-
Stand der Technik
-
Die Erfindung betrifft ein Verfahren zum Trainieren eines zentralen Künstlichen-Intelligenz-Moduls
-
Aus dem Stand der Technik sind Lernverfahren für künstliche Intelligenzen bekannt, bei welchen basierend auf von Fahrzeugen erfassten und zentral gespeicherten Umfelddaten ein neuronales Netzwerk trainiert wird. Hierbei werden Rohdaten der Fahrzeugsensoren verwendet, welche ggf. sensible, die Privatsphäre der Fahrzeugnutzer einschränkende Informationen enthalten können.
-
Zudem sind Lernverfahren bekannt, bei welchen eine für das automatisierte Fahren angedachte künstliche Intelligenz auf einem Fahrzeug anhand der von dem Fahrzeug erfassten Umfelddaten eingelernt wird. Um eine für das Einlernen der künstlichen Intelligenz ausreichend große Menge an Daten zu sammeln, ist es erforderlich, dass das Fahrzeug extrem viele Testkilometer zurücklegt.
-
Offenbarung der Erfindung
-
Die Erfindung beschreibt ein Verfahren zum Trainieren eines sich auf einem Server befindlichen zentralen Künstlichen-Intelligenz-Moduls (KI-Moduls) zum hoch- oder vollautomatisierten Betreiben eines Fahrzeugs. Das Verfahren umfasst die folgenden Schritte:
- • Ausführung wenigstens eines Lernschritts zum Trainieren eines sich in einem ersten Fahrzeug oder einer HiL (Hardware in the Loop)-Simulation eines ersten Fahrzeugs befindlichen ersten KI-Moduls anhand von Eingangssignalen, wobei die Eingangssignale auf mittels in dem ersten Fahrzeug verbauter Umfeldsensorik erfassten Umfelddaten oder aufgezeichneten Umfelddaten eines Fahrzeugs basieren und wobei beim Trainieren erste interne Verarbeitungsparameter des ersten KI-Moduls angepasst werden, auf Basis derer in das erste KI-Modul eingehende Eingangssignale in Ausgangssingale übersetzt werden;
- • Ausführung wenigstens eines Lernschritts zum Trainieren eines sich in einem zweiten Fahrzeug oder einer HiL-Simulation eines zweiten Fahrzeugs befindlichen zweiten KI-Moduls anhand von Eingangssignalen, wobei die Eingangssignale auf mittels in dem zweiten Fahrzeug verbauter Umfeldsensorik erfassten Umfelddaten oder aufgezeichneten Umfelddaten eines Fahrzeugs basieren und wobei beim Trainieren zweite interne Verarbeitungsparameter des zweiten KI-Moduls angepasst werden, auf Basis derer in das zweite KI-Modul eingehende Eingangssignale in Ausgangssingale übersetzt werden;
- • Übertragung der angepassten ersten internen Verarbeitungsparameter an den Server;
- • Übertragung der angepassten zweiten internen Verarbeitungsparameter an den Server;
- • Trainieren des zentralen KI-Moduls basierend auf den übertragenen angepassten ersten und zweiten internen Verarbeitungsparametern.
-
Bei dem Server kann es sich beispielsweise um einen zentralen Rechner handeln, welcher mit dem Internet verbunden ist und Daten von Fahrzeugen empfangen und Daten an Fahrzeuge aussenden kann. Das Trainieren des zentralen KI-Moduls erfolgt hierbei insbesondere auf dem Server.
-
Bei dem sich auf dem zentralen Server befindlichen Künstlichen-Intelligenz-Moduls (Künstliches-Intelligenz-Modul wird in dieser Anmeldung im Folgenden mit KI-Modul abgekürzt) kann es sich um ein Modul handeln, welches eigenständig Probleme bearbeiten kann. Als KI-Modul kann beispielsweise ein künstliches neuronales Netz, ein rekurrentes neuronales Netz, ein convolutional neural Network oder ein auf Backpropagation basierendes Netzwerk eingesetzt werden. Auch sind die Verwendung eines Autoencoders oder vergleichbarer Strukturen bzw. Algorithmen denkbar. Es sind auch Kombinationen mehrerer Algorithmen oder Netztypen möglich. Generell können auch mehrere Netze miteinander vernetzt sein und Ausgabewerte einzelner Netze als Eingabewerte in weitere Netze verwendet werden.
