröße the other actuator control system trained. The training of the actuator control system ( 27 ) comprises the training of the predictive measuring system ( 23 ) of the actuator control system ( 27 ), so that the future Aktoransteuerungsgrößen of the two Aktorsteuerungssystem align.

Für das Trainieren des Aktorsteuerungssystem (27) in Schritt 54 ist bevorzugt die Aktorsteuereinheit (220) ebenfalls durch eine modellierbare Struktur darstellbar. Denn die Optimierung der Parameter der Struktur der Module des prädiktiven Messsystems (23) erfolgt zum Beispiel durch das BPTT, welches eine stetige darstellbare Modellierung des Systems voraussetzt, um eine Optimierung der Parameter ausführen zu können. Optional ist daher denkbar, dass die Aktorsteuereinheit (220) gegebenenfalls eine parametrisierbare Struktur aufweist, die es ermöglicht auch eine Optimierung der Aktorsteuereinheit (220) während des Trainierens in Schritt 54 durchzuführen.For training the actuator control system ( 27 ) in step 54 is preferably the actuator control unit ( 220 ) Also represented by a modelable structure. Because the optimization of the parameters of the structure of the modules of the predictive measuring system ( 23 ) takes place, for example, by the BPTT, which requires a continuous displayable modeling of the system in order to be able to carry out an optimization of the parameters. Optionally, it is therefore conceivable that the actuator control unit ( 220 ) optionally has a parametrisierbare structure which also enables optimization of the actuator control unit ( 220 ) while exercising in step 54 perform.

Das Trainieren des Aktorsteuerungssystems (27) erfolgt dabei entsprechend zu dem Trainieren des prädiktiven Messsystems (23) nach Schritt 34, da beim Trainieren des Aktorsteuerungssystems (27) dessen umfasstes prädiktives Messsystem (23) trainiert wird. Im Unterschied zu Schritt 34 in 3, wird im Schritt 54 in 5 das prädiktive Messsystem (23) des Aktorsteuerungssystems (27) mittels der zukünftigen Aktoransteuerungsgrößen der Aktorsteuerungssysteme trainiert, anstatt mit den zukünftigen Ausgangsgrößen der Messsysteme.The training of the actuator control system ( 27 ) takes place in accordance with the training of the predictive measuring system ( 23 ) after step 34 because when training the actuator control system ( 27 ) its predictive measuring system ( 23 ) is trained. Unlike step 34 in 3 , gets in step 54 in 5 the predictive measuring system ( 23 ) of the actuator control system ( 27 ) is trained by means of the future actuator control variables of the actuator control systems, rather than with the future output variables of the measurement systems.

Optional ist denkbar, dass das Trainieren des Aktorsteuerungssystems (27) auch mittels eines entsprechenden Lernsystems zu 4 durchgeführt wird, wobei das Lernsystem für das Aktorsteuerungssystem (27) aus zwei Aktorsteuerungssystemen besteht, welche jeweils ein Messsystem umfassen. Dabei umfasst das Aktorsteuerungssystem (27) das prädiktive Messsystem (23) und das weitere Aktorsteuerungssystem ein weiteres Messsystem (10).Optionally, it is conceivable that the training of the actuator control system ( 27 ) also by means of a corresponding learning system 4 with the learning system for the actuator control system ( 27 ) consists of two actuator control systems, each comprising a measuring system. The actuator control system ( 27 ) the predictive measuring system ( 23 ) and the further actuator control system another measuring system ( 10 ).

Optional kann in Schritt 54 für das Trainieren des Aktorsteuerungssystems (27) ebenfalls eine innere Ausgangsgröße der Module der Messsysteme (10, 23) der Aktorsteuerungssysteme verwendet werden, um das Aktorsteuerungssystem (27) beschleunigt zu trainieren, aber auch um das Training effizienter durchzuführen. Denkbar ist auch, dass das Aktorsteuerungssystem (23) zusätzlich zu dem Trainieren des Aktorsteuerungssystem (27) mit inneren Ausgangsgrößen der Messsysteme (10, 23), das Aktorsteuerungssystem (27) mit der Ausgangsgrößen der Messsysteme (10, 23) der Aktorsteuerungssysteme trainiert wird.Optionally, in step 54 for training the actuator control system ( 27 ) also an internal output of the modules of the measuring systems ( 10 . 23 ) of the actuator control systems are used to control the actuator control system ( 27 ) to train faster, but also to perform the training more efficiently. It is also conceivable that the actuator control system ( 23 ) in addition to training the actuator control system ( 27 ) with internal output variables of the measuring systems ( 10 . 23 ), the actuator control system ( 27 ) with the output variables of the measuring systems ( 10 . 23 ) of the actuator control systems is trained.

