LU101167B1 - Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network - Google Patents

Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network Download PDF

Info

Publication number
LU101167B1
LU101167B1 LU101167A LU101167A LU101167B1 LU 101167 B1 LU101167 B1 LU 101167B1 LU 101167 A LU101167 A LU 101167A LU 101167 A LU101167 A LU 101167A LU 101167 B1 LU101167 B1 LU 101167B1
Authority
LU
Luxembourg
Prior art keywords
neural network
physical
artificial neural
processor unit
update information
Prior art date
Application number
LU101167A
Other languages
English (en)
Inventor
Hans Peter Beise
Jan Sokolowski
Da Cruz Steve Dias
Udo Schröder
Original Assignee
Iee Sa
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 Iee Sa filed Critical Iee Sa
Priority to LU101167A priority Critical patent/LU101167B1/en
Application granted granted Critical
Publication of LU101167B1 publication Critical patent/LU101167B1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Claims (10)

P-IEE-527/LU ANSPRÜCHE
1. Verfahren zum Voraussagen des Zeitverhaltens eines physikalischen Systems, das von einer Fühlvorrichtung (12) überwacht wird und von mindestens einem physikalischen Modell (Q) dargestellt wird, welches von mindestens einer Prozessoreinheit (14) ausführbar ist, wobei das mindestens eine physikalische Modell (Q) mindestens eine zeitabhängige physikalische Größe (xs), die von der Fühlvorrichtung (12) abzufühlen ist, und mindestens einen zeitunabhängigen Parameter (zs) aufweist, wobei die mindestens eine physikalische GrôBe (xs) und der mindestens eine Parameter (zs) spezielle Merkmale des physikalischen Systems kennzeichnen, wobei das Verfahren mindestens die folgenden Schritte umfasst, die wiederholt auszuführen sind, - Bereitstellen (20) eines früheren Wertes für die mindestens eine zeitabhängige physikalische Gro Be (xs) und eines Wertes des mindestens einen zeitunabhéngigen Parameters (zs) als Eingabe sowohl in das mindestens eine physikalische Modell (Q) als auch in eine Eingabeseite mindestens eines künstlichen neuronalen Netzwerks (16), - unter Verwendung der bereitgestellten Werte Betreiben (22) eines von dem mindestens einen künstlichen neuronalen Netzwerk (16) und der mindestens einen Prozessoreinheit (14) zum Ausführen des mindestens einen physikalischen Modells (Q) zum Erhalten von Updateinformationen, - Bereitstellen (24) der erhaltenen Updateinformationen für das/die andere von dem mindestens einen künstlichen neuronalen Netzwerk (16) und der mindestens einen Prozessoreinheit (14), und - unter Verwendung der Updateinformationen Betreiben (26) des/der anderen von dem mindestens einen künstlichen neuronalen Netzwerk (16) und der mindestens einen Prozessoreinheit (14) zum Ausführen des mindestens einen physikalischen Modells (Q) zum Erhalten eines Voraussagewertes für |mindestens einen Zustandsvektor (ys), der einen Zustand des physikalischen Systems kennzeichnet.
2. Verfahren nach Anspruch 1, wobei das mindestens eine physikalische Modell (Q) mehrere zeitabhängige physikalische Grôfen (xs), die von der Fühlvorrichtung (12) abzufühlen sind, und mehrere zeitunabhängige Parameter (zs) aufweist, und wobei die Schritte beinhalten, dass - das mindestens eine künstliche neuronale Netzwerk (16) zum Erhalten der Updateinformationen betrieben wird (22), welche Updatewerte für mindestens einen Teil (w(t)) der mehreren zeitunabhängigen Parameter (zs) umfassen, - die erhaltenen =—Updateinformationen der mindestens einen Prozessoreinheit (14) bereitgestellt werden (24), und - unter Verwendung der Updateinformationen die mindestens eine Prozessoreinheit (14) zum Ausführen des mindestens einen physikalischen Modells (Q) zum Erhalten eines Voraussagewertes für den mindestens einen Zustandsvektor (ys) betrieben wird (26).
3. Verfahren nach Anspruch 1 oder 2, wobei das mindestens eine künstliche neuronale Netzwerk (16) mehrere Netzwerkparameter (Osx, 86) aufweist und wobei die Schritte beinhalten, dass - die mindestens eine Prozessoreinheit (14) zum Ausführen des mindestens einen physikalischen Modells (Q) zum Erhalten der Updateinformationen betrieben wird (28), die Updatewerte für mindestens einen Teil (8,) der mehreren Netzwerkparameter (8s, 8v) umfassen, - die erhaltenen Updateinformationen dem mindestens einen künstlichen — neuronalen Netzwerk (16) bereitgestellt werden (30), und - unter Verwendung der Updateinformationen das mindestens eine künstliche neuronale Netzwerk (16) zum Erhalten eines Voraussagewertes für den mindestens einen Zustandsvektor (ys) betrieben wird (32).