-
Die weiteren, beispielsweise in Fahrzeugen oder Hardware in the Loop (HiL) Simulationen eingesetzten KI-Module können entsprechend aufgebaut sein. In einer Ausführungsform der Erfindung können sie sogar identisch ausgelegt sein. Die weiteren KI-Module haben ebenfalls die Aufgabe, eigenständig Probleme zu lösen. Hierfür werden Eingangsdaten basierend auf veränderbaren internen Verarbeitungsparametern in Ausgangsdaten übersetzt. Beim Einlernen der weiteren KI-Module werden diese Verarbeitungsparameter basierend auf Eingangsdaten, welche erfassten Umfelddaten entsprechen, angepasst. Hierfür können beispielsweise Methoden wie das Reinforced learning eingesetzt werden. Ergänzend oder alternativ können basierend auf den Eingangsdaten auch erwartete Ausgangsdaten und somit ein Lernset bereitgestellt werden, anhand welcher ein KI-Modul trainiert wird. Die angepassten Verarbeitungsparameter dieser weiteren KI-Module können, unabhängig von einem Lernzustand der KI-Module, an das zentrale KI-Modul übertragen werden.
-
Das zentrale KI-Modul zeichnet sich dadurch aus, dass es basierend auf den übertragenen Verarbeitungsparametern der weiteren KI-Module, insbesondere des ersten und zweiten KI-Moduls, trainiert wird. Die Verarbeitungsparameter der weiteren KI-Module können hierfür beispielsweise mittels Algorithmen, welche auf stochastischen Gradientenverfahren basieren, für eine Ermittlung der zentralen Verarbeitungsparameter des zentralen KI-Moduls verwendet werden. Die zentralen Verarbeitungsparameter können beispielsweise auch über eine Mittelwertbildung entsprechender weiterer Verarbeitungsparameter ermittelt werden.
-
Sind die KI-Module als neuronale Netzwerke ausgebildet, können die Verarbeitungsparameter insbesondere Werte der Gewichte enthalten, welche die Informationsweitergabe zwischen unterschiedlichen Neuronen bestimmen. Beim Einlernen von neuronalen Netzwerken ist es gängige Praxis, die Anfangswerte der Gewichte zufällig zu wählen. Für das verteilte Lernen mittels mehrerer KI-Module bietet es sich an, alle Ausgangswerte der Gewichte in den einzelnen KI-Modulen identisch zu wählen. Hierdurch lässt sich die Wahrscheinlichkeit erhöhen, dass die Gewichte in der zentralen KI konvergieren.
-
Die Übertragung der Verarbeitungsparameter des ersten und/oder zweiten KI-Moduls kann beispielsweise über gängige Car2X Kommunikationsmittel und -verfahren erfolgen. Beispielsweise sind Übertragungen über Funk, beispielsweise über WLAN und/oder UMTS und/oder LTE möglich.
-
Befindet sich das erste und/oder zweite KI-Modul in einer HiL-Simulation, können für das Trainieren dieses KI-Moduls Umfelddaten verwendet werden, die von einem beliebigen Fahrzeug aufgezeichnet wurden. Für das Trainieren des ersten und zweiten KI-Moduls können folglich Umfelddaten von unterschiedlichen Fahrzeugen oder des gleichen Fahrzeugs verwendet werden. Es bietet sich hierbei an, Umfelddaten aus unterschiedlichen Fahrsituationen zu wählen, wenn Umfelddaten des gleichen Fahrzeugs verwendet werden. Die Umfelddaten können zum einen in Echtzeit in die KI-Module eingespeist werden, zum anderen können sie zunächst aufgezeichnet und mit einem Zeitversatz in die KI-Module eingespeist/ eingegeben werden. Für die HiL-Simulation bieten sich insbesondere aufgezeichnete Daten an.
-
Unter einem hochautomatisierten bzw. hochautomatisiert betrieben Fahrzeug wird ein Fahrzeug verstanden, welches wenigstens vordefinierte Fahrfunktionen eigenständig ohne den Eingriff eines Fahrers durchführen kann. Beispielhafte Fahrfunktionen sind Systeme mit automatisierter Quer- und/oder Längsführung, beispielsweise Einparkassistenten, Stauassistenten, Autobahnpiloten und dergleichen.
-
Vollautomatisierte bzw. vollautomatisiert betriebene Fahrzeuge sind dazu in der Lage mehrere dieser Fahrfunktionen durchzuführen, sodass ggf. auch komplexe Strecken eigenständig von dem Fahrzeug zurückgelegt werden können, ohne dass ein Eingriff eines Fahrers benötigt wird. Ggf. können vollautomatisierte Fahrzeuge nahezu alle typischen Fahrsituationen beherrschen, sodass diese eigenständig ohne Eingriffe eines Fahrers am Straßenverkehr teilnehmen können. Ggf. besteht in diesen Fahrzeugen nicht mehr die Möglichkeit eines Eingriffs eines Fahrers, da kein Fahrer mehr notwendig ist.