Nachdem Schritt 54 abgeschlossen wurde, folgt Schritt 55. In Schritt 55 wird ein Aktor (230) durch das Aktorsteuerungssystem (27) abhängig von der aktuellen Eingangsgröße (xt) mittels der Aktorsteuereinheit (220) gesteuert.After step 54 completed, follow step 55 , In step 55 becomes an actor ( 230 ) by the actuator control system ( 27 ) depending on the current input variable (x t ) by means of the actuator control unit ( 220 ) controlled.

Nachdem das Verfahren (50) zum Betreiben eines Aktorsteuerungssystems (27) mit Schritt 55 beendet wurde, kann dieses Verfahren (50) beispielsweise zyklisch mit Schritt (51) fortgeführt werden, wenn zum Beispiel ermittelt wurde, dass die Aktorsteuerung zu ungenau ist oder wenn die Aktorsteuerung für eine neue Aufgabe eingerichtet oder angepasst werden soll.After the procedure ( 50 ) for operating an actuator control system ( 27 ) with step 55 has been terminated, this procedure ( 50 ), for example cyclically with step ( 51 ) if, for example, it has been determined that the actuator control is too inaccurate or if the actuator control is to be set up or adjusted for a new task.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

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

Zitierte PatentliteraturCited patent literature

  • US 544848 A [0002] US 544848 A [0002]

Claims (10)

