JP6934974B2 - 内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法 - Google Patents

Description

本発明は、内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法と、このために構成されたコンピュータプログラムとに関する。

従来技術
独国特許出願公開第１０２０１７１０７２７１号明細書は、自動車の排気ガス排出量を特定するための走行試験のための制御走行サイクルを決定するための方法を開示している。同方法においては、種々異なる走行サイクルに対する速度プロファイルが、パラメータセットに基づいて導出される。目的は、所与の境界条件内の「最大」排出量の事例を可能な限り反映するような制御サイクルを決定することである。

独国特許出願公開第１０２０１７１０７２７１号明細書

発明の開示
現在のところ実際には、駆動システムの排出量の特定は、実質的に２つの段階で実施されている。

１）全ての車両の走行挙動を記述すべき１つ又は複数の代表的な走行サイクルが決定される。このような走行サイクルは、駆動システムに対して要求の多い走行状況も、表現すべきである（例えば、高いダイナミクス及び／又は多数の始動プロセスを有する部分を含む）。この走行サイクルは、例えば、立法機関によって定められたテストサイクル、例えばＷＬＴＰ（Worldwide harmonized Light vehicles Test Procedure）も含む。

２）駆動システムの最適化及び検証は、これらの走行サイクルに基づいて実施される。車両には、適切な測定用装備が設けられており、車両は、１）で決定されたテストプロシージャに即して測定される。システムトポロジ、制御関数及び制御パラメータの最適化は、実質的に、駆動システムの定常状態と、これらのサイクルとに基づいて実施される。

しかしながら、これによって、実際の走行動作中における環境への影響を最小限に抑制するという排気ガス排出量に関する高い要件を満たすような駆動システムが提供されなくなる。検証結果は、限定的にしか説得力がない。なぜなら、駆動システムの動作状態空間全体が、非常にランダムサンプル的にしかカバーされていないし、特に、動作状態の統計的分布が、走行サイクルによって正しく代表されていないからである。

その結果、一方では、排気ガス排出量に関して制定された法律が遵守されないという著しい危険性が生じることとなり、他方では、駆動システムの排出量が、全ての走行の全体性に鑑みて、それぞれの頻度を考慮して最適化されなくなる。

一部の国々においては、内燃機関によって駆動される新型の自動車を、実際の走行動作において発生する排出量に基づいて認可するように法律で制定することが企図されている。これに関して、英語の用語“real driving emissions”も一般に使用されている。そのような自動車には、例えば、専ら内燃機関のみによって駆動されるものが含まれるが、ハイブリッド式のドライブトレインを有するものも含まれる。

このために、試験官は、自動車を用いて１回又は複数回の走行サイクルを取り扱い、その際に発生する排出量が測定される。その後、自動車の認可は、これらの測定された排出量に基づいて決まる。この場合、走行サイクルは、試験官によって広範囲の制限内で自由に選択される可能性がある。１回の走行サイクルの典型的な持続時間は、例えば９０〜１２０分であり得る。

従って、自動車の開発に際して、自動車の製造業者には、新型の自動車の開発プロセスの既に早期の段階で、この自動車の排出量が、全ての許容される走行サイクルにおいて法的に制定された制限内に収まっているかどうかを予測しなければならないという課題が課せられている。

従って、限界値を超えることが予想される場合に自動車に変更を加えることができるようにするために、自動車の開発段階において既に、自動車の予想排出量を確実に予測することができるような方法及び装置を提供することが重要である。試験台上又は走行中の自動車での測定のみに基づいたこのような評価は、考えられる走行サイクルの多様性が大きいので非常に手間がかかる。

従って、従来技術においては、例えば、いわゆる、排出量要件を満たすことが特に困難である制御サイクルを決定することが提案されている。この制御サイクルが最も困難なサイクルに該当する場合、仮定的に、考えられる全ての走行サイクルに対して排出量要件が満たされることが前提にされる。

しかしながら、考えられる又は許容される全ての走行サイクルにおいて排気ガス規制を遵守しなければならないという要件に加えて、車両又は駆動部の開発における重要な課題は、実際の走行における車両駆動システムの総排出量を最小限に抑制することである。車両駆動システムを、最も危機的な走行サイクル又は特に危機的な走行サイクルに合わせて適合又は最適化すれば、全てのサイクルにおいて基準の遵守を保証することは可能かもしれないが、さほど危機的でないサイクルにおける排出量が、これによって大幅に悪化してしまう危険性が存在する。その場合にはさらに、よくあることではあるが、このさほど危機的でないサイクルが、実際の走行動作において比較的頻繁に発生するサイクルである場合、このような最適化によって、実際の走行における排出量に関してシステム全体が悪化してしまう。例えば、排出量を、危機的ではあるが実際には非常に稀であるような、極端な速度プロファイルを有する走行サイクル（例えば、強力な加速による極端な登坂走行）に合わせて最適化すれば、さほど危機的ではないがはるかに頻繁であるような、通常の速度プロファイルを有する走行サイクル（例えば、信号機を伴う短距離の市街地走行）の場合に、排出量が悪化してしまう可能性があり、これにより全体として、実際の走行における排出量が多くなり過ぎる可能性がある。

従って、内燃機関を有する、排出量が最適化された車両を開発するために、かつ、そのような車両を、排出量が最適化されるように適合させるためには、生成された速度プロファイルの分布が現実的に期待される分布に対応する又は近似するような多数の現実的な速度プロファイルを、自動的に生成することができることが非常に有利である。従って、生成された速度プロファイルが、実際の走行を代表する分布を有するようにすることが、駆動システムの適合の起点である。

従って、実際の走行を代表する分布での速度プロファイルを、コンピュータ支援によって生成することは、種々異なるシナリオにおいて、車両の駆動システムの開発又は最適化を大幅に改善することが可能であり、ひいては、より低排出量でより効率的な車両のため、特に、より低排出量でより効率的な車両の駆動システムのために寄与する、重要な技術的な起点である。

従って、内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法であって、
・コンピュータ実装式の機械学習システムによって複数の第１の走行曲線を生成するステップ（５１）であって、当該第１の走行曲線の統計的分布は、走行動作中に測定された第２の走行曲線の統計的分布に依存する、特に当該分布に追従している、ステップ（５１）と、
・車両又は車両の駆動システムのコンピュータ実装式のモデル化によって、第１の走行曲線に対するそれぞれの排気ガス排出量を計算するステップ（５２）と、
・計算された排気ガス排出量のうちの少なくとも１つの排気ガス排出量に基づいて、車両の駆動システムを適合させるステップ（５３）であって、当該適合を、計算された排気ガス排出量のうちの少なくとも１つの排気ガス排出量の水準又は推移に基づいて、かつ、対応する第１の走行曲線の統計的頻度に基づいて実施し、対応する第１の走行曲線の統計的頻度を、当該第１の走行曲線の統計的分布によって決定する、ステップ（５３）と
を有することを特徴とする、方法が提示される。

走行曲線とは、車両の走行特性の推移を意味しており、走行特性は、車両のドライブトレインの、センサによって測定可能な、特に物理的又は技術的な特性であって、かつ、車両の移動運動を特徴付ける特性である。最も重要な変形例として、走行曲線には、車両の速度推移が含まれる。車両の速度推移は、特定の走行に対して、排出量、消費量、摩耗量、及び、同等の量を決定するための制御量である。速度推移は、速度値によって決定することができるが、加速度値のように速度値から導出可能な量によって決定することもできる。排出量、消費量又は摩耗量を決定するため等の用途にとって重要な推移を有する他の重要な走行特性には、特に、アクセルペダルの位置、クラッチペダルの位置、ブレーキペダルの位置、又は、トランスミッションの変速比が含まれる。