-
Unter Fahrzeugen werden hierbei Land-, Luft- und Raum- und Wasserfahrzeuge, insbesondere PKWs, LKWs, Busse, Shuttle, Zweiräder, Boote, Flugzeuge, Helikopter und Drohnen verstanden. Beispielsweise kann auch ein zentrales KI-Modul zum Betreiben eines automatisierten Roboters und/oder Gabelstaplers anhand verteilter KI-Module in automatisierten Robotern und/oder Gabelstaplern trainiert werden.
-
Das in der vorliegen Anmeldung beanspruchte Verfahren bietet den Vorteil, dass für das Einlernen eines zentralen KI-Moduls nicht zwangsweise Eingangsdaten verwendet werden müssen, sondern ein Einlernen auch basierend auf Verarbeitungsparametern weiterer KI-Module erfolgen kann. Zudem kann es ausreichend sein, dass die weiteren KI-Module, welche sich in den Fahrzeugen befinden, nur wenige Lernschritte ausführen, die an sich genommen für ein Trainieren eines KI-Moduls nicht ausreichend wären, aber in Kombination mit weiteren KI-Modulen eine ausreichend gutes Lernergebnis liefern. Die Einzelnen Fahrzeuge benötigen deshalb ggf. auch weniger Rechenleistung und können hierdurch kostengünstiger hergestellt werden. Darüber hinaus können mittels dieses Verfahrens die Lernergebnisse zeitversetzt zum Trainieren des zentralen KI-Moduls verwendet werden, da die Verarbeitungsparameter zwischengespeichert werden können. Ein weiterer wesentlicher Vorteil dieses Verfahrens im Vergleich zu Lernverfahren, in denen die von den Fahrzeugen erfassten Umfelddaten zum Trainieren eines zentralen KI-Moduls verwendet werden, liegt darin, dass diese Umfelddaten nicht mehr übertragen werden müssen. Anhand des Lernvorgangs der sich in den Fahrzeugen befindlichen KI-Module werden die Eingangsdaten in Form der angepassten Verarbeitungsparameter komprimiert. Da nur diese komprimierten Verarbeitungsparameter an das zentrale KI-Modul übertragen werden, lässt sich hierdurch die zu übertragende Datenmenge stark reduzieren. Hierdurch werden Übertragungskapazitäten von Car-to-X Kommunikationsverbindungen aus den Einzelfahrzeugen kaum belastet, da nur die Berechnungsergebnisse eines Lernschritts an die Cloud übertragen werden. Des Weiteren können die Eingangssignale und/oder Umfelddaten nicht aus den übertragenen Verarbeitungsparametern widerhergestellt / rekonstruiert werden. Hierdurch werden ggf. persönliche Daten enthaltende Eingangssignale und/oder Umfelddaten geschützt und es wird ein anonymisiertes Lernen ohne sensible Daten ermöglicht. Durch das verbauen von KI-Modulen in möglichst vielen Fahrzeugen, welche sich insbesondere in unterschiedlichen Bereichen bewegen, kann sichergestellt werden, dass möglichst breite Lernergebnisse von Fahrmanövern für die Berechnung des zentralen KI-Moduls auf dem Server zur Verfügung stehen. Der Lernvorgang des zentralen KI-Moduls kann aufgrund der parallelen Lernvorgänge in Fahrzeugen ebenfalls parallelisiert und somit extrem beschleunigt werden. Das Einlernen auf einem zentralen Server bietet darüber hinaus den Vorteil, dass dem Server sehr viel Rechenleistung zur Verfügung gestellt werden kann. Folglich kann das Trainieren des zentralen KI-Moduls in effizienter Weise über HPC (High Performance Computing) erfolgen.
-
Führen das erste und/oder zweite KI-Modul Lernschritte in einer HiL-Simulation aus, können Eingangsdaten auch mit einer höheren Frequenz als auf einem Fahrzeug eingespeist werden, da die Verarbeitungsgeschwindigkeit bei entsprechend ausgelegtem HiL höher ist als im Fahrzeug. Hierdurch lassen sich einzelne Lernschritte schneller und effizienter durchführen.
-
In einer weiteren Ausführungsform des Verfahrens ist das zentrale KI-Modul dazu eingerichtet, basierend auf anpassbaren zentralen internen Verarbeitungsparametern Eingangssignale in Ausgangssignale zu übersetzen. Im Schritt des Trainierens des zentralen KI-Moduls werden die zentralen internen Verarbeitungsparameter basierend auf den angepassten ersten und zweiten internen Verarbeitungsparametern angepasst. Hierbei werden insbesondere keine Eingangssignale des ersten oder zweiten Fahrzeugs bzw. der ersten oder zweiten HiL-Simulation zur Anpassung der zentralen internen Verarbeitungsparameter verwendet.
-
In einer weiteren Ausführungsform des Verfahrens werden mittels des ersten und /oder zweiten KI-Moduls einzelne Fahrfunktionen und/oder Fahrmanöver eingelernt. Hierdurch ist es möglich, unterschiedlichen Fahrzeugen unterschiedliche Lernaufgaben zuzuweisen, wobei die Fahrzeuge beispielsweise nur in bestimmten Bereichen betrieben werden, beispielsweise auf Autobahnen. Durch eine Aufteilung einzelner Lernaufgaben lässt sich die Performance einzelner KI-Module und des zentralen KI-Moduls verbessern.
-
In einer weiteren Ausführungsform des Verfahrens werden gleiche interne Ausgangs-Verarbeitungsparameter für das erste und zweite KI-Modul gewählt, wobei die internen Ausgangs-Verarbeitungsparameter den internen Verarbeitungsparametern vor einem ersten Lernvorgang der KI-Module entsprechen. Insbesondere weisen hierbei die ersten und zweiten internen Ausgangs-Verarbeitungsparameter gleiche Ausgangswerte auf.
-
Diese Ausführungsform der Erfindung bietet den Vorteil, dass aufgrund des Startens der Lernvorgänge in unterschiedlichen Fahrzeugen mit identischen KI-Modulen, ein besseres Vereinen der Verarbeitungsparameter möglich ist. Dies bedeutet, dass die Verarbeitungsparameter bei der Ermittlung der Verarbeitungsparameter für das zentrale KI-Modul besser konvergieren. Folglich wird eine zuverlässigere Performance und ggf. ein schnellerer Trainingsvorgang des zentralen KI-Moduls ermöglicht.
-
In einer weiteren Ausführungsform des Verfahrens empfängt der Server angepasste interne Verarbeitungsparameter von weiteren, KI-Module aufweisenden Fahrzeugen und das Verfahren umfasst den zusätzlichen Schritt des Auswählens wenigstens eines der weiteren Fahrzeuge. Hierbei werden lediglich die angepassten internen Verarbeitungsparameter des wenigstens einen ausgewählten Fahrzeugs zum Trainieren des zentralen KI-Moduls herangezogen.
-
Diese Ausführungsform der Erfindung bietet den Vorteil, dass gewisse Fahrzeuge berücksichtigt und weitere Fahrzeuge nicht beim Trainieren des zentralen KI-Moduls berücksichtigt werden. Durch eine intelligente Vorauswahl kann hierdurch der Lernprozess beschleunigt und das Endergebnis/ die Performance des zentralen KI-Moduls optimiert werden. Die Auswahl kann beispielsweise in Abhängigkeit einer Anzahl an bereits ausgeführten Lernschritten der weiteren KI-Module erfolgen. Zudem können auch Konvergenzkriterien für die Auswahl berücksichtigt werden. Beispielsweise können die Änderungen der Verarbeitungsparameter basierend auf den letzten Lernschritten ausgewertet werden. Falls die Veränderungen zu groß sind, spricht dies für eine noch nicht stark konvergierende Verarbeitungskette des KI-Moduls. Falls derartige Verarbeitungsparameter nicht zum Trainieren des KI-Moduls eingesetzt werden sollen, können die entsprechenden Fahrzeuge bzw. deren angepasste Verarbeitungsparameter auf diese Weise ermittelt und folglich unberücksichtigt bleiben. Je nach Ausführungsform des Verfahrens können auch Verarbeitungsparameter verwendet werden, welche lediglich basierend auf einem oder sehr wenigen Lernschritten angepasst wurden.
-
In einer weiteren Ausführungsform des Verfahrens umfasst das Verfahren den zusätzlichen Schritt des Übertragens des zentralen KI-Moduls an wenigstens ein Fahrzeug.
-
Diese Ausführungsform der Erfindung bietet den Vorteil, dass durch das Übertragen des zentralen KI-Moduls den Fahrzeugen ein KI-Modul mit gleichen Verarbeitungsparametern zur Verfügung steht. Basierend auf diesem KI-Modul können in den Fahrzeugen weitere Lernvorgänge durchgeführt werden. Da alle Fahrzeuge einen gleichen zwischenstand aufweisen, kann hierdurch die Wahrscheinlichkeit eines Konvergierens der zentralen Verarbeitungsparameter erhöht werden.
-
In einer weiteren Ausführungsform des Verfahrens wird das zentrale, an das Fahrzeug übertragene KI-Modul zum Betreiben des Fahrzeugs eingesetzt, sodass das Verfahren den zusätzlichen Schritt des hoch- oder vollautomatisierten Betreibens des Fahrzeugs mittels des übertragenen zentralen KI-Moduls aufweist.
-
Diese Ausführungsform der Erfindung bietet den Vorteil, dass alle Fahrzeuge vom Training des zentralen KI-Moduls profitieren und ein optimiertes KI-Modul zur Steuerung des Fahrzeugs zur Verfügung steht. Hierdurch wird die Sicherheit für Fahrzeuginsassen und sich in der Umgebung des Fahrzeugs befindliche Lebewesen erhöht. Zudem werden die Infrastruktur sowie weitere Verkehrsteilnehmer geschützt.
