-
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum optimalen Bereitstellen von Kl-Systemen.
-
Das automatisierte Fahren von Fahrzeugen beruht derzeit auf Verfahren, die auf Künstlicher Intelligenz (KI) basieren und insbesondere auf einer Bilddatenverarbeitung, die auf tiefe Neuronale Netze gestützt ist. KI-Systeme - selbst wenn diese zur Lösung derselben Aufgabe konzipiert wurden - können sich in ihrer funktionalen Güte stark voneinander unterscheiden. Hierbei ist zu beachten, dass eine Abhängigkeit zwischen der funktionalen Güte eines Kl-Systems und den Eingangsdaten, die es verarbeitet, besteht. Diese Abhängigkeit sorgt dafür, dass Kl-Systeme nicht per se gut oder schlecht sind, sondern umgebungsabhängige funktionale Güten aufweisen.
-
Das Bestimmen, inwiefern eine Ausgabe eines KI-Systems korrekt ist, stellt folglich eine zentrale Herausforderung bei der Umsetzung KI-gestützter Funktionen dar. Ein wichtiger Bestandteil beim Bestimmen der funktionalen Güte zur Laufzeit ist eine Konfidenz eines Kl-Systems. Hierbei gibt das KI-System an (üblicherweise mit Werten zwischen 0 und 1), wie wahrscheinlich es ist, dass die Ergebnisse der Ausgabe korrekt sind. Ist die Konfidenz eines Kl-Systems unter bestimmten Umständen sehr niedrig, ist es sehr wahrscheinlich, dass einander ähnelnde Eingangsdaten zu unterschiedlichen Ausgaben führen.
-
Um eine Konfidenz für Ausgaben eines tiefen Neuronalen Netzes zu beurteilen, sind die folgenden Verfahren bekannt: Beispielsweise können Softmax-Werte extrahiert werden, auf denen anschließend ein Dispersionsmaß als Maß für die Konfidenz bestimmt wird. Ferner können Unsicherheiten in der Ausgabe mittels des Monte-Carlo-Dropout-Verfahrens ermittelt werden. Hierbei wird durch das mehrfache Ausführen des tiefen Neuronalen Netzes, bei dem durch Zufall bestimmte Verbindungen im tiefen Neuronalen Netz getrennt werden, das Sampling eines statistischen Inferenzvorgangs imitiert und dessen Varianz als Maß für die Unsicherheit bzw. Konfidenz bestimmt. Weiter sind Ensembling-Verfahren bekannt, bei denen parallel zueinander verschiedene tiefe Neuronale Netze ausgeführt werden, wobei Ausgabevarianzen als Maß für eine Unsicherheit bzw. Konfidenz bestimmt werden. Sodann sind Verfahren zur variationellen Ausführung von tiefen Neuronalen Netzen bekannt, bei denen latente Wahrscheinlichkeitsräume in die tiefen Neuronalen Netze eingebunden werden. Durch ein Sampling aus diesen Wahrscheinlichkeitsräumen können analog zum Monte-Carlo-Dropout-Verfahren Ausgabevarianzen als Maß für eine Unsicherheit bzw. Konfidenz bestimmt werden. Die genannten Verfahren bieten entweder nur eine schwache Aussage zur Konfidenz der Ausgabe eines tiefen Neuronalen Netzes oder haben einen erhöhten Bedarf an Rechenleistung zur Laufzeit zur Folge und sind daher für einen Einsatz in Anwendungsbereichen, in denen eine verfügbare Rechenleistung stark begrenzt ist, insbesondere im automobilen Anwendungsbereich, ungeeignet.
-
Arbeiten mehrere Kl-Systeme parallel zueinander, so müssen Ausgaben der Kl-Systeme in geeigneter Weise zusammengeführt bzw. miteinander verknüpft werden.
-
Der Erfindung liegt die Aufgabe zu Grunde, ein Verfahren und eine Vorrichtung zum optimalen Bereitstellen von KI-Systemen zu schaffen.
-
Die Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 und eine Vorrichtung mit den Merkmalen des Patentanspruchs 9 gelöst. Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.
