DE212020000450U1 - Technik zur Verwendung bei der Fahrzeugherstellung - Google Patents

Technik zur Verwendung bei der Fahrzeugherstellung Download PDF

Info

Publication number
DE212020000450U1
DE212020000450U1 DE212020000450.1U DE212020000450U DE212020000450U1 DE 212020000450 U1 DE212020000450 U1 DE 212020000450U1 DE 212020000450 U DE212020000450 U DE 212020000450U DE 212020000450 U1 DE212020000450 U1 DE 212020000450U1
Authority
DE
Germany
Prior art keywords
user
questions
client device
personality
server
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
DE212020000450.1U
Other languages
English (en)
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.)
2HFutura SA
Original Assignee
2HFutura SA
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 2HFutura SA filed Critical 2HFutura SA
Publication of DE212020000450U1 publication Critical patent/DE212020000450U1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/167—Personality evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D65/00—Designing, manufacturing, e.g. assembling, facilitating disassembly, or structurally modifying motor vehicles or trailers, not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/01—Occupants other than the driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/22—Psychological state; Stress level or workload
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Educational Technology (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

Server (100) zur Verwendung bei der Fahrzeugherstellung, wobei die Verwendung ein Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung (110) von dem Server (100) umfasst, wobei die digitale Repräsentation der Persönlichkeitsdaten auf der Client-Vorrichtung (110) verarbeitet wird, um eine an die Persönlichkeit des Benutzers angepasste Fahrzeugkonfiguration bereitzustellen, wobei der Server (100) zumindest einen Prozessor (102) und zumindest einen Speicher (104) umfasst, wobei der zumindest eine Speicher (104) Instruktionen enthält, die durch den zumindest einen Prozessor (102) ausführbar sind, so dass der Server (100) funktionsfähig ist, um:
ein neuronales Netz (602) zu speichern, das trainiert ist, um Persönlichkeitsdaten eines Benutzers basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden;
von der Client-Vorrichtung (110) eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer zu empfangen; und
die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung (110) zu senden, wobei die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes (602) basierend auf Eingaben berechnet werden, die von dem Benutzer erhalten werden,
wobei die digitale Repräsentation der Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung (110) verarbeitet wird, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist,
wobei das Fahrzeug basierend auf der bestimmten Fahrzeugkonfiguration hergestellt wird.

