KR102303077B1

KR102303077B1 - 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량 감소 방법

Info

Publication number: KR102303077B1
Application number: KR1020200044437A
Authority: KR
Inventors: 하이너 마커트; 슈테판 앙어마이어
Original assignee: 로베르트 보쉬 게엠베하
Priority date: 2019-04-16
Filing date: 2020-04-13
Publication date: 2021-09-23
Also published as: US20200333152A1; EP3726434B1; JP2020177016A; EP3726434A1; US11199419B2; CN111824169B; KR20200122239A; JP6934974B2; CN111824169A; DE102019205521A1

Abstract

본 발명은 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량을 감소시키기 위한 방법에 관한 것이며, 상기 방법은 하기 단계들을 포함한다.
- 컴퓨터 구현 기계 학습 시스템을 통해 다수의 제1 주행 프로파일을 생성하는 생성 단계이며, 제1 주행 프로파일들의 통계적 분포는 주행 모드 중에 측정되는 제2 주행 프로파일들의 통계적 분포에 따라 결정되는, 상기 생성 단계,
- 차량 또는 차량의 구동 시스템의 컴퓨터 구현 모델링을 이용하여 제1 주행 프로파일들에 대해 각각의 배기가스 배출량들을 계산하는 계산 단계, 및
- 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량에 따라서 차량의 구동 시스템을 매칭하는 매칭 단계이며, 매칭은 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량의 레벨 또는 프로파일에 따라서, 그리고 상응하는 제1 주행 프로파일의 통계적 빈도에 따라서 수행되며, 상응하는 제1 주행 프로파일의 통계적 빈도는 제1 주행 프로파일들의 통계적 분포에 의해 결정되는, 상기 매칭 단계.

Description

연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량 감소 방법{METHOD FOR REDUCING THE EXHAUST GAS EMISSION OF A DRIVE SYSTEM OF A VEHICLE WITH COMBUSTION ENGINE}

본 발명은 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량을 감소시키기 위한 방법, 그리고 이를 위해 구성된 컴퓨터 프로그램에 관한 것이다.

DE 10 2017 107 271 A1호는 자동차의 배기가스 배출량을 결정하기 위한 주행 시험(driving test)을 위한 선도 주행 주기(leading driving cycle)를 결정하기 위한 방법을 개시하고 있다. 이 경우, 다양한 주행 주기들에 대한 속도 프로파일들은 매개변수 집합들을 기반으로 도출된다. 목표는, 정해진 한계 조건들 이내에서 "최대" 배출량 사례를 최대한 반영하는 선도 주기(leading cycle)를 결정하는 것에 있다.

실제로 현재 구동 시스템의 배출량의 결정은 실질적으로 2개의 단계로 수행된다.

1) 모든 차량의 주행 거동을 기술해야 하는 하나 또는 복수의 대표적인 주행 주기가 결정된다. 또한, 상기 주행 주기들은 구동 시스템을 위해 (예컨대 높은 동적 거동 및/또는 다수의 출발 과정을 포함한 부분들을 포함하는) 까다로운 주행 상황들을 매핑해야 한다. 이는 예컨대 입법 기관에 의해 규정된 시험 주기들, 예컨대 WLTP(Worldwide harmonized Light vehicles Test Procedure: 국제 표준 소형차 배출가스 측정방법) 역시도 포함한다.

2) 구동 시스템의 최적화 및 유효성 검증(validation)은 상기 주행 주기들에 따라서 수행된다. 차량들은 상응하는 측정 장비를 구비하고 1)에서 결정되는 시험 절차에 상응하게 측정된다. 시스템 토폴러지, 폐루프 제어 기능들 및 폐루프 제어 매개변수들의 최적화는 실질적으로 구동 시스템의 정상 상태들(stationary state)에서, 그리고 상기 주기들에 따라서 수행된다.

그러나 그렇게 하여 자신의 배기가스 배출량과 관련하여 실제의 주행 모드에서 환경에 최소의 영향을 미치기 위해 높은 요건을 충족하는 구동 시스템은 가용하지 않다. 유효성 검증 결과는 제한적으로만 타당한데, 그 이유는 구동 시스템의 전체 작동 상태 공간이 매우 임의 추출 방식으로만 고려되고 특히 작동 상태들의 통계적 분포는 정확하게 주행 주기들을 통해 표현되지 않기 때문이다.

따라서, 그 결과로 인해, 한편으로 배기가스 배출량과 관련한 법규를 준수하지 못하는 주목할 만한 위험이 발생하며, 그리고 다른 한편으로 구동 시스템이 배출량(emission)과 관련하여 모든 주행 전체의 관점에서, 그리고 각각의 빈도의 고려하에 최적화되지 못한다.

일부 국가에서는, 법규로, 내연기관에 의해 구동되는 신규 자동차들을, 실제적인 주행 모드에서 발생하는 배출량에 따라서 승인하도록 규정하고 있다. 이와 관련하여 영어 명칭으로 "real driving emissions"(실제 도로 주행 배기가스)도 사용되고 있다. 상기 자동차는 예컨대 오직 연소 엔진에 의해서만 구동되는 자동차를 포함하지만, 그러나 하이브리드화 파워트레인을 탑재한 자동차 역시도 포함한다.

이를 위해, 시험관은 자동차로 1회의 주행 주기 또는 다수의 주행 주기를 처리하며, 그리고 이때 발생하는 배출량이 측정된다. 그런 다음 자동차의 승인은 상기 측정된 배출량에 따라서 결정된다. 이런 경우, 주행 주기는 폭넓은 한계들 이내에서 시험관에 의해 자유롭게 선택될 수 있다. 이런 경우, 주행 주기의 표준 기간은 예컨대 90 ~ 120분일 수 있다.

그에 따라, 자동차의 제조업체의 경우, 자동차의 개발 중에, 신규 자동차의 개발 과정에서 이미 적시에, 상기 자동차의 배출량이 각자의 허용 주행 주기에서 법적으로 규정된 한계들 이내에서 유지되는지 그 여부를 예측해야만 하는 도전에 직면한다.

그러므로 이미 자동차의 개발 단계에서, 한계값들의 상회가 예측 가능한 경우 자동차의 변경을 실행할 수 있도록 하기 위해, 자동차의 예측 가능한 배출량을 확실하게 예측할 수 있는 방법들 및 장치들을 마련하는 것이 중요하다. 오직 시험대에서, 또는 주행 중인 자동차에서 측정되는 측정치들만을 기반으로 하는 상기 유형의 추정은, 생각할 수 있는 매우 다양한 주행 주기들로 인해, 극도로 복잡하다.

그러므로 선행 기술에서는, 예컨대 배출량 요건들의 충족이 매우 도전적인 목적이 되는 소위 선도 주기들을 결정하는 점이 제안된다. 이 경우, 해당 사항이 가장 도전적인 주기들을 위한 경우에 해당된다면, 추측에 의해, 모든 생각할 수 있는 주행 주기에 대해 배출량 요건들이 충족된다는 점이 가정된다.

그러나 각자의 생각할 수 있거나 허용되는 주행 주기에서 배기가스 규정들을 충족해야 한다는 요건 외에도, 차량 내지 구동부 개발의 중대한 목표는, 실제 작동 중에 차량-구동부 시스템의 총 배출량을 최소화하는 것에 있다. 가장 임계적이거나 매우 임계적인 주행 주기들에 대한 차량-구동부 시스템의 매칭 내지 최적화 시, 사실 모든 주기에서 표준들의 충족이 보장되는 것이 가능할 수도 있기는 하지만, 그러나 그렇게 하여 보다 더 약한 임계 주기들에서는 배출량이 분명하게 악화되는 위험이 존재하게 된다. 그런 다음, 흔히 있는 경우로, 여전히 보다 더 약한 임계 주기들이 실제 주행 모드에서 보다 더 빈번한 주기들이라면, 상기 최적화를 통해, 전체 시스템은 실제 작동 중의 배출량과 관련하여 악화된다. 예컨대 극도의 속도 프로파일을 가지면서 임계적이지만, 그러나 실제 매우 드문 주행 주기(예컨대 급가속이 이루어지는 극도의 오르막 주행)에 대한 배출량의 최적화에 의해서는, 통상적인 속도 프로파일을 가지면서 보다 덜 임계적이지만 이를 위해 훨씬 더 빈번한 주행 주기들(예컨대 교통 신호등이 있는 짧은 도시 주행)의 경우 상기 배출량은 악화될 수 있으며, 이는 전체적으로 실제 작동 중에 보다 더 높은 배출량을 야기할 수 있다.

그러므로 연소 엔진을 탑재한 배출량 최적화 차량의 개발 및 그의 배출량 최적화 매칭을 위해, 자체의 생성된 속도 프로파일들의 분포가 실제로 예상되는 분포에 상응하거나, 또는 그에 근사하는 다수의 현실적인 속도 프로파일을 자동으로 생성할 수 있는 것이 매우 바람직하다. 따라서 구동 시스템의 매칭의 출발점은 실제 작동에 대해 대표적인 분포를 갖는 생성된 속도 프로파일들이다.

따라서, 실제 작동에 대해 대표적인 분포의 속도 프로파일들의 컴퓨터 지원 생성은, 다양한 시나리오에서 차량 구동 시스템의 개발 또는 최적화를 최종적으로 향상시킬 수 있고 그에 따라 배출량이 보다 더 적고 보다 더 효율적인 차량들에, 특히 배출량이 보다 더 적고 보다 더 효율적인 차량들의 구동 시스템들에 기여하는 중요한 기술적 출발점이다.

따라서, 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량을 감소시키기 위한 방법이 제안되며, 상기 방법은 하기 단계들을 특징으로 한다.

