EP4047569A1 - Verfahren, vorrichtung zur datenverarbeitung, gerät und system - Google Patents

Verfahren, vorrichtung zur datenverarbeitung, gerät und system Download PDF

Info

Publication number
EP4047569A1
EP4047569A1 EP22157067.4A EP22157067A EP4047569A1 EP 4047569 A1 EP4047569 A1 EP 4047569A1 EP 22157067 A EP22157067 A EP 22157067A EP 4047569 A1 EP4047569 A1 EP 4047569A1
Authority
EP
European Patent Office
Prior art keywords
data
vehicle
route
machine learning
learning algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22157067.4A
Other languages
English (en)
French (fr)
Inventor
Jürgen Vogt
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.)
Vogt Juergen
Original Assignee
Vogt Juergen
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 Vogt Juergen filed Critical Vogt Juergen
Publication of EP4047569A1 publication Critical patent/EP4047569A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Definitions

  • the present invention relates in general and in particular to a method, a device for data processing and a system for detecting manipulation of trip data of a vehicle monitoring device and to a device for transmitting trip data from a vehicle monitoring device to detect manipulation of the trip data.
  • Monitoring devices for vehicles are generally known, in particular for commercial vehicles and trucks (trucks).
  • trucks Such control devices are also known as electronic tachographs.
  • electronic tachographs By law, such electronic tachographs must be provided in commercial goods transport to monitor driving and break times in trucks with a total weight of more than 7.5 t (tons).
  • the journey data recorded in this way can be read out via a communication interface on the electronic tachograph and, for example, transferred to a storage medium (e.g. USB stick).
  • identification cards In known electronic tachographs, identification cards (driver cards) are inserted, on which personalized card usage data are stored.
  • the data stored on the driver cards represent e.g. B. Information about the distance covered during the journey and information about the respective status of the driver. The status of the driver describes, for example, whether the driver is currently driving the truck, doing other work or taking a break.
  • the electronic tachograph is typically connected to a distance sensor ("KITAS" - Kienzle Sensor).
  • the distance sensor determines the revolutions of the drive axle via a Hall sensor, for example, and can also calculate the driving speed and the distance covered from the number of pulses (based on a unit of time).
  • a truck's communication bus e.g. CAN bus; CAN stands for "Controller Area Network”
  • the electronic tachograph receives additional movement information on the current driving speed of the vehicle from the engine control unit Truck. In a subsequent analysis, this movement information can be compared with the movement information determined by the distance sensor.
  • the journey data from the control device and the ticket inserted are typically stored with regard to the distance traveled, the driving speed over the last few days, any position data obtained via a connected GNS system (GNS stands for "Global Navigation System”), and the entered movement statuses (e.g. Steering, interruption, work and break) evaluated, which a driver z. B enters via a control panel of the control device.
  • GNS Global Navigation System
  • distance impulses the distance impulses from the distance sensor
  • distance signal distance signal
  • distance impulses be manipulated in order to manipulate journey data and thus make it more difficult to determine violations of the permissible maximum driving speed or of the driving and break time regulations.
  • the inserted tickets can be manipulated by making unauthorized copies.
  • the movement information coming from the engine control unit is also possibly manipulated; e.g. B. through changes to the engine control unit itself, in which emulators simulate a speed signal from the engine control unit.
  • the operating software of the control device is able to recognize such manipulations and to store corresponding error messages in the journey data, which are read out of the tachograph by the control bodies at a later point in time.
  • error messages are stored in the engine control unit, which can be read out later.
  • the situation is different if the distance signal has been successfully manipulated without the error detection routines in the control device having detected this manipulation.
  • the distance traveled/driving speed is then stored in such a way that the entries with manipulated movement states (driving and break times) may not be discovered during any checks.
  • the manipulations by changing the firmware in the control device are typically implemented in that the movement states (driving and break times) of the truck are no longer entered by the driver, but by the manipulated firmware of the control device, for example by storing the corresponding data in the control device .
  • the object of the present invention is therefore an improved method, an improved device for data processing and an improved system for determining manipulation of journey data of a control device in a vehicle, and a device for transmitting journey data from a control device in a vehicle to determine manipulation of the journey data in order, for example, to improve the detection of manipulations.
  • the present invention provides an apparatus for data processing, comprising an electronic circuit, the electronic circuit being set up to carry out the method according to the first aspect.
  • the method is applied in particular to trip data from a control unit of a truck or commercial vehicle, although the invention is not limited to these cases.
  • the vehicle type and/or the vehicle type is also determined or it is known, so that in general the determination of manipulation can also include the vehicle type or vehicle type, since, for example, the movement profile of a high-powered passenger car is different than that of a truck or a heavy-duty transporter .
  • the procedure can be carried out on site, e.g. B. in a control (e.g. by stopping) by control bodies, or in a later analysis of stored travel data.
  • the aim of the method is to determine whether manipulation of the trip data is likely or has taken place, although in some embodiments it is not important to determine the exact cause or the exact type of manipulation.
  • some embodiments provide for the inspection bodies to be shown a classification result which is indicative of e.g. B. an existing manipulation, a probable manipulation or no manipulation of the journey data, so that possible further steps could then be taken by the control bodies to determine the type and extent of the manipulation.
  • some embodiments relate to a device for data processing, wherein the device for data processing contains an electronic circuit that is set up to carry out the method described herein.
  • the electronic circuit of the device for data processing can have one or more processors (e.g. CPU, application processor, graphics processor, etc.), one or more memory elements (e.g. hard disk, RAM, ROM, semiconductor memory, etc.), one or more FPGAs ( "Field Programmable Gate Array"), one or more application specific circuits (ASICs - "Application Specific Integrated Circuit”) included and / or contain typical electronic components that are configured according to the execution of the method.
  • the method may be based on computer programs that include a sequence of instructions that, upon execution of the instructions, cause a computer/processor to perform the method described herein.
  • the method can be based partly on computer programs and partly on electronic circuits.
  • the electronic circuitry of the device for data processing contains a communication interface for data exchange with other computers, devices, etc. via a network, whereby the data communication can be wired or wireless.
  • the network can be a cellular network, a computer network (e.g. Internet), etc., and the electronic circuit of the device for data processing then contains appropriate hardware interfaces and implements appropriate communication protocols for data exchange.
  • trip data from the control device is obtained.
  • Travel data are e.g. B. such data that are stored on the recording device and the driver card (s), such. B. a driving speed profile (driving speed over time), mileage (distance covered) and the entered driving and break times.
  • This trip data therefore represents a movement profile of the vehicle within the recorded time period and therefore a movement profile of the vehicle on a route traveled by the vehicle.
  • the movement profile is characterized in particular by the driving speed profile and the driving and break times.
  • the device for data processing can load the trip data from a storage medium or receive it via a communication interface.
  • the movement profile of the vehicle can be compared with the movement profile of other vehicles that have traveled the same section.
  • a movement profile that is characteristic of the route section in particular a driving speed profile, can be determined on the basis of a large number of movement profiles of vehicles (a vehicle class such as trucks) on the route section.
  • a position of the vehicle is indicative of a route section if it is determined within the period of time of the recorded journey data. In some embodiments, a position of the vehicle is indicative of a route section if the The time of the position determination is shortly before or after the period of the recorded journey data. In some embodiments, from the presence of a position of the vehicle, part of the trip data can be associated with the position of the vehicle on the one hand and an area surrounding the position can be determined on the other hand, which is then indicative of a section of the route traveled by the vehicle (e.g. the indicate the position of a gas station on a motorway, so that a segment is a segment of the motorway).
  • the position can be determined from toll data or from position data from a possibly connected GNS system of the vehicle.
  • this data is not always available.
  • the device reads the trip data from the control device on site via a data bus and then transmits its own determined position and the trip data to the device for data processing. Since in some embodiments the position is also determined directly on site during the check, it is also indicative of a section of the route traveled by the vehicle, which then corresponds to a section of road in the vicinity of the checkpoint.
  • the electronic circuit of the device can consist of one or more processors (e.g. CPU, application processor, graphics processor, etc.), one or more memory elements (e.g. hard disk, RAM, ROM, semiconductor memory, etc.), one or more FPGAs ("Field Programmable Gate Array"), contain one or more application-specific circuits (ASICs - "Application Specific Integrated Circuit") and/or contain typical electronic components that configured appropriately to perform the procedure.
  • processors e.g. CPU, application processor, graphics processor, etc.
  • memory elements e.g. hard disk, RAM, ROM, semiconductor memory, etc.
  • FPGAs Field Programmable Gate Array
  • ASICs - "Application Specific Integrated Circuit” Application Specific Integrated Circuit
  • the electronic circuitry of the device contains a communication interface for exchanging data with other computers, devices, mobile communication devices, etc. over a network, where the data communication can be wired or wireless.
  • the network can be a cellular network, a computer network (e.g. Internet), etc. and the electronic circuitry of the device then contains appropriate hardware interfaces (e.g. LTE ("Long Term Evolution") module) and implements appropriate communication protocols for data exchange.
  • LTE Long Term Evolution
  • the electronic circuitry of the device can support Wi-Fi ® , Bluetooth ® , etc. for communication with mobile communication devices.
  • the electronic circuit of the device contains a GNS module for position determination, for example via GPS ("Global Positioning System”) or Galileo.
  • the electronic circuitry of the device contains interfaces/data buses for reading out the driving data and control unit data and then implements the corresponding communication protocols.
  • the travel data obtained and the at least one position of the vehicle obtained are input into a machine learning algorithm, the machine learning algorithm being set up (i.e. being trained) to determine whether, based on the movement profile of the vehicle and the at least one position of the vehicle obtained the travel data received has been manipulated.
  • the machine learning algorithm can be based on a neural network.
  • the machine learning algorithm can also be based on a SVM ("Support Vector Machine"), a logistic regression, a decision tree or the like.
  • the machine learning algorithm is set up to H. he is trained to determine a classification result for the journey data received, which indicates whether the journey data received has been manipulated.
  • a classification result is output for the driving data obtained, the classification result being indicative of a probability of whether the driving data has been manipulated.
  • control bodies it is intended to display the trip data and the classification result to the control bodies in some embodiments, so that possible further steps can then be carried out the control bodies could be initiated to determine the nature and extent of the manipulation.
  • the electronic circuit of the device is also set up to communicate with a mobile communication device and to transmit its own position and/or the journey data read out to the mobile communication device.
  • the electronic circuit of the device is further set up to receive a classification result for the transmitted journey data from the data processing device and to transmit the classification result to the mobile communication device.
  • the electronic circuit of the device is set up to enable the device to be controlled using the mobile communication device (e.g. notebook, smartphone, tablet, etc.) which, for example, is in the possession of the control bodies at the time of the control.
  • the mobile communication device e.g. notebook, smartphone, tablet, etc.
  • each of these possible route sections has a characteristic movement profile, in particular the driving speed profile for trucks, e.g. B. the driving speed profile in a city or on a country road is different than on a highway.
  • the machine learning algorithm is therefore trained, based on a large number of comparison data, to classify movement profiles of a vehicle on a route/a route section that has been driven into manipulated and non-manipulated movement profiles.
  • the comparison data can, for example, be recorded driving data from other real vehicles, which can then be classified accordingly and used for the training.
  • the comparison data can, for example, be trip data from training vehicles that have been driven on a large number of routes and were manipulated and/or not manipulated.
  • the comparison data can be based, for example, on traffic simulations or other known simulation methods.
  • environmental data of the route section are obtained and the environmental data obtained of the route section are incorporated into the machine learning algorithm entered, wherein the machine learning algorithm further determined based on the received environmental data of the route section, whether the received travel data are manipulated.
  • the environmental data can be determined based on the at least one position from digital maps and/or loaded from a memory.
  • the environmental data of the route section represent positions of parking lots, service areas, gas stations and/or toll stations.
  • the environmental data can be retrieved by wire and/or wirelessly.
  • the environmental data can also be received wirelessly via any radio devices that are arranged, for example, in parking lots, service areas, gas stations, toll booths and the like, but also via radio devices in other vehicles.
  • the environmental data can, for example, be retrieved (wirelessly) by the control bodies from other vehicles that are in the vicinity of the checkpoint or, for example, drive past the checkpoint.
  • position data and/or movement profiles of other vehicles can be used to determine a manipulation.
  • the movement profile of the vehicle contains break times, for example, the driving speed during the break time is practically zero and the break time can only have taken place at certain locations provided for this purpose, e.g. B. in parking lots, at service areas, at gas stations and/or at toll booths.
  • the distance to the position at which the break was taken can be determined therefrom. If the distance deviates from the actual distance to the parking lots, service areas, gas stations and/or toll booths on the route section, this could also be an indication of manipulation of the trip data.
  • Such pattern recognition can be trained on the machine learning algorithm in some embodiments.
  • route data of the route section can improve the accuracy of the classification result of the machine learning algorithm.
  • route data of the route section are obtained and the route data of the route section obtained are input into the machine learning algorithm, wherein the machine learning algorithm further determines whether the travel data received has been manipulated based on the route data of the route section obtained.
  • the route data of the route section represents a maximum speed profile, an elevation profile, past traffic jams and/or past traffic reports.
  • the road data can e.g. B. be determined based on the at least one position from digital maps and be determined by (official) traffic data platforms and / or loaded from a memory.
  • each route section is characterized by a predetermined maximum speed profile and a predetermined height profile, as a result of which characteristic patterns occur in the driving speed profile of a large number of vehicles in some embodiments.
  • a predetermined maximum speed profile Starting from a checkpoint, for example, if the permissible maximum speeds are observed, periods of time with the corresponding permissible maximum speeds result in some embodiments in the journey data or the driving speed profile, with the time interval between the periods of time also being characteristic.
  • characteristic patterns occur in some embodiments in the driving speed profile, e.g. B. a lower driving speed at high gradients, the time interval between the patterns being characteristic.
  • characteristic patterns occur when braking and accelerating, so that the machine learning algorithm can be trained to recognize the presence or absence of these patterns in the driving speed profile of the driving data obtained.
  • movement profiles in traffic jams or other traffic situations that can be determined on the basis of traffic reports (eg roadblocks, slippery roads, etc.).
  • vehicle ECU data can improve the accuracy of the classification result of the machine learning algorithm.
  • controller data which was at least partially recorded within the period of the trip data, of the vehicle is obtained and input into the machine learning algorithm, wherein the machine learning algorithm further determines whether the received trip data is manipulated based on the controller data received.
  • the control unit data can be obtained/read out from an engine control unit, an ABS (anti-lock braking system) control unit, an air bag control unit, a transmission control unit or the like.
  • ABS anti-lock braking system
  • the electronic circuit of the device is set up to read out the control unit data from the vehicle and to transmit it to the device for data processing via the network.
  • control unit data contain error data, with the error data representing error messages.
  • control devices store error messages and the error messages are stored in the form of so-called—and unchangeable—“frozen frames”.
  • error messages can contain, for example: the mileage, the time of the error, the driving speed, the engine speed, the oil pressure, the engine temperature, the pedal positions, etc. at the time of the error.
  • error messages are generated, for example, when the engine control light comes on, the ABS has triggered, the airbag has triggered, the lighting system is faulty, the oil pressure or the engine temperature are critical, etc.
  • pattern recognition can be further improved by comparing the error messages with the movement profile of the vehicle. For example, the occurrence of an error message due to the triggering of the ABS during a pause can be indicative of manipulated trip data.
  • control unit data are read out that have been logged over a period of time parallel to the trip data.
  • Telematics systems are known, in particular for trucks, which log the corresponding control unit data and, if necessary, transmit it to a server (for example the forwarding agent) in order to enable the technical condition of the vehicle fleet to be checked.
  • control unit data can represent engine speed, driving speed, oil pressure, engine temperature, pedal positions, fuel consumption, exhaust gas values, etc.
  • the machine learning algorithm is trained in some embodiments to classify the movement profiles as manipulated and not manipulated on the basis of the control unit data.
  • road data and the day of the week and time are obtained, the day of the week and the time being associated with the at least one position of the vehicle, the road data representing a road and a direction of travel on the route segment, the road data obtained and the day of the week and the time being be input into the machine learning algorithm and wherein the machine learning algorithm further determines whether the received trip data is manipulated based on the road data, the day of the week and the time.
  • the movement profile can be different in the morning than at noon, for example, due to different traffic situations, or it can be different during the week than at the weekend, so that this is also taken into account in the pattern recognition in some embodiments in order to further improve the pattern recognition.
  • the street and the direction of travel can be transmitted to the device, for example, when checking via the mobile communication device, which transmits the corresponding data to the device for data processing.
  • the device is therefore connected to the vehicle's control unit via a corresponding data bus during an on-site inspection in order to emulate vehicle journeys while stationary and to read out the travel data recorded by the control unit, which are then transmitted to the data processing device.
  • control bodies generate emulation data via a mobile communication device (for example via a computer program) and transmit this to the device.
  • the device then generates corresponding test signals which, for example, emulate distance signals from a distance sensor and pause times, which are then entered into the control device in order to emulate a trip with a predefined movement profile. From a comparison of the specified movement profile and the emulation movement profile, the classification of the machine learning algorithm can then be further improved, for example, in order to determine even minor deviations.
  • emulation travel data of the vehicle's control device and emulation data are obtained, the emulation travel data being based on test signals and the test signals being based on the emulation data, the emulation data emulating a movement profile of the vehicle and the emulation travel data obtained and the emulation data obtained input into the machine learning algorithm, wherein the machine learning algorithm further determines whether the received ride data is manipulated based on the received emulation ride data and the received emulation data.
  • test drive data could improve the accuracy of the machine learning algorithm's classification result.
  • the device is therefore used on a test drive with the vehicle.
  • the device is connected to the vehicle's control device via a corresponding data bus during the test drive (or after the test drive) in order to transmit the recorded test drive data and the positions determined during the test drive to the data processing device. From a comparison of the movement profile during the test drive and the positions, the classification of the machine learning algorithm could be further improved in order to identify even minor deviations.
  • test drive data from the vehicle's control device and test position data are obtained, the test position data being associated with the test drive data and representing positions during a test drive of the vehicle, the test drive data representing a movement profile of the vehicle during the test drive Represent a test drive and the test drive data obtained and the test position data obtained are entered into the machine learning algorithm and the machine learning algorithm further determines based on the test drive data received and the test position data received whether the drive data received are manipulated.
  • manipulated travel data could be determined independently of the type of manipulation, which can solve a major security problem in some embodiments.
  • the vehicle 2 is here a truck (hereinafter: truck) that was stopped at a checkpoint KP by the control bodies.
  • the truck 2 contains the control unit 3 and control units 4, the control units 4 here comprising an engine control unit and an ABS control unit and, for the sake of simplicity, are summarized below under “the control unit 4”.
  • the control bodies are in possession of a device 5 and a mobile communication device 6.
  • the device 5 contains data buses 5a and 5b for connecting to the control device 3 or to the control device 4.
  • Device 5 reads trip data 7 from control device 3 via data bus 5a and control device data from control device 4 via data bus 5b.
  • the device 5 contains a GPS module 5d and determines its own position 9, which is indicative of the position of the truck 2.
  • the device 5 transmits the journey data 7, the control device data 8 and the position of the device 9 to the mobile communication device 6 via a Bluetooth interface 5c.
  • the device 5 transmits the journey data 7, the control device data 8 and the position of the device 9 via a mobile radio interface 5e to a base station 10, which transmits them via a network 11 to a server 12 (device for data processing).
  • the server 12 contains a memory 13 on which a computer program is stored which implements a (trained) machine learning algorithm 14 and is executed by one or more processors (not shown).
  • the server 12 Based on the position 9 of the vehicle 2, the server 12 receives environmental data 15 and route data 16 from a database 17.
  • the travel data 7 obtained, the control unit data 8 obtained, the position 9 of the vehicle 2 , the environmental data 15 and the route data 16 are entered into the machine learning algorithm 14 .
  • the machine learning algorithm 14 determines a classification result 18 for the travel data 7 received, which is indicative of a probability as to whether the travel data 7 has been manipulated.
  • the classification result 18 is transmitted via the network to the device 5, which transmits the classification result 18 to the mobile communication device 6 of the control bodies.
  • control point KP is shown as an example and schematically, at which the vehicle 2 from 1 controlled by the control bodies.
  • the device 5 determines a position 9 during the check, which is indicative of the position of the vehicle 2 and thus also for the checkpoint KP.
  • Position 9 is therefore indicative of at least one section of the route traveled by vehicle 2.
  • Route A has a parking lot 20
  • route B has a rest area 21
  • route C has no rest area around checkpoint KP.
  • the device 5 reads the trip data 7 from the control device 3 of the vehicle 2 .
  • the solid line in Figure 2B shows the real motion profile 30 of vehicle 2 on route B.
  • the dotted line in Figure 2B shows the movement profile 31 of the vehicle 2 on the route B recorded with the control device 3, which can be extracted from the trip data 7 read out.
  • the real movement profile 30 has a consistently higher driving speed of the vehicle 2 than the recorded movement profile 31 .
  • the recorded movement profile 31 In contrast to the real movement profile 30, the recorded movement profile 31 also has a pause time between the times t1 and t2.
  • a first comparison movement profile 32 of route B (short-dashed line in Figure 2B ) was determined from a large number of comparative data from a large number of vehicles and from a large number of journeys with a training vehicle and represents a movement profile of the route B, which is calculated by the (trained) machine learning algorithm 14 1 classified as non-manipulated.
  • the first comparison movement profile 32 of the route B has a typical pause time between the times t3 and t4.
  • a second comparison movement profile 33 of route A was determined in the same way as route B and is based on the (trained) machine learning algorithm 14 1 classified as non-manipulated.
  • the second comparison movement profile 33 of the route A has a typical pause time between the times t5 and t6.
  • a third comparison movement profile 34 of route C (long dashed line) was determined analogously to route B and is from the (trained) machine learning algorithm 14 1 classified as non-manipulated.
  • the third comparison movement profile 34 of route C has no pause time.
  • the machine learning algorithm 14 determines that the recorded movement profile 31 for route C is to be classified as manipulated, for example due to the pause time between t1 and t2, the consistently significantly higher driving speed and the different course of the movement profiles 31 and 34 .
  • the route C also has a maximum speed profile and an altitude profile (route data 16 for route C), which means that the recorded movement profile 31 cannot have originated on route C.
  • the machine learning algorithm 14 determines that the recorded movement profile 31 for route A is to be classified as manipulated. For example, due to the pause time between t1 and t2 and not between t5 and t6 and the clearly different course of the movement profiles 31 and 33.
  • Route A also has a maximum speed profile and an altitude profile (route data 16 for route A), which means that the recorded movement profile 31 cannot have originated on route A.
  • the machine learning algorithm 14 determines that the recorded movement profile 31 for route B is to be classified as manipulated, for example due to the pause time between t1 and t2 and not between t3 and t4 and the temporally compressed course of the recorded movement profile 31 compared to the first comparison movement profile 32.
  • the machine learning algorithm 14 could still classify the recorded movement profile 31 as manipulated on route B due to the temporally compressed course of the recorded movement profile 31 compared to the first comparison movement profile 32 .
  • Figure 2C is shown schematically and by way of example how environmental data 15 improves the classification of the machine learning algorithm 14 .
  • the distance on the route B to the control point KP is plotted over time on the vertical axis (illustrated here as linearly increasing for the sake of illustration only).
  • the dotted line illustrates the distance to the control point KP based on the recorded movement profile 31.
  • the point 35 marks the distance at which the supposed break time was taken.
  • the short dashed line illustrates the distance to the control point KP based on the first comparison movement profile 32.
  • the point 36 marks the distance at which the typical pause time is taken.
  • Distance 37 marks the discrepancy between the two distances.
  • the environmental data show that there is only service area 21 on route B in the vicinity of checkpoint KP, where breaks can be taken.
  • the distance obtained from the environment data matches the distance at point 36.
  • the machine learning algorithm 14 therefore also classifies the recorded movement profile 31 as manipulated on route B based on the environmental data.
  • control unit data 8 could improve the classification of the machine learning algorithm 14 .
  • the read-out control unit data 8 have an error message 38 at time t7, which here, for example, reports the triggering of the ABS system.
  • this error message 38 occurs within the pause time between t1 and t2, so that the triggering of the ABS system at this point in time can be classified as very unlikely.
  • the machine learning algorithm 14 outputs a classification result 18 which is indicative of a manipulation of the journey data 7 .
  • FIG. 3 schematically illustrates in a block diagram an embodiment of a training method for a machine learning algorithm 14-t for determining a manipulation of trip data 7 of a control device 3 of a vehicle 2.
  • the machine learning algorithm 14-t is in the training phase here and is based on a neural network in this embodiment, although the invention is not limited to this case.
  • the machine learning algorithm 14 -t is trained with a training data set 40 .
  • the training data set 40 contains a large number of data sets, each data set of the large number of data sets comprising training drive data 7-t, training control device data 8-t, at least one position 9-t associated with the training drive data 7-t, training environment data 15 -t, training route data 16-t and a classification 41 ("label") which indicates whether the training trip data is manipulated or not.
  • the training data set 40 was determined using a large number of comparison data from a large number of vehicles and from a large number of journeys with a training vehicle, with manipulated and non-manipulated data being present.
  • the records (apart from the classification 41) are input into the machine learning algorithm 14-t, which based thereon outputs a classification result 18-t for each record.
  • the classification result 18-t and the classification 41 are entered into a loss function 42, the loss function 42 here being a cross entropy loss.
  • the weight changes 43 are output and the weights of the machine learning algorithm 14-t are updated accordingly.
  • the trained machine learning algorithm 14 with trained weights is available.
  • 4 13 schematically illustrates in a block diagram one embodiment of a general purpose computer 130.
  • General purpose computer 130 represents electronic circuitry with which data processing apparatus 12 and device 5 may be implemented as described herein.
  • the general purpose computer 130 has components 131 to 135, a GNS module 136 in the case of device 5, and a data bus 137.
  • Embodiments that use software, firmware, programs, or the like to perform the methods described herein may be installed on general purpose computer 130, which is then configured to suit the particular embodiment.
  • the general purpose computer 130 has a CPU 131 ("Central Processing Unit”) which can execute various types of procedures and methods as described herein, e.g. B. in accordance with programs stored in read-only memory (“ROM”) 132, stored in memory 134 and loaded into random access memory (“RAM”) 133.
  • ROM read-only memory
  • RAM random access memory
  • the CPU 131, ROM 132, RAM 133 and memory are connected to the data bus 137.
  • a communication interface 135 is connected to the data bus 137, which can be set up z. B. for communication via a local area network (LAN), a wireless local area network (WLAN), a mobile telecommunications system (GSM, UMTS, LTE, NR, etc.), Bluetooth, infrared, etc.
  • the communication interface implements appropriate hardware interfaces and communication protocols.
  • the GNS module 136 is connected to the data bus 137 and can determine a position in accordance with a global navigation system such as GPS or Galileo.
  • FIG. 12 schematically illustrates in a flow chart an embodiment of a method 200 for determining a manipulation of trip data of a control device of a vehicle, which in some embodiments runs on the general-purpose computer 130 .
  • trip data is obtained, where the trip data represents a motion profile of the vehicle over a driven route, as discussed herein.
  • At 202 at least one position of the vehicle is obtained, the at least one position of the vehicle being indicative of at least a portion of the route traveled, as discussed herein.
  • route data of the route segment is obtained as discussed herein.
  • link controller data is obtained, as discussed herein.

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung einer Manipulation von Fahrtdaten (7) eines Kontrollgeräts (3) eines Fahrzeugs (2), enthaltend:Erhalten der Fahrtdaten (7), wobei die Fahrtdaten (7) ein Bewegungsprofil (31) des Fahrzeugs (2) auf einer gefahrenen Strecke repräsentieren;Erhalten von wenigstens einer Position (9) des Fahrzeugs (2), wobei die wenigstens eine Position (9) des Fahrzeugs (2) indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke; undEingeben der erhaltenen Fahrtdaten (7) und der erhaltenen wenigstens einen Position (9) des Fahrzeugs (2) in einen maschinellen Lernalgorithmus (14), wobei der maschinelle Lernalgorithmus (14) dazu eingerichtet ist, basierend auf dem Bewegungsprofil (31) des Fahrzeugs (2) und der erhaltenen wenigstens einen Position (9) des Fahrzeugs (2), zu ermitteln, ob die erhaltenen Fahrtdaten (7) manipuliert sind.