Description

  • Technisches Gebiet
  • Die vorliegende Offenbarung betrifft allgemein das Gebiet des Datenabrufens. Insbesondere wird eine Technik zur Verwendung bei der Fahrzeugherstellung vorgestellt, wobei die Verwendung ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung von einem Server umfasst. Die Technik kann in Vorrichtungen, Aufzeichnungsmedien und Systemen Ausführungsbeispiele finden.
  • Hintergrund
  • Persönlichkeitstests werden seit Jahrzehnten eingesetzt, um die Persönlichkeitsmerkmale von Menschen zu beurteilen. Sie werden typischerweise basierend auf Persönlichkeitsbefragungsdaten durchgeführt, die von einer zu testenden Person erhalten werden, wobei die Befragungsdaten von einem Fachmann, z.B. einem Psychologen, ausgewertet werden, um Rückschlüsse auf die Persönlichkeit der Person zu ziehen. Das so genannte „OCEAN“-Modell ist eine weithin akzeptierte Taxonomie für Persönlichkeitsmerkmale, auch bekannt als die „Big Five“ Persönlichkeitsmerkmale, und umfasst Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit und Neurotizismus als Persönlichkeitsdimensionen. Weithin bekannte Persönlichkeitstests, die das OCEAN-Modell verwenden, sind z.B. Tests, die auf dem so genannten International Personality Item Pool (IPIP), dem HEXACO-60-Inventar und dem Big Five Inventory 10 (BFI-10) basieren, die Sätze von Fragen zum Testen einer Person auf jeder der fünf Persönlichkeitsdimensionen umfassen. Da herkömmliche Persönlichkeitstests in der Regel eine Überprüfung durch eine menschliche Fachkraft erfordern, wie z.B. einen Psychologen, um eine qualifizierte Einschätzung der Persönlichkeitsmerkmale einer Person zu erhalten, ist es jedoch schwierig, die Durchführung von Persönlichkeitstests und deren Ergebnisse in Prozesse zu integrieren, die auf technischen Systemen ausgeführt werden, obwohl eine solche Integration von Vorteil sein kann, da sie eine verbesserte Anpassung von Prozessen an die Persönlichkeit eines Benutzers und damit eine Verbesserung der Benutzererfahrung ermöglichen würde, wie z.B. durch die Bereitstellung von benutzerangepassten Diensten für den Benutzer.
  • Zusammenfassung
  • Dementsprechend besteht ein Bedarf an einer technischen Implementierung, die die Integration von Persönlichkeitstests und deren Ergebnissen in Prozesse, die auf technischen Systemen ablaufen, praktisch umsetzbar macht.
  • Gemäß einer ersten Ausgestaltung wird ein Server zur Verwendung bei der Fahrzeugherstellung bereitgestellt, wobei die Verwendung ein Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung von dem Server umfasst, wobei die digitale Repräsentation der Persönlichkeitsdaten auf der Client-Vorrichtung verarbeitet wird, um eine an die Persönlichkeit des Benutzers angepasste Fahrzeugkonfiguration bereitzustellen. Der Server umfasst zumindest einen Prozessor und zumindest einen Speicher. Der zumindest eine Speicher enthält Instruktionen, die durch den zumindest einen Prozessor ausführbar sind, so dass der Server funktionsfähig ist, um ein neuronales Netz zu speichern, das trainiert ist, um Persönlichkeitsdaten eines Benutzers basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden, von der Client-Vorrichtung eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer zu empfangen, und die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung zu senden. Die Persönlichkeitsdaten des Benutzers werden unter Verwendung des neuronalen Netzes (602) basierend auf Eingaben berechnet, die von dem Benutzer erhalten werden. Die digitale Repräsentation der Persönlichkeitsdaten des Benutzers wird auf der Client-Vorrichtung verarbeitet, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist, wobei das Fahrzeug basierend auf der bestimmten Fahrzeugkonfiguration hergestellt wird.
  • Durch das Speichern eines trainierten neuronalen Netzes auf dem Server und dessen Anwendung zum Berechnen von Persönlichkeitsdaten eines Benutzers kann das Abrufen einer digitalen Repräsentation der Persönlichkeitsdaten des Benutzers automatisierbar gemacht werden (da herkömmliche menschliche Überprüfungen nicht mehr erforderlich sind) und somit eine Integration des Abrufs und der Verwendung von Persönlichkeitsdaten des Benutzers in (z.B. automatisierte) Prozesse, die auf technischen Systemen durchgeführt werden, umsetzbar werden. Insbesondere kann das neuronale Netz als eine effiziente funktionale Datenstruktur angesehen werden, die es ermöglicht, die angeforderten Persönlichkeitsdaten in einem einzigen Rechenlauf zu berechnen, d.h. durch Eingabe der von dem Benutzer erhaltenen Eingaben in die Eingangsknoten des neuronalen Netzes und Ablesen der resultierenden, für die Persönlichkeitsdaten repräsentativen Ausgangswerte an den Ausgangsknoten des neuronalen Netzes. Als solches kann das neuronale Netz eine effiziente Bereitstellung von Persönlichkeitsdaten in Form einer digitalen Repräsentation an die Client-Vorrichtung ermöglichen, wo sie verwendet werden können, um einen an die jeweilige Persönlichkeit des Benutzers angepassten Dienst bereitzustellen, um dadurch das Benutzererlebnis auf Seiten der Client-Vorrichtung zu verbessern. Durch die effiziente Bereitstellung der Daten kann die Integration des Abrufs und der Verwendung von Persönlichkeitsdaten insbesondere praktikabel werden, da die digitale Repräsentation der Persönlichkeitsdaten ohne nennenswerte Verzögerung der Client-Vorrichtung bereitgestellt werden kann und auf der Client-Vorrichtung sofort verarbeitet werden kann. Damit kann eine technische Implementierung erreicht werden, die die Integration des Abrufs und der Verwendung von Persönlichkeitsdaten in Prozesse, die auf technischen Systemen ablaufen, generell praktisch möglich macht.
  • Die Persönlichkeitsdaten des Benutzers können psychologische Eigenschaften und/oder Präferenzen des Benutzers angeben, und als solche können die Persönlichkeitsdaten im Allgemeinen sowohl psychologische Daten als auch medizinische Daten (z.B. Daten, die eine Neigung zu Neugier, Angst, Depression usw. angeben) umfassen, einschließlich klassischer Persönlichkeitsdaten, die z.B. auf den Persönlichkeitsdimensionen Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit und Neurotizismus (bekannt als die Big Five, wie vorstehend beschrieben) basieren können. Die digitale Repräsentation der Persönlichkeitsdaten des Benutzers kann eine digitale Repräsentation der genannten Eigenschaften umfassen, wie z.B. eine digitale Repräsentation von zumindest einer der Persönlichkeitsdimensionen Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit und Neurotizismus, wie sie z.B. vom neuronalen Netz für den Benutzer berechnet wurde.
  • Die Client-Vorrichtung kann eingerichtet sein, um die digitale Repräsentation der Persönlichkeitsdaten zu verarbeiten, um die Bereitstellung eines benutzerangepassten Dienstes für den Benutzer zu ermöglichen. In einer Variante kann die Client-Vorrichtung selbst basierend auf der digitalen Repräsentation der Persönlichkeitsdaten einrichtbar sein. Eine beispielhafte Vorrichtung, die durch die digitale Repräsentation der Persönlichkeitsdaten einrichtbar sein kann, kann z.B. ein Fahrzeug sein. Das Fahrzeug kann in diesem Fall die Client-Vorrichtung sein. Das Fahrzeug kann die empfangene digitale Repräsentation der Persönlichkeitsdaten des Benutzers (z.B. eines Fahrers des Fahrzeugs) verarbeiten und sich selbst einrichten (z.B. einschließlich von dessen Teilkomponenten), um die Fahrkonfiguration des Fahrzeugs an die Persönlichkeit des Fahrers anzupassen und dadurch einen Fahrdienst bereitzustellen, der speziell an die Persönlichkeit des Benutzers angepasst ist. Ergibt sich aus den Persönlichkeitsdaten, dass der Fahrer z.B. eher risikoscheu oder ängstlich ist, kann die Fahrkonfiguration des Fahrzeugs eher sicherheitsorientiert eingestellt werden, während bei Fahrern, die eher eine risikofreudige Persönlichkeit aufweisen, die Fahrkonfiguration des Fahrzeugs eher sportlich eingerichtet werden kann. Dazu kann neben anderen Einstellungen auch das Gas- und Bremsverhalten des Fahrzeugs entsprechend angepasst werden. Auch Teilkomponenten des Fahrzeugs, die fahrzeugbezogene Dienste bereitstellen, können basierend auf den Persönlichkeitsdaten eingerichtet werden, wie z.B. ein Soundsystem des Fahrzeugs inklusive seiner Klang- und Lautstärkeeinstellungen, um der Persönlichkeit des Benutzers besser zu entsprechen.
  • In einer anderen Variante kann die Client-Vorrichtung zumindest eine andere Vorrichtung basierend auf der digitalen Repräsentation der Persönlichkeitsdaten einrichten, z.B. wenn es die zumindest eine andere Vorrichtung ist, die den Dienst für den Benutzer bereitstellt. In einer solchen Variante kann die Client-Vorrichtung z.B. ein mobiles Endgerät (z.B. ein Smartphone) sein, das eine Schnittstelle (z.B. über Bluetooth) mit dem Fahrzeug bilden kann (d.h., das Fahrzeug entspricht in diesem Fall der zumindest einer anderen Vorrichtung), und das mobile Endgerät kann bei Empfang der digitalen Repräsentation der Persönlichkeitsdaten von dem Server das Fahrzeug über die Schnittstelle einrichten. Es lässt sich also sagen, dass die digitale Repräsentation der Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung verarbeitet werden kann, um die zumindest eine Vorrichtung einzurichten, die einen Dienst für den Benutzer bereitstellt. Das Einrichten der zumindest einen Vorrichtung kann das Einrichten zumindest einer Einstellung der zumindest einen Vorrichtung und/oder das Einrichten zumindest einer Einstellung eines von der zumindest einen Vorrichtung bereitgestellten Dienstes umfassen. Es ist ersichtlich, dass das Fahrzeug lediglich ein Beispiel für eine Vorrichtung ist, die basierend auf Persönlichkeitsdaten einrichtbar sein kann, und dass die Client-Vorrichtung und/oder die zumindest eine andere Vorrichtung auch anderen Vorrichtungstypen entsprechen kann.
  • In einer Implementierung kann der Server ferner durchführen ein Empfangen von den Benutzer charakterisierendem Feedback, ein Aktualisieren des neuronalen Netzes basierend auf dem Feedback und ein Senden einer digitalen Repräsentation der aktualisierten Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung, wobei die aktualisierten Persönlichkeitsdaten des Benutzers unter Verwendung des aktualisierten neuronalen Netzes berechnet werden können. Die digitale Repräsentation der aktualisierten Persönlichkeitsdaten des Benutzers kann auf der Client-Vorrichtung verarbeitet werden, um eine Einrichtung der zumindest einen Vorrichtung zu verfeinern, die den Dienst für den Benutzer bereitstellt (z.B. eine der vorstehend beschriebenen Konfigurationen des Fahrzeugs). Das Feedback kann auf der Client-Vorrichtung und/oder auf der zumindest einen Vorrichtung, die den Dienst für den Benutzer bereitstellt, gesammelt werden und kann Aufschluss über die Persönlichkeit des Benutzers geben. Das Feedback kann Verhaltensdaten enthalten, die das Verhalten des Benutzers widerspiegeln, das auf der zumindest einen Vorrichtung überwacht wird, wenn er den von der zumindest einen Vorrichtung bereitgestellten Dienst verwendet, wobei in einer Variante die Verhaltensdaten unter Verwendung von (z.B. sensorbasierten) Messungen überwacht werden können, die von der zumindest einen Vorrichtung durchgeführt werden, die den Dienst für den Benutzer bereitstellt. In dem Fahrzeugbeispiel kann das zu überwachende Verhalten des Benutzers das Fahrverhalten des Benutzers sein, und das Fahrverhalten kann z.B. durch Sensoren am Fahrzeug gemessen werden. Zur Messung des Fahrverhaltens können die Sensoren z.B. die Bremsreaktion und -intensität des Benutzers erfassen, und da solche Messungen Aufschluss über die Persönlichkeit eines Benutzers geben können (z.B. Aggressivität beim Fahren), können diese Informationen als Feedback an den Server gesendet werden, um das neuronale Netz zu aktualisieren und dadurch die Fähigkeit des neuronalen Netzes zum Berechnen von Persönlichkeitsdaten von Benutzern zu verfeinern.
  • Das Aktualisieren des neuronalen Netzes kann ein Trainieren des neuronalen Netzes basierend auf dem von der Client-Vorrichtung empfangenen Feedback umfassen, wobei, wenn das Feedback einen neuen Eingangswert repräsentiert, der noch nicht in das neuronale Netz eingegeben wurde, ein neuer Eingangsknoten zum neuronalen Netz hinzugefügt werden kann und der neue Eingangswert beim Trainieren des neuronalen Netzes dem neuen Eingangsknoten zugewiesen werden kann. Dies macht die Stärke des neuronalen Netzes als effiziente funktionale Datenstruktur, die in der hier beschriebenen technischen Implementierung verwendet wird, besonders deutlich: Das neuronale Netz stellt eine effizient aktualisierbare Datenstruktur dar, die basierend auf beliebigem Feedback über die Persönlichkeit des Benutzers, das von der Client-Vorrichtung empfangen wird, aktualisiert werden kann, um deren Fähigkeit zum Berechnen von Persönlichkeitsdaten zu verfeinern. Die durch das Feedback übermittelten Informationen können direkt in das neuronale Netz integriert werden und können, sobald es trainiert ist, sofort in nachfolgenden Anforderungen an den Server, die digitale Repräsentationen von Persönlichkeitsdaten anfordern, berücksichtigt werden. Konventionelle Techniken zur Persönlichkeitsbewertung sind eher starr und können eine solche Aktualisierbarkeit überhaupt nicht unterstützen.