- 컴퓨터 구현 기계 학습 시스템을 통해 다수의 제1 주행 프로파일을 생성하는 생성 단계이며, 제1 주행 프로파일들의 통계적 분포는 주행 모드 중에 측정되는 제2 주행 프로파일들의 통계적 분포에 따라 결정되며, 특히 상기 분포를 추종하는, 상기 생성 단계(51),

- 차량 또는 차량의 구동 시스템의 컴퓨터 구현 모델링을 이용하여 제1 주행 프로파일들에 대해 각각의 배기가스 배출량들을 계산하는 계산 단계(52),

- 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량에 따라서 차량의 구동 시스템을 매칭하는 매칭 단계이며, 매칭은 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량의 레벨 또는 프로파일에 따라서, 그리고 상응하는 제1 주행 프로파일의 통계적 빈도에 따라서 수행되며, 상응하는 제1 주행 프로파일의 통계적 빈도는 제1 주행 프로파일들의 통계적 분포에 의해 결정되는, 상기 매칭 단계(53).

주행 프로파일들은 차량의 주행 특성들의 프로파일들을 지칭하며, 주행 특성들은 센서들에 의해 측정될 수 있으면서 특히 차량의 이동의 특징을 나타내는 차량의 파워트레인의 물리적 또는 기술적 특성들이다. 가장 중요한 변형예로서, 차량의 속도 프로파일들도 주행 프로파일의 범위에 포함된다. 차량의 속도 프로파일은 정해진 주행에 대해 배출량, 소모량, 마모량 및 유사한 변수들의 결정을 위한 어느 하나 또는 해당하는 선도 변수(leading variable)이다. 이 경우, 속도 프로파일은 속도 값들을 통해 결정될 수 있지만, 그러나 가속도 값들처럼 속도 값들을 토대로 도출될 수 있는 변수들을 통해서도 결정될 수 있다. 자신의 프로파일들이 배출량, 소모량 또는 마모량의 결정과 같은 적용 분야들을 위해 중요한 것인 다른 주요한 주행 특성들은 특히 가속 페달의 위치, 클러치 페달의 위치, 브레이크 페달의 위치 또는 변속비를 포함한다.

본원의 제안되는 방법들은 개별 주기들 또는 시나리오들뿐만 아니라 실차 운행(field operation)을 위해 전역적으로도 구동 시스템의 배기가스 배출량의 효율적인 유효성 검증 및 최적화를 가능하게 한다.

이런 점에는, 바람직하게는, 제2 주행 프로파일들이 다량의 제3 주행 프로파일에서 선택되고, 제2 주행 프로파일들의 선택은, 제2 주행 프로파일들의 분포가 실제적인 주행들의 분포에 상응하는 방식으로 수행되는 점 역시도 기여할 수 있다. 요컨대 본원의 제안되는 방법들을 위해 통계상 대표적인 주행들이 이용될 수 없다면, 가용한 데이터에서 적합한 선택을 통해 상기 대표성(representation)이 설정되거나 그에 근사된다면, 본원의 방법들은 분명하게 향상될 수 있다.

선행 기술의 접근법과의 구별을 위해, 가상의 시험 환경은, 검색되는 임의 추출 시험 방식의 선도 주기들과 비교하여, 다수의 생성된 주행 주기를 기반으로 구동 시스템의 배기가스 배출량의 감소를 가능하게 한다. 주행 주기들은 실제 주행의 모델에 의해 생성되며, 이런 모델은, 한편으로 전체 상태 공간이 충분히 조밀하게 고려되는 점을 보장하며, 그리고 다른 한편으로는 생성된 주행 주기들이 특정한 문제 제기(예: 구동 시스템의 배출량)와 관련하여 실제 주행의 통계에 충분히 상응하게 하는 점을 보장한다. 이는 특히 주행 모드 중에 측정되는 주행 프로파일들에 대한 생성된 주행 프로파일들의 의존성을 통해 가능하다. 시뮬레이션을 위해 고려되는 주행 프로파일들의 분포는 (정해진 지역들에서의 주행 통계들, 기상 통계들 등과 같은) 또 다른 통계들에 따라서 결정될 수 있다.

따라서, 제안되는 프로세스에서는, 더 이상, 시험 시나리오들이 선험적으로, 즉 이전 프로젝트들에서 수집된 지식들을 기반으로 결정되고 시스템은 상기 시험 시나리오들에 따라 점검되어 최적화되는 것이 아니라, 시스템의 성능이 배출량과 관련하여 전체 상태 공간에서 시뮬레이션에 의해 결정되어야 한다. 이 경우, 그 결과는 실제 발생 확률을 매핑한다.

이에 따라, 실제의 구동 시스템에 도움이 덜 되는 시험 사례들, 예를 들어 이전 프로젝트들에서 문제가 되는 것으로 나타났지만 개발 프로젝트에서는 문제가 되지 않거나, 이전 프로젝트들에서 아직 알려지지 않았으므로 개발 프로젝트의 실제적인 문제 영역들을 나타나기에는 적합하지 않은 시험 사례들에 대한 불필요한 집중이 방지될 수 있다.

또한, 시스템의 초과 사양 또는 초과 매칭을 자주 야기하는 매우 까다로운 시험 사례들이 비록 예컨대 극도로 드물다고 하더라도, 상기 시험 사례들에 대한 너무 강한 집중은 방지될 수 있다. 이처럼 너무 강한 집중은, 보통, 어떠한 콘스텔레이션(constellation) 및 빈도로 실제 주행 모드에서의 개별 문제 영역들이 발생하는지에 대한 지식이 부족한 점에서 기인한다.

이런 경우, 이미 기술한 것처럼, 생성된 주행 프로파일들의 대표적인 분포를 통해, 개별 또는 매우 임계적인 주행 프로파일들에 대해 배출량과 관련하여 구동 시스템을 최적화하지 않는 매칭이 수행될 수 있다. 오히려, 구동 시스템의 최적화는, 실제 작동 중에 예상되는 배출량이 전체적으로 최소화되는 방식으로, 다시 말해 모든 주행에 걸친 배기관 배출량들의 합이 최소가 되는 방식으로 가능해진다.

이 경우, 최적화는, 구동 시스템의 개발 중에, 구동 시스템의 컴포넌트들의 토폴러지의 자동화된 매칭, 구동 시스템의 컴포넌트들의 자동화된 매칭, 또는 구동 시스템에 대한 소프트웨어 기능들의 자동화된 매칭을 통해 수행될 수 있다. 그런 다음, 그에 상응하게 매칭된 구동 시스템은 그에 상응하게 제조되어 차량에서 사용된다. 또한, 최적화는 구동 시스템의 적용 중에 데이터의 매칭을 통해서도 수행될 수 있고, 그에 상응하게 적용된 구동 시스템은 차량에서 사용된다. 또한, 최적화는 차량 내에서 구동 시스템의 작동 중에 제어 소프트웨어의 제어 기능들 또는 제어 변수들의 매칭을 통해 수행될 수 있다.

보다 더 바람직한 구현예에서, 배기가스 배출량의 계산은 생성된 주행 프로파일들, 예컨대 정해진 주행 경로에 대한 속도 프로파일들에 따라서 수행될 뿐만 아니라, 관련된 주행 경로들에서의 경로 정보들, 예컨대 경로의 경사 프로파일들에 따라서도 수행된다. 이로써, 후속 매칭을 그에 따라 향상시키는, 보다 더 정확하고 보다 더 현실적인 배기가스 배출량 값들이 계산될 수 있다.

제1 주행 프로파일들의 통계적 분포는 바람직하게는 각각 관련된 제1 주행 경로들과 함께 제1 주행 프로파일들의 통계적 분포를 포함한다. 그에 상응하게, 주행 모드 중에 측정된 제2 주행 프로파일들의 통계적 분포는 바람직하게는 주행 모드 중에 측정된 각각 관련된 제2 주행 경로들과 함께 제2 주행 프로파일들의 통계적 분포를 포함한다. 다시 말해, 두 사례 모두에서, 주행 프로파일 및 관련 주행 경로로 이루어진 각각의 쌍들에 대한 분포가 고려된다. 이 경우, 주행 경로들은 특히 지리학적 특성들, 교통 흐름의 특성들, 차도 특성들, 교통 안내의 특성들, 및/또는 경로의 기상 특성들과 같은 경로 특성들을 포함한다.

주행 프로파일들의 생성을 위한 기계 학습 시스템을 위한 보다 더 바람직한 컴퓨터 구현 학습(computer-implemented training)은 하기 단계들을 포함한다.

- 주행 경로들을 포함하는 제1 데이터 베이스에서 제1 주행 경로들이 선택되는 단계,

- 기계 학습 시스템의 생성기(generator)가 입력 변수들로서 제1 주행 경로들을 수신받아 제1 주행 경로들에 대해 각각 관련된 제1 주행 프로파일들을 생성하는 단계,

- 제2 데이터 베이스에 주행 경로들, 및 주행 모드 중에 검출된 각각 관련된 주행 프로파일들이 저장되는 단계,

- 제2 데이터 베이스에서 제2 주행 경로들뿐만 아니라 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일들이 선택되는 단계,

- 기계 학습 시스템의 분별기(discriminator)는, 입력 변수들로서, 생성된 각각 관련된 제1 주행 프로파일과 함께 제1 주행 경로들 중 하나의 제1 주행 경로로 이루어진 쌍들, 및 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일과 함께 제2 주행 경로들로 이루어진 쌍들을 수신받는 단계,

- 분별기가, 입력 변수들에 따라서, 입력 변수들로서 수신받은 각자의 쌍에 대해, 생성된 제1 주행 프로파일을 포함한 쌍에 관한 문제인지, 또는 주행 모드 중에 검출된 제2 주행 프로파일을 포함한 쌍에 관한 문제인지 그 여부의 특징을 나타내는 출력값들을 계산하는 단계,

- 분별기의 출력값들에 따라서, 생성된 제1 주행 프로파일들을 포함한 쌍들의 분포와 주행 모드 중에 검출된 제2 주행 프로파일들을 포함한 쌍들의 분포 간의 거리를 나타내는 목표 함수가 최적화되는 단계.

