WO2022078770A1 - Method for producing a behavior model for a motor vehicle fleet by means of a motor-vehicle-external electronic computing device, and motor-vehicle-external electronic computing device - Google Patents

Method for producing a behavior model for a motor vehicle fleet by means of a motor-vehicle-external electronic computing device, and motor-vehicle-external electronic computing device Download PDF

Info

Publication number
WO2022078770A1
WO2022078770A1 PCT/EP2021/076975 EP2021076975W WO2022078770A1 WO 2022078770 A1 WO2022078770 A1 WO 2022078770A1 EP 2021076975 W EP2021076975 W EP 2021076975W WO 2022078770 A1 WO2022078770 A1 WO 2022078770A1
Authority
WO
WIPO (PCT)
Prior art keywords
motor vehicle
computing device
electronic computing
transmitted
motor
Prior art date
Application number
PCT/EP2021/076975
Other languages
German (de)
French (fr)
Inventor
Stefan Studer
Original Assignee
Mercedes-Benz Group 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 Mercedes-Benz Group AG filed Critical Mercedes-Benz Group AG
Publication of WO2022078770A1 publication Critical patent/WO2022078770A1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Definitions

  • Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle
  • the invention relates to a method for generating a behavior model for a motor vehicle fleet using an electronic computing device external to the vehicle.
  • the invention also relates to an electronic computing device external to the vehicle.
  • EP 3 117 274 A1 discloses that operating data from a number of source systems are used to control a target system, for example a gas or wind power plant or another technical system.
  • the operating data of the source systems are received and differentiated by source system-specific identifiers.
  • a neural model based on the received operating data of the source systems is taken into account of the source system-specific identifiers, wherein a first neural model component is trained on properties shared by the source systems and a second neural model component is trained on properties that vary between the source systems.
  • the trained neural model is further trained based on the operational data of the target system, with further training of the second neural model component being given preference over further training of the first neural model component.
  • the target system is controlled with the help of the further trained neural network.
  • the object of the present invention is to create a method and an electronic computing device external to the motor vehicle, by means of which a behavior model for a motor vehicle fleet can be generated efficiently.
  • One aspect of the invention relates to a method for generating a behavior model for a motor vehicle fleet using an electronic computing device external to the vehicle, in which at least one parameter characterizing a neural network for a control device of a motor vehicle in the motor vehicle fleet is trained using the electronic computing device external to the vehicle and transmitted to the control device and internally in the vehicle is saved.
  • At least one item of information for the behavior model is recorded by means of a recording device of the motor vehicle and a stored motor vehicle-internal neural network is further trained in the motor vehicle by means of the characterizing parameter and the at least one piece of information and at least one weighting parameter of the motor-vehicle further trained neural network is trained by the control device is transmitted to the vehicle-external electronic computing device and the behavior model is generated on the basis of the characterizing parameter transmitted to the control device and on the basis of the transmitted weighting parameter by means of the vehicle-external electronic computing device for the vehicle fleet.
  • the behavior model can thus be generated efficiently and while saving bandwidth.
  • the behavior model is in particular a so-called “world model”.
  • the costs for the bandwidth and for data handling within the electronic computing device external to the motor vehicle can be reduced during data transmission and subsequent processing.
  • the neural network is an example of a machine learning method. Alternative methods can also be used, which can be described by a defined architecture and parameters and learning with pre-trained parameters is possible.
  • the corresponding data or information which can relate to raw data, for example, is processed directly by decentralized training within the control device in the motor vehicle in the sense of edge computing.
  • the transmission bandwidth to the vehicle-external electronic computing device is reduced because, for example, only one weighting parameter of the neural network is transmitted.
  • the knowledge is, so to speak, memorized and compressed in the neural networks.
  • the behavior model can then be created from the trained neural networks, which are internal to the motor vehicle, without any great effort.
  • the control device which is located inside the motor vehicle, can in particular also be an electronic computing device.
  • the method is therefore a computer-implemented method which, in particular, uses a corresponding computer program product with commands to carry out the method on the electronic computing device external to the motor vehicle.
  • the motor vehicle-external electronic computing device has in particular a computer-readable storage medium, which in turn can then have the computer program product.
  • a weighting matrix for the neural network is transmitted to the control device or the neural network as the parameter characterizing the neural network.
  • pre-trained neural networks from the vehicle-external electronic computing device are transmitted to the motor vehicle.
  • a neural network can already be made available inside the motor vehicle, to which only the corresponding weighting matrix is then transmitted.
  • the network architecture for the neural network can then be derived on the basis of the weighting matrix.
  • the behavior model can be generated efficiently.
  • the behavior model is generated by the vehicle-external electronic computing device on the basis of a large number of transmitted weighting parameters from a large number of motor vehicles in the motor vehicle fleet.
  • the motor vehicle fleet thus has a large number of motor vehicles.
  • the large number of motor vehicles can then in turn collect their own information with their own detection devices and then in turn train their motor vehicle-internal neuronal network.
  • the corresponding weighting parameters can then in turn be transmitted to the electronic computing device external to the motor vehicle, in which case the behavior model can then in turn be generated on the basis of the large number of transmitted weighting parameters.
  • a type of swarm knowledge can thus be collected, and on the basis of this swarm knowledge the behavior model for the motor vehicle fleet can in turn be generated.
  • the weighting parameter is transmitted to the electronic computing device external to the motor vehicle.
  • the weighting parameter is first sent from the motor vehicle to the electronic computing device external to the vehicle .
  • the weighting parameter can thus only be transmitted if there is a deviation from the pre-trained neural network, as a result of which the volume of data transmission can be further reduced.
  • the behavior model for the motor vehicle fleet is generated using an ensemble method.
  • the ensemble methodology is in particular a form of machine learning. It takes a finite set of different learning algorithms to get better results than a single learning algorithm. In particular, a result that is already satisfactory can be achieved with a lower depth of calculation.
  • the soft weight sharing method is also known as soft weight sharing.
  • This is another machine learning method. This is a deep learning algorithm that can be used to efficiently generate the behavioral model.
  • the control device carries out a prognosis for a fault cause and/or a prognosis for the use of a navigation device of the motor vehicle and/or a prognosis for a use of an assistance system of the motor vehicle.
  • Forecasts can be carried out inside the motor vehicle using the neural network. Provision can then be made for a behavioral model for the cause of the error and/or for the use of the navigation device and/or for the use of the assistance system of the motor vehicle to be carried out using the electronic computing device external to the motor vehicle. In this way, different behavior models can be generated, which can then in turn be used for the motor vehicle fleet.
  • the applications mentioned here are only examples; in particular, any prognosis in the form of a classification or regression can be represented by this method.
  • a number of measuring points of the detection device and a resulting amount of data to be transmitted are determined and the resulting amount of data is compared with a data amount which describes the weighting parameter and as a function of the comparison by means of the control device a decision is made as to whether the data volume of the measuring points or the data volume of the weighting parameter is transmitted to the electronic computing device external to the motor vehicle.
  • the amount of data from the measuring points is in particular so-called raw data. If the data volume of the raw data is less than the data volume of the weighting parameter, it can be decided that the data volume of the measuring points is to be transmitted.
  • the weighting parameter is transmitted. Efficient generation of the behavior model can thus be realized.
  • 20 variables can be stored per recording, which corresponds in particular to 20 float values. If, for example, the neural network can then be described by no more than 1893 float values, with a total of more than 94.7 measurement points being available through quotient formation, it is more efficient from a bandwidth perspective to transmit the weights of the neural network instead of the measurement points themselves.
  • the neural network is pre-trained, and the neural network pre-trained with the reduced data set or a weighting matrix is transmitted to the control device.
  • the neural network is generated with reduced data and is only fully trained inside the motor vehicle.
  • This neural network pre-trained with the reduced data set or the weighting matrix is then transmitted to the control device, with the pre-trained neural network then being further trained inside the motor vehicle.
  • the behavior model can thus be generated by using a reduced bandwidth.
  • a further aspect of the invention relates to a computer program product with instructions which, when instructions are executed on an electronic computing device, cause the steps according to the preceding aspect to be carried out. Furthermore, the invention also relates to a computer-readable storage medium with the aforementioned computer program product.
  • Yet another aspect of the invention relates to an electronic computing device external to the motor vehicle for generating a behavior model for a motor vehicle fleet, the electronic computing device external to the motor vehicle being designed to carry out a method according to the preceding aspect.
  • the method is carried out using the electronic computing device external to the motor vehicle.
  • Advantageous embodiments of the method are as advantageous embodiments of the computer program product, the computer-readable View storage medium and the vehicle-external electronic computing device.
  • the motor vehicle-external electronic computing device has physical features that are required to carry out the method or an advantageous embodiment thereof.
  • the single figure shows a schematic side view of an embodiment of an electronic computing device external to the motor vehicle for a motor vehicle fleet.
  • the figure shows a schematic side view of an embodiment of a motor vehicle-external electronic computing device 10.
  • the motor vehicle-external electronic computing device 10 is designed to generate a behavior model 12 for a motor vehicle fleet 14 shown purely schematically.
  • a motor vehicle 16 is also shown in particular, the motor vehicle 16 being to be regarded as part of the motor vehicle fleet 14 .
  • Motor vehicle 16 has a control device 18 , a detection device 20 and a functional unit 22 .
  • Functional unit 22 can be a head unit of motor vehicle 16 or an assistance system of motor vehicle 16, for example. This list is purely exemplary and only serves to understand the invention. Further functional units 22 in motor vehicle 16 can thus also be used.
  • a neural network 24 characterizing parameters 28 for the control device 18 of the motor vehicle 16 of the motor vehicle fleet 14 trained by means of the vehicle-external electronic computing device 10, in particular pre-trained, and transmitted to the control device 18 and stored internally in the vehicle.
  • At least one item of information for the behavior model 12 is recorded by means of the recording device 20 of the motor vehicle 16 and the stored motor vehicle-internal neural network 26 is further trained in the motor vehicle by means of the characterizing parameter 28 and the at least one piece of information and at least one weighting parameter 30 of the motor-vehicle further trained neural network Network 26 is transmitted from the control device 18 to the electronic computing device 10 external to the motor vehicle, and the behavior model 12 is generated for the motor vehicle fleet 14 on the basis of the characterizing parameter 28 transmitted to the control device 18 and on the basis of the transmitted weighting parameter 30 by means of the electronic computing device 10 external to the motor vehicle.
  • error messages can be stored within the control device 18, environmental data within the control device 18, such as temperature, voltage, input variables for the control device 18, and error signals from networked control devices.
  • the aim is to predict the causes of errors.
  • data on the day, time, weather and location can be stored.
  • a prognosis for the use of the navigation device is generated.
  • the assistance system which can in particular also be referred to as ADAS, it is stored which activation of the assistance functions, which driving situation or which location is present.
  • the class of hot spots for example for pedestrian braking, can be generated.
  • a number of measuring points of the detection device 20 and a data volume resulting therefrom and to be transmitted are determined and the resulting data volume is compared with a data volume which describes the weighting parameter 30 and depending on the comparison by means of the control device 18 a decision is made as to whether the data volume of the measuring points or the data volume of the weighting parameter 30 is to be transmitted to the electronic computing device 10 external to the motor vehicle.
  • the neural network 24 in the motor vehicle-external electronic computing device 10 which can also be referred to as the backend, is pre-trained with a reduced data set.
  • the pre-trained neural networks 24 or their weighting matrices, from which the network architecture can then in turn be derived, are transmitted to the control device 18 in the motor vehicle 16 .
  • the control device 18 collects further data and uses it to train the motor vehicle's internal neural network 26 for the behavior observed precisely in this motor vehicle 16, which can also be referred to as edge computing.
  • the weights of the motor vehicle's internal neural network 26 are transferred from this motor vehicle 16 to the vehicle's external electronic Computing device 10 transferred.
  • the behavior model 12 is created from the individual models in the vehicle-external electronic computing device 10 with the aid of a method such as soft weight sharing or the ensemble method. With this behavior model 12, which can also be referred to as a world model, the desired forecasts, such as forecasts for the cause of the error, for the use of the navigation device or other assistance system can then be generated.
  • the data are thus processed directly by the decentralized training in the control device 18 in the sense of edge computing.
  • the transmission bandwidth in the backend is reduced since only the weighting parameter 30 of the motor vehicle's internal neural network 26 is transmitted.
  • the knowledge is so to speak memorized and compressed in the motor vehicle's internal neural networks 26 .
  • the behavior model 12 can then in turn be constructed from the trained neural networks 26 without great effort.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