System, insbesondere ein prädiktives Messsystem (23) umfassend ein tiefes neuronales Netz, das zum Ermitteln zumindest einer zukünftigen Ausgangsgröße (ỹt+1) abhängig von zumindest einer aktuellen Eingangsgröße (xt) eingerichtet ist, umfassend: – zwei wenigstens mittelbar, insbesondere unmittelbar, hintereinander geschaltete Module (24, 25) und eine Erfassungseinheit (210), wobei die Erfassungseinheit (210) eingerichtet ist, um die aktuelle Eingangsgröße (xt) zu erfassen und die aktuelle Eingangsgröße (xt) an mindestens eines der Module (24, 25) zu übermitteln und wobei die Module (24, 25) zum Ermitteln der zukünftigen Ausgangsgröße (ỹt+1) abhängig von der aktuellen Eingangsgröße (xt) und abhängig von einer vorhergehenden Zwischengröße (mt-1) eingerichtet sind, wobei – zumindest eines dieser zwei Module (24, 25) ein rekurrentes Modul (25) ist und das rekurrente Modul (25) eingerichtet ist, um eine aktuelle Zwischengröße (mt) abhängig von einer aktuellen inneren Eingangsgröße (zt) des rekurrenten Moduls (25) und abhängig von der vorhergehenden Zwischengröße (mt-1) zu ermitteln, wobei – die vorhergehende Zwischengröße (mt-1) abhängig von einer vorhergehenden Eingangsgröße (xt-1) des Systems mittels des rekurrenten Moduls (25) des Systems ermittelt wurde.System, in particular a predictive measuring system ( 23 ) comprising a deep neural network, which is set up to determine at least one future output variable (ỹ t + 1 ) as a function of at least one current input variable (x t ), comprising: two modules, at least indirectly, in particular directly, one behind the other ( 24 . 25 ) and a registration unit ( 210 ), the registration unit ( 210 Is set) to the current input variable (x t) to detect and the current input variable (x t) on at least one of the modules ( 24 . 25 ) and where the modules ( 24 . 25 ) are arranged to determine the future output variable (ỹ t + 1 ) as a function of the current input variable (x t ) and as a function of a preceding intermediate variable (m t-1 ), wherein - at least one of these two modules ( 24 . 25 ) a recurrent module ( 25 ) and the recurrent module ( 25 ) is set to a current intermediate size (m t ) depending on a current internal input (z t ) of the recurrent module ( 25 ) and dependent on the preceding intermediate variable (m t-1 ), wherein - the preceding intermediate variable (m t-1 ) depends on a previous input (x t-1 ) of the system by means of the recurrent module ( 25 ) of the system. System nach Anspruch 1, wobei das System zusätzlich eine Aktorsteuerungseinheit (220) umfasst, welche zum Steuern eines Aktors (230) abhängig von der zukünftigen Ausgangsgröße (ỹt+1) des Systems eingerichtet ist.The system of claim 1, wherein the system additionally comprises an actuator control unit ( 220 ) which is used to control an actuator ( 230 ) is established depending on the future output (ỹ t + 1 ) of the system. Vorrichtung, welche zum Betreiben des Systems nach Anspruch 1 oder nach Anspruch 2 eingerichtet ist, wobei die Vorrichtung ein maschinenlesbares Speichermedium umfasst, auf dem Befehle gespeichert sind, die beim Ausführen durch einen Computer bewirken, das der Computer ein Verfahren mit den folgenden Schritten ausführt: – Ermitteln einer ersten zukünftigen Ausgangsgröße (ŷt+1) mittels des Systems aus der aktuellen Eingangsgröße (xt) und der vorhergehenden Zwischengröße (mt-1), – Ermitteln einer zweiten zukünftigen Ausgangsgröße (yt+1) mittels eines weiteren Systems (10) aus einer nachfolgenden Eingangsgröße (xt+1), – Trainieren des Systems mittels der ersten zukünftigen Ausgangsgröße (ŷt+1) des Systems und der zweiten zukünftigen Ausgangsgröße (yt+1) des weiteren Systems (10).Apparatus adapted to operate the system of claim 1 or claim 2, the apparatus comprising a machine-readable storage medium having stored thereon instructions that, when executed by a computer, cause the computer to perform a method comprising the steps of: - Determining a first future output (ŷ t + 1 ) by means of the system of the current input (x t ) and the previous intermediate size (m t-1 ), - Determining a second future output (y t + 1 ) by means of another system ( 10 ) from a subsequent input variable (x t + 1 ), - training of the system by means of the first future output variable (ŷ t + 1 ) of the system and the second future output variable (y t + 1 ) of the further system ( 10 ). Vorrichtung nach Anspruch 3, wobei die gespeicherten Befehle derart ausgebildet sind, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass die zukünftige Ausgangsgröße (ỹt+1) abhängig von der aktuellen Eingangsgröße (xt) mittels des Systems ermittelt wird.The apparatus of claim 3, wherein the stored instructions are arranged such that the process that the computer performs when executing these instructions on the computer is such that the future output (ỹ t + 1 ) depends on the current input ( x t ) is determined by means of the system. Vorrichtung nach Anspruch 3 oder nach Anspruch 4, wobei das weitere System (10) eine Mehrzahl von Modulen (11, 12) umfasst, wobei die gespeicherten Befehle derart ausgebildet sind, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass bei dem Trainieren des Systems zusätzlich eine Differenz zwischen einer inneren Ausgangsgröße (z10) eines der Module (24, 25) des Systems und einer inneren Ausgangsgröße (z23) eines der Module (11, 12) des weiteren Systems (10) berücksichtig wird.Apparatus according to claim 3 or claim 4, wherein the further system ( 10 ) a plurality of modules ( 11 . 12 ), wherein the stored instructions are arranged such that the method performed by the computer when executing these instructions on the computer is such that, when the system is trained, there is additionally a difference between an internal output (z 10 ) of one the modules ( 24 . 25 ) of the system and an internal output (z 23 ) of one of the modules ( 11 . 12 ) of the further system ( 10 ) is taken into account. Vorrichtung nach einem der vorhergehenden Ansprüche 3 bis 5, wobei das System mindestens ein Modul (24) aufweist, das zumindest verhaltensgleich wie ein Modul (11) des weiteren Systems (10) ist und die gespeicherten Befehle derart ausgebildet sind, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass das Trainieren des Systems zumindest das Trainieren eines nicht verhaltensgleichen Moduls des Systems verglichen mit einem jeden Modul des weiteren Systems umfasst.Device according to one of the preceding claims 3 to 5, wherein the system comprises at least one module ( 24 ) which at least behaves like a module ( 11 ) of the further system ( 10 ) and the stored instructions are arranged such that the method that the computer performs when executing these instructions on the computer is such that training the system at least involves training a non-behavioral module of the system as compared to each module of the further system. Vorrichtung nach Anspruch 6, wobei das Modul (24) des Systems, welches verhaltensgleich wie ein Modul (11) des weiteren Systems (10) ist, die gleiche parametrisierte Struktur wie das Modul (11) des weiteren Systems (10) umfasst. Apparatus according to claim 6, wherein the module ( 24 ) of the system which behaves like a module ( 11 ) of the further system ( 10 ), the same parameterized structure as the module ( 11 ) of the further system ( 10 ). Vorrichtung nach Anspruch 6, wobei das Modul (24) des Systems, welches verhaltensgleich wie ein Modul (11) des weiteren Systems (10) ist, eine komprimierte parametrisierte Struktur des Modul (11) des weiteren Systems (10) umfasst.Apparatus according to claim 6, wherein the module ( 24 ) of the system which behaves like a module ( 11 ) of the further system ( 10 ), a compressed parameterized structure of the module ( 11 ) of the further system ( 10 ). Vorrichtung nach einem der Ansprüche 6 bis 8, wobei die gespeicherten Befehle derart ausgebildet sind, dass das Verfahren, das der Computer ausführt, wenn diese Befehle auf dem Computer ausgeführt werden, derart abläuft, dass mindestens ein Modul des Systems, das verhaltensgleich wie ein Modul des weiteren Systems (10) ist, während des Trainierens des Systems nicht trainiert wird.Apparatus according to any one of claims 6 to 8, wherein the stored instructions are arranged such that the process performed by the computer when executing these instructions on the computer is such that at least one module of the system is behaving as a module the further system ( 10 ) is not trained during the training of the system. System nach einem der Ansprüche 1 oder 2, wobei das rekurrente Modul (25) ein LSTM-Modul ist.System according to one of claims 1 or 2, wherein the recurrent module ( 25 ) is an LSTM module.
DE202017105656.2U 2017-09-19 2017-09-19 Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system Active DE202017105656U1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE202017105656.2U DE202017105656U1 (en) 2017-09-19 2017-09-19 Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE202017105656.2U DE202017105656U1 (en) 2017-09-19 2017-09-19 Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system