Description

    GEBIET DER ERFINDUNG
  • Die vorliegende Erfindung bezieht sich allgemein und insbesondere auf ein Verfahren, eine Vorrichtung zur Datenverarbeitung und ein System zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs und auf ein Gerät zur Übermittlung von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs zur Ermittlung einer Manipulation der Fahrtdaten.
    • HINTERGRUND DER ERFINDUNG
  • Es sind allgemein Kontrollgeräte für Fahrzeuge bekannt, insbesondere für Nutzfahrzeuge und Lastkraftwagen (Lkw). Solche Kontrollgeräte sind auch als elektronische Fahrtenschreiber bekannt. Per Gesetz müssen im gewerblichen Güterverkehr solche elektronischen Fahrtenschreiber zur Kontrolle der Lenk- und Pausenzeiten in Lkw über 7,5 t (Tonnen) Gesamtgewicht vorgesehen sein. Typischerweise lassen sich die damit aufgezeichneten Fahrtdaten über eine Kommunikationsschnittstelle an den elektronischen Fahrtenschreibern auslesen und beispielsweise auf ein Speichermedium (z. B. USB-Stick) übertragen.
  • In bekannten elektronischen Fahrtenschreibern sind Ausweiskarten (Fahrerkarten) eingelegt, auf denen personalisierte Daten der Kartennutzung gespeichert werden. Die gespeicherten Daten auf den Fahrerkarten repräsentieren z. B. Informationen über die während der Fahrt zurückgelegte Wegstrecke und Informationen über den jeweiligen Status des Fahrers. Der Status des Fahrers beschreibt zum Beispiel, ob der Fahrer gerade den Lkw lenkt, andere Arbeiten verrichtet oder eine Pause macht.
  • Der elektronische Fahrtenschreiber ist typischerweise mit einem Wegstreckensensor ("KITAS" - Kienzle Sensor) verbunden. Der Wegstreckensensor ermittelt bspw. über einen Hall-Sensor die Umdrehungen der Antriebsachse und darüber hinaus kann er aus der Anzahl von Impulsen (bei Zugrundelegung einer Zeiteinheit) die Fahrgeschwindigkeit und daraus auch die zurückgelegte Wegstrecke berechnen.
  • Es ist bekannt, dass elektronische Fahrtenschreiber für eine weitere Verifizierung zusätzlich über einen Kommunikationsbus des Lkw (z. B. CAN-Bus; CAN steht für "Controller Area Network") mit dem Motorsteuergerät des Lkw verbunden sind. Vom Motorsteuergerät erhält der elektronische Fahrtenschreiber dabei zusätzliche Bewegungsinformationen zur aktuellen Fahrgeschwindigkeit des Lkw. Diese Bewegungsinformationen können in einer nachfolgenden Analyse mit den ermittelten Bewegungsinformationen des Wegstreckensensors verglichen werden.
  • Für die Auswertung der Fahrtdaten des Kontrollgeräts und der eingelegten Fahrerkarte sind verschiedene Softwareprogramme bekannt.
  • Die Fahrtdaten des Kontrollgeräts und der eingelegten Fahrkarte werden typischerweise hinsichtlich der zurückgelegten Wegstrecke, der Fahrgeschwindigkeit der letzten Tage, eventuell gewonnener Positionsdaten über ein angeschlossenes GNS-System (GNS steht für "Global Navigation System"), sowie der eingegebenen Bewegungszuständen (z. B. Lenken, Unterbrechung, Arbeit und Pause) ausgewertet, die ein Fahrer z. B über ein Bedienfeld des Kontrollgeräts eingibt.
  • Basierend auf diesen Fahrtdaten erfolgen z. B. Auswertungen bezüglich der absolvierten Lenk- und Pausenzeiten, welche der Fahrer während der letzten Tage eingehalten oder nicht eingehalten hat.
  • Je nach Ergebnis der Auswertungen werden Verstöße gegen die zulässige Höchstfahrgeschwindigkeit bzw. gegen die Lenk- und Pausenzeiten von den Kontrollorganen (in Deutschland das BAG ("Bundesamt für den Güterverkehr") und die Polizei) festgestellt und gegebenenfalls verfolgt.
  • Da die Grundlage für die spätere Auswertung hinsichtlich der Einhaltung von zulässigen Höchstfahrgeschwindigkeiten und von Lenk- und Pausenzeiten typischerweise die Impulse des Wegstreckensensors (Wegstreckenimpulse; Wegstreckensignal) sind, auf deren Grundlage die Fahrgeschwindigkeit und damit die zurückgelegte Wegstrecke errechnet wird, ist es bekannt, dass Wegstreckenimpulse manipuliert werden, um dadurch Fahrtdaten zu manipulieren und so Ermittlungen von Verstößen gegen die zulässige Höchstfahrgeschwindigkeit bzw. gegen die Lenk- und Pausenzeitenvorschriften zu erschweren. Es ist daneben auch bekannt, dass die eingelegten Fahrkarten durch die Erstellung unzulässiger Kopien manipuliert werden können.
  • Seit einigen Jahren werden verschiedene Methoden zur Manipulation der Wegstreckensensoren eingesetzt, wie beispielsweise das Hinzufügen von elektronischen Schaltungen innerhalb des Wegstreckensensors, das Blockieren des Wegstreckensignals durch Kurzschluss und/oder weiteren elektrischen Hilfsmitteln, oder das Manipulieren des Wegstreckensignals durch angebrachte Magnete.
  • Auch werden möglichen die Bewegungsinformationen manipuliert, die vom Motorsteuergerät kommen; z. B. durch Veränderungen am Motorsteuergerät selbst, indem Emulatoren ein Geschwindigkeitssignal des Motorsteuergerät vortäuschen.
  • Es ist bekannt, dass die Betriebssoftware des Kontrollgeräts in der Lage ist, derartige Manipulationen zu erkennen und entsprechende Fehlermeldungen in den Fahrtdaten, die zu einem späteren Zeitpunkt von den Kontrollorganen aus dem Fahrtenschreiber ausgelesen werden, zu speichern.
  • Ebenso werden bei Diskrepanzen zwischen den Wegstreckensignalen des Wegstreckensensors und des Motorsteuergerätes Fehlermeldungen im Motorsteuergerät gespeichert, die später ausgelesen werden können.
  • Allerdings ist es bekannt, dass z.B. Fehlermeldungen im Motorsteuergerät durch externe Geräte, die über den im Fahrzeug befindlichen Onboard-Diagnose Stecker (OBD-Stecker) angeschlossen werden, gelöscht werden können.
  • Sofern das Motorsteuergerät über keine Fehlermeldungen mehr verfügt, jedoch das Kontrollgerät gegebenenfalls noch Fehlermeldungen gespeichert hat, können die Manipulationen entdeckt werden.
  • Anders sieht es allerdings aus, wenn das Wegstreckensignal erfolgreich manipuliert worden ist, ohne dass die Fehlererkennungsroutinen im Kontrollgerät diese Manipulation festgestellt haben. Dann wird die zurückgelegte Wegstrecke/Fahrgeschwindigkeit so gespeichert, dass die Eintragungen mit manipulierten Bewegungszuständen (Lenk- und Pausenzeit) bei eventuellen Kontrollen möglicherweise nicht entdeckt werden können.
  • Denklogisch müsste die Gesamtkilometerzahl des Fahrzeugs, also die tatsächlich zurückgelegte Wegstrecke, nicht mehr stimmen, wenn der Fahrer zwar in den elektronischen Fahrtenschreiber eingibt, dass er gerade in der Pause ist, jedoch das Fahrzeug im Widerspruch dazu tatsächlich bewegt wird.
  • Bei einer Kontrolle durch die Kontrollorgane fällt in solchen Fällen die Diskrepanz zwischen dem Kilometerstand des Tachometers ("Tacho") des Lkw und dem angezeigten Kilometerstand im Fahrtenschreiber auf.
  • Allerdings ist bekannt, dass Systemnachrichten über den Kilometerstand, die vom Motorsteuergerät kommen, abgefangen werden und stattdessen der Kilometerstand (zurückgelegte Wegstrecke) des Kontrollgeräts an den Tacho gesendet wird, sodass im Ergebnis das Kontrollgerät und der Tacho gleiche Werte anzeigen.
  • Bekannt ist auch, dass möglicherweise unmittelbar in die Firmware (Betriebssoftware) des Kontrollgeräts und/oder in die Firmware der Steuergeräte des Lkw eingriffen wird. Ist erst die Firmware des elektronischen Fahrtenschreibers manipuliert, können beliebige (simulierte bzw. fingierte) Bewegungszustände des Lkw gespeichert werden, ohne dass diese Bewegungszustände etwas mit dem tatsächlichen Bewegungszustand zu tun haben müssen. Bei einer Kontrolle und der Analyse der heruntergeladenen Fahrtdaten werden daher möglicherweise keine Manipulationen mehr festgestellt.
  • Die Manipulationen durch Veränderung der Firmware im Kontrollgerät werden typischerweise dadurch realisiert, dass die Bewegungszustände (Lenk- und Pausenzeit) des Lkw nicht mehr durch den Fahrer eingegeben werden, sondern durch die manipulierte Firmware des Kontrollgeräts, indem bspw. entsprechende Daten in dem Kontrollgerät gespeichert werden.
  • Durch die genannten Manipulationen von Kontrollgeräten, Steuergeräten und Wegstreckensignalen und der dadurch bewirkten Manipulation der Fahrdaten entsteht ein großes Sicherheitsproblem, weshalb die Kontrollorgane in hohem Maße bei Lkw die Einhaltung der Lenk- und Pausenzeiten kontrollieren. Durch Übermüdung der Fahrer können möglicherweise schwerwiegende Unfälle entstehen.
  • Hinter der Ermittlung von manipulierten Kontrollgeräten steckt daher ein großes Sicherheitsbedürfnis der Bevölkerung.
  • Aufgabe der vorliegenden Erfindung ist es daher ein verbessertes Verfahren, eine verbesserte Vorrichtung zur Datenverarbeitung und ein verbessertes System zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, sowie ein Gerät zur Übermittlung von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs zur Ermittlung einer Manipulation der Fahrtdaten zur Verfügung zu stellen, um bspw. die Erkennung von Manipulationen zu verbessern.
    • ZUSAMMENFASSUNG DER ERFINDUNG
  • Nach einem ersten Aspekt stellt die vorliegende Erfindung ein Verfahren zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, umfassend:
    • Erhalten der Fahrtdaten, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren;
    • Erhalten von wenigstens einer Position des Fahrzeugs, wobei die wenigstens eine Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke; und
    • Eingeben der erhaltenen Fahrtdaten und der erhaltenen wenigstens einen Position des Fahrzeugs in einen maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen wenigstens einen Position des Fahrzeugs, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Nach einem zweiten Aspekt stellt die vorliegende Erfindung eine Vorrichtung zur Datenverarbeitung, umfassend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist, das Verfahren nach dem ersten Aspekt auszuführen.
  • Nach einem dritten Aspekt stellt die vorliegende Erfindung ein Gerät zur Übermittlung von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs zur Ermittlung einer Manipulation der Fahrtdaten, umfassend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist:
    • die Fahrtdaten aus dem Kontrollgerät auszulesen, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren;
    • eine eigene Position zu bestimmen; und
    • die ausgelesenen Fahrdaten und die eigene Position an eine Vorrichtung zur Datenverarbeitung über ein Netzwerk zu übermitteln, wobei die eigene Position indikativ ist für eine Position des Fahrzeugs und die Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke.
  • Nach einem vierten Aspekt stellt die vorliegende Erfindung ein System zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, umfassend:
    • ein Gerät nach dem dritten Aspekt; und
    • die Vorrichtung zur Datenverarbeitung, enthaltend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist:
      • die Fahrtdaten zu erhalten;
      • die Position des Geräts zu erhalten; und
      • die erhaltenen Fahrtdaten und die erhaltene Position des Geräts in einen maschinellen Lernalgorithmus einzugeben, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen Position des Geräts, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Weitere Aspekte und Merkmale der vorliegenden Erfindung ergeben sich aus den abhängigen Ansprüchen, den beigefügten Zeichnungen und der nachfolgenden Beschreibung von Ausführungsformen.
    • KURZBESCHREIBUNG DER ZEICHNUNGEN
  • Ausführungsformen der Erfindung werden nun beispielhaft und unter Bezugnahme auf die beigefügte Zeichnung beschreiben, in der:
    • Fig. 1 schematisch eine Ausführungsform eines Systems zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs veranschaulicht;
    • Fig. 2 schematisch in Graphen in Fig. 2A bis Fig. 2D Ausführungsformen von Streckenabschnitten und Bewegungsprofilen veranschaulicht;
    • Fig. 3 schematisch in einem Blockdiagram eine Ausführungsform eines Trainingsverfahrens für einen maschinellen Lernalgorithmus zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs veranschaulicht;
    • Fig. 4 schematisch in einem Blockdiagram eine Ausführungsform eines Allzweckcomputers veranschaulicht; und
    • Fig. 5 schematisch in einem Flussdiagram eine Ausführungsform eines Verfahrens zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs veranschaulicht.
    BESCHREIBUNG VON AUSFÜHRUNGSFORMEN
  • In Fig. 1 ist eine Ausführungsform in Übereinstimmung mit der vorliegenden Erfindung veranschaulicht. Vor einer detaillierten Beschreibung folgen zunächst allgemeine Erläuterungen zu den Ausführungsformen.
  • Wie eingangs im Hintergrund der Erfindung erwähnt, sind Manipulationen von Kontrollgeräten, Steuergeräten und Wegstreckensignalen bei Fahrzeugen bekannt, insbesondere bei Lkws, wodurch die aufgezeichneten Fahrdaten manipuliert werden, um Ermittlungen von Verstößen gegen die zulässige Höchstfahrgeschwindigkeit bzw. gegen die Lenk- und Pausenzeitenvorschriften zu erschweren. Dadurch ist ein großes Sicherheitsproblem gegeben, denn insbesondere durch Übermüdung der Fahrer können möglicherweise schwerwiegende Unfälle entstehen. Es besteht daher ein Sicherheitsbedürfnis zur Ermittlung von Manipulationen.
