EP4364027A1 - Auslegen eines automatisierungsalgorithmus eines fahrzeugs - Google Patents

Auslegen eines automatisierungsalgorithmus eines fahrzeugs

Info

Publication number
EP4364027A1
EP4364027A1 EP22718724.2A EP22718724A EP4364027A1 EP 4364027 A1 EP4364027 A1 EP 4364027A1 EP 22718724 A EP22718724 A EP 22718724A EP 4364027 A1 EP4364027 A1 EP 4364027A1
Authority
EP
European Patent Office
Prior art keywords
parameters
automation algorithm
algorithm
optimization
cost function
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.)
Withdrawn
Application number
EP22718724.2A
Other languages
English (en)
French (fr)
Inventor
Christoph THIEM
Ulrich Eberle
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.)
Stellantis Auto SAS
Original Assignee
Stellantis Auto SAS
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 Stellantis Auto SAS filed Critical Stellantis Auto SAS
Publication of EP4364027A1 publication Critical patent/EP4364027A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design

Definitions

  • the invention relates to a method for designing an automation algorithm for a vehicle by simulating the automation algorithm and a virtual scenario, and a simulator device for executing the method.
  • Scenario- and simulation-based testing is becoming increasingly important for the development and validation of automated vehicles, especially to take critical scenarios into account.
  • Algorithms of the automated vehicle whether they are applications of control technology to control the vehicle status or whether they are higher-level decision-making algorithms, must be designed in such a way that these critical scenarios can also be mastered.
  • the challenge here is that it is often not the rigid environment but the behavior of other road users that is the cause of critical scenarios.
  • Methods for configuring virtual environments and for designing and training self-learning algorithms are known in the prior art.
  • EP 3690 754 A1 relates to a method for designing a traffic scenario in a virtual environment.
  • - freely reproduced - in particular optically recorded data from driving tests and a video thereof are used in order to gain data about the environment with a situation analysis and to obtain information about the respective vehicle status, as well as to take traffic information into account.
  • the traffic information is fed into a "scenario augmentation network”.
  • a traffic simulator is configured based on a critical scenario of the data.
  • DE 102017 007 136 A1 also relates to a method for training self-learning algorithms for an automated vehicle with a specified automation module by generating learning situations, the learning situations being generated as follows: Carrying out a traffic simulation in which a virtual ego drive vehicle is placed in a virtual scenario with the automation module of the real vehicle, the scenario comprising a route structure with a specified route, further comprehensively automatically generated further virtual moving objects with individually specifiable object properties and behavior models, the objects in the course of the progressive simulation with each other independently and adaptively on the Based on the respective object properties and behavior models interact; Carrying out a driving dynamics simulation on the basis of the automation module and of virtual sensor signals of the moving objects of a virtual sensor system assigned to the ego vehicle, which correspond to a sensor system of the actually existing vehicle, in which reactions of the ego vehicle are generated; and identification of a relevant learning situation using selection criteria that are determined on the basis of predeterminable metrics.
  • the object of the invention is to make the design of an automation algorithm for a vehicle more efficient and effective in order to enable more robust automation algorithms for vehicles.
  • a first aspect of the invention relates to a method for designing an automation algorithm of a vehicle by simulating the automation algorithm and a virtual scenario, having the steps:
  • a function value of the cost function depends on the parameters of the automation algorithm as the first group of changeable optimization variables and on the parameters of the virtual scenario as the second group of changeable optimization variables and correlates with a quality of execution of the automation algorithm in the virtual scenario
  • the automation algorithm of a real vehicle serves - in particular as a part a more complex driving control system - to operate the vehicle in an at least partially automated up to a fully automated mode.
  • the automation algorithm can therefore be the basic controller of a driver assistance system in order to influence a vehicle state in a partially automated or fully automated manner.
  • a vehicle state is, for example, a speed, an acceleration of the vehicle, a steering angle or a state of another control element of the vehicle such as a handbrake.
  • the automation algorithm can also include higher-order control loops of a cascade controller up to, in particular, discrete decision-making algorithms. The latter are typically used to enable highly automated operation up to and including fully autonomous operation of the vehicle.
  • the higher the degree of authority of the automation algorithm in its impact on the vehicle the more critical its decisions are in safety-relevant situations.
  • the virtual scenario represents what creates the prerequisites and boundary conditions on the basis of which the automation algorithm runs. Since the virtual scenario is part of the overall simulation in which the automation algorithm is also simulated, the behavior of the automation algorithm in the virtual scenario can be analyzed as if real existing physical sensors had an actual situation in front of them instead of the virtual scenario. A corresponding sensor dynamic is also advantageously simulated, but for the sake of simplicity a data set of the virtual scenario can also be transmitted directly to the automation algorithm, with real influences such as sensor noise or other inadequacies in the detection by a sensor being neglected in the latter case.
  • the security and repeatability of the simulator can be exploited and any scenarios, particularly critical ones, can be loaded in order to check the behavior of the automation algorithm in response thereto.
  • a cost function is used according to the invention, the function value of which correlates with a quality of the execution of the automation algorithm.
  • a positive correlation is preferably used, so that the function value increases with a higher quality.
  • a negative correlation can also be used by using the inverse sign convention of the cost function. If a positively chosen cost function is to be minimized, can equivalently, the negatively chosen cost function can be maximized and vice versa. This example makes it clear that the signs of the cost function lead to the same result as long as they are consistently taken into account in the further process steps.
  • the cost function has a large number of optimization variables that can be freely modified in the simulator. While the first group of optimization variables includes parameters of the automation algorithm, a second group of optimization variables includes parameters of the virtual scenario.
  • the term group and parameter can also be understood to mean an individual value in each case, for example a scalar gain in a regulator of the automation algorithm. Optimization variables of the first group are therefore in particular not also part of the second group and optimization variables of the second group are therefore in particular also not part of the first group.
  • the value of the cost function can be determined in particular by running a simulation, with the cost function preferably indicating the quality of the execution of the automation algorithm in a physically tangible quantity, for example the time required to carry out emergency braking to a standstill, the lateral acceleration of a vehicle evasive manoeuvres, correct decision-making, or the like; a combination of the above terms can also be used to define the cost function.
  • Binary values like the above decision making can also be mapped into a numeric value, for example +100 for the wrong decision and -100 for the correct decision when a decision leaves exactly two options open.
  • At least two related optimization methods are carried out:
  • a respective starting value for the parameters of the automation algorithm is used in order to adapt the virtual scenario.