주행 프로파일들의 생성을 위한 기계 학습 시스템을 위한 대안의 보다 더 바람직한 컴퓨터 구현 학습은 하기 단계들을 포함한다.

- 기계 학습 시스템의 생성기가 입력 변수들로서 제1 랜덤 벡터들을 수신받아 제1 랜덤 벡터들에 대해 각각 제1 주행 경로들 및 관련된 제1 주행 프로파일들을 생성하는 단계,

- 데이터 베이스에 주행 경로들, 및 주행 모드 중에 검출된 각각 관련된 주행 프로파일들이 저장되는 단계,

- 데이터 베이스에서, 제2 주행 경로들, 및 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일들이 선택되는 단계,

- 기계 학습 시스템의 분별기가, 입력 변수들로서, 생성된 제1 주행 경로들과, 생성된 각각 관련된 제1 주행 프로파일들로 이루어진 제1 쌍들, 및 제2 주행 경로들과 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일들로 이루어진 제2 쌍들을 수신받는 단계,

- 분별기가, 입력 변수들에 따라서, 입력 변수들로서 수신받은 각자의 쌍에 대해, 생성된 제1 주행 경로와 생성된 각각 관련된 제1 주행 프로파일로 이루어진 제1 쌍에 관한 문제인지, 또는 제2 주행 경로와 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일로 이루어진 제2 쌍에 관한 문제인지 그 여부의 특징을 나타내는 출력값들을 계산하는 단계,

- 분별기의 출력값들에 따라서, 제1 쌍들의 분포와 제2 쌍들의 분포 간의 거리를 나타내는 목표 함수가 최적화되는 단계.

바람직한 방식으로, 목표 함수의 최적화에 따라서, 기계 학습 시스템의 매개변수들은 하기의 방식으로 매칭된다.

- 분별기는, 생성된 제1 주행 프로파일들과 주행 모드 중에 검출된 제2 주행 프로파일들을 구별하는 것에 최적화된다.

- 생성기는, 분별기를 통해 주행 모드 중에 검출되고 제2 분포에 존재하는 제2 주행 프로파일들로부터 최대한 어렵게 구별되는, 제1 분포에서, 생성된 제1 주행 프로파일들을 생성하는 것에 최적화된다.

기술되는 학습 방법들(training method)은, 대표적인 주행 프로파일들을 생성할 수 있는데 이용되는 컴퓨터 구현 기계 학습 시스템들을 가용하게 하며, 그럼으로써 다시금 실제의 대표적인 작용들이 고려되면서 배출량과 관련한 시스템의 유효성 검증 또는 배출량 최적화와 같은 조치들이 수행될 수 있게 된다.

차량, 또는 차량의 구동 시스템의 모델링은 바람직한 구현예들에서 연소 엔진의 모델, 및/또는 연소 엔진의 배기가스 후처리 시스템의 모델, 및/또는 엔진 제어 장치의 모델, 및/또는 연소 과정의 모델을 포함하며, 그럼으로써 특히 정확한 시뮬레이션 결과들이 가능해지게 된다.

컴퓨터 프로그램들은 기술되는 컴퓨터 구현 방법들을 실행하도록 구성되어 기계 판독 가능 메모리들에 저장될 수 있다. 상기 기계 판독 가능한 메모리를 포함하는 컴퓨터 구현 학습 시스템은, 본원의 방법들을 실행하도록 구성될 수 있으며, 실행될 계산들은 컴퓨터 구현 학습 시스템의 하나 또는 복수의 프로세서를 통해 실행된다.

도 1은, 연소 엔진을 탑재한 차량의 배기가스 배출량을 감소시키기 위한 종래 접근법을 도시한 도면이고,
도 2는, 연소 엔진을 탑재한 차량의 배기가스 배출량을 감소시키기 위한 제안된 접근법을 도시한 도면이며,
도 3은, 예시로서, 도 2에 대해 기술된 방법에 대해 주행 프로파일들 및 관련된 주행 경로들로 이루어진 대표적인 쌍들을 생성할 수 있는데 이용되는 기계 학습 시스템을 위한 컴퓨터 구현 학습 방법을 도시한 도면이고,
도 4는, 예시로서, 기계 학습 시스템(404)을 위한 대안의 컴퓨터 구현 학습 방법을 도시한 도면이며,
도 5는, 연소 엔진을 탑재한 차량의 배기가스 배출량을 감소시키기 위한 예시의 방법을 도시한 도면이다.

도 1에는, 연소 엔진을 탑재한 차량의 배기가스 배출량을 감소시키기 위한 종래 접근법이 도시되어 있다. 단계 101에서, 이전 프로젝트들의 결과들 내지 경험값들이 고려되며, 그리고 단계 102에서는 특히 임계적인 주행 주기들을 고려해야 하는 시험 사례들이 검색된다. 법규에서의 규정된 시험 절차들은 단계 103에서 통합된다. 단계 104에서, 최적화될 차량 또는 구동 시스템의 정의가 수행된다. 단계 105에서, 최적화될 차량 내지 구동 시스템을 위해, 단계 102 및 103에서 선택된 시험 주기들 내지 규정된 시험 절차들에 대해 배기가스 배출량의 측정이 실행된다. 이 경우, 측정들은 예컨대 ~ 100h의 크기일 수 있고 상응하는 결과는 단계 106에서 저장되거나 평가될 수 있다. 차량 내지 구동 시스템은 실행되는 측정들에 따라서 최적화될 수 있다.

도 2에는, 연소 엔진을 탑재한 차량의 배기가스 배출량을 감소시키기 위한 제안된 접근법이 도시되어 있다. 단계 201에서, 실제 주행의 기계 학습 시스템의 생성 모델을 통해 주행 프로파일들 및 관련된 주행 경로들로 이루어진 대표적인 쌍들이 획득된다. 단계 202에서, 최적화될 차량 내지 구동 시스템에 대해 차량 모델 내지 구동 시스템의 모델이 작성된다. 차량 내지 구동 시스템의 모델링은 특히 배기가스 후처리 시스템, 연소 모델들, 및/또는 제어 장치, 특히 엔진 제어 장치의 부분 모델들을 포함한다.

단계 203에서는, 단계 201에서의 주행 프로파일들 및 관련된 주행 경로들로 이루어진 대표적인 쌍들에 대해, 단계 202에서의 차량 모델 내지 구동 시스템의 모델을 이용한 배기가스 배출량의 계산이 시뮬레이션으로 수행된다. 그런 다음, 시뮬레이션들의 결과들은 단계 204에서 저장되고 평가된다. 이 경우, 시뮬레이션들의 개수는 예컨대 ~ 10,000h의 크기에 있을 수 있다. 또한, 시뮬레이션들의 분포는 실제 작동 중의 주행 프로파일들 및 주행 경로들의 실제 분포에 상응하거나, 또는 그에 근사할 수 있다. 정해진 주행 프로파일들 및 주행 경로들의 관련성 내지 통계적 빈도는 계산된 배기가스 배출량에 따른 구동 시스템의 매칭 시 고려될 수 있다.

도 3에는, 예시로서, 도 2에 대해 기술된 방법에 대해 주행 프로파일들 및 관련된 주행 경로들로 이루어진 대표적인 쌍들을 생성할 수 있는데 이용되는 기계 학습 시스템을 위한 컴퓨터 구현 학습 방법이 도시되어 있다.

데이터 베이스(301)에는 주행 경로들 내지 차량들의 경로들이 저장된다. 데이터 베이스(301) 내의 예시의 경로는 도 3에서 도면부호 311로 표시되어 있다. 데이터 베이스(302)에는, 각각 관련된 주행 프로파일과 함께 주행 경로들 내지 차량들의 경로들이 저장된다. 데이터 베이스(302)에서 경로 및 관련된 주행 프로파일로 이루어진 예시의 쌍은 도 3에서 도면부호 321로 표시되어 있다. 이 경우, 데이터 베이스(302)에서 주행 프로파일들은 차량의 주행 모드 중에 검출되거나 측정되는 주행 프로파일들에 상응한다. 다시 말해, 주행 프로파일들은 바람직하게는 차량으로 관련된 경로를 실제로 운행할 때, 차량의 센서들에 의해 검출되어 저장되었다. 데이터 베이스들(301 및 302)은 전체 시스템에서 특히 기계 판독 가능 메모리들에 구현되어 있다. 이 경우, 데이터 베이스는 오직 기계 판독 가능 메모리에 계통적으로 저장된 데이터만을 지칭한다.

기계 학습 시스템(304)에서는 이제 생성기(341)가 데이터 베이스(301)의 경로들에 대해 주행 프로파일들을 생성하도록 학습된다. 상기 학습 프로파일들은 바람직하게는 무작위의 입력 변수들에 따라서 결정되어야 하며, 이를 위해, 블록(303)에서는 랜덤 벡터들과 같은 랜덤 변수들이 공급될 수 있다. 블록(303)에서는 특히 랜덤 생성기가 구현될 수 있으며, 이런 랜덤 생성기는 의사 랜덤 생성기일 수 있다.

