WO2020126205A1 - Verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes - Google Patents

Verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes Download PDF

Info

Publication number
WO2020126205A1
WO2020126205A1 PCT/EP2019/080657 EP2019080657W WO2020126205A1 WO 2020126205 A1 WO2020126205 A1 WO 2020126205A1 EP 2019080657 W EP2019080657 W EP 2019080657W WO 2020126205 A1 WO2020126205 A1 WO 2020126205A1
Authority
WO
WIPO (PCT)
Prior art keywords
symbol sequence
symbols
neural network
trained
measurement values
Prior art date
Application number
PCT/EP2019/080657
Other languages
English (en)
French (fr)
Inventor
Peter Bakucz
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2020126205A1 publication Critical patent/WO2020126205A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
    • G01V3/087—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices the earth magnetic field being modified by the objects or geological structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
    • G01V3/17—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat operating with electromagnetic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Definitions

  • the invention relates to a method for determining an availability state of a parking space.
  • the invention further relates to a deep learning-based magnetic parking sensor.
  • the invention further relates to a method for the manufacture of a deep learning-based magnetic parking sensor.
  • the invention further relates to a computer program product.
  • Parking is a major problem in connection with vehicle traffic with significant effects on traffic congestion and urban landscapes.
  • a reduction in parking space is increasingly leading to the development of fully automated and mechanical parking systems, although these systems are limited, also because of their installation and maintenance costs.
  • Magnetic signal strength analysis in an APLM environment is a highly non-linear problem and can be approximated by adaptive structures based on reference measurements.
  • a detection and allocation of parking spaces by means of various MEMS-based sensors is known in the literature.
  • current methods include digital filtering and evaluation of threshold values, a suitable orthogonal decomposition (POD) (Bengio et. Al, Representation learning: A review and new perspectives. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2013) and a dynamic mode decomposition (Erhan et al., Why does unsupervised pre-training help deep learning? The Journal of Machine Learning Research, 2010), which use tools from spectral theory to derive spatially coherent structure modes.
  • POD orthogonal decomposition
  • Erhan et al. Why does unsupervised pre-training help deep learning? The Journal of Machine Learning Research, 2010
  • the state of the art has also known neural deep learning neural networks (DBN) for many years, for example from GE Hinton, Deep belief networks, Scholarpedia.
  • DBN neural deep learning neural networks
  • An object of the invention is to provide an inexpensive, efficient magnetic parking sensor.
  • the object is achieved with a method for determining an availability state of a parking space, with the steps:
  • the symbols of the symbol sequence were determined from data of a neural network trained in the analysis phase, wherein a number and a selection of the trained neural networks depend on a signal quality of the geomagnetic measurement values, a number of layers of the neural network on the signal quality of the detected in the analysis phase depends on geomagnetic measurements, the symbol sequence representing a last layer of the neural network that was trained in the offline analysis phase; and
  • Determining the availability state of the parking space by evaluating a transition matrix of the state machine.
  • the defined number of symbols is determined on the basis of, for example, 512 ring memory values, so that if the so-called “fractal dimension” (disorder, fluctuation range) of the 512 elements of the ring memory is smaller than "a" (the fractal dimension will be determined online), eight classes of symbols a ... h are used. Otherwise four classes of symbols a ... d are sufficient. In this way, a method is advantageously provided which "in an absolute way"
  • the top layer of the neural network can best represent the transitions in the occupancy of the parking lot.
  • the magnetic measured values are displayed as a time series without physical significance.
  • Input data are always preferably 512-element magnetic vectors with x values (i.e. without y and z values from e.g.
  • the neurons are used as activation elements, although the hidden layer element was only calculated once.
  • the current 512-element measurement series is used as the input and the last layer as
  • the number of neural networks can be ten.
  • the reference database has very "fractal" data sets, for example, networks No. 1 to No. 5 are trained, if the data sets are less fractal, then eg networks # 5 through # 10.
  • the fractal dimension is determined and classified for the 512 geomagnetic measurements. For example, if 1 ⁇ fractal dimension ⁇ 1.08, class 10 is selected, for example, if 1.09 ⁇ fractal dimension ⁇ 1.19, class 9 is selected, etc. up to class 1.
  • the task is solved with a deep learning-based magnetic parking sensor, comprising:
  • a determination device which is functionally connected to the first-in-first-out storage device and is set up:
  • the symbol sequence comprising data of a neural network trained in an analysis phase, a number of layers of the neural network having a signal quality of that in the analysis phase recorded geomagnetic measurement values, the symbol sequence representing a last layer of the neural network that was trained in the analysis phase;
  • Determinant of the transition matrix is determined.
  • the object is achieved with a method for producing a deep-learning-based magnetic parking sensor, comprising the steps:
  • Provision of a determination device which is functionally connected to the first-in-first-out storage device and is set up:
  • the symbol sequence comprising data of a neural network trained in an analysis phase, wherein a number of layers of the neural network of one
  • Measurement values depends, the symbol sequence representing a last layer of the neural network that was trained in the analysis phase
  • Determinant of the transition matrix is determined.
  • the same mother wavelet functions are always used within a project, because they should be identical within a project. Different projects can have advantageous but different mother wavelet functions. Another advantageous development of the method for determining a
  • the state of availability of a parking space is characterized in that the neural network is implemented in an external computing device.
  • the determination of the top layer of the neural network can advantageously also be efficiently determined in a powerful data center with very high computing capacities.
  • the deep belief network is trained offline, i.e. that a reference database is required for the procedure in which the park status reference value is used for thousands of magnetic sensor attempts (learning phase). This is done offline, but only the top layer is used in real-time in the embedded area.
  • the neural network can advantageously be occupied again and again, and / or continue to learn, and / or newer ones
  • Transition matrix is built from the state machine, from the
  • Determinant of the availability status of the parking lot is determined. This provides a mathematical evaluation mechanism that reliably indicates an availability state of the parking lot.
  • Parking sensor is characterized in that the state machine is formed, for example, from four or eight symbols of the symbol sequence.
  • the state machine is formed, for example, from four or eight symbols of the symbol sequence.