-
Insbesondere wird ein Verfahren zum optimalen Bereitstellen von KI-Systemen zur Verfügung gestellt, wobei mittels einer Steuereinrichtung auf Grundlage von Eingangsdaten, die einer Mehrzahl von KI-Systemen zugeführt werden oder zugeführt werden sollen und/oder von mindestens einer Kontextinformation jeweils ein Ausgabekonfidenzwert für jedes der Mehrzahl von KI-Systemen geschätzt wird, wobei mittels der Steuereinrichtung das Bereitstellen der Kl-Systeme in Abhängigkeit der geschätzten Ausgabekonfidenzwerte angepasst wird und/oder eine aus Ausgaben der einzelnen KI-Systeme erzeugte Gesamtausgabe in Abhängigkeit der geschätzten Ausgabekonfidenzwerte bereitgestellt wird.
-
Weiter wird insbesondere eine Vorrichtung zum optimalen Bereitstellen von KI-Systemen geschaffen, umfassend eine Steuereinrichtung, wobei die Steuereinrichtung dazu eingerichtet ist, auf Grundlage von Eingangsdaten, die einer Mehrzahl von KI-Systemen zugeführt werden oder zugeführt werden sollen und/oder von mindestens einer Kontextinformation jeweils einen Ausgabekonfidenzwert für jedes der Mehrzahl von KI-Systemen zu schätzen, und das Bereitstellen der KI-Systeme in Abhängigkeit der geschätzten Ausgabekonfidenzwerte anzupassen und/oder eine aus Ausgaben der einzelnen KI-Systeme erzeugte Gesamtausgabe in Abhängigkeit der geschätzten Ausgabekonfidenzwerte bereitzustellen.
-
Das Verfahren und die Vorrichtung ermöglichen es, bei oder vor einem Anwenden der KI-Systeme einen Ausgabekonfidenzwert für jedes der KI-Systeme verbessert zu schätzen und das Bereitstellen der Kl-Systeme entsprechend der jeweiligen Ausgabekonfidenzwerte anzupassen und/oder eine aus den einzelnen Ausgaben der Kl-Systeme erzeugte Gesamtausgabe in Abhängigkeit der geschätzten Ausgabekonfidenzwerte bereitzustellen. Das Schätzen der Ausgabekonfidenzwerte erfolgt hierbei unabhängig von den KI-Systemen selbst, das heißt ausschließlich auf Grundlage der Eingangsdaten, die den KI-Systemen zugeführt werden bzw. zugeführt werden sollen, und/oder auf Grundlage von mindestens einer Kontextinformation. Hierdurch kann das Schätzen zuverlässiger und mit einem deutlich geringeren Rechenaufwand durchgeführt werden.
-
Ein KI-System ist insbesondere ein System, eine Einrichtung oder ein Softwaremodul, das mittels Verfahren der Künstlichen Intelligenz (KI) bzw. des Maschinenlernens arbeitet. Insbesondere ist ein KI-System ein System, das mittels eines tiefen Neuronalen Netzes arbeitet. Die KI-Systeme werden insbesondere mittels einer Datenverarbeitungseinrichtung bereitgestellt. Die Mehrzahl von KI-Systemen umfasst insbesondere KI-Systeme, die vollständig oder teilweise die gleichen Funktionen ausführen, sodass in der Mehrzahl der KI-Systeme zumindest teilweise eine funktionelle Redundanz vorhanden ist.
-
Ein Ausgabekonfidenzwert gibt insbesondere an, wie zuverlässig eine Ausgabe eines KI-Systems ist, für das der Ausgabekonfidenzwert geschätzt und bereitgestellt wird, das heißt der Ausgabekonfidenzwert gibt insbesondere an, wie wahrscheinlich es ist, dass die Ausgabe des KI-Systems korrekt ist. Der Ausgabekonfidenzwert ist hierbei insbesondere abhängig von den Eingangsdaten der KI-Systeme und/oder von der mindestens einen Kontextinformation. Der Ausgabekonfidenzwert wird beispielsweise durch einen Wert zwischen 0 (= mit Sicherheit falsch) und 1 (= mit Sicherheit richtig) ausgedrückt bzw. dargestellt.
-
Eingangsdaten sind insbesondere Sensordaten eines oder mehrerer Sensoren. Die Sensoren erfassen beispielsweise ein Umfeld eines Fahrzeugs. Die Eingangsdaten können auch fusionierte Sensordaten sein. Handelt es sich bei einem Sensor beispielsweise um eine Kamera, so umfassen die Eingangsdaten beispielsweise ein Kamerabild oder mehrere Kamerabilder der Kamera. Prinzipiell können die Eingangsdaten aber beliebig ausgebildet sein.