생성기(341)를 통해 생성된 주행 프로파일들은 바람직하게는 데이터 베이스(302)를 토대로 주행 모드 중에 검출된 주행 프로파일들과 최대한 또는 거의 구별될 수 없어야 한다. 이를 위해, 분별기(342)는, 생성기(341)를 통해 생성된 주행 프로파일들과 데이터 베이스(302)에서 인출된 주행 프로파일들을 구별할 수 있거나, 또는 주행 프로파일들과 경로 특성들로 이루어진 각각의 쌍들을 구별할 수 있도록 학습된다. 이 경우, 학습 시스템은, 주행 모드 중에 검출된 개별 주행 프로파일들과 최대한 또는 거의 구별될 수 없는 개별 주행 프로파일들을 생성해야 할 뿐만 아니다. 오히려 입력 변수들의 매개변수 공간 내에서 생성된 주행 프로파일들의 분포는 입력 변수들의 매개변수 공간 내에서 주행 모드 중에 검출된 주행 프로파일들의 분포에 최대한 가깝게 위치해야 하며, 다시 말해 주행 프로파일들의 대표적인 분포가 달성되어야 한다.

이를 위해, 기계 학습 시스템(304)의 학습은, 생성기(341) 및 분별기(342)의 매개변수들이 그에 따라서 매칭되는 것인 목표 함수(305)의 최적화를 포함한다.

하기에서는, 기계 학습 시스템(304)의 제안되는 학습이 도 3에 따라서 보다 더 상세하게 기술된다.

데이터 베이스(301) 내에서의 경로는 특히 이산 데이터 지점들의 시퀀스로서 저장되며, 각자의 데이터 지점 내지 각자의 이산화 단계(discretization step)에 대해서는 상기 이산화 단계에서의 경로 특성들이 저장된다.

데이터 베이스(1)에서 경로(r)는 예컨대 길이[r = (r₁, ..., r_N)]를 포함한다. 각자의 데이터 지점(r_t)은 이산화 단계에 상응한다. 특히 보다 더 바람직한 경우는, 이산화 단계들이 시간 또는 공간 이산화에 상응하는 실현들에 있다. 시간 이산화의 경우, 데이터 지점들은 각각 경로의 개시 이후 경과한 시간에 상응하고 그에 따라 데이터 지점의 시퀀스는 시간 곡선에 상응한다. 공간 이산화의 경우에는, 데이터 지점들은 각각 경로를 따라서 이동한 구간에 상응한다.

스캐닝 속도(scanning rate)는 일반적으로 일정하다. 시간 이산화에서, 스캐닝 속도는 예컨대 x 초로서 정의될 수 있고, 공간 이산화에서는 예컨대 x 미터로서 정의될 수 있다.

경로의 각자의 데이터 지점(r_t)은 상응하는 이산화 단계에서 경로 특성들, 다시 말해

를 기술한다. D는 경로 특성들의 개수이며, 이런 경우 다차원 경로 특성들의 각자의 차원은 1차원 경로 특성의 차원으로서 계수된다.

상기 경로 특성들은, 예컨대, 각각 이산화 단계, 특히 시점 내지 시간 간격, 또는 위치 내지 구간 또는 이격 거리와 관련하여,

● 절대 높이 또는 경사도와 같은 지리학적 특성들일 수 있거나,

● 교통의 시간에 따른 평균 속도와 같은 교통 흐름의 특성들일 수 있거나,

● 차선의 개수, 차도 유형 또는 차도 곡률과 같은 차도 특성들일 수 있거나,

● 속도 제한, 교통 신호등의 개수, 또는 정해진 교통 표지, 특히 정지 또는 우선 통행 허용 또는 보행자 횡단보도의 개수와 같은 교통 안내의 특성들일 수 있거나,

● 기설정 시점까지 강우량, 풍속, 안개의 존재와 같은 기상 특성들일 수 있다.

경로는 데이터 베이스(301)에서 선택되어 단계 313에서 생성기(341)로 전송된다.

추가로 바람직하게는 블록 303에서 랜덤 벡터가 결정되며, 그리고 이 랜덤 벡터는 단계 331에서 생성기(341)로 전송된다. 랜덤 벡터(z)는 인출되며, 다시 말하면 무작위로 결정된다. 이 경우, 특히 z ∈ R ^L 이 적용되며, L은 선택적으로 경로의 길이(N)에 따라서 결정될 수 있다. z가 인출되는 분포는 바람직하게는 단순한 분포 패밀리, 예컨대 가우스 분포 또는 균등 분포로 확정된다.

생성기(341)의 입력 변수들은 이제 바람직하게는 변수인 랜덤 벡터(z) 및 경로(r)로 구성된다. 따라서, 생성기(341) 내로 순수 무작위로 생성된 입력을 통한 것과 달리, 생성된 주행 프로파일들은 정해진 경로 특성들에 부합하게 조건 조절될 수 있다. 예컨대 상이한 z를 표본 추출하는 것을 통해 동일한 기설정 경로(r)에 대해 상이한 주행 프로파일들이 생성될 수 있다. 이 경우, 데이터 베이스(301) 내에서 경로들(r)의 경로 특성들은 실제로 측정된 경로 특성들, 전문가에 의해 정의된 경로 특성들, 또는 기계 학습 시스템, 예컨대 신경망에 의해 학습된 경로 특성들일 수 있다. 또한, 상기 변형예들 중 2개 또는 3개를 토대로 작성된 경로 특성들을 포함한 경로들 역시도 데이터 베이스(301)에 마련될 수 있다.

생성된 주행 프로파일들이 차량의 구동 시스템의 배출량 특성들의 결정을 위해 사용되는 예시의 적용 사례에서, 예컨대 일부 경로 특성의 목표되는 변경, 적합한 주행 프로파일들의 생성 및 배출량의 시뮬레이션을 통해, 상기 프로파일들에 대해, 정해진 경로 특성들이 어느 정도로 연소 과정에서의 배출량 발생에 영향을 미치는지가 목표한 바대로 분석될 수 있다. 이는 예컨대 정해진 경로 프로파일들, 예컨대 특히 요구하는 경로 프로파일들에 대한 구동 시스템의 매개변수들, 특히 예컨대 제어 장치에서 구동 시스템의 제어의 매개변수들의 목표되는 최적화를 허용한다.

이제, 생성기(341)는 입력 변수들인 랜덤 벡터(단계 331) 및 선택된 경로(단계 313)에 따라서 주행 프로파일을 생성한다. 이를 위해, 생성기(342)는, 생성 모델을 구현하고 주행 프로파일을 출력하는데(단계 343) 이용되는 컴퓨터 구현 알고리즘을 포함한다.

생성기(341)를 통해 생성된 상기 주행 프로파일은 예컨대 x = (x ₁, ..., x _N)으로서 출력될 수 있고 그에 따라 그에 부합하게 조건 조절된 경로와 동일한 길이(N)를 포함할 수 있다. 그러나 그 대안으로 예컨대 경로 특성들 역시도 위치에 걸쳐 이산되어 존재할 수 있지만, 그러나 생성된 속도들은 시간에 걸쳐 이산되어 존재할 수 있다. 이를 위해, 각자의 개별 단계에 따라서 이전 위치에서부터 생성된 속도를 통해 바로 다음 이산화 시점이 계산될 수 있고 그런 다음 경로 특성들은 상기 위치에서 x_{t+1}에 대한 입력으로서 이용될 수 있다.

주행 프로파일은, 데이터 베이스(301)에서 선택되어 생성기로 전송된 경로에 부합하게 조건 조절된다. 동일한 경로에 대해 가능한 주행 프로파일들의 분산은 z의 랜덤 분포를 통해 매핑된다. 생성 모델은 매개변수(θ _G)를 통해 매개변수화된다. 생성 모델의 아키텍처는 예컨대 반복되는 신경망(recurrent Neural network)일 수 있다. 생성기의 컴퓨터 구현은, 기계 판독 가능 메모리 내에, 생성 모델을 구현하는 알고리즘, 및 모델의 매개변수들의 저장을 통해, 프로세서를 통한 알고리즘의 계산 단계들의 처리를 통해, 그리고 기계 판독 가능 메모리 내에 생성된 주행 프로파일들의 저장을 통해 수행된다.

가능한 구현예에서, 고정 길이를 포함하는, 다시 말하면 결정된 수의 이산화 단계 내지 데이터 지점을 포함하는 주행 프로파일들이 생성될 수 있다. 그런 다음, 보다 더 긴 주행 프로파일들의 생성 동안, 복수의 생성된 짧은 시간열(time series)이 서로 나란히 연결되어야 할 수도 있다. 그러나 이 경우 전이부들은 일반적으로 일정하지 않다. 대안의 구현예에서, 본원의 방법은, 임의의 길이를 갖는 주행 프로파일들 역시도 생성되거나 평가될 수 있고 전이부들은 학습된 전이 모델로 항상 일정한 방식으로 확장될 수 있다. 이를 위해, 바람직하게는 생성기뿐만 아니라 분별기 역시도 반복되는 신경망으로서, 예컨대 장단기 메모리(LSTM: long short-term memory) 또는 게이트 순환 유닛(GRU: gated recurrent unit)으로서 구현된다. 아키텍처와 관련하여, 생성기는 바람직하게는 시퀀스 대 시퀀스 모델로서 형성되지만, 그러나 벡터 대 시퀀스 모델로서도 구현될 수 있다. 분별기는 바람직하게는 시퀀스 대 스칼라(scalar) 모델로서 형성될 수 있지만, 그러나 시퀀스 대 시퀀스 모델로서도 구현될 수 있다.

반복되는 신경망으로서의 생성 모델의 아키텍처의 경우, 다양한 선택사항들이 달성된다.

예컨대 전역적 랜덤 벡터(z)가 완전한 주행 프로파일을 위해 표본 추출될 수 있으며, 전역이란 명칭은 다시금 시간 또는 공간 이산화에 해당할 수 있다. 본 구현예에서, 잠재 공간(latent space)에서, 주행 프로파일을 전역에서 변경시키는 특성들, 예컨대 일정한 운전자 특성들(예: 연령 또는 경험), 일정한 기상 특성들(예: 장마) 또는 일정한 차량 특성들[예: 전동화(motorization)]처럼 경로에 걸쳐 일정한 특성들이 고려되고 학습된다. 이런 랜덤 벡터는 이제 제1 시간 단계에서 은폐 상태(hidden state)의 초기화를 위해 이용될 수 있고, 그리고/또는 각자의 시간 단계에서 반복되는 신경망으로 공급될 수 있다.