  • there is only a limited number of symbols in the symbol sequence which facilitates implementation on a computing capacity-limited microcomputer of the parking sensor.
  • the magnetic parking sensor is characterized in that the first-in-first-out storage device is designed for a power of two of the geomagnetic measured values, preferably for more than 512 measured values.
  • sets of current geomagnetic measurements can be used. Due to the power of two, the capacity of the first-in-first-out storage device can be changed in a technical program by simply changing the exponent. This advantageously supports that a detection rate can be set as a function of the exponent is. This way, a detection accuracy of the magnetic parking sensor can advantageously be dimensioned.
  • Fig. 1 is a schematic representation of a flow of the proposed
  • Fig. 2 is a basic block diagram of an embodiment of a proposed deep learning-based magnetic Parksen sors.
  • a key idea of the present invention is in particular to propose an inexpensive magnetic parking sensor based on a magnetic signal analysis.
  • Fig. 1 shows a basic sequence of an embodiment of the proposed method for determining an availability state of a parking space, the method partly online on a proposed deep learning-based parking sensor (not shown) and partly offline on an analysis device (not shown) .
  • a step 10 is a detection of a geomagnetic signal M in three
  • Coordinates x, y, z (“three-dimensional detection”) are indicated by means of the depth-learning-based magnetic parking sensor.
  • the recorded geomagnetic measurements are then read into a first-in-first-out memory (not shown), which has a size of at least 512 memory elements.
  • a wavelet transformation is now carried out cyclically on a set of the above-mentioned geomagnetic measurement values, with wavelet coefficients being determined in this way from the geomagnetic measurement values. It is conceivable to carry out the above-mentioned wavelet transformation with the same mother wavelet functions or with different mother wavelet functions in each case. Due to convergence states, it is advantageous to use a mother wavelet function for a project and not to vary it. The detection quality is not affected, however, it could just be that no convergence is found and you have to iterate for a very long time (possibly months) or even end up in a deadlock.
  • a step 30 the above-mentioned coefficients are fed to a neural network, which is designed in the form of a neural deep belief network with a minimum number, preferably at least twenty, of hidden layers that “learn” from one another.
  • the number of layers or layers is determined by means of the signal quality, a type of “dispersivity” being used and the layers and the neurons (nodes of the neural network) being determined on the basis of these values.
  • the neural network is preferably implemented offline in a high-performance data center with high computing capacity. It is envisaged that this deep belief network or deep learning network will be trained offline, i.e. that a reference database is required for the procedure in which the park status reference value is used for thousands of magnetic sensor attempts (learning phase). This is carried out offline, but then only the top layer is used in practical use in the embedded area in real time.
  • the neural network turns the hidden layer neurons of the geomagnetic measurement values into a temporal signal without physical meaning, which oscillates in a defined manner between several values. educated. Value ranges of this signal represent symbols a, b, c, d, etc. of a symbol sequence. If the fractal dimension of the top layer neuron signals is large, eight symbols should be used (a, b, c, d, e, f, g, h), because in this case four symbols are not sufficient.
  • Step 40 represents the result of the top layer of the neural network with a total of four symbols a, b, c, d (or eight symbols a ... h), the top layer best representing the transitions between
  • the algorithms are formulated by means of synchronization of the series of geomagnetic measurement values together with the subsequent formation of a state machine.
  • partitioning in the sense of maximum entropy partitioning
  • a symbol of the partitioning to which it belongs is assigned to each data point in the time series. The more partitions are created, the more accurate the result is.
  • the symbol sequence is preferably “partitioned” into eight symbols, which is an implementation of the method in
  • a symbol sequence with several symbols is formed from the time series.
  • a selected number of symbols for example four or eight symbols, is transferred to a state machine, e.g. fed in the form of a state machine that knows a total of two states qo, qi, one
  • the state machine is based on the algebraic structure of the state machine and is formed from the symbol sequences.
  • a parking status transition matrix S is formed from the state machine, each element of the parking status transition matrix S representing probabilities for transitions between free and occupied states of the parking lot.
  • a occupied and a free state of the parking space can be determined by calculating the determinant of the parking status transition matrix S.
  • transition matrix An exemplary embodiment of the transition matrix is shown below, from whose determinant an occupied state of the parking space is determined in an online embedded application in a parking sensor:
  • a means a defined threshold value, which can be suitably adapted to different circumstances.
  • the parking status transition matrix S is occupied with selected symbol values of the symbol sequence.
  • FIG. 2 shows a block diagram of an embodiment of a proposed deep learning-based magnetic parking sensor 100.
  • a detection device 10 can be seen, by means of which x, y, and z components of the geomagnetic measured value are detected, and a first-in-first-out storage device 20 (for example a ring buffer) with a size a power of two is formed and comprises at least 512 elements. Due to the power of two, the capacity of the first-in-first-out storage device 20 can be programmed in a simple manner
  • Proposed method for recognizing a state of availability of a parking space is a Proposed method for recognizing a state of availability of a parking space.
  • the size of the first-in-first-out storage device 20 also depends on the
  • a computing unit of the proposed magnetic parking sensor is preferably a microcontroller or processor known per se, which is programmed in assembly code.
  • the symbol sequences are determined from the geomagnetic measurement values.
  • the first-in-first-out storage device 20 is functionally connected to a determination device 30, which calculates the availability state of the parking space by calculating the determinant of the parking status transition matrix S in the manner mentioned above.
  • the proposed method can advantageously be implemented in the embedded area in low-capacity microcontrollers, such microcontrollers advantageously consuming little electrical energy. This advantageously has the effect that the proposed state machine-based parking sensors 100 can operate in the field for a long time without changing the batteries. A cost-effective implementation of an Internet of Things is advantageously supported in this way.
  • depth-based magnetic parking sensors 100 are networked with one another and in this way form a system which can guide users to free parking spaces.
  • the depth-learning-based magnetic parking sensor 100 preferably performs at defined time intervals, e.g. every 10s or 15s or 20s a determination of an availability status of the parking lot.
  • the method is designed as a computer program product which has program code means for executing the method on the depth-learning-based magnetic parking sensor 100, preferably in the form of an in

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

Verfahren zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes, mit den Schritten: -Zyklisches dreidimensionales Erfassen von geomagnetischen Mess- werten (M); -Auswerten einer definierten Anzahl von Symbolen einer Symbolsequenz mittels eines Zustandsautomaten, wobei die Symbole der Symbolsequenz in einer Analysephase durch Ermitteln von Wavelet- Koeffizienten durch Anwenden von Wavelet-Transformationen auf jeweils eine definierte Anzahl der geomagnetischen Messwerte (M) ermittelt wurden; wobei -die Symbole der Symbolsequenz aus Daten eines in der Analysephase trainierten neuronalen Netzwerks ermittelt wurden, wobei eine Anzahl und eine Auswahl der trainierten neuronalen Netzwerke von einer Signalqualität der geomagnetischen Messwerte abhängt, wobei eine Anzahl von Schichten des neuronalen Netzwerks von der Signalqualität der in der Analysephase erfassten geomagnetischen Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, die in der Offline-Analysephase trainiert wurde; und -Ermitteln des Verfügbarkeitszustands des Parkplatzes durch Auswerten einer Übergangsmatrix (S) des Zustandsautomaten.

Description

Beschreibung
Titel
Verfahren und Vorrichtung zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes
Die Erfindung betrifft ein Verfahren zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes. Die Erfindung betrifft ferner einen tiefenlern-basierten magnetischen Parksensor. Die Erfindung betrifft ferner ein Verfahren zum Her stellen eines tiefenlern-basierten magnetischen Parksensors. Die Erfindung betrifft ferner ein Computerprogrammprodukt.
Stand der Technik
Parken stellt im Zusammenhang mit Fahrzeugverkehr ein großes Problem mit bedeutenden Auswirkungen auf Verkehrsstauungen und Stadtlandschaften dar. Eine Reduktion von Parkraum führt zunehmend zur Entwicklung von vollauto matisierten und mechanischen Parksystemen, wobei diese Systeme jedoch, auch aufgrund ihrer Errichtungs- und Erhaltungskosten, begrenzt sind.
Die magnetische Signalstärkenanalyse in einem APLM-Umfeld (engl automated parking lots management) ist ein stark nichtlineares Problem und kann durch adaptive Strukturen basierend auf Referenzmessungen approximiert werden.
In der Literatur ist eine Detektion und Zuordnung von Parkplätzen mittels ver schiedener MEMS-basierter Sensoren bekannt. Beispielsweise umfassen gän gige Verfahren ein digitales Filtern und Auswerten von Schwellwerten, eine geeignete orthogonale Zerlegung (engl proper orthogonal decomposition, POD) (Bengio et. al, Representation learning: A review and new perspectives. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2013) und eine dynamische Moden-Zerlegung (Erhan et al., Why does unsupervised pre-training help deep learning? The Journal of Machine Learning Research, 2010), welche Werkzeuge aus der Spektraltheorie verwenden, um räumlich kohärente Struktur moden abzuleiten. Im Stand der Technik sind ferner neuronale Tiefenlern-Netzwerke (engl deep belief neural network, DBN) seit vielen Jahren bekannt, beispielsweise aus G. E. Hinton, Deep belief networks, Scholarpedia.
Das Prinzip von Zeitreihen-Analyse ist im Zusammenhang mit einer Erkennung von Anomalien in physikalischen Systemen bekannt, z.B. aus Larochelle, H., Bengio Y., Classification using discriminative restricted Boltzmann machines, Proceedings of the 25th international Conference on machine learning, 2008.
Offenbarung der Erfindung
Eine Aufgabe der Erfindung ist es, einen kostengünstigen, effizienten magneti schen Parksensor bereitzustellen.
Die Aufgabe wird gemäß einem ersten Aspekt gelöst mit einem Verfahren zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes, mit den Schritten:
Zyklisches dreidimensionales Erfassen von geomagnetischen Mess werten;
Auswerten einer definierten Anzahl von Symbolen einer Symbolsequenz mittels eines Zustandsautomaten, wobei die Symbole der
Symbolsequenz in einer Analysephase durch Ermitteln von Wavelet- Koeffizienten durch Anwenden von Wavelet-Transformationen auf jeweils eine definierte Anzahl der geomagnetischen Messwerte ermittelt wurden; wobei
die Symbole der Symbolsequenz aus Daten eines in der Analysephase trainierten neuronalen Netzwerks ermittelt wurden, wobei eine Anzahl und eine Auswahl der trainierten neuronalen Netzwerke von einer Signalqualität der geomagnetischen Messwerte abhängt, wobei eine Anzahl von Schichten des neuronalen Netzwerks von der Signalqualität der in der Analysephase erfassten geomagnetischen Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, die in der Offline-Analysephase trainiert wurde; und
Ermitteln des Verfügbarkeitszustands des Parkplatzes durch Auswerten einer Übergangsmatrix des Zustandsautomaten. Die definierte Anzahl der Symbole wird dabei anhand von z.B. 512 Ringspeicher-Wer ten bestimmt, so dass, wenn die sogenannte„fraktale-Dimension“ (Ungeordnetheit, Schwankungsbreite) der 512 Elemente des Ringspeichers kleiner als„a“ ist (die fraktale Dimension wird vorher online bestimmt) ist, acht Klassen von Symbolen a...h benutzt werden. Andernfalls reichen vier Klassen von Symbolen a...d. Auf diese Weise wird vorteilhaft ein Verfahren bereitgestellt, welches„in absoluter Weise“ einen
Verfügbarkeitszustand eines Parkplatzes erkennen kann. Vorteilhaft lässt sich ein Teil des Verfahrens in Recheneinheiten mit begrenzter Rechenkapazität im Embedded Umfeld einsetzten, sodass derart realisierte Parksensoren stromsparend viele Jahre im Feld betrieben werden können. Vorteilhaft lassen sich mit der obersten Schicht des neuronalen Netzwerks die Übergänge der Belegungen des Parkplatzes am besten darstellen. Dadurch werden die magnetischen Messwerte als eine Zeitreihe ohne physikalische Bedeutung dargestellt.
Anhand von der Qualität von Inputs in x-, y-, und z-Richtung von geomagnetischer Messreihen wird eine Anzahl der Schichten des neuronalen Netzwerk ausgewählt, wodurch in der„Offline-Analysephase“ verschiedene neuronale Netzwerke vorhanden sind, die dann entsprechend trainiert werden. Eingangsdaten sind immer vorzugsweise 512-elementige Magnetvektoren mit x-Werten (d.h. ohne y- und z-Werte aus z.B.
mehrere Millionen Messpunkten). Ausgänge sind die entsprechenden Referenzwerte. Die letzte bzw. oberste Schicht (engl layer) der neuronalen Netzwerke wird mittrainiert.
In der Online-Analyse (d.h. in der Nutzungsphase des Parksensors) werden die Neuronen als Aktivierungselemente benutzt, wobei das Hidden-Layer-Element jedoch nur einmal berechnet wurde. Somit wird in der Anwendung im Parksensor die aktuelle 512-elementige Messwertreihe als Eingang benutzt und die letzte Schicht als
Symbolsequenz. Die Hidden Layer Neuronen werden nur einmal trainiert, und sind dann fix. In der Nutzungsphase werden also nicht, wie es im Stand der Technik üblich ist, die Ausgänge der neuronalen Netzwerke benutzt, sondern die durch die letzten Hidden Layer Elemente bestimmten Werte, die von den aktuellen Eingangs- Magnetwerten abhängig sind.
Dazu ist vorgesehen, dass in der Offline-Analysephase so viele neuronale Netzwerke trainiert werden, wie es die Referenzdatenbank vorschreibt. Vorzugsweise kann dabei eine Anzahl der neuronalen Netzwerke zehn betragen. Wenn die Referenzdatenbank sehr„fraktalische“ Datensätze aufweist, werden z.B. die Netzwerke Nr. 1 bis Nr. 5 trainiert, wenn die Datensätze weniger fraktalisch ausgebildet sind, dann werden z.B. die Netzwerke Nr. 5 bis Nr. 10 trainiert. Die fraktale Dimension wird für die 512 geomagnetischen Messwerte ermittelt und eingeordnet. Wenn z.B. 1 < fraktale Dimension < 1.08, wird z.B. Klasse 10 gewählt, wenn z.B. 1.09 < fraktale Dimension < 1.19, wird z.B. Klasse 9 gewählt, usw. bis zur Klasse 1.
Gemäß einem zweiten Aspekt wird die Aufgabe gelöst mit einem tiefenlern- basierten magnetischen Parksensor, aufweisend:
eine Erfassungseinrichtung zum zyklischen dreidimensionalen Erfassen von geomagnetischen Messwerten im Bereich eines Parkplatzes;
eine funktional mit der Erfassungseinrichtung verbundene First-In-First- Out-Speichereinrichtung, in die die geomagnetischen Messwerte ladbar sind; und
eine funktional mit der First-In-First-Out-Speichereinrichtung verbundene Ermittlungseinrichtung, die eingerichtet ist:
zum Auswerten einer definierten Anzahl von Symbolen einer Symbol sequenz aus Wavelet-Transformierten der geomagnetischen Messwerte mittels eines Zustandsautomaten, wobei die Symbolsequenz Daten eines in einer Analysephase trainierten neuronalen Netzwerks umfasst, wobei eine Anzahl von Schichten des neuronalen Netzwerks von einer Signal qualität der in der Analysephase erfassten geomagnetischen Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, das in der Analysephase trainiert wurde;
zum Bereitstellen eines Zustandsautomaten aus einer definierten Anzahl von Symbolen der Symbolsequenz; und
zum Auswerten der definierten Anzahl der Symbole der Symbolsequenz mittels einer Übergangsmatrix des Zustandsautomaten, wobei der
Verfügbarkeitszustand des Parkplatzes durch ein Ermitteln einer
Determinante der Übergangsmatrix ermittelt wird.
Gemäß einem dritten Aspekt wird die Aufgabe gelöst mit einem Verfahren zum Herstellen eines tiefenlern-basierten magnetischen Parksensors, aufweisend die Schritte:
Bereitstellen einer Erfassungseinrichtung zum zyklischen dreidimen sionalen Erfassen von geomagnetischen Messwerten im Bereich eines Parkplatzes; Bereitstellen einer funktional mit der Erfassungseinrichtung verbundenen First-In-First-Out-Speichereinrichtung, in die die geomagnetischen Mess werte ladbar sind; und
Bereitstellen einer funktional mit der First-In-First-Out-Speichereinrich- tung verbundene Ermittlungseinrichtung, die eingerichtet ist:
zum Auswerten einer definierten Anzahl von Symbolen einer Symbol sequenz aus Wavelet-Transformierten der geomagnetischen Messwerte mittels eines Zustandsautomaten, wobei die Symbolsequenz Daten eines in einer Analysephase trainierten neuronalen Netzwerks umfasst, wobei eine Anzahl von Schichten des neuronalen Netzwerks von einer
Signalqualität der in der Analysephase erfassten geomagnetischen
Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, das in der Analysephase trainiert wurde;
zum Bereitstellen eines Zustandsautomaten aus einer definierten Anzahl von Symbolen der Symbolsequenz; und
zum Auswerten der definierten Anzahl der Symbole der Symbolsequenz mittels einer Übergangsmatrix des Zustandsautomaten, wobei der
Verfügbarkeitszustand des Parkplatzes durch ein Ermitteln einer
Determinante der Übergangsmatrix ermittelt wird.
Bevorzugte Weiterbildungen des Verfahrens sind Gegenstand von abhängigen Ansprüchen.
Eine vorteilhafte Weiterbildung des Verfahrens zum Ermitteln eines Verfügbarkeits zustands eines Parkplatzes zeichnet sich dadurch aus, dass in der Analysephase für die Wavelet-Transformationen identische Mutter-Wavelet-Funktionen oder
unterschiedliche Mutter-Wavelet-Funktionen verwendet wurden, wobei die Werte der Wavelet-Transformationen Eingänge des neuronalen Netzwerks und die Symbole der Symbolsequenzen die Ausgänge des neuronalen Netzwerks sind.. Dadurch können die Koeffizienten in geeigneter Weise zum Erzeugen von Abbildern der geomagnetischen Messwerte generiert werden. Vorzugsweise werden innerhalb eines Projekts immer dieselben Mutter-Wavelet-Funktionen benutzt, weil diese innerhalb eines Projektes identisch sein sollten. Unterschiedliche Projekte können vorteilhaft aber unterschied liche Mutter-Wavelet-Funktionen haben. Eine weitere vorteilhafte Weiterbildung des Verfahrens zum Ermitteln eines
Verfügbarkeitszustands eines Parkplatzes zeichnet sich dadurch aus, dass das neuronale Netzwerk in einer externen Rechnervorrichtung implementiert ist. Vorteilhaft kann dadurch auch die Ermittlung der obersten Schicht des neuronalen Netzwerks in einem leistungsfähigen Rechenzentrum mit sehr hohen Rechenkapazitäten effizient ermittelt werden. Auf diese Weise wird das Deep-Belief-Netzwerk offline trainiert, d.h. dass eine Referenzdatenbank für das Verfahren benötigt wird, bei der der Parkstatus- Referenzwert für Tausende von Magnetsensorversuchen verwendet wird (Lernphase). Dies wird offline durchgeführt, wobei aber bei der Anwendung im Embedded Bereich in Echtzeit nur die oberste Schicht benutzt wird. Vorteilhaft kann das neuronale Netzwerk immer wieder neu belegt werden, und/oder weiterlernen, und/oder neuere
Testergebnisse berücksichtigen, wobei dadurch die oberste Sicht deutlich verbessert wird. Im Ergebnis„lebt“ das Verfahren somit auf„dynamische Weise“.
Eine weitere vorteilhafte Weiterbildung des Verfahrens zum Ermitteln eines
Verfügbarkeitszustands eines Parkplatzes zeichnet sich daraus, dass der
Zustandsautomat aus der Symbolsequenz gebildet wird, wobei eine
Übergangsmatrix aus dem Zustandsautomaten aufgebaut wird, aus dessen
Determinante der Verfügbarkeitszustand des Parkplatzes ermittelt wird. Dadurch wird ein mathematischer Auswertemechanismus bereitgestellt, der in zuverläs siger Weise einen Verfügbarkeitszustand des Parkplatzes anzeigt.
Eine weitere vorteilhafte Weiterbildung des tiefenlern-basierten magnetischen
Parksensors zeichnet sich daraus, dass der Zustandsautomat beispielsweise aus vier oder acht Symbolen der Symbolsequenz gebildet wird. Vorteilhaft wird da durch nur eine begrenzte Anzahl von Symbolen der Symbolsequenz ausgebildet, was eine Implementierung auf einem rechenkapazitätsbeschränkten Mikrorech ner des Parksensors erleichtert.
Eine weitere vorteilhafte Weiterbildung des magnetischen Parksensors zeichnet sich daraus, dass die First-In-First-Out-Speichereinrichtung für eine Zweier potenz der geomagnetischen Messwerte ausgebildet ist, vorzugsweise für mehr als 512 Messwerte. Dadurch können jeweils Sätze von aktuellen geomagneti schen Messwerten verwendet werden. Durch die Zweierpotenz kann programm technisch auf einfache Weise die Kapazität der First-In-First-Out-Speicherein- richtung durch Ändern des Exponenten geändert werden. Vorteilhaft ist dadurch unterstützt, dass in Abhängigkeit vom Exponenten eine Detektionsrate einstellbar ist. Vorteilhaft lässt sich diese Weise eine Detektionsgenauigkeit des magneti schen Parksensors dimensionieren.
Die Erfindung wird im Folgenden mit weiteren Merkmalen und Vorteilen anhand von mehreren Figuren im Detail beschrieben. Gleiche oder funktionsgleiche Ele mente haben gleiche Bezugszeichen.
Offenbarte Verfahrensmerkmale ergeben sich analog aus entsprechenden offen barten Vorrichtungsmerkmalen und umgekehrt. Dies bedeutet insbesondere, dass sich Merkmale, technische Vorteile und Ausführungen betreffend den tiefernlern-basierten magnetischen Parksensor in analoger Weise aus ent sprechenden Ausführungen, Merkmalen und Vorteilen betreffend das Verfahren zum Herstellen eines tiefenlern-basierten magnetischen Parksensors oder betreffend das Verfahren zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes ergeben und umgekehrt.
In den Figuren zeigt:
Fig. 1 eine prinzipielle Darstellung eines Ablaufs des vorgeschlagenen
Verfahrens Verfahrens zum Ermitteln eines Verfügbarkeits zustands eines Parkplatzes; und
Fig. 2 ein prinzipielles Blockschaltbild einer Ausführungsform eines vorgeschlagenen tiefenlern-basierten magnetischen Parksen sors.
Beschreibung von Ausführungsformen
Eine Kernidee der der vorliegenden Erfindung besteht insbesondere darin, einen kostengünstigen magnetischen Parksensor vorzuschlagen, der auf einer magne tischen Signalanalyse basiert.
Fig. 1 zeigt einen prinzipiellen Ablauf einer Ausführungsform des vorgeschla genen Verfahrens zum Ermitteln eines Verfügbarkeitszustands eines Park platzes, wobei das Verfahren zum Teil online auf einem vorgeschlagenen tiefenlern-basierten Parksensor (nicht dargestellt) und zum Teil offline auf einer Analyseeinrichtung (nicht dargestellt) abläuft. In einem Schritt 10 ist ein Erfassen eines geomagnetischen Signal M in drei
Koordinaten x, y, z („dreidimensionales Erfassen“) mittels des tiefenlern-basier- ten magnetischen Parksensors angedeutet. Danach werden die erfassten geo magnetischen genannten Messwerte in einen First-in-First-Out-Speicher (nicht dargestellt) eingelesen, der mindestens eine Größe von 512 Speicherelementen aufweist.
Auf jeweils einen Satz der genannten geomagnetischen Messwerte wird nunmehr zyklisch jeweils eine Wavelet-Transformation durchgeführt, wobei auf diese Weise Wavelet-Koeffizienten aus den geomagnetischen Messwerten ermittelt werden. Dabei ist es denkbar, die genannte Wavelet-Transformation mit gleichen Mutter-Wavelet- Funktionen oder mit jeweils unterschiedlichen Mutter-Wavelet-Funktionen durch zuführen. Aufgrund von Konvergenzzuständen ist es vorteilhaft, eine Mutter-Wavelet- Funktion für ein Projekt zu benutzen und nicht zu variieren. Die Detektionsqualität wird aber nicht beeinflusst, nur könnte es sein, dass dadurch keine Konvergenz gefunden wird und man sehr lange (evtl monatelang) iteriert werden muss oder man sogar in einem Dead-Lock landet.
In einem Schritt 30 werden die genannten Koeffizienten einem neuronalen Netzwerk zugeführt, welches in Form eines neuronalen deep belief networks mit einer Mindest anzahl, vorzugsweise wenigstens zwanzig Schichten (engl hidden layer) ausgebildet ist, die voneinander„lernen“. Die Anzahl der Layer bzw. Schichten wird mittels der Signalqualität ermittelt, wobei eine Art„Dispersivität“ benutzt und anhand dieser Werte die Layer und die Neuronen (Knotenpunkte des neuronalen Netzes) bestimmt wird.
Das neuronale Netzwerk ist vorzugsweise offline in einem hoch leistungsfähigen Rechenzentrum mit hoher Rechenkapazität implementiert. Vorgesehen ist, dass dieses Deep-Belief-Network bzw. Tief-Lern-Netzwerk offline trainiert wird, d.h. dass eine Referenzdatenbank für das Verfahren benötigt wird, bei der der Parkstatus-Referenz wert für Tausende von Magnetsensorversuchen verwendet wird (Lernphase). Diese wird offline durchgeführt, wobei aber dann in der praktischen Anwendung im Embed- ded Bereich in Echtzeit wird nur die oberste Schicht benutzt wird.
Im Ergebnis wird mittels des neuronalen Netzwerks, wie in Schritt 40 dargestellt, aus den Hidden Layer Neuronen der geomagnetischen Messwerten ein zeitliches Signal ohne physikalische Bedeutung, welches zwischen mehreren Werten definiert oszilliert, gebildet. Wertebereiche dieses Signals repräsentieren dabei Symbole a, b, c, d, usw. einer Symbolsequenz. Falls die fraktale Dimension der Neuronensignale der Top Layer groß ist, sollten acht Symbole benutzt werden (a,b,c,d,e,f,g,h), weil in diesem Fall vier Symbole nicht ausreichend sind.
Schritt 40 repräsentiert das Ergebnis der obersten Schicht des neuronalen Netz werkes mit insgesamt vier Symbolen a, b, c, d (oder acht Symbolen a...h), wobei die oberste Schicht am besten die Transitionen bzw. Übergänge zwischen
Belegt- auf Freizuständen des Parkplatzes repräsentiert.
Die Algorithmen werden mittels Synchronisation der Reihe der geomagnetischen Messwerte gemeinsam mit nachfolgender Bildung eines Zustandsautomaten formuliert. Nachdem die Partitionierung (im Sinne einer Maximum-Entropie- Partitionierung) wie oben erläutert, durchgeführt worden ist, wird jedem Daten punkt der Zeitreihe ein Symbol derjenigen Partitionierung zugewiesen, der es angehört. Je mehr Partitionen erzeugt werden, desto genauer ist das Ergebnis, aus Rechenkapazitätsgründen wird die Symbolsequenz jedoch vorzugsweise in acht Symbole„partitioniert“, was eine Implementierung des Verfahrens im
Embedded-Bereich erleichtert.
In einem Schritt 50 ist angedeutet, dass aus der Zeitreihe eine Symbolsequenz mit mehreren Symbolen gebildet wird.
In einem Schritt 60 wird eine ausgewählte Anzahl an Symbolen, beispielsweise vier oder acht Symbole einem Zustandsautomaten, z.B. in Form eines Zustands automaten zugeführt, der insgesamt zwei Zustände qo, qi kennt, die einen
Belegt- und einen Frei-Zustand des Parkplatzes (z.B. qo = Frei, qi = Belegt) repräsentieren. Der Zustandsautomat basiert auf der algebraischen Struktur des Zustandsautomaten und wird aus den Symbolsequenzen gebildet.
In einem Schritt 70 wird aus dem Zustandsautomaten eine Parkstatus-Übergangs matrix S gebildet, wobei jedes Element der Parkstatus-Übergangsmatrix S Wahr scheinlichkeiten für Übergänge zwischen Frei- und Belegt-Zuständen des Parkplatzes repräsentieren. Die Wahrscheinlichkeiten für Verfügbarkeitszustände des Parkplatzes sind dabei wie folgt: P1 = P (frei-Mrei) P2 = P (frei->besetzt) P3 = P (besetzt ->frei) und P4 = P (besetzt -> besetzt). Durch eine Berechnung der Determinante der Parkstatus-Transitionsmatrix S können ein Belegt- und ein Frei-Zustand des Parkplatzes ermittelt werden.
Nachfolgend wird eine beispielhafte Ausbildung der Übergangsmatrix dargestellt, aus deren Determinante ein Belegt-Zustand (engl occupied) des Parkplatzes in einer Online-Embedded-Anwendung in einem Parksensor ermittelt wird:
Beispiel
Symbolsequenz (sei a
Magnetische Referenz
Figure imgf000012_0001
1 1 0 0 1 1 1 1 1 0
fte lOfle
1-»1 via a (1 a 1)
1 - ) via b (1 b 0)
0- 0 via a (0 a 0)
0->1 via c (0 c 1)
via c (1 c 1)
Figure imgf000012_0002
-»1 via d (1 d 1)
1- 1 via a (1 a 1)
1^1 via d (1 b 1) 1->0 via b (1 b 0)
Obergangswahrscheiniichkeiten
Figure imgf000012_0003
Im Berechnungsbeispiel bedeutet„a“ einen definierten Schwellwert, der in geeig- neter Weise an verschiedene Umstände angepasst werden kann.
Man erkennt, dass die Parkstatus-Übergangsmatrix S mit ausgewählten Symbol werten der Symbolsequenz belegt ist. Danach wird eine Determinante der Park status-Übergangsmatrix S berechnet, woraufhin anhand eines Schwellwerts a bestimmt wird, ob ein Belegt-Zustand oder ein Frei-Zustand des Parkplatzes vorliegt. Man erkennt, dass im Beispiel der beispielhafte Schwellwert a über schritten ist, weshalb der Parkplatz als„Belegt“ erkannt wird. Bei Unterschreiten des beispielhaften Schwellwertes a = -1 würde ein Frei-Zustand des Parkplatzes erkannt werden.
Fig. 2 zeigt ein Blockschaltbild einer Ausführungsform eines vorgeschlagenen tiefenlern-basierten magnetischen Parksensors 100.
Man erkennt eine Erfassungseinrichtung 10, mittels derer x-, y-, und z-Kompon- enten des geomagnetischen Messwerts erfasst und einer First-In-First-Out- Speichereinrichtung 20 (z.B. ein Ringspeicher, engl ring buffer), die mit einer Größe einer Zweierpotenz ausgebildet ist und wenigstens 512 Elemente umfasst, zugeführt werden. Durch die Zweierpotenz kann auf einfache Weise die Kapa zität der First-In-First-Out-Speichereinrichtung 20 programmtechnisch durch
Ändern des Exponenten geändert werden. Je größer dieser Wert der First-In- First-Out-Speichereinrichtung 20 ist, desto zuverlässiger funktioniert das
vorgeschlagene Verfahren zum Erkennen eines Verfügbarkeitszustandes eines Parkplatzes.
Die Größe der First-In-First-Out-Speichereinrichtung 20 hängt auch von der
Rechenkapazität der für den vorgeschlagenen magnetischen Parksensor
benutzten Hardware ab, die systembedingt oftmals nur geringe Batterie- und
Rechenressourcen aufweist und vorgesehen ist, über eine lange Zeitdauer im
Feld benutzt zu werden. Eine Recheneinheit des vorgeschlagenen magnetischen Parksensors ist vorzugsweise ein an sich bekannter Mikrocontroller oder - Prozessor ausgebildet, der in Assemblercode programmiert wird.
Basierend auf einer Offline-Analyse einer großen Anzahl (beispielsweise mehreren Hundert) von Experimenten an einem geographischen Ort mit spezifischen erdmagne tischen Eigenschaften sowie einer ständigen weiterentwicklungsfähigen Lernfähigkeit des Systems, werden aus den geomagnetischen Messwerten die Symbolsequenzen ermittelt.
Die First-In-First-Out-Speichereinrichtung 20 ist funktional mit einer Ermittlungsein richtung 30 verbunden, die auf die oben genannte Weise den Verfügbarkeitszustand des Parkplatzes durch Berechnung der Determinante der Parkstatus-Übergangsmatrix S berechnet. Vorteilhaft lässt sich das vorgeschlagene Verfahren im Embedded-Bereich in rechenkapazitätsarmen Mikrocontrollern realisieren, wobei derartige Mikrocon troller vorteilhaft wenig elektrische Energie verbrauchen. Dies bewirkt vorteilhaft, dass die vorgeschlagenen Zustandsautomat-basierten Parksensoren 100 für lange Zeit ohne Batteriewechsel im Feld agieren können. Eine kostengünstige Implementierung eines Internet-der-Dinge (engl internet of things) ist auf diese Weise vorteilhaft unterstützt.
Vorteilhaft lässt sich dadurch ein Status eines Parkplatzes„global“ ermitteln, wobei ein Verfügbarkeitszustand des Parkplatzes zum Beispiel auch nach einem elektrischen Energieausfall sofort korrekt ermittelt werden kann.
Gegenüber herkömmlichen Radar- oder Videobasierten System lassen sich Verfügbarkeitszustände von Parkplätzen wesentlich kostengünstiger und effizienter ermitteln.
In einer vorteilhaften Ausbildung kann vorgesehen sein, dass mehrere tiefenlern- basierte magnetische Parksensoren 100 miteinander vernetzt sind und auf diese Weise ein System bilden, welches Nutzer zu freien Parkplätzen lotsen kann.
Der tiefenlern-basierte magnetische Parksensor 100 führt vorzugsweise in definierten Zeitintervallen, z.B. alle 10s oder 15s oder 20s eine Ermittlung eines Verfügbarkeitszustands des Parkplatzes durch.
Das Verfahren ist als ein Computerprogrammprodukt ausgebildet, das Pro grammcodemittel zum Ausführen des Verfahrens auf dem tiefenlern-basierten magnetischen Parksensor 100 aufweist, vorzugsweise in Form eines in
Assembler, C, C++, usw. codierten Softwareprogramms.
Obwohl die Erfindung vorgehend anhand von konkreten Ausführungsbeispielen beschrieben worden ist, kann der Fachmann vorgehend auch nicht oder nur teilweise offenbarte Ausführungsformen realisieren, ohne vom Kern der
Erfindung abzuweichen.