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Schritte beinhalten, dass - die mindestens eine Prozessoreinheit (14) zum Ausführen des mindestens einen physikalischen Modells (Q) zum Erhalten der Updateinformationen betrieben wird (28), die mindestens einen Wert für mindestens eine zusätzliche physikalische Größe (u) umfassen, die ein spezielles Merkmal des physikalischen Systems kennzeichnet, - die erhaltenen Updateinformationen dem mindestens einen künstlichen neuronalen Netzwerk (16) bereitgestellt werden (30), und - unter Verwendung der Updateinformationen das mindestens eine künstliche neuronale Netzwerk (16) zum Erhalten eines Voraussagewertes für den mindestens einen Zustandsvektor (ys) betrieben wird (32).
5. Verfahren nach einem der vorhergehenden Anspriiche, wobei der mindestens eine Zustandsvektor (ys) aus mindestens einem von einer Position und einer Geschwindigkeit von mindestens einer anatomischen Kennungsmarke eines menschlichen Kôrpers gebildet ist.
6. Verfahren nach einem der Ansprüche 1 bis 4, wobei der mindestens eine Zustandsvektor (ys) aus mindestens einem von einer Position, einer Geschwindigkeit, einer mechanischen Spannung, einem Reibungszustand und einem Motorschwingungsparameter eines Fahrzeugs gebildet ist.
7. Kraftfahrzeug-Fühlsystem (10), umfassend - eine Fühlvorrichtung (12), die dafür ausgelegt ist, physikalische Größen (xs) eines physikalischen Systems, umfassend zumindest einen Teil eines Fahrzeugs, abzufühlen, - mindestens eine Prozessoreinheit (14), die dafür ausgelegt ist, mindestens ein physikalisches Modell (Q) auszuführen, welches das physikalische System darstellt, wobei das physikalische Modell (Q) mindestens eine zeitabhängige physikalische Größe (xs), die von der Fihlvorrichtung (12)
abzufühlen ist, und mindestens einen zeitunabhangigen Parameter (Zs) aufweist, wobei die mindestens eine physikalische GrôBe (xs) und der mindestens eine Parameter (zs) spezielle Merkmale des physikalischen Systems kennzeichnen, - mindestens ein kiinstliches neuronales Netzwerk (16), und - eine Ausgabeeinheit (18), die dafür ausgelegt ist, Ausgangssignale zu erzeugen, die Voraussagewerte für mindestens einen Zustandsvektor (ys), der einen Zustand des physikalischen Systems kennzeichnet, darstellen, wobei - die mindestens eine Prozessoreinheit (14) und das mindestens eine künstliche neuronale Netzwerk (16) zum Austausch von Informationen wirkverbunden sind, - die Fühlvorrichtung (12) dafür ausgelegt ist, ein Ausgangssignal, welches Werte von abgefühlten physikalischen Größen (xs) darstellt, sowohl der mindestens einen Prozessoreinheit (14) als auch dem mindestens einen künstlichen neuronalen Netzwerk (16) bereitzustelien, und - die mindestens eine Prozessoreinheit (14) und das mindestens eine künstliche neuronale Netzwerk (16) dafür ausgelegt sind, entsprechende Schritte des Verfahrens nach einem der Ansprüche 1 bis 6 auszuführen.
8. Kraftfahrzeug-Fühlsystem (10) nach Anspruch 7, wobei das mindestens eine physikalische Modell (Q), das das physikalische System darstellt, als eine oder mehrere einfache Differentialgleichungen, eine oder mehrere partielle Differentialgleichungen oder ein lineares Modell ausgedrückt werden kann.
9. Kraftfahrzeug-Fühlsystem (10) nach Anspruch 7 oder 8, wobei das Mindestens eine künstliche neuronale Netzwerk (16) als vorwärtsverkettetes neuronales Netzwerk, neuronales rückgekoppeltes Netzwerk, wie ein neuronales Langzeit-/Kurzzeit-Speichernetzwerk, neuronales Restnetzwerk oder Bayesianisches neuronales Netzwerk gestaltet ist.
10. Kraftfahrzeug-Fühlsystem (10) nach einem der Ansprüche 7 bis 9, wobei die Fühlvorrichtung (12) mindestens eines von einem Beschleunigungssensor, einer optischen Kamera, die zum Innenraum des Fahrzeugs oder zu einem AuBenraum des Fahrzeugs gerichtet ist, einem inneren Radarsensorsystem mit 5 mindestens einer Radarantenne, die zum Innenraum des Fahrzeugs oder zum AuBenraum des Fahrzeugs gerichtet ist, einem LIDAR-Sensor und einem kapazitiven Sensor, der dafür ausgelegt ist, innerhalb des Innenraums des Fahrzeugs angeordnet zu werden, umfasst.
LU101167A 2019-04-01 2019-04-01 Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network LU101167B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
LU101167A LU101167B1 (en) 2019-04-01 2019-04-01 Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
LU101167A LU101167B1 (en) 2019-04-01 2019-04-01 Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network