  • Die digitale Repräsentation der Persönlichkeit des Benutzers, die von dem Server an die Client-Vorrichtung gesendet wird, kann einer digitalen Repräsentation der Persönlichkeit des Benutzers entsprechen, die zuvor von dem Server bei einer vorherigen Anforderung zum Berechnen der Persönlichkeit des Benutzers berechnet wurde (z.B. bei der Durchführung eines Persönlichkeitstests durch Beantwortung eines Satzes von Fragen durch den Benutzer). Die Persönlichkeitsdaten des Benutzers können somit vor dem Empfang der Anforderung von der Client-Vorrichtung berechnet werden, wobei die Anforderung einen Zugangscode enthalten kann, der dem Benutzer zuvor von dem Server bei der Berechnung der Persönlichkeitsdaten des Benutzers bereitgestellt wurde, wobei der Zugangscode dem Benutzer den Zugang zu der digitalen Repräsentation der Persönlichkeitsdaten des Benutzers von verschiedenen Client-Vorrichtungen aus ermöglicht. Eine solche Implementierung kann Rechenressourcen bei dem Server einsparen, da die digitale Repräsentation der Persönlichkeit des Benutzers nicht jedes Mal neu berechnet werden muss, wenn die digitale Repräsentation der Persönlichkeitsdaten für diesen bestimmten Benutzer von einer Client-Vorrichtung angefordert wird, sondern basierend auf den vorberechneten Persönlichkeitsdaten zurückgegeben werden kann. Der Benutzer wiederum kann den Zugangscode verwenden, um zu der digitalen Repräsentation der Persönlichkeitsdaten von einer Vielzahl verschiedener Client-Vorrichtungen Zugang zu erhalten, wie z.B. von verschiedenen Fahrzeugen aus, die der Benutzer fahren kann, z.B. einem Fahrzeug und einem Motorrad, oder anderen Vorrichtungstypen.
  • Die von dem Benutzer erhaltenen Eingaben können digitalen Wertungen entsprechen, die Antworten auf Fragen bezüglich zumindest einem aus Persönlichkeit, Zielen und Motivationen des Benutzers widerspiegeln (wie sie z.B. in einem Frage-Antwort-Schema in der Art eines Persönlichkeitstests erhalten werden), wobei jede digitale Wertung als Eingabe für einen separaten Eingangsknoten des neuronalen Netzes verwendet werden kann, wenn die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes berechnet werden. Die digitalen Wertungen können z.B. einer fünfstufigen Likert-Skala mit Werten von 1 bis 5 entsprechen. Das neuronale Netz kann einem tiefen neuronalen Netz mit zumindest zwei verborgenen Schichten zwischen der Eingangsschicht mit den Eingangsknoten und der Ausgangsschicht mit den Ausgangsknoten des neuronalen Netzes entsprechen. Die Fragen, die sich auf die Persönlichkeit beziehen, können z.B. den Fragen des konventionellen IPIP, HEXACO-60- und/oder BFI-10-Pools entsprechen, aber es ist ersichtlich, dass auch andere Fragen zur Persönlichkeit des Benutzers verwendet werden können, einschließlich Fragen zu psychologischen Eigenschaften und/oder Präferenzen des Benutzers. Fragen, die sich speziell auf Ziele und Motivationen des Benutzers beziehen, können zusätzliche Dimensionen definieren (z.B. zusätzlich zu den Big Five), die die Genauigkeit der berechneten Persönlichkeitsdaten gegenüber den herkömmlichen IPIP-, HEXACO-60- und BFI-10-Techniken erhöhen können. Das Netz kann basierend auf Daten trainiert werden, die in einer mit einer Vielzahl von Probanden (z.B. 1000 oder mehr) durchgeführten Basisbefragung gesammelt wurden, wobei die Basisbefragung unter Verwendung der vorstehend genannten Fragen durchgeführt werden kann.
  • Um den Rechenaufwand bei der Berechnung der Persönlichkeitsdaten des Benutzers zu verringern, kann das neuronale Netz so gestaltet werden, dass es eine bestimmte Netzstruktur aufweist. Im Hinblick auf den Kontext der vorstehenden Fragen kann die Struktur des neuronalen Netzes im Allgemeinen so ausgelegt werden, dass die Anzahl der Eingangsknoten im Vergleich zu der Anzahl der verfügbaren Eingangsknoten bei Verwendung aller vorstehenden Fragen verringert wird. Die Fragen können somit Fragen entsprechen, die von einem Satz von Fragen gewählt werden, der ein optimal erreichbares Ergebnis der Berechnung von Persönlichkeitsdaten eines Benutzers darstellt (d.h., wenn alle Fragen in dem Satz von Fragen von dem Benutzer beantwortet wurden), wobei die gewählten Fragen Fragen des Satzes von Fragen entsprechen können, die als am einflussreichsten im Hinblick auf das optimal erreichbare Ergebnis bestimmt sind. Da jede Antwort auf eine Frage, wie vorstehend beschrieben, in einen separaten Eingangsknoten des neuronalen Netzes eingegeben werden kann, kann durch die Wahl eines Teilsatzes des Satzes von Fragen die Anzahl der Eingangsknoten bei der Berechnung der Persönlichkeitsdaten verringert werden, um dadurch die Berechnungskomplexität zu verringern. Aufgrund der Tatsache, dass Fragen gewählt werden, die den größten Einfluss auf das erzielbare Ergebnis aufweisen, kann die Genauigkeit des vom neuronalen Netz ausgegebenen Ergebnisses annähernd aufrechterhalten werden.
  • Tatsächlich haben Tests gezeigt, dass die Anzahl der Fragen drastisch verringert werden kann, ohne die Ergebnisgenauigkeit signifikant zu beeinträchtigen. Nimmt man als Satz von Fragen, der repräsentativ für ein optimal erreichbares Ergebnis der Berechnung von Persönlichkeitsdaten ist, einen Satz von Fragen, der die Standard-IPIP-, HEXACO-60- und BFI-10-Fragen umfasst (insgesamt also 370 Fragen), optional ergänzt durch weitere Fragen zu Zielen und Motivationen des Benutzers (insgesamt also mehr als 370 Fragen), so haben Tests gezeigt, dass bei Verwendung lediglich der 30 einflussreichsten Fragen etwa 90 % der Genauigkeit des optimal erzielbaren Ergebnisses erreicht werden können. Daher kann die Anzahl der gewählten Fragen weniger als 10 % (vorzugsweise weniger als 5 %) der Anzahl der Fragen betragen, die in dem Satz von Fragen enthalten sind, der für das optimal erreichbare Ergebnis repräsentativ ist. Da in diesem Fall die Anzahl der Eingangsknoten des neuronalen Netzes stark verringert werden kann, können Rechenressourcen erheblich eingespart werden und die Persönlichkeitsdaten können effizienter berechnet werden.
  • Um die Fragen von dem Satz von Fragen zu bestimmen, die den größten Einfluss auf das optimal erreichbare Ergebnis aufweisen, können in einer Variante die Fragen von dem Satz von Fragen basierend auf einem Korrelieren von Ergebnissen, die durch jede einzelne Frage des Satzes von Fragen erreichbar sind, mit dem optimal erreichbaren Ergebnis und einem Wählen von Fragen von dem Satz von Fragen, die eine höchste Korrelation mit dem optimal erreichbaren Ergebnis aufweisen, gewählt werden. Auf diese Weise kann ein fester Teilsatz des Satzes von Fragen, der für das optimal erreichbare Ergebnis repräsentativ ist, bestimmt werden, der dann zum Trainieren des neuronalen Netzes mit einer verringerten Anzahl von Eingangsknoten, wie vorstehend beschrieben, verwendet werden kann.
  • Wie vorstehend ausgeführt, kann das optimal erreichbare Ergebnis einem Ergebnis entsprechen, das erreicht wird, wenn alle Fragen des Satzes von Fragen von dem Benutzer beantwortet werden, wie z.B. der Satz von Fragen bestehend aus den Standard-IPIP-, HEXACO-60- und BFI-10-Fragen, optional ergänzt durch weitere Fragen zu Zielen und Motivationen des Benutzers, wie vorstehend beschrieben. Während in einer Variante die Standard-IPIP-Wertungen (wie sie durch die Beantwortung aller Fragen im Standard-IPIP-Test erhalten werden), die Standard-HEXACO-60-Wertungen (wie sie durch die Beantwortung aller Fragen im Standard-HEXACO-60-Test erhalten werden) und die Standard-BFI-10-Wertungen (wie sie durch die Beantwortung aller Fragen im Standard-BFI-10-Test erhalten werden) einzeln als Referenz für das optimal erreichbare Ergebnis genommen werden können, kann in einer anderen Variante eine Verbesserung erreicht werden, indem eine kombinierte Wertung dieser individuellen Wertungen als Referenz für das optimal erreichbare Ergebnis berechnet wird, wobei die kombinierte Wertung als ein (z.B. gewichteter) Durchschnitt der Einzelwerte berechnet werden kann. Die kombinierte Wertung kann auch als „Superscore“ bezeichnet werden, der die aus den einzelnen Wertungen ableitbare „Wahrheit“ repräsentiert, was im Allgemeinen die Aussagekraft der bestimmten Wertung verbessert und eine verbesserte Referenz für das optimal erreichbare Ergebnis repräsentiert.
  • In einer anderen Variante können die Fragen iterativ von dem Satz von Fragen gewählt werden, wobei in jeder Iteration eine nächste Frage in Abhängigkeit von einer Antwort des Benutzers auf eine vorherige Frage gewählt werden kann, und wobei in jeder Iteration die nächste Frage als eine Frage von dem Satz von Fragen gewählt werden kann, die als am einflussreichsten auf ein erreichbares Ergebnis zum Berechnen von Persönlichkeitsdaten des Benutzers bestimmt wird. Dies kann als eine adaptive Wahl der Fragen angesehen werden, wobei Fragen schrittweise benutzerspezifisch unter Berücksichtigung von Antworten auf vorherige Fragen des Benutzers bestimmt werden. In einer besonderen Variante kann das neuronale Netz eine Vielzahl von Ausgangsknoten umfassen, die eine Wahrscheinlichkeitskurve eines Ergebnisses der Persönlichkeitsdaten des Benutzers repräsentieren, wobei die Bestimmung der einflussreichsten Frage des Satzes von Fragen als nächste Frage der jeweiligen Iteration ein Bestimmen, für jeden Eingangsknoten des neuronalen Netzes, eines Grades umfassen kann, gemäß dem eine Änderung der digitalen Wertungen, die in den jeweiligen Eingangsknoten des neuronalen Netzes eingegeben werden, die Wahrscheinlichkeitskurve ändert. Die einem Eingangsknoten zugeordnete Frage, für die der Grad der Änderung der Wahrscheinlichkeitskurve als am höchsten bestimmt wird, kann als die einflussreichste Frage für die jeweilige Iteration gewählt werden.
  • Um die Rechenkomplexität weiter zu verringern, kann die vorstehende iterative und adaptive Wahl unter zumindest einer Einschränkung durchgeführt werden, wie z.B. einer maximalen Anzahl von zu wählenden Fragen, einer zu erreichenden minimalen Ergebnisgenauigkeit (die Ergebnisgenauigkeit kann mit jeder beantworteten Frage pro Iteration steigen und die Ergebnisgenauigkeit kann mit jeder beantworteten Frage pro Iteration zunehmen, und wenn die gewünschte minimale Ergebnisgenauigkeit erreicht ist, kann die Berechnung gestoppt werden), und eine maximal verfügbare Zeit (der Test kann nach Ablauf der maximal verfügbaren Zeit gestoppt werden, oder jeder Frage kann eine geschätzte Zeit zugeordnet werden, binnen derer der Benutzer antworten muss, und die Anzahl der zu wählenden Fragen kann basierend auf den geschätzten Zeiten bestimmt werden). Diese Beschränkungen können für jede Berechnung der Persönlichkeitsdaten separat eingerichtet werden.
  • Gemäß einer zweiten Ausgestaltung wird eine Client-Vorrichtung zur Verwendung bei der Fahrzeugherstellung bereitgestellt, wobei die Verwendung ein Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch die Client-Vorrichtung von einem Server umfasst. Die Client-Vorrichtung umfasst zumindest einen Prozessor und zumindest einen Speicher. Der zumindest eine Speicher enthält Instruktionen, die durch den zumindest einen Prozessor ausführbar sind, so dass die Client-Vorrichtung funktionsfähig ist, um eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer an den Server zu senden, die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers von dem Server zu empfangen, wobei die Persönlichkeitsdaten des Benutzers basierend auf Eingaben, die von dem Benutzer erhalten werden, unter Verwendung eines neuronalen Netzes berechnet werden, das trainiert ist, um Persönlichkeitsdaten für einen Benutzer basierend auf Eingaben, die von dem Benutzer erhalten werden, zu berechnen und die digitale Repräsentation der Persönlichkeitsdaten zu verarbeiten, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist. Das Fahrzeug wird basierend auf der bestimmten Fahrzeugkonfiguration hergestellt.
  • Die Client-Vorrichtung gemäß der zweiten Ausgestaltung definiert einen Betriebsablauf aus der Sicht einer Client-Vorrichtung, der komplementär zu dem von dem Server gemäß der ersten Ausgestaltung durchgeführten Betriebsablauf sein kann. Der Server und die Client-Vorrichtung der zweiten Ausgestaltung können dem Server und der Client-Vorrichtung entsprechen, die vorstehend in Bezug auf die erste Ausgestaltung beschrieben wurden. Somit können die in Bezug auf die erste Ausgestaltung beschriebenen Ausgestaltungen, die auf die Client-Vorrichtung der ersten Ausgestaltung anwendbar sind, auch von der Client-Vorrichtung der zweiten Ausgestaltung umfasst sein und umgekehrt. Unnötige Wiederholungen werden daher im Folgenden ausgelassen.
  • Wie in dem Server der ersten Ausgestaltung kann die digitale Repräsentation der Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung verarbeitet werden, um zumindest eine Vorrichtung einzurichten, die einen Dienst für den Benutzer bereitstellt, wobei die zumindest eine Vorrichtung die Client-Vorrichtung umfassen kann. Die Client-Vorrichtung kann ferner ein Senden eines den Benutzer charakterisierenden Feedback an den Server und ein Empfangen einer digitalen Repräsentation von aktualisierten Persönlichkeitsdaten des Benutzers von dem Server durchführen, wobei die aktualisierten Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes berechnet werden können, das basierend auf dem Feedback aktualisiert wurde. Die digitale Repräsentation der aktualisierten Persönlichkeitsdaten des Benutzers kann auf der Client-Vorrichtung verarbeitet werden, um eine Einrichtung der zumindest einen Vorrichtung zu verfeinern, die den Dienst für den Benutzer bereitstellt. Das Feedback kann Verhaltensdaten enthalten, die ein Verhalten des Benutzers widerspiegeln, das auf der zumindest einen Vorrichtung überwacht wird, wenn der von der zumindest einen Vorrichtung bereitgestellte Dienst verwendet wird, wobei die Verhaltensdaten unter Verwendung von Messungen überwacht werden können, die von der zumindest einen Vorrichtung, die den Dienst für den Benutzer bereitstellt, durchgeführt werden. Die zumindest eine Vorrichtung kann ein Fahrzeug umfassen, wobei die Verhaltensdaten Daten umfassen können, die ein Fahrverhalten des Benutzers widerspiegeln. Die Persönlichkeitsdaten des Benutzers können vor dem Senden der Anforderung an den Server berechnet werden, wobei die Anforderung einen Zugangscode enthalten kann, der dem Benutzer zuvor von dem Server bei der Berechnung der Persönlichkeitsdaten des Benutzers bereitgestellt wurde, wobei der Zugangscode dem Benutzer den Zugang zu der digitalen Repräsentation der Persönlichkeitsdaten des Benutzers von verschiedenen Client-Vorrichtungen aus ermöglicht. Die von dem Benutzer erhaltenen Eingaben können digitalen Wertungen entsprechen, die Antworten auf Fragen bezüglich zumindest einem aus Persönlichkeit, Zielen und Motivationen des Benutzers widerspiegeln.