-
Eine Kontextinformation ist insbesondere eine Information zu einem (aktuellen) Kontext, in dem die Kl-Systeme verwendet werden oder verwendet werden sollen bzw. in dem die Eingangsdaten stehen. Eine Kontextinformation kann beispielsweise eine der folgenden Eigenschaften betreffen: eine Umfeldklasse (z.B. Stadt, Land, Autobahn, Landstraße,...) Witterungsverhältnisse eines Umfelds (z.B. Regen, Nebel, Wind, Schnee, Sonnenschein, Wolken etc.), Lichtverhältnisse eines Umfelds (hell, dunkel,...), Verkehrsverhältnisse eines Umfelds, dynamische Eigenschaften eines Fahrzeugs, in dem die Kl-Systeme eingesetzt werden, eine geographische Position, eine Zeitangabe (z.B. Jahreszeit, Tageszeit, Wochentag etc.), eine Fahrzeuginnenraumsituation eines Fahrzeugs, in dem die Kl-Systeme eingesetzt werden, Eigenschaften der Eingangsdaten, bei Kamerabildern als Eingangsdaten beispielsweise ein Kontrast, eine Helligkeit und/oder Farbwerte. Die mindestens eine Kontextinformation wird der Steuereinrichtung bereitgestellt. Die mindestens eine Kontextinformation wird insbesondere mittels einer Kontextsensorik (Regensensor, Lichtsensor etc.) und/oder einer Kontexterfassungseinrichtung erfasst und/oder bereitgestellt. Hierbei können sowohl Sensordaten der Kontextsensorik als auch weitere Informationen, beispielsweise Navigationsdaten, eine Uhrzeit etc. berücksichtigt werden. In einem Kraftfahrzeug können die weiteren Informationen beispielsweise mittels der Kontexterfassungseinrichtung über einen Controller Area Network-(CAN)-Bus abgefragt werden.
-
Teile der Vorrichtung, insbesondere die Steuereinrichtung, können einzeln oder zusammengefasst als eine Kombination von Hardware und Software ausgebildet sein, beispielsweise als Programmcode, der auf einem Mikrocontroller oder Mikroprozessor ausgeführt wird. Es kann jedoch auch vorgesehen sein, dass Teile einzeln oder zusammengefasst als anwendungsspezifische integrierte Schaltung (ASIC) ausgebildet sind. Es kann vorgesehen sein, dass die Steuereinrichtung von einer Datenverarbeitungseinrichtung in Form eines Softwarepakets bereitgestellt wird.
-
In einer Ausführungsform ist vorgesehen, dass das Schätzen der Ausgabekonfidenzwerte mittels eines Verfahrens des Maschinenlernens erfolgt, wobei das Verfahren des Maschinenlernens darauf trainiert ist, ausgehend von den Eingangsdaten und/oder der mindestens einen Kontextinformation jeweils die Ausgabekonfidenzwerte der KI-Systeme zu schätzen. Mit Hilfe des Verfahrens des Maschinenlernens wird hierbei insbesondere eine Abbildung der Eingangsdaten und/oder der mindestens einen Kontextinformation auf jeweilige Ausgabekonfidenzwerte der einzelnen KI-Systeme gelernt und anschließend bereitgestellt. Hierdurch kann eine große Bandbreite an Eingangsdaten und/oder Kontextinformationen zuverlässig auf die Ausgabekonfidenzwerte der einzelnen KI-Systeme abgebildet werden. Bei einer Anwendung kann das Verfahren des Maschinenlernens dann ausgehend von der gelernten Abbildung die Ausgabekonfidenzwerte in Abhängigkeit von aktuellen Eingangsdaten und/oder mindestens einer erfassten oder bereitgestellten Kontextinformation schätzen. Das Verfahren des Maschinenlernens ist insbesondere ein Verfahren, bei dem ein tiefes Neuronales Netz verwendet wird, das heißt insbesondere ist vorgesehen, dass die Ausgabekonfidenzwerte der Kl-Systeme mittels eines (trainierten) tiefen Neuronalen Netzes geschätzt werden. Einer Eingangsschicht des tiefen Neuronalen Netzes werden hierzu