  • Es wurde erkannt, dass eine Plausibilitätsprüfung der Fahrtdaten des Kontrollgeräts basierend auf Mustererkennung in verschiedenen Datenquellen (Umgebungsdaten, Steuergerätedaten, etc.) anhand von Vergleichsdaten anderer Fahrten auf der gleichen Strecke, eine Manipulation an den Fahrtdaten aufdecken könnte. Insbesondere könnte unabhängig von der zugrunde liegenden Art der Manipulation (bspw. Wegstreckensignal, Firmware des Kontrollgeräts) ermittelt werden, ob die Fahrtdaten manipuliert sind.
  • Ebenso wurde erkannt, dass basierend auf anonymisierten Falldaten aus einer Vielzahl von Kontrollgeräten darüber hinaus Manipulationen an Sicherheitszertifikaten offenbart werden könnte, sowie eine Manipulation der Anzeige des Kilometerstands.
  • Daher betreffen manche Ausführungsformen ein Verfahren zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, wobei das Verfahren enthält:
    • Erhalten der Fahrtdaten, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren;
    • Erhalten von wenigstens einer Position des Fahrzeugs, wobei die wenigstens eine Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke; und
    • Eingeben der erhaltenen Fahrtdaten und der erhaltenen wenigstens einen Position des Fahrzeugs in einen maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen wenigstens einen Position des Fahrzeugs, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Das Verfahren wird insbesondere auf Fahrtdaten eines Kontrollgeräts eines Lkws oder Nutzfahrzeugs angewendet, wobei die Erfindung nicht auf diese Fälle beschränkt ist. Außerdem wird bei manchen Ausführungsformen auch der Fahrzeugtyp und/oder die Fahrzeugart ermittelt oder er ist bekannt, damit allgemein die Manipulationsermittlung auch die Fahrzeugart bzw. den Fahrzeugtyp miteinbeziehen kann, da bspw. das Bewegungsprofil eines hochmotorisierten Personenkraftwagens anders ist als von einem Lkw oder einem Schwertransporter.
  • Das Verfahren kann vor Ort, z. B. bei einer Kontrolle (bspw. durch Anhaltung) durch Kontrollorgane eingesetzt werden, oder bei einer späteren Analyse von gespeicherten Fahrtdaten.
  • Das Verfahren zielt darauf ab, zu ermitteln, ob eine Manipulation der Fahrtdaten wahrscheinlich ist bzw. vorliegt, wobei es auf eine Ermittlung der genauen Ursache bzw. der genauen Art der Manipulation bei manchen Ausführungsformen nicht ankommt. Insbesondere bei Anwendung des Verfahrens bei Kontrollen vor Ort ist bei manchen Ausführungsformen vorgesehen, dass den Kontrollorganen ein Klassifizierungsergebnis angezeigt wird, welches indikativ ist für z. B. eine vorliegende Manipulation, eine wahrscheinliche Manipulation oder keine Manipulation der Fahrtdaten, sodass dann mögliche weitere Schritte durch die Kontrollorgane eingeleitet werden könnten, um die Art und den Umfang der Manipulation festzustellen.
  • Das Verfahren wird dabei insbesondere auf einem Computer, Server oder in der Cloud (die einen oder mehrere entfernte Computer umfasst) ausgeführt. Daher betreffen manche Ausführungsformen eine Vorrichtung zur Datenverarbeitung, wobei die Vorrichtung zur Datenverarbeitung einen elektronischen Schaltkreis enthält, der dazu eingerichtet ist, das hierin beschriebene Verfahren auszuführen.
  • Der elektronische Schaltkreis der Vorrichtung zur Datenverarbeitung kann dafür einen oder mehrere Prozessoren (bspw. CPU, Applikationsprozessor, Graphikprozessor, etc.), eines oder mehrere Speicherelemente (bspw. Festplatte, RAM, ROM, Halbleiterspeicher, etc.), einen oder mehrere FPGAs ("Field Programmable Gate Array"), eine oder mehrere anwendungsspezifische Schaltungen (ASICs - "Application Specific Integrated Circuit") enthalten und/oder typische elektronische Komponenten enthalten, die entsprechend zur Ausführung des Verfahrens konfiguriert sind. Das Verfahren kann auf Computerprogrammen basieren, die eine Abfolge von Befehlen enthalten, die einen Computer/Prozessor bei Ausführung der Befehle veranlassen, das hierin beschriebene Verfahren auszuführen. Das Verfahren kann in Teilen auf Computerprogrammen und in Teilen auf elektronischen Schaltungen basieren.
  • Der elektronische Schaltkreis der Vorrichtung zur Datenverarbeitung enthält eine Kommunikationsschnittstelle zum Datenaustausch mit anderen Computern, Geräten, etc. über ein Netzwerk, wobei die Datenkommunikation drahtgebunden oder drahtlos sein kann. Das Netzwerk kann ein Mobilfunknetzwerk sein, ein Computernetzwerk (z. B. Internet), etc. sein und der elektronische Schaltkreis der Vorrichtung zur Datenverarbeitung enthält dann entsprechende Hardwareschnittstellen und implementiert entsprechende Kommunikationsprotokolle für den Datenaustausch.
  • Bei dem hierin beschriebenen Verfahren werden Fahrtdaten des Kontrollgeräts erhalten.
  • Fahrtdaten sind dabei z. B. solche Daten, die auf dem Kontrollgerät und der Fahrerkarte(n) gespeichert werden, wie z. B. ein Fahrgeschwindigkeitsprofil (Fahrgeschwindigkeit über die Zeit), Kilometerstand (zurückgelegte Wegstrecke) und die eingetragenen Lenk- und Pausenzeiten. Diese Fahrtdaten repräsentieren daher ein Bewegungsprofil des Fahrzeugs innerhalb des aufgezeichneten Zeitraums und daher ein Bewegungsprofil des Fahrzeugs auf einer von dem Fahrzeug gefahrenen Strecke. Das Bewegungsprofil ist dabei insbesondere durch das Fahrgeschwindigkeitsprofil und die Lenk- und Pausenzeiten charakterisiert.
  • Die Vorrichtung zur Datenverarbeitung kann die Fahrtdaten dabei von einem Speichermedium laden oder über eine Kommunikationsschnittstelle erhalten.
  • Es wurde erkannt, dass, wenn wenigstens eine Position des Fahrzeugs bekannt ist, welche indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke des Fahrzeugs, das Bewegungsprofil des Fahrzeugs mit dem Bewegungsprofil anderer Fahrzeuge, welche den gleichen Streckenabschnitt gefahren sind, verglichen werden kann. Auf Grundlage einer Vielzahl von Bewegungsprofilen von Fahrzeugen (einer Fahrzeugklasse wie Lkws) auf dem Streckenabschnitt lässt sich ein für den Streckenabschnitt charakteristisches Bewegungsprofil, insbesondere Fahrgeschwindigkeitsprofil, ermitteln.
  • Indikativ für einen Streckenabschnitt ist eine Position des Fahrzeugs in manchen Ausführungsformen, wenn sie innerhalb des Zeitraums der aufgezeichneten Fahrtdaten bestimmt ist. Indikativ für einen Streckenabschnitt ist eine Position des Fahrzeugs in manchen Ausführungsformen, wenn der Zeitpunkt der Positionsbestimmung kurz vor oder nach dem Zeitraum der aufgezeichneten Fahrtdaten liegt. Aus dem Vorliegen einer Position des Fahrzeugs lässt sich in manchen Ausführungsformen einerseits ein Teil der Fahrtdaten mit der Position des Fahrzeugs assoziieren und andererseits eine Umgebung der Position bestimmen, die dann indikativ für einen Streckenabschnitt der gefahrenen Strecke des Fahrzeugs ist (z. B. kann die Position eine Tankstelle an einer Autobahn angeben, sodass ein Streckenabschnitt ein Abschnitt der Autobahn ist).
  • Beispielsweise kann die Position aus Mautdaten oder aus Positionsdaten von einem eventuell angeschlossenen GNS-System des Fahrzeugs bestimmt werden. Diese Daten liegen aber nicht immer vor.
  • In manchen Ausführungsformen ist es ist vorgesehen, den Kontrollorganen ein (portables) Gerät zur Verfügung zu stellen, welches bei Kontrollen vor Ort eingesetzt werden kann und über ein GNS-System zur Positionsbestimmung verfügt. Das Gerät liest die Fahrtdaten des Kontrollgeräts vor Ort über einen Datenbus aus und übermittelt dann die eigene bestimmte Position und die Fahrtdaten an die Vorrichtung zur Datenverarbeitung. Da in manchen Ausführungsformen die Position auch direkt vor Ort bei der Kontrolle bestimmt wird, ist sie auch indikativ für einen Streckenabschnitt der gefahrenen Strecke des Fahrzeugs, der dann einem Streckenabschnitt in der Umgebung des Kontrollpunktes entspricht.
  • Daher betreffen manche Ausführungsformen ein Gerät zur Übermittlung von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs zur Ermittlung einer Manipulation der Fahrtdaten, wobei das Gerät einen elektronischen Schaltkreis enthält, der dazu eingerichtet ist:
    • die Fahrtdaten aus dem Kontrollgerät auszulesen, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren;
    • eine eigene Position zu bestimmen; und
    • die ausgelesenen Fahrdaten und die eigene Position an eine Vorrichtung zur Datenverarbeitung über ein Netzwerk zu übermitteln, wobei die eigene Position indikativ ist für eine Position des Fahrzeugs und die Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke.
  • Der elektronische Schaltkreis des Geräts kann dafür einen oder mehrere Prozessoren (bspw. CPU, Applikationsprozessor, Graphikprozessor, etc.), eines oder mehrere Speicherelemente (bspw. Festplatte, RAM, ROM, Halbleiterspeicher, etc.), einen oder mehrere FPGAs ("Field Programmable Gate Array"), einen oder mehrere anwendungsspezifische Schaltungen (ASICs - "Application Specific Integrated Circuit") enthalten und/oder typische elektronische Komponenten enthalten, die entsprechend zur Ausführung des Verfahrens konfiguriert sind. Das Verfahren kann auf Computerprogrammen basieren, die eine Abfolge von Befehlen enthalten, die einen Computer/Prozessor bei Ausführung der Befehle veranlassen, das hierin beschriebene Verfahren auszuführen. Das Verfahren kann in Teilen auf Computerprogrammen und in Teilen auf elektronischen Schaltungen basieren. Der elektronische Schaltkreis des Geräts enthält eine Kommunikationsschnittstelle zum Datenaustausch mit anderen Computern, Geräten, mobilen Kommunikationsgeräten, etc. über ein Netzwerk, wobei die Datenkommunikation drahtgebunden oder drahtlos sein kann. Das Netzwerk kann ein Mobilfunknetzwerk sein, ein Computernetzwerk (z. B. Internet), etc. sein und der elektronische Schaltkreis des Geräts enthält dann entsprechende Hardwareschnittstellen (z. B. LTE-Modul ("Long Term Evolution")) und implementiert entsprechende Kommunikationsprotokolle für den Datenaustausch. Der elektronische Schaltkreis des Geräts kann Wi-Fi®, Bluetooth®, etc. zur Kommunikation mit mobilen Kommunikationsgeräten unterstützen.
  • Der elektronische Schaltkreis des Geräts enthält ein GNS-Modul zur Positionsbestimmung bspw. über GPS ("Global Positioning System") oder Galileo.
  • Der elektronische Schaltkreis des Geräts enthält Schnittstellen/Datenbusse zum Auslesen der Fahrtdaten und Steuergerätedaten und implementiert dann entsprechende Kommunikationsprotokolle.
  • Die erhaltenen Fahrtdaten und die erhaltene wenigstens eine Position des Fahrzeugs werden in einen maschinellen Lernalgorithmus eingegeben, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist (d. h. trainiert ist), basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen wenigstens einen Position des Fahrzeugs, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Der maschinelle Lernalgorithmus kann auf einem neuronalen Netzwerk basieren. Der maschinelle Lernalgorithmus kann außerdem auf einer SVM ("Support Vector Machine"), einer logistischen Regression, einem Entscheidungsbaum oder dergleichen basieren.
  • Der maschinelle Lernalgorithmus ist dazu eingerichtet, d. h. er ist dazu trainiert, ein Klassifizierungsergebnis für der erhaltenen Fahrtdaten zu ermitteln, welches angibt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Daher wird in manchen Ausführungsformen ein Klassifizierungsergebnis für die erhaltenen Fahrtdaten ausgegeben, wobei das Klassifizierungsergebnis indikativ für eine Wahrscheinlichkeit ist, ob die Fahrdaten manipuliert sind.
  • Wie oben erwähnt, ist es vorgesehen den Kontrollorganen die Fahrtdaten und das Klassifizierungsergebnis in manchen Ausführungsformen anzuzeigen, sodass dann mögliche weitere Schritte durch die Kontrollorgane eingeleitet werden könnten, um die Art und den Umfang der Manipulation festzustellen.
  • Daher ist in manchen Ausführungsformen der elektronische Schaltkreis des Geräts weiter dazu eingerichtet, mit einem mobilen Kommunikationsgerät zu kommunizieren und die eigene Position und/oder die ausgelesenen Fahrtdaten an das mobile Kommunikationsgerät zu übermitteln.
  • Außerdem ist in manchen Ausführungsformen der elektronische Schaltkreis des Geräts weiter dazu eingerichtet, ein Klassifizierungsergebnis für die übermittelten Fahrtdaten von der Vorrichtung zur Datenverarbeitung zu erhalten und das Klassifizierungsergebnis an das mobile Kommunikationsgerät zu übermitteln.
  • Des Weiteren ist der elektronische Schaltkreis des Geräts in manchen Ausführungen dazu eingerichtet, eine Steuerung des Geräts mittels des mobilen Kommunikationsgeräts (bspw. Notebook, Smartphone, Tablett, etc.) zu ermöglichen, welches bspw. im Besitz der Kontrollorgane zum Zeitpunkt der Kontrolle ist.