  • Gemäß einer dritten Ausgestaltung wird ein System bereitgestellt, das einen Server gemäß der ersten Ausgestaltung und zumindest eine Client-Vorrichtung gemäß der zweiten Ausgestaltung umfasst.
  • Gemäß einer vierten Ausgestaltung wird ein computerlesbares Aufzeichnungsmedium bereitgestellt, das ein Computerprogrammprodukt speichert, das Programmcodeabschnitte umfasst, um, wenn das Computerprogrammprodukt auf einem Server zur Verwendung bei dem Fahrzeugherstellen ausgeführt wird, wobei die Verwendung einen Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung von dem Server umfasst, den Server funktionsfähig zu machen, um den Server gemäß der ersten Ausgestaltung zu implementieren.
  • Gemäß einer fünften Ausgestaltung wird ein computerlesbares Aufzeichnungsmedium bereitgestellt, das ein Computerprogrammprodukt speichert, das Programmcodeabschnitte umfasst, um, wenn das Computerprogrammprodukt auf einer Client-Vorrichtung zur Verwendung bei dem Fahrzeugherstellen ausgeführt wird, wobei die Verwendung einen Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch die Client-Vorrichtung von einem Serverumfasst, die Client-Vorrichtung funktionsfähig zu machen, um die Client-Vorrichtung gemäß der zweiten Ausgestaltung zu implementieren.
  • Figurenliste
  • Weitere Einzelheiten und Vorteile der hier beschriebenen Technik werden unter Bezugnahme auf beispielhafte Implementierungen beschrieben, die in den Figuren dargestellt sind. Es zeigen:
    • 1a und 1b beispielhafte Zusammenstellungen eines Servers und einer Client-Vorrichtung gemäß der vorliegenden Offenbarung;
    • 2 einen Betriebsablauf, der von dem Server gemäß der vorliegenden Offenbarung durchgeführt werden kann;
    • 3 einen Betriebsablauf, der von der Client-Vorrichtung gemäß der vorliegenden Offenbarung durchgeführt werden kann;
    • 4 eine beispielhafte Interaktion zwischen einem Benutzer, dem Server und einer Client-Vorrichtung (beispielhaft durch ein Fahrzeug dargestellt) gemäß der vorliegenden Offenbarung;
    • 5 verschiedene Verbindungsoptionen zwischen einem mobilen Endgerät des Benutzers, dem Fahrzeug und dem Server gemäß der vorliegenden Offenbarung;
    • 6a und 6b beispielhafte Strukturen des neuronalen Netzes gemäß der vorliegenden Offenbarung;
    • 7 eine beispielhafte Implementierung, bei der der Aufmerksamkeitsgrad des Fahrers berücksichtigt wird, um Einstellungen eines Fahrzeugs gemäß der vorliegenden Offenbarung anzupassen; und
    • 8 eine beispielhafte Implementierung, bei der Körperscandaten eines Benutzers berücksichtigt werden, um dem Benutzer einen benutzerangepassten Dienst gemäß der vorliegenden Offenbarung bereitzustellen.
  • Ausführliche Beschreibung
  • In der nachstehenden Beschreibung werden zum Zwecke der Erläuterung und nicht der Einschränkung spezifische Einzelheiten beschrieben, um ein umfassendes Verständnis der vorliegenden Offenbarung zu ermöglichen. Dem Fachmann leuchtet ein, dass die vorliegende Offenbarung in anderen, von diesen spezifischen Einzelheiten abweichenden Implementierungen ausgeführt werden kann.
  • Dem Fachmann leuchtet ferner ein, dass die hier erläuterten Operationen, Dienste und Funktionen unter Verwendung einzelner Hardwareschaltungen, unter Verwendung von Software, die unter Verwendung eines programmierten Mikroprozessors oder Allzweckcomputers arbeitet, unter Verwendung eines oder mehrerer anwendungsspezifischer integrierter Schaltkreise (ASICs) und/oder unter Verwendung eines oder mehrerer digitaler Signalprozessoren (DSPs) implementiert werden können. Ein oder mehrere Speicher sind mit einem oder mehreren Programmen kodiert, die die hier offenbarten Operationen, Dienste und Funktionen ausführen, wenn sie von dem einen oder den mehreren Prozessoren ausgeführt werden.
  • 1a zeigt schematisch einen beispielhaften Aufbau eines Servers 100 zum Ermöglichen eines effizienten Abrufs einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung von dem Server 100, wobei die digitale Repräsentation der Persönlichkeitsdaten auf der Client-Vorrichtung zu verarbeiten ist, um dem Benutzer einen benutzerangepassten Dienst bereitzustellen. Der Server 100 umfasst zumindest einen Prozessor 102 und zumindest einen Speicher 104, wobei der zumindest eine Speicher 104 Instruktionen enthält, die von dem zumindest einen Prozessor 102 ausführbar sind, so dass der Anforderungsserver 100 funktionsfähig ist, um die hier unter Bezugnahme auf den „Server“ beschriebenen Operationen auszuführen.
  • Es ist ersichtlich, dass der Server 100 auf einer physischen Recheneinheit oder einer virtualisierten Recheneinheit, wie z.B. einer virtuellen Maschine, implementiert sein kann. Es ist weiterhin ersichtlich, dass der Server 100 nicht unbedingt auf einer eigenständigen Recheneinheit implementiert sein muss, sondern auch als Komponenten - realisiert in Software und/oder Hardware - liegend auf mehreren verteilten Recheneinheiten, wie z.B. in einer Cloud-Computing-Umgebung, implementiert sein kann.
  • 1b zeigt schematisch einen beispielhaften Aufbau einer Client-Vorrichtung 110 zum Ermöglichen eines effizienten Abrufs einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch die Client-Vorrichtung 110 von einem Server. Die Client-Vorrichtung 110 umfasst zumindest einen Prozessor 112 und zumindest einen Speicher 114, wobei der zumindest eine Speicher 114 Instruktionen enthält, die von dem zumindest einen Prozessor 112 ausführbar sind, so dass die anfordernde Client-Vorrichtung 110 funktionsfähig ist, um die hier unter Bezugnahme auf die „Client-Vorrichtung“ beschriebenen Operationen auszuführen.
  • 2 zeigt einen Betriebsablauf, der von dem Server 100 ausgeführt werden kann. Der Betriebsablauf dient dazu, einen effizienten Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung (z.B. die Client-Vorrichtung 110) von dem Server 100 zu ermöglichen. In dem Betriebsablauf kann der Server 100 die hier unter Bezugnahme auf den „Server“ beschriebenen Operationen ausführen, und in Übereinstimmung mit der vorstehenden Beschreibung kann der Server 100 in Operation S202 ein neuronales Netz speichern, das trainiert wurde, um Persönlichkeitsdaten eines Benutzers basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden, in Operation S204 kann der Server 100 von der Client-Vorrichtung eine Anforderung nach einer digitalen Repräsentation von Persönlichkeitsdaten für einen Benutzer empfangen, und in Operation S206 kann der Server 100 die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung senden, wobei die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes basierend auf Eingaben, die von dem Benutzer erhalten werden, berechnet werden.
  • 3 zeigt einen Betriebsablauf, der von der Client-Vorrichtung 110 durchgeführt werden kann. Der Betriebsablauf dient dazu, einen effizienten Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch die Client-Vorrichtung 110 von einem Server (z.B. dem Server 100) zu ermöglichen. In dem Betriebsablauf kann die Client-Vorrichtung 110 die hier unter Bezugnahme auf die „Client-Vorrichtung“ beschriebenen Operationen ausführen, und in Übereinstimmung mit der vorstehenden Beschreibung kann die Client-Vorrichtung 110 in Operation S302 eine Anforderung nach einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers an den Server senden, in Operation S304 kann die Client-Vorrichtung 110 von dem Server die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers empfangen, wobei die Persönlichkeitsdaten des Benutzers basierend auf Eingaben, die von dem Benutzer erhalten werden, unter Verwendung eines neuronalen Netzes berechnet werden, das trainiert ist, um Persönlichkeitsdaten für einen Benutzer basierend auf Eingaben, die von dem Benutzer erhalten werden, zu berechnen, und in Operation S306 kann die Client-Vorrichtung 110 die digitale Repräsentation der Persönlichkeitsdaten verarbeiten, um dem Benutzer einen benutzerangepassten Dienst bereitzustellen.
  • 4 zeigt eine beispielhafte Interaktion zwischen einem Benutzer 402, einem Server 404, der ein neuronales Netz speichert, das trainiert wurde, um Persönlichkeitsdaten von Benutzern basierend auf den von den Benutzern erhaltenen Eingaben zu berechnen, und einer Client-Vorrichtung zum Abrufen einer digitalen Repräsentation der Persönlichkeitsdaten des Benutzers 402, um dem Benutzer 402 einen benutzerangepassten Dienst bereitzustellen, wobei im gezeigten Beispiel die Client-Vorrichtung ein Fahrzeug 406 ist, das von dem Benutzer 402 gefahren werden kann. Wie in der Figur gezeigt, kann der Benutzer 402 einen automatisierten Persönlichkeitstest durchführen, indem er Fragen beantwortet, z.B. über eine Web-Schnittstelle oder eine App auf seinem Laptop oder Smartphone, um dadurch dem auf dem Server 404 gespeicherten neuronalen Netz Eingaben bereitzustellen, auf deren Grundlage das neuronale Netz Persönlichkeitsdaten für den Benutzer 402 berechnen kann. Anstatt eine digitale Repräsentation der Persönlichkeitsdaten an den Benutzer 402 zu senden, stellt der Server 404 im gezeigten Beispiel dem Benutzer 402 einen Zugangscode zur Verfügung, den der Benutzer 402 verwenden kann, um mit verschiedenen Client-Vorrichtungen, einschließlich des Fahrzeugs 406, Zugang zu den Persönlichkeitsdaten zu erhalten. Der Benutzer 402 kann sich an dem Fahrzeug 406 (genauer gesagt an dessen Bordcomputer) mit dem Zugangscode registrieren oder anmelden, und das Fahrzeug 406 kann dann unter Verwendung des Zugangscodes die digitale Repräsentation der Persönlichkeitsdaten des Benutzers von dem Server 404 anfordern (in der Figur werden die Persönlichkeitsdaten des Benutzers als „MindDNA“ des Benutzers bezeichnet).
  • Bei Empfang der Anforderung von dem Fahrzeug 406 kann der Server 404 die Persönlichkeitsdaten des Benutzers an das Fahrzeug 406 zurücksenden, das dann seine Fahrkonfiguration (und optional Teilkomponenten des Fahrzeugs 406) gemäß den Persönlichkeitsdaten des Benutzers 402 einrichten kann, z.B. das Gas- und Bremsverhalten des Fahrzeugs 406 anpassen, um dadurch ein Fahrerlebnis bereitzustellen, das speziell an die Persönlichkeit des Benutzers angepasst ist (z.B. risikoscheu, risikofreudig, etc.). Wenn der Benutzer 402 dann das Fahrzeug 406 fährt, kann das Fahrzeug 406 das Fahrverhalten des Benutzers überwachen, z.B. unter Verwendung von Sensoren, die die Bremsreaktion und -intensität des Benutzers messen, und das Fahrzeug 406 kann diese Informationen als Feedback dem Server 404 bereitstellen, wo das Feedback verarbeitet werden kann, um das neuronale Netz (durch Training) zu aktualisieren, um seine Fähigkeit zum Berechnen der Persönlichkeitsdaten des Benutzers 402 zu verfeinern. Als Reaktion darauf kann der Server 404 entsprechend aktualisierte Persönlichkeitsdaten des Benutzers 402 an das Fahrzeug 406 senden, das dann die digitale Repräsentation der aktualisierten Persönlichkeitsdaten verwenden kann, um die Fahrzeugkonfiguration für eine bessere Anpassung an die tatsächliche Persönlichkeit des Benutzers 402 zu verfeinern. Zusammenfassend wird also ein System bereitgestellt, das es ermöglichen kann, das Abrufen und Verwenden der Persönlichkeitsdaten des Benutzers in einen automatisierten Prozess zu integrieren, um die Einrichtung von Vorrichtungen oder darauf bereitgestellten Diensten gemäß den Präferenzen des Benutzers, die von seinen Persönlichkeitsdaten abgeleitet wurden, anzupassen und dadurch das Benutzererlebnis zu verbessern.
  • 5 zeigt verschiedene Verbindungsoptionen zwischen einem mobilen Endgerät 502 (z.B. einem Smartphone) des Benutzers 402, dem Fahrzeug 406 und dem Server 404 gemäß der vorliegenden Offenbarung. In einer Variante kann das Fahrzeug 406 direkt über das Internet mit dem Server 404 kommunizieren, und bei Authentifizierung des Benutzers 402 gegenüber dem Fahrzeug 406 (z.B. mit einem Schlüssel, einer Smartcard, NFC/RFID, einem Smartphone mit NFC, einem Fingerabdruck o.ä.) kann das Fahrzeug 406 die Persönlichkeitsdaten des Benutzers (in 5 wieder als „MindDNA“ des Benutzers bezeichnet) anfordern, um das Fahrerlebnis des Benutzers 402 zu verbessern. In einer anderen Variante, wenn der Benutzer 402 das mobile Endgerät 502 bei sich trägt, kann das mobile Endgerät 502 (z.B. unter Verwendung einer darauf installierten speziellen App) über das Internet mit dem Server 404 kommunizieren und die Persönlichkeitsdaten des Benutzers 402 anfordern. In dieser Variante kann das Fahrzeug 406 lokal mit dem mobilen Endgerät 502 kommunizieren (z.B. über Bluetooth, Wi-Fi oder USB-Kabel) und die Persönlichkeitsdaten des Benutzers vom mobilen Endgerät 502 abrufen. Eine direkte Verbindung zwischen dem Fahrzeug 406 und dem mobilen Endgerät 502 kann zusätzlich verwendet werden, um die am mobilen Endgerät 502 installierten Sensoren (z.B. Gyroskop zur Bewegungs- und Beschleunigungserfassung, GPS zur Bewegungs- und Beschleunigungserfassung sowie zur Erfassung von Fahrstrecken oder medizinische Sensoren zur Messung von Puls, Blutdruck o.ä.) zu nutzen, um das vom Fahrzeug 406 selbst gesammelte Feedback (z.B., in Bezug auf das Fahrverhalten des Benutzers) zu ergänzen, um dadurch zusätzliches Feedback, das von dem mobilen Endgerät 502 erfasst wird, dem Server 404 bereitzustellen, um das neuronale Netz basierend auf dem Feedback zu aktualisieren, wie vorstehend beschrieben.