-
In einer weiteren Ausführungsform des Verfahrens werden mittels Umfeldsensorik des ersten und/oder zweiten Fahrzeugs erfasste Umfelddaten in dem ersten und/oder zweiten Fahrzeug zwischengespeichert und das erste und/oder zweite KI-Modul wird basierend auf den zwischengespeicherten Umfelddaten trainiert. Insbesondere werden die Daten länger als 10 Sekunden, weiter insbesondere länger als 10 Minuten, weiter insbesondere länger als 24 Stunden, zwischengespeichert.
-
Diese Ausführungsform der Erfindung bietet den Vorteil, dass die Lernschritte in den einzelnen sich in den Fahrzeugen befindlichen KI-Modulen nicht in Echtzeit durchgeführt werden müssen, sondern jederzeit durchführbar sind. Je nach benötigter Rechenleistung und benötigtem Energiebedarf für diese Berechnung bzw. das Ausführung eines Lernschritts, kann die Berechnung beispielsweise nur während eines Stillstands und/oder Batterie-Ladevorgangs des entsprechenden Fahrzeugs erfolgen. Wird ein KI-Modul während des Fahrens trainiert, können 10s oder 10min Zwischenspeicherungszeit ausreichend sein. Wird das KI-Modul nur während eines Ladevorgangs trainiert, können deutlich längere Zwischenspeicherungszeiten von über 24h notwendig sein.
-
Aufgrund der wenigen Lernschritte der ersten und/oder zweiten KI-Module werden diese im Normalfall aus Sicherheitsgründen nicht für eine Fahrzeugsteuerung eingesetzt. Die KI-Module dienen bevorzugt als zwischen KI-Module, deren Lernergebnisse primär zum Trainieren des zentralen KI-Moduls verwendet werden. In den einzelnen Lernschritten angepasste Gewichte werden hierbei an den zentralen Server oder eine Cloud übertragen.
-
Zudem wird ein Verfahren zum Trainieren eines sich auf einem Server befindlichen zentralen Künstlichen-Intelligenz-Moduls, KI-Moduls, zum hoch- oder vollautomatisierten Betreiben eines Fahrzeugs beansprucht, welches lediglich auf einem Server ausgeführt werden kann. Das Verfahren umfasst die folgenden Schritte:
- • Empfangen von Werten erster angepasster interner Verarbeitungsparameter eines ersten KI-Moduls aus einem ersten Fahrzeug und/oder einer ersten HiL-Simulation, wobei anhand der ersten internen Verarbeitungsparameter in das erste KI-Modul eingehende Eingangssignale in Ausgangssingale übersetzt werden und wobei von dem ersten KI-Modul bereits wenigstens ein Lernschritt ausgeführt wurde, bei welchen die ersten internen Verarbeitungsparameter angepasst wurden, wobei die Anpassung der ersten internen Verarbeitungsparameter basierend auf mittels in dem ersten Fahrzeug verbauter Umfeldsensorik erfassten Umfelddaten oder aufgezeichneten Umfelddaten eines Fahrzeugs erfolgt ist;
- • Empfangen von Werten zweiter angepasster interner Verarbeitungsparameter eines zweiten KI-Moduls aus einem zweiten Fahrzeug und/oder einer zweiten HiL-Simulation, wobei anhand der zweiten internen Verarbeitungsparameter in das zweite KI-Modul eingehende Eingangssignale in Ausgangssingale übersetzt werden und wobei von dem zweiten KI-Modul bereits wenigstens ein Lernschritt ausgeführt wurde, bei welchen die zweiten internen Verarbeitungsparameter angepasst wurden, wobei die Anpassung der zweiten internen Verarbeitungsparameter basierend auf mittels in dem zweiten Fahrzeug verbauter Umfeldsensorik erfassten Umfelddaten oder aufgezeichneten Umfelddaten eines Fahrzeugs erfolgt ist;
- • Trainieren des zentralen KI-Moduls basierend auf den empfangenen angepassten ersten und zweiten internen Verarbeitungsparametern.
-
Zudem wird ein zentrales KI-Modul zum hoch- oder vollautomatisierten Betreiben eines Fahrzeugs beansprucht, wobei das zentrale KI-Modul zur Übersetzung von Eingangssignalen in Ausgangssignale eingerichtet ist und wobei die Übersetzung basierend auf internen Verarbeitungsparametern erfolgt. Das KI-Modul wurde hierbei entsprechend eines der vorliegenden Anmeldung zugrunde liegenden Verfahrens zum Trainieren eines KI-Moduls trainiert.