또한, 국소적 또는 일시적 랜덤 벡터들(z) 역시도 표본 추출될 수 있으며, 다시 말해 잠재 공간에서 주행 프로파일을 국소적으로, 또는 일시적으로 변경시키는 특성들, 예컨대 단기 교통 안내 또는 교통 흐름 특성들(교통 신호등들의 상태들, 교통 체증, 교차로, 차도 상의 보행자)과 같은 단기 특성들이 고려되고 학습된다. 이 경우, 랜덤 벡터는 M개의 시간 단계의 간격으로 신규 생성되어 반복되는 신경망으로 공급되며, M > 0이다. 또한, N은 확률적일 수 있으며, 다시 말해 랜덤 벡터는 무작위적인 간격들로도 변경될 수 있다.

보다 더 바람직한 구현예에서, 전역적 랜덤 벡터들과 국소적 또는 일시적 랜덤 벡터들의 조합 역시도 구현될 수 있다. 이 경우, 랜덤 벡터의 일부 차원들은 주행 프로파일마다 한 번만 표본 추출되며, 나머지 차원들은 매 M개의 시간 단계마다 변경된다. 이를 위해, 그 대안으로, 전역적 랜덤 벡터 역시도 기본적으로 각자의 시간 단계에서 반복되는 신경망으로 공급될 수 있으며, 상기 전역적 랜덤 벡터는 매 M개의 시간 단계마다 국소적(다시 말해 신규로 표본 추출된) 랜덤 벡터를 통해 대체된다.

전역적 랜덤 벡터와 국소적 랜덤 벡터의 조합은 특히 바람직한 것으로서 확인되는데, 그 이유는 그에 따라 데이터 내 분산들이 전역적 영향들뿐만 아니라 국소적 또는 일시적 영향들을 기반으로 매핑될 수 있기 때문이다.

바람직하게 생성 모델에서 예견하거나 예측하는 주행들 역시도 고려될 수 있다.

이렇게, 가능한 구현예에서, 생성기(41)를 통한 계산 동안, 시점(t)에 경로 특성들(r_t)은 선택적으로 경로 특성들(r_t+1, ..., r_t+m)을 통해 확장되거나 보충될 수 있다. 본 구현예는, 온라인 계산 동안, 다시 말하면 계산 자원들이 제한되는 경우, 또는 추후의 경로 특성들의 영향이 소수의 이산화 단계로 제한될 수 있거나 제한되어야 하는 경우에 특히 바람직하다.

그 대안으로, 양방향성의 반복되는 신경망은, 반복되는 신경망의 향후 셀들(future cell)의 은폐 상태(hidden state)가 추가로 고려되는 생성 모델로서 사용될 수 있다. 이로써, 분명하게 모든 가능한 향후 시간 단계(future time step)가 함께 포함될 수 있다.

오직 실제 시점(t)에서의 경로 특성들[및 경우에 따른 시점(t-1)의 은폐 상태]에만 부합하게 시점(t)에서의 속도의 생성을 조건 조절하는 것 대신, 향후 경로 특성들 역시도 시점(t)에서의 속도의 생성을 위해 함께 포함될 수 있다. 따라서, 시점(t)에서의 속도의 생성은, 시점(t)에서의 경로 특성들 외에도, 시점들(t+1, t+2, ..., t+m)의 경로 특성들(또는 이들의 부분 집합)에도 부합하게 조건 조절된다. 이로써, 소위 "예견하는 주행", 예컨대 거리에서 이미 눈에 띄는 경로 특성[예: 교통 신호등, 속도 제한, 고속도로 진출 램프(freeway exit ramp) 등]에 대해, 특히 속도 매칭의 문맥에서 운전자의 보다 이른 반응을 시뮬레이션하는 것이 가능해진다. 또한, 예컨대 경로의 끝 부분에서 향후 경로 특성들에 대해 단지 예컨대 0과 같은 디폴트 값들만이 존재함으로써, 알고리즘은 경로의 끝 부분에서 0의 속도로 복귀하는 점을 학습할 수 있는 점이 가능해진다.

데이터 베이스(302) 내에서의 경로는 특히 이산 데이터 지점들의 시퀀스로서 저장되며, 각자의 데이터 지점 또는 각자의 이산화 단계에 대해 경로 특성들은 상기 이산화 단계에서 저장된다.

데이터 베이스(302) 내에서의 경로(r)는 예컨대 r = (r₁, ..., r_s)의 길이(S)를 포함한다. 각자의 데이터 지점(r_t)은 이산화 단계에 상응한다. 특히 보다 더 바람직한 경우는, 이산화 단계들이 시간 또는 공간 이산화에 상응하는 실현들에 있다. 시간 이산화의 경우, 데이터 지점들은 각각 경로의 개시 이후 경과한 시간에 상응하고 그에 따라 데이터 지점의 시퀀스는 시간 곡선에 상응한다. 공간 이산화의 경우에는, 데이터 지점들은 각각 경로를 따라서 이동한 구간에 상응한다.

● 교통의 시간에 따른 평균 속도, 또는 교통 밀도와 같은 교통 흐름의 특성들일 수 있거나,

이는, 바람직하게는 경로들에 대해 제1 데이터 베이스에 저장되어 있는 동일한 유형의 경로 특성들이다.

데이터 베이스(302)에는, 상기 유형으로 결정된 경로들이, 각각, 주행 모드 중에 실제로 측정되고 경로에 관련되는 주행 프로파일과 함께 저장된다. 경로 및 관련된 주행 프로파일로 이루어진 상기 쌍들은 기계 학습 데이터를 위해 학습 데이터(training data)로서 이용된다. 이런 학습을 위해, 특히 경로 및 관련된 주행 프로파일로 이루어진 쌍들이 선택되고 단계 323 및 324에서 분별기(342)로 전송된다. 또한, 단계 314 내지 343에서 분별기(342)로는, 데이터 베이스(301)의 경로 및 이 경로에 따라서 생성기(341)를 통해 생성된 주행 프로파일로 구성되는 쌍들 역시도 전송된다.

분별기(342)는, 분별 모델(discriminative model)을 구현하는데 이용되는 컴퓨터 구현 알고리즘을 포함한다. 분별기(342)는, 입력 변수들로서, 경로 및 관련된 주행 프로파일로 구성되는 하나의 쌍을 수신받으며, 그리고 확인되는 쌍이 [생성기(341)를 통해) 생성되거나, 또는 [데이터 베이스(302)에서부터 수신받은) 실제로 측정된 주행 프로파일을 포함하는지 그 여부를 판단한다. 이런 판단의 결과는 단계 344에서 출력된다. 예컨대 분별기(342)는 "실제 주행 프로파일"의 판단에 대해 0을 초과하는 값(> 0)을 출력할 수 있고, "생성된 주행 프로파일"의 판단에 대해서는 0 미만의 값(< 0)을 출력할 수 있다. 그 대안으로, 예컨대 등급 라벨들(class label)과 같은 사전에 결정된 값들 역시도 출력될 수 있다. 분별 모델은 매개변수(θ _D)를 통해 매개변수화된다. 판단의 출력값(444)은 특히 이진 판단 "예"/"아니오"를 통한 평가를 포함한다.

분별기의 컴퓨터 구현은, 기계 판독 가능 메모리 내에, 분별 모델을 구현하는 알고리즘, 및 모델의 매개변수들의 저장을 통해, 프로세서를 통한 알고리즘의 계산 단계들의 처리를 통해, 그리고 기계 판독 가능 메모리 내에 출력값의 저장을 통해 수행된다.

분별기(342)는 예컨대 반복되는 신경망으로서 구현될 수 있다. 그에 따라, 특히 임의의 길이의 주행 프로파일들이 평가될 수 있다.

평가(생성된 주행 프로파일 대 주행 모드 중에 검출된 주행 프로파일 궤적의 판단)를 위해, 다수의 구현예가 있다. 평가는, 특히 각자의 개별 시간 단계 후에 다시 실행될 수 있다. 그런 다음, 주행 프로파일의 전역적 평가는 예컨대 개별 평가들의 평균치이거나, 또는 다수결이다. 또한, 그 대안으로, 전체 주행 프로파일의 평가는 단지 최종 시간 단계에서만 실행될 수 있다. 마지막 구현예는 특히 추가적인 계산 단계들을 절약하며, 그리고 완전한 주행 프로파일이 균일하게 평가에 영향을 미친다는 또 다른 장점을 갖는다.

분별기(342)의 출력값(344)에 따라서, 블록(305)에서는 목표 함수가 최적화되며, 특히 손실 함수가 최소화된다. 이를 위해, 분별기의 입력 변수들은 특히 실제 표본(즉, 주행 모드 중에 결정된 주행 프로파일들을 포함한 쌍들)으로서, 또는 생성된 표본[즉, 생성기(341)를 통해 생성된 주행 프로파일들을 포함한 쌍들]으로서 라벨 표시된다. 이 경우, 목표 함수는, 어느 정도까지 생성된 주행 프로파일들이 실제로 측정된 주행 프로파일들에 일치하는지, 또는 어느 정도까지 매개변수 공간 내에서 생성된 주행 프로파일들의 분포가 매개변수 공간 내에서 측정된 주행 프로파일들의 분포에 상응하는지의 특징을 나타낸다. 목표 함수의 매칭에 따라서는, 생성기(341), 또는 이 생성기에서 구현된 생성 모델의 매개변수들(θ _G), 그리고 분별기(342), 또는 이 분별기에서 구현된 분별 함수의 매개변수들(θ _D)이 매칭된다. 이 경우, 매개변수들은 특히 목표 함수의 기울기와 관련하여 매칭된다.