本提示による方法によれば、駆動システムの排気ガス排出量の効率的な検証及び最適化が個々のサイクル又はシナリオに対して可能になるだけでなく、フィールド動作に対しても大域的に可能になる。

好ましくは、第２の走行曲線を、第３の走行曲線の集合から選択し、第２の走行曲線の選択を、第２の走行曲線の分布が実際の走行の分布に対応するように実施することも、このために寄与することができる。即ち、本提示による方法のために、統計的に代表的な走行を利用することができない場合には、利用可能なデータからの適切な選択によって、そのような代表的なものを作成し又はそのような代表的なものに近似させると、本方法を格段に改善することが可能となる。

従来技術による手順とは異なり、仮想的なテスト環境によって、生成された多数の走行サイクルに基づいて、駆動システムの排気ガス排出量を、ランダムサンプル的に制御サイクルを選択する場合と比較して低減させることが可能である。走行サイクルは、実際の走行のモデルを用いて生成され、このモデルにより、一方では、状態空間全体が十分に密にカバーされることが保証され、他方では、生成された走行サイクルが、特定の問題提起（例えば、駆動システムの排出量）に鑑みて、実際の走行の統計に良好に対応することが保証される。このことは、特に、生成された走行曲線が、走行動作中に測定された走行曲線に依存することによって可能になる。シミュレーションのために使用される走行曲線の分布を、さらに他の統計（特定の地域の走行統計、気象統計等のような）に依存させてもよい。

本提案によるプロセスにおいては、もはやテストシナリオを、以前のプロジェクトで収集した知識に基づいてアプリオリに定義して、これに基づいてシステムを検査及び最適化すべきではなくなり、その代わりに、排出量に関するシステムの性能を、状態空間全体におけるシミュレーションによって決定すべきである。その結果は、実際の発生確率を表現するものである。

これによって、現在の駆動システムにとってあまり役に立たないテストケースに対して、例えば、以前のプロジェクトでは問題があることが示されていたが該当の開発プロジェクトでは問題がないテストケースに対して、又は、以前のプロジェクトではまだ不明であったが故に、該当の開発プロジェクトの実際の問題領域を示すのには不適切であるテストケースに対して、不必要に焦点を当てることを回避することができる。

しばしばシステムの過剰な仕様化又は過剰な適合をもたらす特に要求の多いテストケースに対して、たとえこれが例えば極めて稀な場合であっても、強力に焦点を当てすぎることを回避することもできる。この強力に焦点を当てすぎることは、実際の走行動作において個々の問題領域がどのようなコンステレーションで、どのような頻度で発生するかに関して、知識が不足していることに起因していることが多い。

既に説明したように、生成された走行曲線の代表的な分布によって、駆動システムの排出量を、個々の走行曲線又は特に危機的な走行曲線に合わせて最適化しないような適合を実施することができる。むしろ、実際の走行において予期される排出量が全体的に最小化されるように、即ち、全ての走行に関する最終的な生排出量の合計が最小化されるように、駆動システムを最適化することが可能である。

最適化を、駆動システムのコンポーネントのトポロジを自動的に適合させることによって実施することができ、駆動システムのコンポーネントを自動的に適合させることによって実施することができ、又は、駆動システムの開発時に駆動システムのためのソフトウェア関数を自動的に適合させることによって実施することができる。その後、相応に適合された駆動システムが相応に製造され、車両内で使用される。最適化を、駆動システムの適用時にデータを適合させることによって実施することもでき、相応に適用された駆動システムが、車両内で使用される。さらに、最適化を、車両内で駆動システムの動作中に制御ソフトウェアの制御関数又は制御量を適合させることによって実施することもできる。

好ましい実施形態においては、排気ガス排出量の計算が、生成された走行曲線、例えば、特定の走行経路に対する速度プロファイルに基づいて実施されるだけでなく、これに対応する走行経路からの経路情報、例えば経路の勾配推移にも基づいて実施される。これによって、より正確又はより現実的な排気ガス排出量値を計算することが可能となり、このより正確又はより現実的な排気ガス排出量値によって、後続の適合が改善される。

好ましくは、第１の走行曲線の統計的分布は、それぞれ対応する第１の走行経路を一緒に有する第１の走行曲線の統計的分布を含む。相応にして、好ましくは、走行動作中に測定された第２の走行曲線の統計的分布は、走行動作中に測定された、それぞれ対応する第２の走行経路を一緒に有する第２の走行曲線の統計的分布を含む。即ち、両方の場合において、走行曲線と、これに対応する走行経路とからなるそれぞれのペアに関する分布が考慮される。走行経路は、特に、地理的特性、交通流の特性、道路特性、交通管理の特性、及び／又は、経路の気象特性のような経路特性を含む。

走行曲線を生成するための機械学習システムのための好ましいコンピュータ実装式の訓練は、以下のステップ、即ち、
・複数の走行経路が含まれた第１のデータベースから、第１の走行経路を選択するステップと、
・機械学習システムの生成器が、入力量として第１の走行経路を受信し、当該第１の走行経路に対してそれぞれ対応する第１の走行曲線を生成するステップと、
・走行経路と、走行動作中に検出されたそれぞれ対応する走行曲線とを、第２のデータベースに保存するステップと、
・第２のデータベースから、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とを選択するステップと、
・機械学習システムの弁別器が、入力量として、第１の走行経路と、生成されたそれぞれ対応する第１の走行曲線とからなるペア、及び、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とからなるペアを受信するステップと、
・弁別器が、入力量に基づいて、当該入力量として受信したそれぞれのペアごとに、当該ペアが、生成された第１の走行経路が含まれたペアであるのか、又は、走行動作中に検出された第２の走行曲線が含まれたペアであるのかを、特徴付ける出力を計算するステップと、
・弁別器の出力に基づいて、生成された第１の走行曲線が含まれたペアの分布と、走行動作中に検出された第２の走行曲線が含まれたペアの分布との間の距離を表す目的関数を最適化するステップと、
を含む。

走行曲線を生成するための機械学習システムのための代替的な好ましいコンピュータ実装式の訓練は、以下のステップ、即ち、
・機械学習システムの生成器が、入力量として第１のランダムベクトルを受信し、当該第１のランダムベクトルに対してそれぞれ第１の走行経路と、これに対応する第１の走行曲線とを生成するステップと、
・走行経路と、走行動作中に検出されたそれぞれ対応する走行曲線とを、データベースに保存するステップと、
・データベースから、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とを選択するステップと、
・機械学習システムの弁別器が、入力量として、生成された第１の走行経路と、生成されたそれぞれ対応する第１の走行曲線とからなる第１のペア、及び、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とからなる第２のペアを受信するステップと、
・弁別器が、入力量に基づいて、当該入力量として受信したそれぞれのペアごとに、当該ペアが、生成された第１の走行経路と、生成されたそれぞれ対応する第１の走行曲線とからなる第１のペアであるのか、又は、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とからなる第２のペアであるのかを、特徴付ける出力を計算するステップと、
・弁別器の出力に基づいて、第１のペアの分布と、第２のペアの分布との間の距離を表す目的関数を最適化するステップと、
を含む。

有利には、目的関数の最適化に基づいて、機械学習システムのパラメータを適合させることにより、
・生成された第１の走行曲線と、走行動作中に検出された第２の走行曲線とを識別するように、弁別器が最適化されるようにし、
・弁別器によって、第２の分布で存在している、走行動作中に検出された第２の走行曲線に対して、可能な限り識別することが困難となるような、第１の分布での、生成された第１の走行曲線を生成するように、生成器が最適化されるようにする。