  • Wie oben erwähnt, ermöglicht die erhaltene wenigstens eine Position des Fahrzeugs in manchen Ausführungsformen eine Filterung möglicher gefahrener Streckenabschnitte der gefahrenen Strecke des Fahrzeugs, da innerhalb eines begrenzten Zeitraums nur Streckenabschnitte in der Umgebung der Position des Fahrzeugs in Frage kommen. Jede dieser möglichen Streckenabschnitte hat in manchen Ausführungsformen ein charakteristisches Bewegungsprofil, insbesondere Fahrgeschwindigkeitsprofil bei Lkw, z. B. ist das Fahrgeschwindigkeitsprofil in einer Stadt oder auf einer Landstraße anders als auf einer Autobahn.
  • Der maschinelle Lernalgorithmus ist daher, basierend auf einer Vielzahl an Vergleichsdaten, trainiert, Bewegungsprofile eines Fahrzeugs auf einer gefahrenen Strecke/eines gefahrenen Streckenabschnitts in manipulierte und nicht-manipulierte Bewegungsprofile zu klassifizieren.
  • Die Vergleichsdaten können bspw. aufgezeichnete Fahrtdaten anderer realer Fahrzeuge sein, die dann entsprechend klassifiziert für das Training verwendet können. Die Vergleichsdaten können bspw. Fahrtdaten von Trainingsfahrzeugen sein, die auf einer Vielzahl von Strecken gefahren sind und manipuliert und/oder nicht manipuliert waren. Die Vergleichsdaten können bspw. auf Verkehrssimulationen oder anderen bekannten Simulationsmethoden basieren.
  • Es wurde weiter erkannt, dass Umgebungsdaten des Streckenabschnitts die Genauigkeit des Klassifizierungsergebnisses des maschinellen Lernalgorithmus verbessern können.
  • Daher werden in manchen Ausführungsformen Umgebungsdaten des Streckenabschnitts erhalten und die erhaltenen Umgebungsdaten des Streckenabschnitts in den maschinellen Lernalgorithmus eingegeben, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Umgebungsdaten des Streckenabschnitts ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Die Umgebungsdaten können basierend auf der wenigstens einen Position aus digitalen Karten ermittelt werden und/oder aus einem Speicher geladen werden.
  • In manchen Ausführungsformen repräsentieren die Umgebungsdaten des Streckenabschnitts Positionen von Parkplätzen, Raststätten, Tankstellen und/oder Mautstellen.
  • Generell können die Umgebungsdaten drahtgebunden und/oder drahtlos abgerufen werden. Die Umgebungsdaten können dabei auch drahtlos über beliebige Funkeinrichtungen empfangen werden, die bspw. an Parkplätzen, Raststätten, Tankstellen, Mautstellen und dergleichen angeordnet sind, aber auch über Funkeinrichtungen anderen Fahrzeuge. Die Umgebungsdaten können bspw. von den Kontrollorganen von anderen Fahrzeugen (drahtlos) abgerufen werden, die sich in der Umgebung des Kontrollpunkts befinden oder bspw. an dem Kontrollpunkt vorbeifahren. Dadurch können bspw. Positionsdaten und/oder Bewegungsprofile anderer Fahrzeuge für die Ermittlung einer Manipulation herangezogen werden.
  • Enthält das Bewegungsprofil des Fahrzeugs in manchen Ausführungsformen zum Beispiel Pausenzeiten, so ist die Fahrgeschwindigkeit in der Pausenzeit praktisch gleich null und die Pausenzeit kann nur an bestimmten dafür vorgesehen Orten erfolgt sein, z. B. auf Parkplätzen, an Raststätten, an Tankstellen und/oder an Mautstellen. Basierend auf der wenigstens einen Position und dem Fahrgeschwindigkeitsprofil lässt sich daraus in manchen Ausführungsformen die Distanz zur Position ermitteln, an der die Pause gemacht worden ist. Weicht die Distanz von der tatsächlichen Distanz zu den Parkplätzen, Raststätten, Tankstellen und/oder Mautstellen auf dem Streckenabschnitt ab, so könnte dies zusätzlich indikativ für eine Manipulation der Fahrtdaten sein. Solche Mustererkennung kann dem maschinellen Lernalgorithmus in manchen Ausführungsformen antrainiert werden.
  • Es wurde weiter erkannt, dass grundsätzlich Streckendaten des Streckenabschnitts die Genauigkeit des Klassifizierungsergebnisses des maschinellen Lernalgorithmus verbessern können.
  • Daher werden in manchen Ausführungsformen Streckendaten des Streckenabschnitts erhalten und die erhaltenen Streckendaten des Streckenabschnitts in den maschinellen Lernalgorithmus eingegeben, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Streckendaten des Streckenabschnitts ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • In manchen Ausführungsformen repräsentieren die Streckendaten des Streckenabschnitts ein Höchstgeschwindigkeitsprofil, ein Höhenprofil, zurückliegende Verkehrsstaus und/oder zurückliegende Verkehrsmeldungen.
  • Die Straßendaten können z. B. basierend auf der wenigstens einen Position aus digitalen Karten ermittelt werden und von (offiziellen) Verkehrsdaten-Plattformen ermittelt werden und/oder aus einem Speicher geladen werden.
  • Jeder Streckenabschnitt ist prinzipiell gekennzeichnet durch ein vorgegebenes Höchstgeschwindigkeitsprofil und ein vorgegebenes Höhenprofil, wodurch in manchen Ausführungsformen charakteristische Muster im Fahrgeschwindigkeitsprofil einer Vielzahl von Fahrzeugen auftreten. Ausgehend von bspw. einem Kontrollpunkt ergeben sich, bei Einhaltung der zulässigen Höchstgeschwindigkeiten, in den Fahrtdaten bzw. dem Fahrgeschwindigkeitsprofil in manchen Ausführungsformen Zeiträume mit den entsprechenden zulässigen Höchstgeschwindigkeiten, wobei auch der zeitliche Abstand der Zeiträume charakteristisch ist. Aufgrund des Höhenprofils treten in manchen Ausführungsformen im Fahrgeschwindigkeitsprofil charakteristische Muster auf, z. B. eine geringere Fahrgeschwindigkeit bei hoher Steigung, wobei auch der zeitliche Abstand der Muster charakteristisch ist. Zum Beispiel treten in manchen Ausführungsformen charakteristische Muster durch Abbremsen und Beschleunigen auf, sodass dem maschinellen Lernalgorithmus antrainiert werden kann, ein Vorhandensein oder ein Nicht-Vorhandensein dieser Muster im Fahrgeschwindigkeitsprofil der erhaltenen Fahrtdaten zu erkennen. Entsprechendes gilt auch in manchen Ausführungsformen für Bewegungsprofile in Verkehrsstaus oder anderen Verkehrssituationen, die auf Grundlage von Verkehrsmeldungen (z. B. Straßensperren, glatte Straßen, etc.) ermittelt werden können.
  • Es wurde weiter erkannt, dass Steuergerätedaten des Fahrzeugs die Genauigkeit des Klassifizierungsergebnisses des maschinellen Lernalgorithmus verbessern können.
  • Daher werden in manchen Ausführungsformen Steuergerätedaten, die zumindest teilweise innerhalb des Zeitraums der Fahrtdaten aufgenommen wurden, des Fahrzeugs erhalten und in den maschinellen Lernalgorithmus eingegeben, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Steuergerätedaten ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Die Steuergerätedaten können von einem Motorsteuergerät, einem ABS-Steuergerät (AntiblockierSystem), einem Airbag-Steuergerät, einem Getriebesteuergerät oder dergleichen erhalten/ausgelesen werden.
  • In manchen Ausführungsformen ist der elektronische Schaltkreis des Geräts dazu eingerichtet, die Steuergerätedaten des Fahrzeugs auszulesen und an die Vorrichtung zur Datenverarbeitung über das Netzwerk zu übermitteln.
  • In manchen Ausführungsformen enthalten die Steuergerätedaten Fehlerdaten, wobei die Fehlerdaten Fehlermeldungen repräsentieren.
  • Es ist bekannt, dass Steuergeräte Fehlermeldungen abspeichern und die Fehlermeldungen in Form von sogenannter - und unveränderlicher - "freezed frames" gespeichert werden. Diese Fehlermeldungen können bspw. enthalten: den Kilometerstand, den Zeitpunkt des Fehlers, die Fahrgeschwindigkeit, die Motordrehzahl, den Öldruck, die Motortemperatur, die Pedalstellungen, etc. zum Zeitpunkt des Fehlers.
  • Diese Fehlermeldungen werden bspw. dann erzeugt, wenn ein Aufleuchten der Motorkontrollleuchte erfolgt ist, das ABS ausgelöst hat, der Airbag ausgelöst hat, die Beleuchtungsanlage fehlerhaft ist, der Öldruck oder die Motortemperatur kritisch sind, etc.
  • Durch einen Vergleich der Fehlermeldungen mit dem Bewegungsprofil des Fahrzeugs kann bei manchen Ausführungsformen die Mustererkennung weiter verbessert werden. Zum Beispiel kann das Auftreten einer Fehlermeldung durch Auslösen des ABSs während einer Pausenzeit indikativ für manipulierte Fahrtdaten sein.
  • Zusätzlich zu den Fehlermeldungen der Steuergeräte werden in manchen Ausführungsformen Steuergerätedaten ausgelesen, die über einen Zeitraum parallel zu den Fahrtdaten geloggt worden. Es sind Telematik-Systeme, insbesondere für Lkw, bekannt, die entsprechende Steuergerätedaten loggen und gegebenenfalls an einen Server (bspw. der Spedition) übermitteln, um eine Überprüfung des technischen Zustands der Fahrzeugflotte zu ermöglichen.
  • Solche Steuergerätedaten können in manchen Ausführungsformen Motordrehzahl, Fahrgeschwindigkeit, Öldruck, Motortemperatur, Pedalstellungen, Kraftstoffverbrauch, Abgaswerte, etc. repräsentieren.
  • Durch einen Vergleich einer Vielzahl von Bewegungsprofilen und den entsprechenden zeitlichen Verlauf dieser Werte auf einem Streckenabschnitt wird dem maschinellen Lernalgorithmus in manchen Ausführungsformen antrainiert, auf Grundlage der Steuergerätedaten, die Bewegungsprofile in manipuliert und nicht manipuliert zu klassifizieren.
  • In manchen Ausführungsformen werden Straßendaten und Wochentag und Uhrzeit erhalten, wobei der Wochentag und die Uhrzeit mit der wenigstens einen Position des Fahrzeugs assoziiert sind, wobei die Straßendaten eine Straße und eine Fahrtrichtung auf dem Streckenabschnitt repräsentieren, wobei die erhaltenen Straßendaten und der Wochentag und die Uhrzeit in den maschinellen Lernalgorithmus eingegeben werden und wobei der maschinelle Lernalgorithmus weiter basierend auf den Straßendaten, dem Wochentag und der Uhrzeit ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Das Bewegungsprofil kann bspw., aufgrund verschiedener Verkehrssituationen, morgens anders als mittags sein oder unter der Woche anders als am Wochenende sein, sodass auch dieses in der Mustererkennung in manchen Ausführungsformen berücksichtigt wird, um die Mustererkennung weiter zu verbessern.
  • Die Straße und die Fahrtrichtung können bspw. bei der Kontrolle über das mobile Kommunikationsgerät an das Gerät übermittelt werden, welches die entsprechenden Daten an die Vorrichtung zur Datenverarbeitung übermittelt.
  • Es wurde weiter erkannt, dass Emulations-Fahrtdaten die Genauigkeit des Klassifizierungsergebnisses des maschinellen Lernalgorithmus verbessern könnten.
  • Daher ist in manchen Ausführungsformen der elektronische Schaltkreis des Geräts weiter dazu eingerichtet:
    • Emulationsdaten zu erhalten, wobei die Emulationsdaten ein Bewegungsprofil des Fahrzeugs emulieren;
    • Testsignale basierend auf den Emulationsdaten zu erzeugen;
    • die erzeugten Testsignale in das Kontrollgerät einzugeben;
    • Emulations-Fahrtdaten aus dem Kontrollgerät auszulesen, wobei die Emulations-Fahrtdaten auf den eingegebenen Testsignalen basieren; und
    • die ausgelesenen Emulations-Fahrdaten an die Vorrichtung zur Datenverarbeitung über das Netzwerk zu übermitteln.
  • Das Gerät wird daher in manchen Ausführungsformen bei einer Kontrolle vor Ort mit dem Kontrollgerät des Fahrzeugs über einen entsprechenden Datenbus verbunden, um Fahrten des Fahrzeugs im Stand zu emulieren und die dadurch aufgezeichneten Fahrtdaten des Kontrollgeräts auslesen, die dann an die Vorrichtung zur Datenverarbeitung übermittelt werden.
  • Die Kontrollorgane erzeugen in manchen Ausführungsformen über ein mobiles Kommunikationsgerät Emulationsdaten (bspw. über ein Computerprogramm) und übermitteln diese an das Gerät.
  • Das Gerät erzeugt in solchen Ausführungsformen dann entsprechende Testsignale, welche bspw. Wegstreckensignale eines Wegstreckensensors und Pausenzeiten emulieren, die dann in das Kontrollgerät eingegeben werden, um eine Fahrt mit einem vorgegebenen Bewegungsprofil zu emulieren. Aus einem Vergleich des vorgegebenen Bewegungsprofils und des Emulations-Bewegungsprofils kann dann bspw. die Klassifizierung des maschinellen Lernalgorithmus weiter verbessert werden, um auch geringfüge Abweichungen zu ermitteln.
  • Entsprechend werden in manchen Ausführungsformen Emulations-Fahrtdaten des Kontrollgeräts des Fahrzeugs und Emulationsdaten erhalten, wobei die Emulations-Fahrtdaten auf Testsignalen basieren und die Testsignale auf den Emulationsdaten basieren, wobei die Emulationsdaten ein Bewegungsprofil des Fahrzeugs emulieren und die erhaltenen Emulations-Fahrtdaten und die erhaltenen Emulationsdaten in den maschinellen Lernalgorithmus eingegeben, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Emulations-Fahrtdaten und der erhaltenen Emulationsdaten ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Es wurde weiter erkannt, dass Test-Fahrtdaten die Genauigkeit des Klassifizierungsergebnisses des maschinellen Lernalgorithmus verbessern könnten.
  • Daher ist in manchen Ausführungsformen der elektronische Schaltkreis des Geräts weiter dazu eingerichtet:
    • die eigenen Positionen bei einer Testfahrt des Fahrzeugs zu bestimmen und als Test-Positionsdaten an die Vorrichtung zu Datenverarbeitung zu übermitteln, wobei die eigenen Positionen indikativ für die Positionen des Fahrzeugs bei der Testfahrt sind; und