  • a provisional design can be used for the respective starting value of these parameters.
  • the virtual scenario with its parameters is changed in such a way that the value of the cost function changes in such a way that the quality of the execution of the automation algorithm decreases.
  • the cost function is therefore used in a first optimization method in such a way that the quality of the execution of the automation algorithm decreases intentionally in order to artificially generate a particularly critical scenario for the automation algorithm.
  • the automation algorithm is optimized precisely for this critical scenario, so that the critical scenario can also be reliably managed.
  • Agent A the optimization process with regard to the automation algorithm as Agent A and the optimization process with regard to the virtual scenario as Agent B work against each other.
  • Agent A's goal is to optimize its mission success given a frozen status of the traffic simulation, and an updated status A_new is created.
  • Agent A can only act within certain limits, which are specified, for example, and without restricting the general public, by the German road traffic regulations.
  • Agent B's goal is to minimize Agent A's mission success if Agent A's status is frozen.
  • An updated status B_new is created. Agent B can only proceed within certain limits, since traffic scenarios that are not too extreme and unrealistic are generated.
  • the adversarial traffic planner B can use the parameters of the different levels L work, with a particular focus for Agent B on the following parameters:
  • Selected L4 level parameters such as traffic flow, are defined in the mission descriptions and can be varied across different missions.
  • the method steps of the execution of the optimization method are repeated iteratively until a predefined convergence criterion of the optimization method, or a predefined robustness of agent A, is reached.
  • a convergence criterion is, for example, the remaining of a relative or absolute change in the function value of the cost function within a specified limit due to a change in one or more optimization variables.
  • Another possible convergence criterion is reaching a predefined absolute value of the cost function, reaching a physically realistic or otherwise specified limit at least for one of the optimization variables, or the like.
  • the method steps of the execution of the optimization methods for different missions of the vehicle are repeated in a virtual scenario.
  • a mission of the vehicle essentially indicates the intention, for example a planned left turn at an intersection. By including several possible missions, it is easier to create critical scenarios be identified.
  • the method steps of the execution of the optimization method are repeated for different virtual scenarios.
  • Different virtual scenarios are, for example, different intersections that the vehicle crosses in the simulation. In this way, a wide range of scenarios that are actually possible can advantageously be analysed.
  • one of the following is used as the respective optimization method:
  • the parameters of the virtual scenario include at least one of the following:
  • the parameters of the automation algorithm include at least one of the following:
  • the function value of the cost function correlates - positively or negatively - with at least one of the following terms or with a sum based on the following terms:
  • the cost function correlates with a sum of at least two squares of the terms. This can be used advantageously if the cost function can be evaluated analytically. Typically, however, it will lead numerically as a simulation result to the function value.
  • limits are specified for the parameters of the virtual scenario and for the parameters of the automation algorithm, within which the parameters and thus the optimization variables can be adjusted by the respective optimization method.
  • the limits for the parameters are determined, for example, by a required robustness of a control loop, a maximum permissible amplification of noise, or in relation to the virtual scenario by parameters of a real scenario that can still be expected realistically.
  • a further aspect of the invention relates to a simulator device that is set up and designed to carry out the following steps for designing an automation algorithm of a vehicle by simulating the automation algorithm and a virtual scenario:
  • a function value of the cost function depends on the parameters of the automation algorithm as the first group of changeable optimization variables and on the parameters of the virtual scenario as the second group of changeable optimization variables and correlates with a quality of execution of the automation algorithm in the virtual scenario
  • a cost function is set up S1, the cost function depending on the parameters of the automation algorithm as well as on the parameters of the virtual scenario.
  • the functional value of the cost function is made up of a sum of the time required to complete a braking process and the required acceleration of a combined evasive and braking maneuver.
  • the individual terms of the cost function do not have to be determined explicitly analytically as optimization variables depending on the parameters mentioned above, since the respective term is determined by the simulation itself. Of the The function value of the cost function is therefore given after execution of the simulation software code and comes from numerical integrations of the simulation.
  • the function value of the cost function also decreases as the quality of the execution of the automation algorithm in the virtual scenario increases.
  • the second step while keeping the parameters of the automation algorithm constant, it follows the execution S2 of an optimization procedure with an evolution algorithm, which repeatedly executes the simulation under random but convergent variation of the parameters of the virtual scenario in order to find such parameters of the virtual scenario, that the cost function assumes a local maximum accompanied by a low quality of the automation algorithm.
  • an optimization method is executed S3 using an evolution algorithm and again repeated simulation for adapting the parameters of the automation algorithm such that the cost function assumes a local minimum accompanied by a high quality of the automation algorithm.
  • the adjustment of the parameters of the automation algorithm relates to the weights of artificial neural networks, while the adjustment of the parameters of the virtual scenario relates to geometric framework conditions, a road infrastructure, movement sequences of pedestrians who cross a traffic light in its red phase and thus the vehicle to avoid and/or force brakes.
  • the adjustment of the parameters of the virtual scenario relates to geometric framework conditions, a road infrastructure, movement sequences of pedestrians who cross a traffic light in its red phase and thus the vehicle to avoid and/or force brakes.
  • these procedural steps of the execution of the optimization method are repeated iteratively for several missions of the vehicle until the predefined convergence criterion of the optimization method is reached, so that the respective optimization method is a barrier of the relative change no longer exceeds.
  • the adapted parameters of the automation algorithm are stored S4 in the automation algorithm and the method steps are carried out again for a new intersection, a new virtual scenario.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Offenbarung betrifft ein Verfahren zum Auslegen eines Automatisierungsalgorithmus eines Fahrzeugs durch Simulation des Automatisierungsalgorithmus und eines virtuellen Szenarios, aufweisend die Schritte: - Aufstellen (S1) einer Kostenfunktion, deren Funktionswert mit einer Güte der Ausführung des Automatisierungsalgorithmus in dem virtuellen Szenario korreliert und deren Variablen Parameter des Automatisierungsalgorithmus und des virtuellen Szenarios sind, - Ausführen (S2) eines Optimierungsverfahrens zum Anpassen der Parameter des virtuellen Szenarios so, dass die Kostenfunktion einen Wert mit niederer Güte des Automatisierungsalgorithmus annimmt, und - Ausführen (S3) eines Optimierungsverfahrens zum Anpassen der Parameter des Automatisierungsalgorithmus so, dass die Kostenfunktion einen Wert mit hoher Güte des Automatisierungsalgorithmus annimmt, und - Abspeichern (S4) der angepassten Parameter.