The invention relates to a method for producing a behavior model (12) for a motor vehicle fleet (14) by means of a motor-vehicle-external electronic computing device (10), in which method at least one parameter (28) of a motor vehicle (16), which parameter characterizes a neural network (24), is trained by means of the motor-vehicle-external electronic computing device (10) and is transmitted to the control device (18); wherein: - at least one item of information for the behavior model (12) is captured by means of a capturing device (20) of the motor vehicle (16); - a stored motor-vehicle-internal neural network (26) is further trained, within the motor vehicle, by means of the characterizing parameter (28); - at least one weighting parameter (30) of the neural network (26) is transferred from the control device (18) to the motor-vehicle-external electronic computing device (10); and - the behavior model (12) is produced for the motor vehicle fleet (14) by means of the motor-vehicle-external electronic computing device (10) on the basis of the transmitted characterizing parameter (28) and on the basis of the weighting parameter (30). The invention also relates to a motor-vehicle-external electronic computing device (10).

Description

Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, sowie kraftfahrzeugexterne elektronische Recheneinrichtung Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle
Die Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung gemäß dem Oberbegriff von Patentanspruch 1. Ferner betrifft die Erfindung eine kraftfahrzeugexterne elektronische Recheneinrichtung. The invention relates to a method for generating a behavior model for a motor vehicle fleet using an electronic computing device external to the vehicle. The invention also relates to an electronic computing device external to the vehicle.
Aus dem Kraftfahrzeugbau ist bekannt, dass vermehrt Daten im Kraftfahrzeug aufgezeichnet werden und beispielsweise über einen sogenannten Telelog oder über eine Kommunikationseinrichtung an eine kraftfahrzeugexterne elektronische Recheneinrichtung, welche auch als Backend bezeichnet werden kann, geschickt werden. In diesem Backend können dann die Daten der Kraftfahrzeuge aggregiert und auf Basis dieser Daten verschiedene Prognosen bestimmt werden. Beispielsweise können Prognosen für eine Fehlerursache beziehungsweise für eine Nutzung von Navigation oder weitere Informationen aggregiert werden. Hierbei ist aus dem Stand der Technik bekannt, dass die Methoden des sogenannten Machine Learnings, also dem maschinellen Lernen, genutzt werden. Es können dadurch sogenannte „Weltmodelle“ erzeugt werden, die das Verhalten einer Fahrzeugflotte mit einem oder mehreren Modellen abbilden. Durch die Datenübertragung und spätere Verarbeitung entstehen jedoch hohe Kosten für die Bandbreite und die Datenübertragung innerhalb des Backend, die sich über eine Lebenszeit des Kraftfahrzeugs entsprechend aufsummieren können. It is known from motor vehicle construction that data is increasingly being recorded in the motor vehicle and sent, for example via a so-called telelog or via a communication device to an electronic computing device external to the motor vehicle, which can also be referred to as a backend. In this backend, the data of the motor vehicles can then be aggregated and various forecasts can be determined on the basis of this data. For example, forecasts for the cause of an error or for the use of navigation or other information can be aggregated. It is known from the prior art that the methods of so-called machine learning, i.e. machine learning, are used. In this way, so-called "world models" can be generated that depict the behavior of a vehicle fleet with one or more models. However, the data transmission and subsequent processing result in high costs for the bandwidth and the data transmission within the backend, which can add up accordingly over the lifetime of the motor vehicle.
Die EP 3 117 274 A1 offenbart zur Steuerung eines Zielsystems, beispielsweise einer Gas- oder Windkraftanlage oder eines anderen technischen Systems, dass Betriebsdaten mehrerer Quellsysteme verwendet werden. Die Betriebsdaten der Quellsysteme werden empfangen und durch Quellsystem-spezifische Kennungen unterschieden. Mit Hilfe eines neuronalen Netzes wird ein neuronales Modell auf der Grundlage der empfangenen Betriebsdaten der Quellsysteme unter Berücksichtigung der Quellsystem-spezifischen Kennungen trainiert, wobei eine erste neuronale Modellkomponente auf Eigenschaften trainiert wird, die von den Quellsystemen gemeinsam genutzt werden, und eine zweite neuronale Modellkomponente auf Eigenschaften, die zwischen den Quellsystemen variieren. Nach dem Empfang von Betriebsdaten des Zielsystems wird das trainierte neuronale Modell auf der Grundlage der Betriebsdaten des Zielsystems weiter trainiert, wobei einem weiteren Training der zweiten neuronalen Modellkomponente gegenüber einem weiteren Training der ersten neuronalen Modellkomponente der Vorzug gegeben wird. Das Zielsystem wird mit Hilfe des weiter trainierten neuronalen Netzes gesteuert. EP 3 117 274 A1 discloses that operating data from a number of source systems are used to control a target system, for example a gas or wind power plant or another technical system. The operating data of the source systems are received and differentiated by source system-specific identifiers. With the help of a neural network, a neural model based on the received operating data of the source systems is taken into account of the source system-specific identifiers, wherein a first neural model component is trained on properties shared by the source systems and a second neural model component is trained on properties that vary between the source systems. After receiving operational data of the target system, the trained neural model is further trained based on the operational data of the target system, with further training of the second neural model component being given preference over further training of the first neural model component. The target system is controlled with the help of the further trained neural network.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren sowie eine kraftfahrzeugexterne elektronische Recheneinrichtung zu schaffen, mittels welcher effizient ein Verhaltensmodell für eine Kraftfahrzeugflotte erzeugt werden kann. The object of the present invention is to create a method and an electronic computing device external to the motor vehicle, by means of which a behavior model for a motor vehicle fleet can be generated efficiently.
Diese Aufgabe wird durch ein Verfahren sowie durch eine kraftfahrzeugexterne elektronische Recheneinrichtung gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben. This object is achieved by a method and by an electronic computing device external to the motor vehicle according to the independent patent claims. Advantageous embodiments are specified in the dependent claims.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, bei welcher zumindest ein ein neuronales Netzwerk charakterisierender Parameter für eine Steuereinrichtung eines Kraftfahrzeugs der Kraftfahrzeugflotte mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung trainiert wird und an die Steuereinrichtung übermittelt und kraftfahrzeugintern abgespeichert wird. One aspect of the invention relates to a method for generating a behavior model for a motor vehicle fleet using an electronic computing device external to the vehicle, in which at least one parameter characterizing a neural network for a control device of a motor vehicle in the motor vehicle fleet is trained using the electronic computing device external to the vehicle and transmitted to the control device and internally in the vehicle is saved.
