WO2021254672A1 - Verfahren, vorrichtung, computerprogramm und computerlesbares speichermedium zum ermitteln eines neuronalen netzes und zum betreiben eines fahrzeuges - Google Patents

Verfahren, vorrichtung, computerprogramm und computerlesbares speichermedium zum ermitteln eines neuronalen netzes und zum betreiben eines fahrzeuges Download PDF

Info

Publication number
WO2021254672A1
WO2021254672A1 PCT/EP2021/058394 EP2021058394W WO2021254672A1 WO 2021254672 A1 WO2021254672 A1 WO 2021254672A1 EP 2021058394 W EP2021058394 W EP 2021058394W WO 2021254672 A1 WO2021254672 A1 WO 2021254672A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
bus
neural network
time
messages
Prior art date
Application number
PCT/EP2021/058394
Other languages
English (en)
French (fr)
Inventor
Dina Khaled Saber Amin Aladawy
Bernhard Schlegel
Philipp Reinisch
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
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 Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to CN202180028989.5A priority Critical patent/CN115427977A/zh
Priority to US17/922,956 priority patent/US20230169310A1/en
Publication of WO2021254672A1 publication Critical patent/WO2021254672A1/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle

Definitions

  • Method, device, computer program and computer-readable storage medium for determining a neural network and for operating a vehicle
  • the invention relates to a method for determining a neural network.
  • the invention also relates to a device for determining a neural network.
  • the invention also relates to a computer program and a computer-readable storage medium for determining a neural network.
  • the invention also relates to a method for operating a vehicle.
  • the invention also relates to a device for operating a vehicle.
  • the invention also relates to a computer program and a computer-readable storage medium for operating a vehicle.
  • a vehicle can have a vehicle bus which is designed to transmit data and / or messages. If the bus load on the vehicle bus is too high, data and / or messages that are to be transmitted via the vehicle bus cannot be transmitted. For example, a so-called cycle time violation can occur. This can result in a safety-critical error with respect to the vehicle and / or an error with respect to the vehicle that can be perceived by a user of the vehicle. As a result, a state when the vehicle is being operated can deviate from a target state when the vehicle is being operated.
  • One object on which the invention is based is to create a method that contributes to safe and comfortable operation of a vehicle.
  • a corresponding device, a corresponding computer program and computer-readable storage medium are to be created.
  • the invention is characterized by a method for determining a neural network which is designed to process temporal dependencies.
  • input training data include identification information of messages of a vehicle bus of a vehicle and information regarding time intervals between the messages.
  • the messages were transmitted over the vehicle bus in a first predetermined period of time.
  • Initial training data will be provided.
  • the initial training data are representative of a bus load on the vehicle bus in a second predetermined time period.
  • the second predetermined period of time is arranged after the first predetermined period of time.
  • the neural network is determined as a function of the input training data and the output training data.
  • the determined neural network is stored as a pre-trained neural network.
  • the method according to the first aspect makes it possible to determine the neural network in such a way that the bus load of the vehicle bus can be predicted in the second predetermined time period.
  • the neural network that is designed to process temporal dependencies is, for example, a feedback neural network.
  • Initial training data can be determined and / or provided as a function of historical data (so-called “naturalistic data”) that were determined from one or more vehicles.
  • the vehicle according to the first aspect is one of these vehicles.
  • the one or more vehicles are part
  • the one or more vehicles are so-called development vehicles, which are designed to record the history data.
  • the history data include track data (so-called "trace data") which are representative of a recording or several recordings a respective vehicle bus communication of the one or more vehicles.
  • a lane comprises a time sequence of messages that were transmitted via a vehicle bus of the respective vehicle, as well as transmission times assigned to the messages.
  • a transmission time assigned to a respective message can also be referred to as a time stamp of the respective message.
  • a respective item of identification information for a respective message is representative of a type of message. Furthermore, the respective identification information is unique. Optionally, the respective identification information can be representative of a priority of the respective message with regard to the transmission via the vehicle bus.
  • the vehicle bus can comprise any vehicle bus of the vehicle, such as a CAN bus (so-called “Controller Area Network”) and / or a FlexRay bus and / or a MOST bus (so-called "Media Oriented Systems Transport”) and / or a bus based on Ethernet and / or a LIN bus (so-called “Local Interconnect Network”) or the like.
  • vehicle bus can also be referred to as a vehicle bus system.
  • the identification information of the messages of the vehicle bus corresponds to the so-called frame IDs of the messages.
  • a frame ID is representative of a numerical value that is assigned to a message.
  • a small numerical value of the frame ID is representative of a high priority with regard to the transmission of the message assigned to the frame ID via the CAN bus.
  • the identification information of the messages of the vehicle bus can correspond to several data fields of the messages.
  • the information relating to the time intervals between the messages is information relating to the time intervals between the messages
  • the second predefined period of time is arranged directly after the first predefined period of time.
  • the bus load of the vehicle bus in the second predetermined time period is representative of a number of messages which are transmitted via the vehicle bus in the second predetermined time period.
  • the bus load of the vehicle bus in the second predetermined time period is representative of a number of messages which are transmitted via the vehicle bus in the second predetermined time period.
  • the bus load of the vehicle bus in the second predetermined time period is representative of a bus load rate.
  • the bus load rate can range from 0 to 100 percent.
  • the bus load rate is determined in relation to a maximum bus load of the vehicle bus.
  • the maximum bus load of the vehicle bus in the second predetermined time period is representative of a maximum number of messages that can be transmitted via the vehicle bus in the second predetermined time period.
  • a bus load rate of 100 percent is representative of the fact that the bus load corresponds to the maximum bus load.
  • the neural network which is designed to process temporal dependencies, is a recurrent neural network, RNN, and / or a neural network with a long length Short-term memory, LSTM, and / or a neural network with gated recurrent unit, GRU.
  • Neural networks that are designed to process temporal dependencies are, for example, recurrent neural networks (RNN) and / or neural networks with a long short-term memory (so-called “Long short-term memory, LSTM”) and / or neural networks with a so-called “ gated recurrent unit (GRU) "or the like.
  • RNN recurrent neural networks
  • LSTM long short-term memory
  • GRU gated recurrent unit
  • the neural network is a folded neural network (so-called “convolutional neural network, CNN”).
  • the neural network with the so-called “gated recurrent unit (GRU)” is particularly advantageous in this context.
  • GRU gated recurrent unit
  • the neural network is determined as a function of an optimization method.
  • the optimization process can also be referred to as a training process.