    • Test-Fahrtdaten aus dem Kontrollgerät auszulesen und an die Vorrichtung zur Datenverarbeitung zu übermitteln, wobei die Test-Positionsdaten mit den Test-Fahrtdaten assoziiert sind.
  • Das Gerät wird in manchen Ausführungsformen daher auf einer Testfahrt mit dem Fahrzeug verwendet. In solchen Ausführungsformen wird das Gerät mit dem Kontrollgerät des Fahrzeugs über einen entsprechenden Datenbus während der Testfahrt (oder nach der Testfahrt) verbunden, um die aufgezeichneten Test-Fahrtdaten und die während der Testfahrt bestimmten Positionen an die Vorrichtung zur Datenverarbeitung zu übermitteln. Aus einem Vergleich des Bewegungsprofils während der Testfahrt und der Positionen könnte die Klassifizierung des maschinellen Lernalgorithmus weiter verbessert werden, um auch geringfüge Abweichungen zu ermitteln.
  • Entsprechend werden in manchen Ausführungsformen Test-Fahrtdaten des Kontrollgeräts des Fahrzeugs und Test-Positionsdaten erhalten, wobei die Test-Positionsdaten mit den Test-Fahrtdaten assoziiert sind und Positionen bei einer Testfahrt des Fahrzeugs repräsentieren, wobei die Test-Fahrtdaten ein Bewegungsprofil des Fahrzeugs bei der Testfahrt repräsentieren und die erhaltenen Test-Fahrtdaten und die erhaltenen Test-Positionsdaten in den maschinellen Lernalgorithmus eingegeben werden und wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen der erhaltenen Test-Fahrtdaten und der erhaltenen Test-Positionsdaten ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Manche Ausführungsformen betreffen ein System, wie hierin beschrieben, zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, wobei das System:
    • ein Gerät wie hierin beschrieben enthält; und
    • die Vorrichtung zur Datenverarbeitung enthält, welche einen elektronischen Schaltkreis enthält, wobei der elektronische Schaltkreis dazu eingerichtet ist:
      • die Fahrtdaten zu erhalten;
      • die Position des Geräts zu erhalten; und
      • die erhaltenen Fahrtdaten und die erhaltene Position des Geräts in einen maschinellen Lernalgorithmus einzugeben, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen Position des Geräts, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.
  • Durch die Mustererkennung in Bewegungsprofilen von Fahrzeugen mittels eines maschinellen Lernalgorithmus könnten manipulierte Fahrtdaten unabhängig von der Art der Manipulation ermittelt werden, wodurch beim manchen Ausführungsformen ein großes Sicherheitsproblem gelöst werden kann.
  • Zurückkommend zu Fig. 1 veranschaulicht diese eine Ausführungsform eines Systems 1 zur Ermittlung einer Manipulation von Fahrtdaten 7 eines Kontrollgeräts 3 eines Fahrzeugs 2.
  • Das Fahrzeug 2 ist hier ein Lastkraftwagen (im Folgenden: Lkw), der an einem Kontrollpunkt KP von den Kontrollorganen angehalten wurde.
  • Der Lkw 2 enthält das Kontrollgerät 3 und Steuergeräte 4, wobei die Steuergeräte 4 hier ein Motorsteuergerät und ein ABS-Steuergerät umfassen und der Einfachheit im Folgenden unter "dem Steuergerät 4" zusammengefasst sind.
  • Die Kontrollorgane sind im Besitz eines Geräts 5 und eines mobilen Kommunikationsgeräts 6.
  • Das Gerät 5 enthält Datenbusse 5a und 5b zum Verbinden mit dem Kontrollgerät 3 bzw. mit dem Steuergerät 4.
  • Das Gerät 5 liest über den Datenbus 5a Fahrtdaten 7 aus dem Kontrollgerät 3 aus und über den Datenbus 5b Steuergerätedaten aus dem Steuergerät 4 aus.
  • Das Gerät 5 enthält ein GPS-Modul 5d und bestimmt die eigene Position 9, die indikativ für die Position des Lkws 2 ist.
  • Über eine Bluetooth-Schnittstelle 5c übermittelt das Gerät 5 die Fahrtdaten 7, die Steuergerätedaten 8 and die Position des Geräts 9 an das mobile Kommunikationsgerät 6.
  • Über eine Mobilfunkschnittstelle 5e übermittelt das Gerät 5 die Fahrtdaten 7, die Steuergerätedaten 8 and die Position des Geräts 9 an eine Basisstation 10, welche diese über ein Netzwerk 11 an einen Server 12 (Vorrichtung zur Datenverarbeitung) übermittelt.
  • Der Server 12 enthält einen Speicher 13 auf denen ein Computerprogram gespeichert ist, welches einen (trainierten) maschinellen Lernalgorithmus 14 implementiert und durch einen oder mehrere Prozessoren (nicht gezeigt) ausgeführt wird.
  • Der Server 12 erhält, basierend auf der Position 9 des Fahrzeugs 2, Umgebungsdaten 15 und Streckendaten 16 aus einer Datenbank 17.
  • Die erhaltenen Fahrtdaten 7, die erhaltenen Steuergerätedaten 8, die Position 9 des Fahrzeugs 2, die Umgebungsdaten 15 und die Streckendaten 16 werden in den maschinellen Lernalgorithmus 14 eingegeben.
  • Der maschinelle Lernalgorithmus 14 ermittelt ein Klassifizierungsergebnis 18 für die erhaltenen Fahrtdaten 7, welches indikativ für eine Wahrscheinlichkeit ist, ob die Fahrtdaten 7 manipuliert sind.
  • Das Klassifizierungsergebnis 18 wird über das Netzwerk an das Gerät 5 übermittelt, welches das Klassifizierungsergebnis 18 an das mobile Kommunikationsgerät 6 der Kontrollorgane übermittelt.
  • Fig. 2 veranschaulicht schematisch in Graphen in Fig. 2A bis Fig. 2D Ausführungsformen von Streckenabschnitten und Bewegungsprofilen.
  • In Fig. 2A ist der Kontrollpunkt KP beispielhaft und schematisch gezeigt, an dem das Fahrzeug 2 aus Fig. 1 von den Kontrollorganen kontrolliert wird.
  • Wie unter Bezugnahme auf Fig. 1 diskutiert, ermittelt das Gerät 5 bei der Kontrolle eine Position 9, die indikativ für die Position des Fahrzeugs 2 ist und damit auch für den Kontrollpunkt KP.
  • Basierend auf der Position 9 des Kontrollpunkts KP gibt es in dieser beispielhaften Ausführungsform in dessen Umkreis (illustriert durch die gestrichelte Linie) die Strecke A, die Strecke B und die Strecke C, wobei das Fahrzeug 2 eine dieser Strecken vor der Kontrolle gefahren ist. Die Position 9 ist daher indikativ für wenigstens einen Streckenabschnitt der gefahrenen Strecke des Fahrzeugs 2.
  • Die Strecke A hat einen Parkplatz 20, die Strecke B hat eine Raststätte 21 und die Strecke C hat keine Rastmöglichkeit im Umkreis des Kontrollpunktes KP.
  • Im Folgenden wird zur Veranschaulichung angenommen, dass das Fahrzeug 2 die Strecke B gefahren ist.
  • In Fig. 2B sind beispielhaft und schematisch Ausführungsformen von Bewegungsprofilen auf den Strecken A-C illustriert.
  • Wie unter Bezugnahme auf Fig. 1 diskutiert, liest das Gerät 5 die Fahrtdaten 7 des Kontrollgeräts 3 des Fahrzeugs 2 aus.
  • Die durchgezogene Linie in Fig. 2B zeigt das reale Bewegungsprofil 30 des Fahrzeugs 2 auf der Strecke B.
  • Die gepunktete Linie in Fig. 2B zeigt das mit dem Kontrollgerät 3 aufgezeichnete Bewegungsprofil 31 des Fahrzeugs 2 auf der Strecke B, welches sich aus den ausgelesenen Fahrtdaten 7 extrahieren lässt.
  • Das reale Bewegungsprofil 30 weist eine durchgehend höhere Fahrgeschwindigkeit des Fahrzeugs 2 als das aufgezeichnete Bewegungsprofil 31 auf.
  • Das aufgezeichnete Bewegungsprofil 31 weist außerdem, im Gegensatz zu dem realen Bewegungsprofil 30, eine Pausenzeit zwischen den Zeitpunkten t1 und t2 auf.
  • Ein erstes Vergleichs-Bewegungsprofil 32 der Strecke B (kurzgestrichelte Linie in Fig. 2B) wurde aus einer Vielzahl von Vergleichsdaten von einer Vielzahl von Fahrzeugen und aus einer Vielzahl von Fahrten mit einem Trainingsfahrzeug ermittelt und repräsentiert ein Bewegungsprofil der Strecke B, welches von dem (trainierten) maschinellen Lernalgorithmus 14 aus Fig. 1 als nicht-manipuliert klassifiziert ist.
  • Das erste Vergleichs-Bewegungsprofil 32 der Strecke B weist eine typische Pausenzeit zwischen den Zeitpunkten t3 und t4 auf.
  • Ein zweites Vergleichs-Bewegungsprofil 33 der Strecke A (strichgepunktete Linie in Fig. 2B) wurde analog zu Strecke B ermittelt und ist von dem (trainierten) maschinellen Lernalgorithmus 14 aus Fig. 1 als nicht-manipuliert klassifiziert.
  • Das zweite Vergleichs-Bewegungsprofil 33 der Strecke A weist eine typische Pausenzeit zwischen den Zeitpunkten t5 und t6 auf.
  • Ein drittes Vergleichs-Bewegungsprofil 34 der Strecke C (langgestrichelte Linie) wurde analog zu Strecke B ermittelt und ist von dem (trainierten) maschinellen Lernalgorithmus 14 aus Fig. 1 als nicht-manipuliert klassifiziert.
  • Das dritte Vergleichs-Bewegungsprofil 34 der Strecke C weist keine Pausenzeit auf.
  • Zur Veranschaulichung eines möglichen zugrundeliegenden Prinzips einer Mustererkennung wird im Folgenden angenommen, dass zum Zeitpunkt der Kontrolle am Kontrollpunkt KP die Kontrollorgane keine Kenntnis von dem gefahrenen Streckenabschnitt des Fahrzeugs 2 haben.
  • Basierend auf dem aufgezeichneten Bewegungsprofil 31 ermittelt der maschinelle Lernalgorithmus 14, dass das aufgezeichnete Bewegungsprofil 31 für die Strecke C als manipuliert zu klassifizieren ist, beispielsweise aufgrund der Pausenzeit zwischen t1 und t2, der durchgehend deutlich höheren Fahrgeschwindigkeit und dem unterschiedlichen Verlauf der Bewegungsprofile 31 und 34.
  • Die Strecke C weist außerdem ein Höchstgeschwindigkeitsprofil und ein Höhenprofil (Streckendaten 16 der Strecke C) auf, welche bedingen, dass das aufgezeichnete Bewegungsprofil 31 nicht auf der Strecke C entstanden sein kann.
  • Basierend auf dem aufgezeichneten Bewegungsprofil 31 ermittelt der maschinelle Lernalgorithmus 14, dass das aufgezeichnete Bewegungsprofil 31 für die Strecke A als manipuliert zu klassifizieren ist. Beispielsweise aufgrund der Pausenzeit zwischen t1 und t2 und nicht zwischen t5 und t6 und dem deutlich unterschiedlichen Verlauf der Bewegungsprofile 31 und 33.
  • Die Strecke A weist außerdem ein Höchstgeschwindigkeitsprofil und ein Höhenprofil (Streckendaten 16 der Strecke A) auf, welche bedingen, dass das aufgezeichnete Bewegungsprofil 31 nicht auf der Strecke A entstanden sein kann.
  • Basierend auf dem aufgezeichneten Bewegungsprofil 31 ermittelt der maschinelle Lernalgorithmus 14, dass das aufgezeichnete Bewegungsprofil 31 für die Strecke B als manipuliert zu klassifizieren ist, beispielsweise aufgrund der Pausenzeit zwischen t1 und t2 und nicht zwischen t3 und t4 und dem zeitlich gestauchten Verlauf des aufgezeichneten Bewegungsprofils 31 im Vergleich zum ersten Vergleichs-Bewegungsprofil 32.
  • Angenommen das aufgezeichnete Bewegungsprofil 31 und das erste Vergleichs-Bewegungsprofil 32 weisen keine Pausenzeiten auf. Dann könnte der maschinellen Lernalgorithmus 14 dennoch, aufgrund des zeitlich gestauchten Verlaufs des aufgezeichneten Bewegungsprofils 31 im Vergleich zum ersten Vergleichs-Bewegungsprofil 32, das aufgezeichnete Bewegungsprofil 31 als manipuliert auf der Strecke B klassifizieren.
  • In Fig. 2C ist beispielhaft und schematisch gezeigt, wie Umgebungsdaten 15 die Klassifizierung des maschinellen Lernalgorithmus 14 verbessern.
  • Auf der vertikalen Achse ist die Distanz auf der Strecke B zum Kontrollpunkt KP über die Zeit aufgetragen (hier nur zur Veranschaulichung als linear ansteigend illustriert).
  • Die gepunktete Linie illustriert die Distanz zum Kontrollpunkt KP basierend auf dem aufgezeichneten Bewegungsprofil 31. Der Punkt 35 markiert die Distanz, an der die vermeintliche Pausenzeit eingelegt wurde.
  • Die kurzgestrichelte Linie illustriert die Distanz zum Kontrollpunkt KP basierend auf dem ersten Vergleichs-Bewegungsprofil 32. Der Punkt 36 markiert die Distanz, an der die typische Pausenzeit eingelegt wird.
  • Der Abstand 37 markiert die Diskrepanz zwischen den beiden Distanzen.
  • Aus den Umgebungsdaten ergibt sich, dass es im Umkreis des Kontrollpunktes KP auf der Strecke B nur die Raststätte 21 gibt, bei der Pausenzeiten eingelegt werden können.
  • Die Distanz, die sich aus den Umgebungsdaten ergibt, stimmt mit der Distanz bei Punkt 36 überein.
  • Weiter klassifiziert der maschinelle Lernalgorithmus 14 daher basierend auf den Umgebungsdaten das aufgezeichnete Bewegungsprofil 31 als manipuliert auf der Strecke B.
  • In Fig. 2D ist beispielhaft und schematisch gezeigt, wie Steuergerätedaten 8 die Klassifizierung des maschinellen Lernalgorithmus 14 verbessern könnten.
  • Die ausgelesenen Steuergerätedaten 8 weisen eine Fehlermeldung 38 zum Zeitpunkt t7 auf, welche hier beispielhaft das Auslösen des ABS-Systems meldet.
  • Diese Fehlermeldung 38 liegt aber zeitlich innerhalb der Pausenzeit zwischen t1 und t2, sodass das Auslösen des ABS-Systems zu diesem Zeitpunkt als sehr unwahrscheinlich zu klassifizieren ist.
  • Anhand der Fehlermeldung 38 könnten auch als manipuliert angezeigte Kilometerstände ermittelt werden, da die Fehlermeldung 38 den Kilometerstand bei Fehlerauftritt speichert.
  • Insgesamt gibt der maschinelle Lernalgorithmus 14 ein Klassifizierungsergebnis 18 aus, welches indikativ für eine Manipulation der Fahrtdaten 7 ist.
  • Fig. 3 veranschaulicht schematisch in einem Blockdiagram eine Ausführungsform eines Trainingsverfahrens für einen maschinellen Lernalgorithmus 14-t zur Ermittlung einer Manipulation von Fahrtdaten 7 eines Kontrollgeräts 3 eines Fahrzeugs 2.
