EP4214642A1 - Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten - Google Patents

Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten

Info

Publication number
EP4214642A1
EP4214642A1 EP21786759.7A EP21786759A EP4214642A1 EP 4214642 A1 EP4214642 A1 EP 4214642A1 EP 21786759 A EP21786759 A EP 21786759A EP 4214642 A1 EP4214642 A1 EP 4214642A1
Authority
EP
European Patent Office
Prior art keywords
control function
data set
driving scenarios
vehicle
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21786759.7A
Other languages
English (en)
French (fr)
Inventor
Jonas SCHNEIDER
Tobias Latka
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.)
E fs Techhub GmbH
Original Assignee
E fs Techhub GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by E fs Techhub GmbH filed Critical E fs Techhub GmbH
Publication of EP4214642A1 publication Critical patent/EP4214642A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration

Definitions

  • the invention relates to a method for providing a machine-learned control function for vehicle control using provided vehicle sensor data.
  • Vehicles today have control units that perform control functions specified by a system designer.
  • the vehicle has a large number of sensors which provide vehicle sensor data for the control function, on the basis of which the control function generates control commands.
  • the driver of the vehicle often has no direct influence on the control command generated by the control function.
  • control functions are cruise control, distance control or a lane change warning system, which use vehicle sensor data from radar, lidar or a camera.
  • control commands that can be output are defined by the developer of the computer program in such a way that the control commands are explicitly assigned to predetermined scenarios.
  • This way of providing a control function for vehicle control is not suitable for complex
  • reality provides complex driving scenarios that would have to be considered by a developer of the computer program in order to provide a control function that does not issue a hazard-triggering control command.
  • this can only be carried out to a very limited extent and for a few driving scenarios, which is why the control function provided in this way is prone to errors under real conditions, in particular to unknown driving situations.
  • Another method for providing a control function includes providing a control function based on an artificial neural network.
  • the artificial neural network is trained on a training data set, which depicts as many categorically different driving scenarios as possible, in order to independently derive rules according to which the defined control commands are executed. This enables complex control functions to be provided, since no specific rules need to be implemented in the computer program product.
  • methods for providing machine-learned control functions for vehicle control are error-prone, since the artificial neural network involved generates an output for scenarios that are not or only insufficiently represented by the training data set, which is associated with low confidence or high statistical uncertainty.
  • the invention includes a method for providing a machine-learned control function for vehicle control using provided vehicle sensor data, comprising the method steps:
  • the control function uses the at least one control command to control a function of a vehicle. All those functions are referred to as control functions that have an influence on the control (of the vehicle), whether through the provision of information or specific instructions for action.
  • a specific action instruction and/or a signal for triggering a control function, which is executed automatically, is referred to as a control command.
  • the artificial neural network may be implemented on a vehicle control unit or may be implemented on a server external to the vehicle and interact with the vehicle control unit.
  • the evaluation catalog can be designed in such a way to categorize driving scenarios into known or unknown, non-hazard-triggering or hazard-triggering and safe or unsafe scenarios and then to evaluate them.
  • Unknown driving scenarios are driving scenarios that are not represented by the training data set. Unknown driving scenarios are driving scenarios that were not considered by the developer, included in the evaluation catalog and/or in the training data set.
  • Unsafe driving scenarios are scenarios for which the artificial neural network generates an output that is associated with low confidence or high statistical uncertainty. Unsafe driving scenarios can lead to hazard-triggering control commands from the control function.
  • the training data record can depict a simulated journey of the vehicle.
  • the complexity of the control function can be reduced if the execution of the control function, for example on a control unit of the vehicle, is either too slow or the memory requirement of the control function itself is too large.
  • the complexity reduction of the control function can lead to a reduction or avoidance of over-fitting by the artificial neural network to improve the control function.
  • the complexity of the control function can be increased if the control function cannot be adequately adapted (trained) to the driving scenarios provided in the training data set, which can manifest itself, for example, in incorrect behavior of the control function.
  • the method comprises the method step of iteratively repeating method steps D) and/or E) and/or F) with the extended training data set and/or test data set and/or the reduced-complexity control function and/or the increased-complexity control function.
  • the iterative repetition can be carried out, for example, until all driving scenarios are assessed as not causing a hazard based on the assessment catalogue.
  • the evaluation of the driving scenarios using the evaluation catalog includes the determination of unknown driving scenarios.
  • the evaluation of the driving scenarios using the evaluation catalog includes the determination of unsafe driving scenarios.
  • the training data record and/or the test data record is expanded using the driving scenarios rated as unknown. This enables the successive and targeted expansion of the training data set and training of the control function for driving scenarios relevant to increasing safety.
  • the training data record and/or the test data record is expanded using the driving scenarios assessed as unsafe. This enables the successive and targeted expansion and training of the control function in order to avoid control commands that could trigger a hazard.
  • the control commands are based on outputs from the artificial neural network, with the output from the artificial neural network being designated as safe if it is met with sufficient confidence or statistical certainty.
  • the method includes the method step of analytical verification of the control function, taking into account a defined value range of parameters.
  • the value range of parameters can relate to the vehicle sensor data and/or data derived from vehicle sensor data.
  • Methods for analytical verification are, for example, known methods such as "Reluplex” or "ReluVal”.
  • the method includes the method step of probabilistic verification of the control function.
  • Probabilistic verification means the data-driven evaluation and optimization of the test case coverage.
  • Test case coverage means quantifying the rules learned by the artificial neural network through inductive and deductive analysis.
  • the reduction in complexity of the control function includes the simplification of the artificial neural network.
  • a simplification of the artificial neural network can be done in such a way as to decrease a computing and/or memory resource required for the artificial neural network.
  • the simplification includes the reduction of the neurons and/or the layers of the artificial neural network.
  • the complexity reduction of the control function includes the reduction of vehicle sensor data to be provided.
  • the reduction can represent the lowering of the frequency with which vehicle sensor data are provided.
  • the computing and storage capacity in a control unit of a vehicle is designed using the artificial neural network.
  • the artificial neural network is designed (in terms of complexity) based on the computing and storage capacity of the control unit of a vehicle.
  • control function is provided in a vehicle and tested during operation.
  • vehicle can be a real or virtual/simulated vehicle.
  • control function can be tested during operation in that the control function simulates (generates) the control commands to be output and these are not actually executed by the vehicle.
  • control function is provided in a vehicle and the training data record and/or test data record is expanded using driving scenarios provided during (or through) a journey.
  • vehicle can be a real or virtual/simulated vehicle.
  • the driving scenarios provided during a journey for the expansion of the training data set can be evaluated using the evaluation catalogue.
  • the invention includes a vehicle with a control unit that executes a control function that is provided according to the method.
  • a method for providing a machine-learned control function for vehicle control based on provided vehicle sensor data is described, the control function being a lane change warning system based on an artificial neural network for predicting a lane change maneuver of surrounding vehicles (LCMP; engl .: lane change maneuver predictor).
  • the LCMP is provided with vehicle sensor data from radar and lidar sensors and cameras.
  • the process comprises the process steps:
  • LCMP lane change maneuver of surrounding vehicles
  • Unsafe driving scenarios are scenarios for which the LCMP generates an output that is associated with low confidence or high statistical uncertainty.
  • potentially dangerous scenarios can be used to check safety with reference to criteria from the evaluation catalogue, such as a minimum distance between vehicles in the area.
  • the training data set can include simulations of driving situations, for example.
  • test data set comprising driving scenarios and evaluating the driving scenarios using the evaluation catalogue
  • the test data set can, for example, include simulations of driving situations, in particular those that are not represented by the training data set.
  • the evaluation of the driving scenarios using the evaluation catalog can include the classification into safe or unsafe and known or unknown driving scenarios.
  • complexity can be reduced by reducing the number of layers and/or by reducing the number of neurons per layer of the artificial neural network.
  • the complexity can be increased by increasing the number of layers and/or by increasing the number of neurons per layer of the artificial neural network.
  • the original artificial neural network can be replaced by the artificial neural network with reduced/increased complexity. For example, this can complexity-reducedZ-increased artificial neural network can be retrained on the provided training data set without using the original artificial neural network for its training, or the original artificial neural network can be used in the process.
  • Method steps D) and/or E) and/or F) are repeated iteratively, with the training data set and/or test data set extended in F) being used after each repetition and/or the control function with reduced or increased complexity in F) being used. This ensures that the training data set is successively optimized for training the control function, the number of unsafe driving scenarios is reduced and the number of safe driving scenarios is increased in order to improve the control function.
  • the reduction in complexity of the control function includes the simplification of the artificial neural network by reducing the number of neurons and the layers of the artificial neural network. Furthermore, the complexity reduction of the control function includes the reduction of vehicle sensor data to be provided. Using the example of the lane change warning system, data from radar and lidar sensors and cameras are then provided at a reduced frequency.
  • Unknown driving scenarios are those that are not or only insufficiently represented by the training data set. Unknown driving scenarios can be specifically generated.
  • An example of a method for the targeted generation of unknown driving scenarios is "DeepXplore".
  • the input data for the artificial neural network are modified using gradient methods. This happens in such a way that an incorrect classification is forced by the artificial neural network.
  • new driving scenarios previously unknown to the artificial neural network are systematically generated. This process occurs under the additional constraint that the neuron coverage increases continuously.
  • the neuron coverage indicates how many of the neurons were active after running through a test data set, measured relative to the total of all neurons in the artificial neural network. A neuron counts as active if its activation value exceeds a previously defined threshold.
  • Evaluating the driving scenarios using the evaluation catalog includes determining unsafe driving scenarios.
  • unsafe driving scenarios are those for which the LCMP generates an output associated with low confidence or high statistical uncertainty.
  • Unsafe driving scenarios can be specifically generated.
  • An example of a method for the targeted generation of driving scenarios that trigger danger is the gradient method “Fast Gradient Sign”, with the help of which the input data from the driving scenarios are manipulated in such a way that the neural network is prompted to make an incorrect prediction, which systematically uncovers this driving situation that triggers the risk.
  • the resulting driving scenarios represent new driving scenarios for which the neural network generates an uncertain output.
  • LCMP lane change maneuver of surrounding vehicles
  • the training data set and the test data set are expanded using the driving scenarios rated as unknown or unsafe, whereupon method steps D), E) and F) are repeated iteratively.
  • the extended training data set and the extended test data set are used for each repetition and/or the control function reduced in complexity in F) is used.
  • the method also includes the method step of analytical verification of the control function, taking into account a defined value range of parameters.
  • the value range of parameters relates to the vehicle sensor data and data derived from vehicle sensor data.
  • the analytical verification of the control function taking into account a defined
  • the value range of parameters is based on parameterizable driving scenarios. For the example of the lane change warning system based on an artificial neural network for predicting a lane change maneuver of surrounding vehicles (LCMP), a parameterizable driving scenario is the following:
  • the vehicle to be controlled is driving on a three-lane highway in the middle lane and another vehicle is moving at a longitudinal speed between 100 km/h and 120 km/h and at a lateral speed between 2 km/h and 4 km/h over a time interval of 1 s from the right lane towards the center lane.
  • the specified speeds and times define the defined value range of the parameters.
  • the analytical verification can be carried out using known methods such as "Reluplex” or "ReluVal".
  • An advantage of this method step is the statement as to whether the artificial neural network of the control function in driving scenarios, which are characterized by values of the considered value range of parameters, leads to an output that does not result in a hazardous situation.
  • the calculation and storage capacity of the vehicle's control unit is designed using the artificial neural network.
  • the central processing unit and the main memory of the control unit are suitably designed.
  • the trained control function is made available in a vehicle and tested during operation.
  • the driving scenarios provided during a journey can expand the training data set and/or test data set, with the previous method steps being able to be repeated.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten umfassend die Verfahrensschritte: G) Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk umfassend mindestens einen ausgebbaren Steuerbefehl; H) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien; I) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien; J) Trainieren der Steuerfunktion an dem Trainingsdatensatz; K) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs; L) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion.

Description

Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten
Die Erfindung betrifft ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten.
Fahrzeuge verfügen heutzutage über Steuereinheiten, welche von einem Systementwickler festgelegte Steuerfunktionen ausführen. Das Fahrzeug verfügt dabei über eine Vielzahl von Sensoren, welche Fahrzeugsensordaten für die Steuerfunktion bereitstellen, anhand derer die Steuerfunktion Steuerbefehle generiert. Dabei hat der Fahrer des Fahrzeugs oft keinen unmittelbaren Einfluss auf den von der Steuerfunktion generierten Steuerbefehl. Beispiele für Steuerfunktionen stellen dabei beispielsweise ein Tempomat, ein Abstandsregler oder ein Spurwechselwarnsystem dar, welche auf Fahrzeugsensordaten von Radar, Lidar oder Kamera zurückgreifen.
Bekannte Verfahren zur Bereitstellung einer Steuerfunktion zur Fahrzeugsteuerung umfassen dabei die Bereitstellung von ausgebbaren Steuerbefehlen durch ein deterministisch/algorithmisch entwickeltes und in der Steuereinheit des Fahrzeugs implementiertes Computerprogramm. Dabei werden ausgebbare Steuerbefehle durch den Entwickler des Computerprogramms derart definiert, dass die Steuerbefehle explizit vorbestimmten Szenarien zugeordnet werden. Diese Art der Bereitstellung einer Steuerfunktion zur Fahrzeugsteuerung ist nicht geeignet, um komplexe Steuerfunktionen bereitzustellen, da die Realität komplexe Fahrszenarien bereitstellt, die von einem Entwickler des Computerprogramms bedacht werden müssten, um eine Steuerfunktion bereitzustellen, welche keinen gefahrenauslösenden Steuerbefehl ausgibt. Dies ist jedoch nur in sehr begrenztem Maße und für wenige Fahrszenarien durchführbar, weshalb die so bereitgestellte Steuerfunktion unter realen Bedingungen, insbesondere auf unbekannte Fahr-Situationen, fehleranfällig reagiert.
Ein weiteres Verfahren zur Bereitstellung einer Steuerfunktion umfasst das Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk. Hierbei wird das künstliche neuronale Netzwerk an einem Trainingsdatensatz, der möglichst viele und kategorisch unterschiedliche Fahrszenarien abbildet, trainiert, um selbständig Regeln abzuleiten, nach denen die definierten Steuerbefehle ausgeführt werden. Dies ermöglicht die Bereitstellung komplexer Steuerfunktionen, da keine konkreten Regeln in das Computerprogrammprodukt implementiert werden müssen. Verfahren zur Bereitstellung maschinell gelernter Steuerfunktionen zur Fahrzeugsteuerung sind dennoch fehleranfällig, da das beteiligte künstliche neuronale Netzwerk für Szenarien, welche durch den Trainingsdatensatz nicht oder nur ungenügend abgebildet werden, eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer großen statistischen Unsicherheit behaftet ist.
Aus dem Stand der Technik sind die DE 10 2018 116 036 A1 und die DE 10 2017 006 434 A1 bekannt.
Es ist die Aufgabe der vorliegenden Erfindung ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten bereitzustellen, welches die Nachteile aus dem Stand der Technik überwindet.
Die Erfindung umfasst ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten umfassend die Verfahrensschritte:
A) Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk (einer Machine-Iearning-Komponente) umfassend mindestens einen ausgebbaren Steuerbefehl;
B) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien; C) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien;
D) Trainieren der Steuerfunktion an dem Trainingsdatensatz;
E) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs;
F) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion.
Die Steuerfunktion steuert mit dem mindestens einen Steuerbefehl eine Funktion eines Fahrzeugs. Als Steuerfunktionen werden all jene Funktionen bezeichnet, die einen Einfluss auf die Steuerung (des Fahrzeugs) haben, sei es durch die Bereitstellung von Informationen oder konkreten Handlungsanweisungen.
Als Steuerbefehl wird eine konkrete Handlungsanweisung und/oder ein Signal zum Auslösen einer Steuerfunktion bezeichnet, welche automatisiert ausgeführt wird. Das künstliche neuronale Netzwerk kann auf einer Steuereinheit des Fahrzeugs implementiert sein oder auf einem Server außerhalb des Fahrzeugs implementiert sein und mit der Steuereinheit des Fahrzeugs in Wechselwirkung stehen.
Der Bewertungskatalog kann derart ausgelegt sein, um Fahrszenarien in bekannte oder unbekannte, nicht-gefahrenauslösend oder gefahrenauslösend und sichere oder unsichere Szenarien zu kategorisieren und danach zu bewerten.
Unbekannte Fahrszenarien sind Fahrszenarien, welche nicht durch den Trainingsdatensatz abgebildet sind. Unbekannte Fahrszenarien sind Fahrszenarien, die vom Entwickler nicht bedacht, im Bewertungskatalog und/oder im Trainingsdatensatz aufgenommen wurden.
Unsichere Fahrszenarien sind Szenarien, für die das künstliche neuronale Netzwerk eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer hohen statistischen Unsicherheit behaftet ist. Unsichere Fahrszenarien können zu gefahrenauslösenden Steuerbefehlen der Steuerfunktion führen. Der Trainingsdatensatz kann eine simulierte Fahrt des Fahrzeugs abbilden. Eine Komplexitätsreduktion der Steuerfunktion kann erfolgen, wenn die Ausführung der Steuerfunktion, beispielsweise auf einer Steuereinheit des Fahrzeugs, entweder zu langsam ist oder der Speicherbedarf der Steuerfunktion selbst zu groß ist. Die Komplexitätsreduktion der Steuerfunktion kann zu einer Reduzierung oder Vermeidung einer Überanpassung (over-fitting) durch das künstliche neuronale Netzwerk führen, um die Steuerfunktion zu verbessern. Eine Komplexitätserhöhung der Steuerfunktion kann vorgenommen werden, falls die Steuerfunktion nicht ausreichend an den im Trainingsdatensatz bereitgestellten Fahrszenarien angepasst (trainiert) werden kann, was sich beispielsweise in einem fehlerhaften Verhalten der Steuerfunktion manifestieren kann.
Nach einem bevorzugten Aspekt umfasst das Verfahren den Verfahrensschritt des iterativen Wiederholens der Verfahrensschritte D) und/oder E) und/oder F) mit dem erweiterten Trainingsdatensatz und/oder Testdatensatzes und/oder der komplexitätsreduzierten Steuerfunktion und/oder der komplexitätserhöhten Steuerfunktion. Das iterative Wiederholen kann beispielsweise solange erfolgen, bis anhand des Bewertungskatalogs alle Fahrszenarien als nicht gefahrauslösend bewertet werden.
Nach einem weiteren bevorzugten Aspekt umfasst das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unbekannter Fahr-Szenarien.
Nach einem besonders bevorzugten Aspekt umfasst das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unsicherer Fahrszenarien.
Nach einem vorteilhaften Aspekt erfolgt das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unbekannt bewerteten Fahrszenarien. Dies ermöglicht das sukzessive und gezielte Erweitern des Trainingsdatensatzes und Trainieren der Steuerfunktion auf für die Erhöhung der Sicherheit relevanten Fahr- Szenarien.
Nach einem weiteren vorteilhaften Aspekt erfolgt das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unsicher bewerteten Fahrszenarien. Dies ermöglicht das sukzessive und gezielte Erweitern und Trainieren der Steuerfunktion zur Vermeidung gefahrenauslösender Steuerbefehle. Die Steuerbefehle beruhen auf Ausgaben des künstlichen neuronalen Netzes, wobei die Ausgabe des künstlichen neuronalen Netzes als sicher bezeichnet wird, wenn diese mit einer ausreichenden Konfidenz bzw. statistischen Sicherheit getroffen wird.
Nach einem besonders vorteilhaften Aspekt umfasst das Verfahren den Verfahrensschritt der analytischen Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern. Dabei kann der Wertebereich von Parametern die Fahrzeugsensordaten und/oder aus Fahrzeugsensordaten abgeleitete Daten betreffen. Methoden zur analytischen Verifikation sind beispielsweise bekannter Methoden, wie „Reluplex“ oder „ReluVal“.
Nach einem besonders vorteilhaften Aspekt umfasst das Verfahren den Verfahrensschritt der probabilistischen Verifikation der Steuerfunktion. Unter probabilistischer Verifikation wird die datengetriebene Bewertung und Optimierung der Testfallabdeckung verstanden. Testfallabdeckung bedeutet die Quantifizierung der von dem künstlichen neuronalen Netz gelernten Regeln durch induktive und deduktive Analyse.
Nach einem vorteilhaften Aspekt umfasst die Komplexitätsreduktion der Steuerfunktion die Vereinfachung des künstlichen neuronalen Netzwerks. Eine Vereinfachung des künstlichen neuronalen Netzwerks kann derart erfolgen, um eine für das künstliche neuronale Netzwerk erforderliche Rechen- und/oder Speicher- Ressource zu erniedrigen.
Nach einem weiteren vorteilhaften Aspekt umfasst die Vereinfachung die Reduktion der Neuronen und/oder der Schichten des künstlichen neuronalen Netzwerks.
Nach einem besonders vorteilhaften Aspekt umfasst die Komplexitätsreduktion der Steuerfunktion die Reduktion von bereitzustellenden Fahrzeugsensordaten. Dabei kann die Reduktion die Erniedrigung der Frequenz darstellen, mit der Fahrzeugsensordaten bereitgestellt werden.
Nach einem besonders vorteilhaften Aspekt erfolgt eine Auslegung der Rechen- und Speicherkapazität in einer Steuereinheit eines Fahrzeugs anhand des künstlichen neuronalen Netzwerks. Nach einem bevorzugten Aspekt erfolgt eine Auslegung (der Komplexität) des künstlichen neuronalen Netzwerks anhand der Rechen- und Speicherkapazität der Steuereinheit eines Fahrzeugs.
Nach einem weiteren bevorzugten Aspekt wird die Steuerfunktion in einem Fahrzeug bereitgestellt und im laufenden Betrieb getestet. Das Fahrzeug kann ein reales oder virtuelles/simuliertes Fahrzeug sein. Dabei kann die Steuerfunktion im laufenden Betrieb getestet werden, indem die Steuerfunktion die auszugebenden Steuerbefehle simuliert (generiert) und diese nicht tatsächlich von dem Fahrzeug ausgeführt werden.
Nach einem besonders bevorzugten Aspekt wird die Steuerfunktion in einem Fahrzeug bereitgestellt und der Trainingsdatensatz und/oder Testdatensatz anhand von während (oder durch) einer Fahrt bereitgestellten Fahrszenarien erweitert. Das Fahrzeug kann ein reales oder virtuelles/simuliertes Fahrzeug sein. Die während einer Fahrt für die Erweiterung des Trainingsdatensatzes bereitgestellten Fahrszenarien können dabei anhand des Bewertungskatalogs bewertet werden.
Die Erfindung umfasst ein Fahrzeug mit einem Steuergerät ausführend eine Steuerfunktion, welche nach dem Verfahren bereitgestellt ist.
Die Erfindung soll im Folgenden anhand eines Beispiels näher erläutert werden.
Als erfindungsgemäßes Beispiel wird ein Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten beschrieben, wobei die Steuerfunktion ein Spurwechselwarnsystem ist, aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP; engl.: lane change maneuver predictor). Dabei werden dem LCMP Fahrzeugsensordaten von Radar- und Lidar-Sensoren und Kameras bereitgestellt.
Das Verfahren umfasst die Verfahrensschritte:
A) Bereitstellen der Steuerfunktion, in diesem Beispiel das Spurwechselwarnsystem, aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP), umfassend ausgebbare Steuerbefehle; dabei können die Steuerbefehle auf Grundlage des LCMP, welches einen „Spurwechsel rechts“, einen „Spurwechsel links“ und „keinen Spurwechsel“ eines umgebenden Fahrzeugs vorhersehen kann, ausgegeben werden.
B) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien; Der Bewertungskatalog definiert auf Grundlage implementierter Verifikations- und Validierungsziele, ob ein Fahrszenario bekannt oder unbekannt und sicher oder unsicher ist. Unsichere Fahrszenarien sind Szenarien, für die der LCMP eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer hohen statistischen Unsicherheit behaftet ist. Zur Überprüfung der Sicherheit können beispielsweise potentiell gefahrauslösende Szenarien unter Bezugnahme von Kriterien des Bewertungskatalogs, wie einem Mindestabstand zwischen sich in der Umgebung befindlichen Fahrzeugen, verwendet werden.
C) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien; Der Trainingsdatensatz kann beispielsweise Simulationen von Fahrtsituationen umfassen.
D) Trainieren der Steuerfunktion an dem Trainingsdatensatz; Dabei wird das künstliche neuronale Netzwerk mit bekannten Verfahren trainiert.
E) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs; Der Testdatensatz kann beispielsweise Simulationen von Fahrtsituationen umfassen, insbesondere solchen, die nicht von dem Trainingsdatensatz abgebildet werden. Das Bewerten der Fahrszenarien anhand des Bewertungskatalogs kann die Einteilung in sichere oder unsichere und bekannte oder unbekannte Fahrszenarien umfassen.
F) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion. Der Trainingsdatensatz wird erweitert, wenn unsichere Fahrszenarien bei der Bewertung gefunden werden.
Am Beispiel des LCMP kann eine Komplexitätsreduktion durch die Reduzierung der Zahl der Schichten und/oder durch die Reduzierung der Zahl von Neuronen pro Schicht des künstlichen neuronalen Netzes erfolgen. Eine Komplexitätserhöhung kann durch die Erhöhung der Zahl der Schichten und/oder durch die Erhöhung der Zahl von Neuronen pro Schicht des künstlichen neuronalen Netzes erfolgen. Zur KomplexitätsreduktionZ-erhöhung der trainierten Steuerfunktion kann das ursprüngliche künstliche neuronale Netz dabei durch das komplexitätsreduzierte/- erhöhte künstliche neuronale Netz ersetzt werden. Dabei kann beispielsweise das komplexitätsreduzierteZ-erhöhte künstliche neuronale Netz auf den bereitgestellten Trainingsdatensatz neu trainiert werden ohne das ursprüngliche künstliche neuronale Netz zu dessen Training heranzuziehen, oder das ursprüngliche künstliche neuronale Netz kann dabei herangezogen werden.
Es werden die Verfahrensschritte D) und/oder E) und/oder F) iterativ wiederholt, wobei nach jeder Wiederholung der in F) erweiterte Trainingsdatensatz und/oder Testdatensatz verwendet wird und/oder die in F) komplexitätsreduzierte oder komplexitätserhöhte Steuerfunktion verwendet wird. Dies stellt sicher, dass der Trainingsdatensatz sukzessiv für das Trainieren der Steuerfunktion optimiert wird, die Anzahl an unsicheren Fahrszenarien reduziert wird, sowie die Anzahl an sicheren Fahrszenarien erhöht wird, um die Steuerfunktion zu verbessern.
Die Komplexitätsreduktion der Steuerfunktion umfasst dabei die Vereinfachung des künstlichen neuronalen Netzwerks durch die Reduktion der Neuronen und der Schichten des künstlichen neuronalen Netzwerks. Weiterhin umfasst die Komplexitätsreduktion der Steuerfunktion die Reduktion von bereitzustellenden Fahrzeugsensordaten. Am Beispiel des Spurwechselwarnsystems werden dann Daten aus Radar- und Lidar-Sensoren und Kameras mit reduzierter Frequenz bereitgestellt.
Das Bewerten der Fahrszenarien anhand des Bewertungskatalogs umfasst das Ermitteln unbekannter Fahrszenarien. Dabei sind unbekannte Fahrszenarien solche, die durch den Trainingsdatensatz nicht oder nur unzureichend abgebildet werden. Dabei können unbekannte Fahrszenarien gezielt erzeugt werden.