Description

AUSLEGEN EINES AUTOMATISIERUNGSALGORITHMUS EINES FAHRZEUGS
Die Erfindung betrifft ein Verfahren zum Auslegen eines Automatisierungsalgorithmus ei nes Fahrzeugs durch Simulation des Automatisierungsalgorithmus und eines virtuellen Szenarios, sowie eine Simulatoreinrichtung zum Ausführen des Verfahrens.
Für die Entwicklung und Validierung von automatisierten Fahrzeugen gewinnt das Szena rien- und simulationsbasierte Testen zunehmend an Bedeutung, insbesondere um kriti sche Szenarien zu berücksichtigen. Algorithmen des automatisierten Fahrzeugs, seien es Anwendungen der Regelungstechnik zur Kontrolle des Fahrzeugzustands oder seien es höherwertige Entscheidungsalgorithmen, sind so auszulegen, dass auch diese kritischen Szenarien bewältigt werden können. Herausfordernd dabei ist, dass häufig nicht die starre Umgebung, sondern das Verhalten anderer Verkehrsteilnehmer die Ursache für kritische Szenarien ist. Im Stand der Technik sind Verfahren zum Konfigurieren von virtuellen Um gebungen sowie zum Auslegen und Trainieren selbstlernender Algorithmen bekannt.
Die EP 3690 754 A1 betrifft hierzu ein Verfahren, um ein Verkehrsszenario in einer virtu ellen Umgebung zu entwerfen. Hierbei werden - frei wiedergegeben - insbesondere op tisch erfasste Daten aus Fahrversuchen und einem Video davon verwendet, um mit einer Situationsanalyse Daten über die Umgebung zu gewinnen und Informationen über den je weiligen Fahrzeugzustand zu erhalten, sowie Verkehrsinformationen zu berücksichtigen. Die Verkehrsinformationen werden in ein "Szenario-Augmentierungs-Netzwerk" eingege ben. Auf einem kritischen Szenario der Daten basierend wird schließlich ein Verkehrssi mulator konfiguriert.
Die DE 102017 007 136 A1 betrifft ferner ein Verfahren zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug mit einem vorgegebenen Automati sierungsmodul durch Erzeugung von Lernsituationen, wobei die Lernsituationen wie folgt erzeugt werden: Durchführung einer Verkehrs-Simulation, bei der ein virtuelles Ego-Fahr zeug mit dem Automatisierungsmodul des realen Fahrzeugs in ein virtuelles Szenario ge setzt wird, das Szenario umfassend eine Fahrwegestruktur mit einer vorgegebenen Fahrt route, ferner umfassend automatisiert erzeugte weitere virtuelle bewegte Objekte mit indi viduell vorgebbaren Objekteigenschaften und Verhaltensmodellen, wobei die Objekte im Zuge der fortschreitenden Simulation miteinander selbständig und adaptiv auf der Grundlage der jeweiligen Objekteigenschaften und Verhaltensmodelle interagieren; Durchführung einer Fahrdynamik-Simulation auf der Grundlage des Automatisierungsmo duls sowie von virtuellen Sensorsignalen der bewegten Objekte einer dem Ego-Fahrzeug zugeordneten virtuellen Sensorik, die einer Sensorik des real existierenden Fahrzeugs entsprechen, bei der Reaktionen des Ego-Fahrzeugs erzeugt werden; und Identifikation einer relevanten Lernsituation anhand von Auswahlkriterien, die auf der Grundlage von vorgebbaren Metriken bestimmt werden.
Aufgabe der Erfindung ist es, das Auslegen eines Automatisierungsalgorithmus eines Fahrzeugs effizienter und effektiver zu gestalten, um robustere Automatisierungsalgorith men für Fahrzeuge zu ermöglichen.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Auslegen eines Automatisie rungsalgorithmus eines Fahrzeugs durch Simulation des Automatisierungsalgorithmus und eines virtuellen Szenarios, aufweisend die Schritte:
- Aufstellen einer Kostenfunktion, wobei ein Funktionswert der Kostenfunktion von den Parametern des Automatisierungsalgorithmus als erste Gruppe veränderbarer Optimie rungsvariablen und von den Parametern des virtuellen Szenarios als zweite Gruppe ver änderbarer Optimierungsvariablen abhängt und mit einer Güte der Ausführung des Auto matisierungsalgorithmus in dem virtuellen Szenario korreliert,
- mit konstant gehaltenen Parametern des Automatisierungsalgorithmus: Ausführen eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Parameter des virtuellen Szenarios so, dass die Kostenfunktion einen ersten Extremwert einhergehend mit niederer Güte des Automatisierungsalgorithmus annimmt, und
- mit konstant gehaltenen angepassten Parametern des virtuellen Szenarios: Ausführen eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Parameter des Automatisierungsalgorithmus so, dass die Kostenfunktion einen zweiten Extremwert einhergehend mit hoher Güte des Automatisierungsalgorithmus annimmt, und
- Abspeichern der angepassten Parameter des Automatisierungsalgorithmus in den Auto matisierungsalgorithmus.
Der Automatisierungsalgorithmus eines realen Fahrzeugs dient - insbesondere als Teil eines komplexeren Fahrsteuerungssytems - dazu, das Fahrzeug in einem zumindest teil automatisierten bis hin zu einem vollautomatisierten Modus zu betreiben. Der Automati sierungsalgorithmus kann daher der Basisregler eines Fahrerassistenzsystems sein, um einen Fahrzeugzustand teilautomatisiert oder vollautomatisiert zu beeinflussen. Ein sol cher Fahrzeugzustand ist beispielsweise eine Geschwindigkeit, eine Beschleunigung des Fahrzeugs, ein Lenkwinkel oder ein Zustand an einem anderen Steuerelement des Fahr zeugs wie einer Handbremse. Der Automatisierungsalgorithmus kann auch höherwertige Regelschleifen eines Kaskadenreglers bis hin zu insbesondere diskreten Entscheidungs algorithmen umfassen. Letztere sind typischerweise im Einsatz, um einen hoch automati sierten Betrieb bis hin zu einem vollständig autonomen Betrieb des Fahrzeugs zu ermögli chen. Je höher jedoch der Grad der Autorität des Automatisierungsalgorithmus in seinem Einwirken auf das Fahrzeug ist, umso kritischer sind dessen Entscheidungen in sicher heitsrelevanten Situationen.