목표 함수는, 생성된 주행 프로파일들의 분포와, 주행 모드 중에 검출된 주행 프로파일들의 분포 간의 차이 내지 거리, 또는 생성된 주행 프로파일들을 포함한 경로-주행 프로파일 쌍들의 분포와, 주행 모드 중에 검출된 주행 프로파일들을 포함한 경로-주행 프로파일 쌍들의 분포 간의 차이 내지 거리의 특징을 나타내거나 그 자체를 나타내는 방식으로 선택된다. 상기 유형의 목표 함수의 선택을 통해, 기계 학습 시스템은, 생성된 데이터의 분포가 측정된 데이터의 분포의 완전한 분산을 반영하는 방식으로 학습될 수 있다. 소위 모드 붕괴(mode collapse)는 방지된다. 다시 말하면, 주행 프로파일들의 대표적인 분포가 제공된다. 이 경우, 목표 함수는 특히 관찰될 수 없는 영향들의 분산 역시도 고려한다.

이를 위해, 바람직하게, 목표 함수로서, 분포들 간의 바써슈타인 측정기준(Wasserstein metric) 내지 바써슈타인 거리(Wasserstein distance)로서 구현되는 손실 함수(loss function)가 선택된다.

컴퓨터 구현 학습의 본 구현예에서, 분별기는 바람직하게는 립쉬츠 제한 함수들(Lipschitz-restricted function)로 제한되어야 한다. 보다 더 바람직한 구현예에서, 목표 함수는 이를 위해 규제 항(regularization terms)만큼 확장되며, 예컨대 기울기 패널티(Gradient penalty), 또는 (i) 0에서 실제 표본(다시 말해 주행 모드 중에 결정된 주행 프로파일들을 포함한 쌍들)의 기울기의 센터링, 또는 (ii) 0에서 생성된 표본(다시 말해 생성된 주행 프로파일들을 포함한 쌍들)의 기울기의 센터링, 또는 (iii) 1에서, 실제 표본과 생성된 표본의 평균을 나타내는 표본의 기울기의 센터링만큼 확장된다. 이 경우, 특히 보다 더 바람직한 경우는 "0에서 실제 표본의 기울기를 센터링하는" 선택사항인데, 그 이유는 상기 선택사항이 선택사항들 중 가장 빠른 것으로 확인되었고 최적화 문제의 매우 빠른 수렴을 달성하기 때문이다. 그 대안으로, 가중치 클리핑(weight clipping)이 각자의 기울기 단계에 따라서 수행될 수 있다.

생성기(341) 및 분별기(342)를 포함하여 전체 학습 시스템의 컴퓨터 구현 학습을 위한 앞서 기술한 방법들은 최소-최대 학습 목표(Min-Max training target)로서 기술될 수 있다. 이 경우, 분별기(342)는 자신의 정확한 분류율(classification rate)을 최대화하는 반면, 생성기(341)는, 최대한 분별기(341)를 잘못 안내(misguide)하는 주행 프로파일들을 생성하는 정확한 분류율을 최소화한다.

생성기(341)의 기술한 입력 변수들에 추가로, 예컨대 추가 입력 변수들이 각각 각자의 주행 경로에 대해 데이터 베이스(301)에 저장됨으로써, 상기 추가 입력 변수들 역시도 생성기로 공급될 수 있다. 예컨대 각자의 주행 경로에 대해, 이산화된 경로 정보들 외에도, (경험, 연령, 공격적 언동 내지 운전 태도 등과 같은) 운전자 특성들에 대한 관련된 정보들, 또는 (출력, 전동화, 구동 시스템의 유형 등과 같은) 차량 정보들 역시도 저장될 수 있다. 따라서, 생성된 주행 프로파일들은 상기 추가적인 정보들에 대해서도 부합하게 조건 조절될 수 있다. 이런 경우에, 바람직한 방식으로, 기계 학습 시스템(304)의 학습을 위해 상응하는 정보들 역시도 각각 데이터 베이스(302)에 저장된 주행 경로들에 대해 저장된다. 분별기에는, 데이터 베이스(301)(단계 314)에서의 경로 정보들에 대해서뿐만 아니라 데이터 베이스(302)(단계 323)에서의 경로 정보들에 대해서도 입력 변수들로서 상기 추가적인 정보들이 공급된다.

도 4에는, 예시로서, 기계 학습 시스템(404)을 위한 대안의 컴퓨터 구현 학습 방법이 도시되어 있다.

이런 경우, 학습 시스템(404)의 생성기(441)는, 단계 431에서 블록(403), 특히 랜덤 생성기로부터 입력 변수들로서 획득하는 랜덤 벡터들을 기반으로, 주행 프로파일들뿐만 아니라 관련된 주행 경로들 역시도 생성한다. 주행 프로파일들 내지 주행 경로들은 단계 413 또는 443에서 짝을 이룬 쌍들로서 분별기(442)에 입력 변수들로서 제공된다. 상기 분별기는, 앞서 기술한 방법에 상응하게, 단계 423 내지 424에서 입력 변수들로서 데이터 베이스(402)에서부터 획득하는 주행 프로파일들과 주행 경로들로 이루어진 쌍들로부터 상기 쌍들을 구분하도록 최적화된다. 상기 데이터 베이스(402)에는, 앞에서 데이터 베이스(302)에 대해 언급한 대로, 차량의 주행 경로들은 각각 주행 모드 중에 측정된 관련된 주행 프로파일과 함께 저장된다. 데이터 베이스(402)에서 경로 및 관련된 주행 프로파일로 이루어진 예시의 쌍은 도 4에서 도면부호 421로 표시되어 있다. 분별기의 출력값(444) 및 이 출력값에 따른 목표 함수(405)의 계산, 그리고 단계 451에서의 생성기(441)의 매개변수 및 단계 452에서의 분별기(442)의 매개변수의 최적화는 다시금 앞에서 기술한 것처럼 수행된다. 특히 목표 함수(405)는 다시금 생성된 주행 프로파일들과 주행 경로들로 이루어진 쌍들과, 실제로 측정되어 데이터 베이스(402)에 저장되는 주행 프로파일들과 주행 경로들로 이루어진 쌍들 간의 거리를 기술한다. 목표 함수(405)의 선택은, 도 3에서 목표 함수(305)에 대해 기술한 것처럼 수행될 수 있다.

기술한 학습 방법들에 의해 학습되는 컴퓨터 구현 기계 학습 시스템은, 주행 경로들에 대한 대표적인 주행 프로파일들, 내지 주행 프로파일들과 주행 경로들로 이루어진 대표적인 쌍들을 생성할 수 있다. 이를 위해, 이렇게 학습된 기계 학습 시스템의 생성기로는 학습 중에서와 동일한 유형의 입력 변수들, 다시 말해 특히 경로들 또는 랜덤 변수들, 그리고 경우에 따른 추가 정보들이 공급될 수 있으며, 그리고 상기 생성기는 관련된 주행 프로파일들, 내지 주행 프로파일들 및 주행 경로들을 생성한다.

도 5에는, 연소 엔진을 탑재한 차량의 배기가스 배출량을 감소시키기 위한 예시의 방법의 도시되어 있다.

블록 51에서, 실제 주행 모드에 대해 대표적인 주행 프로파일들, 내지 주행 프로파일들 및 주행 경로들로 이루어진 대표적인 쌍들의 생성이 수행된다.

블록 52에서, (예컨대 생성된 속도 프로파일들에 따라서) 생성된 주행 프로파일들에 대해, 또는 (예컨대 생성된 속도 프로파일들, 및 경사 프로파일들과 같은 경로 정보들에 따라서) 생성된 주행 프로파일들, 및 관련된 주행 경로들로 이루어진 쌍들에 대해, 각각의 배기가스 배출량들이 시뮬레이션으로 계산된다. 이 경우, 계산된 배기가스 배출량은 (시간 또는 공간 이산화된) 배출량 프로파일들과, 예컨대 다양한 배출량 카테고리들(예: NOx, CO₂ 등)로 분할되는 총 배출량을 포함할 수 있다. 이 경우, 전체 시뮬레이션은, 특히 예컨대 공기 질량, 분사량, 공기비, 배기가스 재순환율, 엔진 온도, 또는 점화 또는 분사 시점들처럼 최대한 정확한 배출량 모델들을 위해 필요한 배기가스 관련 입력 매개변수들을 결정할 수 있는 폐루프 시뮬레이션들(closed-loop simulation)을 포함한다.

블록 53에서, 시뮬레이션 결과들 내지 계산된 배기가스 배출량들의 분석 및/또는 처리가 수행될 수 있다. 블록 54에서, 최종적으로, 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량에 따라서 차량의 구동 시스템의 매칭이 수행되며, 매칭은 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량의 레벨 또는 프로파일에 따라서, 그리고 상응하는 제1 주행 프로파일의 통계적 빈도에 따라서 수행된다. 이 경우, 상응하는 제1 주행 프로파일의 통계적 빈도는 제1 주행 프로파일들의 통계적 분포에 의해 결정된다.

이런 경우, 선택적인 제1 단계(511)에서, 관련 있는 차량 내지 주행 경로 선택이 이루어질 수 있거나, 또는 관련 있는 차량 함대(vehicle fleet)가 정의될 수 있다. 단계 512에서, 상기 선택 내지 차량 함대에 대해 필드 데이터 수집에서 획득된 모든 주행 경로 전체가 데이터 베이스에서 가용하게 된다.