  • 6a zeigt einen beispielhaften Aufbau eines neuronalen Netzes 602 gemäß der vorliegenden Offenbarung. Das neuronale Netz 602 umfasst eine Eingangsschicht, eine Ausgangsschicht und zwei verborgene Schichten. Es ist ersichtlich, dass das in 6a gezeigte neuronale Netz 602 lediglich die Struktur von tiefen neuronalen Netzen im Allgemeinen zeigt und dass die tatsächliche Anzahl von Knoten (zumindest in der Eingangsschicht und den verborgenen Schichten) des im Server 404 gespeicherten neuronalen Netzes 602 wesentlich höher sein kann, als in der Figur gezeigt ist. Wie vorstehend beschrieben, wurde ein Test unter Verwendung der 30 einflussreichsten Fragen aus einer Gesamtzahl von 370 Fragen oder mehr durchgeführt (entnommen aus Standard-IPIP-, HEXACO-60- und BFI-10-Fragen und optional ergänzt durch weitere Fragen zu Zielen und Motivationen des Benutzers), was zu 30 Eingangsknoten in der Eingangsschicht des neuronalen Netzes 602 führt. In einem solchen Fall könnte jede der verborgenen Schichten z.B. mit 50 Knoten eingerichtet werden. Ferner kann das neuronale Netz 602, wie in der Figur gezeigt, einen einzigen Ausgangsknoten in der Ausgangsschicht umfassen. In diesem Fall kann der Ergebniswert am Ausgangsknoten der Ausgangsschicht repräsentativ für den Wert einer Persönlichkeitsdimension (aus den Big Five) sein, auf die das neuronale Netz 602 trainiert worden ist. Es ist ersichtlich, dass eine solche Struktur des neuronalen Netzes 602 lediglich beispielhaft ist und dass andere Strukturen generell denkbar sind.
  • Eine erweiterte Struktur des neuronalen Netzes 602 umfasst Eingangsknoten entsprechend der Anzahl eines vollständigen Satzes verfügbarer Fragen, die aus Standard-IPIP-, HEXACO-60- und BFI-10-Fragen einschließlich weiterer Fragen zu Zielen und Motivationen des Benutzers sowie noch weiterer Fragen zu anderen psychologischen Eigenschaften und/oder Präferenzen des Benutzers, die von den vorstehenden Fragen nicht abgedeckt werden, entnommen werden können, was sich potenziell auf mehrere Hundert Fragen, z.B. mehr als 600 Fragen, summieren kann. Ein solches neuronales Netz 602 kann daher mehr als 600 Eingangsknoten aufweisen, die jeweils einer der Fragen des vollständigen Satzes verfügbarer Fragen entsprechen, und die Anzahl der Knoten der verborgenen Schichten kann in Abhängigkeit von der Leistungsfähigkeit des neuronalen Netzes 602 gewählt werden. Beispielsweise kann das neuronale Netz 602 aus zwei verborgenen Schichten mit jeweils 100 Knoten bestehen. Ferner können in der Eingangsschicht die vorstehend beschriebenen mehr als 600 Eingangsknoten dupliziert werden, wobei jeder duplizierte Eingangsknoten als Angabe über fehlende Fragen verwendet werden kann. Die Angaben über fehlende Fragen können dichotom sein, d.h. sie können lediglich zwei Werte annehmen (z.B. 0 und 1), die angeben, ob die Frage des entsprechenden (ursprünglichen) Eingangsknotens beantwortet wurde oder nicht. Aufgrund der duplizierten Eingangsknoten kann die Eingangsschicht insgesamt mehr als 1200 Eingangsknoten umfassen.
  • Die Ausgangsschicht des erweiterten neuronalen Netzes 602 kann eine Vielzahl von Ausgangsknoten aufweisen, die zusammen eine Wahrscheinlichkeitskurve für eine Persönlichkeitsdimension repräsentieren. Wenn die Skala, die für die Ausgabe in dieser Persönlichkeitsdimension verwendet wird, von 0 bis 10 reicht und die Anzahl der Ausgangsknoten z.B. 50 beträgt, dann kann jeder Ausgangsknoten für einen Teil der Skala repräsentativ sein, d.h., er entspricht den Teilen 0-0,2, 0,2-0,4, 0,4-0,6, ... 9,8-10 der Skala. Anstelle eines einzelnen Ausgangswertes kann eine solche Ausgangsschicht eine ganze Wahrscheinlichkeitskurve für den Ausgangswert auf dieser Persönlichkeitsdimension bereitstellen. In 6b ist eine beispielhafte Ausgangsschicht zusammen mit einer entsprechenden Wahrscheinlichkeitskurve 604 dargestellt. Eine solche Kurve kann es ermöglichen, zu bestimmen, wo der Ausgangswert am wahrscheinlichsten ist (d.h., angezeigt durch den Scheitelpunkt der Kurve), sowie die Genauigkeit zu bestimmen, mit der das neuronale Netz 602 das Ergebnis berechnet (d.h., angezeigt durch die Breite der Kurve). Mit Hilfe des erweiterten neuronalen Netzes 602 kann es möglich sein, die Persönlichkeitsdaten des Benutzers in Form von mehreren Wahrscheinlichkeitskurven (z.B. fünf Wahrscheinlichkeitskurven entsprechend den Big Five) für eine beliebige Anzahl von beantworteten Fragen zu berechnen, vorausgesetzt, das neuronale Netz 602 wird für jede Dimension separat trainiert. Im Ausgangszustand, in dem noch keine Frage beantwortet wurde, können alle Angaben über fehlende Fragen den Wert „fehlend“ (z.B. 0) aufweisen. Mit jeder Frage, die dann beantwortet wird, kann eine Aktualisierung der Ausgangswerte berechnet werden, so dass die Breite der Wahrscheinlichkeitskurven auf der Ausgangsschicht mit zunehmender Anzahl beantworteter Fragen kleiner wird, so dass die Genauigkeit, mit der das neuronale Netz 602 das Ergebnis berechnet, stetig zunimmt.
  • Eine solche Struktur des neuronalen Netzes 602 kann besonders vorteilhaft sein, weil sie es ermöglichen kann, iterativ Fragen, die von dem Benutzer als nächstes zu beantworten sind, von dem vollständigen Satz von Fragen zu wählen, wobei in jeder Iteration eine nächste Frage in Abhängigkeit von einer Antwort des Benutzers auf die vorherige Frage gewählt werden kann, wobei in jeder Iteration eine nächste Frage als eine Frage des vollständigen Satzes von Fragen gewählt werden kann, der als am einflussreichsten auf ein erreichbares Ergebnis zum Berechnen von Persönlichkeitsdaten des Benutzers bestimmt wird. Zu diesem Zweck können bei jeder beantworteten Frage die mehreren (z.B. fünf) Wahrscheinlichkeitskurven neu berechnet werden, und unter den neu berechneten Wahrscheinlichkeitskurven kann diejenige bestimmt werden, die die größte Breite aufweist (d.h. die die Wahrscheinlichkeitskurve mit der aktuell geringsten Genauigkeit repräsentiert). Als nächste Frage für die Iteration kann eine Frage auf dieser Dimension gewählt werden, um die Genauigkeit auf dieser Dimension zu verbessern. Um die einflussreichste Frage zu bestimmen, kann für jeden Eingangsknoten des neuronalen Netzes 602 ein Grad bestimmt werden, gemäß dem eine Änderung der digitalen Wertung, die in den jeweiligen Eingangsknoten eingegeben wird, die Wahrscheinlichkeitskurve ändert (z.B. ein Grad, in dem sich die Breite der Kurve ändert). Basierend darauf kann die Frage, die mit dem Eingangsknoten verknüpft ist, für den der Grad der Änderung der Wahrscheinlichkeitskurve als am höchsten bestimmt wird, als die einflussreichste Frage für die jeweilige Iteration gewählt werden.
  • Die erweiterte Struktur des neuronalen Netzes 602 kann auch deshalb vorteilhaft sein, weil sie die einfache Integration von Feedback in das neuronale Netz ermöglicht. Wie vorstehend beschrieben, kann, wenn das Feedback einen neuen Eingangswert repräsentiert, der noch nicht in das neuronale Netz 602 eingegeben wurde, einfach ein neuer Eingangsknoten zum neuronalen Netz 602 hinzugefügt werden, und der neue Eingangswert kann dem neuen Eingangsknoten beim Training des neuronalen Netzes 602 zugewiesen werden. Auf diese Weise kann jede Art von neuem Feedback einfach in das Netz integriert werden, so dass das neuronale Netz 602 seine Fähigkeit zum Berechnen von Persönlichkeitsdaten verfeinern kann. Als eine Implementierung, die den Rechenaufwand beim Hinzufügen eines neuen Eingangsknotens verringert, ist es denkbar, dass beim Training des Netzes zur Korrelation des neuen Eingangsknotens mit den anderen Knoten des Netzes lediglich die Knoten in die Berechnung einbezogen werden, die als am einflussreichsten in Bezug auf das optimal erreichbare Ergebnis bestimmt wurden, um so zu vermeiden, dass alle Knoten in die Berechnung einbezogen werden. Es ist auch denkbar, dass beim Training des Netzes, um den neuen Eingangsknoten mit den anderen Knoten des Netzes zu korrelieren, die Anzahl der vorberechneten Schichten begrenzt wird (z.B. auf 2 oder 3), um zu vermeiden, dass z.B. alle nachfolgenden Kombinationen von Knoten berechnet werden.
  • In der vorstehenden Beschreibung wurde der beschriebene Server bzw. die beschriebene Client-Vorrichtung zum effizienten Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers beispielhaft im Zusammenhang mit der Anpassung der Fahrkonfiguration eines Fahrzeugs, wie der Anpassung des Gas- und Bremsverhaltens des Fahrzeugs an die Persönlichkeit des Benutzers, beschrieben. In diesem Fall kann der beschriebene Server bzw. die beschriebene Client-Vorrichtung auch als ein Server bzw. eine Client-Vorrichtung zum Anpassen der Fahrkonfiguration eines Fahrzeugs bezeichnet werden, der oder die ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt. Es ist ersichtlich, dass das Anpassen des Gas- und Bremsverhaltens des Fahrzeugs lediglich ein Beispiel für das Anpassen der Fahrkonfiguration eines Fahrzeugs ist und dass, allgemeiner ausgedrückt, das Anpassen der Fahrkonfiguration des Fahrzeugs ein Anpassen einer beliebigen Fahrzeugkonfiguration umfassen kann, die das Fahrverhalten des Fahrzeugs beeinflusst. Das Anpassen der Fahrkonfiguration des Fahrzeugs kann als solches zumindest eines umfassen aus: Anpassen eines Gas- und Bremsreaktionsverhaltens des Fahrzeugs, Anpassen von Fahrwerkseinstellungen des Fahrzeugs, Anpassen eines Fahrmodus des Fahrzeugs und Anpassen von Einstellungen eines adaptiven Geschwindigkeitsreglers (ACC) des Fahrzeugs oder ähnliches an die Persönlichkeit des Benutzers. Das Anpassen eines Fahrmodus des Fahrzeugs kann das Einstellen eines Spar-, Komfort- oder Sportmodus umfassen, um das Gaspedal- und Kraftstoffverbrauchsverhalten des Fahrzeugs in Abhängigkeit von der Persönlichkeit des Fahrers zu beeinflussen. Wenn die Persönlichkeitsdaten angeben, dass der Fahrer z.B. eher risikoscheu ist, kann der Fahrmodus auf Economy oder Komfort eingestellt werden, während für Fahrer, die eher eine risikofreudige Persönlichkeit aufweisen der Fahrmodus auf Sport eingestellt werden kann. Das Anpassen eines Fahrmodus des Fahrzeugs kann zum Beispiel auch das Aktivieren/Deaktivieren eines automatischen Allradantriebs (4WD) des Fahrzeugs umfassen. Das Anpassen der Einstellungen des ACC kann das Einstellen des Abstands zum vorausfahrenden Fahrzeug und/oder der Soll-Fahrgeschwindigkeit umfassen, z.B. in Abhängigkeit von der Risikobereitschaft des Fahrers.
  • Es ist ersichtlich, dass die hier beschriebene Technik auch für andere Zwecke in einem Fahrzeugkontext eingesetzt werden kann, z.B. zum Anpassen der Umgebungsbedingungen in dem Fahrgastraum des Fahrzeugs (oder allgemeiner eines Transportmittels, da eine Anpassung der Umgebungsbedingungen in dem Fahrgastraum in ähnlicher Weise auch für andere Transportmittel, wie Flugzeuge, Züge usw., gelten kann). In diesem Fall kann der beschriebene Server bzw. die beschriebene Client-Vorrichtung auch als ein Server bzw. eine Client-Vorrichtung zum Anpassen einer Umgebungsbedingung in einem Fahrgastraum eines Transportmittels bezeichnet werden, der oder die ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt. Das Anpassen einer Umgebungsbedingung in einem Fahrgastraum eines Transportmittels kann das Anpassen von zumindest einem an die Persönlichkeit des Benutzers umfassen aus: Anpassen einer Temperatur des Fahrgastraums (z.B. durch Anpassen der Klimaeinstellungen für den Fahrgastraum), Anpassen einer Innenbeleuchtung des Fahrgastraums und Anpassen eines Sauerstoffgehalts in dem Fahrgastraum oder dergleichen. Zusätzlich oder alternativ zum Anpassen einer Umgebungsbedingung in dem Fahrgastraum kann die hier beschriebene Technik auch zum Anpassen benutzerspezifischer Einstellungen bezüglich des Fahrgastraums verwendet werden. Das Anpassen einer benutzerspezifischen Einstellung in Bezug auf den Fahrgastraum eines Transportmittels kann das Anpassen zumindest eines umfassen aus: Anpassen einer Sitzkonfiguration (z.B. Sitzhöhe, Sitzposition, Sitzmassageeinstellungen, Anschnallgurtstraffung usw.) für den Benutzer in dem Fahrgastraum und Anpassen von Equalizer-Einstellungen eines Soundsystems (z.B. Erhöhen/Verringern von Bässen oder Höhen), die dem Benutzer in dem Fahrgastraum bereitgestellt werden, o. ä., an die Persönlichkeit des Benutzers.
  • Jede der vorstehend genannten Anpassungen der Fahrzeug-/Transportmitteleinstellungen kann - zusätzlich zum Anpassen an die Persönlichkeit des Benutzers - auch unter Berücksichtigung von (oder „basierend auf“/„gemäß“) Sensordaten durchgeführt werden, die Aufschluss über den in der Fahrgastraum bestimmten Aufmerksamkeitsgrad des Benutzers geben. Mit anderen Worten kann die Client-Vorrichtung eingerichtet sein, um die Fahrkonfiguration des Fahrzeugs, die Umgebungsbedingungen im Fahrgastraum und die benutzerspezifischen Einstellungen bezüglich des Fahrgastraums nicht lediglich unter Berücksichtigung der digitalen Repräsentation der Persönlichkeitsdaten des Benutzers anzupassen, sondern auch unter Berücksichtigung von Sensordaten, die Aufschluss über den Aufmerksamkeitsgrad des Benutzers geben. Die digitale Repräsentation der Persönlichkeitsdaten des Benutzers und die Sensordaten, die Aufschluss über den Aufmerksamkeitsgrad des Benutzers geben, können mit anderen Worten vor der Durchführung der vorstehend beschriebenen Anpassungen kombiniert werden. Die Sensordaten, die Aufschluss über den Aufmerksamkeitsgrad des Benutzers geben, können Daten zu zumindest einem umfassen aus: Herzschlag, Atmung, Müdigkeit, Reaktionszeit und Alkohol-/Drogenspiegel des Benutzers. Die Sensordaten können z.B. von zumindest einem Sensor erfasst werden, der in dem Fahrgastraum oder in dem mobilen Endgerät des Benutzers installiert ist.