-
Des Weiteren wird ein Steuerungssystem für ein hoch- oder vollautomatisiertes Fahrzeug beansprucht, welches das in dieser Anmeldung beanspruchte zentrale KI-Modul umfasst.
-
Diese Ausführungsform der Erfindung bietet den Vorteil, dass ein intelligentes Steuerungssystem für ein Fahrzeug bereitgestellt wird, mittels welchem ein sicheres Betreiben des Fahrzeugs ermöglich wird.
-
Darüber hinaus wird ein Computerprogramm beansprucht, welches Parameter für ein KI-Modul enthält, die, wenn sie in ein KI-Modul geladen werden, das KI-Modul zu einem zentralen KI-Modul entsprechend der vorliegenden Anmeldung aufwerten.
-
Figurenliste
-
- 1 zeigt ein schematisches Ablaufdiagramm.
- 2 zeigt ein weiteres schematisches Ablaufdiagramm.
-
Ausführungsbeispiele
-
In einem Ausführungsbeispiel befindet sich ein zentrales KI-Modul in einem Cloud-Rechner, welcher ein Kommunikationsmodul umfasst, um Daten mit Fahrzeugen auszutauschen. Das zentrale KI-Modul hat die Aufgabe, Eingangssignale basierend auf internen Verarbeitungsparametern in Ausgangssignale umzuwandeln. Im Speziellen soll dieses KI-Modul eine Fahrzeugsteuerung basierend auf eingehenden Umfelddaten ermöglichen. Das KI-Modul ist hierbei als neuronales Netz mit mehreren versteckten Schichten ausgebildet, wobei die Übertragung von Informationen zwischen sich in den Schichten befindlichen Neuronen über Gewichte definiert wird. Diese Gewichte sind veränderlich und maßgeblich für die Erzeugung der Ausgangssignale verantwortlich. Zum Trainieren des zentralen KI-Moduls werden in diesem Ausführungsbeispiel keine Eingangsdaten verwendet, sondern Verarbeitungsparameter, insbesondere Gewichte, von weiteren KI-Modulen, wobei sich die weiteren KI-Module in Fahrzeugen befinden. In diesem Ausführungsbeispiel befinden sich die weiteren KI-Module in mehreren baugleichen PKWs, welche insbesondere gleiche Umfelddaten mittels gleicher Umfeldsensoren erfassen und bei welchen gleiche Aktoren angesteuert werden.
-
Das ablaufende Verfahren zum Trainieren des zentralen KI-Moduls ist in 1 schematisch abgebildet und startet in Schritt 101.
-
In Schritt 102 wird ein Lernschritt zum Trainieren eines sich in einem ersten Fahrzeug befindlichen ersten KI-Moduls, welches dazu ausgelegt ist, Eingangssignale anhand von internen Verarbeitungsparametern in Ausgangssignale zu übersetzen, anhand von Eingangssignalen und einem implementierten Reinforcement Lernverfahren durchgeführt. Bei den Eingangssignalen handelt es sich hierbei um Umfelddaten, die mittels im ersten Fahrzeug verbauter Umfeldsensorik aufgezeichnet werden. Hierfür weist das Fahrzeug mehrere Kameras, einen 360° Lidar, Radar-, GNSS- und Ultraschallsensoren auf. Im Lernschritt werden basierend auf den Eingangssignalen erste interne Verarbeitungsparameter des ersten KI-Moduls, im Speziellen Gewichte zwischen künstlichen Neuronen, angepasst.
-
In Schritt 103 wird in einem zweiten Fahrzeug, welches identisch zum ersten Fahrzeug konfiguriert ist und ein zweites KI-Modul aufweist, ebenfalls ein Lernschritt durchgeführt. Bei dem Lernschritt werden zweite interne Verarbeitungsparameter des zweiten KI-Moduls basierend auf Eingangssignalen angepasst.
-
In Schritt 104 werden die angepassten ersten Verarbeitungsparameter vom ersten Fahrzeug an das zentrale KI-Modul übertragen. Hierfür weist das erste Fahrzeug eine Kommunikationseinheit auf, mittels welcher die Verarbeitungsparameter über Funk übertagen werden.
-
In Schritt 105 werden die angepassten zweiten Verarbeitungsparameter vom zweiten Fahrzeug an das zentrale KI-Modul übertragen. Das zweite Fahrzeug weist hierfür ebenfalls eine Kommunikationseinheit auf, mittels welcher die Verarbeitungsparameter über Funk übertagen werden.
-
In Schritt 106 wird das zentrale KI-Modul basierend auf den übertragenen ersten und zweiten Verarbeitungsparametern trainiert. Hierbei werden die Werte der einzelnen Verarbeitungsparameter vom ersten und zweiten Fahrzeug gemittelt, wobei die so entstehenden gemittelten Verarbeitungsparameter die zentralen Verarbeitungsparameter bilden.