  • the optimization method can include any optimization method or any optimization algorithm for neural networks, such as a so-called Adam optimization algorithm and / or a gradient descent optimization method (so-called “stochastic gradient descent, SGD”) and / or a so-called RMSprop optimization method or the like.
  • a so-called Adam optimization algorithm and / or a gradient descent optimization method (so-called “stochastic gradient descent, SGD") and / or a so-called RMSprop optimization method or the like.
  • the neural network can also be determined as a function of several optimization methods.
  • the first predefined period of time comprises a period of time between 10 and 100 ms and the second predefined period of time comprises a period of time between 1 and 10 ms.
  • the first predetermined period of time comprises a period of 60 ms.
  • the second predetermined period of time comprises a period of 4 ms.
  • the invention is characterized by a method for operating a vehicle.
  • a pre-trained neural network which is designed to process temporal dependencies.
  • input data are provided for the pre-trained neural network.
  • the input data include identification information of messages of a vehicle bus of the vehicle and information regarding the time intervals between the messages. The news was broadcast over the first given period of time Transfer vehicle bus.
  • a bus load of the vehicle bus is determined in a second predetermined period of time.
  • the second predetermined period of time is arranged after the first predetermined period of time.
  • the vehicle is operated as a function of the determined bus load in the second predetermined period of time.
  • the provided pre-trained neural network is the stored pre-trained neural network according to the first aspect and / or its optional configurations.
  • the vehicle according to the second aspect is different from the vehicle according to the first aspect.
  • the vehicle according to the second aspect can correspond to the vehicle according to the first aspect.
  • the method according to the second aspect makes it possible to predict the bus load in the second predetermined time period.
  • the bus load can thus be determined before the bus load can be measured, for example. This is advantageous, for example, compared to a determination and / or measurement of the bus load with a retroactive effect in time, which can involve a high computational effort and / or a complex determination. Furthermore, in this case, a high bus load can only be determined after or when it occurs, and thus an error triggered as a result cannot be prevented.
  • the determination of such a prediction of the bus load can be used to identify an error in the operation of the vehicle. As a result, a contribution can be made to avoid the error when operating the vehicle, whereby the road safety of the vehicle is increased. Furthermore, the satisfaction of a user of the vehicle can thereby be increased. Furthermore, comfort for the user when operating the vehicle can thereby be increased.
  • Such an error when operating the vehicle can occur, for example, if a message is not transmitted or transmitted too late (so-called "cycle time violation") via the vehicle bus. This can be the case in particular if several messages that are to be transmitted via the vehicle bus at the same time have the same priority with regard to their transmission via the vehicle bus and / or the bus load of the vehicle bus is already high (so-called "bus load peak ”) with respect to a maximum bus load of the vehicle bus.
  • the method according to the second aspect is carried out, for example, in the vehicle in real time at a point in time t0.
  • the first predetermined time period is representative of points in time which are arranged in time before t0, such as, for example, points in time t-1, t-2, t-3 or the like.
  • the first predetermined period of time can include time t0.
  • the second predetermined time period is representative of points in time which are arranged in time after t0, such as points in time t + 1, t + 2, t + 3 or the like, for example.
  • the first predetermined time period and / or the second predetermined time period according to the second aspect can have the same properties as the first predetermined time period and / or the second predetermined time period according to the first aspect.
  • the vehicle bus, the identification information, the information on time intervals between the messages and the bus load according to the second aspect may have the same properties as the vehicle bus, the identification information, the information on time intervals between the messages and the bus load according to the first aspect.
  • the vehicle is operated as a function of the determined bus load in the second predetermined time period and a predetermined bus load limit value and / or the maximum bus load.
  • the specified bus load limit value is representative of a value of the bus load at which no error occurs in relation to the operation of the vehicle and / or in which the effect of the error in relation to the operation of the vehicle is minimal.
  • the operation of the vehicle includes a bus load analysis depending on the determined bus load.
  • the bus load analysis can be designed to determine information that is representative of a cause of the determined bus load.
  • the bus load analysis can include a method for interpretable machine learning (so-called “interpretable machine learning”).
  • the input data are dependent on the vehicle bus iteratively provided when another message is transmitted via the vehicle bus.
  • a respective further message is transmitted over the vehicle bus in a range of one to a few milliseconds.
  • the vehicle is operated as a function of the determined bus load in such a way that a bus subscriber of the vehicle bus is determined as a function of the determined bus load in order to adapt the transmission of messages via the vehicle bus by the bus subscriber.
  • the bus subscriber is determined as a function of the determined bus load and / or the specified bus load limit value and / or the maximum bus load.
  • the adaptation of the transmission of messages via the vehicle bus by the bus subscriber includes the determination of a control command which is representative of the adaptation of the transmission of messages via the Vehicle bus by the bus participant.
  • the control command can be made available to the bus participant.
  • the bus subscriber can be muted in relation to the vehicle bus as a function of the control command. Muting the bus subscriber with regard to the vehicle bus is representative of the fact that the bus subscriber cannot, for example, transmit any further messages via the vehicle bus.
  • Such muting of the bus subscriber can take place, for example, for the second predetermined time period and / or for predetermined times of the second predetermined time period and / or for a third predetermined time period or the like.
  • the adaptation of the transmission of messages via the vehicle bus by the bus subscriber comprises an adaptation of the identification information of one or more messages that can be transmitted by the bus subscriber.
  • a type of the respective message and / or a priority of the respective message can be adapted with regard to the transmission via the vehicle bus. For example, this can be done depending on the bus load analysis.
  • the bus subscriber is, for example, a control device of the vehicle and / or a sensor of the vehicle and / or an actuator of the vehicle or the like.
  • the invention is characterized by a device, the device being designed to use the method for determining a neural network and / or an optional embodiment of the method for determining a neural network and / or the method for operating a vehicle and / or to carry out an optional refinement of the method for operating a vehicle.
  • the invention is characterized by a computer program, the computer program comprising instructions which, when the computer program is executed by a computer, cause the computer to use the method for determining a neural network and / or an optional embodiment of the method for Determine a neural network and / or carry out the method for operating a vehicle and / or an optional embodiment of the method for operating a vehicle.
  • the invention is characterized by a computer-readable storage medium on which the computer program according to the fourth aspect is stored.
  • the method according to the first aspect and its optional refinements and / or the method according to the second aspect and its optional refinements can be applied analogously to other areas of application, for example to data traffic in to predict any network and / or a data center and to determine appropriate measures at an early stage.
  • the method according to the first aspect and its optional configurations and / or the method according to the second aspect and its optional configurations can be carried out independently of a bus specification of the vehicle bus and / or independently of a message specification of the messages.
  • the method according to the first aspect and its optional refinements and / or the method according to the second aspect and its optional refinements can be applied analogously to future vehicle buses or bus systems not mentioned here.
  • Figure 1 is a schematic drawing of a distributed system
  • FIG. 2 shows a flow chart of a first program for determining a neural network which is designed to process temporal dependencies
  • FIG. 3 shows a flow chart of a second program for operating a vehicle.
  • FIG. 1 shows a schematic drawing of a distributed system.
  • the distributed system includes a vehicle 10.
  • the vehicle 10 has a first processing device 11.
  • the first processing device 11 comprises, for example, a first control device of the vehicle 10 and / or a first sensor of the vehicle 10 and / or a first actuator of the vehicle 10 or the like.
  • the vehicle 10 has a second processing device 12.
  • the second processing device 12 includes, for example, a second control device of the vehicle 10 and / or a second Sensor of vehicle 10 and / or a second actuator of vehicle 10 or the like.
  • the vehicle 10 has a third processing device 13.
  • the third processing device 13 comprises, for example, a third control device of the vehicle 10 and / or a third sensor of the vehicle 10 and / or a third actuator of the vehicle 10 or the like.
  • the vehicle 10 also has a vehicle bus 15.
  • vehicle bus 15 can comprise any vehicle bus of the vehicle 10, such as a CAN bus (so-called “Controller Area Network”) and / or a FlexRay bus and / or a MOST bus (so-called “Media Oriented Systems Transport”) and / or a bus based on Ethernet and / or a LIN bus (so-called “Local Interconnect Network”) or the like.
  • the vehicle 10 also has a device 17.
  • the device 17 has a pre-trained neural network and is designed to determine a bus load of the vehicle bus 15 as a function of the pre-trained neural network.
  • the device 17 can be provided with identification information from messages from the vehicle bus 15 and information relating to time intervals between the messages.
  • Processing device 13 and device 17 are signal-coupled to one another via vehicle bus 15.
  • the first processing device 11, the second processing device 12, the third processing device 13 and the device 17 have corresponding communication interfaces for this.
  • the first processing device 11 and / or the second processing device 12 and / or the third processing device 13 are designed to
  • the first processing device 11 and / or the second processing device 12 and / or the third processing device 13 can also be referred to as bus users.
  • FIG. 2 shows a flow chart of a first program for determining a neural network which is designed to process temporal dependencies.
  • the first program can in particular be executed by a first device.
  • the first device has in particular a first arithmetic unit, a first program memory and a first data memory, as well as, for example, one or more first communication interfaces.
  • Communication interfaces can be embodied in one structural unit and / or distributed over several structural units.
  • the first device is, for example, device 17.
  • the first program is stored in the first program memory and first data memory of the first device.
  • the first program is started in a step S101, in which variables can be initialized if necessary.
  • input training data are provided.
  • the input training data include identification information of messages of a vehicle bus of a vehicle and information regarding time intervals between the messages. The messages were transmitted over the vehicle bus in a first predetermined period of time.
  • the first predefined period of time comprises a period of time between 10 and 100 ms.
  • the first predetermined period of time comprises a period of 60 ms.
  • initial training data are provided.
  • the initial training data are representative of a bus load on the vehicle bus in a second predetermined time period.
  • the second predetermined period of time is arranged after the first predetermined period of time.
  • the second predefined period of time comprises a period of time between 1 and 10 ms.
  • the second predefined period of time comprises a period of 4 ms.
  • the neural network which is designed to process temporal dependencies, is determined as a function of the input training data and the output training data.
  • the neural network which is designed to process temporal dependencies, is a recurrent neural network, RNN, and / or a neural network with long short-term memory, LSTM, and / or a neural network with a gated recurrent unit , GRU.
  • the neural network is determined as a function of an optimization method.
  • the optimization method is a so-called Adam optimization algorithm.
  • the determined neural network is stored as a pre-trained neural network.
  • step S109 the first program is ended in step Sill and can, if necessary, be started again in step S101.
  • FIG. 3 shows a flow chart of a second program for operating a vehicle 10.
  • the second program can in particular be executed by a second device.
  • the second device has, in particular, a second processing unit, a second program memory and a second data memory, as well as, for example, one or more second communication interfaces.
  • the second program memory and second data memory and / or the second computing unit and / or the second communication interfaces can be embodied in one structural unit and / or distributed over a plurality of structural units.
  • the second device is device 17.
  • the second program in particular, is stored in the second program memory and the second data memory of the second device.
  • the second program is started in a step S201, in which variables can be initialized if necessary.
  • a pre-trained neural network is provided which is designed to process temporal dependencies.
  • a step S205 input data for the pre-trained neural network are provided as a function of the vehicle bus 15 of the vehicle 10.
  • the input data include identification information of messages from a vehicle bus 15 of the vehicle 10 and information relating to the time intervals between the messages.
  • the messages were transmitted via the vehicle bus 15 in a first predetermined period of time.
  • step S205 the input data are iteratively provided as a function of the vehicle bus 15 when a further message is transmitted via the vehicle bus 15.
  • a bus load on vehicle bus 15 is determined in a second predetermined period of time.
  • the second predetermined period of time is arranged after the first predetermined period of time.
  • the vehicle 10 is operated as a function of the determined bus load in the second predetermined time period.
  • step S209 the vehicle 10 is operated as a function of the determined bus load in such a way that, depending on the determined bus load, a bus subscriber of the vehicle bus 15 is determined for the adaptation of the transmission of messages via the vehicle bus 15 by the bus subscriber.
  • the bus subscriber is determined as a function of the determined bus load and a specified bus load limit value.
  • the determined bus subscriber is the first processing device 11.
  • a control command is determined which is representative of the adaptation of the transmission of messages via the vehicle bus 15 by the bus user.
  • control command is made available to the bus subscriber and the bus subscriber is muted with respect to the vehicle bus 15 as a function of the control command.
  • step S209 the first program is ended in step S211 and can optionally be started again in step S201 or step S205.

Abstract

Bei einem Verfahren zum Ermitteln eines neuronalen Netzes werden Eingangstrainingsdaten bereitgestellt. Die Eingangstrainingsdaten umfassen Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses eines Fahrzeuges und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten. Die Nachrichten wurden in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus übertragen. Ausgangstrainingsdaten werden bereitgestellt. Die Ausgangstrainingsdaten sind repräsentativ für eine Buslast des Fahrzeugbusses in einem zweiten vorgegebenen Zeitraum. Der zweite vorgegebene Zeitraum ist zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet. Abhängig von den Eingangstrainingsdaten und den Ausgangstrainingsdaten das neuronale Netz ermittelt wird. Das ermittelte neuronale Netz wird als vortrainiertes neuronales Netz gespeichert.

Description

Beschreibung
Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zum Ermitteln eines neuronalen Netzes und zum Betreiben eines Fahrzeuges
Die Erfindung betrifft ein Verfahren zum Ermitteln eines neuronalen Netzes. Die Erfindung betrifft des Weiteren eine Vorrichtung zum Ermitteln eines neuronalen Netzes. Die Erfindung betrifft des Weiteren ein Computerprogramm und ein computerlesbares Speichermedium zum Ermitteln eines neuronalen Netzes.
Die Erfindung betrifft des Weiteren ein Verfahren zum Betreiben eines Fahrzeuges. Die Erfindung betrifft des Weiteren eine Vorrichtung zum Betreiben eines Fahrzeuges. Die Erfindung betrifft des Weiteren ein Computerprogramm und ein computerlesbares Speichermedium zum Betreiben eines Fahrzeuges .
Ein Fahrzeug kann einen Fahrzeugbus aufweisen, der dazu ausgebildet ist, Daten und/oder Nachrichten zu übertragen. Eine zu hohe Buslast des Fahrzeugbusses kann dazu führen, dass Daten und/oder Nachrichten, die über den Fahrzeugbus übertragen werden sollen, nicht übertragen werden können. Beispielsweise kann eine sogenannte Zykluszeitverletzung auftreten. Dies kann einen sicherheitskritischer Fehler bezüglich des Fahrzeuges und/oder einen durch einen Benutzer des Fahrzeuges wahrnehmbaren Fehler bezüglich des Fahrzeuges zur Folge haben. Dadurch kann ein Zustand beim Betreiben des Fahrzeuges von einem Soll-Zustand beim Betreiben des Fahrzeuges abweichen. Eine Aufgabe, die der Erfindung zugrunde liegt, ist es, ein Verfahren zu schaffen, das zu einem sicheren sowie komfortablen Betreiben eines Fahrzeuges beiträgt. Darüber hinaus sollen eine korrespondierende Vorrichtung, ein korrespondierendes Computerprogramm sowie computerlesbares Speichermedium geschaffen werden.
Die Aufgabe wird gelöst durch die Merkmale der unabhängigen Patentansprüche. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.
Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zum Ermitteln eines neuronalen Netzes, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten .
Gemäß dem ersten Aspekt werden Eingangstrainingsdaten bereitgestellt. Die Eingangstrainingsdaten umfassen Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses eines Fahrzeuges und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten. Die Nachrichten wurden in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus übertragen. Ausgangstrainingsdaten werden bereitgestellt. Die Ausgangstrainingsdaten sind repräsentativ für eine Buslast des Fahrzeugbusses in einem zweiten vorgegebenen Zeitraum. Der zweite vorgegebene Zeitraum ist zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet. Abhängig von den Eingangstrainingsdaten und den Ausgangstrainingsdaten wird das neuronale Netz ermittelt. Das ermittelte neuronale Netz wird als vortrainiertes neuronales Netz gespeichert. Durch das Verfahren gemäß dem ersten Aspekt ist es möglich, das neuronale Netz derart zu ermitteln, dass die Buslast des Fahrzeugbusses in dem zweiten vorgegebenen Zeitraum prädiziert werden kann.
Das neuronale Netz, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten ist beispielsweise ein rückgekoppeltes neuronales Netz.
Die Eingangstrainingsdaten und/oder die
Ausgangstrainingsdaten können abhängig von Historiendaten (sogenannter „naturalistic data"), die von einem oder mehreren Fahrzeugen ermittelt wurden, ermittelt und/oder bereitgestellt werden. Das Fahrzeug gemäß dem ersten Aspekt ist eines dieser Fahrzeuge. Beispielsweise sind das eine bzw. die mehreren Fahrzeuge Teil einer Fahrzeugflotte. Beispielsweise ist das eine bzw. sind die mehreren Fahrzeuge sogenannte Entwicklungsfahrzeuge, welche zur Aufzeichnung der Historiendaten ausgebildet sind. Beispielsweise umfassen die Historiendaten Spur-Daten (sogenannte „Trace-Daten"), die repräsentativ sind für eine Aufzeichnung bzw. mehrere Aufzeichnungen einer jeweiligen Fahrzeugbuskommunikation des einen bzw. der mehreren Fahrzeuge. Eine Spur umfasst eine zeitliche Abfolge von Nachrichten, die über einen Fahrzeugbus des jeweiligen Fahrzeuges übertragen wurden, sowie den Nachrichten zugeordnete Übertragungszeitpunkte. Ein einer jeweiligen Nachricht zugeordneter Übertragungszeitpunkt kann auch als Zeitstempel der jeweiligen Nachricht bezeichnet werden.
Hierdurch ist es möglich, das neuronale Netz effizient und präzise zu ermitteln. Dies ist beispielsweise vorteilhaft gegenüber einem Verfahren, bei dem die Eingangstrainingsdaten und/oder die Ausgangstrainingsdaten abhängig von einer Simulation ermittelt werden.
Eine jeweilige Kennzeichnungsinformation einer jeweiligen Nachricht ist repräsentativ für eine Art der Nachricht. Des Weiteren ist die jeweilige Kennzeichnungsinformation einzigartig. Optional kann die jeweilige Kennzeichnungsinformation repräsentativ sein für eine Priorität der jeweiligen Nachricht bezüglich der Übertragung über den Fahrzeugbus.
Der Fahrzeugbus kann einen beliebigen Fahrzeugbus des Fahrzeuges umfassen, wie beispielsweise einen CAN-Bus (sogenanntes „Controller Area Network") und/oder einen FlexRay-Bus und/oder einen MOST-Bus (sogenannter „Media Oriented Systems Transport") und/oder einen Bus auf Basis von Ethernet und/oder ein LIN-Bus (sogenanntes „Local Interconnect Network") oder dergleichen. Der Fahrzeugbus kann auch als Fahrzeugbussystem bezeichnet werden.
Beispielsweise entsprechen die Kennzeichnungsinformationen der Nachrichten des Fahrzeugbusses im Falle eines CAN-Busses den sogenannten Frame-IDs der Nachrichten. Eine Frame-ID ist repräsentativ für einen Zahlenwert, der einer Nachricht zugeordnet ist. Beispielsweise ist ein kleiner Zahlenwert der Frame-ID repräsentativ für eine hohe Priorität bezüglich der Übertragung der der Frame-ID zugeordneten Nachricht über den CAN-Bus. Beispielsweise können die Kennzeichnungsinformationen der Nachrichten des Fahrzeugbusses im Falle von anderen Fahrzeugbussen mehreren Datenfeldern der Nachrichten entsprechen. Beispielsweise sind die Informationen bezüglich den zeitlichen Abständen zwischen den Nachrichten Informationen bezüglich zeitlicher Abstände zwischen den
Übertragungszeitpunkten und/oder Sendezeitpunkten und/oder Empfangszeitpunkten der jeweiligen Nachrichten.
Beispielsweise ist der zweite vorgegebene Zeitraum zeitlich direkt nach dem ersten vorgegebenen Zeitraum angeordnet.
Die Buslast des Fahrzeugbusses in dem zweiten vorgegebenen Zeitraum ist repräsentativ für eine Anzahl von Nachrichten, die über den Fahrzeugbus in dem zweiten vorgegebenen Zeitraum übertragen werden. Beispielsweise sind die