  • 7 zeigt eine beispielhafte Implementierung, bei der der Aufmerksamkeitsgrad des Fahrers in Kombination mit den Persönlichkeitsdaten des Fahrers berücksichtigt wird, um die Fahrkonfiguration des Fahrzeugs, die Umgebungsbedingungen im Fahrgastraum und/oder die benutzerspezifischen Einstellungen bezüglich des Fahrgastraums anzupassen. Der Aufmerksamkeitsgrad des Fahrers kann durch entsprechende Sensoren überprüft werden, z.B. in Bezug auf Reaktionszeit, Müdigkeit, Herzschlag, Atem, Alkohol-/Drogenspiegel oder ungewöhnliches Verhalten des Benutzers. Im linken Teil der Figur geben die gesammelten Sensordaten Aufschluss über einen normalen Aufmerksamkeitsgrad des Benutzers, und daher können die Fahrzeugeinstellungen auf den normalen Niveaus bleiben (z.B. wie an die Persönlichkeit oder „MindDNA“ des Fahrers angepasst), einschließlich zum Beispiel der Geschwindigkeit, der Audiolautstärke, der Temperatur und der Sitzeinstellungen. Im mittleren Teil der Figur geben die Sensordaten Aufschluss über einen verringerten Aufmerksamkeitsgrad des Fahrers, und die Fahrzeugeinstellungen können daher auf verringerte Geschwindigkeit, höhere Audiolautstärke und niedrigere Temperatureinstellungen geändert werden, einschließlich des Einschaltens von Sitzmassagefunktionen, um die Aufmerksamkeit des Fahrers wieder aufzufrischen. Optional können Aufmerksamkeitstests durchgeführt werden, wie z.B. die Aufforderung an den Fahrer, eine sprachbasierte Antwort in einem Frage/Antwort-Schema zu geben, und die Ergebnisse der Aufmerksamkeitstests können bei der Anpassung der vorstehend genannten Einstellungen berücksichtigt werden. Im rechten Teil der Figur hingegen geben die Sensordaten Aufschluss über einen sehr niedrigen Aufmerksamkeitsgrad des Fahrers, weshalb eine Benutzerwarnung ausgegeben werden kann und die Fahrzeugeinstellungen entsprechend angepasst werden können, z.B. auf eine sehr langsame Geschwindigkeit (und die Erzwingung des Anhaltens des Fahrzeugs bei der nächsten Haltemöglichkeit), auf stummgeschalteten Ton und/oder auf die Bereitstellung von Wegbeschreibungen zum nächsten Hotel durch ein Navigationssystem.
  • Um dem Benutzer, wie vorstehend beschrieben, einen benutzerangepassten Dienst bereitzustellen (z.B. durch Anpassen zumindest einer aus Fahrkonfiguration des Fahrzeugs, Umgebungsbedingungen im Fahrgastraum und benutzerspezifischen Einstellungen bezüglich des Fahrgastraums), kann die Client-Vorrichtung ferner Körperscandaten berücksichtigen, die (z.B. physische) Eigenschaften des Benutzers angeben, die durch Scannen (z.B. zumindest eines Teils) des Körpers des Benutzers abgeleitet werden können, bevor dem Benutzer der benutzerangepasste Dienst bereitgestellt wird (z.B. bevor der Benutzer das Fahrzeug fährt). Die Benutzereigenschaften, die durch das Scannen des Körpers des Benutzers abgeleitet werden können, können z.B. zumindest eines aus Gewicht, Geschlecht, Alter, Statur, Körperhaltung und emotionalem Zustand des Benutzers umfassen. Die Körperscandaten können durch eine Kamera oder einen Sprachrekorder (z.B. des mobilen Endgeräts des Benutzers oder des Fahrzeugs/Transportmittels) gewonnen werden, die ein oder mehrere Bilder oder Sprachsignale des Benutzers aufnehmen, wobei Körper-/Gesichts-/Stimmerkennungstechniken verwendet werden können, um den Körper des Benutzers zu scannen und die vorstehend genannten Benutzereigenschaften abzuleiten. Die Client-Vorrichtung kann also eingerichtet sein, um einen benutzerangepassten Dienst nicht lediglich unter Berücksichtigung der digitalen Repräsentation der Persönlichkeitsdaten des Benutzers, sondern auch unter Berücksichtigung (oder „basierend auf den“/ „gemäß den“) der Körperscandaten bereitzustellen. Die digitale Repräsentation der Persönlichkeitsdaten des Benutzers und die Körperscandaten können mit anderen Worten vor der Bereitstellung des benutzerangepassten Dienstes für den Benutzer kombiniert werden. 8 zeigt eine beispielhafte Implementierung, bei der die Körperscandaten eines Fahrers (z.B. erhalten durch das mobile Endgerät des Fahrers, wie z.B. das Smartphone, die Smartwatch oder der Fitnesstracker des Fahrers, vor dem Einsteigen in das Fahrzeug) in Kombination mit den Persönlichkeitsdaten des Fahrers berücksichtigt werden, um die Fahrkonfiguration des Fahrzeugs, die Umgebungsbedingungen im Fahrgastraum und/oder die benutzerspezifischen Einstellungen bezüglich des Fahrgastraums entsprechend anzupassen. In der Figur werden die Körperscandaten als „BodyDNA“ bezeichnet, die in Kombination mit der „MindDNA“ die sogenannte „LifeDNA“ bilden. Es ist ersichtlich, dass die erhaltenen Körperscandaten auch dazu verwendet werden können, ein den Benutzer charakterisierendes Feedback bereitzustellen, um das neuronale Netz zu aktualisieren, wie vorstehend beschrieben.
  • In einem anderen fahrzeugbezogenen Anwendungsfall kann die hier beschriebene Technik auch verwendet werden, um vor dem Herstellen des Fahrzeugs eine an die Persönlichkeit des Benutzers angepasste Fahrzeugkonfiguration zu bestimmen, wobei das Fahrzeug dann basierend auf (oder „gemäß“) der bestimmten Fahrzeugkonfiguration hergestellt werden kann. Das Fahrzeug kann in verschiedenen Konfigurationsoptionen hergestellt werden (z.B. wie von einem Fahrzeughersteller angeboten), wie z.B. mit verschiedenen Motoroptionen, die jeweils eine andere Motorleistung aufweisen, Antriebstechnologieoptionen (z.B. Unterstützung von Zweiradantrieb (2WD) oder 4WD-Technologie), Fahrgestelloptionen, verschiedene Antriebsmodusoptionen, Unterstützung von ACC, usw., und wenn ein neues Fahrzeug für den Benutzer hergestellt werden soll, kann die Fahrzeugkonfiguration bestimmt werden, um speziell an die Persönlichkeit des Benutzers angepasst zu sein. Wenn die Persönlichkeitsdaten beispielsweise angeben, dass der Benutzer eher risikoscheu ist, kann die bestimmte Fahrzeugkonfiguration eine Wahl eines Motors mit einer geringeren Leistung im Vergleich zu einer Fahrzeugkonfiguration umfassen, die für einen Benutzer bestimmt wurde, dessen Persönlichkeitsdaten auf eine risikofreudige Persönlichkeit hindeuten. Basierend auf der bestimmten Fahrzeugkonfiguration kann das Fahrzeug dann entsprechend hergestellt werden. Als solches kann in Übereinstimmung mit der vorstehenden Beschreibung auch ein Server bzw. eine Client-Vorrichtung zur Fahrzeugherstellung vorgesehen sein, der oder die einen effizienten Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung von einem Server unterstützt, wobei die digitale Repräsentation der Persönlichkeitsdaten auf der Client-Vorrichtung verarbeitet wird, um eine an die Persönlichkeit des Benutzers angepasste Fahrzeugkonfiguration bereitzustellen. Der Server bzw. die Client-Vorrichtung kann folgendes durchführen: Senden einer Anforderung nach einer digitalen Repräsentation von Persönlichkeitsdaten für einen Benutzer von der Client-Vorrichtung an den Server, Empfangen der angeforderten digitalen Repräsentation der Persönlichkeitsdaten des Benutzers durch die Client-Vorrichtung von dem Server, wobei die Persönlichkeitsdaten des Benutzers basierend auf Eingaben, die von dem Benutzer erhalten werden, unter Verwendung eines neuronalen Netzes berechnet werden, das trainiert ist, Persönlichkeitsdaten für einen Benutzer basierend auf Eingaben, die von dem Benutzer erhalten werden, zu berechnen, Verarbeiten der digitalen Repräsentation der Persönlichkeitsdaten, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist, und Herstellen des Fahrzeugs basierend auf der bestimmten Fahrzeugkonfiguration. Bei dem Herstellen des Fahrzeugs ist ersichtlich, dass die bestimmte Fahrzeugkonfiguration auch das Herstellen von Fahrzeugteilen beeinflussen kann, die für das Herstellen des Fahrzeugs benötigt werden. Beispielsweise kann das Herstellen des Fahrzeugs das Herstellen eines oder mehrerer Fahrzeugteile umfassen, die für das Herstellen des Fahrzeugs verwendet werden, wobei die Fahrzeugteile (z.B. unter Verwendung eines 3D-Druckers) entsprechend der bestimmten Fahrzeugkonfiguration hergestellt werden.
  • Es ist ersichtlich, dass die hier beschriebene Technik nicht lediglich in fahrzeug-/transportmittelbezogenen Anwendungsfällen eingesetzt werden kann, sondern auch in anderen Anwendungsfällen, wie z.B. zum Anpassen der Konfiguration von Smart-Home-Vorrichtungen oder Robotern an die Persönlichkeit eines Benutzers. Als solches kann in Übereinstimmung mit der vorstehenden Beschreibung auch ein Server bzw. eine Client-Vorrichtung zum Anpassen einer Konfiguration einer Smart-Home-Vorrichtung (z.B. automatische Rollläden, Klimaanlagen, Kühlschränke, Waschmaschinen, Fernseher, Set-Top-Boxen usw.) vorgesehen werden, der bzw. die ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt, wobei die digitale Repräsentation der Persönlichkeit des Benutzers auf der Client-Vorrichtung verarbeitet werden kann, um eine Konfiguration der Smart-Home-Vorrichtung an die Persönlichkeit des Benutzers anzupassen (z.B., um die Art und Weise anzupassen, in der die Smart Home-Vorrichtung ihre primäre Aufgabe ausführt, wie z.B. ihre Aufgaben beim Schließen (Rollläden), Heizen/Kühlen (Klimaanlagen), Kühlen (Kühlschränke), Waschen (Waschmaschinen) oder Aufnehmen/Anzeigen (Fernseher/Set-Top-Boxen)). In ähnlicher Weise kann in Übereinstimmung mit der vorstehenden Beschreibung ein Server bzw. eine Client-Vorrichtung zum Anpassen einer Konfiguration eines Roboters (z.B. eines humanoiden Roboters oder eines Haushaltsroboters, der eingerichtet ist, um eine oder mehrere Haushaltsaufgaben auszuführen) vorgesehen werden, der bzw. die ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt, wobei die digitale Repräsentation der Persönlichkeit des Benutzers auf der Client-Vorrichtung verarbeitet werden kann, um eine Konfiguration des Roboters an die Persönlichkeit des Benutzers anzupassen (z.B. um die Art und Weise anzupassen, in der Haushaltsaufgaben durch den Haushaltsroboter ausgeführt werden).
  • Verschiedene andere Anwendungsfälle sind generell denkbar. Andere Anwendungsfälle können z.B. die Anpassung der Konfiguration von virtuellen Robotern, die Anpassung der Konfiguration von medizinischen Vorrichtungen oder auch die Stimulation eines Gehirns umfassen. Entsprechend der vorstehenden Beschreibung kann auch ein Server bzw. eine Client-Vorrichtung zum Anpassen einer Konfiguration eines virtuellen Roboters (z.B. eines Chatbots, virtuellen Servicepersonals oder virtuellen persönlichen Assistenten) vorgesehen sein, der oder die ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt, wobei die digitale Repräsentation der Persönlichkeit des Benutzers auf der Client-Vorrichtung verarbeitet werden kann, um eine Konfiguration des virtuellen Roboters an die Persönlichkeit des Benutzers anzupassen (z.B. um die Art und Weise anzupassen, in der der virtuelle Roboter seine Aufgabe der Unterstützung des Benutzers ausführt). In ähnlicher Weise kann in Übereinstimmung mit der vorstehenden Beschreibung ein Server bzw. eine Client-Vorrichtung zum Anpassen einer Konfiguration einer medizinischen Vorrichtung (z.B. einer medizinischen Vorrichtung am Krankenbett) vorgesehen werden, der oder die einen effizienten Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt, wobei die digitale Repräsentation der Persönlichkeit des Benutzers auf der Client-Vorrichtung verarbeitet werden kann, um eine Konfiguration der medizinischen Vorrichtung an die Persönlichkeit des Benutzers anzupassen (z.B. um eine Dosierungsanleitung, wie die Dosierung eines Analgetikums, oder ähnliches, anzupassen). Noch weitergehend kann ein Server bzw. eine Client-Vorrichtung zur Stimulation eines Gehirns (z.B. eines Lebewesens oder einer virtuellen Repräsentation eines Gehirns) vorgesehen sein, der oder die ein effizientes Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers unterstützt, wobei die digitale Repräsentation der Persönlichkeit des Benutzers auf der Client-Vorrichtung verarbeitet werden kann, um eine Stimulationsprozedur für das Gehirn basierend auf der Persönlichkeit des Benutzers anzupassen. Die Stimulationsprozedur kann z.B. eine elektrische Stimulation des Gehirns eines Lebewesens oder eine Anpassung/Rekonfiguration einer virtuellen Repräsentation eines Gehirns umfassen. Eine virtuelle Repräsentation eines Gehirns kann z.B. in einen Roboter oder eine andere Form eines intelligenten Systems eingespeist werden, um das Verhalten eines solchen Systems basierend auf der Persönlichkeit des Benutzers zu beeinflussen.
  • Wenn in allen vorstehend beschriebenen Beispielen und Anwendungsfällen von einem „Anpassen“ einer Konfiguration oder Einstellung „an die Persönlichkeit eines Benutzers“ die Rede ist, kann eine solche Anpassung unter Verwendung vordefinierter Abbildungen implementiert werden, die eine bestimmte Charakteristik der Persönlichkeit des Benutzers (wie angegeben durch die digitale Repräsentation der Persönlichkeitsdaten des Benutzers) auf eine bestimmte Konfiguration oder Einstellung der/des entsprechenden Vorrichtung/Geräts (z.B. Fahrzeug, Transportmittel, Smart-Home-Vorrichtung, Roboter, medizinische Vorrichtung usw., wie vorstehend beschrieben) abbilden. Wie vorstehend beschrieben, wenn die Persönlichkeitsdaten angeben, dass ein Fahrer tendenziell risikoscheu ist, kann der Fahrmodus eines Fahrzeugs beispielsweise auf Economy oder Komfort eingestellt werden, während für Fahrer, die tendenziell eine risikofreudige Persönlichkeit aufweisen, der Fahrmodus auf Sport eingestellt werden kann. Solche Abbildungen können für jede mögliche Persönlichkeitsmerkmal-Konfigurations-/Einstellungskombination vordefiniert sein und abhängig von den bestimmten Persönlichkeitsdaten des Benutzers kann die Konfiguration oder Einstellung der/des Vorrichtung/Geräts entsprechend angepasst werden. Das Persönlichkeitsmerkmal des Benutzers kann einem Wert einer Persönlichkeitsdimension (z.B. aus den Big Five) entsprechen, die vom neuronalen Netz, wie vorstehend beschrieben, ausgegeben wird.
  • Es wird davon ausgegangen, dass die Vorteile der hier beschriebenen Technik vollständig aus der vorstehenden Beschreibung ersichtlich sind, und es ist offensichtlich, dass verschiedene Änderungen in der Form, Konstruktionen und Anordnung der beispielhaften Ausgestaltungen an ihr durchgeführt werden können, ohne von dem Schutzbereich der Offenbarung abzuweichen oder ohne alle ihre vorteilhaften Auswirkungen aufzugeben. Da die hier beschriebene Technik in vielerlei Hinsicht variiert werden kann, ist ersichtlich, dass die Offenbarung lediglich durch den Schutzbereich der nachfolgengen Ansprüche zu begrenzen ist.