上述した訓練方法は、代表的な走行曲線を生成することができるコンピュータ実装式の機械学習システムを提供し、これによって、今度は、排出量の最適化、又は、排出量に関するシステムの検証のような措置を、実際の代表的な影響を考慮しながら実施することが可能となる。

有利な実施形態においては、車両又は車両の駆動システムのモデル化は、内燃機関のモデル、及び／又は、内燃機関の排気ガス後処理システムのモデル、及び／又は、機関制御装置のモデル、及び／又は、燃焼プロセスのモデルを含み、これによって、特に正確なシミュレーション結果が可能となる。

コンピュータプログラムを、上述したコンピュータ実装方法を実施するために構成して、機械可読記憶装置に記憶することができる。そのような機械可読記憶装置を備えるコンピュータ実装式の学習システムを、本方法を実施するように構成することができ、この場合、実行されるべき計算は、コンピュータ実装式の学習システムの１つ又は複数のプロセッサによって実行される。

内燃機関を有する車両の排気ガス排出量を低減するための従来の手順を示す図である。 内燃機関を有する車両の排気ガス排出量を低減するための本提案による手順を示す図である。 機械学習システムのためのコンピュータ実装式の訓練方法を例示的に示す図である。 機械学習システムのための代替的なコンピュータ実装式の訓練方法を例示的に示す図である。 内燃機関を有する車両の排気ガス排出量を低減するための例示的な方法を示す図である。

実施例の説明
図１は、内燃機関を有する車両の排気ガス排出量を低減するための従来の手順を示す。ステップ１０１において、以前のプロジェクトの結果又は経験値が考慮され、ステップ１０２において、特に危機的な走行サイクルをカバーすべきテストケースが選択される。ステップ１０３において、法律の制定によって定められたテストプロシージャがまとめられる。ステップ１０４において、最適化されるべき車両又は駆動システムの定義が実施される。ステップ１０５において、最適化されるべき車両又は駆動システムに対して、ステップ１０２及び１０３で選択されたテストサイクル、又は、定められたテストプロシージャに関して、排気ガス排出量の測定が実施される。この測定は、例えば１００時間までの桁数とすることができ、ステップ１０６において、対応する結果を保存又は評価することができる。実施された測定に基づいて、車両又は駆動システムを最適化することができる。

図２は、内燃機関を有する車両の排気ガス排出量を低減するための本提案による手順を示す。ステップ２０１において、実際の走行の機械学習システムの生成モデルによって、走行曲線と、これに対応する走行経路とからなる代表的なペアが取得される。ステップ２０２において、最適化されるべき車両又は駆動システムに対して、車両又は駆動システムのモデルが作成される。車両又は駆動システムのモデル化は、特に、排気ガス後処理システム、内燃機関、及び／又は、制御装置、特に機関制御装置のサブモデルを含む。

ステップ２０３において、ステップ２０１からの走行曲線と、これに対応する走行経路とからなる代表的なペアに対して、ステップ２０２からの車両又は駆動システムのモデルを用いて、排気ガス排出量の計算がシミュレーション的に実施される。その後、ステップ２０４において、シミュレーションの結果が保存又は評価される。シミュレーションの数は、例えば１００００時間までの桁数とすることができる。さらに、シミュレーションの分布を、実際の走行における走行曲線と走行経路とからなる実際の分布に対応させることができ又は近似させることができる。計算された排気ガス排出量に基づいて駆動システムを適合させる際に、特定の走行曲線及び走行経路の関連性又は統計的頻度を考慮することができる。

図３は、機械学習システムのためのコンピュータ実装式の訓練方法を例示的に示し、この訓練方法を用いて、図２に関して説明した方法に関して、走行曲線と、これに対応する走行経路とからなる代表的なペアを生成することができる。

データベース３０１には、車両の走行経路又は経路が保存されている。図３には、データベース３０１内の例示的な経路が参照符号３１１で示されている。データベース３０２には、車両の走行経路又は経路が、それぞれ対応する走行曲線と一緒に保存されている。図３には、データベース３０２内の、経路と、これに対応する走行曲線とからなるペアの一例が参照符号３２１で示されている。データベース３０２内の走行曲線は、車両の走行動作中に検出又は測定された走行曲線に相当する。即ち、好ましくは、走行曲線は、対応する経路を実際に車両が走行したときに車両のセンサによって検出及び保存したものである。データベース３０１及び３０２は、システム全体において、特に機械可読記憶装置上に実装されている。データベースは、機械可読記憶装置に体系的に保存されたデータを表しているに過ぎない。

さてここで、機械学習システム３０４において、データベース３０１の経路に対して走行曲線を生成するように、生成器３４１が訓練されることとする。これらの走行曲線は、好ましくはランダムな入力量に基づいて決定されることとし、このためにブロック３０３においては、ランダムベクトルのようなランダム量を供給することができる。ブロック３０３において、特に乱数生成器を実装することができ、なお、この乱数生成器は、擬似乱数生成器であってもよい。

生成器３４１によって生成された走行曲線を、好ましくは、データベース３０２からの走行動作中に特定された走行曲線に対して、可能な限り識別することができない又はほとんど識別することができないものにしたい。このために弁別器３４２は、生成器３４１によって生成された走行曲線と、データベース３０２から抽出された走行曲線とを、可能な限り良好に識別することができるように訓練され、又は、走行曲線と経路特性とからなるそれぞれのペアを、可能な限り良好に識別することができるように訓練される。学習システムは、走行動作中に特定された個々の走行曲線に対して、可能な限り識別することができないような又はほとんど識別することができないような個々の走行曲線を生成すべきである、というだけではない。むしろ、入力量のパラメータ空間内での、生成された走行曲線の分布も、入力量のパラメータ空間内での、走行動作中に特定された走行曲線の分布に可能な限り近似させるべきであり、即ち、走行曲線の代表的な分布が得られるようにすべきである。

このために機械学習システム３０４の訓練は、生成器３４１及び弁別器３４２のどのパラメータが適合されたかに基づいて、目的関数３０５を最適化することを含む。

以下においては、機械学習システム３０４の本提案による訓練を、図３に基づいてより詳細に説明することとする。

データベース３０１内の経路は、特に離散的なデータ点のシーケンスとして保存されており、それぞれのデータ点又はそれぞれの離散化刻みごとに、その離散化刻みにおける経路特性が保存されている。

データベース３０１内の経路ｒは、例えば長さＮを有し、即ち、ｒ＝（ｒ_１，・・・，ｒ_Ｎ）である。それぞれのデータ点ｒ_ｔが、１つの離散化刻みに対応する。特に好ましいのは、離散化刻みが、時間的又は空間的な離散化に対応するように実現することである。時間的な離散化の場合には、データ点は、経路が開始してからのそれぞれ１つの過ぎ去った時刻に対応し、従って、データ点のシーケンスは、時間的な推移に対応する。空間的な離散化の場合には、データ点は、経路に沿って移動したそれぞれ１つの区間に対応する。

サンプリングレートは、基本的に一定である。時間的な離散化の場合には、サンプリングレートを、例えばｘ秒として定義することができ、空間的な離散化の場合には、例えばｘメートルとして定義することができる。

経路のそれぞれのデータ点ｒ_ｔは、それぞれの対応する離散化刻みにおける経路特性を記述しており、即ち、ｒ_ｔ∈Ｒ^Ｄである。Ｄは、経路特性の数であり、この場合、多次元の経路特性のうちのそれぞれの次元は、１次元の経路特性の１つの次元としてカウントされる。