Ausgangstrainingsdaten repräsentativ für mehrere Buslasten des Fahrzeugbusses, wobei eine jeweilige der mehreren Buslasten einem Zeitpunkt des zweiten vorgegebenen Zeitraums zugeordnet ist. Zusätzlich oder alternativ ist die Buslast des Fahrzeugbusses in den zweiten vorgegebenen Zeitraum repräsentativ für eine Buslastrate. Die Buslastrate kann einen Wert von 0 bis 100 Prozent aufweisen. Beispielsweise wird die Buslastrate bezüglich einer Maximalbuslast des Fahrzeugbusses ermittelt. Die Maximalbuslast des Fahrzeugbusses in dem zweiten vorgegebenen Zeitraum ist repräsentativ für eine maximale Anzahl von Nachrichten die über den Fahrzeugbus in dem zweiten vorgegebenen Zeitraum übertragen werden können. Eine Buslastrate von 100 Prozent ist repräsentativ dafür, dass die Buslast der Maximalbuslast entspricht .
Gemäß einer optionalen Ausgestaltung des ersten Aspekts ist das neuronale Netz, das dazu ausgebildet ist zeitliche Abhängigkeiten zu verarbeiten, ein rekurrentes neuronales Netz, RNN, und/oder ein neuronales Netz mit langem Kurzzeitgedächtnis, LSTM, und/oder ein neuronales Netz mit gated-recurrent-unit , GRU.
Neuronale Netze, die dazu ausgebildet sind, zeitliche Abhängigkeiten zu verarbeiten, sind beispielsweise rekurrente neuronale Netze (RNN) und/oder neuronale Netze mit langem Kurzzeitgedächtnis (sogenanntes „Long short-term memory, LSTM") und/oder neuronale Netze mit einer sogenannten „gated- recurrent-unit (GRU)" oder dergleichen.
Alternativ ist das neuronale Netz ein gefaltetes neuronales Netz (sogenanntes „Convolutional Neural Network, CNN").
Hierdurch ist es möglich, das neuronale Netz effizient und präzise zu ermitteln. Des Weiteren kann hierdurch die zeitliche Abhängigkeit von Eingangsdaten des neuronalen Netzes bei der Ermittlung von Ausgangsdaten durch das neuronale Netz berücksichtigt werden. Beispielsweise ist das neuronale Netz mit der sogenannten „gated-recurrent-unit (GRU)" in diesem Zusammenhang besonders vorteilhaft.
Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts wird das neuronale Netz abhängig von einem Optimierungsverfahren ermittelt.
Das Optimierungsverfahren kann auch als Trainingsverfahren bezeichnet werden.
Das Optimierungsverfahren kann ein beliebiges Optimierungsverfahren bzw. einen beliebigen Optimierungsalgorithmus für neuronale Netze umfassen, wie beispielsweise ein sogenannter Adam-Optimierungsalgorithmus und/oder ein Gradientenabstiegsoptimierungsverfahren (sogenannter „stochastic gradient descent, SGD") und/oder ein sogenanntes RMSprop-Optimierungsverfahren oder dergleichen.
Das neuronale Netz kann auch abhängig von mehreren Optimierungsverfahren ermittelt werden.
Hierdurch ist es möglich, das neuronale Netz effizient und präzise zu ermitteln.
Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts umfasst der erste vorgegebene Zeitraum einen Zeitraum zwischen 10 und 100 ms und der zweite vorgegebene Zeitraum umfasst einen Zeitraum zwischen 1 und 10 ms.
Hierdurch ist es möglich, das neuronale Netz effizient und präzise zu ermitteln.
Insbesondere umfasst der erste vorgegebene Zeitraum einen Zeitraum von 60 ms. Insbesondere umfasst der zweite vorgegebene Zeitraum einen Zeitraum von 4 ms.
Gemäß dem zweiten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zum Betreiben eines Fahrzeuges.
Gemäß dem zweiten Aspekt wird ein vortrainiertes neuronales Netz bereitgestellt, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten. Abhängig von dem Fahrzeugbus des Fahrzeuges werden Eingangsdaten für das vortrainierte neuronale Netz bereitgestellt. Die Eingangsdaten umfassen Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses des Fahrzeuges und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten. Die Nachrichten wurden in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus übertragen. Abhängig von den Eingangsdaten und dem vortrainierten neuronalen Netz wird eine Buslast des Fahrzeugbusses in einem zweiten vorgegebenen Zeitraum ermittelt. Der zweite vorgegebene Zeitraum ist zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet. Abhängig von der ermittelten Buslast in dem zweiten vorgegebenen Zeitraum wird das Fahrzeug betrieben.
Beispielsweise ist das bereitgestellte vortrainierte neuronale Netz, das gespeicherte vortrainierte neuronale Netz gemäß dem ersten Aspekt und/oder dessen optionalen Ausgestaltungen .
Beispielsweise ist das Fahrzeug gemäß dem zweiten Aspekt unterschiedlich zu dem Fahrzeug gemäß dem ersten Aspekt. Alternativ kann das Fahrzeug gemäß dem zweiten Aspekt dem Fahrzeug gemäß dem ersten Aspekt entsprechen.
Durch das Verfahren gemäß dem zweiten Aspekt ist es möglich, die Buslast in dem zweiten vorgegebenen Zeitraum zu prädizieren. Somit kann die Buslast ermittelt werden, bevor beispielsweise eine Messung der Buslast erfolgen kann. Dies ist beispielsweise vorteilhaft gegenüber einer zeitlich rückwirkenden Ermittlung und/oder Messung der Buslast, die einen hohen Rechenaufwand und/oder eine komplexen Ermittlung aufweisen kann. Des Weiteren kann in diesem Fall eine hohe Buslast erst nach oder bei ihrem Auftreten ermittelt werden und somit ein dadurch ausgelöster Fehler nicht verhindert werden.
Die Ermittlung einer derartigen Prädiktion der Buslast kann zur Erkennung von einem Fehler beim Betreiben des Fahrzeuges verwendet werden. In weiterer Folge kann dadurch ein Beitrag zur Vermeidung von dem Fehler beim Betreiben des Fahrzeuges geleistet werden, wodurch eine Verkehrssicherheit des Fahrzeuges erhöht wird. Des Weiteren kann dadurch eine Zufriedenheit eines Benutzers des Fahrzeuges erhöht werden. Des Weiteren kann dadurch ein Komfort beim Betreiben des Fahrzeuges für den Benutzer erhöht werden.
Ein derartiger Fehler beim Betreiben des Fahrzeuges kann beispielsweise auftreten, wenn eine Nachricht nicht oder zu spät (sogenannte „Zykluszeitverletzung") über den Fahrzeugbus übertragen wird. In weiterer Folge, kann beispielsweise eine Fahrzeugfunktion, die abhängig von dieser Nachricht ausgeführt werden soll nicht ordnungsgemäß ausgeführt werden. Dies kann insbesondere dann der Fall sein, wenn mehrere Nachrichten, die zu einem gleichen Zeitpunkt über den Fahrzeugbus übertragen werden sollen, eine gleiche Priorität bezüglich ihrer Übertragung über den Fahrzeugbus aufweisen und/oder die Buslast des Fahrzeugbusses bereits hoch ist (sogenannte „Buslastspitze") bezüglich einer Maximalbuslast des Fahrzeugbus.
Das Verfahren gemäß dem zweiten Aspekt wird beispielsweise in dem Fahrzeug in Echtzeit zu einem Zeitpunkt tO ausgeführt. In diesem Fall ist der erste vorgegebene Zeitraum repräsentativ für Zeitpunkte, die zeitlich vor tO angeordnet sind, wie beispielsweise Zeitpunkte t-1, t-2, t-3 oder dergleichen. Zusätzlich kann der der erste vorgegebene Zeitraum den Zeitpunkt tO umfassen. Der zweite vorgegebene Zeitraum ist in diesem Fall repräsentativ für Zeitpunkte, die zeitlich nach tO angeordnet sind, wie beispielsweise Zeitpunkte t+1, t+2, t+3 oder dergleichen. Der erste vorgegebene Zeitraum und/oder der zweite vorgegebene Zeitraum gemäß dem zweiten Aspekt können dieselben Eigenschaften aufweisen, wie der erste vorgegebene Zeitraum und/oder der zweite vorgegebene Zeitraum gemäß dem ersten Aspekt.
Der Fahrzeugbus, die Kennzeichnungsinformation, die Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten und die Buslast gemäß dem zweiten Aspekt können dieselben Eigenschaften aufweisen, wie der Fahrzeugbus, die Kennzeichnungsinformation, die Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten und die Buslast gemäß dem ersten Aspekt.
Beispielsweise wird das Fahrzeug abhängig von der ermittelten Buslast in dem zweiten vorgegebenen Zeitraum und einem vorgegebenen Buslastgrenzwert und/oder der Maximalbuslast betrieben. Der vorgegebene Buslastgrenzwert ist repräsentativ für einen Wert der Buslast, bei dem kein Fehler bezüglich des Betreibens des Fahrzeuges auftritt und/oder bei dem eine Auswirkung des Fehlers bezüglich des Betreibens des Fahrzeuges minimal ist.