Es ist vorgesehen, dass mittels einer Erfassungseinrichtung des Kraftfahrzeugs zumindest eine Information für das Verhaltensmodell erfasst wird und ein abgespeichertes kraftfahrzeuginternes neuronales Netzwerk mittels des charakterisierenden Parameters und der zumindest einen Information kraftfahrzeugintern weiter trainiert wird und zumindest ein Gewichtungsparameter des kraftfahrzeugintern weiter trainierten neuronalen Netzwerks von der Steuereinrichtung an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen wird und das Verhaltensmodell auf Basis des an die Steuereinrichtung übermittelten charakterisierenden Parameters und auf Basis des übertragenen Gewichtungsparameters mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung für die Fahrzeugflotte erzeugt wird. Insbesondere kann somit effizient und unter Einsparung von Bandbreite das Verhaltensmodell erzeugt werden. Bei dem Verhaltensmodell handelt es sich insbesondere um ein sogenanntes „Weltmodell“. Insbesondere können so bei der Datenübertragung und bei der späteren Verarbeitung die Kosten für die Bandbreite und für das Datenhandling innerhalb der kraftfahrzeugexternen elektronischen Recheneinrichtung reduziert werden. It is provided that at least one item of information for the behavior model is recorded by means of a recording device of the motor vehicle and a stored motor vehicle-internal neural network is further trained in the motor vehicle by means of the characterizing parameter and the at least one piece of information and at least one weighting parameter of the motor-vehicle further trained neural network is trained by the control device is transmitted to the vehicle-external electronic computing device and the behavior model is generated on the basis of the characterizing parameter transmitted to the control device and on the basis of the transmitted weighting parameter by means of the vehicle-external electronic computing device for the vehicle fleet. In particular, the behavior model can thus be generated efficiently and while saving bandwidth. The behavior model is in particular a so-called “world model”. In particular, the costs for the bandwidth and for data handling within the electronic computing device external to the motor vehicle can be reduced during data transmission and subsequent processing.
Das neuronale Netz ist dabei ein Beispiel für eine Methode des maschinellen Lernens, es können auch alternative Methoden angewendet werden, die durch eine definierte Architektur und Parameter beschrieben werden können und das Lernen mit vortrainierten Parametern möglich ist. The neural network is an example of a machine learning method. Alternative methods can also be used, which can be described by a defined architecture and parameters and learning with pre-trained parameters is possible.
Die entsprechenden Daten beziehungsweise Informationen, welche beispielsweise Rohdaten betreffen können, werden durch das dezentrale Trainieren innerhalb der Steuereinrichtung im Kraftfahrzeug im Sinne von einem Edge Computing direkt verarbeitet. Die Übertragungsbandbreite an die kraftfahrzeugexterne elektronische Recheneinrichtung wird reduziert, da beispielsweise lediglich ein Gewichtungsparameter des neuronales Netzes übertragen wird. Das Wissen wird sozusagen in den neuronalen Netzen memorisiert und komprimiert. Aus den trainierten neuronalen Netzen, welche kraftfahrzeugintern sind, kann ohne größeren Aufwand dann wiederum das Verhaltensmodell erstellt werden. The corresponding data or information, which can relate to raw data, for example, is processed directly by decentralized training within the control device in the motor vehicle in the sense of edge computing. The transmission bandwidth to the vehicle-external electronic computing device is reduced because, for example, only one weighting parameter of the neural network is transmitted. The knowledge is, so to speak, memorized and compressed in the neural networks. The behavior model can then be created from the trained neural networks, which are internal to the motor vehicle, without any great effort.
Bei der Steuereinrichtung, welche sich kraftfahrzeugintern befindet, kann es sich insbesondere ebenfalls um eine elektronische Recheneinrichtung handeln. The control device, which is located inside the motor vehicle, can in particular also be an electronic computing device.
Bei dem Verfahren handelt es sich somit um ein computerimplementiertes Verfahren, welches insbesondere ein entsprechendes Computerprogrammprodukt nutzt, mit Befehlen, um das Verfahren auf der kraftfahrzeugexternen elektronischen Recheneinrichtung durchzuführen. Die kraftfahrzeug externe elektronische Recheneinrichtung weist dazu insbesondere ein computerlesbares Speichermedium auf, welches dann wiederum das Computerprogrammprodukt aufweisen kann. The method is therefore a computer-implemented method which, in particular, uses a corresponding computer program product with commands to carry out the method on the electronic computing device external to the motor vehicle. For this purpose, the motor vehicle-external electronic computing device has in particular a computer-readable storage medium, which in turn can then have the computer program product.
Gemäß einer vorteilhaften Ausgestaltungsform wird als der das neuronale Netzwerk charakterisierende Parameter eine Gewichtungsmatrize für das neuronale Netzwerk an die Steuereinrichtung oder das neuronale Netzwerk übertragen. Mit anderen Worten kann vorgesehen sein, dass vortrainierte neuronale Netzwerke von der kraftfahrzeugexternen elektronischen Recheneinrichtung an das Kraftfahrzeug übertragen werden. Um jedoch weiterhin die Datenmenge reduzieren zu können, kann es bevorzugt vorgesehen sein, dass lediglich die Gewichtungsmatrizen für das neuronale Netzwerk von der kraftfahrzeugexternen elektronischen Recheneinrichtung an die Steuereinrichtung übertragen werden. Mit anderen Worten kann vorgesehen sein, dass kraftfahrzeugintern bereits ein neuronales Netzwerk zur Verfügung gestellt werden kann, an welches dann lediglich die entsprechende Gewichtungsmatrize übertragen wird. Auf Basis der Gewichtungsmatrize kann dann die Netzarchitektur für das neuronale Netzwerk abgeleitet werden. Somit kann effizient das Verhaltensmodell erzeugt werden. According to an advantageous embodiment, a weighting matrix for the neural network is transmitted to the control device or the neural network as the parameter characterizing the neural network. In other words, it can be provided that pre-trained neural networks from the vehicle-external electronic computing device are transmitted to the motor vehicle. However, in order to be able to further reduce the amount of data, it can preferably be provided that only the weighting matrices for the neural network are transmitted from the electronic computing device external to the motor vehicle to the control device. In other words, it can be provided that a neural network can already be made available inside the motor vehicle, to which only the corresponding weighting matrix is then transmitted. The network architecture for the neural network can then be derived on the basis of the weighting matrix. Thus, the behavior model can be generated efficiently.
Weiterhin vorteilhaft ist, wenn auf Basis einer Vielzahl von übertragenen Gewichtungsparametern von einer Vielzahl von Kraftfahrzeugen der Kraftfahrzeugflotte das Verhaltensmodell mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung erzeugt wird. Insbesondere weist die Kraftfahrzeugflotte somit eine Vielzahl von Kraftfahrzeugen auf. Die Vielzahl von Kraftfahrzeugen kann dann wiederum eigene Informationen mit eigenen Erfassungseinrichtungen jeweils sammeln und dann wiederum jeweils ihr kraftfahrzeuginternes neuronales Netzwerk trainieren. Die entsprechenden Gewichtungsparameter können dann wiederum an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen werden, wobei dann auf Basis der Vielzahl übertragener Gewichtungsparameter wiederum das Verhaltensmodell erzeugt werden kann. Somit kann eine Art Schwarmwissen gesammelt werden, und auf Basis dieses Schwarmwissens wiederum kann das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt werden. It is also advantageous if the behavior model is generated by the vehicle-external electronic computing device on the basis of a large number of transmitted weighting parameters from a large number of motor vehicles in the motor vehicle fleet. In particular, the motor vehicle fleet thus has a large number of motor vehicles. The large number of motor vehicles can then in turn collect their own information with their own detection devices and then in turn train their motor vehicle-internal neuronal network. The corresponding weighting parameters can then in turn be transmitted to the electronic computing device external to the motor vehicle, in which case the behavior model can then in turn be generated on the basis of the large number of transmitted weighting parameters. A type of swarm knowledge can thus be collected, and on the basis of this swarm knowledge the behavior model for the motor vehicle fleet can in turn be generated.