そのような経路特性は、例えば、離散化刻み、特に時点若しくは時間間隔、場所若しくは区間、又は、距離に関連して、それぞれ以下のものとすることができる。
・絶対高度又は勾配のような、地理的特性
・時間依存性の平均交通速度のような、交通流の特性
・車線の数、道路の種類、又は、道路の曲率のような、道路特性
・速度制限、信号機の数、又は、特に停止若しくは優先道路若しくは横断歩道などの特定の交通標識の数のような、交通管理の特性
・所定の時点における雨量、風速、霧の存在のような、気象特性

データベース３０１からの経路が選択され、ステップ３１３において生成器３４１に送信される。

さらに好ましくは、ブロック３０３においてランダムベクトルが決定され、このランダムベクトルは、ステップ３３１において生成器３４１に送信される。ランダムベクトルｚは、抽出されるものであり、即ち、ランダムに決定されるものである。特に、ｚ∈Ｒ^Ｌが当てはまり、なお、任意選択的にＬを、経路の長さＮに依存させてもよい。ｚが抽出される分布は、好ましくは単純な分布族に、例えばガウス分布又は一様分布に規定されている。

生成器３４１の入力量は、今や、好ましくはランダムベクトルｚ及び経路ｒという変数から構成されている。従って、生成器３４１への純粋にランダムに生成された入力による場合とは異なり、生成された走行曲線は、特定の経路特性を条件とすることが可能となる。例えば、複数の異なるｚをサンプリングすることにより、同一の所定の経路ｒに対して複数の異なる走行曲線を生成することが可能である。データベース３０１内の経路ｒの経路特性は、実際に測定された経路特性であってもよいし、専門家によって定義された経路特性であってもよいし、又は、機械学習システム、例えばニューラルネットワークによって学習された経路特性であってもよい。これらの２つ又は３つの変形例から作成された経路特性を有する経路を、データベース３０１において提供してもよい。

車両の駆動システムの排出特性を決定するために、生成された走行曲線が使用される例示的な適用事例においては、例えば、いくつかの経路特性を意図的に変更し、適切な走行曲線を生成し、これらのプロファイルに対する排出量をシミュレートすることにより、特定の経路特性が、燃焼プロセスにおける排出物の発生に対してどの程度影響するのかを、所期のように調査することができる。これによって例えば、駆動システムのパラメータを、特に、例えば制御装置における駆動システムの制御パラメータを、特定の経路プロファイルに対して、例えば、特に要求の多い経路プロファイルに対して、所期のように最適化することが可能となる。

さてここで、生成器３４１は、ランダムベクトル（ステップ３３１）及び選択された経路（ステップ３１３）という入力量に基づいて、走行曲線を生成する。このために生成器３４１は、生成モデルを実行するコンピュータ実装されたアルゴリズムを有し、走行曲線を出力する（ステップ３４３）。

生成器３４１によって生成されたそのような走行曲線を、例えば、ｘ＝（ｘ_１，・・・，ｘ_Ｎ）として出力することができ、従って、この走行曲線の長さＮは、この走行曲線の条件となった経路の長さと同等である。これに代えて、例えば、経路特性を、場所に関して離散化された状態で設け、ただし、その一方で、生成された速度を、時間に関して離散化された状態で設けるようにしてもよい。このために、以前の場所から個々の刻みごとに、生成された速度に関して次の離散化時点を計算し、その後、この場所における経路特性を、ｘ_{｛ｔ＋１｝}のためのインプットとして使用することができる。

走行曲線は、データベース３０１から選択されて生成器に送信された経路を条件としている。同一の経路に対して可能性のある走行曲線の分散は、ｚのランダム分布によって表現される。生成モデルは、パラメータθ_Ｇによってパラメータ化されている。生成モデルのアーキテクチャは、例えばリカレントニューラルネットワークであってもよい。生成器のコンピュータ実装は、生成モデルを実行するアルゴリズムと、このモデルのパラメータとを、機械可読記憶装置に保存することによって実施され、即ち、プロセッサによってアルゴリズムの計算ステップを処理し、生成された走行曲線を機械可読記憶装置に保存することによって実施される。

１つの可能な実施形態においては、走行曲線を、固定された長さで生成することができ、即ち、固定された数の離散化刻み又はデータ点で生成することができる。比較的長い走行曲線を生成する場合には、複数の生成された短い時系列を相互に連結させる必要があろう。しかしながら、その場合には、遷移部は、通常、整合的ではなくなってしまうだろう。代替実施形態においては、任意の長さの走行曲線を生成又は評価することも可能となるように、かつ、遷移部が、学習された遷移モデルと常に整合的になるように、本方法を拡張することができる。このために好ましくは、生成器及び弁別器の両方が、リカレントニューラルネットワークとして実装され、例えば、長短期記憶（ＬＳＴＭ）ニューラルネットワーク又はゲート付きリカレントユニット（ＧＲＵ）として実装される。構造的に、生成器は、好ましくはシーケンス・ツー・シーケンス・モデル（sequence-to-sequence model）として構成されているが、生成器を、ベクトル・ツー・シーケンス・モデル（vector-to-sequence model）として実装することもできる。弁別器は、好ましくはシーケンス・ツー・スカラー・モデル（sequence-to-scalar model）として構成されているが、弁別器を、シーケンス・ツー・シーケンス・モデル（sequence-to-sequence model）として実装することもできる。

リカレントニューラルネットワークとしての生成モデルのアーキテクチャに関しては、種々の選択肢が存在する。

例えば、大域的なランダムベクトルｚを、走行曲線全体にわたってサンプリングすることができ、なお、大域的という用語自体は、時間的又は空間的な離散化を意味することができる。この実施形態においては、潜在空間内において、走行曲線を大域的に変化させる特性、例えば、一定の運転者特性（例えば、年齢又は経験）、一定の気象特性（例えば、連続雨）、又は、一定の車両特性（例えば、動力方式）のような、経路にわたって一定である特性が、考慮若しくは学習される。ここで、このランダムベクトルを、最初の時間刻みにおける隠れた状態（hidden state）を初期化するために使用することができ、及び／又は、それぞれの時間刻みにおいてリカレントニューラルネットワークに供給することができる。

局所的又は一時的なランダムベクトルｚをサンプリングすることもでき、即ち、潜在空間内において、走行曲線を局所的又は一時的に変化させる特性、例えば、短期的な交通管理又は交通流の特性（信号機の状態、交差点の待機車列、路上の歩行者）のような短期的な特性が、考慮又は学習される。ランダムベクトルがＭ個の時間刻みの間隔で新たに生成され、リカレントニューラルネットワークに供給される。なお、Ｍ＞０である。Ｍは、推計学的であってもよく、即ち、ランダムベクトルを、ランダムな間隔で変化させてもよい。

好ましい実施形態においては、大域的なランダムベクトルと、局所的又は一時的なランダムベクトルとの組合せを実施することもできる。ランダムベクトルのいくつかの次元は、１つの走行曲線につき１回だけサンプリングされ、残余の次元は、Ｍ個の時間刻みごとに変化する。これに代えて、大域的なランダムベクトルを、基本的に、それぞれの時間刻みにおいてリカレントニューラルネットワークに供給してもよく、この場合、大域的なランダムベクトルは、Ｍ個の時間刻みごとに局所的な（即ち、新たにサンプリングされた）ランダムベクトルによって置き換えられる。

大域的なランダムベクトルと、局所的なランダムベクトルとの組合せは、特に有利であることが判明している。なぜなら、これによってデータにおける分散を、大域的な影響と、局所的又は一時的な影響との両方に基づいて表現することができるからである。