단계 513에서, 데이터 베이스에서 가용되는 주행 경로들의 전체 집합에서 대표적인 주행 경로들의 선택이 수행될 수 있다. 여기서도, 예컨대 클러스터링(clustering)과 같은 기계 학습 방법이 사용될 수 있다. 목표는, 특히 주행 경로들의 부분 집합이 전체 주행 통계에 상응하도록 상기 부분 집합을 선택하는 것에 있다. 그런 다음, 예컨대 도시에서 주행들의 빈도는 참 빈도 분포(true frequency distribution)에 상응해야 하며, 그리고 동일하게 시간 할당(예: 러시아워), 주행 기간, 주행 거리, 경사 부분들의 분포 등과 같은 특성들도 참 빈도 분포에 상응해야 한다. 이는, 주행 경로들의 가용한 데이터 집합이, 최적화의 요건에 따라서, 실제로 실제 주행 모드 중에 관련될 빈도 내지 관련될 분포를 충분히 나타내지 않을 때 특히 바람직하다.

그런 다음, 514에서, 관련된 주행 경로들에 대한 주행 프로파일들의 생성은 필드 데이터를 기반으로 학습된 기계 학습 시스템에 의해 수행될 수 있으며, 그럼으로써 주행 프로파일들과 관련한 통계가 정확히 매핑되게 된다.

주행 경로들 및 생성되고 관련된 주행 프로파일들은, 자신들의 분포가 실제로 주행 모드 중에 존재하는 주행 경로들과 주행 프로파일들로 이루어진 쌍들을 대표하거나, 또는 자신들의 분포가 실제로 주행 모드 중에 측정되는 쌍들의 분포에 따라 결정되거나, 그 분포를 추종하거나 그 분포에 근사하는 것인 쌍들을 각각 형성한다.

단계 521에서, 생성된 주행 프로파일들 및 경우에 따라 관련된 주행 경로들 내지 이 주행 경로들의 경로 정보들로 이루어진 쌍들은 입력 변수들로서 운전자 모델에 포함될 수 있다. 이런 운전자 모델에서, 예컨대 페달 위치의 프로파일 및 변속단 정보의 프로파일이 계산된다. 이렇게 생성된 변속단 정보는 다시금 단계 522에서 입력 변수로서, 예컨대 차량 속도를 계산하는 차량 베이스 모델에 포함될 수 있다. 단계 522에서 계산된 차량 속도 및 단계 521에서 계산된 페달 위치는 단계 523에서 입력 변수들로서 제어 장치 소프트웨어가 실행되는 제어 장치의 모델 내에, 예컨대 모델링된 엔진 제어 장치 내에 포함될 수 있다. 제어 장치의 모델은 입력 변수들을 기반으로, 예컨대 핀 레벨(pin level)에서 가상 제어 장치의 신호들과 같은 제어 변수들을 계산한다. 이런 제어 변수들은 단계 524에서 입력 변수들로서 구동 시스템 베이스 모델에 포함될 수 있다. 이런 구동 시스템 베이스 모델은 연소 엔진의 모델뿐만 아니라 경우에 따라 또 다른 모델들, 예컨대 하이브리드 시스템의 경우에 전기 모터의 모델도 포함할 수 있다. 이런 구동 시스템 베이스 모델에서는, 입력 변수들을 기반으로 한편으로 예컨대 토크가 계산될 수 있으며, 이 토크는 다시금 입력 변수로서 단계 522에서 차량 베이스 모델에 포함될 수 있다. 다른 한편으로, 예컨대 라디에이터 온도, 공기 질량 유량, 배기가스 재순환 유량, 연료 질량 유량, 점화 시점들 내지 점화 각도, 분사 시점들 등과 같은 또 다른 변수들도 계산될 수 있다. 이런 계산된 또 다른 변수들은 단계 525에서 입력 변수들로서 엔진의 미연 배출량들의 모델들에 포함될 수 있다. 이 경우, 미연 배출량들의 모델들은 특히 데이터 기반 모델들로서, 예컨대 베이지안(Baysian) 회귀 모델들로서 실현될 수 있다. 상기 입력 변수들을 기반으로, 미연 배출량들의 모델들에서, 다양한 배기가스 구성성분들에 대한 배기가스 질량 유량들, 배기가스 압력, 배기가스 온도, 배기가스 조성 등과 같은 배기가스 관련 변수들이 계산될 수 있다. 이런 계산된 배기가스 관련 변수들은 단계 526에서 입력 변수들로서 하나 또는 복수의 배기가스 후처리 모델에 포함될 수 있다. 이런 모델들은 배기가스 후처리 컴포넌트들(예: 촉매 컨버터들) 또는 배기가스 후처리 방법들(예: 선택적 촉매 환원)의 모델들을 포함할 수 있다. 입력 변수들을 기반으로, 배기가스 후처리 모델들은 배기가스 배출량들을 계산할 수 있다. 이 경우, 특히 배출량 프로파일들, 총 배출량들 및/또는 배출량들의 조성이 출력될 수 있거나, 바람직하게는 배출량들의 유형에 따라서 별도로 분류되는 배출량 레벨들의 프로파일들이 예컨대 시간 또는 위치에 따라서 이산화된다.

단계 531에서, 계산된 주행 프로파일 고유의 배기가스 배출량들이 처리되거나 분석될 수 있다. 특히 배기가스 배출량들이 계산된 해당 주행 프로파일들, 내지 주행 프로파일들과 주행 경로들로 이루어진 쌍들이 거의 충분히 고려될 전체 공간을 고려하는지 그 여부, 내지 이미 고려된 주행 프로파일들 및 주행 경로들의 분포가 거의 충분히 실제 분포에 근사하는지 그 여부의 분석이 수행될 수 있다. 추후의 매칭을 위해, 결정된, 예컨대 통계적으로 특히 관련 있는 주행 프로파일들, 내지 이 주행 프로파일들을 위해 계산된 배기가스 배출량들이 선택될 수 있다. 단계 532에서, 예컨대 선택된 주행 프로파일들 내지 배기가스 배출량들은, 자동화 방식으로 특별한 이벤트들에 따라서, 예컨대 매우 높은 평균 배출량들, 매우 높은 총 배출량들, 또는 매우 높은, 예컨대 한계를 상회하는 배출량 최댓값들에 따라서 검색될 수 있다.

단계 526에서 계산된 배기가스 배출량들에 따라서, 그리고 경우에 따라 단계 531 및 532에서의 분석 및 처리에 따라서, 단계 541에서는 배기가스 배출량들의 감소를 위한 구동 시스템의 매칭이 수행된다.

이 경우, 구동 시스템의 매칭은 바람직하게는 자동화 방식으로 계산된 배기가스 배출량들 중 적어도 하나를 기반으로 상응하는 주행 프로파일 내지 상응하는 주행 경로의 통계적 관련성이 고려되면서, 특히 실제 주행 모드 중에 주행 프로파일 내지 주행 경로의 의미 내지 빈도가 고려되면서 수행된다. 이 경우, 시뮬레이션 결과들에 따라서, 구동 시스템의 하드웨어 토폴러지, 구동 시스템의 하드웨어 컴포넌트들, 구동 시스템의 제어 소프트웨어의 폐루프 제어 기능들, 또는 구동 시스템의 제어 소프트웨어의 소프트웨어 매개변수들이 매칭될 수 있으며, 그럼으로써 바람직하게는 전역적 배출량 최적 조건이 나타나게 되며, 다시 말하면 (예컨대 주행 프로파일의 발생 확률과 그의 누적 배출량 값들의 곱을 통한 가중 적분을 통해) 정해진 주행들의 빈도가 고려되면서 실제 주행 중 총 배출량들의 감소가 나타나게 된다.

최적화의 자동화는, 컴퓨터 구현 모델링에서 적어도 하나의 매개변수가 변경되고, 계산된 배기가스 배출량에 대한 매개변수의 변경의 작용이 결정되며, 변경에 따라서 최적화가 수행됨으로써 수행될 수 있다. 이 경우, 상기 프로세스는 특히 반복적으로 수행되며, 다시 말하면 하나의 루프(loop)에서 계산된 배기가스 배출량에 대한 매개변수의 변경의 확인된 작용에 따라서, 매개변수의 변경이 계산되는 배기가스 배출량의 최소화를 달성하는 방식으로 매개변수의 추가 변경이 각각 수행된다. 그런 다음, 상기 유형으로 결정되는 최적의 매개변수에 따라서, 구동 시스템의 최적화가 수행될 수 있다. 이 경우, 변경된 매개변수들은 구동 시스템의 변경된 하드웨어 토폴러지, 구동 시스템의 변경된 하드웨어 컴포넌트들, 구동 시스템의 제어 소프트웨어의 변경된 폐루프 제어 기능들, 또는 구동 시스템의 제어 소프트웨어의 변경된 소프트웨어 매개변수에 상응할 수 있다. 보다 더 바람직한 구현예에서, 상기 최적화는 모든 고려되는 주행에 걸친 총 배출량과 관련하여 수행된다. 이를 위해, 바람직하게는 반복 최적화(iterative optimization)의 각자의 단계에 대해, 총 배출량들에 대한 매개변수 변경들의 작용을 고려할 수 있도록 하기 위해, 모든 주행 프로파일 내지 주행 경로와 관련한 완전한 시뮬레이션이 실행된다.

따라서, 생성된 주행 프로파일들 내지 주행 경로들은 차량의 배출량들의 시뮬레이션을 위해, 그리고 그에 따라 배기가스 표준들의 준수를 위한 확률적 판단(probabilistic judgement)을 위해, 그리고 배출량 최적화를 위해 사용될 수 있으며, 상기 주행 프로파일들 내지 주행 경로들에서는 구동 시스템의 매칭을 통한 배출량 최적화가 도출된다. 이런 매칭은 구동 시스템의 개발 중에 수행될 수 있으며, 그런 다음 상기 유형으로 매칭된 구동 시스템들은 예컨대 구동 시스템의 토폴러지 또는 컴포넌트들의 매칭을 통해, 또는 소프트웨어 기능들의 매칭을 통해 그에 상응하게 제조되고 구성되어 차량에서 사용될 수 있으며, 그럼으로써 배기가스 배출량의 감소가 실현되게 된다. 또한, 매칭은 구동 시스템의 데이터 애플리케이션에서도, 예컨대 구동 시스템 제어를 위한 제어 장치의 데이터 입력을 통해 수행될 수 있으며, 그런 다음 상기 유형으로 적용되는 구동 시스템 내지 제어 장치가 차량에서 사용되며, 그럼으로써 배기가스 배출량들의 감소가 실현되게 된다. 또한, 매칭은 차량 자체에서도 ("온라인으로"), 예컨대 제어 기능들의 소프트웨어 업데이트를 통해, 또는 차량에서 매개변수 업데이트 또는 매개변수들의 매칭을 통해 수행될 수 있으며, 그럼으로써 배기가스 배출량들의 감소는 직접적으로 실현되게 된다.