Das virtuelle Szenario stellt dar, welches die Voraussetzungen und Randbedingungen schafft, auf dessen Grundlage hin der Automatisierungsalgorithmus abläuft. Da das virtu elle Szenario Teil der gesamten Simulation ist, in der auch der Automatisierungsalgorith mus simuliert wird, kann das Verhalten des Automatisierungsalgorithmus in dem virtuellen Szenario analysiert werden, als würden real existierende physische Sensoren statt dem virtuellen Szenario eine tatsächliche Situation vor sich haben. Eine entsprechende Sens ordynamik wird dabei ebenfalls vorteilhaft simuliert, der Einfachheit halber kann jedoch auch ein Datensatz des virtuellen Szenarios direkt an den Automatisierungsalgorithmus übermittelt werden, wobei im letzteren Fall reale Einflüsse wie Sensorrauschen oder an dere Unzulänglichkeiten der Erfassung mittels eines Sensors vernachlässigt werden.
In dem virtuellen Szenario können die Sicherheit und Wiederholbarkeit des Simulators ausgenutzt werden und beliebige insbesondere kritische Szenarien eingespielt werden, um das Verhalten des Automatisierungsalgorithmus als Reaktion darauf zu überprüfen.
Um diese Möglichkeiten der Simulation bestens auszunutzen, wird erfindungsgemäß eine Kostenfunktion verwendet, deren Funktionswert mit einer Güte der Ausführungen des Au tomatisierungsalgorithmus korreliert. Bevorzugt wird eine positive Korrelation verwendet, sodass der Funktionswert mit einer höheren Güte steigt. Es kann auch eine negative Kor relation verwendet werden, indem die umgekehrte Vorzeichenkonvention der Kostenfunk tion verwendet wird. Ist eine positiv gewählte Kostenfunktion zu minimieren, kann äquivalent dazu die negativ gewählte Kostenfunktion maximiert werden und umgekehrt. Dieses Beispiel verdeutlicht, dass die Vorzeichen der Kostenfunktion zum gleichen Ergeb nis führen, solange sie konsistent in den weiteren Verfahrensschritten berücksichtigt wer den.
Die Kostenfunktion weist eine Vielzahl von Optimierungsvariablen auf, die im Simulator frei verändert werden können. Während die erste Gruppe der Optimierungsvariablen Pa rameter des Automatisierungsalgorithmus aufweisen, weist eine zweite Gruppe der Opti mierungsvariablen Parameter des virtuellen Szenarios auf. Unter dem Begriff der Gruppe und der Parameter kann auch ein jeweils einzelner Wert verstanden werden, beispiels weise eine skalare Verstärkung in einem Regler des Automatisierungsalgorithmus. Opti mierungsvariablen der ersten Gruppe sind insbesondere daher nicht auch Teil der zweiten Gruppe und Optimierungsvariablen der zweiten Gruppe sind insbesondere daher auch nicht Teil der ersten Gruppe.
Insbesondere durch einen Simulationsdurchlauf kann der Wert der Kostenfunktion ermit telt werden, wobei die Kostenfunktion bevorzugt die Güte der Ausführung des Automati sierungsalgorithmus in einer physikalisch fassbaren Größe angibt, beispielsweise die be nötigte Zeit, um eine Notbremsung bis zum Stillstand hin auszuführen, die Seitenbe schleunigung eines Ausweichmanövers, die korrekte Entscheidungsfindung, oder Ähnli ches; auch kann eine Kombination der oben genannten Terme zur Definition der Kosten funktion verwendet werden. Binäre Werte wie die oben genannte Entscheidungsfindung können ebenfalls in einen numerischen Wert abgebildet werden, beispielsweise +100 für die falsche Entscheidung und -100 für die korrekte Entscheidung, wenn eine Entschei dung genau zwei Optionen offen lässt.
Erfindungsgemäß werden mindestens zwei in Beziehung zueinander stehende Optimie rungsverfahren ausgeführt: Im ersten Optimierungsverfahren wird ein jeweiliger Startwert für die Parameter des Automatisierungsalgorithmus verwendet, um das virtuelle Szenario anzupassen. Für den jeweiligen Startwert dieser Parameter kann eine vorläufige Ausle gung dienen. Hierbei wird das virtuelle Szenario mit ihren Parametern so verändert, dass der Wert der Kostenfunktion sich dahingehend ändert, dass die Güte der Ausführung des Automatisierungsalgorithmus abnimmt. Sind entweder vordefinierte Grenzen der Parame ter des virtuellen Szenarios erreicht, oder würden die Parameter des virtuellen Szenarios einen realistisch zu erwartenden Bereich verlassen, oder ist durch das Auffinden eines globalen Extremwerts der Kostenfunktion eine schlechtest denkbare Güte der Ausführung des Automatisierungsalgorithmus erreicht, so ist der Extremwert der Kostenfunktion ge funden, und die dafür gültigen Parameter des virtuellen Szenarios werden verwendet, um in einem weiteren Optimierungsverfahren die Parameter des Automatisierungsalgorithmus so anzupassen, dass dessen Güte bei der Ausführung wieder steigt.
Erfindungsgemäß wird daher die Kostenfunktion in einem ersten Optimierungsverfahren so verwendet, dass absichtlich die Güte der Ausführung des Automatisierungsalgorithmus sinkt, um ein besonderes kritisches Szenario für den Automatisierungsalgorithmus künst lich zu erzeugen. Im weiteren Optimierungsverfahren wird hingegen genau auf dieses kri tische Szenario der Automatisierungsalgorithmus optimiert, sodass auch das kritische Szenario sicher bewältigt werden kann.
So werden Methoden des adversarialen maschinellen Lernens in einem agenten-basier- ten Ansatz verwendet. Bildlich gesprochen arbeiten das Optimierungsverfahren bezüglich des Automatisierungsalgorithmus als Agent A und das Optimierungsverfahren bezüglich dem virtuellen Szenario als Agent B gegeneinander. Das Ziel von Agent A ist bei einer ge gebenen, eingefrorenen Stand der Verkehrssimulation seinen Missionserfolg zu optimie ren, es entsteht ein aktualisierter Stand A_neu. Dabei kann Agent A nur in gewissen Grenzen agieren, die zum Beispiel und ohne Beschränkung der Allgemeinheit von der deutschen Straßenverkehrsordnung vorgegeben sind. Das Ziel von Agent B ist bei einem eingefrorenen Stand des Agenten A dessen Missionserfolg zu minimieren. Es entsteht ein aktualisierter Stand B_neu. Dabei kann Agent B nur in gewissen Grenzen vorgehen, da mit nicht zu extreme und unrealistische Verkehrsszenarien erzeugt werden. Mit den je weils aktualisierten Ständen der Agenten A und B erfolgen dann weitere Optimierungszyk len, bis ein robuster Stand A_final für den Steuerungsagenten oder eine Konvergenz er reicht wird. Eine solche ausreichende Robustheit kann z.B. durch einen bestimmten Anteil an erfolgreich absolvierten Missionen definiert werden. Analog kann u.a. über diesen Er folgsgrad oder eine andere Metrik auch ein konvergentes Verhalten der Agenten beo bachtet werden.