  • Der maschinelle Lernalgorithmus 14-t ist hier in der Trainingsphase und basiert in dieser Ausführungsform auf einem neuronalen Netzwerk, wobei die Erfindung nicht auf diesen Fall beschränkt ist.
  • Der maschinelle Lernalgorithmus 14-t wird mit einem Trainingsdatensatz 40 trainiert.
  • Die Trainingsdatensatz 40 enthält eine Vielzahl an Datensätzen, wobei jeder Datensatz der Vielzahl an Datensätzen Trainings-Fahrtdaten 7-t, Trainings-Steuergerätedaten 8-t, wenigstens eine mit den Trainings-Fahrtdaten 7-t assoziierte Position 9-t, Trainings-Umgebungsdaten 15-t, Trainings-Streckendaten 16-t und eine Klassifizierung 41 ("Label") enthält, die angibt, ob die Trainings-Fahrtdaten manipuliert sind oder nicht.
  • Der Trainingsdatensatz 40 wurde mit einer Vielzahl von Vergleichsdaten von einer Vielzahl von Fahrzeugen und aus einer Vielzahl von Fahrten mit einem Trainingsfahrzeug ermittelt, wobei manipulierte und nicht manipulierte Daten vorhanden sind.
  • Die Datensätze (abgesehen von der Klassifizierung 41) werden in den maschinellen Lernalgorithmus 14-t eingegeben, welcher basierend darauf ein Klassifizierungsergebnis 18-t für jeden Datensatz ausgibt.
  • Das Klassifizierungsergebnis 18-t und die Klassifizierung 41 werden in eine Verlustfunktion 42 ("loss function") eingegeben, wobei die Verlustfunktion 42 hier ein Kreuzentropieverlust ("cross entropy loss") ist.
  • Basierend auf einem Unterschied zwischen dem Klassifizierungsergebnis 18-t und der Klassifizierung 41, werden die Gewichtsänderungen 43 ausgegeben und die Gewichte des maschinellen Lernalgorithmus 14-t werden entsprechend aktualisiert.
  • Nach Abschluss der Trainingsphase liegt der trainierte maschinelle Lernalgorithmus 14 mit trainierten Gewichten vor.
  • Fig. 4 veranschaulicht schematisch in einem Blockdiagram eine Ausführungsform eines Allzweckcomputers 130.
  • Der Allzweckcomputer 130 repräsentiert einen elektronischen Schaltkreis, mit dem die Vorrichtung zur Datenverarbeitung 12 und das Gerät 5 wie hierin beschrieben implementiert sein kann.
  • Der Allzweckcomputer 130 hat Komponenten 131 bis 135, ein GNS-Modul 136 im Falle des Geräts 5 und einen Datenbus 137.
  • Ausführungsformen, die Software, Firmware, Programme oder Ähnliches zur Durchführung der hier beschriebenen Verfahren verwenden, können auf dem Allzweckcomputer 130 installiert werden, der dann so konfiguriert ist, dass er für die konkrete Ausführungsform geeignet ist.
  • Der Allzweckcomputer 130 hat eine CPU 131 ("Central Processing Unit"), die verschiedene Arten von Prozeduren und Verfahren, wie hierin beschrieben, ausführen kann, z. B. in Übereinstimmung mit Programmen, die in einem Festwertspeicher ("ROM") 132 gespeichert sind, die in einem Speicher 134 abgelegt und in einen Direktzugriffsspeicher ("RAM") 133 geladen werden.
  • Die CPU 131, der ROM 132, der RAM 133 und der Speicher sind mit dem Datenbus 137 verbunden.
  • Außerdem ist eine Kommunikationsschnittstelle 135 mit dem Datenbus 137 verbunden, welche eingerichtet sein kann z. B. für die Kommunikation über ein lokales Netzwerk (LAN), ein drahtloses lokales Netzwerk (WLAN), ein mobiles Telekommunikationssystem (GSM, UMTS, LTE, NR usw.), Bluetooth, Infrarot usw. Die Kommunikationsschnittstelle implementiert entsprechende Hardwareschnittstellen und Kommunikationsprotokolle.
  • Das GNS-Modul 136 ist mit dem Datenbus 137 verbunden und kann eine Position in Übereinstimmung mit einem globalen Navigationssystem wie bspw. GPS oder Galileo bestimmen.
  • Fig. 5 veranschaulicht schematisch in einem Flussdiagram eine Ausführungsform eines Verfahrens 200 zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, welches bei manchen Ausführungsformen auf dem Allzweckcomputer 130 abläuft.
  • Bei 201 werden Fahrtdaten erhalten, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren, wie hierin diskutiert.
  • Bei 202, wird wenigstens eine Position des Fahrzeugs erhalten, wobei die wenigstens eine Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke, wie hierin diskutiert.
  • Bei 203 werden Umgebungsdaten des Streckenabschnitts erhalten, wie hierin diskutiert.
  • Bei 204 werden Streckendaten des Streckenabschnitts erhalten, wie hierin diskutiert.
  • Bei 205 werden Steuergerätedaten des Streckenabschnitts erhalten, wie hierin diskutiert.
  • Bei 206, werden die erhaltenen Fahrtdaten, die erhaltene wenigstens einen Position des Fahrzeugs, die erhaltenen Umgebungsdaten, die erhaltenen Streckendaten und die erhaltenen Steuergerätedaten in einen maschinellen Lernalgorithmus eingegeben, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs, der erhaltenen wenigstens einen Position des Fahrzeugs, der erhaltenen Umgebungsdaten, der erhaltenen Streckendaten und der erhaltenen Steuergerätedaten, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind Die vorliegende Technologie kann auch wie unten beschrieben konfiguriert werden:
    1. (1) Verfahren zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, enthaltend:
      • Erhalten der Fahrtdaten, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren;
      • Erhalten von wenigstens einer Position des Fahrzeugs, wobei die wenigstens eine Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke; und
      • Eingeben der erhaltenen Fahrtdaten und der erhaltenen wenigstens einen Position des Fahrzeugs in einen maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen wenigstens einen Position des Fahrzeugs, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.
    2. (2) Verfahren nach (1), weiter enthaltend:
      • Erhalten von Umgebungsdaten des Streckenabschnitts; und
      • Eingeben der erhaltenen Umgebungsdaten des Streckenabschnitts in den maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Umgebungsdaten des Streckenabschnitts ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
    3. (3) Verfahren nach (2), wobei die Umgebungsdaten des Streckenabschnitts Positionen von Parkplätzen, Raststätten, Tankstellen und/oder Mautstellen repräsentieren und/oder Positionsdaten von anderen Fahrzeugen aufweisen.
    4. (4) Verfahren nach einem von (1) bis (3), weiter enthaltend:
      • Erhalten von Streckendaten des Streckenabschnitts; und
      • Eingeben der erhaltenen Streckendaten des Streckenabschnitts in den maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Streckendaten des Streckenabschnitts ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
    5. (5) Verfahren nach (4), wobei die Streckendaten des Streckenabschnitts ein Höchstgeschwindigkeitsprofil, ein Höhenprofil, zurückliegende Verkehrsstaus und/oder zurückliegende Verkehrsmeldungen repräsentieren.
    6. (6) Verfahren nach einem von (1) bis (5), weiter enthaltend:
      • Erhalten von Steuergerätedaten des Fahrzeugs, wobei die Steuergerätedaten zumindest teilweise innerhalb des Zeitraums der Fahrtdaten aufgenommen wurden; und
      • Eingeben der erhaltenen Steuergerätedaten in den maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Steuergerätedaten ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
    7. (7) Verfahren nach (6), wobei die Steuergerätedaten Fehlerdaten enthalten, wobei die Fehlerdaten Fehlermeldungen repräsentieren.
    8. (8) Verfahren nach einem von (1) bis (7), weiter enthaltend:
      • Erhalten von Straßendaten und Wochentag und Uhrzeit, wobei der Wochentag und die Uhrzeit mit der wenigstens einen Position des Fahrzeugs assoziiert sind, wobei die Straßendaten eine Straße und eine Fahrtrichtung auf dem Streckenabschnitt repräsentieren;
      • Eingeben der erhaltenen Straßendaten und des Wochentags und der Uhrzeit in den maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus weiter basierend auf den Straßendaten, dem Wochentag und der Uhrzeit ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
    9. (9) Verfahren nach einem von (1) bis (8), weiter enthaltend:
      • Erhalten von Emulations-Fahrtdaten des Kontrollgeräts des Fahrzeugs und von Emulationsdaten, wobei die Emulations-Fahrtdaten auf Testsignalen basieren und die Testsignale auf den Emulationsdaten basieren, wobei die Emulationsdaten ein Bewegungsprofil des Fahrzeugs emulieren; und
      • Eingeben der erhaltenen Emulations-Fahrtdaten und der erhaltenen Emulationsdaten in den maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen Emulations-Fahrtdaten und der erhaltenen Emulationsdaten ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
    10. (10) Verfahren nach einem von (1) bis (9), weiter enthaltend:
      • Erhalten von Test-Fahrtdaten des Kontrollgeräts des Fahrzeugs und von Test-Positionsdaten, wobei die Test-Positionsdaten mit den Test-Fahrtdaten assoziiert sind und Positionen bei einer Testfahrt des Fahrzeugs repräsentieren, wobei die Test-Fahrtdaten ein Bewegungsprofil des Fahrzeugs bei der Testfahrt repräsentieren; und
      • Eingeben der erhaltenen Test-Fahrtdaten und der erhaltenen Test-Positionsdaten in den maschinellen Lernalgorithmus, wobei der maschinelle Lernalgorithmus weiter basierend auf den erhaltenen der erhaltenen Test-Fahrtdaten und der erhaltenen Test-Positionsdaten ermittelt, ob die erhaltenen Fahrtdaten manipuliert sind.
    11. (11) Verfahren nach einem von (1) bis (10), weiter enthaltend:
      Ausgeben eines Klassifizierungsergebnisses für die erhaltenen Fahrtdaten, wobei das Klassifizierungsergebnis indikativ für eine Wahrscheinlichkeit ist, ob die Fahrdaten manipuliert sind.
    12. (12) Vorrichtung zur Datenverarbeitung, enthaltend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist, das Verfahren nach einem von (1) bis (11) auszuführen.
    13. (13) Gerät zur Übermittlung von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs zur Ermittlung einer Manipulation der Fahrtdaten, enthaltend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist:
      • die Fahrtdaten aus dem Kontrollgerät auszulesen, wobei die Fahrtdaten ein Bewegungsprofil des Fahrzeugs auf einer gefahrenen Strecke repräsentieren;
      • eine eigene Position zu bestimmen; und
      • die ausgelesenen Fahrdaten und die eigene Position an eine Vorrichtung zur Datenverarbeitung über ein Netzwerk zu übermitteln, wobei die eigene Position indikativ ist für eine Position des Fahrzeugs und die Position des Fahrzeugs indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke.
    14. (14) Gerät nach (13), wobei der elektronische Schaltkreis weiter dazu eingerichtet ist:
      • mit einem mobilen Kommunikationsgerät zu kommunizieren; und
      • die eigene Position und/oder die ausgelesenen Fahrtdaten an das mobile Kommunikationsgerät zu übermitteln.
    15. (15) Gerät nach (13) oder (14), wobei der elektronische Schaltkreis weiter dazu eingerichtet ist:
      • Emulationsdaten zu erhalten, wobei die Emulationsdaten ein Bewegungsprofil des Fahrzeugs emulieren;
      • Testsignale basierend auf den Emulationsdaten zu erzeugen;
      • die erzeugten Testsignale in das Kontrollgerät einzugeben;
      • Emulations-Fahrtdaten aus dem Kontrollgerät auszulesen, wobei die Emulations-Fahrtdaten auf den eingegebenen Testsignalen basieren; und
      • die ausgelesenen Emulations-Fahrdaten an die Vorrichtung zur Datenverarbeitung über das Netzwerk zu übermitteln.
    16. (16) Gerät nach einem von (13) bis (15), wobei der elektronische Schaltkreis weiter dazu eingerichtet ist:
      • die eigenen Positionen bei einer Testfahrt des Fahrzeugs zu bestimmen und als Test-Positionsdaten an die Vorrichtung zu Datenverarbeitung zu übermitteln, wobei die eigenen Positionen indikativ für die Positionen des Fahrzeugs bei der Testfahrt sind; und
      • Test-Fahrtdaten aus dem Kontrollgerät auszulesen und an die Vorrichtung zur Datenverarbeitung zu übermitteln, wobei die Test-Positionsdaten mit den Test-Fahrtdaten assoziiert sind.
    17. (17) Gerät nach (14), wobei der elektronische Schaltkreis weiter dazu eingerichtet ist ein Klassifizierungsergebnis für die übermittelten Fahrtdaten von der Vorrichtung zur Datenverarbeitung zu erhalten und an das Klassifizierungsergebnis an das mobile Kommunikationsgerät zu übermitteln.
    18. (18) Gerät nach einem von (13) bis (17), wobei der elektronische Schaltkreis weiter dazu eingerichtet ist:
      • Steuergerätedaten des Fahrzeugs auszulesen; und
      • die ausgelesenen Steuergerätedaten an die Vorrichtung zur Datenverarbeitung über das Netzwerk zu übermitteln.
    19. (19) System zur Ermittlung einer Manipulation von Fahrtdaten eines Kontrollgeräts eines Fahrzeugs, enthaltend:
      • ein Gerät nach einem von (13) bis (18); und
      • die Vorrichtung zur Datenverarbeitung, enthaltend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist:
        • die Fahrtdaten zu erhalten;
        • die Position des Geräts zu erhalten; und
        • die erhaltenen Fahrtdaten und die erhaltene Position des Geräts in einen maschinellen Lernalgorithmus einzugeben, wobei der maschinelle Lernalgorithmus dazu eingerichtet ist, basierend auf dem Bewegungsprofil des Fahrzeugs und der erhaltenen Position des Geräts, zu ermitteln, ob die erhaltenen Fahrtdaten manipuliert sind.