die Eingangsdaten und/oder die mindestens eine Kontextinformation zugeführt. An einer Ausgangsschicht inferiert das tiefe Neuronale Netz dann die einzelnen Ausgabekonfidenzwerte. Das tiefe Neuronale Netz wird vor einer Anwendungsphase in einer Trainingsphase trainiert. Hierzu wird ein Trainingsdatensatz erstellt, indem die KI-Systeme für unterschiedliche Eingangsdaten und/oder unterschiedliche Kontexte jeweils Ausgaben generieren. Die jeweils generierten Ausgaben werden mit einer zu den Eingangsdaten bzw. der mindestens einen Kontextinformation gehörenden Grundwahrheit verglichen und auf Grundlage einer Übereinstimmung der Ausgaben mit der Grundwahrheit werden (empirische) Ausgabekonfidenzwerte bestimmt. In einem einfachen Beispiel wird bestimmt, wie oft ein KI-System ein Objekt in als Eingangsdaten bereitgestellten Kamerabildern richtig klassifiziert hat. Ein Anteil für eine richtige Klassifizierung bzw. Ausgabe des KI-Systems ist dann ein Maß für die Zuverlässigkeit des KI-Systems bzw. ein Maß für die Konfidenz des Kl-Systems. Das tiefe Neuronale Netz wird anschließend ausgehend von denselben Eingangsdaten auf das Schätzen der zugehörigen empirisch bestimmten Ausgabekonfidenzwerte trainiert. Dies erfolgt für eine Vielzahl unterschiedlicher Eingangsdaten und/oder unterschiedlicher Kontextinformationen und für alle KI-Systeme. Nach der Trainingsphase kann das trainierte tiefe Neuronale Netz in einer Anwendungs- bzw. Inferenzphase ausgehend von (aktuellen) Eingangsdaten und/oder einem (aktuellen) Kontext Ausgabekonfidenzwerte für jedes der KI-Systeme schätzen.
-
In einer Ausführungsform ist vorgesehen, dass das Schätzen der Ausgabekonfidenzwerte mittels eines regelbasierten Systems erfolgt, wobei das regelbasierte System jeweils eine Zuordnung von der mindestens einen Kontextinformation zu den Ausgabekonfidenzwerten der KI-Systeme umfasst. Hierdurch kann eine Verknüpfung zwischen der mindestens einen Kontextinformation und den jeweiligen Ausgabekonfidenzwerten in nachvollziehbarer Weise erfolgen. Insbesondere können die Zuordnungen auf Plausibilität überprüft werden. Das Vorgehen beim Erstellen des regelbasierten Systems ist prinzipiell analog zu dem Vorgehen, wie es voranstehend für das Training des tiefen Neuronalen Netzes beschrieben wurde, das heißt ausgehend von empirisch anhand einer Grundwahrheit bestimmten
-
Ausgabekonfidenzwerten für die einzelnen KI-Systeme wird eine regelbasierte Zuordnung zwischen der mindestens einen Kontextinformation und den jeweiligen Ausgabekonfidenzwerten der Kl-Systeme erstellt. Insbesondere erfolgt die Zuordnung für Kombinationen von verschiedenen Ausprägungen der Kontextinformationen zu entsprechenden Ausgabekonfidenzwerten. In einem einfachen Szenario erfolgt eine Zuordnung beispielsweise, indem ermittelt wird, ob eine Helligkeit eines erfassten Kamerabildes einen bestimmten Schwellenwert überschreitet oder nicht. Wird der Schwellenwert überschritten, so wird einem KI-System beispielsweise ein hoher Ausgabekonfidenzwert zugeordnet, anderenfalls ein geringerer Ausgabekonfidenzwert.
-
Es kann vorgesehen sein, dass sowohl Verfahren des Maschinenlernens, insbesondere unter Verwendung von tiefen Neuronalen Netzen, als auch ein regelbasiertes System zum Einsatz kommen. Die von den beiden Ansätzen gelieferten Ergebnisse werden insbesondere zusammengeführt, beispielsweise indem die jeweils bereitgestellten Ausgabekonfidenzwerte für jedes KI-System gewichtet zusammenaddiert werden.
-
In einer Ausführungsform ist vorgesehen, dass Ausgaben der KI-Systeme beim Erzeugen der Gesamtausgabe jeweils gewichtet berücksichtigt werden, wobei eine Gewichtung jeweils in Abhängigkeit der zugehörigen geschätzten Ausgabekonfidenzwerte festgelegt wird. Hierdurch können Ausgaben der einzelnen KI-Systeme unter Berücksichtigung der jeweiligen Ausgabekonfidenzwerte zu einer gemeinsamen Gesamtausgabe zusammengeführt werden. Die Gesamtausgabe erhält hierdurch insgesamt eine höhere Zuverlässigkeit bzw. Konfidenz. Beispielsweise kann vorgesehen sein, dass einzelne Bildelemente eines Kamerabildes mittels der KI-Systeme nach Objekten klassifiziert werden sollen. In einem einfachen Beispiel sollen die Bildelemente den Klassen „Fußgänger“ oder „Baum“ zugeordnet werden. Dies erfolgt zeitgleich mittels eines ersten KI-Systems, das auf das Erkennen von Fußgängern spezialisiert ist und mittels eines zweiten KI-Systems, das allgemein eine semantische Segmentierung in dem Kamerabild vornimmt, das heißt keine Spezialisierung auf bestimmte Objekte aufweist. Wird einem Bildelement nun von dem ersten KI-System die Klasse „Fußgänger“ mit einer Wahrscheinlichkeit von 90 % zugeordnet, von dem zweiten KI-System hingegen die Klasse „Baum“ mit einer Wahrscheinlichkeit von 90 %, so wird die Ausgabe des ersten KI-Systems höher gewichtet, als die Ausgabe des zweiten KI-Systems, da ein für die zugehörigen Eingangsdaten (Kamerabilder) für das erste KI-System geschätzter Ausgabekonfidenzwert größer ist als ein für die zugehörigen Eingangsdaten (Kamerabilder) für das zweite KI-System geschätzter Ausgabekonfidenzwert. Einfach ausgedrückt ist das erste KI-System für das Erkennen von Fußgängern in einem Umfeld, in dem Fußgänger vorhanden sind, besser geeignet als das einer allgemeinen Segmentierung dienende zweite KI-System. Dies drückt sich in Form der jeweiligen Ausgabekonfidenzwerte aus.
-
In einer Ausführungsform ist vorgesehen, dass Ausgaben der Kl-Systeme zum Erzeugen der Gesamtausgabe auf semantischer Ebene zusammengefasst werden, wobei das Zusammenfassen in Abhängigkeit der zugehörigen geschätzten Ausgabekonfidenzwerte erfolgt. Hierdurch kann beispielsweise erreicht werden, dass in einem als Eingangsdaten bereitgestellten Kamerabild, in dem Objekte mittels der KI-Systeme erkannt und einer Klasse zugeordnet werden sollen, eine Objekterkennung und/oder Objektklassifizierung in Abhängigkeit der jeweiligen Spezialisierung der KI-Systeme erfolgt. Beispielsweise kann ein erstes KI-System auf das Erkennen von „Fußgängern“ spezialisiert sein, ein zweites KI-System hingegen auf das Erkennen von „Autos“. Die jeweiligen Ausgaben der KI-Systeme für „Fußgänger“ bzw. „Autos“ werden hierbei zusammengeführt und jeweils mit dem entsprechend geschätzten (hohen) Ausgabekonfidenzwert verknüpft, wenn in dem Kamerabild sowohl Fußgänger als auch Autos abgebildet sind.
-
In einer Ausführungsform ist vorgesehen, dass mindestens ein KI-System in Abhängigkeit eines zugehörigen geschätzten Ausgabekonfidenzwertes aktiviert oder deaktiviert wird. Insbesondere kann das Deaktivieren vor einer Anwendungsphase der KI-Systeme, das heißt vorausschauend, oder während der Anwendungsphase der Kl-Systeme erfolgen. Hierdurch wird das Einsparen von Rechenleistung durch Deaktivieren eines KI-Systems sowohl vorausschauend als auch während der Anwendungsphase für den Fall ermöglicht, dass für das KI-System ein sehr geringer Ausgabekonfidenzwert (z.B. unterhalb eines vorgegebenen Schwellenwertes) geschätzt wird. Die eingesparte Rechenleistung kann anschließend beispielsweise zum Steigern der Leistung der übrigen KI-Systeme verwendet werden. Ist ein Kl-System deaktiviert und wird für gegebene Eingangsdaten bzw. die mindestens eine Kontextinformation für das KI-System später ein hoher bzw. besserer Ausgabekonfidenzwert (z.B. oberhalb des vorgegebenen Schwellenwertes) geschätzt, so kann das KI-System wieder aktiviert werden.