Publications (1)

Publication Number Publication Date
DE202017105656U1 true DE202017105656U1 (en) 2017-10-10

Family

ID=60163170

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202017105656.2U Active DE202017105656U1 (en) 2017-09-19 2017-09-19 Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system

Country Status (1)

Country Link
DE (1) DE202017105656U1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202018104433U1 (en) 2018-08-01 2018-10-25 Robert Bosch Gmbh Device for stabilizing recordings of a camera
WO2021032616A1 (en) * 2019-08-19 2021-02-25 Robert Bosch Gmbh Method for training a model for determining a material characteristic variable

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US544848A (en) 1895-08-20 Centrifugal butter-worker

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US544848A (en) 1895-08-20 Centrifugal butter-worker

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202018104433U1 (en) 2018-08-01 2018-10-25 Robert Bosch Gmbh Device for stabilizing recordings of a camera
WO2021032616A1 (en) * 2019-08-19 2021-02-25 Robert Bosch Gmbh Method for training a model for determining a material characteristic variable
US20220254456A1 (en) * 2019-08-19 2022-08-11 Robert Bosch Gmbh Method of training a model for determining a material parameter

Similar Documents

Publication Publication Date Title
DE102010013943B4 (en) Method and device for a functional test of an object recognition device of a motor vehicle
EP3282399B1 (en) Method for the improved detection of process anomalies of a technical installation and corresponding diagnostic system
DE102018128289A1 (en) METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION
DE102019209736A1 (en) Procedure for evaluating possible trajectories
DE102018203583B4 (en) Method, driver assistance system and motor vehicle for the prediction of a position or a trajectory by means of a graph-based environment model
DE102016003424A1 (en) Method and device for detecting traffic signs
EP4193135A1 (en) Computer-implemented method for providing a test process for traffic scenarios to be tested
DE202018104373U1 (en) Apparatus adapted to operate a machine learning system
EP3701433A1 (en) Method, device and computer program for developing a deep neural network
WO2020061603A1 (en) Method and device for analyzing a sensor data stream and method for guiding a vehicle
EP3179372A1 (en) Method and device for testing a plurality of controllers of a technical unit
EP4000010A1 (en) Device and computer-implemented method for the processing of digital sensor data and training method for same
DE202017105656U1 (en) Predictive measuring system, actuator control system and apparatus for operating the predictive measuring system and / or the actuator control system
DE102017201796A1 (en) Control device for determining a self-motion of a motor vehicle and motor vehicle and method for providing the control device
EP0956531B1 (en) Method and device for transforming a fuzzy logic used to simulate a technical process into a neural network
DE102019212912A1 (en) Compressing a deep neural network
DE102020202305A1 (en) Method for recognizing the surroundings of a vehicle and method for training a fusion algorithm for a vehicle system
DE102019001005A1 (en) Device and method for the compression of sensor data
WO2020207786A1 (en) Method, device, and computer program for operating a deep neural network
DE102017201222A1 (en) Method and system for machine learning
DE102018206326A1 (en) Method for expanding a database of a Bayesian network
EP3866135B1 (en) Method for controlling a light signal system
WO2021032712A1 (en) Computer implemented method and test unit for approximating test results and method for providing a trained artificial neuronal network
DE102020117812A1 (en) Method for providing a device for predicting errors when processing image data, device for predicting segmentation errors and motor vehicle
EP3985565A1 (en) Method and device for checking an ai-based information processing system used in partially automated or fully automated control of a vehicle

Legal Events

Date Code Title Description
R207 Utility model specification
R163 Identified publications notified
R150 Utility model maintained after payment of first maintenance fee after three years
R151 Utility model maintained after payment of second maintenance fee after six years