好ましくは、生成モデルにおいて、予想走行又は予測走行を考慮することもできる。

従って、１つの可能な実施形態においては、生成器３４１による計算の際に、時点ｔでの経路特性ｒ_ｔを、経路特性ｒ_ｔ＋１，・・・，ｒ_ｔ＋ｍによって選択的に拡張又は補足することができる。この実施形態は、オンライン計算の場合、即ち、コンピューティングリソースが限られている場合、又は、後々の経路特性の影響をいくつかの離散化刻みに制限することができる場合若しくは制限すべきである場合に、特に有利である。

これに代えて、生成モデルとして、双方向リカレントニューラルネットワークを使用することができ、この双方向リカレントニューラルネットワークにおいては、リカレントニューラルネットワークの未来のセルの隠れた状態（hidden state）が追加的に考慮される。これによって、全ての起こり得る未来の時間刻みを明示的に一緒に取り入れることができる。

即ち、時点ｔでの速度の生成は、現在の時点ｔでの経路特性（及び場合によっては時点ｔ−１の隠れた状態）のみを条件とするのではなく、時点ｔでの速度を生成するために、未来の経路特性も一緒に取り入れることができる。従って、時点ｔでの速度の生成は、時点ｔでの経路特性に加えて、時点ｔ＋１，ｔ＋２，・・・，ｔ＋ｍの経路特性（又はそのサブセット）も条件とするようになる。これにより、いわゆる「予測走行」をシミュレートすることが可能となり、例えば、特に、遠くから既に見える経路特性（例えば、信号機、速度制限、高速道路の出口等）に対して速度を適合させるという観点で、運転者の初期の反応をシミュレートすることが可能となる。さらに、例えば経路の終わりに、さらにデフォルト値だけ、例えば未来の経路特性の場合には０だけを設けることによって、アルゴリズムが、この経路の終わりに速度０に戻ることを学習することが可能となる。

データベース３０２内の経路は、特に離散的なデータ点のシーケンスとして保存されており、それぞれのデータ点又はそれぞれの離散化刻みごとに、その離散化刻みにおける経路特性が保存されている。

データベース３０２内の経路ｒは、例えば長さＳを有し、即ち、ｒ＝（ｒ_１，・・・，ｒ_Ｓ）である。それぞれのデータ点ｒ_ｔが、１つの離散化刻みに対応する。特に好ましいのは、離散化刻みが、時間的又は空間的な離散化に対応するように実現することである。時間的な離散化の場合には、データ点は、経路が開始してからのそれぞれ１つの過ぎ去った時刻に対応し、従って、データ点のシーケンスは、時間的な推移に対応する。空間的な離散化の場合には、データ点は、経路に沿って移動したそれぞれ１つの区間に対応する。

サンプリングレートは、基本的に一定である。時間的な離散化の場合には、サンプリングレートを、例えばｘ秒として定義することができ、空間的な離散化の場合には、例えばｘメートルとして定義することができる。

経路のそれぞれのデータ点ｒ_ｔは、それぞれの対応する離散化刻みにおける経路特性を記述しており、即ち、ｒ_ｔ∈Ｒ^Ｄである。Ｄは、経路特性の数であり、この場合、多次元の経路特性のうちのそれぞれの次元は、１次元の経路特性の１つの次元としてカウントされる。

そのような経路特性は、例えば、離散化刻み、特に時点若しくは時間間隔、場所若しくは区間、又は、距離に関連して、それぞれ以下のものとすることができる。
・絶対高度又は勾配のような、地理的特性
・交通密度又は時間依存性の平均交通速度のような、交通流の特性
・車線の数、道路の種類、又は、道路の曲率のような、道路特性
・速度制限、信号機の数、又は、特に停止若しくは優先道路若しくは横断歩道などの特定の交通標識の数のような、交通管理の特性
・所定の時点における雨量、風速、霧の存在のような、気象特性

好ましくは、第１のデータベース内の経路に対して保存されている経路特性と、同様の種類の経路特性である。

このようにして決定された経路は、それぞれ、これらの経路に対応する、走行動作中に実際に測定された走行曲線と一緒にデータベース３０２に保存されている。経路と、これに対応する走行曲線とからなるこれらのペアが、機械学習システムのために訓練データとして使用される。この訓練のために、特に経路と、これに対応する走行曲線とからなるペアが選択され、ステップ３２３及び３２４において弁別器３４２に送信される。さらに、ステップ３１４又は３４３において、データベース３０１の経路と、この経路に基づいて生成器３４１によって生成された走行曲線とからなるペアも、弁別器３４２に送信される。

弁別器３４２は、弁別モデルを実行するコンピュータ実装されたアルゴリズムを有する。入力量として、弁別器３４２は、経路と、これに対応する走行曲線とからなるペアを受信し、この受信したペアが、（生成器３４１によって）生成された走行曲線を含んでいるのか、又は、（データベース３０２から得られた）実際に測定された走行曲線を含んでいるのかを判定する。この判定の結果は、ステップ３４４において出力される。例えば、弁別器３４２は、「本物の走行曲線」であると判定した場合には、＞０の値を出力することができ、「生成された走行曲線」であると判定した場合には、＜０の値を出力することができる。これに代えて、例えば、クラスラベルのような事前に規定された値を出力してもよい。弁別モデルは、パラメータθ_Ｄによってパラメータ化されている。判定の出力３４４は、特に、バイナリの判定「はい」／「いいえ」に関する評価を含む。

弁別器のコンピュータ実装は、弁別モデルを実行するアルゴリズムと、このモデルのパラメータとを、機械可読記憶装置に保存することによって実施され、即ち、プロセッサによってアルゴリズムの計算ステップを処理し、その出力を機械可読記憶装置に保存することによって実施される。

弁別器３４２を、例えば、リカレントニューラルネットワークとして実装することができる。これによって、特に任意の長さの走行曲線を評価することが可能となる。

評価するため（生成された走行曲線であるのか、走行動作中に特定された走行曲線の軌道であるのかを判定するため）には、複数の実施形態が存在する。この評価を、特に、それぞれの個々の時間刻みごとに新しく行うことができる。その場合には、走行曲線の大域的な評価は、例えば、個々の評価の平均であり又は多数決である。これに代えて、走行曲線全体の評価を、最後の時間刻みに対してのみ行ってもよい。後者の実施形態は、特に追加的な計算ステップを省略しており、走行曲線全体が、均等に評価に含め入れられるというさらなる利点を有する。

弁別器３４２の出力３４４に基づいて、ブロック３０５において目的関数が最適化され、特に損失関数が最小化される。このために弁別器の入力量は、特に、本物のサンプル（即ち、走行動作中に特定された走行曲線が含まれたペア）としてラベル付けされており、又は、生成されたサンプル（即ち、生成器３４１によって生成された走行曲線が含まれたペア）としてラベル付けされている。目的関数は、生成された走行曲線が実際に測定された走行曲線にどの程度まで対応しているのかを特徴付けるものであり、又は、パラメータ空間内での、生成された走行曲線の分布が、パラメータ空間内での、測定された走行曲線の分布にどの程度まで対応しているのかを特徴付けるものである。目的関数の適合に基づいて、生成器３４１の又は生成器３４１で実行される生成モデルのパラメータθ_Ｇと、弁別器３４２の又は弁別器３４２で実行される弁別モデルのパラメータθ_Ｄとが適合される。これらのパラメータは、特に目的関数の勾配に関して適合される。

目的関数は、生成された走行曲線の分布と、走行動作中に特定された走行曲線の分布との間の差若しくは距離を特徴付けるように若しくは表すように選択されており、又は、目的関数は、生成された走行曲線が含まれた経路−走行曲線ペアの分布と、走行動作中に特定された走行曲線が含まれた経路−走行曲線ペアの分布との間の差若しくは距離を特徴付けるように若しくは表すように選択されている。このような目的関数を選択することにより、生成されたデータの分布が、測定されたデータの分布の完全な分散を反映するように、機械学習システムを訓練することができる。いわゆるモード崩壊が阻止される。このことは、即ち、走行曲線の代表的な分布が提供されるということを意味する。目的関数は、特に観測不能な影響の分散も考慮する。