-
In einer Ausführungsform ist vorgesehen, dass eine Konfiguration mindestens eines KI-Systems in Abhängigkeit eines zugehörigen geschätzten Ausgabekonfidenzwertes geändert wird. Hierdurch kann ein KI-System an Eingangsdaten und/oder einen Kontext angepasst werden, sodass sich ein Ausgabekonfidenzwert verbessert. Das Anpassen kann beispielsweise durch Umkonfigurieren des KI-Systems erfolgen, beispielsweise indem Module innerhalb des Kl-Systems aktiviert oder deaktiviert werden, Parameter geändert werden oder eine Verschaltung innerhalb des KI-Systems geändert wird.
-
In einer Ausführungsform ist vorgesehen, dass die Kl-Systeme jeweils eine Funktion für das automatisierte Fahren eines Fahrzeugs und/oder für eine Fahrerassistenz des Fahrzeugs und/oder für eine Umfelderkennung für das automatisierte Fahren eines Fahrzeugs bereitstellen. Das Fahrzeug ist insbesondere ein Kraftfahrzeug. Das Fahrzeug kann jedoch auch ein anderes Land-, Wasser-, Luft-, Schienen- oder Raumfahrzeug sein. Die Funktion für die Umfelderkennung kann beispielsweise eine Objekterkennung und/oder eine semantische Segmentierung umfassen.
-
Weitere Merkmale zur Ausgestaltung der Vorrichtung ergeben sich aus der Beschreibung von Ausgestaltungen des Verfahrens. Die Vorteile der Vorrichtung sind hierbei jeweils die gleichen wie bei den Ausgestaltungen des Verfahrens.
-
Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die Figur näher erläutert. Hierbei zeigt:
- 1 eine schematische Darstellung einer Ausführungsform der Vorrichtung zum optimalen Bereitstellen von KI-Systemen.
-
In 1 ist eine schematische Darstellung einer Ausführungsform der Vorrichtung 1 zum optimalen Bereitstellen von KI-Systemen 10-x gezeigt. Die Vorrichtung 1 führt das Verfahren zum optimalen Bereitstellen von KI-Systemen 10-x aus. Die Vorrichtung 1 ist beispielsweise in einem Kraftfahrzeug 50 angeordnet. Die Kl-Systeme 10-x dienen beispielsweise einer Umfelderkennung, wobei den KI-Systemen 10-x hierzu als Eingangsdaten 20 Sensordaten eines Sensors 51, beispielsweise einer Kamera, des Kraftfahrzeugs 50 zugeführt werden.
-
Die Vorrichtung 1 umfasst eine Steuereinrichtung 2. Die Steuereinrichtung 2 umfasst ein Schätzmodul 3 und ein Mischmodul 4. Es kann vorgesehen sein, dass eine Funktionalität der Vorrichtung 1, insbesondere der Steuereinrichtung 2, bzw. das Verfahren in Form von ausgeführtem Programmcode mittels einer Datenverarbeitungseinrichtung bereitgestellt wird. Insbesondere werden das Schätzmodul 3 und das Mischmodul 4 in Form von Programmcode bereitgestellt, der auf einem Mikroprozessor der Datenverarbeitungseinrichtung ausgeführt wird.
-
Die Steuereinrichtung 2 schätzt mittels des Schätzmoduls 3 auf Grundlage der Eingangsdaten 20, die der Mehrzahl von KI-Systemen 10-x zugeführt werden oder zugeführt werden sollen und/oder auf Grundlage von mindestens einer Kontextinformation 21 jeweils einen Ausgabekonfidenzwert 11-x für jedes der Mehrzahl von KI-Systemen 10-x. Die mindestens eine Kontextinformation 21 umfasst insbesondere eine oder mehrere der folgenden Informationen: Witterungsverhältnisse eines Umfelds des Kraftfahrzeugs 50, Lichtverhältnisse eines Umfelds, Verkehrsverhältnisse eines Umfelds, dynamische Eigenschaften des Kraftfahrzeugs 50, eine aktuelle geographische Position des Kraftfahrzeugs 50, eine aktuelle Zeitangabe (z.B. Jahreszeit, Tageszeit, Wochentag etc.), eine Fahrzeuginnenraumsituation des Kraftfahrzeugs 50 und/oder Eigenschaften der Eingangsdaten 20, bei Kamerabildern als Eingangsdaten 20 beispielsweise ein Kontrast, eine Helligkeit und/oder Farbwerte. Die mindestens eine Kontextinformation 21 wird der Steuereinrichtung 2 bereitgestellt. Die mindestens eine Kontextinformation 21 wird beispielsweise mittels einer Kontextsensorik 53 (in dem Kraftfahrzeug 50 beispielsweise ein Helligkeitssensor, ein Außentemperatursensor und/oder ein Regensensor etc.) und/oder einer Kontexterfassungseinrichtung 54 erfasst und bereitgestellt. Hierbei können sowohl Sensordaten der Kontextsensorik 53 als auch weitere Informationen von anderen Einrichtungen des Kraftfahrzeugs 50, beispielsweise Navigationsdaten, eine Uhrzeit etc. berücksichtigt werden. Die Informationen von den anderen Einrichtungen können beispielsweise mittels der Kontexterfassungseinrichtung 54 über einen CAN-Bus des Kraftfahrzeugs 50 abgefragt werden.