In einer weiteren vorteilhaften Ausgestaltungsform wird nach dem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters der Gewichtungsparameter an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen. Mit anderen Worten sollte das kraftfahrzeuginterne neuronale Netzwerk eine definierte Vorhersagegüte, beispielsweise einen sogenannten F1 -Score bei Klassifikationen oder RA2 Score bei Regressionen, überschreiten, so wird erst der Gewichtungsparameter des kraftfahrzeugintern trainierten neuronalen Netzes von dem Kraftfahrzeug an die kraftfahrzeug externe elektronische Recheneinrichtung geschickt. Somit kann erst bei einer Abweichung von dem vortrainierten neuronalen Netzwerk der Gewichtungsparameter übertragen werden, wodurch weiterhin eine Datenübertragungsmenge reduziert werden kann. Ebenfalls vorteilhaft ist, wenn mittels einer Ensemblemethodik das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt wird. Bei der Ensemblemethodik handelt es sich insbesondere um eine Form des maschinellen Lernens. Es wird dabei eine endliche Menge von verschiedenen Lernalgorithmen, um bessere Ergebnisse zu erhalten als mit einem einzigen Lernalgorithmus. Insbesondere kann dabei mit einer geringeren Rechentiefe ein bereits zufriedenstellendes Ergebnis erreicht werden. In a further advantageous embodiment, after a deviation threshold value of the weighting parameter has been exceeded, the weighting parameter is transmitted to the electronic computing device external to the motor vehicle. In other words, should the motor vehicle-internal neural network exceed a defined prediction quality, for example a so-called F1 score for classifications or R A 2 score for regressions, then the weighting parameter of the motor vehicle-internal trained neural network is first sent from the motor vehicle to the electronic computing device external to the vehicle . The weighting parameter can thus only be transmitted if there is a deviation from the pre-trained neural network, as a result of which the volume of data transmission can be further reduced. It is also advantageous if the behavior model for the motor vehicle fleet is generated using an ensemble method. The ensemble methodology is in particular a form of machine learning. It takes a finite set of different learning algorithms to get better results than a single learning algorithm. In particular, a result that is already satisfactory can be achieved with a lower depth of calculation.
Es hat sich weiterhin als vorteilhaft erwiesen, wenn mittels einer weichen Gewichtungsteilungsmethode das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt wird. Die weiche Gewichtungsteilungsmethode wird auch als Softweight-Sharing bezeichnet. Hierbei handelt es sich um eine weitere Methode des maschinellen Lernens. Hierbei handelt es sich um einen Deep-Learning-Algorithmus, mittels welchem effizient das Verhaltensmodell erzeugt werden kann. It has also proven to be advantageous if the behavior model for the motor vehicle fleet is generated using a soft weighting division method. The soft weight sharing method is also known as soft weight sharing. This is another machine learning method. This is a deep learning algorithm that can be used to efficiently generate the behavioral model.
Gemäß einer weiteren vorteilhaften Ausgestaltungsform wird mittels der Steuereinrichtung eine Prognose für eine Fehlerursache und/oder eine Prognose für die Nutzung einer Navigationseinrichtung des Kraftfahrzeugs und/oder eine Prognose für eine Nutzung eines Assistenzsystems des Kraftfahrzeugs durchgeführt. Es können Prognosen innerhalb des Kraftfahrzeugs mittels des neuronalen Netzwerks durchgeführt werden. Es kann dann vorgesehen sein, dass mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung ein Verhaltensmodell für die Fehlerursache und/oder für die Nutzung der Navigationseinrichtung und/oder für die Nutzung des Assistenzsystems des Kraftfahrzeugs durchgeführt wird. Somit können unterschiedliche Verhaltensmodelle erzeugt werden, welche dann wiederum für die Kraftfahrzeugflotte genutzt werden können. Die hier genannten Anwendungen sind nur beispielhaft, insbesondere kann jede Prognose in Form einer Klassifikation oder Regression durch dieses Verfahren dargestellt werden. According to a further advantageous embodiment, the control device carries out a prognosis for a fault cause and/or a prognosis for the use of a navigation device of the motor vehicle and/or a prognosis for a use of an assistance system of the motor vehicle. Forecasts can be carried out inside the motor vehicle using the neural network. Provision can then be made for a behavioral model for the cause of the error and/or for the use of the navigation device and/or for the use of the assistance system of the motor vehicle to be carried out using the electronic computing device external to the motor vehicle. In this way, different behavior models can be generated, which can then in turn be used for the motor vehicle fleet. The applications mentioned here are only examples; in particular, any prognosis in the form of a classification or regression can be represented by this method.
Ferner hat es sich als vorteilhaft erwiesen, wenn eine Anzahl an Messpunkten der Erfassungseinrichtung und eine daraus resultierende, zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter beschreibt, und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen wird. Bei der Datenmenge der Messpunkte handelt es sich insbesondere um sogenannte Rohdaten. Sollte die Datenmenge der Rohdaten geringer sein als die Datenmenge des Gewichtungsparameters, so kann entschieden werden, dass die Datenmenge der Messpunkte übertragen wird. Sollte jedoch entschieden werden, dass die Datenmenge des Gewichtungsparameters geringer ist als die Datenmenge der Rohdaten, so kann entschieden werden, dass der Gewichtungsparameter übertragen wird. Somit kann ein effizientes Erzeugen des Verhaltensmodells realisiert werden. Im Kraftfahrzeug können beispielsweise pro Aufzeichnung 20 Größen abgespeichert werden, was insbesondere 20 Float-Werten entspricht. Sollten dann beispielsweise das neuronale Netzwerk durch nicht mehr als 1893 Float-Werte beschrieben werden können, wobei durch Quotientenbildung insgesamt mehr als 94,7 Messpunkte vorliegen, ist es aus Sicht der Bandbreite effizienter, die Gewichte des neuronalen Netzwerks anstatt die Messpunkte selbst zu übertragen. Furthermore, it has proven to be advantageous if a number of measuring points of the detection device and a resulting amount of data to be transmitted are determined and the resulting amount of data is compared with a data amount which describes the weighting parameter and as a function of the comparison by means of the control device a decision is made as to whether the data volume of the measuring points or the data volume of the weighting parameter is transmitted to the electronic computing device external to the motor vehicle. The amount of data from the measuring points is in particular so-called raw data. If the data volume of the raw data is less than the data volume of the weighting parameter, it can be decided that the data volume of the measuring points is to be transmitted. However, if it is decided that the data volume of the weighting parameter is less than the data volume of the raw data, then it can be decided that the weighting parameter is transmitted. Efficient generation of the behavior model can thus be realized. In a motor vehicle, for example, 20 variables can be stored per recording, which corresponds in particular to 20 float values. If, for example, the neural network can then be described by no more than 1893 float values, with a total of more than 94.7 measurement points being available through quotient formation, it is more efficient from a bandwidth perspective to transmit the weights of the neural network instead of the measurement points themselves.
In einer weiteren vorteilhaften Ausgestaltungsform wird das neuronale Netzwerk vortrainiert, und das mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk oder eine Gewichtungsmatrize wird an die Steuereinrichtung übertragen. Mit anderen Worten ist vorgesehen, dass das neuronale Netzwerk datenreduziert erzeugt wird und erst kraftfahrzeugintern gesamtheitlich angelernt wird. Dieses mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk beziehungsweise die Gewichtungsmatrize wird dann an die Steuereinrichtung übertragen, wobei dann kraftfahrzeugintern das vortrainierte neuronale Netzwerk weiter trainiert wird. Somit kann durch die Nutzung einer reduzierten Bandbreite das Verhaltensmodell erzeugt werden. In a further advantageous embodiment, the neural network is pre-trained, and the neural network pre-trained with the reduced data set or a weighting matrix is transmitted to the control device. In other words, it is provided that the neural network is generated with reduced data and is only fully trained inside the motor vehicle. This neural network pre-trained with the reduced data set or the weighting matrix is then transmitted to the control device, with the pre-trained neural network then being further trained inside the motor vehicle. The behavior model can thus be generated by using a reduced bandwidth.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt mit Befehlen, die bewirken, dass, wenn Befehle auf einer elektronischen Recheneinrichtung durchgeführt werden, die Schritte gemäß dem vorhergehenden Aspekt durchgeführt werden. Ferner betrifft die Erfindung auch ein computerlesbares Speichermedium mit dem zuvor genannten Computerprogrammprodukt. A further aspect of the invention relates to a computer program product with instructions which, when instructions are executed on an electronic computing device, cause the steps according to the preceding aspect to be carried out. Furthermore, the invention also relates to a computer-readable storage medium with the aforementioned computer program product.
Ein nochmals weiterer Aspekt der Erfindung betrifft eine kraftfahrzeugexterne elektronische Recheneinrichtung zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte, wobei die kraftfahrzeugexterne elektronische Recheneinrichtung zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung durchgeführt. Yet another aspect of the invention relates to an electronic computing device external to the motor vehicle for generating a behavior model for a motor vehicle fleet, the electronic computing device external to the motor vehicle being designed to carry out a method according to the preceding aspect. In particular, the method is carried out using the electronic computing device external to the motor vehicle.
Vorteilhafte Ausgestaltungsformen des Verfahrens sind als vorteilhafte Ausgestaltungsformen des Computerprogrammprodukts, des computerlesbaren Speichermediums sowie der kraftfahrzeugexternen elektronischen Recheneinrichtung anzusehen. Die kraftfahrzeugexterne elektronische Recheneinrichtung weist dazu gegenständliche Merkmale auf, welche zur Durchführung des Verfahrens oder einer vorteilhaften Ausgestaltungsform davon benötigt sind. Advantageous embodiments of the method are as advantageous embodiments of the computer program product, the computer-readable View storage medium and the vehicle-external electronic computing device. For this purpose, the motor vehicle-external electronic computing device has physical features that are required to carry out the method or an advantageous embodiment thereof.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels sowie anhand der Zeichnung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in der einzigen Figur alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen. Further advantages, features and details of the invention result from the following description of a preferred exemplary embodiment and from the drawing. The features and combinations of features mentioned above in the description and the features and combinations of features mentioned below in the description of the figures and/or shown alone in the single figure can be used not only in the combination specified in each case, but also in other combinations or on their own, without the frame to abandon the invention.
Dabei zeigt die einzige Figur eine schematische Seitenansicht einer Ausführungsform einer kraftfahrzeugexternen elektronischen Recheneinrichtung für eine Kraftf a h rze u gf I otte . The single figure shows a schematic side view of an embodiment of an electronic computing device external to the motor vehicle for a motor vehicle fleet.
In der Figur sind gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen. Elements that are the same or have the same function are provided with the same reference symbols in the figure.
Die Figur zeigt in einer schematischen Seitenansicht eine Ausführungsform einer kraftfahrzeugexternen elektronischen Recheneinrichtung 10. Die kraftfahrzeugexterne elektronische Recheneinrichtung 10 ist zum Erzeugen eines Verhaltensmodells 12 für eine rein schematisch dargestellte Kraftfahrzeugflotte 14 ausgebildet. Ein Kraftfahrzeug 16 ist insbesondere ebenfalls gezeigt, wobei das Kraftfahrzeug 16 als Teil der Kraftfahrzeugflotte 14 anzusehen ist. The figure shows a schematic side view of an embodiment of a motor vehicle-external electronic computing device 10. The motor vehicle-external electronic computing device 10 is designed to generate a behavior model 12 for a motor vehicle fleet 14 shown purely schematically. A motor vehicle 16 is also shown in particular, the motor vehicle 16 being to be regarded as part of the motor vehicle fleet 14 .
Das Kraftfahrzeug 16 weist eine Steuereinrichtung 18, eine Erfassungseinrichtung 20 sowie eine Funktionseinheit 22 auf. Die Funktionseinheit 22 kann beispielsweise eine Head Unit des Kraftfahrzeugs 16 oder ein Assistenzsystem des Kraftfahrzeugs 16 sein. Diese Aufzählung ist rein beispielhaft und dient lediglich dem Verständnis der Erfindung. Es können somit auch weitere Funktionseinheiten 22 im Kraftfahrzeug 16 genutzt werden. Motor vehicle 16 has a control device 18 , a detection device 20 and a functional unit 22 . Functional unit 22 can be a head unit of motor vehicle 16 or an assistance system of motor vehicle 16, for example. This list is purely exemplary and only serves to understand the invention. Further functional units 22 in motor vehicle 16 can thus also be used.
Beim Verfahren zum Erzeugen des Verhaltensmodells 12 für die Kraftfahrzeugflotte 14 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 wird ein ein neuronales Netzwerk 24 charakterisierender Parameter 28 für die Steuereinrichtung 18 des Kraftfahrzeugs 16 der Kraftfahrzeugflotte 14 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 trainiert, insbesondere vortrainiert, und an die Steuereinrichtung 18 übermittelt und kraftfahrzeugintern abgespeichert. In the method for generating the behavior model 12 for the motor vehicle fleet 14 using the motor vehicle-external electronic computing device 10, a neural network 24 characterizing parameters 28 for the control device 18 of the motor vehicle 16 of the motor vehicle fleet 14 trained by means of the vehicle-external electronic computing device 10, in particular pre-trained, and transmitted to the control device 18 and stored internally in the vehicle.
Es ist vorgesehen, dass mittels der Erfassungseinrichtung 20 des Kraftfahrzeugs 16 zumindest eine Information für das Verhaltensmodell 12 erfasst wird und das abgespeicherte kraftfahrzeuginterne neuronale Netzwerk 26 mittels des charakterisierenden Parameters 28 und der zumindest einen Information kraftfahrzeugintern weitertrainiert wird und zumindest ein Gewichtungsparameter 30 des kraftfahrzeugintern weitertrainierten neuronalen Netzwerks 26 von der Steuereinrichtung 18 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird und das Verhaltensmodell 12 auf Basis des an die Steuereinrichtung 18 übermittelten charakterisierenden Parameters 28 und auf Basis des übertragenen Gewichtungsparameters 30 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 für die Kraftfahrzeugflotte 14 erzeugt wird. It is provided that at least one item of information for the behavior model 12 is recorded by means of the recording device 20 of the motor vehicle 16 and the stored motor vehicle-internal neural network 26 is further trained in the motor vehicle by means of the characterizing parameter 28 and the at least one piece of information and at least one weighting parameter 30 of the motor-vehicle further trained neural network Network 26 is transmitted from the control device 18 to the electronic computing device 10 external to the motor vehicle, and the behavior model 12 is generated for the motor vehicle fleet 14 on the basis of the characterizing parameter 28 transmitted to the control device 18 and on the basis of the transmitted weighting parameter 30 by means of the electronic computing device 10 external to the motor vehicle.
Es kann dabei vorgesehen sein, dass als der das neuronale Netzwerk 24 charakterisierende Parameter 28 eine Gewichtungsmatrize für das neuronale Netzwerk 24 an die Steuereinrichtung 18 oder das neuronale Netzwerk 24 selbst übertragen wird. Provision can be made for a weighting matrix for the neural network 24 to be transmitted to the control device 18 or to the neural network 24 itself as the parameter 28 characterizing the neural network 24 .
Es kann weiterhin vorgesehen sein, dass auf Basis einer Vielzahl von Gewichtungsparametern 30 von einer Vielzahl von Kraftfahrzeugen 16 der Kraftfahrzeugflotte 14 das Verhaltensmodell 12 erzeugt wird. Weiterhin kann vorgesehen sein, dass nach einem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters 30 der Gewichtungsparameter 30 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird. Provision can furthermore be made for the behavior model 12 to be generated on the basis of a large number of weighting parameters 30 from a large number of motor vehicles 16 in the motor vehicle fleet 14 . Provision can furthermore be made for the weighting parameter 30 to be transmitted to the electronic computing device 10 external to the motor vehicle after a deviation threshold value of the weighting parameter 30 has been exceeded.
Weiterhin kann vorgesehen sein, dass mittels einer Ensemblemethodik das Verhaltensmodell 12 für die Kraftfahrzeugflotte 14 erzeugt wird oder dass mittels einer weichen Gewichtungsteilungsmethode, welche auch als Soft Weight-Sharing bezeichnet wird, das Verhaltensmodell 12 für die Kraftfahrzeugflotte 14 erzeugt wird. Provision can furthermore be made for the behavior model 12 for the motor vehicle fleet 14 to be generated using an ensemble method or for the behavior model 12 for the motor vehicle fleet 14 to be generated using a soft weight sharing method, which is also referred to as soft weight sharing.
Es kann weiterhin vorgesehen sein, dass mittels der Steuereinrichtung 18 eine Prognose für eine Fehlerursache und/oder Prognose für die Nutzung einer Navigationseinrichtung, welche insbesondere durch die Funktionsreinricchtung 22 dargestellt ist, des Kraftfahrzeugs 16 und/oder eine Prognose für die Nutzung eines Assistenzsystems, welche insbesondere ebenfalls durch die Funktionseinrichtung 22 dargestellt ist, des Kraftfahrzeugs 16 durchgeführt wird. Provision can furthermore be made for the control device 18 to make a prognosis for the cause of an error and/or a prognosis for the use of a navigation device, which is represented in particular by the functional device 22, of the motor vehicle 16 and/or a prognosis for the use of an assistance system, which is also represented in particular by the functional device 22, of the motor vehicle 16 is carried out.
Bei der Prognose für die Fehlerursache können beispielsweise Fehlermeldungen innerhalb der Steuereinrichtung 18, Umgebungsdaten innerhalb der Steuereinrichtung 18, wie beispielsweise Temperatur, Spannung, Eingangsgrößen zur Steuereinrichtung 18 sowie Fehlersignale von vernetzten Steuergeräten abgespeichert werden. Ziel dabei ist die Prognose von Fehlerursachen. Bei der Prognose für die Nutzung der Navigationseinrichtung können beispielsweise Daten zu Tag, Uhrzeit, Wetter und Lokation abgespeichert werden. Hierbei wird insbesondere eine Prognose für die Nutzung der Navigationseinrichtung erzeugt. Bei der Nutzung des Assistenzsystems, wobei dies insbesondere auch als ADAS bezeichnet werden kann, wird gespeichert, welche Aktivierung der Assistenzfunktionen, welche Fahrsituation oder welche Lokation dabei vorliegen. Hierbei können insbesondere die Klasse der Hot Spots, zum Beispiel für Fußgängerbremsungen, erzeugt werden. When forecasting the cause of the error, for example, error messages can be stored within the control device 18, environmental data within the control device 18, such as temperature, voltage, input variables for the control device 18, and error signals from networked control devices. The aim is to predict the causes of errors. When forecasting the use of the navigation device, for example, data on the day, time, weather and location can be stored. Here, in particular, a prognosis for the use of the navigation device is generated. When using the assistance system, which can in particular also be referred to as ADAS, it is stored which activation of the assistance functions, which driving situation or which location is present. Here, in particular, the class of hot spots, for example for pedestrian braking, can be generated.
Es kann weiterhin vorgesehen sein, dass eine Anzahl an Messpunkten der Erfassungseinrichtung 20 und eine daraus resultierende und zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter 30 beschreibt und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung 18 entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters 30 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird. It can also be provided that a number of measuring points of the detection device 20 and a data volume resulting therefrom and to be transmitted are determined and the resulting data volume is compared with a data volume which describes the weighting parameter 30 and depending on the comparison by means of the control device 18 a decision is made as to whether the data volume of the measuring points or the data volume of the weighting parameter 30 is to be transmitted to the electronic computing device 10 external to the motor vehicle.
Insbesondere ist somit für alle Prognosen, für die das Verhaltensmodell 12 erstellt werden soll, vorgesehen, dass mit einem reduzierten Datensatz das neuronale Netzwerk 24 in der kraftfahrzeugexternen elektronischen Recheneinrichtung 10, welches auch als Backend bezeichnet werden kann, vortrainiert wird. Die vortrainierten neuronalen Netzwerke 24 beziehungsweise deren Gewichtungsmatrizen, von denen dann wiederum die Netzarchitektur abgeleitet werden kann, werden an die Steuereinrichtung 18 im Kraftfahrzeug 16 übertragen. Die Steuereinrichtung 18 sammelt dann weitere Daten und trainiert damit das kraftfahrzeuginterne neuronale Netzwerk 26 auf das genau in diesem Kraftfahrzeug 16 beobachtete Verhalten, was auch als Edge Computing bezeichnet werden kann. Überschreitet das kraftfahrzeuginterne neuronale Netzwerk 26 in dem Kraftfahrzeug 16 eine vorher definierte Prognosegüte, beispielsweise einen sogenannten F1 -Score, so werden die Gewichte des kraftfahrzeuginternen neuronalen Netzwerks 26 von diesem Kraftfahrzeug 16 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen. In der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 wird mit Hilfe einer Methode, wie beispielsweise dem Softweight- Sharing oder der Ensemblemethodik, aus den einzelnen Modellen das Verhaltensmodell 12 erstellt. Mit diesem Verhaltensmodell 12, welches auch als Weltmodell bezeichnet werden kann, können dann die gewünschten Prognosen, wie zum Beispiel Prognosen für die Fehlerursache, für die Nutzung der Navigationseinrichtung oder weiterer Assistenzsystem erzeugt werden. In particular, it is therefore provided for all forecasts for which the behavior model 12 is to be created that the neural network 24 in the motor vehicle-external electronic computing device 10, which can also be referred to as the backend, is pre-trained with a reduced data set. The pre-trained neural networks 24 or their weighting matrices, from which the network architecture can then in turn be derived, are transmitted to the control device 18 in the motor vehicle 16 . The control device 18 then collects further data and uses it to train the motor vehicle's internal neural network 26 for the behavior observed precisely in this motor vehicle 16, which can also be referred to as edge computing. If the motor vehicle's internal neural network 26 in the motor vehicle 16 exceeds a previously defined prognosis quality, for example a so-called F1 score, the weights of the motor vehicle's internal neural network 26 are transferred from this motor vehicle 16 to the vehicle's external electronic Computing device 10 transferred. The behavior model 12 is created from the individual models in the vehicle-external electronic computing device 10 with the aid of a method such as soft weight sharing or the ensemble method. With this behavior model 12, which can also be referred to as a world model, the desired forecasts, such as forecasts for the cause of the error, for the use of the navigation device or other assistance system can then be generated.
Die Daten werden somit durch das dezentrale Trainieren in der Steuereinrichtung 18 im Sinne von Edge Computing direkt verarbeitet. Die Übertragungsbandbreite in das Backend wird reduziert, da nur der Gewichtungsparameter 30 des kraftfahrzeuginternen neuronalen Netzwerks 26 übertragen wird. Das Wissen wird sozusagen in den kraftfahrzeuginternen neuronalen Netzwerken 26 memorisiert und komprimiert. Aus den trainierten neuronalen Netzwerken 26 kann ohne großen Aufwand dann wiederum das Verhaltensmodell 12 aufgebaut werden. The data are thus processed directly by the decentralized training in the control device 18 in the sense of edge computing. The transmission bandwidth in the backend is reduced since only the weighting parameter 30 of the motor vehicle's internal neural network 26 is transmitted. The knowledge is so to speak memorized and compressed in the motor vehicle's internal neural networks 26 . The behavior model 12 can then in turn be constructed from the trained neural networks 26 without great effort.