Wird der Begriff des Szenarios verwendet, und zu dessen Beschreibung das bekannte PEGASUS 6-Ebenen-Modell verwendet, gilt ferner:
Der adversariale Verkehrsplaner B kann mit den Parametern der verschiedenen Ebenen L arbeiten, wobei der Schwerpunkt für Agenten B insbesondere bei den folgenden Parame tern liegt:
- L1 Road Level
- L2 Traffic Infrastructure
- L3 Temporary Manipulation of 1) and 2)
- L5 Environment
- L6 Digital Information
Ausgewählte Parameter der Ebene L4, wie der Verkehrsfluss, werden in den Missionsbe schreibungen definiert und können über unterschiedliche Missionen variiert werden.
Es ist daher eine vorteilhafte Wirkung der Erfindung, dass besonders effizient die Schwachstellen eines Automatisierungsalgorithmus zur Bewältigung eines kritischen Sze narios ausgebessert werden können, um den Automatisierungsalgorithmus für reale Sze narien sicherer und robuster zu gestalten.
Gemäß einer vorteilhaften Ausführungsform werden die Verfahrensschritte der Ausführun gen der Optimierungsverfahren iterativ wiederholt, bis jeweils ein vordefiniertes Konver genzkriterium der Optimierungsverfahren, oder eine vordefinierte Robustheit von Agent A, erreicht ist. Ein solches Konvergenzkriterium ist beispielsweise das Verbleiben einer rela tiven oder absoluten Änderung des Funktionswertes der Kostenfunktion innerhalb einer vorgegebenen Schranke aufgrund einer Änderung einer oder mehrerer Optimierungsvari ablen. Bildlich gesprochen bedeutet dies, dass eine weitere Änderung in den Optimie rungsvariablen zu keiner signifikanten Änderung des Funktionswerts der Kostenfunktion mehr führt. Ein anderes mögliches Konvergenzkriterium ist das Erreichen eines vordefi nierten absoluten Wertes der Kostenfunktion, das Erreichen einer physikalisch realisti schen oder anderweitig vorgegebenen Grenze zumindest für eine der Optimierungsvari ablen, oder Ähnliches.
Gemäß einer weiteren vorteilhaften Ausführungsform werden die Verfahrensschritte der Ausführungen der Optimierungsverfahren für verschiedene Missionen des Fahrzeugs in einem virtuellen Szenario wiederholt. Eine Mission des Fahrzeugs gibt im Wesentlichen das Vorhaben an, beispielsweise ein geplantes links-Abbiegen an einer Kreuzung. Durch den Einbezug mehrerer möglicher Missionen können leichter kritische Szenarien identifiziert werden.
Gemäß einerweiteren vorteilhaften Ausführungsform werden die Verfahrensschritte der Ausführungen der Optimierungsverfahren für verschiedene virtuelle Szenarien wiederholt. Verschiedene virtuelle Szenarien sind beispielsweise verschiedene Kreuzungen, die das Fahrzeug in der Simulation überquert. Somit kann vorteilhaft ein breites Spektrum an real möglichen Szenarien analysiert werden.
Gemäß einerweiteren vorteilhaften Ausführungsform wird als jeweiliges Optimierungsver fahren eines der folgenden verwendet:
- genetischer Algorithmus,
- Evolutionsalgorithmus,
- Gradientenbasierte Suche,
- Quadratische Optimierung,
- Kombination aus mindestens zwei der vorgenannten.
Gemäß einerweiteren vorteilhaften Ausführungsform umfassen die Parameter des virtuel len Szenarios zumindest einen der folgenden:
- Winkel von Kreuzungsarmen zueinander,
- Breite von jeweiligen Kreuzungsarmen,
- Fahrbahnmarkierungen,
- Vorfahrtsregeln,
- Verkehrszeichen,
- Positionen und/oder Größe und/oder Art von Baustellen,
- Hindernisse auf dem Gehweg, insbesondere Litfaßsäulen und/oder Warnbaken und/oder Fußgänger,
- Wetterparameter.
Gemäß einerweiteren vorteilhaften Ausführungsform umfassen die Parameter des Auto matisierungsalgorithmus zumindest einen der folgenden:
- Gewichte eines künstlichen neuronalen Netzes,
- Verstärkung eines Reglers,
- Bandbreite eines Frequenzfilters eines Reglers,
- Wert eines Saturierungsglieds,
- Schwellwert eines Entscheidungsglieds. Gemäß einer weiteren vorteilhaften Ausführungsform korreliert - positiv oder negativ - der Funktionswert der Kostenfunktion mit zumindest einem der folgenden Terme oder mit einer Summe auf Basis der folgenden Terme:
- Zeit bis zu einer Kollision,
- Zeit bis zum Einleiten eines Bremsvorgangs,
- Zeit bis zum Abschluss eines Bremsvorgangs,
- benötigte Beschleunigung,
- gemittelte Geschwindigkeitsänderungen des Umgebungsverkehrs,
- Post-Encroachment-Time.
Gemäß einer weiteren vorteilhaften Ausführungsform korreliert die Kostenfunktion mit ei ner Summe von zumindest zwei Quadrate der Terme. Dies ist dann vorteilhaft einzuset zen, wenn die Kostenfunktion analytisch ausgewertet werden kann. Typischerweise wird sie jedoch numerisch als Simulationsergebnis zum Funktionswert führen.
Gemäß einer weiteren vorteilhaften Ausführungsform werden Grenzen für die Parameter des virtuellen Szenarios und für die Parameter des Automatisierungsalgorithmus vorgege ben, innerhalb derer die Parameter und damit die Optimierungsvariablen durch das jewei lige Optimierungsverfahren angepasst werden können. Die Grenzen für die Parameter be stimmen sich beispielsweise durch eine geforderte Robustheit einer Regelschleife, eine höchstzulässige Verstärkung von Rauschen, oder in Bezug auf das virtuelle Szenario durch noch realistisch zu erwartende Parameter eines realen Szenarios.
Ein weiterer Aspekt der Erfindung betrifft eine Simulatoreinrichtung, die dazu eingerichtet und ausgeführt ist, zum Auslegen eines Automatisierungsalgorithmus eines Fahrzeugs mittels Simulation des Automatisierungsalgorithmus und einem virtuellen Szenario die fol genden Schritte auszuführen:
- Aufstellen einer Kostenfunktion, wobei ein Funktionswert der Kostenfunktion von den Parametern des Automatisierungsalgorithmus als erste Gruppe veränderbarer Optimie rungsvariablen und von den Parametern des virtuellen Szenarios als zweite Gruppe ver änderbarer Optimierungsvariablen abhängt und mit einer Güte der Ausführung des Auto matisierungsalgorithmus in dem virtuellen Szenario korreliert,
- Mit konstant gehaltenen Parametern des Automatisierungsalgorithmus: Ausführen eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Parameter des virtuellen Szenarios so, dass die Kostenfunktion einen ersten Extremwert einhergehend mit niederer Güte des Automatisierungsalgorithmus annimmt, und
- Mit konstant gehaltenen angepassten Parametern des virtuellen Szenarios: Ausführen eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Parameter des Automatisierungsalgorithmus so, dass die Kostenfunktion einen zweiten Extremwert einhergehend mit hoher Güte des Automatisierungsalgorithmus annimmt, und
- Abspeichern der angepassten Parameter des Automatisierungsalgorithmus in den Auto matisierungsalgorithmus.
Vorteile und bevorzugte Weiterbildungen der vorgeschlagenen Simulatoreinrichtung erge ben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit dem vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.
Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Be schreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Aus führungsbeispiel im Einzelnen beschrieben ist. Gleiche, ähnliche und/oder funktionsglei che Teile sind mit gleichen Bezugszeichen versehen.
Es zeigt:
Fig. 1: Ein Verfahren zum Auslegen eines Automatisierungsalgorithmus eines Fahr zeugs durch Simulation gemäß einem Ausführungsbeispiel der Erfindung.
Die Darstellungen in der Figur sind schematisch und nicht maßstäblich.
Fig. 1 zeigt ein Verfahren zum Auslegen eines Automatisierungsalgorithmus eines Fahr zeugs durch Simulation des Automatisierungsalgorithmus und eines virtuellen Szenarios. In einem ersten Schritt erfolgt das Aufstellen S1 einer Kostenfunktion, wobei die Kosten funktion von den Parametern des Automatisierungsalgorithmus wie auch von den Para metern des virtuellen Szenarios abhängt. Der Funktionswert der Kostenfunktion setzt sich dabei aus einer Summe aus der benötigten Zeit bis zum Abschluss eines Bremsvorgangs und der benötigten Beschleunigung eines kombinierten Ausweich- und Bremsmanövers zusammen. Die einzelnen Terme der Kostenfunktion müssen dabei nicht explizit analy tisch in Abhängigkeit der oben genannten Parameter als Optimierungsvariablen ermittelt werden, da der jeweilige Term durch die Simulation selbst ermittelt wird. Der Funktionswert der Kostenfunktion ist nach der Ausführung des Codes der Simulationssoft ware daher gegeben und stammt aus numerischen Integrationen der Simulation. Der Funktionswert der Kostenfunktion sinkt ferner mit einer zunehmenden Güte der Ausfüh rung des Automatisierungsalgorithmus in dem virtuellen Szenario. Im zweiten Schritt, während die Parameter des Automatisierungsalgorithmus konstant gehalten werden, er folgt das Ausführen S2 eines Optimierungsverfahrens mit einem Evolutionsalgorithmus, der wiederholt die Simulation unter zufälliger aber konvergenter Variation der Parameter des virtuellen Szenarios ausführt, um solche Parameter des virtuellen Szenarios zu fin den, dass die Kostenfunktion ein lokales Maximum einhergehend mit niederer Güte des Automatisierungsalgorithmus annimmt. Im folgenden Schritt erfolgt mit konstant gehalte nen angepassten Parametern des virtuellen Szenarios dagegen das Ausführen S3 eines Optimierungsverfahrens mittels Evolutionsalgorithmus und wiederum wiederholter Simula tion zum Anpassen der Parameter des Automatisierungsalgorithmus so, dass die Kosten funktion ein lokales Minimum einhergehend mit hoher Güte des Automatisierungsalgorith mus annimmt. Das Anpassen der Parameter des Automatisierungsalgorithmus betrifft da bei die Gewichte künstlicher neuronaler Netze, das Anpassen der Parameter des virtuel len Szenarios dagegen geometrische Rahmenbedingungen, eine Straßeninfrastruktur, Bewegungsabläufe von Fußgängern, die in deren Rotphase eine Ampel überqueren und damit das Fahrzeug zum Ausweichen und/oder Bremsen zwingen. Diese Verfahrens schritte der Ausführungen der Optimierungsverfahren werden für dieses eine virtuelle Szenario, einer Kreuzung mit Menschen, Ampeln und anderen Hindernissen, iterativ für mehrere Missionen des Fahrzeugs wiederholt, bis jeweils das vordefinierte Konvergenz kriterium der Optimierungsverfahren erreicht ist, sodass das jeweilige Optimierungsver fahren eine Schranke der relativen Änderung nicht mehr überschreitet. Schließlich erfolgt das Abspeichern S4 der angepassten Parameter des Automatisierungsalgorithmus in den Automatisierungsalgorithmus und die Verfahrensschritte werden für eine neue Kreuzung, ein neues virtuelle Szenario, erneut ausgeführt.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele einge schränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausfüh rungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begren zung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedan kens vielfältige Änderungen, beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente, vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Ent sprechungen, wie etwa weitergehende Erläuterungen in der Beschreibung, definiert wird.
Bezugszeichenliste S1 Aufstellen
52 Ausführen
53 Ausführen
54 Abspeichern