Publications (1)

Publication Number Publication Date
LU101167B1 true LU101167B1 (en) 2020-10-02

Family

ID=66290489

Family Applications (1)

Application Number Title Priority Date Filing Date
LU101167A LU101167B1 (en) 2019-04-01 2019-04-01 Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network

Country Status (1)

Country Link
LU (1) LU101167B1 (de)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5461699A (en) 1993-10-25 1995-10-24 International Business Machines Corporation Forecasting using a neural network and a statistical forecast
WO2013037399A1 (en) 2011-09-12 2013-03-21 Ficomirrors, S.A. System and method for detecting a vital-related signal pattern
US20140139670A1 (en) 2012-11-16 2014-05-22 Vijay Sarathi Kesavan Augmenting adas features of a vehicle with image processing support in on-board vehicle platform
WO2016156236A1 (en) * 2015-03-31 2016-10-06 Sony Corporation Method and electronic device
US20180053102A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5461699A (en) 1993-10-25 1995-10-24 International Business Machines Corporation Forecasting using a neural network and a statistical forecast
WO2013037399A1 (en) 2011-09-12 2013-03-21 Ficomirrors, S.A. System and method for detecting a vital-related signal pattern
US20140139670A1 (en) 2012-11-16 2014-05-22 Vijay Sarathi Kesavan Augmenting adas features of a vehicle with image processing support in on-board vehicle platform
WO2016156236A1 (en) * 2015-03-31 2016-10-06 Sony Corporation Method and electronic device
US20180053102A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EMMANUEL, ASSIDJO N. ET AL.: "A Hybrid Neural Network Approach for Batch Fermentation Simulation", AUSTRALIAN JOURNAL OF BASIC AND APPLIED SCIENCES, vol. 3, no. 4, 2009, pages 3930 - 3936
MUKUL AGARWAL: "Combining neural and conventional paradigms for modelling,prediction and control", INTERNATIONAL JOURNAL OF SYSTEMS SCIENCE, vol. 28, no. 1, 3 April 2007 (2007-04-03), GB, pages 65 - 81, XP055655870, ISSN: 0020-7721, DOI: 10.1080/00207729708929364 *
PSICHOGIOS, DIMITRIS C.UNGAR, LYLE H.: "A Hybrid Neural Network-First Principles Approach to Process Modeling", AICHE JOURNAL, vol. 38, no. 10, October 1992 (1992-10-01), pages 1499 - 1511

Similar Documents

Publication Publication Date Title
US20230206073A1 (en) Neural network applications in resource constrained environments
CN112699721B (zh) 离开道路扫视时间的情境相关调整
US11042766B2 (en) Artificial intelligence apparatus and method for determining inattention of driver
EP3750765B1 (de) Verfahren, vorrichtung und computerprogramm zur erzeugung eines steuersignals zum betrieb eines fahrzeugs
US11465650B2 (en) Model-free reinforcement learning
US11242050B2 (en) Reinforcement learning with scene decomposition for navigating complex environments
US20080167820A1 (en) System for predicting driver behavior
US20190337451A1 (en) Remote vehicle spatial awareness notification system
Zeng et al. A stochastic driver pedal behavior model incorporating road information
LU100925B1 (en) Removing noise caused by vehicular movement from sensor signals using Deep Neural Networks
US20170103147A1 (en) Vehicle configuration using simulation platform
Selvaraj et al. An ML-aided reinforcement learning approach for challenging vehicle maneuvers
US20200310420A1 (en) System and method to train and select a best solution in a dynamical system
CN111746556B (zh) 用于自主系统的状况复杂度量化
US20190382006A1 (en) Situation-dependent decision-making for vehicles
EP3751465A1 (de) Verfahren, vorrichtungen und computerprogramme zur erzeugung eines modells des maschinellen lernens auf basis von verstärkungslernen und zur erzeugung eines steuersignals zum betrieb eines fahrzeugs
WO2007011976A2 (en) Crash prediction network with visual input for vehicle
CN114595913A (zh) 基于人类推理的自主车辆表现评分系统和方法
Han et al. An online evolving method for a safe and fast automated vehicle control system
KR20240100401A (ko) 자율 주행 및 부분 자율 주행 차량들에 대한 핸즈 오프 검출
WO2006102615A2 (en) Crash prediction network with graded warning for vehicle
KR20190111318A (ko) 운전 상태 추정을 위한 이동체, 서버, 운전 상태 추정 방법 및 시스템
US20220177000A1 (en) Identification of driving maneuvers to inform performance grading and control in autonomous vehicles
JP2007122362A (ja) ニューラルネットワークを用いた状態推定方法及びニューラルネットワークを用いた状態推定装置
LU101167B1 (en) Method and System for Predicting the Time Behavior of an Environment using a Sensing Device, a Physical Model and an Artificial Neural Network

Legal Events

Date Code Title Description
FG Patent granted

Effective date: 20201002