Claims (10)

  1. Verfahren zur Ermittlung einer Manipulation von Fahrtdaten (7) eines Kontrollgeräts (3) eines Fahrzeugs (2), umfassend:
    Erhalten der Fahrtdaten (7), wobei die Fahrtdaten (7) ein Bewegungsprofil (31) des Fahrzeugs (2) auf einer gefahrenen Strecke repräsentieren;
    Erhalten von wenigstens einer Position (9) des Fahrzeugs (2), wobei die wenigstens eine Position (9) des Fahrzeugs (2) indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke; und
    Eingeben der erhaltenen Fahrtdaten (7) und der erhaltenen wenigstens einen Position (9) des Fahrzeugs (2) in einen maschinellen Lernalgorithmus (14), wobei der maschinelle Lernalgorithmus (14) dazu eingerichtet ist, basierend auf dem Bewegungsprofil (31) des Fahrzeugs (2) und der erhaltenen wenigstens einen Position (9) des Fahrzeugs (2), zu ermitteln, ob die erhaltenen Fahrtdaten (7) manipuliert sind.
  2. Verfahren nach Anspruch 1, weiter umfassend:
    Erhalten von Umgebungsdaten (15) des Streckenabschnitts; und
    Eingeben der erhaltenen Umgebungsdaten (15) des Streckenabschnitts in den maschinellen Lernalgorithmus (14), wobei der maschinelle Lernalgorithmus (14) weiter basierend auf den erhaltenen Umgebungsdaten (15) des Streckenabschnitts ermittelt, ob die erhaltenen Fahrtdaten (7) manipuliert sind.
  3. Verfahren nach Anspruch 2, wobei die Umgebungsdaten (15) des Streckenabschnitts Positionen von Parkplätzen (20), Raststätten (21), Tankstellen und/oder Mautstellen repräsentieren und/oder Positionsdaten von anderen Fahrzeugen aufweisen.
  4. Verfahren nach einem der vorherigen Ansprüche, weiter umfassend:
    Erhalten von Streckendaten (16) des Streckenabschnitts; und
    Eingeben der erhaltenen Streckendaten (16) des Streckenabschnitts in den maschinellen Lernalgorithmus (14), wobei der maschinelle Lernalgorithmus (14) weiter basierend auf den erhaltenen Streckendaten (16) des Streckenabschnitts ermittelt, ob die erhaltenen Fahrtdaten (7) manipuliert sind.
  5. Verfahren nach Anspruch 4, wobei die Streckendaten (16) des Streckenabschnitts ein Höchstgeschwindigkeitsprofil, ein Höhenprofil, zurückliegende Verkehrsstaus und/oder zurückliegende Verkehrsmeldungen repräsentieren.
  6. Verfahren nach einem der vorherigen Ansprüche, weiter umfassend:
    Erhalten von Steuergerätedaten (8) des Fahrzeugs (2), wobei die Steuergerätedaten (8) zumindest teilweise innerhalb des Zeitraums der Fahrtdaten (7) aufgenommen wurden; und
    Eingeben der erhaltenen Steuergerätedaten (8) in den maschinellen Lernalgorithmus (14), wobei der maschinelle Lernalgorithmus (14) weiter basierend auf den erhaltenen Steuergerätedaten (8) ermittelt, ob die erhaltenen Fahrtdaten (7) manipuliert sind.
  7. Verfahren nach Anspruch 6, wobei die Steuergerätedaten (8) Fehlerdaten enthalten, wobei die Fehlerdaten Fehlermeldungen (38) repräsentieren.
  8. Vorrichtung zur Datenverarbeitung (12), umfassend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist, das Verfahren nach einem der vorherigen Ansprüche auszuführen.
  9. Gerät (5) zur Übermittlung von Fahrtdaten (7) eines Kontrollgeräts eines Fahrzeugs (2) zur Ermittlung einer Manipulation der Fahrtdaten (7), umfassend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist:
    die Fahrtdaten (7) aus dem Kontrollgerät (3) auszulesen, wobei die Fahrtdaten (7) ein Bewegungsprofil (31) des Fahrzeugs (2) auf einer gefahrenen Strecke repräsentieren;
    eine eigene Position (9) zu bestimmen; und
    die ausgelesenen Fahrdaten (7) und die eigene Position (9) an eine Vorrichtung zur Datenverarbeitung (12) über ein Netzwerk (11) zu übermitteln, wobei die eigene Position (9) indikativ ist für eine Position (9) des Fahrzeugs (2) und die Position (9) des Fahrzeugs (2) indikativ ist für wenigstens einen Streckenabschnitt der gefahrenen Strecke.
  10. System (1) zur Ermittlung einer Manipulation von Fahrtdaten (7) eines Kontrollgeräts (3) eines Fahrzeugs, umfassend:
    ein Gerät (5) nach Anspruch 9; und
    die Vorrichtung zur Datenverarbeitung (12), enthaltend einen elektronischen Schaltkreis, wobei der elektronische Schaltkreis dazu eingerichtet ist:
    die Fahrtdaten (7) zu erhalten;
    die Position (9) des Geräts (5) zu erhalten; und
    die erhaltenen Fahrtdaten (7) und die erhaltene Position (9) des Geräts (5) in einen maschinellen Lernalgorithmus (14) einzugeben, wobei der maschinelle Lernalgorithmus (14) dazu eingerichtet ist, basierend auf dem Bewegungsprofil (31) des Fahrzeugs (2) und der erhaltenen Position (9) des Geräts (5), zu ermitteln, ob die erhaltenen Fahrtdaten (7) manipuliert sind.
EP22157067.4A 2021-02-17 2022-02-16 Verfahren, vorrichtung zur datenverarbeitung, gerät und system Pending EP4047569A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021103697.6A DE102021103697A1 (de) 2021-02-17 2021-02-17 Verfahren, vorrichtung zur datenverarbeitung, gerät und system