好ましくはこのために、目的関数として損失（loss）関数が選択され、この損失関数は、各分布間のワッサースタイン計量又はワッサースタイン距離として実装されている。

コンピュータ実装式の訓練のこの実施形態においては、弁別器を、好ましくはリプシッツ制約付きの関数に制限すべきである。好ましい実施形態においては、このために目的関数が、正則化項の分だけ拡張され、例えば、（ｉ）本物のサンプル（即ち、走行動作中に特定された走行曲線が含まれたペア）の勾配が０へと勾配ペナルティ（gradient penalty）若しくはセンタリングされ、又は、（ｉｉ）生成されたサンプル（即ち、生成された走行曲線が含まれたペア）の勾配が０へと勾配ペナルティ若しくはセンタリングされ、又は、（ｉｉｉ）本物のサンプルと生成されたサンプルとの平均値を表すサンプルの勾配が１へと勾配ペナルティ若しくはセンタリングされる。この場合には、「本物のサンプルの勾配を０へとセンタリングする」という選択肢が特に好ましい。なぜなら、この選択肢は、複数の選択肢のうちの最も高速なものであることが判明しており、最適化問題の特に高速な収束をもたらすからである。これに代えて、それぞれの勾配ステップごとに、重みクリッピング（weight clipping）を実施してもよい。

生成器３４１及び弁別器３４２が含まれた学習システム全体のコンピュータ実装式の訓練のための上述した方法は、ｍｉｎ−ｍａｘ訓練目標として説明することができる。ここでは、弁別器３４２は、自身の正しい分類率を最大化し、その一方で、生成器３４１は、可能な限り弁別器３４２を誤解させるような走行曲線を生成することによって正しい分類率を最小化する。

生成器３４１の上述した入力量に加えて、さらなる入力量を、例えばデータベース３０１内の走行経路に対してそれぞれ保存することによって生成器３４１に供給することもできる。例えば、それぞれの走行経路ごとに、離散化された経路情報に加えて、運転者特性に関する対応する情報（経験、年齢、攻撃性、走行スタイル等）、又は、車両情報（出力、動力方式、駆動システムの種類等）を保存することができる。これにより、生成された走行曲線は、これらの追加的な情報を条件とすることも可能となる。この場合には有利には、機械学習システム３０４の訓練のために、それぞれデータベース３０２に保存された走行経路に関する対応する情報も保存されている。弁別器には、データベース３０１からの経路情報（ステップ３１４）及びデータベース３０２からの経路情報（ステップ３２３）に対して、入力量としてこれらの追加情報が提供される。

図４は、機械学習システム４０４のための代替的なコンピュータ実装式の訓練方法を例示的に示す。

ここでは、学習システム４０４の生成器４４１は、ステップ４３１においてブロック４０３から、特に乱数生成器から入力量として受信したランダムベクトルに基づいて、走行曲線と、これに対応する走行経路との両方を生成する。走行曲線又は走行経路は、ステップ４１３又は４４３において、それぞれ一緒に所属するペアとして、弁別器４４２に入力量として供給される。弁別器４４２は、上述した方法に即して、これらのペアと、ステップ４２３及び４２４においてデータベース４０２から入力量として受信した、走行曲線及び走行経路からなるペアとを識別するように最適化されている。このデータベース４０２には、上述のデータベース３０２の場合と同様に、車両の走行経路が、走行動作中に測定されたそれぞれ対応する走行曲線と一緒に保存されている。図４には、データベース４０２内の、経路と、これに対応する走行曲線とからなるペアの一例が参照符号４２１で示されている。ここでも、弁別器の出力４４４と、この出力に基づいた目的関数４０５の計算と、ステップ４５１における生成器４４１のパラメータの最適化、及び、ステップ４５２における弁別器４４２のパラメータの最適化とが、上述したように実施される。特に、目的関数４０５は、ここでも、生成された走行曲線と走行経路とからなるペアと、データベース４０２に保存されている、実際に測定された走行曲線と走行経路とからなるペアとの間の距離を記述する。目的関数４０５の選択は、図３の目的関数３０５に関して説明したように実施することができる。

上述した訓練方法を用いて学習させられるコンピュータ実装式の機械学習システムは、代表的な走行曲線を生成すること、又は、走行曲線と走行経路とからなる代表的なペアを生成することが可能である。このために、このようにして学習させられる機械学習システムの生成器に、訓練時と同様の種類の入力量、即ち、特に経路又はランダム量と、場合によってはさらなる情報とを供給することができ、この生成器は、対応する走行曲線及び走行経路を生成する。

図５には、内燃機関を有する車両の排気ガス排出量を低減するための例示的な方法が示されている。

ブロック５１において、実際の走行動作を代表する走行曲線、又は、走行曲線と走行経路とからなる代表的なペアの生成が実施される。

ブロック５２において、（例えば、生成された速度推移に基づいて）生成された走行曲線に対して、又は、（例えば、生成された速度推移と、勾配推移のような特定の経路情報とに基づいて）生成された走行曲線とこれに対応する走行経路とからなるペアに対して、それぞれの排気ガス排出量がシミュレーション的に計算される。計算された排気ガス排出量は、例えば、複数の異なる排出物カテゴリ（例えば、ＮＯｘ、ＣＯ_２等）に分類された、（時間的又は場所的に離散化された）排出量の推移と、総排出量とを含むことができる。シミュレーション全体には、特に、閉ループシミュレーションが含まれており、この閉ループシミュレーションは、可能な限り正確な排出量モデルのために必要とされる、例えば、空気質量、噴射量、空気比、排気ガス再循環率、機関温度、又は、点火時点若しくは噴射時点のような排気ガスに関連した入力パラメータを決定することができる。

ブロック５３において、シミュレーション結果又は計算された排気ガス排出量の分析及び／又は処理を実施することができる。最後に、ブロック５４において、計算された排気ガス排出量のうちの少なくとも１つの排気ガス排出量に基づいて、車両の駆動システムの適合が実施され、この適合は、計算された排気ガス排出量のうちの少なくとも１つの排気ガス排出量の水準又は推移に基づいて、かつ、対応する第１の走行曲線の統計的頻度に基づいて実施される。この場合、対応する第１の走行曲線の統計的頻度は、第１の走行曲線の統計的分布によって決定される。

任意選択の第１のステップ５１１において、関連する車両又は走行経路の選択を実施することができ、又は、関連する車両隊列を定義することができる。ステップ５１２において、この選択されたもの、又は、車両隊列に対して、フィールドデータの取得から得られた全ての走行経路の全部が、データベースにおいて提供される。

ステップ５１３において、データベースにおいて提供された走行経路の全数から、代表的な走行経路の選択を実施することができる。ここでも、例えばクラスタリングのような機械学習方法を使用することができる。特に、走行経路の部分集合を、この部分集合が走行統計全体に対応するように選択することが目標である。その場合、例えば、市街地での走行の頻度を、真の頻度分布に対応させるべきであると共に、時間的な属性（例えば、ラッシュアワー）、走行期間、走行距離、傾斜率の分布等のような特性もまた、真の頻度分布に対応させるべきである。このことは、走行経路に関して利用可能なデータセットが、最適化の要求にとって、実際の走行動作中に実際に発生する頻度又は分布を十分には代表していない場合に、特に有利である。

次いで、５１４において、対応する走行経路に対する走行曲線の生成を、フィールドデータに基づいて訓練された機械学習システムを用いて実施することができ、これによって統計が、走行曲線に基づいて正しく表現される。

走行経路と、これに対応する生成された走行曲線とが、それぞれペアを形成し、このペアの分布は、走行動作中に実際に発生した、走行経路と走行曲線とからなるペアを代表しており、又は、このペアの分布は、走行動作中に実際に測定されたペアの分布に依存し、追従し若しくは近似している。

ステップ５２１において、生成された走行曲線からなるペアと、場合によっては、対応する走行経路又は対応する走行経路の経路情報とを、運転者モデルへの入力量として使用することができる。この運転者モデルにおいては、例えばペダル位置の推移と、ギア情報の推移とが計算される。このようにして生成されたギア情報を、今度はステップ５２２において、例えば車両速度を計算するための車両基本モデルへの入力量として使用することができる。ステップ５２３において、ステップ５２２で計算された車両速度と、ステップ５２１で計算されたペダル位置とを、制御装置のモデルへの入力量として、例えば、制御装置ソフトウェアが実行されるモデル化された機関制御装置への入力量として使用することができる。制御装置のモデルは、入力量に基づいて、例えば、ピンレベルでの仮想的な制御装置からの信号のような制御量を計算する。ステップ５２４において、これらの制御量を、駆動システムの基本モデルへの入力量として使用することができる。この駆動システムの基本モデルは、内燃機関のモデルと、場合によってはさらなるモデルも、例えばハイブリッドシステムの場合には電気モータのモデルも、含むことができる。この駆動システムの基本モデルにおいては、一方では、入力量に基づいて例えばトルクを計算することができ、このトルクを、今度はステップ５２２において、車両の基本モデルへの入力量として使用することができる。他方では、例えば、冷却剤温度、空気質量流量、排気ガス再循環流量、燃料質量流量、点火時点又は点火角度、噴射時点等のようなさらなる量を計算することができる。これらの計算されたさらなる量を、ステップ５２５において、機関の生排出量のモデルへの入力量として使用することができる。生排出量のモデルを、特に、データに基づいたモデルとして、例えばベイズ回帰モデルとして実現することができる。これらの入力量に基づいて、種々異なる排気ガス成分に対する排気ガス質量流量、排気ガス圧力、排気ガス温度、排気ガス組成等のような、排気ガスに関連した量を、生排出量のモデルにおいて計算することができる。ステップ５２６において、これらの計算された、排気ガスに関連した量を、１つ又は複数の排気ガス後処理モデルのモデルへの入力量として使用することができる。このモデルは、排気ガス後処理コンポーネント（例えば触媒）のモデル、又は、排気ガス後処理プロセス（例えば、選択的触媒還元）のモデルを含むことができる。排気ガス後処理モデルは、入力量に基づいて、排気ガス排出量を計算することができる。特に、排出量の推移、総排出量、及び／又は、排出物の組成を出力することができ、又は、好ましくは、排出物の種類に応じて別々に分類された、排出量の水準の推移を、例えば、時間又は場所に応じて離散化された状態で出力することができる。

ステップ５３１において、計算された、走行曲線特有の排気ガス排出量を、処理又は分析することができる。特に、計算された排気ガス排出量の対象となっている走行曲線、又は、走行曲線と走行経路とからなるペアが、考慮されるべき空間全体を既に十分にカバーしているかどうかについて、又は、既に考慮された走行曲線及び走行経路の分布が、実際の分布に既に十分に近似しているかどうかについて、分析を実施することができる。後々の適合のために、特定の、例えば統計的に特に関連性のある走行曲線を選択することができ、又は、このような走行曲線に対して計算された排気ガス排出量を選択することができる。ステップ５３２において、例えば、選択された走行曲線又は排気ガス排出量を、特別なイベントの有無に関して自動的に検査することができ、例えば、平均排出量が特別に高いかどうか、総排出量が特別に高いかどうか、又は、最大排出量が特別に高いかどうか、例えば最大排出量が限界値を超過しているかどうかに関して、検査することができる。

ステップ５４１において、ステップ５２６で計算された排気ガス排出量に基づいて、かつ、場合によっては、ステップ５３１及び５３２での分析及び処理に応じて、排気ガス排出量が低減されるように、駆動システムの適合が実施される。

駆動システムの適合は、好ましくは、計算された排気ガス排出量のうちの少なくとも１つの排気ガス排出量に基づいて、対応する走行曲線又は対応する走行経路の統計的関連性を考慮して、即ち、特に、実際の走行動作における対応する走行曲線又は対応する走行経路の重要性又は頻度を考慮して、自動的に実施される。シミュレーション結果に基づいて、好ましくは、大域的な最適排出量が設定されるように、即ち、（例えば、走行曲線の発生確率とその累積された排出量値との積に対する加重積分によって）特定の走行の頻度を考慮して、実際の走行における総排出量の削減が実施されるように、駆動システムのハードウェアトポロジ、駆動システムのハードウェアコンポーネント、駆動システムの制御ソフトウェアの制御関数、又は、駆動システムの制御ソフトウェアのソフトウェアパラメータを適合させることができる。

コンピュータ実装式のモデル化における少なくとも１つのパラメータを変更し、このパラメータの変更が、計算された排気ガス排出量に対して与えた影響を特定し、この変更に基づいて最適化を実行することによって、最適化の自動化を実施することができる。このプロセスは、特に反復的に実行され、即ち、１回のループにおいて、パラメータの変更が、計算された排気ガス排出量に対して与えた影響の特定に基づいて、計算された排気ガス排出量の最小化がもたらされるように、パラメータのそれぞれ１回のさらなる変更が実施される。その後、このようにして決定された最適なパラメータに基づいて、駆動システムを最適化することができる。パラメータの変更は、駆動システムのハードウェアトポロジの変更、駆動システムのハードウェアコンポーネントの変更、駆動システムの制御ソフトウェアの制御関数の変更、又は、駆動システムの制御ソフトウェアのソフトウェアパラメータの変更に相当することができる。好ましい実施形態においては、総排出量に関するそのような最適化が、考慮された全ての走行に関して実施される。このために好ましくは、パラメータの変更が総排出量に対して与える影響を考慮することができるようにするために、全ての走行曲線又は走行経路に関する完全なシミュレーションが、反復最適化のそれぞれのステップごとに実施される。

従って、生成された走行曲線及び走行経路を使用して、車両の排出量をシミュレートすることが可能であり、ひいては、排気ガス基準を遵守するための確率論的評価を実施することが可能であり、ここから、駆動システムの適合による排出量の最適化が導出される。この適合を、駆動システムの開発時に実施することができ、その後、このようにして適合された駆動システムが、例えば、駆動システムのトポロジ若しくはコンポーネントを適合させることによって、又は、ソフトウェア関数を適合させることによって、相応に作成及び構成されて、車両内で使用され、それによって排気ガス排出量の低減が実現される。例えば、駆動システムを制御するための制御装置へのデータ供給によって、駆動システムのデータの適用時にも適合を実施することができ、その後、このようにして適用された駆動システム又は制御装置が、車両内で使用され、それによって排気ガス排出量の低減が実現される。例えば、制御関数のソフトウェア更新によって、又は、車両内でのパラメータの更新若しくはパラメータの適合によって、車両自体内（「オンライン」）でも適合を実施することができ、それによって排気ガス排出量の低減が直接的に実現される。

Claims (20)