-
Das Verfahren endet in Schritt 107.
-
In einem weiteren Ausführungsbeispiel werden die Verarbeitungsparameter beim Trainieren des zentralen KI-Moduls in Schritt 106 nicht einfach nur gemittelt, sondern fließen gewichtet in den Trainingsprozess ein. Hierfür werden zum einen Konvergenzkriterien der einzelnen KI-Module einbezogen, welche angeben, wie stark die Gewichte der einzelnen KI-Module bereits konvergiert sind. Je stärker dieses Konvergenzkriterium bei einem einzelnen KI-Modul ist, also je besser die Konvergenz, desto stärker werden dessen Gewichte beim Trainieren gewichtet. Zudem fließt die Anzahl der bereits durchgeführten Lernschritte in die Gewichtung der Verarbeitungsparameter beim Trainieren des zentralen KI-Moduls ein. Darüber hinaus können noch die Häufigkeit einzelner durchgeführter Fahrmanöver und die Kritikalität dieser Fahrmanöver in die Gewichtung der Verarbeitungsparameter mit einbezogen werden.
-
In einem weiteren Ausführungsbeispiel wird das zentrale KI-Modul basierend auf einzelnen K-Modulen trainiert, welche sich sowohl in Fahrzeugen als auch in HiL befinden.
-
In einem weiteren Ausführungsbeispiel werden die Verarbeitungsparameter über eine Kabelverbindung übertragen, wenn sich das Fahrzeug an einer Ladestation befindet oder separat mit einem Kabel an das Internet angebunden wird. Die Lernschritte in den Fahrzeugen werden hierbei bevorzugt ausgeführt, wenn die Fahrzeuge stehen und an eine Stromquelle angeschlossen sind. Hierdurch kann die volle Leistung der Recheneinheiten auf dem Fahrzeug ausgenutzt werden.
-
In einem weiteren Ausführungsbeispiel werden die Schritte 101 bis 106 so lange wiederholt, bis die Werte der zentralen Verarbeitungsparameter ausreichend konvergieren. Hierbei werden zunächst Bedingungen festgelegt, die eine ausreichende Konvergenz definieren. In diesem Ausführungsbeispiel darf sich in einem Trainingsschritt des zentralen KI-Moduls kein Wert eines Verarbeitungsparameters um einen Wert >0,2 ändern, wobei die Verarbeitungsparameter lediglich Werte zwischen 0 und 1 aufweisen können.
-
In einem weiteren Ausführungsbeispiel weist das das Verfahren einen zusätzlichen Verfahrensschritt 116 auf.
-
In Schritt 116 wird das trainierte zentrale KI-Modul an das erste und zweite Fahrzeug übertragen. Diese Übertragung dient dazu, die Verarbeitungsparameter der sich in den Fahrzeugen befindlichen KI-Module aneinander anzupassen. Hierdurch kann eine bessere Konvergenz erreicht werden.
-
In einem weiteren Ausführungsbeispiel findet in Schritt 116 ebenfalls eine Übertragung des trainierten zentralen KI-Moduls an weitere Fahrzeuge statt.
-
In einem weiteren Schritt 126 werden die Fahrzeuge, denen das zentrale KI-Modul übertragen wurde, basierend auf dem zentralen KI-Modul automatisiert betrieben. Das KI-Modul kann hierbei entweder einzelne Fahraufgaben übernehmen oder eine vollautomatisierte Steuerung des Fahrzeugs ermöglichen.
-
In einem weiteren Ausführungsbeispiel erfolgt das Trainieren mehrerer zentraler KI-module, die sich auf einem Cloud-Rechner (im Folgenden Cloud genannt) befinden, für eine autonome Fahrzeugvariante mit Hilfe eines verteilten Systems aus mehreren Fahrzeugen der gleichen Variante, wobei in den Fahrzeugen jeweils KI-Module implementiert sind. Der Lernvorgang der zentralen KI-Module gliedert sich dabei in die in 2 dargestellten Schritte und startet mit Schritt 201.
-
In Schritt 202 wird ein Lernschritt für ein spezielles Fahrmanöver, in diesem Fall ein Überholvorgang auf einer Autobahn, auf einem Fahrzeug mit Hilfe von Umfelddaten dieses Fahrzeugs ausgeführt. Hierbei wird das sich im Fahrzeug befindliche KI-Modul trainiert.
-
In Schritt 203 wird ein Lernschritt für ein spezielles Fahrmanöver, in diesem Fall eine Überholvorgang auf einer Autobahn, auf einem weiteren Fahrzeug mit Hilfe von Umfelddaten dieses weiteren Fahrzeugs ausgeführt. Hierbei wird das sich im weiteren Fahrzeug befindliche KI-Modul trainiert.