Publications (1)

Publication Number Publication Date
EP4047569A1 true EP4047569A1 (de) 2022-08-24

Family

ID=80449090

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22157067.4A Pending EP4047569A1 (de) 2021-02-17 2022-02-16 Verfahren, vorrichtung zur datenverarbeitung, gerät und system

Country Status (2)

Country Link
EP (1) EP4047569A1 (de)
DE (1) DE102021103697A1 (de)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180315260A1 (en) * 2017-05-01 2018-11-01 PiMios, LLC Automotive diagnostics using supervised learning models
DE102017209817A1 (de) * 2017-06-09 2018-12-13 Robert Bosch Gmbh Verfahren zur Manipulationssicherung eines Kilometerstandes eines Fahrzeugs
DE102018201064A1 (de) * 2018-01-24 2019-07-25 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum überwachen einer zurückgelegten gesamtwegstrecke sowie vorrichtung, fahrzeug und server
US20190318267A1 (en) * 2018-04-12 2019-10-17 Baidu Usa Llc System and method for training a machine learning model deployed on a simulation platform
DE102019119784A1 (de) * 2019-07-22 2021-01-28 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zum Erkennen einer Manipulation eines Fahrzeugs

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012215601A1 (de) 2012-09-03 2014-03-06 Continental Automotive Gmbh Verfahren und Vorrichtung zum Ermitteln eines Werts einer bewegungsabhängigen Größe
DE102019135608A1 (de) 2019-12-20 2021-06-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Vorrichtung und System zur Detektion von anomalen Betriebszuständen eines Geräts

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180315260A1 (en) * 2017-05-01 2018-11-01 PiMios, LLC Automotive diagnostics using supervised learning models
DE102017209817A1 (de) * 2017-06-09 2018-12-13 Robert Bosch Gmbh Verfahren zur Manipulationssicherung eines Kilometerstandes eines Fahrzeugs
DE102018201064A1 (de) * 2018-01-24 2019-07-25 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum überwachen einer zurückgelegten gesamtwegstrecke sowie vorrichtung, fahrzeug und server
US20190318267A1 (en) * 2018-04-12 2019-10-17 Baidu Usa Llc System and method for training a machine learning model deployed on a simulation platform
DE102019119784A1 (de) * 2019-07-22 2021-01-28 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zum Erkennen einer Manipulation eines Fahrzeugs

Also Published As

Publication number Publication date
DE102021103697A1 (de) 2022-08-18

Similar Documents

Publication Publication Date Title
EP0700009B1 (de) Verfahren und Vorrichtung zur individuellen Bewertung des Fahrzeugrisikos
DE202019005891U1 (de) Fahrzeugtelematik von Fahrzeugunfällen
DE102014211985A1 (de) Fahrzeugeffizienz und Defekterkennung basierend auf der GPS-Position
DE102008012660A1 (de) Serverbasierte Warnung vor Gefahren
DE102012219631A1 (de) Verfahren und Vorrichtung zum Detektieren von zumindest einer Fahrbahnunebenheit
WO2009027122A1 (de) Aktualisierungseinheit und verfahren zur aktualisierung einer digitalen karte
DE102012021919B4 (de) Modell-basiertes Effizienz-Scoring in der Automobiltechnik
CN206684779U (zh) 一种基于adas智能车载终端的车险管理服务系统
WO2018036824A1 (de) System und verfahren zum abrufbaren bereitstellen und aktualisieren von klassifikationsdaten zu parkplätzen
DE102018126830A1 (de) Vorrichtung und Steuereinheit zur Automatisierung einer Zustandsänderung einer Fensterscheibe eines Fahrzeugs
DE102016219124A1 (de) Verfahren und Vorrichtung zum Erstellen einer dynamischen Gefährdungskarte
DE102012222931A1 (de) Verfahren und Vorrichtung zur Ermittlung einer Position und/oder Art einer Straßeninfrastruktureinrichtung
DE112018005030T5 (de) Verwaltungseinrichtung, fahrzeug, überprüfungseinrichtung undfahrzeugüberprüfungssystem sowie informationsverarbeitungsverfahren dafür
DE102017223621A1 (de) Verfahren und Steuereinheit zur Steuerung einer Funktion eines zumindest teilweise automatisiert fahrenden Fahrzeugs
DE102020206128A1 (de) Verfahren zum Steuern einer flottenbasierten Zustandsüberwachung eines Straßenabschnitts eines Straßennetzes sowie zugehöriges System und Kraftfahrzeug und zugehörige Servereinrichtung
DE102017002305A1 (de) Feststellen eines Fahrzeugnutzungsmodus
EP2176836A1 (de) Verfahren zum überprüfen einer von einem fahrzeug ausgesendeten positionsnachricht des fahrzeugs und sende- und empfangseinrichtung zur verwendung in einem fahrzeug
EP3446302B1 (de) Verfahren, vorrichtung und anordnung zur spurverfolgung von sich bewegenden objekten
DE102019117136A1 (de) Kommunikation und steuerung für verkehrsinfrastruktur
EP4047569A1 (de) Verfahren, vorrichtung zur datenverarbeitung, gerät und system
EP2913792A1 (de) Verfahren zum Erfassen einer Bewegungscharakteristik eines Fahrzeugs
DE102022202165A1 (de) Verfahren zum Bereitstellen einer Fahrstreifenlokalisierung für ein Kraftfahrzeug in einem Gebiet einer Infrastruktureinrichtung
WO2022028811A1 (de) System und verfahren zum map matching von gnss-positionen eines fahrzeugs
DE102021201978A1 (de) Sammeln von sensordaten von fahrzeugen
AT524959B1 (de) Datenerfassung im Fahrzeug

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230222

RBV Designated contracting states (corrected)

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR