WO2021013701A1 - Verfahren zum bereitstellen einer instandhaltungsprognose für ein kraftfahrzeug, speichermedium, mobiles portables endgerät, servervorrichtung, prognoseeinrichtung, und kraftfahrzeug - Google Patents

Verfahren zum bereitstellen einer instandhaltungsprognose für ein kraftfahrzeug, speichermedium, mobiles portables endgerät, servervorrichtung, prognoseeinrichtung, und kraftfahrzeug Download PDF

Info

Publication number
WO2021013701A1
WO2021013701A1 PCT/EP2020/070181 EP2020070181W WO2021013701A1 WO 2021013701 A1 WO2021013701 A1 WO 2021013701A1 EP 2020070181 W EP2020070181 W EP 2020070181W WO 2021013701 A1 WO2021013701 A1 WO 2021013701A1
Authority
WO
WIPO (PCT)
Prior art keywords
damage
motor vehicle
repair
determined
deep learning
Prior art date
Application number
PCT/EP2020/070181
Other languages
English (en)
French (fr)
Inventor
Maximilian Gassner
Original Assignee
Audi Ag
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 Audi Ag filed Critical Audi Ag
Publication of WO2021013701A1 publication Critical patent/WO2021013701A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/17—Image acquisition using hand-held instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes

Definitions

  • the invention relates to a method for providing a maintenance forecast for a motor vehicle.
  • all damage such as dents on the fender
  • Such specially formulated damage descriptions are often very subjective.
  • the description “paintwork in good condition” does not provide any information about whether, for example, minor paintwork damage is present, apart from the subjective assessment.
  • the damage visualization device has at least one image recording device which is designed to record at least one image of the object; at least one display device which is designed to display the at least one recorded image; a storage device configured to store data on damage to the object; and comprises a marking device which is designed to visualize damage stored in the storage device in the image displayed on the display device.
  • DE 10 2014 224 409 A1 discloses a device and a method for assessing damage to a component of a means of transport.
  • DE 10 2017 212 370 A1 describes a device for identifying damage in vehicle windows, comprising: an image recording device that is designed to record at least one image of a window of a vehicle; a storage device in which the dimensions of the disks of multiple vehicles are stored; and a control and evaluation device.
  • One object of the invention is to support a user in the maintenance of a motor vehicle.
  • the invention is based on the idea of recognizing at least one vehicle damage based on a digital image or a series of images of the motor vehicle, and determining the at least one damage based on empirical values.
  • the image can, for example, be a photo or a spectrum, for example an infrared spectrum, or several images attached to one another by machine learning, or a 3D image recording, for example a deep image or volume image.
  • a deep learning engine is operated that can determine a maintenance prognosis based on the digital image or the digital image series of the motor vehicle. This enables very precise and quantitative, i.e. objective, documentation. This saves a considerable amount of time, for example when buying a used car or when servicing a motor vehicle.
  • the method according to the invention (and the devices according to the invention) are only slightly or not at all susceptible to errors and allow an objective comparison with other motor vehicles.
  • the method according to the invention for providing a maintenance forecast for a motor vehicle is carried out by a forecasting device.
  • a prognostic device is understood to mean a device, a device component or a device network that is designed and set up to receive signals and data, evaluate them and generate signals.
  • the forecasting device is designed and set up to operate a deep learning engine, a deep learning engine being a device that can apply so-called deep learning to a large number of data.
  • the forecasting device can be designed, for example, as a control device or control chip or on-board computer, or, for example, as a user program (“app”).
  • a deep learning engine is a sophisticated device for performing deep learning, i.e. an implementation of artificial intelligence.
  • the deep learning engine can, for example, be designed as an artificial neural network and is set up to logically link a large number of training data or empirical values (for example a data set) with one another using a method of machine learning and to recreate new, transmitted data a predetermined algorithm and based on the already stored multiplicity of training data or empirical values according to the logic contained therein, for example a correlation.
  • the empirical values or training data can, for example, be based on images and text descriptions of damage that have been commented on and assessed by engineers and mechanics, for example.
  • the forecasting device provides a digital image or a digital image series of a given motor vehicle, the digital image or the digital image series provided showing at least a portion of the motor vehicle, preferably an outer wall of the motor vehicle.
  • the provided digital image or the provided digital image series can show an overall surface or outer wall of the motor vehicle, that is to say, for example, be a 360-degree picture of the outside of the motor vehicle.
  • the digital image or the digital image series can be provided, for example, by receiving the image from a digital camera or a mobile device.
  • the forecasting device determines at least one optically pronounced damage to a component of the specified motor vehicle. For example, a dent can be found on the fender or on a rim.
  • the prognostic device also determines that component of the motor vehicle that has the respective damage that has been determined.
  • the corresponding point on the motor vehicle can be assigned via the image recognition, whereby, for example, a wheel of the motor vehicle is determined by the image recognition and, based on the relationship of the recognized damage to the wheel, it can be derived, for example, that the damage is the exemplary Dent, located on the fender.
  • the forecasting device operates the deep learning engine, which can be located on a data server, for example, and / or which can be part of the forecasting device, for example.
  • the respective repair parameter describes a quantitative effort to carry out the respective repair measure to at least partially remedy the damage, for example a repair duration or repair costs, or for example a complexity of the repair measure
  • This training data or empirical values can thus be statistically combined in the deep learning engine as an artificial neural network, for example.
  • a large number of motor vehicles and, correspondingly, a large number of damage means, in particular, a number greater than 1,000 motor vehicles and damage, in particular greater than 10,000 motor vehicles and damage.
  • Such a large data set can also be referred to as a big data data set.
  • the method according to the invention which can also be referred to as a computer-implemented method for providing the maintenance prognosis, can be applied to at least one big data dataset.
  • the forecasting device processes a total of the identified damage to the motor vehicle to be checked by means of the deep learning engine, thereby determining the respective at least one repair parameter for each of the at least one identified damage.
  • the forecasting device processes a set of determined repair parameters by means of the deep learning engine and thereby determines the maintenance prognosis.
  • the determined maintenance prognosis can ideally cover at least one determined damage; and / or the respective determined at least one repair parameter; and / or a probability that the at least one identified damage fulfills a reversibility criterion which specifies that the identified damage can be remedied by one or the repair measure.
  • the forecasting device provides a log file which describes a text describing the maintenance forecast that has been determined. For this purpose, for example, a large number of text modules can be stored in the forecasting device, by means of which a coherent text of a report and / or documentation can be provided, created or generated.
  • the method according to the invention can be used, for example, to provide a handover protocol from a rental car rental company, or, for example, a sales advertisement for an Internet portal for the sale of a used car.
  • the maintenance prognosis enables objective and good maintenance prognoses of other vehicles to be better understood and compared, because the maintenance prognosis makes a quantitative but not a subjective statement.
  • the maintenance prognosis can describe, for example, which repair measures are necessary, which damage is depicted, for example a graze or a notch, and the maintenance forecast can include, for example, a decision as to whether, for example, damage to the paintwork can be polished or has to be painted.
  • the cost of maintenance for example, can be proposed as a repair parameter.
  • the at least one determined repair parameter can preferably describe: a time required to repair the determined damage; and / or a cost to repair the damage found; and / or a loss of value of the motor vehicle as a result of the damage found and / or as a result of the repair measure; and / or a position of the detected damage on the motor vehicle.
  • the provision of the digital image or the digital series of images can preferably include capturing an outer wall of the motor vehicle, that is to say capturing an outer skin or an exterior of the motor vehicle; and / or a detection of an interior of the motor vehicle.
  • the motor vehicle can preferably be scanned in its entirety.
  • the forecasting device can, for example, each have a sensor system for optical detection of the motor vehicle.
  • the determination of the at least one optically pronounced damage to the component can optionally include a determination of a degree of expression of a feature of the component by the prognostic device, for example the determination of a shadow cast on a surface of the outer body.
  • the forecasting device can then check whether the determined degree of expression fulfills a predefined damage criterion, the predefined damage criterion describing a deviation of the determined degree from a predefined standard range.
  • the prognosis device can only determine the at least one optically pronounced damage if the predetermined damage criterion is met. With such an extended image recognition, damage can be detected even more reliably.
  • the forecasting device can receive a motor vehicle status signal, the motor vehicle status signal being received, for example, from an on-board computer of the motor vehicle .
  • the received motor vehicle Status signal describes motor vehicle data on a state of a motor vehicle system, in particular on a current state of a motor vehicle system, for example engine data, acceleration data or sensor data.
  • the prognostic device can determine at least one further damage, with the processing of the totality of determined damage using the deep learning engine on the basis of the at least one further determined damage.
  • the object set above is achieved by a storage medium with a program code which is set up to carry out an embodiment of the method described above when executed by a processor device of a mobile terminal.
  • the storage medium can be designed, for example, as a memory card or memory chip or other data storage medium.
  • a processor device is understood to mean a device or a device component for electronic data processing.
  • the processor device can, for example, have at least one microcontroller and / or at least one microprocessor.
  • a mobile, portable terminal for example a smartphone or a laptop or a tablet PC, with an embodiment of the storage medium according to the invention
  • a server device for operation on the Internet for example a data server, a backend and / or a data cloud, the server device having an embodiment of the storage medium according to the invention.
  • the object set above is achieved by a forecasting device which is set up to carry out the embodiment of the method according to the invention.
  • the forecasting device can preferably have a processor device and / or a data memory.
  • a program code for executing be stored ren of the method according to the invention.
  • the program code can then be designed, when executed by the processor device, to cause the prognosis device to carry out one of the above-described embodiments of the method according to the invention.
  • the object set above is achieved by a motor vehicle that has an embodiment of the forecasting device according to the invention.
  • the invention also includes further developments of the storage medium according to the invention, the terminal according to the invention, the forecast device according to the invention and the motor vehicle according to the invention, each of which has features as they have already been described in connection with the further developments of the method according to the invention. For this reason, the corresponding developments of the storage medium according to the invention, the terminal according to the invention, the forecasting device according to the invention and the motor vehicle according to the invention are not described again here.
  • the motor vehicle according to the invention is preferably designed as a motor vehicle, in particular special as a passenger car or truck, or as a passenger bus or motorcycle.
  • the invention also includes the combinations of the features of the described embodiments enclosed.
  • FIG. 1 shows a schematic representation of an exemplary embodiment of the method according to the invention and the devices according to the invention; and 2 shows a schematic illustration of an exemplary embodiment of the mobile, portable terminal according to the invention.
  • FIG. 1 illustrates the principle of the method according to the invention and the devices according to the invention with the aid of a first exemplary embodiment.
  • FIG. 1 shows a motor vehicle 10, the user 26 of which would like to offer the motor vehicle 10 for sale on an Internet portal, for example.
  • the motor vehicle 10 can be a passenger car, for example.
  • motor vehicle 10 can have damage 14, for example a deep dent.
  • the 1 also shows a server device 16, which can be configured, for example, as a backend or data cloud.
  • the server device 16 can optionally have a storage medium 18 on which a program code for carrying out the method described here can be stored.
  • the storage medium 18 can preferably be part of a forecasting device 20, which can be configured, for example, as a computer or control device or control chip.
  • the forecasting device 20 can be arranged, for example, in the motor vehicle 10 or in a mobile one Terminal
  • the forecasting device 20 can also have cross-device components, for example a component in a mobile terminal and a further component, for example the deep learning engine 22, in the server device 16.
  • the forecasting device 20 can optionally have a processor device 24, for example a microchip with a plurality of microprocessors.
  • the deep learning engine 22 can be part of the forecasting device 20, for example.
  • the deep learning engine 22 can optionally have a storage medium (not shown in FIG. 1) in which damage and corresponding repair measures and / or their repair parameters can be statistically summarized and stored for a large number of motor vehicles. Such training data or empirical values can have been used to set up the deep learning engine 22.
  • the deep learning engine 22 can preferably be designed as a neural network, that is to say artificial intelligence, and / or comprise such a network.
  • Fig. 1 also shows a user 26 who walks around the motor vehicle 10, for example with a mobile device 28 in his hand, and takes, for example, many individual photos of the outside of the motor vehicle 10, or for example a panoramic view of the entire outside, that is a 360 degree shot.
  • a camera 30 can, for example, take one or more photos (optional method step S1) or, for example, shoot a video film.
  • the forecasting device 20 can receive the digital image or the provided digital image series from the mobile terminal device 28, for example via a data communication connection 32, for example an Internet connection or a mobile radio connection.
  • a data communication connection 32 for example an Internet connection or a mobile radio connection.
  • the prognostic device 20 can optionally detect a difference in brightness of the affected area through a neighboring point of the exemplary fender, for example by means of an image recognition software or image analysis software, and use it to determine, for example, a degree of the degree of shading (S4).
  • a damage criterion is optionally specified, which specifies, for example, that if there is a difference in brightness of, for example, greater than or equal to 50 percent, there is damage at another point, the forecasting device 20 can check whether that is by comparing the different brightness values, for example (S5) Damage criterion is met and, in the example in FIG. 1, for example, determine that it is actually a dent.
  • the damage can be determined (S3) by, for example, comparing the brightness values of partial areas of the fender with old data, that is to say for example old digital images.
  • the entire motor vehicle 10 can, for example, be seen on the exemplary image provided, and the exemplary image analysis software can recognize, for example, a wheel and a motor vehicle front of the motor vehicle 10.
  • the forecasting device 20 can also recognize the shape of a fender and use it to determine (S6) that the damage 14 found is on the front right fender.
  • the deep learning engine 22 When the deep learning engine 22 (S7) is operated, it can use the training data to support the forecasting device 20 to process all of the damage 14 found (S8).
  • engine damage can also be processed (S8), which can be determined, for example (S3) by the forecasting device 20, for example, from an on-board computer of the motor vehicle 10, for example via a cellular connection or a Bluetooth Connection, receives a motor vehicle status signal (S9), which can, for example, describe corresponding engine data, and / or sensor data, for example a distance sensor or a crash sensor.
  • the corresponding motor vehicle status signal can alternatively be received via a wired data communication connection 32, for example.
  • (S9) for example via a data bus of the motor vehicle 10, for example a CAN bus, if the forecasting device 20 is connected to the exemplary on-board computer via a cable, for example.
  • the forecasting device 20 can determine, for example, repair costs of 800 euros as repair parameters for the engine damage
  • the repair parameters determined can be processed by means of the deep learning engine 22
  • the determined maintenance prognosis can contain a detailed list of the damage 14, the corresponding repair measures and the corresponding repair parameters, as well as an assessment of the effort required for maintenance and what this means for the value of the motor vehicle 10.
  • FIG. 2 shows an example of a mobile terminal 28, for example a smartphone, with a storage medium 18 on which a program for carrying out the method described in FIG. 1 with method steps S2 to S13 can preferably be stored.
  • the examples show how the invention can provide a so-called “Advanced Car CV”, ie an advanced “curriculum vitae of the motor vehicle 10, and / or“ picture-to-text software ”, ie a program or user program (“App”) to convert the image of the damage 14 into a text.
  • Advanced Car CV ie an advanced “curriculum vitae of the motor vehicle 10
  • picture-to-text software ie a program or user program (“App”) to convert the image of the damage 14 into a text.
  • a used car sale can be digitized.
  • a user program with various features, that is to say features or functions, can be provided.
  • images can be taken of the motor vehicle 10 and damage 14 or damage 14 can be recognized / ascertained, for example via machine learning (S3).
  • the damage or damage 14 can preferably be recognized / determined in various classifications (S3), for example a dent, a stone chip, etc., and / or a location can be recognized, i.e. the point at which the damage was caused 14 is, preferably the component 12 of the pre-enclosed motor vehicle 10 (S6).
  • the exemplary picture-to-text software and / or the forecasting device 20 can recognize this damage 14 or these damage 14 and optionally the location (i.e.
  • a place of use can also be another use case, for example a damage assessment at leasing companies or a car rental company.
  • the damage 14 or the damage 14 preferably including the location, i.e. the corresponding component 12, and optionally a classification via machine learning can be recognized (S3, S6, S8, S10, S11).
  • S3, S6, S8, S10, S11 In a master-fite, for example, all types of damage and damage locations can be classified.
  • An optional machine learning algorithm can produce a result (S12).
  • the exemplary software and / or the prognostic device 20 can, for example, compile a text and / or a list from prefabricated text modules, damage types and damage locations (S13).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen einer Instandhaltungs- prognose für ein Kraftfahrzeug. Eine Prognoseeinrichtung (20) stellt ein Bild oder eine Bilderserie eines vorgegebenen Kraftfahrzeugs (10) bereit, und stellt daran mindestens einen Schaden (14) an einem Bauteil (12) und das betroffene Bauteil (12) des Kraftfahrzeugs fest (10, S3, S6). Die Progno- seeinrichtung (20) betreibt eine Deep-Learning-Engine (22, S7), und verar- beitet mittels der Deep-Learning-Engine (22) eine Gesamtheit an festgestell- ten Schäden (14) des Kraftfahrzeugs (10), um jeweilige Reparaturparameter zu ermitteln (S10). Die Prognoseeinrichtung (20) verarbeitet die Reparatur- parameter mittels der Deep-Learning-Engine (22, S11) und ermittelt hier- durch eine Instandhaltungsprognose (S12), die den Schaden (14), den jewei- ligen Reparaturparameter und eine Wahrscheinlichkeit beschreibt, dass der mindestens eine festgestellte Schaden (14) ein Reversibilitätskriterium erfüllt, welches vorgibt, dass der festgestellte Schaden (14) zu einer Mindestwahr- scheinlichkeit durch eine Reparaturmaßnahme behebbar ist. Durch die Prognoseeinrichtung (20) erfolgt dann ein Bereitstellen einer Protokolldatei, die einen die ermittelte Instandhaltungsprognose beschreibenden Text um- fasst (S13).

Description

Verfahren zum Bereitsteilen einer Instandhaltungsprognose für ein Kraft fahrzeug, Speichermedium, mobiles portables Endgerät, Servervorrichtung,
Prognoseeinrichtung, und Kraftfahrzeug
BESCHREIBUNG:
Die Erfindung betrifft ein Verfahren zum Bereitstellen einer Instandhaltungs prognose für ein Kraftfahrzeug. Beim Verkauf eines Gebrauchtwagens auf zum Beispiel einem Internetportal müssen alle Schäden, zum Beispiel Dellen am Kotflügel, manuell dokumen tiert werden. Solche eigens formulierten Schadensbeschreibungen sind häu fig sehr subjektiv. Zum Beispiel die Beschreibung„Lack in gutem Zustand“ gibt außer der subjektiven Einschätzung keine Information darüber, ob nun zum Beispiel kleine Lackschäden vorhanden sind oder nicht. Die gleiche Problematik entsteht in jeder anderen Situation, in der ein Zustand eines Kraftfahrzeugs begutachtet werden soll, zum Beispiel nachdem ein Mieter eines Mietwagens den Mietwagen zurückgegeben hat Die DE 10 2015 223 427 A1 beschreibt eine Schadenvisualisierungsvorrich tung zur Visualisierung von Schäden an einem Objekt, insbesondere an einem Fahrzeug, wobei die Schadenvisualisierungsvorrichtung wenigstens eine Bildaufnahmevorrichtung, die zur Aufnahme wenigstens eines Bildes des Objekts ausgebildet ist; wenigstens eine Anzeigevorrichtung, die zur Anzeige des wenigstens einen aufgenommenen Bildes ausgebildet ist; eine Speichervorrichtung, die ausgebildet ist, Daten über Schäden des Objekts zu speichern; und eine Markierungsvorrichtung umfasst, die ausgebildet ist, in der Speichervorrichtung gespeicherte Schäden in dem auf der Anzeigevor richtung dargestellten Bild zu visualisieren. Aus der DE 10 2014 224 409 A1 sind eine Vorrichtung sowie ein Verfahren zur Bewertung eines Schadens an einem Bauteil eines Fortbewegungsmit tels bekannt.
Die DE 10 2017 212 370 A1 beschreibt eine Vorrichtung zur Identifikation von Schäden in Fahrzeugscheiben, die umfasst: Eine Bildaufnahmevorrich tung, die ausgebildet ist, wenigstens ein Bild einer Scheibe eines Fahrzeugs aufzunehmen; eine Speichervorrichtung, in der die Abmessungen der Schei ben mehrerer Fahrzeuge gespeichert sind; und eine Steuer- und Auswer tungsvorrichtung.
Auch diese Verfahren sind zeitintensiv, fehleranfällig, weil eine Begutachtung subjektiv ist, und sie bieten keinen Mehrnutzen für zum Beispiel einen nächs ten Mieter des Kraftfahrzeugs oder einen Käufer des Kraftfahrzeugs, oder ein Mietwagenunternehmen Der Benutzer muss das Kraftfahrzeug zuerst in die Werkstatt bringen, bevor er weiß, welcher Umfang für die Instandhaltung nötig ist.
Eine der Erfindung zugrundeliegende Aufgabe ist das Unterstützen eines Benutzers bei einer Instandhaltung eines Kraftfahrzeugs.
Die gestellte Aufgabe wird durch das erfindungsgemäße Verfahren und die erfindungsgemäßen Vorrichtungen gemäß den nebengeordneten Patentan sprüchen gelöst. Vorteilhafte Weiterbildungen sind durch die Unteransprüche gegeben.
Die Erfindung basiert auf der Idee, mindestens einen Fahrzeugschaden anhand von einem digitalen Bild oder einer Bilderserie des Kraftfahrzeugs zu erkennen, und den mindestens einen Schaden anhand von Erfahrungswer ten zu. Das Bild kann zum Beispiel ein Foto sein oder ein Spektrum, zum Beispiel ein Infrarot-Spektrum, oder mehrere durch machine learning anei nandergehängte Bilder, oder eine 3D-Bildaufnahme, zum Beispiel ein Tie fenbild oder Volumenbild. Hierzu wird eine Deep-Learning-Engine betrieben, die anhand des digitalen Bildes oder der digitalen Bilderserie des Kraftfahrzeugs eine Instandhal tungsprognose ermitteln kann. Hierdurch ist eine sehr genaue und quantitati ve, also objektive, Dokumentation möglich. Damit geht eine erhebliche Zeit ersparnis bei zum Beispiel einem Gebrauchtwagenkauf oder bei der Wartung eines Kraftfahrzeugs einher. Das erfindungsgemäße Verfahren (und die erfindungsgemäßen Vorrichtungen) sind nur gering oder gar nicht fehleran fällig und lassen einen objektiven Vergleich mit anderen Kraftfahrzeugen zu.
Das erfindungsgemäße Verfahren zum Bereitstellen einer Instandhaltungs prognose für ein Kraftfahrzeug wird durch eine Prognoseeinrichtung durch geführt. Unter einer Prognoseeinrichtung wird dabei ein Gerät, eine Geräte komponente oder ein Geräteverbund verstanden, das/die/der zum Empfan gen von Signalen und Daten, deren Auswertung und zur Erzeugung von Signalen ausgestaltet und eingerichtet ist. Außerdem ist die Prognoseeinrich tung zum Betreiben einer Deep-Learning-Engine ausgestaltet und eingerich tet, wobei eine Deep-Learning-Engine ein Gerät ist, welches sogenanntes Deep Learning (tiefgehendes Lernen) auf eine Vielzahl von Daten anwenden kann. Die Prognoseeinrichtung kann zum Beispiel als Steuergerät oder Steuerchip oder Bordcomputer ausgestaltet sein, oder zum Beispiel als An wenderprogramm („App“).
Mit anderen Worten ist eine Deep-Learning-Engine eine hochentwickelte Einrichtung zum Durchführen von tiefgehendem Lernen, also eine Umset zung von künstlicher Intelligenz. Die Deep-Learning-Engine kann zum Bei spiel als künstliches neuronales Netzwerk ausgebildet sein und ist dazu eingerichtet, mittels einer Methode des maschinellen Lernens eine Vielzahl von Trainingsdaten oder Erfahrungswerten (beispielsweise ein Data Set) logisch miteinander zu verknüpfen und wieder neue, übermittelte Daten nach einem vorbestimmten Algorithmus und anhand der bereits gespeicherten Vielzahl von Trainingsdaten oder Erfahrungswerten gemäß der darin enthal tenen Logik, zum Beispiel einer Korrelation, auszuwerten. Hierdurch können auch weitere, neue logische Verknüpfungen durch die Deep-Learning-Engine erstellt werden. Die Erfahrungswerte oder Trainingsdaten können zum Bei spiel auf Bildern und Textbeschreibungen von Schäden basieren, die zum Beispiel durch Ingenieure und Mechaniker kommentiert und eingeschätzt wurden.
Durch die Prognoseeinrichtung erfolgt ein Bereitstellen eines digitalen Bildes oder einer digitalen Bilderserie eines vorgegebenen Kraftfahrzeugs, wobei das bereitgestellte digitale Bild oder die bereitgestellte digitale Bilderserie zumindest einen Anteil des Kraftfahrzeugs zeigt, vorzugsweise einer Außen wandung des Kraftfahrzeugs. Idealerweise kann das bereitgestellte digitale Bild oder die bereitgestellte digitale Bilderserie eine Gesamtoberfläche be ziehungsweise Außenwandung des Kraftfahrzeugs zeigen, also zum Beispiel eine 360-Grad-Aufnahme der Außenseite des Kraftfahrzeugs sein. Das Be reitstellen des digitalen Bildes oder der digitalen Bilderserie kann zum Bei spiel durch Empfangen des Bildes aus einer Digitalkamera oder einem mobi len Endgerät erfolgen.
Anhand des bereitgestellten Bildes erfolgt durch die Prognoseeinrichtung ein Feststellen mindestens eines optisch ausgeprägten Schadens an einem Bauteil des vorgegebenen Kraftfahrzeugs. Zum Beispiel kann eine Delle am Kotflügel oder an einer Felge festgestellt werden.
Durch die Prognoseeinrichtung erfolgt außerdem ein Feststellen desjenigen Bauteils des Kraftfahrzeugs, das den jeweiligen festgestellten Schaden auf weist. Beispielsweise kann über die Bilderkennung die entsprechende Stelle am Kraftfahrzeug zugeordnet werden, wobei zum Beispiel durch die Bilder kennung ein Rad des Kraftfahrzeugs festgestellt und, aufgrund der Relation des erkannten Schadens zu dem Rad, kann zum Beispiel abgeleitet werden, dass sich der Schaden, die beispielhafte Delle, am Kotflügel befindet.
Durch die Prognoseeinrichtung erfolgt ein Betreiben der Deep-Learning- Engine, die sich zum Beispiel auf einem Datenserver befinden kann, und/oder die zum Beispiel ein Bestandteil der Prognoseeinrichtung sein kann. Beim Betreiben der Deep-Learning-Engine werden durch diese zu einer Vielzahl von Kraftfahrzeugen Schäden von Bauteilen dieser Kraftfahr zeuge und dazugehörige Reparaturmaßnahmen und deren Reparaturpara meter statistisch zusammengefasst. Der jeweilige Reparaturparameter be schreibt jeweils einen quantitativen Aufwand zum Durchführen der jeweiligen Reparaturmaßnahme zum zumindest teilweisen Beheben des Schadens, zum Beispiel eine Reparaturdauer oder Reparaturkosten, oder zum Beispiel eine Komplexität der Reparaturmaßnahme
Diese Trainingsdaten oder Erfahrungswerte können also in der Deep- Learning-Engine zum Beispiel statistisch als künstliches neuronales Netz werk zusammengefasst sein. Mit einer Vielzahl von Kraftfahrzeugen und entsprechend einer Vielzahl von Schäden ist insbesondere eine Anzahl von größer als 1 000 Kraftfahrzeugen und Schäden, insbesondere größer als 10.000 Kraftfahrzeuge und Schäden, gemeint. Ein derart großer Datensatz kann auch als B ig-Data-Datensatz bezeichnet werden. Das erfindungsge mäße Verfahren, das auch als computerimplementiertes Verfahren zum Bereitstellen der Instandhaltungsprognose bezeichnet werden kann, ist auf zumindest einen Big-Data-Datensatz anwendbar.
Durch die Prognoseeinrichtung erfolgt ein Verarbeiten einer Gesamtheit an festgestellten Schäden des zu überprüfenden Kraftfahrzeugs mittels der Deep-Learning-Engine und hierdurch ein Ermitteln des jeweiligen mindes tens einen Reparaturparameters zu jedem des mindestens einen festgestell ten Schadens. Außerdem erfolgen durch die Prognoseeinrichtung ein Verar beiten einer Gesamtheit an ermittelten Reparaturparametern mittels der Deep-Learning-Engine und hierdurch ein Ermitteln der Instandhaltungsprog nose Die ermittelte Instandhaltungsprognose kann idealerweise den mindes tens einen festgestellten Schaden; und/oder den jeweiligen ermittelten min destens einen Reparaturparameter; und/oder eine Wahrscheinlichkeit, dass der mindestens eine festgestellte Schaden ein Reversibilitätskriterium erfüllt, welches vorgibt, dass der festgestellte Schaden durch eine oder die Repara turmaßnahme behebbar ist. Schließlich erfolgt durch die Prognoseeinrichtung ein Bereitstellen einer Protokolldatei, die einen die ermittelte Instandhaltungsprognose beschrei benden Text beschreibt. Hierzu kann zum Beispiel in der Prognoseeinrich tung eine Vielzahl von Textbausteinen abgelegt sein, mittels derer ein zu sammenhängender Text eines Berichts und/oder Dokumentation bereitge stellt, erzeugt oder generiert werden kann.
Es ergeben sich die oben beschriebenen Vorteile. Durch das erfindungsge mäße Verfahren kann zum Beispiel ein Übergabeprotokoll eines Mietwagen verleihers bereitgestellt werden, oder zum Beispiel eine Verkaufsanzeige für ein Internetportal zum Verkauf eines Gebrauchtwagens. Durch die Instand haltungsprognose können objektive und gute Instandhaltungsprognosen anderer Kraftfahrzeuge besser verstanden und verglichen werden, denn die Instandhaltungsprognose macht eine quantitative, jedoch keine subjektive Aussage Die Instandhaltungsprognose kann zum Beispiel beschreiben, welche Reparaturmaßnahmen nötig sind, welcher Schaden abgebildet ist, zum Beispiel eine Abschürfung oder eine Kerbe, und die Instandhaltungs prognose kann zum Beispiel eine Entscheidung umfassen, ob zum Beispiel ein Lackschaden poliert werden kann oder lackiert werden muss. Außerdem kann als Reparaturparameter zum Beispiel ein anfallender Kostenaufwand für die Instandhaltung vorgeschlagen werden.
Durch die bereits erwähnten Vorteile ergibt sich der weitergehende Vorteil, dass zum Beispiel beim Gebrauchtwagenkauf oder bei der Rückgabe eines Mietwagens keine Begutachtung notwendig ist, das heißt ein potentieller Käufer muss zum Beispiel nicht extra in eine Werkstatt fahren, um den Zu stand des Kraftfahrzeugs einschätzen lassen zu müssen.
Der mindestens eine ermittelte Reparaturparameter kann vorzugsweise beschreiben: Einen zeitlichen Aufwand zum Beheben des festgestellten Schadens; und/oder einen Kostenaufwand zum Beheben des festgestellten Schadens; und/oder einen Wertverlust des Kraftfahrzeugs durch den festge stellten Schaden und/oder durch die Reparaturmaßnahme; und/oder eine Position des festgestellten Schadens am Kraftfahrzeug. Dies sind Repara- turparameter, die eine besonders detaillierte und quantifizierte Instandhal tungsprognose erlauben.
Das Bereitstellen des digitalen Bildes oder der digitalen Bilderserie kann vorzugsweise ein Erfassen einer Außenwandung des Kraftfahrzeugs umfas sen, also ein Erfassen einer Außenhaut oder eines Äußeren des Kraftfahr zeugs; und/oder ein Erfassen eines Innenraums des Kraftfahrzeugs. Vor zugsweise kann das Kraftfahrzeug ganzheitlich gescannt werden. Hierzu kann die Prognoseeinrichtung zum Beispiel jeweils eine Sensorik zum opti schen Erfassen des Kraftfahrzeugs aufweisen.
Das Feststellen des mindestens einen optisch ausgeprägten Schadens an dem Bauteil kann optional ein Feststellen eines Grads einer Ausprägung eines Merkmals des Bauteils durch die Prognoseeinrichtung, zum Beispiel das Ermitteln eines Schattenwurfs auf einer Oberfläche der äußeren Karos serie, umfassen. Außerdem kann die Prognoseeinrichtung dann Prüfen, ob der festgestellte Grad der Ausprägung ein vorgegebenes Schadkriterium erfüllt, wobei das vorgegebene Schadkriterium ein Abweichen des festge stellten Grads von einem vorgegebenen Normbereich beschreibt. Hierbei kann zum Beispiel geprüft werden, ob der gemessene Schattenwurf zum Beispiel ein Schatten des Rückspiegels ist oder nur darauf zurückführbar ist, dass sich an dieser Stelle des Schattenwurfes eine tiefe Delle befindet. Die Prognoseeinrichtung kann bei dieser Ausführungsform des erfindungsgemä ßen Verfahrens den mindestens einen optisch ausgeprägten Schaden nur bei Erfüllen des vorgegebenen Schadkriteriums feststellen. Durch eine sol che erweiterte Bilderkennung können Schäden noch zuverlässiger festge stellt werden.
Um das Instandhaltungsprotokoll noch um solche Schäden zu erweitern, die nicht optisch erkennbar sind, kann, gemäß einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens, durch die Prognoseeinrichtung ein Empfangen eines Kraftfahrzeugzustandssignals erfolgen, wobei das Kraft fahrzeugzustandssignal zum Beispiel aus einem Bordcomputer des Kraft fahrzeugs empfangen werden kann. Das empfangene Kraftfahrzeugzu- Standssignal beschreibt Kraftfahrzeugdaten zu einem Zustand eines Kraft fahrzeugsystems, insbesondere zu einem aktuellen Zustand eines Kraftfahr zeugsystems, zum Beispiel Motordaten, Beschleunigungsdaten oder Sens ordaten. Anhand der Kraftfahrzeugdaten kann durch die Prognoseeinrichtung ein Feststellen mindestens eines weiteren Schadens erfolgen, wobei das Verarbeiten der Gesamtheit an festgestellten Schäden mittels der Deep- Learning-Engine anhand des mindestens einen weiteren festgestellten Schadens erfolgt.
Die oben gestellte Aufgabe wird gelöst durch ein Speichermedium mit einem Programmcode, der dazu eingerichtet ist, bei Ausführung durch eine Prozes soreinrichtung eines mobilen Endgeräts eine Ausführungsform des oben beschriebenen Verfahrens durchzuführen. Das Speichermedium kann zum Beispiel als Speicherkarte oder Speicherchip oder anderer Datenspeicher ausgestaltet sein. Unter einer Prozessoreinrichtung wird ein Gerät oder eine Gerätekomponente zur elektronischen Datenverarbeitung verstanden. Die Prozessoreinrichtung kann zum Beispiel mindestens einen Mikrocontroller und/oder mindestens einen Mikroprozessor aufweisen. Es ergeben sich die bereits genannten Vorteile.
Die oben gestellte Aufgabe wird gelöst durch ein mobiles, portables Endge rät, zum Beispiel ein Smartphone oder einen Laptop oder einen Tablet-PC, mit einer Ausführungsform des erfindungsgemäßen Speichermediums
Die oben gestellte Aufgabe wird gelöst durch eine Servervorrichtung zum Betreiben im Internet, zum Beispiel einem Datenserver, einem Backend und/oder eine Daten-Cloud, wobei die Servervorrichtung eine Ausführungs form des erfindungsgemäßen Speichermediums aufweist.
Die oben gestellte Aufgabe wird gelöst durch eine Prognoseeinrichtung, die dazu eingerichtet ist, die Ausführungsform des erfindungsgemäßen Verfah rens durchzuführen. Die Prognoseeinrichtung kann vorzugsweise eine Pro zessoreinrichtung aufweisen und/oder einen Datenspeicher. Auf dem optio nalen Datenspeicher kann vorzugsweise ein Programmcode zum Durchfüh- ren des erfindungsgemäßen Verfahrens abgelegt sein. Der Programmcode kann dann dazu ausgelegt sein, bei Ausführung durch die Prozessoreinrich tung die Prognoseeinrichtung dazu zu veranlassen, eine der oben beschrie benen Ausführungsformen des erfindungsgemäßen Verfahrens durchzufüh ren.
Die oben gestellte Aufgabe wird gelöst durch ein Kraftfahrzeug, das eine Ausführungsform der erfindungsgemäßen Prognoseeinrichtung aufweist.
Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Speichermediums, des erfindungsgemäßen Endgeräts, der erfindungsge mäßen Prognoseeinrichtung und des erfindungsgemäßen Kraftfahrzeugs, die jeweils Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfin dungsgemäßen Speichermediums, des erfindungsgemäßen Endgeräts, der erfindungsgemäßen Prognoseeinrichtung und des erfindungsgemäßen Kraft fahrzeugs hier nicht noch einmal beschrieben.
Das erfindungsgemäße Kraftfahrzeug ist bevorzugt als Kraftwagen, insbe sondere als Personenkraftwagen oder Lastkraftwagen, oder als Personen bus oder Motorrad ausgestaltet.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschrie benen Ausführungsformen.
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
Fig. 1 eine schematische Darstellung zu einem Ausführungsbeispiel des erfindungsgemäßen Verfahrens und der erfindungsgemä ßen Vorrichtungen; und Fig 2 eine schematische Darstellung zu einem Ausführungsbeispiel des erfindungsgemäßen mobilen, portablen Endgeräts.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispie len stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschrie benen Merkmale der Erfindung ergänzbar. ln den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente
Die Fig 1 veranschaulicht das Prinzip des erfindungsgemäßen Verfahrens und der erfindungsgemäßen Vorrichtungen anhand eines ersten Ausfüh rungsbeispiels.
Hierzu zeigt die Fig. 1 ein Kraftfahrzeug 10, dessen Benutzer 26 das Kraft fahrzeug 10 zum Beispiel auf einem Internetportal zum Verkauf anbieten möchte. Das Kraftfahrzeug 10 kann zum Beispiel ein Personenkraftwagen sein. An zum Beispiel einem Kotflügel als Bauteil 12 kann das Kraftfahrzeug 10 einen Schaden 14 haben, zum Beispiel eine tiefe Delle.
Die Fig. 1 zeigt außerdem eine Servervorrichtung 16, die zum Beispiel als Backend oder Daten-Cloud ausgestaltet sein kann. Die Servervorrichtung 16 kann optional ein Speichermedium 18 aufweisen, auf dem ein Programm code zum Durchführen des hier beschriebenen Verfahrens abgelegt sein kann. Das Speichermedium 18 kann vorzugsweise Bestandteil einer Progno seeinrichtung 20 sein, die zum Beispiel als Computer oder Steuergerät oder Steuerchip ausgestaltet sein kann. Alternativ kann die Prognoseeinrichtung 20 zum Beispiel im Kraftfahrzeug 10 angeordnet sein oder in einem mobilen Endgerät Alternativ kann die Prognoseeinrichtung 20 auch geräteübergrei- fend Bestandteile aufweisen, zum Beispiel eine Komponente in einem mobi len Endgerät und eine weitere Komponente, zum Beispiel die Deep- Learning-Engine 22, in der Servervorrichtung 16.
Die Prognoseeinrichtung 20 kann optional eine Prozessoreinrichtung 24 aufweisen, zum Beispiel einen Mikrochip mit mehreren Mikroprozessoren. Im Beispiel der Fig. 1 kann die Deep-Learning-Engine 22 zum Beispiel ein Be standteil der Prognoseeinrichtung 20 sein. Die Deep-Learning-Engine 22 kann optional ein Speichermedium aufweisen (in der Fig. 1 nicht gezeigt), in welcher zu einer Vielzahl von Kraftfahrzeugen Schäden und entsprechende Reparaturmaßnahmen und/oder deren Reparaturparameter statistisch zu sammengefasst und gespeichert sein können. Solche Trainingsdaten oder Erfahrungswerte können genutzt worden sein, um die Deep-Learning-Engine 22 einzurichten. Die Deep-Learning-Engine 22 kann vorzugsweise als neu ronales Netzwerk, also künstliche Intelligenz, ausgestaltet sein, und/oder eine solche umfassen.
Die Fig. 1 zeigt außerdem einen Benutzer 26, der zum Beispiel mit einem mobilen Endgerät 28 in der Hand um das Kraftfahrzeug 10 herumgeht und zum Beispiel viele Einzelfotos von der Außenseite des Kraftfahrzeugs 10 macht, oder zum Beispiel eine Panoramaaufnahme der gesamten Außensei te, also eine 360-Grad-Aufnahme. Hierzu kann eine Kamera 30 zum Beispiel ein oder mehrere Fotos machen (optionaler Verfahrensschritt S1 ), oder zum Beispiel einen Videofilm drehen.
Zum Bereitstellen des digitalen Bildes oder der digitalen Bilderserie (Verfah rensschritt S2) kann die Prognoseeinrichtung 20 das digitale Bild oder die bereitgestellte digitale Bilderserie zum Beispiel über eine Datenkommunikati onsverbindung 32, zum Beispiel eine Internetverbindung oder eine Mobil funkverbindung, aus dem mobilen Endgerät 28 empfangen. Um die beispiel hafte Delle im Kotflügel festzustellen (S3), kann die Prognoseeinrichtung 20 optional einen Helligkeitsunterschied der betroffenen Stelle durch eine be nachbarte Stelle des beispielhaften Kotflügels erkennen, zum Beispiel mittels einer Bilderkennungssoftware oder Bildanalysesoftware, und daran zum Beispiel einen Grad der Ausprägung einer Schattierung feststellen (S4). Ist optional ein Schadkriterium vorgegeben, das zum Beispiel vorgibt, dass bei einer Abweichung einer Helligkeit von beispielsweise größer gleich 50 Prozent einer anderen Stelle ein Schaden vorliegt, kann die Prognoseein richtung 20 zum Beispiel durch Vergleichen der unterschiedlichen Hellig keitswerte prüfen (S5), ob das Schadkriterium erfüllt ist und im Beispiel der Fig. 1 zum Beispiel feststellen, dass es sich dabei tatsächlich um eine Delle handelt.
Alternativ oder zusätzlich kann der Schaden festgestellt werden (S3), indem zum Beispiel die Helligkeitswerte von Teilbereichen des Kotflügels mit alten Daten, also zum Beispiel alten digitalen Bildern, verglichen werden.
Auf dem beispielhaften bereitgestellten Bild kann zum Beispiel das ganze Kraftfahrzeug 10 zu sehen sein, und die beispielhafte Bildanalysesoftware kann zum Beispiel ein Rad und eine Kraftfahrzeugfront des Kraftfahrzeugs 10 erkennen. Zusätzlich kann die Prognoseeinrichtung 20 auch die Form eines Kotflügels erkennen und daran feststellen (S6), dass der festgestellte Schaden 14 sich an dem vorderen rechten Kotflügel befindet.
Beim Betreiben der Deep-Learning-Engine 22 (S7) kann diese anhand der Trainingsdaten die Prognoseeinrichtung 20 unterstützen, die Gesamtheit der festgestellten Schäden 14 zu verarbeiten (S8).
Im Beispiel der Fig. 1 kann beispielsweise zusätzlich ein Motorschaden mit verarbeitet werden (S8), der zum Beispiel festgestellt werden kann (S3), indem die Prognoseeinrichtung 20 zum Beispiel aus einem Bordcomputer des Kraftfahrzeugs 10, zum Beispiel über eine Mobilfunkverbindung oder eine Bluetooth-Verbindung, ein Kraftfahrzeugzustandssignal empfängt (S9), das zum Beispiel entsprechende Motordaten beschreiben kann, und/oder Sensordaten, zum Beispiel eines Abstandssensors oder eines Crashsensors Das entsprechende Kraftfahrzeugzustandssignal kann alternativ zum Bei spiel über eine drahtgebundene Datenkommunikationsverbindung 32 emp- fangen werden (S9), zum Beispiel über einen Datenbus des Kraftfahrzeugs 10, zum Beispiel ein CAN-Bus, falls die Prognoseeinrichtung 20 zum Beispiel über ein Kabel mit dem beispielhaften Bordcomputer verbunden ist.
Auf Basis des maschinellen Lernens mit den Trainingsdaten oder Erfah rungswerten kann die Prognoseeinrichtung 20 als Reparaturparameter zu dem Motorschaden zum Beispiel Reparaturkosten von 800 Euro ermitteln
(510), sowie einen Aufwand von einem dreitägigen Werkstattbesuch, wobei zum Beispiel die Zeit für die Bestellung eines Bauteils berücksichtigt sein kann. Zu dem Schaden 14 am Kotflügel kann beispielsweise prädiziert wer den, dass dieser Schaden nicht ausgebeult werden kann, sondern ein neuer Kotflügel bestellt und eingebaut werden muss. Als Reparaturmaßnahme kann dazu also das Verstellen und Ersetzen eines Kotflügels festgestellt werden, und es kann ermittelt werden (S10), dass diese Reparatur zum Beispiel 600 Euro kosten wird und, als weiterer Reparaturparameter, dass das Kraftfahrzeug 10 wegen des Schadens 14 einen Wertverlust von bei spielsweise 500 Euro hat.
Zum Ermitteln der Instandhaltungsprognose (S12) können die ermittelten Reparaturparameter mittels der Deep-Learning-Engine 22 verarbeitet werden
(511 ), wobei die ermittelte Instandhaltungsprognose eine detaillierte Auflis tung der Schäden 14, der entsprechenden Reparaturmaßnahmen und der entsprechenden Reparaturparameter enthalten kann, sowie eine Einschät zung, welcher Aufwand zur Instandhaltung nötig ist und was das für den Wert des Kraftfahrzeugs 10 bedeutet.
Zum Bereitstellen einer Protokolldatei, zum Beispiel eines Textes für die Internetplattform oder für eine Datenbank des Mietwagenverleihs (S13), kann mit einem aus dem Stand der Technik bekannten Algorithmus zur Generie rung eines Textes zum Beispiel ein Bericht über die Schadenssituation be reitgestellt werden. Das Generieren von Texten mittels zum Beispiel vorge gebener Textbausteine ist eine aus dem Stand der Technik bekannte Tech nik. Die Fig. 2 zeigt ein Beispiel eines mobilen Endgeräts 28, zum Beispiel eines Smartphones, mit einem Speichermedium 18, auf dem vorzugsweise ein Programm zum Durchführen des in der Fig. 1 beschriebenen Verfahrens mit den Verfahrensschritten S2 bis S13 abgelegt sein kann.
Insgesamt zeigen die Beispiele, wie durch die Erfindung ein sogenannter „Advanced Car CV“, also ein fortgeschrittener„Lebenslauf des Kraftfahr zeugs 10, bereitgestellt werden kann, und/oder eine „Picture-to-Text- Software“, also ein Programm oder Anwenderprogramm („App“) zur Umset zung des Bilds des Schadens 14 in einen Text.
Dadurch kann zum Beispiel ein Gebrauchtwagenverkauf digitalisiert werden. Gemäß einem weiteren Ausführungsbeispiel kann zum Beispiel ein Anwen derprogramm („App“) mit verschiedenen Features, also Merkmalen oder Funktionen, bereitgestellt werden.
Hierbei können vorzugsweise insbesondere Bilder, vorzugsweise Fotos, vom Kraftfahrzeug 10 gemacht und zum Beispiel via Machine Learning ein Scha den 14 oder Schäden 14 erkannt/festgestellt werden (S3). Der Schaden oder die Schäden 14 können hierbei vorzugsweise in verschiedene Klassifikatio nen erkannt/festgestellt werden (S3), zum Beispiel eine Delle, ein Stein schlag et cetera, und/oder es kann ein Ort erkannt werden, also diejenige Stelle, an der der Schaden 14 ist, vorzugsweise das Bauteil 12 des vorgege benen Kraftfahrzeugs 10 (S6). Die beispielhafte Picture-to-Text-Software und/oder die Prognoseeinrichtung 20 können diesen Schaden 14 oder diese Schäden 14 und optional den Ort (also das Bauteil 12) erkennen (S3, S6) und hierzu vorzugsweise automatisch einen Text zum Schaden 14 schreiben und/oder eine automatische Aufzählung der Schäden 14 generieren (S13). Ein Einsatzort kann auch ein anderer Verwendungsfall sein, zum Beispiel eine Schadensaufnahme bei Leasing Companies oder ein Autoverleih.
Es ergeben sich die oben beschriebenen Vorteile In einem weiteren Ausführungsbeispiel einer technischen Umsetzung können der Schaden 14 oder die Schäden 14, vorzugsweise inklusive dem Ort, also des entsprechenden Bauteils 12, sowie optional eine Klassifikation via Ma chine Learning erkannt werden (S3, S6, S8, S10, S11 ). In zum Beispiel einer Master-fite können sämtliche Schadensarten und Schadensorte klassifiziert sein. Ein optionaler Machine-Learning-Algorithmus kann zu einem Ergebnis kommen (S12) Die beispielhafte Software und/oder die Prognoseeinrichtung 20 können sich zum Beispiel aus vorgefertigten Textbausteinen, Schadens arten und Schadensorten einen Text und/oder eine Auflistung zusammen- stellen (S13).

Claims

PATENTANSPRÜCHE:
1. Verfahren zum Bereitstellen einer Instandhaltungsprognose für ein
Kraftfahrzeug, wobei eine Prognoseeinrichtung (20) durchführt:
- Bereitstellen eines digitalen Bildes oder einer digitalen Bilderserie ei nes vorgegebenen Kraftfahrzeugs (10), wobei das bereitgestellte digi tale Bild oder die bereitgestellte digitale Bilderserie zumindest einen Anteil des vorgegebenen Kraftfahrzeugs (10) zeigt (S2),
- anhand des bereitgestellten Bildes oder der bereitgestellten Bilderse rie: Feststellen mindestens eines optisch ausgeprägten Schadens (14) an einem Bauteil (12) des vorgegebenen Kraftfahrzeugs (10, S3),
- Feststellen desjenigen Bauteils (12) des vorgegebenen Kraftfahrzeugs (10), das den jeweiligen festgestellten Schaden (14) aufweist (S6),
- Betreiben einer Deep-Learning-Engine (22, S7), wobei durch die Deep-Learning-Engine (22) zu einer Vielzahl von Kraftfahrzeugen Schäden von Bauteilen dieser Kraftfahrzeuge und Reparaturmaß nahmen und deren Reparaturparameter statistisch zusammengefasst sind, ,
- Verarbeiten einer Gesamtheit an festgestellten Schäden (14) mittels der Deep-Learning-Engine (22, S8) und hierdurch Ermitteln des jewei ligen mindestens einen Reparaturparameters zu jedem des mindes tens einen festgestellten Schadens (14, S10) des vorgegebenen Kraft fahrzeugs (10),
- Verarbeiten einer Gesamtheit an ermittelten Reparaturparametern mit tels der Deep-Learning-Engine (22, S11 ) und hierdurch Ermitteln der Instandhaltungsprognose (S12), und
- Bereitstellen einer Protokolldatei, die einen die ermittelte Instandhal tungsprognose beschreibenden Text umfasst (S13).
2. Verfahren nach Anspruch 1 , wobei die ermittelte Instandhaltungsprog nose den mindestens einen festgestellten Schaden; und/oder den je weiligen ermittelten mindestens einen Reparaturparameter; und/oder eine Wahrscheinlichkeit, dass der mindestens eine festgestellte Scha den ein Reversibilitätskriterium erfüllt, welches vorgibt, dass der fest- gestellte Schaden durch eine oder die Reparaturmaßnahme behebbar ist, beschreibt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei der min destens eine ermittelte Reparaturparameter beschreibt: einen zeitlichen Aufwand zum Beheben des festgestellten Schadens (14); und/oder ei nen Kostenaufwand zum Beheben des festgestellten Schadens (14); und/oder einen Wertverlust des vorgegebenen Kraftfahrzeugs (10) durch den festgestellten Schaden (14) und/oder durch die Reparatur maßnahme; und/oder eine Position des festgestellten Schadens (14) am vorgegebenen Kraftfahrzeug (10).
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bereitstellen des digitalen Bildes oder der digitalen Bilderserie (S1 ) um fasst:
- Erfassen einer Außenwandung des vorgegebenen Kraftfahrzeugs (10), und/oder
- Erfassen eines Innenraums des vorgegebenen Kraftfahrzeugs (10).
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Feststellen des mindestens einen optisch ausgeprägten Schadens (14) an einem Bauteil (12) des vorgegebenen Kraftfahrzeugs (10, S3) um fasst:
- durch die Prognoseeinrichtung (20): Feststellen eines Grads einer Ausprägung eines Merkmals des Bauteils (12, S4), und
- durch die Prognoseeinrichtung (20): Prüfen, ob der festgestellte Grad der Ausprägung ein vorgegebenes Schadkriterium erfüllt (S5), wel ches ein Abweichen des festgestellten Grads von einem vorgegebe nen Normbereich beschreibt,
wobei die Prognoseeinrichtung (20) den mindestens einen optisch aus geprägten Schaden (14) nur bei Erfüllen des vorgegebenen Schadkrite riums feststellt (S3).
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Prognoseeinrichtung (20) durchführt:
- Empfangen eines Kraftfahrzeugzustandsignals, das Kraftfahrzeugda ten zu einem Zustand eines Kraftfahrzeugsystems beschreibt (S9), und
- Feststellen mindestens eines weiteren Schadens (14) anhand der Kraftfahrzeugdaten (S3),
wobei das Verarbeiten der Gesamtheit an festgestellten Schäden (14) mittels der Deep-Learning-Engine (22, S8) anhand des mindestens ei nen weiteren festgestellten Schadens (14) erfolgt
7. Speichermedium (18) mit einem Programmcode, der dazu eingerichtet ist, bei Ausführen durch eine Prozessoreinrichtung (24) eines mobilen Endgeräts (28) ein Verfahren nach einem der Ansprüche 1 bis 8 durch zuführen.
8. Mobiles, portables Endgerät (28) mit einem Speichermedium (18) nach Anspruch 7.
9. Servervorrichtung (16) zum Betreiben im Internet, aufweisend ein Spei chermedium (18) nach Anspruch 7.
10. Prognoseeinrichtung (20), die dazu eingerichtet ist, ein Verfahren nach einem der Ansprüche 1 bis 6 durchzuführen
11. Kraftfahrzeug (10), aufweisend eine Prognoseeinrichtung (20) nach Anspruch 10
PCT/EP2020/070181 2019-07-22 2020-07-16 Verfahren zum bereitstellen einer instandhaltungsprognose für ein kraftfahrzeug, speichermedium, mobiles portables endgerät, servervorrichtung, prognoseeinrichtung, und kraftfahrzeug WO2021013701A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019210787.7 2019-07-22
DE102019210787.7A DE102019210787A1 (de) 2019-07-22 2019-07-22 Verfahren zum Bereitstellen einer Instandhaltungsprognose für ein Kraftfahrzeug, Speichermedium, mobiles portables Endgerät, Servervorrichtung, Prognoseeinrichtung, und Kraftfahrzeug

Publications (1)

Publication Number Publication Date
WO2021013701A1 true WO2021013701A1 (de) 2021-01-28

Family

ID=71728730

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/070181 WO2021013701A1 (de) 2019-07-22 2020-07-16 Verfahren zum bereitstellen einer instandhaltungsprognose für ein kraftfahrzeug, speichermedium, mobiles portables endgerät, servervorrichtung, prognoseeinrichtung, und kraftfahrzeug

Country Status (2)

Country Link
DE (1) DE102019210787A1 (de)
WO (1) WO2021013701A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022106764A1 (de) 2022-03-23 2023-09-28 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Zustandskontrolle einer Komponente in einer Komponentenumgebung

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013218299A1 (de) * 2013-09-12 2015-03-12 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Detektieren eines Schadens eines Fahrzeugs anhand eines Prüfbilds, entsprechendes System und Computerprogrammprodukt
DE102014224409A1 (de) 2014-11-28 2016-06-02 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Bewerten eines Schadens an einem Bauteil einesFortbewegungsmittels
DE102015223427A1 (de) 2015-11-26 2017-06-01 Robert Bosch Gmbh Vorrichtung und Verfahren zur Visualisierung und Dokumentation von Schäden
DE102017203661A1 (de) * 2017-03-07 2018-09-13 Audi Ag Verfahren zur Schadenserkennung an einem Prüfobjekt, insbesondere an einem Kraftfahrzeug, sowie Prüfvorrichtung
DE102017212370A1 (de) 2017-07-19 2019-01-24 Robert Bosch Gmbh Verfahren und Vorrichtung zum Identifizieren von Schäden in Fahrzeugscheiben

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170148102A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Damage assessment and repair based on objective surface data
DE102017213714B4 (de) * 2017-08-07 2020-01-09 Audi Ag Verfahren zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen sowie Prognoseeinrichtung
US10627245B2 (en) * 2017-10-05 2020-04-21 Ford Global Technologies, Llc Vehicle service control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013218299A1 (de) * 2013-09-12 2015-03-12 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Detektieren eines Schadens eines Fahrzeugs anhand eines Prüfbilds, entsprechendes System und Computerprogrammprodukt
DE102014224409A1 (de) 2014-11-28 2016-06-02 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Bewerten eines Schadens an einem Bauteil einesFortbewegungsmittels
DE102015223427A1 (de) 2015-11-26 2017-06-01 Robert Bosch Gmbh Vorrichtung und Verfahren zur Visualisierung und Dokumentation von Schäden
DE102017203661A1 (de) * 2017-03-07 2018-09-13 Audi Ag Verfahren zur Schadenserkennung an einem Prüfobjekt, insbesondere an einem Kraftfahrzeug, sowie Prüfvorrichtung
DE102017212370A1 (de) 2017-07-19 2019-01-24 Robert Bosch Gmbh Verfahren und Vorrichtung zum Identifizieren von Schäden in Fahrzeugscheiben

Also Published As

Publication number Publication date
DE102019210787A1 (de) 2021-01-28

Similar Documents

Publication Publication Date Title
DE102006048578B4 (de) Verfahren und Vorrichtung zum Bestimmen der Veränderung der Form eines dreidimensionalen Objektes
DE112020003380B4 (de) Ermittlung des zustands der infrastruktur in einem interessierenden bereich
WO2014094703A1 (de) Verfahren zur analyse einer lauffläche eines reifens und zur typenidentifikation eines reifens
DE102019124504A1 (de) Verfahren und Vorrichtung zur Simulation und Bewertung eines Sensorsystems für ein Fahrzeug sowie Verfahren und Vorrichtung zum Entwurf eines Sensorsystems zur Umfelddetektion für ein Fahrzeug
DE112012003403T5 (de) Verfahren, Vorrichtung und Computerprogramm zum Erkennen eines Auftretens von Abnormität
DE102019115356A1 (de) Fahrzeugfehler-grundursachendiagnose
WO2019015851A1 (de) Verfahren und vorrichtung zum identifizieren von schäden in fahrzeugscheiben
WO2021013701A1 (de) Verfahren zum bereitstellen einer instandhaltungsprognose für ein kraftfahrzeug, speichermedium, mobiles portables endgerät, servervorrichtung, prognoseeinrichtung, und kraftfahrzeug
DE102017221891B4 (de) Verfahren zum Bestimmen eines Schadens, der bei einem Unfall zwischen einem Fahrzeug und einem Stoßpartner an dem Fahrzeug auftritt
DE102020118450A1 (de) Verfahren und System zum Erzeugen von Testdaten für eine Simulation zur Absicherung einer Fahrfunktion zum automatisierten Fahren
DE102017109132A1 (de) Verfahren und IT-Infrastruktur zum modellbasierten Testen von Software für ein Fahrzeug-Anwendungssystem und zum Bereitstellen entsprechender Testergebnisse
DE102019208448A1 (de) Verfahren zur Überprüfung eines Geräts oder einer Maschine
EP3002717A1 (de) Verfahren und system zum erfassen der zum abschluss und zur durchführung eines wartungs- und/oder reparaturvertrages erforderlichen informationen
DE102019208735A1 (de) Verfahren zum Betreiben eines Fahrassistenzsystems eines Fahrzeugs und Fahrerassistenzsystem für ein Fahrzeug
DE102014114204A1 (de) Verfahren und System zum Erfassen der zum Abschluss und zur Durchführung eines Wartungs- und/oder Reparaturvertrages erforderlichen Informationen
WO2014177309A1 (de) Informationssystem und verfahren zur informationsverarbeitung, insbesondere zur unterstützung von arbeiten in einer kraftfahrzeug-werkstatt
DE102014224409A1 (de) Verfahren und Vorrichtung zum Bewerten eines Schadens an einem Bauteil einesFortbewegungsmittels
DE102021115454B4 (de) Verfahren und System zum Überprüfen einer Beschaffenheit eines Kraftfahrzeugs
DE102016009199B4 (de) Verfahren zum Betreiben einer Datenerfassungseinheit zum Erfassen von mindestens einem Steuerungsereignis einer Steuerungvorrichtung eines Kraftfahrzeugs sowie eine Datenerfassungseinheit und eine Datenverarbeitungseinheit
EP3754544A1 (de) Erkennungssystem, arbeitsverfahren und trainingsverfahren
WO2012003816A1 (de) Automatische kalkulation und dokumentation von schäden
DE102010020149A1 (de) System zur automatischen Überprüfung von schadhaften Bauteilen an Maschinen und Anlagen
DE102020004792A1 (de) Verfahren und Vorrichtung zur Erkennung und Meldung von Parkunfällen für Fahrzeuge
DE102019124257A1 (de) Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug und Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges
WO2011141008A1 (de) System zur automatischen überprüfung von schadhaften bauteilen an maschinen und anlagen

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: 20743115

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20743115

Country of ref document: EP

Kind code of ref document: A1