Ein Beispiel einer Methode zur gezielten Erzeugung unbekannter Fahrszenarien ist „DeepXplore“. Dabei werden die Eingangsdaten für das künstliche neuronale Netz durch Gradientenverfahren modifiziert. Dies geschieht derart, dass eine falsche Klassifikation durch das künstliche neuronale Netz forciert wird. Folglich werden systematisch neue, dem künstlichen neuronalen Netz zuvor unbekannte Fahrszenarien erzeugt. Dieser Vorgang geschieht unter der zusätzlichen Nebenbedingung, dass die Neuronen-Abdeckung sich kontinuierlich erhöht. Die Neuronen-Abdeckung gibt an, wie viele der Neuronen nach Durchlauf eines Testdatensatzes aktiv waren, gemessen relativ zur Gesamtheit aller Neuronen im künstlichen neuronalen Netz. Ein Neuron zählt dabei als aktiv, wenn sein Aktivierungswert einen zuvor festgelegten Schwellwert überschreitet.
Das Bewerten der Fahrszenarien anhand des Bewertungskatalogs umfasst das Ermitteln unsicherer Fahrszenarien. Für das gegebene Beispiel sind unsichere Fahrszenarien solche, für die der LCMP eine Ausgabe generiert, welche mit einer niedrigen Konfidenz bzw. einer hohen statistischen Unsicherheit behaftet ist. Unsichere Fahrszenarien können gezielt erzeugt werden.
Ein Beispiel einer Methode zur gezielten Erzeugung gefahrenauslösender Fahrszenarien ist das Gradientenverfahren „Fast Gradient Sign“, mit dessen Hilfe gezielt die Eingangsdaten aus den Fahrszenarien derart manipuliert werden, dass das neuronale Netz zu einer falschen Prädiktion veranlasst wird, wodurch diese gefahrauslösende Fahrsituation systematisch aufgedeckt wurde. Die dabei entstehenden Fahrszenarien repräsentieren neue Fahrszenarien, für die das neuronalen Netz eine unsichere Ausgabe erzeugt.
Übertragen auf das Beispiel des Spurwechselwarnsystems aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP) bedeutet dies, dass solche Fahrszenarien Spurwechselmanöver abbilden, die durch den LCMP falsch eingeschätzt werden (beispielsweise wird durch den LCMP ein Spurwechsel vorhergesehen, obwohl kein Spurwechsel erfolgt) und deshalb das Spurwechselwarnsystem einen gefahrenauslösenden Steuerbefehl ausgibt.
Der Trainingsdatensatz und der Testdatensatz werden anhand der als unbekannt oder unsicher bewerteten Fahrszenarien erweitert, woraufhin die Verfahrensschritte D), E) und F) iterativ wiederholt werden. Dabei wird für jede Wiederholung der erweiterte Trainingsdatensatz und der erweiterte Testdatensatz verwendet und/oder die in F) komplexitätsreduzierte Steuerfunktion verwendet.
Das Verfahren umfasst zudem den Verfahrensschritt der analytischen Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern. Dabei betrifft der Wertebereich von Parametern die Fahrzeugsensordaten und aus Fahrzeugsensordaten abgeleitete Daten. Die analytische Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern stützt sich auf parametrisierbare Fahrszenarien. Für das Beispiel des Spurwechselwarnsystems aufbauend auf einem künstlichen neuronalen Netzwerk zur Vorhersage eines Spurwechselmanövers umgebender Fahrzeuge (LCMP) ist ein parametrisierbares Fahrszenario das Folgende:
Das zu steuernde Fahrzeug ist auf einer dreispurigen Autobahn auf dem mittleren Fahrstreifen unterwegs und ein weiteres Fahrzeug mit einer longitudinalen Geschwindigkeit zwischen 100 km/h und 120 km/h, sowie mit einer lateralen Geschwindigkeit zwischen 2 km/h und 4 km/h bewegt sich über ein Zeitintervall von 1 s von der rechten Spur in Richtung der mittleren Spur. Dabei definieren die angegebenen Geschwindigkeiten und Zeiten den definierten Wertebereich der Parameter.
Für die analytische Verifikation dieses Szenarios ist sicherzustellen, dass für kein, diesem Wertebereich konformes, Fahrszenario ein gefahrenauslösender Steuerbefehl vom LCMP ausgegeben wird, und in Folge dessen das Spurwechselwarnsystem einen gefahrenauslösenden Steuerbefehl ausgibt.
Die analytische Verifikation kann mittels bekannter Methoden, wie „Reluplex“ oder „ReluVal“ erfolgen. Ein Vorteil dieses Verfahrensschritts ist die Aussage darüber, ob das künstliche neuronale Netz der Steuerfunktion bei Fahrszenarien, welche durch Werte des betrachteten Wertebereichs von Parametern gekennzeichnet sind, zu einer Ausgabe führt, die keine gefahrenauslösende Situation zur Folge hat.
Die Auslegung der Rechen- und Speicherkapazität der Steuereinheit des Fahrzeugs erfolgt in dem betrachteten Beispiel anhand des künstlichen neuronalen Netzwerks. Dabei werden insbesondere die zentrale Recheneinheit und der Arbeitsspeicher der Steuereinheit geeignet ausgelegt.
In einem weiteren Verfahrensschritt wird die trainierte Steuerfunktion in einem Fahrzeug bereitgestellt und im laufenden Betrieb getestet. Die dabei während einer Fahrt bereitgestellten Fahrszenarien können dem Trainingsdatensatz und/oder Testdatensatz erweitern, wobei die vorherigen Verfahrensschritte wiederholt werden können.