Claims

연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량을 감소시키기 위한 방법에 있어서,
- 컴퓨터 구현 기계 학습 시스템을 통해 다수의 제1 주행 프로파일을 생성하는 생성 단계이며, 상기 제1 주행 프로파일들의 통계적 분포는 주행 모드 중에 측정되는 제2 주행 프로파일들의 통계적 분포에 따라 결정되는, 상기 생성 단계(51),
- 차량 또는 차량의 구동 시스템의 컴퓨터 구현 모델링을 이용하여 상기 제1 주행 프로파일들에 대해 각각의 배기가스 배출량들을 계산하는 계산 단계(52), 및
- 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량에 따라서 차량의 구동 시스템을 매칭하는 매칭 단계이며, 매칭은 계산된 배기가스 배출량들 중 적어도 하나의 배기가스 배출량의 레벨 또는 프로파일에 따라서, 그리고 상응하는 제1 주행 프로파일의 통계적 빈도에 따라서 수행되며, 상응하는 제1 주행 프로파일의 통계적 빈도는 상기 제1 주행 프로파일들의 통계적 분포에 의해 결정되는, 상기 매칭 단계(53)를 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항에 있어서, 상기 제1 및 상기 제2 주행 프로파일들은, 센서들에 의해 측정될 수 있으면서 차량의 이동의 특징을 나타내는 차량의 파워트레인의 물리적 또는 기술적 특성들인 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항 또는 제2항에 있어서, 상기 제1 및 상기 제2 주행 프로파일들은 속도 프로파일들, 가속 페달의 위치의 프로파일들, 클러치 페달의 위치의 프로파일들, 브레이크 페달의 위치의 프로파일들, 또는 변속비의 프로파일들인 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항 또는 제2항에 있어서, 상기 제1 주행 프로파일들은 각각 관련된 제1 주행 경로들에 대해 생성되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제4항에 있어서, 상기 제1 주행 프로파일들에 대한 각각의 배기가스 배출량들의 계산은 상기 제1 주행 프로파일들 및/또는 관련된 제1 주행 경로들에 따라서 수행되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제4항에 있어서, 상기 제1 주행 프로파일들의 통계적 분포는 각각 관련된 제1 주행 경로들과 함께 제1 주행 프로파일들의 통계적 분포를 포함하며, 그리고 주행 모드 중에 측정된 제2 주행 프로파일들의 통계적 분포는 주행 모드 중에 측정된 각각 관련된 제2 주행 경로들과 함께 제2 주행 프로파일들의 통계적 분포를 포함하는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제5항에 있어서, 상기 제1 주행 경로들은 컴퓨터 구현 기계 학습 시스템을 통해 생성되거나, 또는 또 다른 컴퓨터 구현 기계 학습 시스템을 통해 생성되어 있는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제4항에 있어서, 상기 제1 주행 경로들은 경로 특성들을 포함하는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항에 있어서, 상기 기계 학습 시스템은 컴퓨터 구현 학습에 의해 학습되었으며, 상기 컴퓨터 구현 학습은
- 주행 경로들을 포함하는 제1 데이터 베이스에서 제1 주행 경로들이 선택되는 단계,
- 기계 학습 시스템의 생성기가 입력 변수들로서 제1 주행 경로들을 수신받아 제1 주행 경로들에 대해 각각 관련된 제1 주행 프로파일들을 생성하는 단계,
- 제2 데이터 베이스에 주행 경로들, 및 주행 모드 중에 검출된 각각 관련된 주행 프로파일들이 저장되는 단계,
- 제2 데이터 베이스에서 제2 주행 경로들뿐만 아니라 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일들이 선택되는 단계,
- 기계 학습 시스템의 분별기는, 입력 변수들로서, 생성된 각각 관련된 제1 주행 프로파일과 함께 제1 주행 경로들 중 하나의 제1 주행 경로로 이루어진 쌍들, 및 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일과 함께 제2 주행 경로들로 이루어진 쌍들을 수신받는 단계,
- 분별기가, 입력 변수들에 따라서, 입력 변수들로서 수신받은 각자의 쌍에 대해, 생성된 제1 주행 프로파일을 포함한 쌍에 관한 문제인지, 또는 주행 모드 중에 검출된 제2 주행 프로파일을 포함한 쌍에 관한 문제인지 그 여부의 특징을 나타내는 출력값들을 계산하는 단계,
- 분별기의 출력값들에 따라서, 생성된 제1 주행 프로파일들을 포함한 쌍들의 분포와 주행 모드 중에 검출된 제2 주행 프로파일들을 포함한 쌍들의 분포 간의 거리를 나타내는 목표 함수가 최적화되는 단계를 포함하는
것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항에 있어서, 상기 기계 학습 시스템은 컴퓨터 구현 학습에 의해 학습되었으며, 상기 컴퓨터 구현 학습은
- 기계 학습 시스템의 생성기가 입력 변수들로서 제1 랜덤 벡터들을 수신받아 상기 제1 랜덤 벡터들에 대해 각각 제1 주행 경로들 및 관련된 제1 주행 프로파일들을 생성하는 단계,
- 데이터 베이스에 주행 경로들, 및 주행 모드 중에 검출된 각각 관련된 주행 프로파일들이 저장되는 단계,
- 데이터 베이스에서, 제2 주행 경로들, 및 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일들이 선택되는 단계,
- 기계 학습 시스템의 분별기가, 입력 변수들로서, 생성된 제1 주행 경로들과, 생성된 각각 관련된 제1 주행 프로파일들로 이루어진 제1 쌍들, 및 제2 주행 경로들과 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일들로 이루어진 제2 쌍들을 수신받는 단계,
- 분별기가, 입력 변수들에 따라서, 입력 변수들로서 수신받은 각자의 쌍에 대해, 생성된 제1 주행 경로와 생성된 각각 관련된 제1 주행 프로파일로 이루어진 제1 쌍에 관한 문제인지, 또는 제2 주행 경로와 주행 모드 중에 검출된 각각 관련된 제2 주행 프로파일로 이루어진 제2 쌍에 관한 문제인지 그 여부의 특징을 나타내는 출력값들을 계산하는 단계,
- 분별기의 출력값들에 따라서, 제1 쌍들의 분포와 제2 쌍들의 분포 간의 거리를 나타내는 목표 함수가 최적화되는 단계를 포함하는
것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제9항 또는 제10항에 있어서, 상기 목표 함수의 최적화에 따라서,
- 분별기가, 생성된 제1 주행 프로파일들과 주행 모드 중에 검출된 제2 주행 프로파일들을 구별하는 것에 최적화되고,
- 생성기는, 분별기를 통해 주행 모드 중에 검출되고 제2 분포에 존재하는 제2 주행 프로파일들로부터 최대한 어렵게 구별되는, 제1 분포에서, 생성된 제1 주행 프로파일들을 생성하는 것에 최적화되는 방식으로,
상기 기계 학습 시스템의 매개변수들이 매칭되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제11항에 있어서, 상기 기계 학습 시스템의 매개변수들은 상기 목표 함수의 기울기에 따라서 매칭되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제9항 또는 제10항에 있어서, 상기 목표 함수로서, 상기 제1 주행 프로파일들의 제1 분포와 상기 제2 주행 프로파일들의 제2 분포 간의 통계적 거리가 구현되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제9항 또는 제10항에 있어서, 상기 생성기 및/또는 상기 분별기는 각각 신경망으로서 구현되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항, 제2항, 제9항 및 제10항 중 어느 한 항에 있어서, 차량, 또는 차량의 구동 시스템의 모델링은 연소 엔진의 모델, 및/또는 연소 엔진의 배기가스 후처리 시스템의 모델, 및/또는 엔진 제어 장치의 모델, 및/또는 연소 과정의 모델을 포함하는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항, 제2항, 제9항 및 제10항 중 어느 한 항에 있어서, 상기 매칭은 구동 시스템의 토폴러지 또는 컴포넌트들의 매칭을 통해, 구동 시스템 내에 구성된 소프트웨어의 제어 기능들의 매칭을 통해, 구동 시스템의 애플리케이션에서 매개변수들의 매칭을 통해, 또는 차량에서 구동 시스템의 작동 중에 제어 변수들의 매칭을 통해 수행되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제1항, 제2항, 제9항 및 제10항 중 어느 한 항에 있어서, 상기 제2 주행 프로파일들은 다량의 제3 주행 프로파일에서 선택되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
제17항에 있어서, 상기 제2 주행 프로파일들의 선택은, 상기 제2 주행 프로파일들의 분포가 실제적인 주행들의 분포에 상응하는 방식으로 수행되는 것을 특징으로 하는, 구동 시스템의 배기가스 배출량 감소 방법.
기계 판독 가능한 저장 매체에 저장되어 있고, 제1항, 제2항, 제9항 및 제10항 중 어느 한 항에 따른 방법을 실행하도록 구성되는 컴퓨터 프로그램.
제19항에 따른 컴퓨터 프로그램이 저장되어 있는 기계 판독 가능한 저장 매체.