Beispielsweise umfasst das Betreiben des Fahrzeuges abhängig von der ermittelten Buslast eine Buslastanalyse. Die Buslastanalyse ist kann dazu ausgebildet sein, eine Information zu ermitteln, die repräsentativ ist für eine Ursache der ermittelten Buslast. Die Buslastanalyse kann ein Verfahren für interpretierbares maschinelles Lernen (sogenanntes „Interpretable Machine Learning") umfassen.
Gemäß einer optionalen Ausgestaltung des zweiten Aspekts werden die Eingangsdaten abhängig von dem Fahrzeugbus iterativ bereitgestellt, wenn eine weitere Nachricht über den Fahrzeugbus übertragen wird.
Hierdurch ist es möglich, die Prädiktion der Buslast lückenlos zu ermitteln.
Beispielsweise wird eine jeweilige weitere Nachricht in einem Bereich von einer bis wenigen Millisekunden über den Fahrzeugbus übertragen.
Gemäß einer weiteren optionalen Ausgestaltung des zweiten Aspekts wird das Fahrzeug abhängig von der ermittelten Buslast derart betrieben, dass abhängig von der ermittelten Buslast ein Busteilnehmer des Fahrzeugbusses, zur Anpassung der Übertragung von Nachrichten über den Fahrzeugbus durch den Busteilnehmer, ermittelt wird.
Hierdurch ist es möglich, einen Beitrag zur Vermeidung des Fehlers beim Betreiben des Fahrzeuges zu leisten, wodurch eine Verkehrssicherheit des Fahrzeuges erhöht wird. Des Weiteren kann dadurch die Zufriedenheit des Benutzers des Fahrzeuges erhöht werden. Des Weiteren kann dadurch der Komfort beim Betreiben des Fahrzeuges für den Benutzer erhöht werden.
Beispielsweise wird der Busteilnehmer abhängig von der ermittelten Buslast und/oder dem vorgegebenen Buslastgrenzwert und/oder der Maximalbuslast ermittelt.
Beispielsweise umfasst die Anpassung der Übertragung von Nachrichten über den Fahrzeugbus durch den Busteilnehmer die Ermittlung eines Steuerbefehls, der repräsentativ ist für die Anpassung der Übertragung von Nachrichten über den Fahrzeugbus durch den Busteilnehmer. Der Steuerbefehl kann dem Busteilnehmer bereitgestellt werden. Zusätzlich oder alternativ kann der Busteilnehmer abhängig von dem Steuerbefehl stummgeschalten werden bezüglich des Fahrzeugbusses. Stummschalten des Busteilnehmers bezüglich des Fahrzeugbusses ist repräsentativ dafür, dass der Busteilnehmer beispielsweise keine weitere Nachricht über den Fahrzeugbus übertragen kann.
Eine derartige Stummschaltung des Busteilnehmers kann beispielsweise für den zweiten vorgegebenen Zeitraum und/oder für vorgegebene Zeitpunkte des zweiten vorgegebenen Zeitraums und/oder für einen dritten vorgegebenen Zeitraum oder dergleichen erfolgen.
Zusätzlich oder alternativ umfasst die Anpassung der Übertragung von Nachrichten über den Fahrzeugbus durch den Busteilnehmer eine Anpassung der Kennzeichnungsinformation einer oder mehrere Nachrichten, die durch den Busteilnehmer übertragen werden können. Insbesondere kann eine Art der jeweiligen Nachricht und/oder eine Priorität der jeweiligen Nachricht bezüglich der Übertragung über den Fahrzeugbus angepasst werden. Beispielsweise kann dies abhängig von der Buslastanalyse erfolgen.
Der Busteilnehmer ist beispielsweise ein Steuergerät des Fahrzeuges und/oder ein Sensor des Fahrzeuges und/oder ein Aktor des Fahrzeuges oder dergleichen.
Beispielsweise können auch mehrere Busteilnehmer des Fahrzeugbusses, zur Anpassung der Übertragung von Nachrichten über den Fahrzeugbus durch die jeweiligen Busteilnehmer, ermittelt werden. Gemäß einem dritten Aspekt zeichnet sich die Erfindung aus durch eine Vorrichtung, wobei die Vorrichtung dazu ausgebildet ist, das Verfahren zum Ermitteln eines neuronalen Netzes und/oder eine optionale Ausgestaltung des Verfahrens zum Ermitteln eines neuronalen Netzes und/oder das Verfahren zum Betreiben eines Fahrzeuges und/oder eine optionale Ausgestaltung des Verfahrens zum Betreiben eines Fahrzeuges auszuführen .
Gemäß einem vierten Aspekt zeichnet sich die Erfindung aus durch ein Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Computerprogramm von einem Computer ausgeführt wird, den Computer dazu veranlassen das Verfahren zum Ermitteln eines neuronalen Netzes und/oder eine optionale Ausgestaltung des Verfahrens zum Ermitteln eines neuronalen Netzes und/oder das Verfahren zum Betreiben eines Fahrzeuges und/oder eine optionale Ausgestaltung des Verfahrens zum Betreiben eines Fahrzeuges durchzuführen.
Gemäß einem fünften Aspekt zeichnet sich die Erfindung aus durch ein computerlesbares Speichermedium, auf dem das Computerprogramm gemäß dem vierten Aspekt gespeichert ist.
Optionale Ausgestaltungen des ersten Aspekts können auch entsprechend bei den weiteren Aspekten vorhanden sein und entsprechende Wirkungen aufweisen.
Beispielsweise kann bzw. können das Verfahren gemäß dem ersten Aspekt und dessen optionalen Ausgestaltungen und/oder das Verfahren gemäß dem zweiten Aspekt und dessen optionalen Ausgestaltungen sinngemäß auf andere Anwendungsbereiche angewandt werden, wie beispielsweise um den Datenverkehr in einem beliebigen Netzwerk und/oder einem Rechenzentrum zu prädizieren und entsprechende Maßnahmen frühzeitig zu ermitteln . Das Verfahren gemäß dem ersten Aspekt und dessen optionalen Ausgestaltungen und/oder das Verfahren gemäß dem zweiten Aspekt und dessen optionalen Ausgestaltungen kann bzw. können unabhängig von einer Busspezifikation des Fahrzeugbusses und/oder unabhängig von einer Nachrichtenspezifikation der Nachrichten ausgeführt werden.
Das Verfahren gemäß dem ersten Aspekt und dessen optionalen Ausgestaltungen und/oder das Verfahren gemäß dem zweiten Aspekt und dessen optionalen Ausgestaltungen kann bzw. können sinngemäß auf zukünftige hier nicht genannte Fahrzeugbusse bzw. Bussystem angewandt werden.
Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnungen näher erläutert.
Es zeigen:
Figur 1 eine schematische Zeichnung eines verteilten Systems,
Figur 2 ein Ablaufdiagramm eines ersten Programms zum Ermitteln eines neuronalen Netzes, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten, und
Figur 3 ein Ablaufdiagramm eines zweiten Programms zum Betreiben eines Fahrzeuges.
Elemente gleicher Konstruktion oder Funktion sind figurenübergreifend mit den gleichen Bezugszeichen gekennzeichnet .
Die Figur 1 zeigt eine schematische Zeichnung eines verteilten Systems. Das verteilte System umfasst ein Fahrzeug 10.
Das Fahrzeug 10 weist eine erste Verarbeitungsvorrichtung 11 auf. Die erste Verarbeitungsvorrichtung 11 umfasst beispielsweise ein erstes Steuergerät des Fahrzeuges 10 und/oder einen ersten Sensor des Fahrzeuges 10 und/oder einen ersten Aktor des Fahrzeuges 10 oder dergleichen.
Des Weiteren weist das Fahrzeug 10 eine zweite Verarbeitungsvorrichtung 12 auf. Die zweite Verarbeitungsvorrichtung 12 umfasst beispielsweise ein zweites Steuergerät des Fahrzeuges 10 und/oder einen zweiten Sensor des Fahrzeuges 10 und/oder einen zweiten Aktor des Fahrzeuges 10 oder dergleichen.
Des Weiteren weist das Fahrzeug 10 eine dritte Verarbeitungsvorrichtung 13 auf. Die dritte Verarbeitungsvorrichtung 13 umfasst beispielsweise ein drittes Steuergerät des Fahrzeuges 10 und/oder einen dritten Sensor des Fahrzeuges 10 und/oder einen dritten Aktor des Fahrzeuges 10 oder dergleichen.
Des Weiteren weist das Fahrzeug 10 einen Fahrzeugbus 15 auf. Der Fahrzeugbus 15 kann einen beliebigen Fahrzeugbus des Fahrzeuges 10 umfassen, wie beispielsweise einen CAN-Bus (sogenanntes „Controller Area Network") und/oder einen FlexRay-Bus und/oder einen MOST-Bus (sogenannter „Media Oriented Systems Transport") und/oder ein Bus auf Basis von Ethernet und/oder ein LIN-Bus (sogenanntes „Local Interconnect Network") oder dergleichen.
Des Weiteren weist das Fahrzeug 10 eine Vorrichtung 17 auf. Beispielsweise weist die Vorrichtung 17 ein vortrainiertes neuronales Netz auf und ist dazu ausgebildet, abhängig von dem vortrainierten neuronalen Netz eine Buslast des Fahrzeugbusses 15 zu ermitteln. Beispielsweise können der Vorrichtung 17 abhängig von dem Fahrzeugbus 15 Kennzeichnungsinformationen von Nachrichten des Fahrzeugbusses 15 und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten bereitgestellt werden.
Die erste Verarbeitungsvorrichtung 11, die zweite Verarbeitungsvorrichtung 12, die dritte
Verarbeitungsvorrichtung 13 und die Vorrichtung 17 sind über den Fahrzeugbus 15 signaltechnisch miteinander gekoppelt. Beispielsweise weisen die erste Verarbeitungsvorrichtung 11, die zweite Verarbeitungsvorrichtung 12, die dritte Verarbeitungsvorrichtung 13 und die Vorrichtung 17 dafür entsprechende Kommunikationsschnittstellen auf.
Die erste Verarbeitungsvorrichtung 11 und/oder die zweite Verarbeitungsvorrichtung 12 und/oder die dritte Verarbeitungsvorrichtung 13 sind dazu ausgebildet,
Nachrichten über den Fahrzeugbus 15 zu übertragen bzw. zu empfangen. Die erste Verarbeitungsvorrichtung 11 und/oder die zweite Verarbeitungsvorrichtung 12 und/oder die dritte Verarbeitungsvorrichtung 13 können auch als Busteilnehmer bezeichnet werden.
Die Figur 2 zeigt ein Ablaufdiagramm eines ersten Programms zum Ermitteln eines neuronalen Netzes, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten.
Das erste Programm kann insbesondere von einer ersten Vorrichtung ausgeführt werden. Die erste Vorrichtung weist hierfür insbesondere eine erste Recheneinheit, einen ersten Programm- und ersten Datenspeicher, sowie beispielsweise eine oder mehrere erste Kommunikationsschnittstellen auf. Der erste Programm- und erste Datenspeicher und/oder die erste Recheneinheit und/oder die ersten
Kommunikationsschnittstellen können in einer Baueinheit und/oder verteilt auf mehrere Baueinheiten ausgebildet sein. Die erste Vorrichtung ist beispielsweise die Vorrichtung 17.
Auf dem ersten Programm- und ersten Datenspeicher der ersten Vorrichtung ist hierfür insbesondere das erste Programm gespeichert . Das erste Programm wird in einem Schritt S101 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.
In einem Schritt S103 werden Eingangstrainingsdaten bereitgestellt. Die Eingangstrainingsdaten umfassen Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses eines Fahrzeuges und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten. Die Nachrichten wurden in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus übertragen.
Optional umfasst in dem Schritt S103 der erste vorgegebene Zeitraum einen Zeitraum zwischen 10 und 100 ms.
Beispielsweise umfasst der erste vorgegebene Zeitraum einen Zeitraum von 60 ms.
In einem Schritt S105 werden Ausgangstrainingsdaten bereitgestellt. Die Ausgangstrainingsdaten sind repräsentativ für eine Buslast des Fahrzeugbusses in einem zweiten vorgegebenen Zeitraum. Der zweite vorgegebene Zeitraum ist zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet.
Optional umfasst in dem Schritt S105 der zweite vorgegebene Zeitraum einen Zeitraum zwischen 1 und 10 ms.
Beispielsweise umfasst der zweite vorgegebene Zeitraum einen Zeitraum von 4 ms.
In einem Schritt S107 wird abhängig von den Eingangstrainingsdaten und den Ausgangstrainingsdaten das neuronale Netz, das dazu ausgebildet ist zeitliche Abhängigkeiten zu verarbeiten, ermittelt. Optional ist in dem Schritt S107 das neuronale Netz, das dazu ausgebildet ist zeitliche Abhängigkeiten zu verarbeiten, ein rekurrentes neuronales Netz, RNN, und/oder ein neuronales Netz mit langem Kurzzeitgedächtnis, LSTM, und/oder ein neuronales Netz mit gated-recurrent-unit, GRU.
Optional wird in dem Schritt S107 das neuronale Netz abhängig von einem Optimierungsverfahren ermittelt.
Beispielsweise ist das Optimierungsverfahren ein sogenannter Adam-Optimierungsalgorithmus .
In einem Schritt S109 wird das ermittelte neuronale Netz als vortrainiertes neuronales Netz gespeichert.
Im Anschluss an den Schritt S109 wird das erste Programm in dem Schritt Sill beendet und kann gegebenenfalls wieder in dem Schritt S101 gestartet werden.
Die Figur 3 zeigt ein Ablaufdiagramm eines zweiten Programms zum Betreiben eines Fahrzeuges 10.
Das zweite Programm kann insbesondere von einer zweiten Vorrichtung ausgeführt werden. Die zweite Vorrichtung weist hierfür insbesondere eine zweite Recheneinheit, einen zweiten Programm- und zweiten Datenspeicher, sowie beispielsweise eine oder mehrere zweite Kommunikationsschnittstellen auf.
Der zweite Programm- und zweite Datenspeicher und/oder die zweite Recheneinheit und/oder die zweiten Kommunikationsschnittstellen können in einer Baueinheit und/oder verteilt auf mehrere Baueinheiten ausgebildet sein. Beispielsweise ist die zweite Vorrichtung die Vorrichtung 17.
Auf dem zweiten Programm- und zweiten Datenspeicher der zweiten Vorrichtung ist hierfür insbesondere das zweite Programm gespeichert.
Das zweite Programm wird in einem Schritt S201 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.
In einem Schritt S203 wird ein vortrainiertes neuronales Netz bereitgestellt, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten.
In einem Schritt S205 werden abhängig von dem Fahrzeugbus 15 des Fahrzeuges 10 Eingangsdaten für das vortrainierte neuronale Netz bereitgestellt. Die Eingangsdaten umfassen Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses 15 des Fahrzeuges 10 und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten. Die Nachrichten wurden in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus 15 übertragen.
Optional werden in dem Schritt S205 die Eingangsdaten abhängig von dem Fahrzeugbus 15 iterativ bereitgestellt, wenn eine weitere Nachricht über den Fahrzeugbus 15 übertragen wird.
In einem Schritt S207 wird abhängig von den Eingangsdaten und dem vortrainierten neuronalen Netz eine Buslast des Fahrzeugbusses 15 in einem zweiten vorgegebenen Zeitraum ermittelt. Der zweite vorgegebene Zeitraum ist zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet. In einem Schritt S209 wird abhängig von der ermittelten Buslast in dem zweiten vorgegebenen Zeitraum das Fahrzeug 10 betrieben.
Optional wird in dem Schritt S209 das Fahrzeug 10 abhängig von der ermittelten Buslast derart betrieben, dass abhängig von der ermittelten Buslast ein Busteilnehmer des Fahrzeugbusses 15 zur Anpassung der Übertragung von Nachrichten über den Fahrzeugbus 15 durch den Busteilnehmer ermittelt wird.
Beispielsweise wird der Busteilnehmer abhängig von der ermittelten Buslast und einem vorgegebenen Buslastgrenzwert ermittelt.
Beispielsweise ist der ermittelte Busteilnehmer die erste Verarbeitungsvorrichtung 11.
Beispielsweise wird ein Steuerbefehl ermittelt, der repräsentativ ist für die Anpassung der Übertragung von Nachrichten über den Fahrzeugbus 15 durch den Busteilnehmer.
Beispielsweise wird der Steuerbefehl dem Busteilnehmer bereitgestellt und der Busteilnehmer abhängig von dem Steuerbefehl stummgeschalten bezüglich des Fahrzeugbusses 15.
Im Anschluss an den Schritt S209 wird das erste Programm in dem Schritt S211 beendet und kann gegebenenfalls wieder in dem Schritt S201 oder dem Schritt S205 gestartet werden.