Claims (33)

  1. Server (100) zur Verwendung bei der Fahrzeugherstellung, wobei die Verwendung ein Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung (110) von dem Server (100) umfasst, wobei die digitale Repräsentation der Persönlichkeitsdaten auf der Client-Vorrichtung (110) verarbeitet wird, um eine an die Persönlichkeit des Benutzers angepasste Fahrzeugkonfiguration bereitzustellen, wobei der Server (100) zumindest einen Prozessor (102) und zumindest einen Speicher (104) umfasst, wobei der zumindest eine Speicher (104) Instruktionen enthält, die durch den zumindest einen Prozessor (102) ausführbar sind, so dass der Server (100) funktionsfähig ist, um: ein neuronales Netz (602) zu speichern, das trainiert ist, um Persönlichkeitsdaten eines Benutzers basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden; von der Client-Vorrichtung (110) eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer zu empfangen; und die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung (110) zu senden, wobei die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes (602) basierend auf Eingaben berechnet werden, die von dem Benutzer erhalten werden, wobei die digitale Repräsentation der Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung (110) verarbeitet wird, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist, wobei das Fahrzeug basierend auf der bestimmten Fahrzeugkonfiguration hergestellt wird.
  2. Server (100) nach Anspruch 1, wobei das Herstellen des Fahrzeugs ein Herstellen eines oder mehrerer Fahrzeugteile umfasst, die für das Herstellen des Fahrzeugs zu verwenden sind, wobei die Fahrzeugteile gemäß der bestimmten Fahrzeugkonfiguration hergestellt werden.
  3. Server (100) nach Anspruch 1 oder 2, wobei der zumindest eine Speicher (104) ferner Instruktionen enthält, die von dem zumindest einen Prozessor (102) ausführbar sind, so dass der Server (100) funktionsfähig ist, um: ein Feedback zu erhalten, das den Benutzer charakterisiert; das neuronale Netz (602) basierend auf dem Feedback zu aktualisieren; und eine digitale Repräsentation von aktualisierten Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung (110) zu senden, wobei die aktualisierten Persönlichkeitsdaten des Benutzers unter Verwendung des aktualisierten neuronalen Netzes (602) berechnet werden.
  4. Server (100) nach Anspruch 3, wobei die digitale Repräsentation der aktualisierten Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung (110) verarbeitet wird, um die Fahrzeugkonfiguration zu verfeinern.
  5. Server (100) nach Anspruch 3 oder 4, wobei das Feedback an der Client-Vorrichtung (110) gesammelt wird.
  6. Server (100) nach einem der Ansprüche 3 bis 5, wobei das Feedback Aufschluss über die Persönlichkeit des Benutzers gibt.
  7. Server (100) nach einem der Ansprüche 1 bis 6, wobei die Persönlichkeitsdaten des Benutzers zumindest eines angeben aus: psychologischen Eigenschaften des Benutzers, und Präferenzen des Benutzers.
  8. Server (100) nach einem der Ansprüche 1 bis 7, wobei die von dem Benutzer erhaltenen Eingaben digitalen Wertungen entsprechen, die Antworten auf Fragen bezüglich zumindest einem aus Persönlichkeit, Zielen und Motivationen des Benutzers widerspiegeln, und wobei jede digitale Wertung als Eingabe für einen separaten Eingangsknoten des neuronalen Netzes (602) verwendet wird, wenn die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes (602) berechnet werden.
  9. Server (100) nach Anspruch 8, wobei die Fragen bezüglich der Persönlichkeit des Benutzers Fragen entsprechen aus zumindest einem aus: einem International Personality Item Pool, IPIP, einem HEXACO-60 Pool, einem Big-Five-Inventory-10, BFI-10, Pool, Fragen zu psychologischen Eigenschaften des Benutzers, und Fragen zu Präferenzen des Benutzers.
  10. Server (100) nach Anspruch 8 oder 9, wobei die Fragen Fragen entsprechen, die von einem Satz von Fragen gewählt sind, der repräsentativ ist für ein optimal erreichbares Ergebnis der Berechnung von Persönlichkeitsdaten eines Benutzers, wobei die gewählten Fragen Fragen von dem Satz von Fragen entsprechen, die als am einflussreichsten in Bezug auf das optimal erreichbare Ergebnis bestimmt sind.
  11. Server (100) nach Anspruch 10, wobei die Anzahl der gewählten Fragen weniger als 10 % der Anzahl der in dem Satz von Fragen enthaltenen Fragen beträgt.
  12. Server (100) nach Anspruch 10 oder 11, wobei die Fragen von dem Satz von Fragen basierend auf einem Korrelieren von Ergebnissen, die durch jede einzelne Frage des Satzes von Fragen erreichbar sind, mit dem optimal erreichbaren Ergebnis und einem Wählen von Fragen von dem Satz von Fragen, die eine höchste Korrelation mit dem optimal erreichbaren Ergebnis aufweisen, gewählt werden.
  13. Server (100) nach Anspruch 10 oder 11, wobei die Fragen iterativ von dem Satz von Fragen gewählt werden, wobei in jeder Iteration eine nächste Frage in Abhängigkeit von einer Antwort des Benutzers auf eine vorherige Frage gewählt wird, wobei in jeder Iteration die nächste Frage als eine Frage von dem Satz von Fragen gewählt wird, die als am einflussreichsten auf ein erreichbares Ergebnis zur Berechnung von Persönlichkeitsdaten des Benutzers bestimmt wird.
  14. Server (100) nach Anspruch 13, wobei das neuronale Netz (602) eine Vielzahl von Ausgangsknoten umfasst, die repräsentativ sind für eine Wahrscheinlichkeitskurve (604) eines Ergebnisses der Persönlichkeitsdaten des Benutzers, wobei das Bestimmen der einflussreichsten Frage des Satzes von Fragen als die nächste Frage der jeweiligen Iteration ein Bestimmen, für jeden Eingangsknoten des neuronalen Netzes (602), eines Grades umfasst, gemäß dem eine Änderung in der digitalen Wertung, die in den jeweiligen Eingangsknoten des neuronalen Netzes (602) eingegeben wird, die Wahrscheinlichkeitskurve (604) ändert.
  15. Server (100) nach einem der Ansprüche 1 bis 14, wobei die Persönlichkeitsdaten des Benutzers vor dem Empfangen der Anforderung von der Client-Vorrichtung (110) berechnet werden und wobei die Anforderung einen Zugangscode umfasst, der dem Benutzer zuvor von dem Server (100) bei der Berechnung der Persönlichkeitsdaten des Benutzers bereitgestellt wurde, wobei der Zugangscode dem Benutzer ermöglicht, Zugang zu der digitalen Repräsentation der Persönlichkeitsdaten des Benutzers von verschiedenen Client-Vorrichtungen (110) aus zu erhalten.
  16. Client-Vorrichtung (110) zur Verwendung bei der Fahrzeugherstellung, wobei die Verwendung ein Abrufen einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch die Client-Vorrichtung (110) von einem Server (100) umfasst, wobei die Client-Vorrichtung (110) zumindest einen Prozessor (112) und zumindest einen Speicher (114) umfasst, wobei der zumindest eine Speicher (114) Instruktionen enthält, die durch den zumindest einen Prozessor (112) ausführbar sind, so dass die Client-Vorrichtung (110) funktionsfähig ist, um: eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer an den Server (100) zu senden; die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers von dem Server (100) zu empfangen, wobei die Persönlichkeitsdaten des Benutzers basierend auf Eingaben, die von dem Benutzer erhalten werden, unter Verwendung eines neuronalen Netzes (602) berechnet werden, das trainiert ist, um Persönlichkeitsdaten für einen Benutzer basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden; und die digitale Repräsentation der Persönlichkeitsdaten zu verarbeiten, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist, wobei das Fahrzeug basierend auf der bestimmten Fahrzeugkonfiguration hergestellt wird.
  17. Client-Vorrichtung (110) nach Anspruch 16, wobei das Herstellen des Fahrzeugs ein Herstellen eines oder mehrerer Fahrzeugteile umfasst, die für das Herstellen des Fahrzeugs zu verwenden sind, wobei die Fahrzeugteile gemäß der bestimmten Fahrzeugkonfiguration hergestellt werden.
  18. Client-Vorrichtung (110) nach Anspruch 16 oder 17, wobei der zumindest eine Speicher (104) ferner Instruktionen enthält, die von dem zumindest einen Prozessor (102) ausführbar sind, so dass die Client-Vorrichtung (110) funktionsfähig ist, um: ein Feedback, das den Benutzer charakterisiert, an den Server (100) zu senden; und eine digitale Repräsentation von aktualisierten Persönlichkeitsdaten des Benutzers von dem Server (100) zu empfangen, wobei die aktualisierten Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes (602) berechnet werden, welches basierend auf dem Feedback aktualisiert wurde.
  19. Client-Vorrichtung (110) nach Anspruch 18, wobei die digitale Repräsentation der aktualisierten Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung (110) verarbeitet wird, um die Fahrzeugkonfiguration zu verfeinern.
  20. Client-Vorrichtung (110) nach Anspruch 18 oder 19, wobei das Feedback an der Client-Vorrichtung (110) gesammelt wird.
  21. Client-Vorrichtung (110) nach einem der Ansprüche 18 bis 20, wobei das Feedback Aufschluss über die Persönlichkeit des Benutzers gibt.
  22. Client-Vorrichtung (110) nach einem der Ansprüche 16 bis 21, wobei die Persönlichkeitsdaten des Benutzers zumindest eines angeben aus: psychologischen Eigenschaften des Benutzers, und Präferenzen des Benutzers.
  23. Client-Vorrichtung (110) nach einem der Ansprüche 16 bis 22, wobei die von dem Benutzer erhaltenen Eingaben digitalen Wertungen entsprechen, die Antworten auf Fragen bezüglich zumindest einem aus Persönlichkeit, Zielen und Motivationen des Benutzers widerspiegeln, und wobei jede digitale Wertung als Eingabe für einen separaten Eingangsknoten des neuronalen Netzes (602) verwendet wird, wenn die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes (602) berechnet werden.
  24. Client-Vorrichtung (110) nach Anspruch 23, wobei die Fragen bezüglich der Persönlichkeit des Benutzers Fragen entsprechen aus zumindest einem aus: einem International Personality Item Pool, IPIP, einem HEXACO-60 Pool, einem Big-Five-Inventory-10, BFI-10, Pool, Fragen zu psychologischen Eigenschaften des Benutzers, und Fragen zu Präferenzen des Benutzers.
  25. Client-Vorrichtung (110) nach Anspruch 23 oder 24, wobei die Fragen Fragen entsprechen, die von einem Satz von Fragen gewählt sind, der repräsentativ ist für ein optimal erreichbares Ergebnis der Berechnung von Persönlichkeitsdaten eines Benutzers, wobei die gewählten Fragen Fragen von dem Satz von Fragen entsprechen, die als am einflussreichsten in Bezug auf das optimal erreichbare Ergebnis bestimmt sind.
  26. Client-Vorrichtung (110) nach Anspruch 25, wobei die Anzahl der gewählten Fragen weniger als 10 % der Anzahl der in dem Satz von Fragen enthaltenen Fragen beträgt.
  27. Client-Vorrichtung (110) nach Anspruch 25 oder 26, wobei die Fragen von dem Satz von Fragen basierend auf einem Korrelieren von Ergebnissen, die durch jede einzelne Frage des Satzes von Fragen erreichbar sind, mit dem optimal erreichbaren Ergebnis und einem Wählen von Fragen von dem Satz von Fragen, die eine höchste Korrelation mit dem optimal erreichbaren Ergebnis aufweisen, gewählt werden.
  28. Client-Vorrichtung (110) nach Anspruch 25 oder 26, wobei die Fragen iterativ von dem Satz von Fragen gewählt werden, wobei in jeder Iteration eine nächste Frage in Abhängigkeit von einer Antwort des Benutzers auf eine vorherige Frage gewählt wird, wobei in jeder Iteration die nächste Frage als eine Frage von dem Satz von Fragen gewählt wird, die als am einflussreichsten auf ein erreichbares Ergebnis zur Berechnung von Persönlichkeitsdaten des Benutzers bestimmt wird.
  29. Client-Vorrichtung (110) nach Anspruch 28, wobei das neuronale Netz (602) eine Vielzahl von Ausgangsknoten umfasst, die repräsentativ sind für eine Wahrscheinlichkeitskurve (604) eines Ergebnisses der Persönlichkeitsdaten des Benutzers, wobei das Bestimmen der einflussreichsten Frage des Satzes von Fragen als die nächste Frage der jeweiligen Iteration ein Bestimmen, für jeden Eingangsknoten des neuronalen Netzes (602), eines Grades umfasst, gemäß dem eine Änderung in der digitalen Wertung, die in den jeweiligen Eingangsknoten des neuronalen Netzes (602) eingegeben wird, die Wahrscheinlichkeitskurve (604) ändert.
  30. Client-Vorrichtung (110) nach einem der Ansprüche 16 bis 29, wobei die Persönlichkeitsdaten des Benutzers vor dem Senden der Anforderung an den Server (100) berechnet werden und wobei die Anforderung einen Zugangscode umfasst, der dem Benutzer zuvor von dem Server (100) bei der Berechnung der Persönlichkeitsdaten des Benutzers bereitgestellt wurde, wobei der Zugangscode dem Benutzer ermöglicht, Zugang zu der digitalen Repräsentation der Persönlichkeitsdaten des Benutzers von verschiedenen Client-Vorrichtungen (110) aus zu erhalten.
  31. System mit einem Server (100) nach einem der Ansprüche 1 bis 15 und zumindest einer Client-Vorrichtung (110) nach einem der Ansprüche 16 bis 30.
  32. Computerlesbares Aufzeichnungsmedium, das ein Computerprogrammprodukt speichert, das Programmcodeabschnitte umfasst, um, wenn das Computerprogrammprodukt auf einem Server (100) zur Verwendung bei der Fahrzeugherstellung ausgeführt wird, wobei die Verwendung einen Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch eine Client-Vorrichtung (110) von dem Server (100) umfasst, den Server (100) funktionsfähig zu machen, um: ein neuronales Netz (602) zu speichern, das trainiert ist, um Persönlichkeitsdaten eines Benutzers basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden; von der Client-Vorrichtung (110) eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer zu empfangen; und die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers an die Client-Vorrichtung (110) zu senden, wobei die Persönlichkeitsdaten des Benutzers unter Verwendung des neuronalen Netzes (602) basierend auf Eingaben berechnet werden, die von dem Benutzer erhalten werden, wobei die digitale Repräsentation der Persönlichkeitsdaten des Benutzers auf der Client-Vorrichtung (110) verarbeitet wird, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist, wobei das Fahrzeug basierend auf der bestimmten Fahrzeugkonfiguration hergestellt wird.
  33. Computerlesbares Aufzeichnungsmedium, das ein Computerprogrammprodukt speichert, das Programmcodeabschnitte umfasst, um, wenn das Computerprogrammprodukt auf einer Client-Vorrichtung (110) zur Verwendung bei der Fahrzeugherstellung ausgeführt wird, wobei die Verwendung einen Abruf einer digitalen Repräsentation von Persönlichkeitsdaten eines Benutzers durch die Client-Vorrichtung (110) von einem Server (100) umfasst, die Client-Vorrichtung (110) funktionsfähig zu machen, um: eine Anforderung für eine digitale Repräsentation von Persönlichkeitsdaten für einen Benutzer an den Server (100) zu senden; die angeforderte digitale Repräsentation der Persönlichkeitsdaten des Benutzers von dem Server (100) zu empfangen, wobei die Persönlichkeitsdaten des Benutzers basierend auf Eingaben, die von dem Benutzer erhalten werden, unter Verwendung eines neuronalen Netzes (602) berechnet werden, das trainiert ist, um Persönlichkeitsdaten für einen Benutzer basierend auf Eingaben zu berechnen, die von dem Benutzer erhalten werden; und die digitale Repräsentation der Persönlichkeitsdaten zu verarbeiten, um eine Fahrzeugkonfiguration zu bestimmen, die an die Persönlichkeit des Benutzers angepasst ist, wobei das Fahrzeug basierend auf der bestimmten Fahrzeugkonfiguration hergestellt wird.
DE212020000450.1U 2019-03-19 2020-03-18 Technik zur Verwendung bei der Fahrzeugherstellung Active DE212020000450U1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19163909.5 2019-03-19
EP19163909.5A EP3712896B1 (de) 2019-03-19 2019-03-19 Verfahren zum effizienten abrufen von persönlichkeitsdaten
PCT/EP2020/057449 WO2020187984A1 (en) 2019-03-19 2020-03-18 Technique for efficient retrieval of personality data