Claims

Patentansprüche Verfahren zum Erzeugen eines Verhaltensmodells (12) für eine Kraftfahrzeugflotte (14) mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung (10), bei welchem zumindest ein ein neuronales Netzwerk (24) charakterisierender Parameter (28) für eine Steuereinrichtung (18) eines Kraftfahrzeugs (16) der Kraftfahrzeugflotte (14) mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung (10) trainiert wird und an die Steuereinrichtung (18) übermittelt und kraftfahrzeugintern abgespeichert wird, dadurch gekennzeichnet, dass mittels einer Erfassungseinrichtung (20) des Kraftfahrzeugs (16) zumindest eine Information für das Verhaltensmodell (12) erfasst wird und ein abgespeichertes kraftfahrzeuginternes neuronales Netzwerk (26) mittels des charakterisierenden Parameters (28) und der zumindest einen Information kraftfahrzeugintern weiter trainiert wird und zumindest ein Gewichtungsparameter (30) des kraftfahrzeugintern weiter trainierten neuronalen Netzwerks (26) von der Steuereinrichtung (18) an die kraftfahrzeugexterne elektronische Recheneinrichtung (10) übertragen wird und das Verhaltensmodell (12) auf Basis des an die Steuereinrichtung (18) übermittelten charakterisierenden Parameters (28) und auf Basis des übertragenen Gewichtungsparameters (30) mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung (10) für die Kraftfahrzeugflotte (14) erzeugt wird. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass als der das neuronale Netzwerk (24) charakterisierende Parameter (28) eine Gewichtungsmatrize für das neuronale Netzwerk (24) an die Steuereinrichtung (18) oder das neuronale Netzwerk (24) übertragen wird. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass auf Basis einer Vielzahl übertragener Gewichtungsparameter (30) von einer Vielzahl von Kraftfahrzeugen (16) der Kraftfahrzeugflotte (14) das Verhaltensmodell (12) mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung (10) erzeugt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass nach einem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters (30) der Gewichtungsparameter (30) an die kraftfahrzeugexterne elektronische Recheneinrichtung (10) übertragen wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels einer Ensemblemethodik das Verhaltensmodell (12) für die Kraftfahrzeugflotte (14) erzeugt wird. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass mittels einer weichen Gewichtungsteilungsmethode das Verhaltensmodell (12) für die Kraftfahrzeugflotte (14) erzeugt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels der Steuereinrichtung (18) eine Prognose in Form einer Klassifikation oder Regression durchgeführt werden, insbesondere eine Prognose für eine Fehlerursache und/oder eine Prognose für die Nutzung einer Navigationseinrichtung des Kraftfahrzeugs (16) und/oder eine Prognose für eine Nutzung eines Assistenzsystems des Kraftfahrzeugs (16) durchgeführt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Anzahl an Messpunkten der Erfassungseinrichtung (20) und eine daraus resultierende, zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter (30) beschreibt, und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung (18) entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters (30) an die kraftfahrzeugexterne elektronische Recheneinrichtung (10) übertragen wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das neuronale Netzwerk (24) mit einem reduzierten Datensatz vortrainiert wird und das mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk (24) oder eine Gewichtungsmatrize an die Steuereinrichtung (18) übertragen wird. Kraftfahrzeugexterne elektronische Recheneinrichtung (109 zum Erzeugen eines Verhaltensmodells (12) für eine Kraftfahrzeugflotte (14), wobei die kraftfahrzeugexterne elektronische Recheneinrichtung (10) zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 9 ausgebildet ist. Method for generating a behavior model (12) for a motor vehicle fleet (14) by means of an electronic computing device (10) external to the motor vehicle, in which at least one parameter (28) characterizing a neural network (24) for a control device (18) of a motor vehicle (16) of the motor vehicle fleet (14) is trained by means of the electronic computing device (10) external to the motor vehicle and is transmitted to the control device (18) and stored in the motor vehicle, characterized in that at least one item of information for the behavior model ( 12) is detected and a stored motor vehicle-internal neural network (26) is further trained in the motor vehicle by means of the characterizing parameter (28) and the at least one piece of information and at least one weighting parameter (30) of the motor vehicle-internally further trained neural network (26) is transmitted from the control device (18) to the electronic computing device (10) external to the motor vehicle and the behavior model (12) on the basis of the characterizing parameter (28) transmitted to the control device (18) and on the basis of the transmitted weighting parameter (30) by means the motor vehicle-external electronic computing device (10) for the motor vehicle fleet (14). Method according to Claim 1, characterized in that a weighting matrix for the neural network (24) is transmitted to the control device (18) or the neural network (24) as the parameter (28) characterizing the neural network (24). Method according to Claim 1 or 2, characterized in that the behavior model (12) is generated by means of the electronic computing device (10) external to the vehicle on the basis of a large number of weighting parameters (30) transmitted from a large number of motor vehicles (16) in the motor vehicle fleet (14). Method according to one of the preceding claims, characterized in that after a deviation threshold value of the weighting parameter (30) is exceeded, the weighting parameter (30) is transmitted to the electronic computing device (10) external to the motor vehicle. Method according to one of the preceding claims, characterized in that the behavior model (12) for the motor vehicle fleet (14) is generated by means of an ensemble method. Method according to one of Claims 1 to 4, characterized in that the behavior model (12) for the motor vehicle fleet (14) is generated by means of a soft weighting division method. Method according to one of the preceding claims, characterized in that a prognosis in the form of a classification or regression is carried out by means of the control device (18), in particular a prognosis for a fault cause and/or a prognosis for the use of a navigation device of the motor vehicle (16) and / or a prognosis for use of an assistance system of the motor vehicle (16) is carried out. Method according to one of the preceding claims, characterized in that a number of measuring points of the detection device (20) and a data volume to be transmitted resulting therefrom are determined and the resulting the resulting data volume is compared with a data volume which describes the weighting parameter (30), and depending on the comparison, the control device (18) decides whether the data volume of the measuring points or the data volume of the weighting parameter (30) is to be sent to the electronic computing device external to the motor vehicle ( 10) is transmitted. Method according to one of the preceding claims, characterized in that the neural network (24) is pre-trained with a reduced data set and the neural network (24) pre-trained with the reduced data set or a weighting matrix is transmitted to the control device (18). Motor vehicle-external electronic computing device (109 for generating a behavior model (12) for a motor vehicle fleet (14), the motor vehicle-external electronic computing device (10) being designed to carry out a method according to one of Claims 1 to 9.
PCT/EP2021/076975 2020-10-12 2021-09-30 Method for producing a behavior model for a motor vehicle fleet by means of a motor-vehicle-external electronic computing device, and motor-vehicle-external electronic computing device WO2022078770A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020006267.9A DE102020006267A1 (en) 2020-10-12 2020-10-12 Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle
DE102020006267.9 2020-10-12