Claims

Patentansprüche
1. Verfahren zum Auslegen eines Automatisierungsalgorithmus eines Fahrzeugs durch Simulation des Automatisierungsalgorithmus und eines virtuellen Szenarios, aufwei send die Schritte:
- Aufstellen (S1) einer Kostenfunktion, wobei ein Funktionswert der Kostenfunktion von den Parametern des Automatisierungsalgorithmus als erste Gruppe veränder barer Optimierungsvariablen und von den Parametern des virtuellen Szenarios als zweite Gruppe veränderbarer Optimierungsvariablen abhängt und mit einer Güte der Ausführung des Automatisierungsalgorithmus in dem virtuellen Szenario korre liert,
- Mit konstant gehaltenen Parametern des Automatisierungsalgorithmus: Ausführen (S2) eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Parameter des virtuellen Szenarios so, dass die Kostenfunktion einen ersten Ext remwert einhergehend mit niederer Güte des Automatisierungsalgorithmus an nimmt, und
- Mit konstant gehaltenen angepassten Parametern des virtuellen Szenarios: Aus führen (S3) eines Optimierungsverfahrens mit wiederholter Simulation zum Anpas sen der Parameter des Automatisierungsalgorithmus so, dass die Kostenfunktion einen zweiten Extremwert einhergehend mit hoher Güte des Automatisierungsalgo rithmus annimmt, und
- Abspeichern (S4) der angepassten Parametern des Automatisierungsalgorithmus in den Automatisierungsalgorithmus.
2. Verfahren nach Anspruch 1 , wobei die Verfahrensschritte der Ausführungen der Optimierungsverfahren iterativ wiederholt werden, bis jeweils ein vordefiniertes Konvergenzkriterium der Optimie rungsverfahren erreicht ist.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Verfahrensschritte der Ausführungen der Optimierungsverfahren für ver schiedene Missionen des Fahrzeugs in einem virtuellen Szenario wiederholt wer den.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Verfahrensschritte der Ausführungen der Optimierungsverfahren für ver schiedene virtuelle Szenarien wiederholt werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei als jeweiliges Optimierungsverfahren eines der folgenden verwendet wird:
- genetischer Algorithmus,
- Evolutionsalgorithmus,
- Gradientenbasierte Suche,
- Quadratische Optimierung,
- Kombination aus mindestens zwei der vorgenannten.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Parameter des virtuellen Szenarios zumindest einen der folgenden umfas sen:
- Winkel von Kreuzungsarmen zueinander,
- Breite von jeweiligen Kreuzungsarmen,
- Fahrbahnmarkierungen,
- Vorfahrtsregeln,
- Verkehrszeichen,
- Positionen und/oder Größe und/oder Art von Baustellen,
- Hindernisse auf dem Gehweg, insbesondere Litfaßsäulen und/oder Warnbaken und/oder Fußgänger,
- Wetterparameter.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Parameter des Automatisierungsalgorithmus zumindest einen der folgen den umfassen:
- Gewichte eines künstlichen neuronalen Netzes,
- Verstärkung eines Reglers,
- Bandbreite eines Frequenzfilters eines Reglers,
- Wert eines Saturierungsglieds,
- Schwellwert eines Entscheidungsglieds.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Funktionswert der Kostenfunktion mit zumindest einem der folgenden Terme oder mit einer Summe auf Basis der folgenden Terme korreliert:
- Zeit bis zu einer Kollision,
- Zeit bis zum Einleiten eines Bremsvorgangs,
- Zeit bis zum Abschluss eines Bremsvorgangs,
- benötigte Beschleunigung,
- gemittelte Geschwindigkeitsänderungen des Umgebungsverkehrs,
- Post-Encroachment-Time.
9. Verfahren nach dem vorhergehenden Anspruch, wobei die Kostenfunktion mit einer Summe von zumindest zwei Quadrate der Terme korreliert.
10. Verfahren nach einem der vorhergehenden Ansprüche, wobei Grenzen für die Parameter des virtuellen Szenarios und für die Parameter des Automatisierungsalgorithmus vorgegeben werden, innerhalb derer die Parame ter und damit die Optimierungsvariablen durch das jeweilige Optimierungsverfahren angepasst werden können.
11. Simulatoreinrichtung, die dazu eingerichtet und ausgeführt ist, zum Auslegen eines Automatisierungsalgorithmus eines Fahrzeugs mittels Simulation des Automatisie rungsalgorithmus und eines virtuellen Szenarios die folgenden Schritte auszuführen:
- Aufstellen einer Kostenfunktion, wobei ein Funktionswert der Kostenfunktion von den Parametern des Automatisierungsalgorithmus als erste Gruppe veränderbarer Optimierungsvariablen und von den Parametern des virtuellen Szenarios als zweite Gruppe veränderbarer Optimierungsvariablen abhängt und mit einer Güte der Aus führung des Automatisierungsalgorithmus in dem virtuellen Szenario korreliert,
- Mit konstant gehaltenen Parametern des Automatisierungsalgorithmus: Ausführen eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Para meter des virtuellen Szenarios so, dass die Kostenfunktion einen ersten Extremwert einhergehend mit niederer Güte des Automatisierungsalgorithmus annimmt, und
- Mit konstant gehaltenen angepassten Parametern des virtuellen Szenarios: Aus führen eines Optimierungsverfahrens mit wiederholter Simulation zum Anpassen der Parameter des Automatisierungsalgorithmus so, dass die Kostenfunktion einen zweiten Extremwert einhergehend mit hoher Güte des Automatisierungsalgorithmus annimmt, und
- Abspeichern der angepassten Parametern des Automatisierungsalgorithmus in den Automatisierungsalgorithmus.
EP22718724.2A 2021-06-29 2022-04-06 Auslegen eines automatisierungsalgorithmus eines fahrzeugs Withdrawn EP4364027A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021206737.9A DE102021206737A1 (de) 2021-06-29 2021-06-29 Auslegen eines Automatisierungsalgorithmus eines Fahrzeugs
PCT/EP2022/059163 WO2023274594A1 (de) 2021-06-29 2022-04-06 Auslegen eines automatisierungsalgorithmus eines fahrzeugs