Claims

Patentansprüche
1. Verfahren zum Ermitteln eines neuronalen Netzes, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten, bei dem
- Eingangstrainingsdaten bereitgestellt werden, die Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses eines Fahrzeuges und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten umfassen, wobei die Nachrichten in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus übertragen wurden,
- Ausgangstrainingsdaten bereitgestellt werden, die repräsentativ sind für eine Buslast des Fahrzeugbusses in einem zweiten vorgegebenen Zeitraum, wobei der zweite vorgegebene Zeitraum zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet ist,
- abhängig von den Eingangstrainingsdaten und den Ausgangstrainingsdaten das neuronale Netz ermittelt wird, und
- das ermittelte neuronale Netz als vortrainiertes neuronales Netz gespeichert wird.
2. Verfahren nach Anspruch 1, wobei das neuronalen Netzes, das dazu ausgebildet ist zeitliche Abhängigkeiten zu verarbeiten, ein rekurrentes neuronales Netz, RNN, und/oder ein neuronales Netz mit langem Kurzzeitgedächtnis, LSTM, und/oder ein neuronales Netz mit gated-recurrent-unit, GRU, ist.
3. Verfahren nach einem der vorhergehenden Ansprüche, bei dem das neuronale Netz abhängig von einem Optimierungsverfahren ermittelt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei der erste vorgegebene Zeitraum einen Zeitraum zwischen 10 und 100 ms umfasst, wobei der zweite vorgegebene Zeitraum einen Zeitraum zwischen 1 und 10 ms umfasst.
5. Verfahren zum Betreiben eines Fahrzeuges (10), bei dem
- ein vortrainiertes neuronales Netz bereitgestellt wird, das dazu ausgebildet ist, zeitliche Abhängigkeiten zu verarbeiten,
- abhängig von dem Fahrzeugbus (15) des Fahrzeuges (10) Eingangsdaten für das vortrainierte neuronale Netz bereitgestellt werden, wobei die Eingangsdaten Kennzeichnungsinformationen von Nachrichten eines Fahrzeugbusses (15) des Fahrzeuges (10) und Informationen bezüglich zeitlicher Abstände zwischen den Nachrichten umfassen, wobei die Nachrichten in einem ersten vorgegebenen Zeitraum über den Fahrzeugbus (15) übertragen wurden,
- abhängig von den Eingangsdaten und dem vortrainierten neuronalen Netz eine Buslast des Fahrzeugbusses (15)in einem zweiten vorgegebenen Zeitraum ermittelt wird, wobei der zweite vorgegebene Zeitraum zeitlich nach dem ersten vorgegebenen Zeitraum angeordnet ist, und
- abhängig von der ermittelten Buslast in dem zweiten vorgegebenen Zeitraum das Fahrzeug (10) betrieben wird.
6. Verfahren nach Anspruch 5, wobei die Eingangsdaten abhängig von dem Fahrzeugbus (15) iterativ bereitgestellt werden, wenn eine weitere Nachricht über den Fahrzeugbus (15) übertragen wird.
7. Verfahren nach einem der Ansprüche 5 bis 6, bei dem das Fahrzeug (10) abhängig von der ermittelten Buslast derart betrieben wird, dass abhängig von der ermittelten Buslast ein Busteilnehmer (11) des Fahrzeugbusses (15) ermittelt wird zur Anpassung der Übertragung von Nachrichten über den Fahrzeugbus (15) durch den Busteilnehmer.
8. Vorrichtung (17), die dazu ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 4 oder das Verfahren nach einem der Ansprüche 5 bis 7 durchzuführen.
9. Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen das Verfahren nach einem der Ansprüche 1 bis 4 oder das Verfahren nach einem der Ansprüche 5 bis 7 durchzuführen.
10. Computerlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.
PCT/EP2021/058394 2020-06-18 2021-03-31 Verfahren, vorrichtung, computerprogramm und computerlesbares speichermedium zum ermitteln eines neuronalen netzes und zum betreiben eines fahrzeuges WO2021254672A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202180028989.5A CN115427977A (zh) 2020-06-18 2021-03-31 用于确定神经网络和用于运行车辆的方法、装置、计算机程序和计算机可读的存储介质
US17/922,956 US20230169310A1 (en) 2020-06-18 2021-03-31 Method, device, computer program, and computer-readable storage medium for determining a neural network and for operating a vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020116054.2A DE102020116054A1 (de) 2020-06-18 2020-06-18 Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zum Ermitteln eines neuronalen Netzes und zum Betreiben eines Fahrzeuges
DE102020116054.2 2020-06-18

Publications (1)

Publication Number Publication Date
WO2021254672A1 true WO2021254672A1 (de) 2021-12-23

Family

ID=75396746

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/058394 WO2021254672A1 (de) 2020-06-18 2021-03-31 Verfahren, vorrichtung, computerprogramm und computerlesbares speichermedium zum ermitteln eines neuronalen netzes und zum betreiben eines fahrzeuges

Country Status (4)

Country Link
US (1) US20230169310A1 (de)
CN (1) CN115427977A (de)
DE (1) DE102020116054A1 (de)
WO (1) WO2021254672A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022205672B3 (de) 2022-06-02 2023-09-21 Zf Friedrichshafen Ag Schutz vor Cybersecurity-Attacken auf Getriebesteuergeräte

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200120131A1 (en) * 2018-10-10 2020-04-16 Northrop Grumman Systems Corporation Predicted network traffic

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017210787A1 (de) 2017-06-27 2018-12-27 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102017213119A1 (de) 2017-07-31 2019-01-31 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102017213771A1 (de) 2017-08-08 2019-02-14 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102018219760A1 (de) 2018-11-19 2020-05-20 Zf Friedrichshafen Ag Kollisionsprädiktionssystem

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200120131A1 (en) * 2018-10-10 2020-04-16 Northrop Grumman Systems Corporation Predicted network traffic

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022205672B3 (de) 2022-06-02 2023-09-21 Zf Friedrichshafen Ag Schutz vor Cybersecurity-Attacken auf Getriebesteuergeräte

Also Published As

Publication number Publication date
DE102020116054A1 (de) 2021-12-23
CN115427977A (zh) 2022-12-02
US20230169310A1 (en) 2023-06-01

Similar Documents

Publication Publication Date Title
EP1600831B1 (de) Verfahren und Vorrichtung zur Überwachung mehrerer Steuergeräte mittels einer Frage-Antwort-Kommunikation
DE102017223751A1 (de) Verfahren und Vorrichtung zur Erkennung von Anomalien in einem Datenstrom eines Kommunikationsnetzwerks
DE102016009655A1 (de) Verfahren zum Betrieb eines Fahrzeugs
DE102017213119A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102018220865A1 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
DE102017210787A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102017204745A1 (de) Architektur und Vorrichtung für eine fortschrittliche Arbitration in integrierten Steuerungen
WO2021254672A1 (de) Verfahren, vorrichtung, computerprogramm und computerlesbares speichermedium zum ermitteln eines neuronalen netzes und zum betreiben eines fahrzeuges
DE102013206308A1 (de) Verfahren und System zum Adaptieren von Modellparametern eines in einem Steuergerät eines Kraftfahrzeugs implementierten Funktionmodells
WO2008095518A1 (de) Anwendung einer verteilten diagnosearchitektur in autosar
DE102019200994A1 (de) Ein datenkommunikationsverfahren für ein fahrzeug
DE102017120366A1 (de) Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Bewegungsplanung eines Systems
DE102021002302A1 (de) Verfahren zur Ablaufplanung durchzuführender Testprozesse
EP2338248B1 (de) Verfahren zum betreiben eines kommunikationssystems mit mehreren knoten und kommunikationssystem dafür
WO2020070042A1 (de) Verfahren zur aktualisierung von daten eines steuergeräts eines fahrzeugs
DE102019128805A1 (de) Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zur Einstellung einer Fahrzeugfunktion eines Fahrzeuges durch einen extern zu dem Fahrzeug angeordneten Server
DE102017216749A1 (de) Verfahren zur Bereitstellung eines Steuersignals
DE102019113958A1 (de) Verfahren zur Leistungssteigerung eines Fahrzeugsystems mit einem neuronalen Netz zum Steuern einer Fahrzeugkomponente
DE102018217014A1 (de) Dynamische Qualifizierung von Nutzdaten
WO2018206481A1 (de) Verfahren zum generieren von trainingsdaten für ein auf maschinellem lernen basierendes mustererkennungsverfahren für ein kraftfahrzeug, kraftfahrzeug, verfahren zum betreiben einer recheneinrichtung sowie system
EP3812850B1 (de) Verfahren zur erzeugung eines neuronalen netzes für ein feldgerät zur vorhersage von feldgerätfehlern und ein entsprechendes system
AT525204B1 (de) Verfahren zum infrastrukturgestützten Assistieren eines Kraftfahrzeugs
DE102017216755A1 (de) Verfahren zur Bestimmung einer Fehlerfortpflanzung von Steuersignalen
WO2007009838A1 (de) Datenübertragungsverfahren und datenübertragungssystem
EP4004519A1 (de) Verfahren zum prüfen einer zulässigen verwendung eines rolling chassis

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: 21716663

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: 21716663

Country of ref document: EP

Kind code of ref document: A1