Publications (1)

Publication Number Publication Date
WO2022078770A1 true WO2022078770A1 (en) 2022-04-21

Family

ID=78085884

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/076975 WO2022078770A1 (en) 2020-10-12 2021-09-30 Method for producing a behavior model for a motor vehicle fleet by means of a motor-vehicle-external electronic computing device, and motor-vehicle-external electronic computing device

Country Status (2)

Country Link
DE (1) DE102020006267A1 (en)
WO (1) WO2022078770A1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3117274A1 (en) 2014-04-22 2017-01-18 Siemens Aktiengesellschaft Method, controller, and computer program product for controlling a target system by separately training a first and a second recurrent neural network models, which are initially trained using oparational data of source systems
EP3206411A1 (en) * 2016-02-11 2017-08-16 Volvo Car Corporation Arrangement and method for predicting road friction within a road network
WO2019001649A1 (en) * 2017-06-30 2019-01-03 Conti Temic Microelectronic Gmbh Knowledge transfer between different deep learning architectures
DE102019005825A1 (en) * 2019-08-19 2020-03-12 Daimler Ag Method for generating training data for an electronic computing device external to the motor vehicle, and driver assistance system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3117274A1 (en) 2014-04-22 2017-01-18 Siemens Aktiengesellschaft Method, controller, and computer program product for controlling a target system by separately training a first and a second recurrent neural network models, which are initially trained using oparational data of source systems
EP3206411A1 (en) * 2016-02-11 2017-08-16 Volvo Car Corporation Arrangement and method for predicting road friction within a road network
WO2019001649A1 (en) * 2017-06-30 2019-01-03 Conti Temic Microelectronic Gmbh Knowledge transfer between different deep learning architectures
DE102019005825A1 (en) * 2019-08-19 2020-03-12 Daimler Ag Method for generating training data for an electronic computing device external to the motor vehicle, and driver assistance system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YE DONGDONG ET AL: "Federated Learning in Vehicular Edge Computing: A Selective Model Aggregation Approach", IEEE ACCESS, IEEE, USA, vol. 8, 20 January 2020 (2020-01-20), pages 23920 - 23935, XP011771171, DOI: 10.1109/ACCESS.2020.2968399 *

Also Published As

Publication number Publication date
DE102020006267A1 (en) 2022-04-14

Similar Documents

Publication Publication Date Title
EP3970077B1 (en) Method for training at least one algorithm for a control unit of a motor vehicle, computer program product, motor vehicle and system
DE102018128289B4 (en) METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION
DE102017223751A1 (en) Method and device for detecting anomalies in a data stream of a communication network
DE102018222720B4 (en) Monitoring of driving functions based on neural networks
EP3684015B1 (en) Device and method for classifying data in particular for a controller area network or an automotive ethernet network
EP3748453B1 (en) Method and device for automatically executing a control function of a vehicle
WO2020187591A1 (en) Method and device for controlling a robot
DE102018209595A1 (en) Method for automatically determining a road condition
DE102018209250A1 (en) Control device, method for controlling a control device, computer-readable storage medium and control system
EP2102723B1 (en) Method and device for the diagnosis of functions and vehicle systems
DE102018129563A1 (en) Method for determining the steering mode of a steering wheel
EP3460727A1 (en) Method for examining a functional behaviour of a technical system and evaluation unit
WO2022078770A1 (en) Method for producing a behavior model for a motor vehicle fleet by means of a motor-vehicle-external electronic computing device, and motor-vehicle-external electronic computing device
WO2021089499A1 (en) Method and system for checking an automated driving function by reinforcement learning
DE102021107675A1 (en) System and method for implementing intelligent vehicle functions
DE102019113958A1 (en) A method of enhancing the performance of a vehicle system having a neural network for controlling a vehicle component
DE102018128892A1 (en) Method, system and computer program for providing information for operating a vehicle
DE102023201183B3 (en) Computer-implemented method for generating a machine learning model for determining a control parameter for a motor vehicle
DE102020204867A1 (en) Method and system for operating a maneuver planning of at least one at least partially automated vehicle
DE102005034047A1 (en) Data transmission method and data transmission system
EP4339066A1 (en) Dynamics model for a rail vehicle
DE102023001622A1 (en) Methods for optimizing vehicle functions
DE102021207493A1 (en) Method for supporting operation of a vehicle with a sensor unit, computer program product and system
WO2023237274A1 (en) Concept for selecting audio excerpts of brake noise in a vehicle
DE102022123578A1 (en) Method and device for tuning motor vehicles

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: 21789620

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: 21789620

Country of ref document: EP

Kind code of ref document: A1