Publications (1)

Publication Number Publication Date
EP4364027A1 true EP4364027A1 (de) 2024-05-08

Family

ID=81386737

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22718724.2A Withdrawn EP4364027A1 (de) 2021-06-29 2022-04-06 Auslegen eines automatisierungsalgorithmus eines fahrzeugs

Country Status (3)

Country Link
EP (1) EP4364027A1 (de)
DE (1) DE102021206737A1 (de)
WO (1) WO2023274594A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023116617A1 (de) 2023-06-23 2024-12-24 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Simulation von Testszenarien

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017007136A1 (de) 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug
US10636295B1 (en) 2019-01-30 2020-04-28 StradVision, Inc. Method and device for creating traffic scenario with domain adaptation on virtual driving environment for testing, validating, and training autonomous vehicle
DE102019216836A1 (de) * 2019-10-31 2021-05-06 Psa Automobiles Sa Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug

Also Published As

Publication number Publication date
WO2023274594A1 (de) 2023-01-05
DE102021206737A1 (de) 2022-12-29

Similar Documents

Publication Publication Date Title
EP3970077B1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt, kraftfahrzeug sowie system
DE102022112059B3 (de) Verfahren, System und Computerprogrammprodukt zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
EP3748453B1 (de) Verfahren und vorrichtung zum automatischen ausführen einer steuerfunktion eines fahrzeugs
DE102017213634A1 (de) Verfahren und Vorrichtung für die Durchführung von virtuellen Tests in einer virtuellen Realitätsumgebung für ein autonom fahrendes Fahrzeug
EP3942379B1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt, kraftfahrzeug sowie system
DE102019124018B4 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
DE102016109651A1 (de) Verfahren für die Validierung von Fahrzeugfunktionen eines virtuellen autonomen Fahrzeugs
DE102022132917A1 (de) Verfahren und System zur Bestimmung der Kritikalität und Kontrollierbarkeit von Szenarien für automatisierte Fahrfunktionen
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102023200314A1 (de) Erzeugung maschinenlesbarer Szenariobeschreibungen aus menschlichen Beschreibungen
WO2020249758A1 (de) Verfahren und generator zum erzeugen von gestörten eingangsdaten für ein neuronales netz
EP3748454A1 (de) Verfahren und vorrichtung zum automatischen ausführen einer steuerfunktion eines fahrzeugs
DE102022127857A1 (de) Verfahren, System und Computerprogrammprodukt zur Sensitivitätsanalyse von Applikationsparametern für automatisierte Fahrfunktionen
WO2022184363A1 (de) Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug
EP4364027A1 (de) Auslegen eines automatisierungsalgorithmus eines fahrzeugs
DE102022107338B3 (de) Verfahren zum Testen von automatisierten Fahrzeugfunktionen
DE102022117841B4 (de) Verfahren, System und Computerprogrammprodukt zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) unter Berücksichtigung einer subjektiven Bewertung
DE102022116564A1 (de) Verfahren, System und Computerprogrammprodukt zur Bewertung von Testfällen zum Testen und Trainieren eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
DE102020210789A1 (de) Analyse eines neuronalen Netzes für ein Fahrzeug
WO2021089499A1 (de) Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning
EP4544528A1 (de) Auslegen eines automatischen fahrsteuersystems in massiv parallelen simulationen
DE102023124870A1 (de) Verfahren und System zur erweiterten automatisierten Kalibrierung von Funktionen eines Fahrerassistenzsystems
EP4125007A1 (de) Verfahren zum bereitstellen von trainingsdaten zum anlernen eines künstlichen neuronalen netzes, verfahren zum anlernen eines künstlichen neuronalen netzes, computerprogrammprodukt und datenstruktur
DE102019131722B3 (de) Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs
WO2020208182A1 (de) Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs

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: 20231115

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: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20240806