Claims

Ansprüche
1 . Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten umfassend die Verfahrensschritte:
A) Bereitstellen einer Steuerfunktion aufbauend auf einem künstlichen neuronalen Netzwerk umfassend mindestens einen ausgebbaren Steuerbefehl;
B) Bereitstellen eines Bewertungskatalogs zur Bewertung von Fahrszenarien;
C) Bereitstellen eines Trainingsdatensatzes umfassend Fahrszenarien;
D) Trainieren der Steuerfunktion an dem Trainingsdatensatz;
E) Anwenden der Steuerfunktion auf einen Testdatensatz umfassend Fahrszenarien und Bewerten der Fahrszenarien anhand des Bewertungskatalogs;
F) Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes oder Komplexitätsreduktion oder Komplexitätserhöhung der trainierten Steuerfunktion.
2. Verfahren nach Anspruch 1 , umfassend den Verfahrensschritt des iterativen Wiederholens der Verfahrensschritte D) und/oder E) und/oder F) mit dem erweiterten Trainingsdatensatz und/oder Testdatensatzes und/oder der komplexitätsreduzierten oder komplexitätserhöhten Steuerfunktion.
3. Verfahren nach Anspruch 1 oder 2, wobei das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unbekannter Fahrszenarien umfasst.
4. Verfahren nach einem der vorangehenden Ansprüche, wobei das Bewerten der Fahrszenarien anhand des Bewertungskatalogs das Ermitteln unsicherer Fahrszenarien umfasst.
5. Verfahren nach Anspruch 3, wobei das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unbekannt bewerteten Fahrszenarien erfolgt.
6. Verfahren nach Anspruch 4, wobei das Erweitern des Trainingsdatensatzes und/oder des Testdatensatzes anhand der als unsicher bewerteten Fahrszenarien erfolgt.
7. Verfahren nach einem der vorangehenden Ansprüche, umfassend den Verfahrensschritt der analytischen Verifikation der Steuerfunktion unter Berücksichtigung eines definierten Wertebereichs von Parametern.
8. Verfahren nach einem der vorangehenden Ansprüche, umfassend den Verfahrensschritt der probabilistischen Verifikation der Steuerfunktion.
9. Verfahren nach einem der vorangehenden Ansprüche, wobei die Komplexitätsreduktion der Steuerfunktion die Vereinfachung des künstlichen neuronalen Netzwerks umfasst.
10. Verfahren nach Anspruch 9, wobei die Vereinfachung die Reduktion der Neuronen und/oder der Schichten des künstlichen neuronalen Netzwerks umfasst.
11. Verfahren nach einem der vorangehenden Ansprüche, wobei die Komplexitätsreduktion der Steuerfunktion die Reduktion von bereitzustellenden Fahrzeugsensordaten umfasst.
12. Verfahren nach einem der vorangehenden Ansprüche, wobei eine Auslegung der Rechen- und Speicherkapazität in einer Steuereinheit eines Fahrzeugs anhand des künstlichen neuronalen Netzwerks erfolgt.
13. Verfahren nach einem der vorangehenden Ansprüche, wobei eine Auslegung des künstlichen neuronalen Netzwerks anhand der Rechen- und Speicherkapazität der Steuereinheit eines Fahrzeugs erfolgt.
14. Verfahren nach einem der vorangehenden Ansprüche, wobei die Steuerfunktion in einem Fahrzeug bereitgestellt wird und im laufenden Betrieb getestet wird.
15. Verfahren nach Anspruch 14, wobei die Steuerfunktion in einem Fahrzeug bereitgestellt wird und der Trainingsdatensatz und/oder Testdatensatz anhand von während einer Fahrt bereitgestellten Fahrszenarien erweitert wird.
16. Fahrzeug mit einem Steuergerät ausführend eine Steuerfunktion, welche nach dem Verfahren nach einem der vorangehenden Ansprüche bereitgestellt ist.
EP21786759.7A 2020-09-16 2021-09-15 Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten Pending EP4214642A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020124174.7A DE102020124174A1 (de) 2020-09-16 2020-09-16 Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten
PCT/DE2021/100760 WO2022057979A1 (de) 2020-09-16 2021-09-15 Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten

Publications (1)

Publication Number Publication Date
EP4214642A1 true EP4214642A1 (de) 2023-07-26

Family

ID=78080101

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21786759.7A Pending EP4214642A1 (de) 2020-09-16 2021-09-15 Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten

Country Status (10)

Country Link
US (1) US20230359892A1 (de)
EP (1) EP4214642A1 (de)
JP (1) JP2023542434A (de)
KR (1) KR20230088719A (de)
CN (1) CN116157309A (de)
AU (1) AU2021343608A1 (de)
CA (1) CA3190157A1 (de)
DE (1) DE102020124174A1 (de)
IL (1) IL301179A (de)
WO (1) WO2022057979A1 (de)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170006434A (ko) 2015-07-08 2017-01-18 주식회사 에이스침대 스프링조립체를 내장한 소파쿠션장치
KR20180116036A (ko) 2017-04-14 2018-10-24 엘지전자 주식회사 이동 단말기
DE102017006434A1 (de) 2017-07-07 2019-01-10 Wabco Gmbh Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation sowie Bewertungsmodul
CA3033014A1 (en) * 2018-02-07 2019-08-07 Royal Bank Of Canada Robust pruned neural networks via adversarial training
US11169536B2 (en) * 2018-04-09 2021-11-09 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations
DE102018116036A1 (de) 2018-07-03 2020-01-09 Connaught Electronics Ltd. Training eines tiefen konvolutionellen neuronalen Netzwerks für individuelle Routen

Also Published As

Publication number Publication date
CA3190157A1 (en) 2022-03-24
IL301179A (en) 2023-05-01
WO2022057979A1 (de) 2022-03-24
DE102020124174A1 (de) 2022-03-17
CN116157309A (zh) 2023-05-23
US20230359892A1 (en) 2023-11-09
AU2021343608A1 (en) 2023-03-23
KR20230088719A (ko) 2023-06-20
JP2023542434A (ja) 2023-10-06

Similar Documents

Publication Publication Date Title
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
EP3899682B1 (de) Überwachung von auf neuronalen netzwerken basierten fahrfunktionen
DE102017200180A1 (de) Verfahren und Testeinheit zur Bewegungsprognose von Verkehrsteilnehmern bei einer passiv betriebenen Fahrzeugfunktion
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
AT523834B1 (de) Verfahren und System zum Testen eines Fahrerassistenzsystems
WO2021058223A1 (de) Verfahren zur effizienten, simulativen applikation automatisierter fahrfunktionen
WO2022028935A1 (de) Computerimplementiertes verfahren zum bereitstellen eines test-verlaufs zu testender verkehrsszenarien
DE102010013943A1 (de) Verfahren und Vorrichtung für eine Funktionsprüfung einer Objekt-Erkennungseinrichtung eines Kraftwagens
DE102020120141A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme mittels probabilistisch prädizierter Systemantworten
DE102017214531A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftfahrzeugs in einem automatisierten Fahrbetrieb sowie Kraftfahrzeug
DE102020209680B3 (de) Signalverarbeitungspfad, Vorrichtung zur Umfelderkennung und Verfahren zur Validierung eines automatisiert betreibbaren Fahrsystems
EP4212980A1 (de) Fahrassistenzeinrichtung und verfahren zum durchführen einer wenigstens teilautomatischen fahrzeugfunktion in abhängigkeit von einer zu bewertenden fahrstrecke
DE102021202813A1 (de) Verfahren, Vorrichtung und Computerprogramm für eine Unsicherheitsbewertung einer Bildklassifikation
WO2021094222A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
EP3959660A1 (de) Training trainierbarer module mit lern-daten, deren labels verrauscht sind
WO2022057979A1 (de) Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten
DE102019213797A1 (de) Verfahren zur Bewertung einer Sequenz von Repräsentationen zumindest eines Szenarios
EP4047316A1 (de) Verfahren zum bewerten einer bekanntheit einer fahrstrecke und elektronische recheneinrichtung
WO2021089499A1 (de) Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning
DE102020212921A1 (de) Verfahren, Computerprogramm und Vorrichtung zum Bewerten einer Verwendbarkeit von Simulationsdaten
DE102019130484A1 (de) Verfahren und Vorrichtung zum Anlernen eines Ensembles von neuronalen Netzen
DE102010025977A1 (de) Verfahren zur Erkennung von Fahrmanövern von Kraftfahrzeugen
WO2023275401A1 (de) Simulation von verkehrsteilnehmern mit emotionen
DE102022200158A1 (de) Verfahren zur Qualifizierung einer Steuerung mittels eines Closed-Loop Simulationsverfahrens
WO2024170027A1 (de) Simulationsbasierte parametervoreinstellung für dynamische fahrfunktionen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230302

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)