-
In Schritt 204 werden die Ergebnisse der Lernschritte der Fahrmanöver aus den beiden Fahrzeugen aus den Schritten 202 und 203 an die Cloud übertragen.
-
In Schritt 205 erfolgt eine Berechnung des speziellen Fahrmanövers auf einem zentralen KI-Modul in der Cloud basierend auf den Ergebnissen der einzelnen Lernschritte der Fahrzeuge durch eine Kombination der Lernergebnisse beider Fahrzeuge.
-
In Schritt 206 werden diese Lernschritte wiederholt, wobei weitere Fahrzeuge weitere spezielle Fahrmanöver einlernen und die hierbei entstehenden Lernergebnisse zum Trainieren weiterer zentraler KI-Module verwendet werden. Es können hierbei auch die gleichen Fahrzeuge weitere Fahrmanöver einlernen.
-
In Schritt 207 werden die Einzelergebnisse der speziellen auf den zentralen KI-Modulen eingelernten Fahrmanöver in einem zentralen Haupt-KI-Modul kombiniert. Dieses Haupt-KI-Modul setzt sich aus den zentralen KI-Modulen zusammen und weist ein zusätzliches Situationserkennungsmodul auf, dass aktuelle Fahrsituationen erfasst und in diesen Fahrsituationen benötigte Fahrmanöver identifiziert und basierend auf dieser Erfassung und Identifikation die entsprechenden zentralen KI-Module mit Umfelddaten versorgt und deren Ausgangssignale zur Steuerung eines Fahrzeugs nutzt.
-
In Schritt 208 wird das zentrale Haupt-KI-Modul an mehrere Fahrzeuge übertragen, um in diesem eine automatisierte Ansteuerung basierend auf diesem KI-Modul zu ermöglichen.
-
Das Verfahren endet in Schritt 209.
-
In einem weiteren Ausführungsbeispiel erfolgt in Schritt 202 eine Zwischenspeicherung der Umfelddaten auf einem Fahrzeugspeicher des Fahrzeugs, sodass der Lernschritt für ein Fahrmanöver auch nachträglich oder Stück für Stück auf dem Fahrzeug berechnet werden kann. Es muss somit keine Berechnung des Lernschritts in Echtzeit erfolgen. Dadurch kann die Rechenkapazität des Fahrzeugrechners relativ schlank ausgelegt werden. Nachdem ein Lernschritt auf einem Satz Umfelddaten ausgeführt wurde, werden die Umfelddaten dieses Lernschritts aus dem Fahrzeugspeicher gelöscht oder mit Umfelddaten für einen weiteren Lernschritt überschrieben. Durch die Übertragung der Lernergebnisse von gleichen Fahrmanövern unterschiedlicher Fahrzeuge an die Cloud Schritt 204 wird sichergestellt, dass möglichst breite Lernergebnisse eines Fahrmanövers für die Berechnung der zentralen KI-Module auf der Cloud zur Verfügung stehen. Die Übertragungskapazitäten von Car-to-X Kommunikationsverbindungen aus den Einzelfahrzeugen werden kaum belastet da nur die Berechnungsergebnisse eines Lernschritts an die Cloud übertragen werden.
-
Die Wiederholung der Schritte 202 bis 205 für mehrere Fahrzeuge und Fahrmanöver führt zu einem effizienterem und schnelleren Lernen der zentralen KI-Module, da auf beliebig viele Eingangsdaten beliebig vieler Fahrzeuge (Lernschritte) parallel zurückgegriffen werden kann. Das rechenintensive Trainieren der zentralen KI-Module, durch eine Kombination der Lernergebnisse von einzelnen Lernschritten erfolgt in effizienter Weise in der Cloud über HPC (High Performance Computing).
-
Nachdem das zentrale KI-Modul in Schritt 208 zurück an die Einzelfahrzeuge übertragen wurde, kann diese dort ausgeführt werden, um autonome Fahrfunktionen in den Fahrzeugen zu realisieren.
-
In einem weiteren Ausführungsbeispiel erfolgt das Lernen einer KI für eine autonome Fahrzeugvariante mit Hilfe eines HiL-Systems (Hardware In The Loop). Hierbei werden die zuvor in den Fahrzeugen stattfinden Lernschritte auf dem HiL-System durchgeführt. Das System greift hierbei auf von mehreren Fahrzeugen aufgezeichnete Umfelddaten aus unterschiedlichsten Fahrsituationen zu.
-
In einem weiteren Ausführungsbeispiel befindet sich der Server auf dem HiL-System, auf welchem zusätzlich einzelne KI-Module eingelernt werden. Hierbei wird das zentrale KI-Modul nach jedem Lernschritt der einzelnen KI-Module parallel aktualisiert, während auf den einzelnen KI-Modulen des HiLs parallel weitere Lernschritte durchgeführt werden.