Publications (1)

Publication Number Publication Date
DE212020000450U1 true DE212020000450U1 (de) 2021-06-15

Family

ID=65904033

Family Applications (1)

Application Number Title Priority Date Filing Date
DE212020000450.1U Active DE212020000450U1 (de) 2019-03-19 2020-03-18 Technik zur Verwendung bei der Fahrzeugherstellung

Country Status (7)

Country Link
US (4) US11620531B2 (de)
EP (4) EP3712896B1 (de)
JP (4) JP7360534B2 (de)
CN (6) CN113646844B (de)
DE (1) DE212020000450U1 (de)
ES (1) ES2905570T3 (de)
WO (2) WO2020187984A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021123133A (ja) * 2020-01-31 2021-08-30 トヨタ自動車株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
US20220318822A1 (en) * 2021-03-30 2022-10-06 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for rideshare implicit needs and explicit needs personalization
US11646036B1 (en) * 2022-01-31 2023-05-09 Humancore Llc Team member identification based on psychographic categories

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6615123B2 (en) * 2000-12-01 2003-09-02 Hewlett-Packard Development Company, L.P. Personality module for configuring a vehicle
GB0110480D0 (en) * 2001-04-28 2001-06-20 Univ Manchester Metropolitan Methods and apparatus for analysing the behaviour of a subject
US20020169882A1 (en) 2001-05-11 2002-11-14 Wole Fayemi System and method of creating mass-customized multi-component articles
US20080033826A1 (en) * 2006-08-03 2008-02-07 Pudding Ltd. Personality-based and mood-base provisioning of advertisements
US10796176B2 (en) * 2010-06-07 2020-10-06 Affectiva, Inc. Personal emotional profile generation for vehicle manipulation
DE102010056397A1 (de) * 2010-12-28 2012-06-28 GM Global Technology Operations LLC Fahrerassistenzsystem für ein Kraftfahrzeug, Kraftfahrzeug und Verfahren zum Betreiben eines Fahrerassistenzsystems
US9493130B2 (en) 2011-04-22 2016-11-15 Angel A. Penilla Methods and systems for communicating content to connected vehicle users based detected tone/mood in voice input
US20130179178A1 (en) * 2012-01-06 2013-07-11 Active Health Management System and method for patient care plan management
US20140310379A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Vehicle initiated communications with third parties via virtual personality
US20170004260A1 (en) * 2012-08-16 2017-01-05 Ginger.io, Inc. Method for providing health therapeutic interventions to a user
US10068060B2 (en) * 2012-08-16 2018-09-04 Ginger.io, Inc. Method for modeling behavior and psychotic disorders
US11494390B2 (en) 2014-08-21 2022-11-08 Affectomatics Ltd. Crowd-based scores for hotels from measurements of affective response
US10878318B2 (en) * 2016-03-28 2020-12-29 Google Llc Adaptive artificial neural network selection techniques
JP6736685B2 (ja) * 2016-11-16 2020-08-05 本田技研工業株式会社 感情推定装置、および、感情推定システム
DE102017208159B4 (de) 2017-05-15 2024-05-29 Vitesco Technologies GmbH Verfahren zum Betreiben einer Fahrerassistenzvorrichtung eines Kraftfahrzeugs, Fahrerassistenzvorrichtung und Kraftfahrzeug
WO2019000326A1 (en) * 2017-06-29 2019-01-03 Microsoft Technology Licensing, Llc GENERATION OF ANSWERS IN AN AUTOMATED ONLINE CONVERSATION SERVICE
US11727794B2 (en) * 2018-03-14 2023-08-15 Micron Technology, Inc. Systems and methods for evaluating and sharing human driving style information with proximate vehicles
US11148658B2 (en) * 2018-03-21 2021-10-19 Micron Technology, Inc. Personalization of a vehicle based on user settings
CN108596722A (zh) 2018-04-24 2018-09-28 上汽通用五菱汽车股份有限公司 汽车客制化方法、设备及计算机可读存储介质
JP7035786B2 (ja) 2018-05-11 2022-03-15 トヨタ自動車株式会社 車両部品のカスタマイズ提案システム
CN113056390A (zh) * 2018-06-26 2021-06-29 伊泰·卡茨 情境驾驶员监控系统
KR102662474B1 (ko) 2018-09-14 2024-04-30 테슬라, 인크. 트레이닝 데이터를 획득하기 위한 시스템 및 방법
WO2021046534A1 (en) * 2019-09-06 2021-03-11 Blue Note Therapeutics, Inc. Pre-therapeutic and therapeutic digital medical device and method

Also Published As

Publication number Publication date
JP2022084570A (ja) 2022-06-07
US20230237338A1 (en) 2023-07-27
EP3942561A1 (de) 2022-01-26
CN118551102A (zh) 2024-08-27
US11620531B2 (en) 2023-04-04
EP3712896A1 (de) 2020-09-23
JP2022084026A (ja) 2022-06-06
US20220001880A1 (en) 2022-01-06
JP7339996B2 (ja) 2023-09-06
CN113646844B (zh) 2024-06-04
EP4020488A1 (de) 2022-06-29
CN118551101A (zh) 2024-08-27
WO2021185468A1 (en) 2021-09-23
CN114420293A (zh) 2022-04-29
US20220000406A1 (en) 2022-01-06
EP3712896B1 (de) 2022-01-12
CN114282111A (zh) 2022-04-05
JP2023165979A (ja) 2023-11-17
JP7360534B2 (ja) 2023-10-12
CN113646844A (zh) 2021-11-12
JP2022526197A (ja) 2022-05-23
WO2020187984A1 (en) 2020-09-24
CN118568339A (zh) 2024-08-30
US20220004877A1 (en) 2022-01-06
ES2905570T3 (es) 2022-04-11
JP7339995B2 (ja) 2023-09-06
EP4020487A1 (de) 2022-06-29

Similar Documents

Publication Publication Date Title
DE102016015877B4 (de) Fahrzeug-Aufmerksamkeitssteuersystem
DE212020000450U1 (de) Technik zur Verwendung bei der Fahrzeugherstellung
DE112017007252T5 (de) Fahrerüberwachungsvorrichtung, fahrerüberwachungsverfahren, lernvorrichtung und lernverfahren
DE102014118479B4 (de) Affektive Benutzerschnittstelle in einem autonomen Fahrzeug
DE112009005472B4 (de) Navigationseinrichtung
DE112020000867T5 (de) Reisekrankheits-abschätzungsvorrichtung, reisekrankheitsreduzierungsvorrichtungverfahren zum abschätzen einer reisekrankheit
DE102020207522A1 (de) Sitzsystem und steuerverfahren
WO2014020134A1 (de) Vorrichtung, verfahren und applikation zur ermittlung eines aktuellen belastungsniveaus
DE102020125989A1 (de) System zum Steuern autonomer Fahrzeuge zum Verringern von Reisekrankheit
WO2019057568A1 (de) Verfahren und vorrichtung zur beurteilung eines müdigkeitsgrads eines fahrzeuginsassen eines fahrzeugs
DE102021202519B4 (de) Verfahren zum Betreiben eines Unterhaltungssystems eines Kraftfahrzeugs, Computerprogrammprodukt sowie Unterhaltungssystem
DE102015208253A1 (de) Fahrzeugseitige mikro-interaktionen
DE102016223794A1 (de) Verfahren und System zum Bewerten einer Akzeptanz mindestens eines Fahrerassistenzsystems eines autonom fahrenden Kraftfahrzeugs
DE102018127105A1 (de) Verfahren und Vorrichtung zur Beeinflussung eines Gemütszustands eines Benutzers eines Fahrzeuges
DE102022200677A1 (de) Verfahren und System zur Ermittlung eines Kinetosewertes
DE112021006996T5 (de) Anpassungsvorrichtung, Anpassungssystem und Anpassungsverfahren
DE112019006060T5 (de) Informationsverarbeitungsvorrichtung
WO2020224941A1 (de) Verfahren zum konfigurieren einer persönlichen assistenzeinrichtung, speichermedium, gerät zur elektronischen datenverarbeitung, kraftfahrzeug
DE102022208736B3 (de) Verfahren zum Durchführen einer Lachtherapie in einem Kraftfahrzeug
DE102019131886A1 (de) Verfahren zum Betreiben eines Kommunikationsassistenten
DE102023125477A1 (de) Fahrzeug
DE102021205548A1 (de) Softwarebasiertes, sprachbetriebenes und objektives Diagnosewerkzeug zur Verwendung in der Diagnose einer chronischen neurologischen Störung
DE102019132325A1 (de) Verfahren und Anordnung zum Erhöhen des Sicherheitsgefühls in einem Rideshare-Fahrzeug, Rideshare-Fahrzeug und Computerprogrammprodukt
AT526321A1 (de) Vorrichtung und Verfahren zur Erzeugung eines synthetischen Datensatzes eines Fahrszenarios
DE102024107940A1 (de) Verfahren und vorrichtung zur bluetooth-verbindung eines fahrzeugs, gerät, und medium

Legal Events

Date Code Title Description
R207 Utility model specification
R150 Utility model maintained after payment of first maintenance fee after three years