1. 内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法において、
   ・コンピュータ実装式の機械学習システムによって複数の第１の走行曲線を生成するステップ（５１）であって、当該第１の走行曲線の統計的分布は、走行動作中に測定された第２の走行曲線の統計的分布に依存する、ステップ（５１）と、
   ・前記車両又は前記車両の駆動システムのコンピュータ実装式のモデル化によって、前記第１の走行曲線に対するそれぞれの排気ガス排出量を計算するステップ（５２）と、
   ・計算された前記排気ガス排出量のうちの少なくとも１つの排気ガス排出量に基づいて、前記車両の前記駆動システムを適合させるステップ（５３）であって、当該適合を、前記計算された排気ガス排出量のうちの前記少なくとも１つの排気ガス排出量の水準又は推移に基づいて、かつ、対応する前記第１の走行曲線の統計的頻度に基づいて実施し、前記対応する第１の走行曲線の前記統計的頻度を、当該第１の走行曲線の統計的分布によって決定する、ステップ（５３）と、
   を含むことを特徴とする、方法。
2. 前記第１の走行曲線及び前記第２の走行曲線は、前記車両のドライブトレインの、センサによって測定可能な物理的又は技術的な特性であって、かつ、前記車両の移動運動を特徴付ける特性を表す、
   請求項１に記載の方法。
3. 前記第１の走行曲線及び前記第２の走行曲線は、速度推移、アクセルペダルの位置の推移、クラッチペダルの位置の推移、ブレーキペダルの位置の推移、又は、トランスミッションの変速比の推移を表す、
   請求項１又は２に記載の方法。
4. 前記第１の走行曲線を、それぞれ対応する第１の走行経路に対して生成する、
   請求項１乃至３のいずれか一項に記載の方法。
5. 前記第１の走行曲線に対するそれぞれの排気ガス排出量の前記計算を、前記第１の走行曲線及び／又はこれに対応する前記第１の走行経路に基づいて実施する、
   請求項４に記載の方法。
6. 前記第１の走行曲線の統計的分布は、それぞれ対応する第１の走行経路を有する前記第１の走行曲線の統計的分布を含み、
   走行動作中に測定された前記第２の走行曲線の統計的分布は、前記走行動作中に測定された、それぞれ対応する第２の走行経路を有する前記第２の走行曲線の統計的分布を含む、
   請求項４又は５に記載の方法。
7. 前記第１の走行経路を、前記コンピュータ実装式の機械学習システムによって生成する、又は、前記第１の走行経路は、さらなるコンピュータ実装式の機械学習システムによって生成される、
   請求項５に記載の方法。
8. 前記第１の走行経路は、経路特性、特に、地理的特性、交通流の特性、道路特性、交通管理の特性、及び／又は、経路の気象特性を含む、
   請求項４乃至７のいずれか一項に記載の方法。
9. 前記機械学習システムは、コンピュータ実装式の訓練によって学習させられており、当該コンピュータ実装式の訓練は、
   ・複数の走行経路が含まれた第１のデータベースから、第１の走行経路を選択するステップと、
   ・前記機械学習システムの生成器が、入力量として第１の走行経路を受信し、当該第１の走行経路に対してそれぞれ対応する第１の走行曲線を生成するステップと、
   ・走行経路と、走行動作中に検出されたそれぞれ対応する走行曲線とを、第２のデータベースに保存するステップと、
   ・前記第２のデータベースから、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とを選択するステップと、
   ・前記機械学習システムの弁別器が、入力量として、第１の走行経路と、生成されたそれぞれ対応する第１の走行曲線とからなるペア、及び、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とからなるペアを受信するステップと、
   ・前記弁別器が、前記入力量に基づいて、当該入力量として受信したそれぞれのペアごとに、当該ペアが、生成された第１の走行経路が含まれたペアであるのか、又は、走行動作中に検出された第２の走行曲線が含まれたペアであるのかを、特徴付ける出力を計算するステップと、
   ・前記弁別器の出力に基づいて、生成された第１の走行曲線が含まれた前記ペアの分布と、走行動作中に検出された第２の走行曲線が含まれた前記ペアの分布との間の距離を表す目的関数を最適化するステップと、
   を含む、請求項１乃至８のいずれか一項に記載の方法。
10. 前記機械学習システムは、コンピュータ実装式の訓練によって学習させられており、当該コンピュータ実装式の訓練は、
    ・前記機械学習システムの生成器が、入力量として第１のランダムベクトルを受信し、当該第１のランダムベクトルに対してそれぞれ第１の走行経路と、これに対応する第１の走行曲線とを生成するステップと、
    ・走行経路と、走行動作中に検出されたそれぞれ対応する走行曲線とを、データベースに保存するステップと、
    ・前記データベースから、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とを選択するステップと、
    ・前記機械学習システムの弁別器が、入力量として、生成された第１の走行経路と、生成されたそれぞれ対応する第１の走行曲線とからなる第１のペア、及び、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とからなる第２のペアを受信するステップと、
    ・前記弁別器が、前記入力量に基づいて、当該入力量として受信したそれぞれのペアごとに、当該ペアが、生成された第１の走行経路と、生成されたそれぞれ対応する第１の走行曲線とからなる第１のペアであるのか、又は、第２の走行経路と、走行動作中に検出されたそれぞれ対応する第２の走行曲線とからなる第２のペアであるのかを、特徴付ける出力を計算するステップと、
    ・前記弁別器の前記出力に基づいて、前記第１のペアの分布と、前記第２のペアの分布との間の距離を表す目的関数を最適化するステップと、
    を含む、請求項１乃至９のいずれか一項に記載の方法。
11. 前記目的関数の前記最適化に基づいて、前記機械学習システムのパラメータを適合させることにより、
    ・生成された前記第１の走行曲線と、走行動作中に検出された前記第２の走行曲線とを識別するように、前記弁別器が最適化されるようにし、
    ・前記弁別器によって、第２の分布で存在している、走行動作中に検出された第２の走行曲線に対して、可能な限り識別することが困難となるような、第１の分布での、生成された第１の走行曲線を生成するように、前記生成器が最適化されるようにする、
    請求項９又は１０に記載の方法。
12. 前記機械学習システムの前記パラメータを、前記目的関数の勾配に基づいて適合させる、
    請求項１１に記載の方法。
13. 前記目的関数として、前記第１の走行曲線の第１の分布と、前記第２の走行曲線の第２の分布との間の統計的距離が実装されている、
    請求項９乃至１２のいずれか一項に記載の方法。
14. 前記生成器及び／又は前記弁別器は、それぞれニューラルネットワークとして、特にリカレントニューラルネットワークとして実装されている、
    請求項９乃至１３のいずれか一項に記載の方法。
15. 前記車両又は前記車両の前記駆動システムの前記モデル化は、前記内燃機関のモデル、及び／又は、前記内燃機関の排気ガス後処理システムのモデル、及び／又は、機関制御装置のモデル、及び／又は、燃焼プロセスのモデルを含む、
    請求項１乃至１４のいずれか一項に記載の方法。
16. 前記適合を、
    前記駆動システムのトポロジ若しくはコンポーネントを適合させることによって実施する、
    前記駆動システムに実装されたソフトウェアの制御関数を適合させることによって実施する、
    前記駆動システムの適用時にパラメータを適合させることによって実施する、又は、
    前記車両内で前記駆動システムの動作中に制御量を適合させることによって実施する、
    請求項１乃至１５のいずれか一項に記載の方法。
17. 前記第２の走行曲線を、第３の走行曲線の集合から選択する、
    請求項１乃至１６のいずれか一項に記載の方法。
18. 前記第２の走行曲線の前記選択を、前記第２の走行曲線の分布が実際の走行の分布に対応するように実施する、
    請求項１７に記載の方法。
19. 請求項１乃至１８のいずれか一項に記載の方法を実行するために構成されたコンピュータプログラム。
20. 請求項１９に記載のコンピュータプログラムが記憶された機械可読記憶媒体。

Images