Claims

Ansprüche
1. Verfahren zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes, mit den Schritten:
Zyklisches dreidimensionales Erfassen von geomagnetischen Mess werten (M);
Auswerten einer definierten Anzahl von Symbolen einer Symbolsequenz mittels eines Zustandsautomaten, wobei die Symbole der
Symbolsequenz in einer Analysephase durch Ermitteln von Wavelet- Koeffizienten durch Anwenden von Wavelet-Transformationen auf jeweils eine definierte Anzahl der geomagnetischen Messwerte (M) ermittelt wurden; wobei
die Symbole der Symbolsequenz aus Daten eines in der Analysephase trainierten neuronalen Netzwerks ermittelt wurden, wobei eine Anzahl und eine Auswahl der trainierten neuronalen Netzwerke von einer Signalqualität der geomagnetischen Messwerte abhängt, wobei eine Anzahl von Schichten des neuronalen Netzwerks von der Signalqualität der in der Analysephase erfassten geomagnetischen Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, die in der Offline-Analysephase trainiert wurde; und
Ermitteln des Verfügbarkeitszustands des Parkplatzes durch Auswerten einer Übergangsmatrix (S) des Zustandsautomaten.
2. Verfahren nach Anspruch 1 , wobei in der Analysephase für die Wavelet- Transformationen identische Mutter-Wavelet-Funktionen oder unterschiedliche Mutter-Wavelet-Funktionen verwendet wurden, wobei die Werte der Wavelet- Transformationen Eingänge des neuronalen Netzwerks und die Symbole der Symbolsequenzen die Ausgänge des neuronalen Netzwerks sind.
3. Verfahren nach Anspruch 1 oder 2, wobei das neuronale Netzwerk in einer externen Rechnervorrichtung implementiert ist.
4. Verfahren nach Anspruch 3, wobei der Zustandsautomat aus der Symbol sequenz gebildet wird, wobei eine Übergangsmatrix aus dem Zustands automaten aufgebaut wird, aus dessen Determinante der Verfügbarkeits zustand des Parkplatzes ermittelt wird.
5. Tiefenlern-basierter magnetischer Parksensor (100), aufweisend:
eine Erfassungseinrichtung (10) zum zyklischen dreidimensionalen Erfassen von geomagnetischen Messwerten (M) im Bereich eines Parkplatzes;
eine funktional mit der Erfassungseinrichtung (10) verbundene First-In- First-Out-Speichereinrichtung (20), in die die geomagnetischen Mess werte (M) ladbar sind; und
eine funktional mit der First-In-First-Out-Speichereinrichtung (20) ver bundene Ermittlungseinrichtung (30), die eingerichtet ist:
zum Auswerten einer definierten Anzahl von Symbolen einer Symbol sequenz aus Wavelet-Transformierten der geomagnetischen Messwerte (M) mittels eines Zustandsautomaten, wobei die Symbolsequenz Daten eines in einer Analysephase trainierten neuronalen Netzwerks umfasst, wobei die Symbole der Symbolsequenz aus Daten eines in der Analyse phase trainierten neuronalen Netzwerks ermittelt wurden, wobei eine Anzahl und eine Auswahl der trainierten neuronalen Netzwerke von einer Signalqualität der geomagnetischen Messwerte abhängt, wobei eine Anzahl von Schichten des neuronalen Netzwerks von der Signalqualität der in der Analysephase erfassten geomagnetischen Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, die in der Analysephase trainiert wurde;
zum Bereitstellen eines Zustandsautomaten aus einer definierten Anzahl von Symbolen der Symbolsequenz; und
zum Auswerten der definierten Anzahl der Symbole der Symbolsequenz mittels einer Übergangsmatrix des Zustandsautomaten, wobei der Verfügbarkeitszustand des Parkplatzes durch ein Ermitteln einer Determinante der Übergangsmatrix ermittelt wird.
6. Tiefenlern-basierter magnetischer Parksensor (100) nach Anspruch 5,
dadurch gekennzeichnet, dass der Zustandsautomat aus acht Symbolen der Symbolsequenz gebildet wird.
7. Tiefenlern-basierter magnetischer Parksensor (100) nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass die First-In-First-Out-Speichereinrichtung (20) für eine Zweierpotenz der geomagnetischen Messwerte (M) ausgebildet ist, vorzugsweise für mehr als 512 Messwerte.
8. System aufweisend eine definierte Anzahl von miteinander vernetzten
tiefenlern-basierten magnetischen Parksensoren (100) nach einem der Ansprüche 5 bis 7.
9. Verfahren zum Herstellen eines tiefenlern-basierten magnetischen
Parksensors (100), aufweisend die Schritte:
Bereitstellen einer Erfassungseinrichtung (10) zum zyklischen
dreidimensionalen Erfassen von geomagnetischen Messwerten (M) im Bereich eines Parkplatzes;
Bereitstellen einer funktional mit der Erfassungseinrichtung (10) verbundenen First-In-First-Out-Speichereinrichtung (20), in die die geo magnetischen Messwerte (M) ladbar sind; und
Bereitstellen einer funktional mit der First-In-First-Out- Speichereinrichtung (20) verbundene Ermittlungseinrichtung (30), die eingerichtet ist:
zum Auswerten einer definierten Anzahl von Symbolen einer Symbol sequenz aus Wavelet-Transformierten der geomagnetischen Messwerte (M) mittels eines Zustandsautomaten, wobei die Symbolsequenz Daten eines in einer Analysephase trainierten neuronalen Netzwerks umfasst, wobei die Symbole der Symbolsequenz aus Daten eines in der Analyse phase trainierten neuronalen Netzwerks ermittelt wurden, wobei eine Anzahl und eine Auswahl der trainierten neuronalen Netzwerke von einer Signalqualität der geomagnetischen Messwerte abhängt, wobei eine Anzahl von Schichten des neuronalen Netzwerks von der Signalqualität der in der Analysephase erfassten geomagnetischen Messwerte abhängt, wobei die Symbolsequenz eine letzte Schicht des neuronalen Netzwerkes repräsentiert, die in der Analysephase trainiert wurde;
zum Bereitstellen eines Zustandsautomaten aus einer definierten Anzahl von Symbolen der Symbolsequenz; und
zum Auswerten der definierten Anzahl der Symbole der Symbolsequenz mittels einer Übergangsmatrix des Zustandsautomaten, wobei der Verfügbarkeitszustand des Parkplatzes durch ein Ermitteln einer Determinante der Übergangsmatrix ermittelt wird.
10. Computerprogrammprodukt aufweisend Programmcodemittel zum
Ausführen des Verfahrens nach einem der Ansprüche 1 bis 4, wenn es auf einem tiefenlern-basierten magnetischen Parksensor (100) und auf einer Auswerteeinrichtung abläuft oder auf einem computerlesbaren Datenträger gespeichert ist.
PCT/EP2019/080657 2018-12-20 2019-11-08 Verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes WO2020126205A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018222484.6 2018-12-20
DE102018222484.6A DE102018222484A1 (de) 2018-12-20 2018-12-20 Verfahren und Vorrichtung zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes

Publications (1)

Publication Number Publication Date
WO2020126205A1 true WO2020126205A1 (de) 2020-06-25

Family

ID=68531547

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/080657 WO2020126205A1 (de) 2018-12-20 2019-11-08 Verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes

Country Status (2)

Country Link
DE (1) DE102018222484A1 (de)
WO (1) WO2020126205A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724527A (zh) * 2021-08-29 2021-11-30 丽台(上海)信息科技有限公司 一种停车位管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10135325A1 (de) * 2001-07-19 2003-02-13 Daimler Chrysler Ag Verfahren zur Ermittlung von Werten einer raum- und zeitbezogenen Grösse
US20160132944A1 (en) * 2009-07-02 2016-05-12 Empire Technology Development Llc Parking facility resource management
US20170294121A1 (en) * 2016-04-12 2017-10-12 Ford Global Technologies, Llc Detecting available parking spaces
US20170337817A1 (en) * 2015-05-15 2017-11-23 Pied Parker, Inc. Vehicle detection systems and methods of operation thereof

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110218940A1 (en) * 2009-07-28 2011-09-08 Recharge Power Llc Parking Meter System
CN102855773A (zh) * 2012-09-13 2013-01-02 东南大学 一种停车场有效泊位占有率短时预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10135325A1 (de) * 2001-07-19 2003-02-13 Daimler Chrysler Ag Verfahren zur Ermittlung von Werten einer raum- und zeitbezogenen Grösse
US20160132944A1 (en) * 2009-07-02 2016-05-12 Empire Technology Development Llc Parking facility resource management
US20170337817A1 (en) * 2015-05-15 2017-11-23 Pied Parker, Inc. Vehicle detection systems and methods of operation thereof
US20170294121A1 (en) * 2016-04-12 2017-10-12 Ford Global Technologies, Llc Detecting available parking spaces

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ERHAN ET AL.: "Why does unsupervised pre-training help deep learning?", THE JOURNAL OF MACHINE LEARNING RESEARCH, 2010
HONGMEI ZHU ET AL: "A Vehicle Parking Detection Method Based on Correlation of Magnetic Signals", INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS, vol. 11, no. 7, 1 July 2015 (2015-07-01), pages 361242, XP055669333, ISSN: 1550-1477, DOI: 10.1155/2015/361242 *
LAROCHELLE, H.BENGIO Y.: "Classification using discriminative restricted Boltzmann machines", PROCEEDINGS OF THE 25TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 2008
XUEMEI XIE ET AL: "Real-Time Illegal Parking Detection System Based on Deep Learning", DEEP LEARNING TECHNOLOGIES, ACM, 2 PENN PLAZA, SUITE 701NEW YORKNY10121-0701USA, 2 June 2017 (2017-06-02), pages 23 - 27, XP058370364, ISBN: 978-1-4503-5232-1, DOI: 10.1145/3094243.3094261 *

Also Published As

Publication number Publication date
DE102018222484A1 (de) 2020-06-25

Similar Documents

Publication Publication Date Title
DE202017102235U1 (de) Trainingssystem
DE202017102238U1 (de) Aktorsteuerungssystem
LU101984B1 (de) Verfahren zur lokalen Bestimmung von zumindest einem Kennwert einer Akku-Zelle
EP3782081B1 (de) Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung
WO2020126205A1 (de) Verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes
WO2020126423A2 (de) Verfahren zum bereitstellen von bewertungsdaten zum ermitteln eines verfügbarkeitszustands eines parkplatzes sowie verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes
DE102019220145A1 (de) Verfahren zum Konfigurieren eines neuronalen Netzes
EP4115337A1 (de) Verfahren und vorrichtung zum komprimieren eines neuronalen netzes
WO2017084780A1 (de) Verfahren zum rechnergestützten ermitteln von parametern eines elektrochemischen energiespeichers
DE102020210148A1 (de) Vorrichtung und Verfahren zur lokalen Bestimmung von Kennwerten einer Akku-Zelle
DE102019216290A1 (de) Verfahren, Computerprogramm, maschinenlesbares Speichermedium, Steuervorrichtung zum Verfolgen eines Objekts
DE102020200875A1 (de) Verfahren zum Bereitstellen von Sensordaten durch eine Sensorik eines Fahrzeugs
EP3887838A1 (de) Magnetischer parksensor
DE102021208610B4 (de) Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen in einem Prozess fortlaufender Datenbereitstellung
DE102019114049A1 (de) Verfahren zur Validierung eines Fahrerassistenzsystems mithilfe von weiteren generierten Testeingangsdatensätzen
DE102021114044A1 (de) Verfahren zum Bereitstellen eines künstlichen neuronalen Netzes zur dreidimensionalen Objekterkennung, Recheneinrichtung für ein Fahrzeug, Computerprogramm sowie Computerlesbares (Speicher)Medium
EP4381751A1 (de) Verfahren, computerprogramm und vorrichtung zum verarbeiten von signalen
DE102019220510A1 (de) Verfahren zum Bereitstellen einer digitalen Lokalisierungskarte
DE102020210679A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
DE102020127185A1 (de) Verfahren und Vorrichtung zum Trainieren eines neuronalen Netzes
DE202021103700U1 (de) Vorrichtung zum Erzeugen eines künstlichen neuronalen Netzes
DE102021201523A1 (de) Verfahren zum Charakterisieren eines Verkehrsknotenpunkts
DE202022103792U1 (de) Vorrichtung zum Bestimmen einer optimalen Architektur eines künstlichen neuronalen Netzes
DE102020134331A1 (de) Verfahren zum Bestimmen eines Freiraums in einer Fahrzeugumgebung
DE102022111294A1 (de) Auf Maschinenlernen basierende Positionsbestimmung

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19801543

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19801543

Country of ref document: EP

Kind code of ref document: A1