-
Insbesondere ist vorgesehen, dass das Schätzen der Ausgabekonfidenzwerte 11-x in dem Schätzmodul 3 mittels eines Verfahrens des Maschinenlernens erfolgt, wobei das Verfahren des Maschinenlernens darauf trainiert ist, ausgehend von den Eingangsdaten 20 und/oder der mindestens einen Kontextinformation 21 jeweils Ausgabekonfidenzwerte 11-x der Kl-Systeme 10-x zu schätzen. Insbesondere wird hierbei ein trainiertes tiefes Neuronales Netz verwendet. Das tiefe Neuronale Netz ist darauf trainiert, ausgehend von den Eingangsdaten 20 und/oder der mindestens einen Kontextinformation 21 für jedes der KI-Systeme 10-x einen zugehörigen Ausgabekonfidenzwert 11-x zu schätzen. Das Training des jeweils verwendeten Verfahrens des Maschinenlernens, insbesondere des tiefen Neuronalen Netzes, erfolgt auf Grundlage von empirisch bestimmten Ausgabekonfidenzwerten der einzelnen KI-Systeme 10-x bei als Eingangsdaten gegebenen Trainingsdaten mit bekannter Grundwahrheit.
-
Alternativ oder zusätzlich kann vorgesehen sein, dass das Schätzen der Ausgabekonfidenzwerte 11-x der KI-Systeme 10-x mittels eines regelbasierten Systems erfolgt, wobei das regelbasierte System jeweils eine Zuordnung von der mindestens einen Kontextinformation 21 zu den Ausgabekonfidenzwerten 11-x der Kl-Systeme 10-x umfasst. Werden sowohl ein Verfahren des Maschinenlernens, insbesondere ein tiefes Neuronales Netz, als auch ein regelbasiertes System verwendet, so werden die jeweils bereitgestellten Ausgabekonfidenzwerte 11-x für jedes der KI-Systeme 10-x zusammengefasst, beispielsweise indem die Ausgabekonfidenzwerte 11-x für jedes KI-System 10-x gewichtet zusammenaddiert werden. Das Erstellen des regelbasierten Systems erfolgt auf Grundlage von empirisch bestimmten Ausgabekonfidenzwerten der einzelnen KI-Systeme 10-x mit als Eingangsdaten gegebenen Trainingsdaten mit bekannter Grundwahrheit.
-
Die für jedes der KI-Systeme 10-x geschätzten Ausgabekonfidenzwerte 11-x werden dem Mischmodul 4 zugeführt.
-
Das Mischmodul 4 stellt eine aus Ausgaben 30-x der einzelnen KI-Systeme 10-x erzeugte Gesamtausgabe 31 in Abhängigkeit der geschätzten Ausgabekonfidenzwerte 11-x bereit. Die erzeugte Gesamtausgabe 31 wird anschließend beispielsweise einer Fahrzeugsteuerung 52 des Kraftfahrzeugs 50 zugeführt, welche auf Grundlage der Gesamtausgabe 31 beispielsweise eine Plantrajektorie für das Kraftfahrzeug 50 durch das aktuelle Umfeld hindurch bereitstellt.
-
Es kann vorgesehen sein, dass die Ausgaben 30-x der KI-Systeme 10-x beim Erzeugen der Gesamtausgabe 31 jeweils gewichtet berücksichtigt werden, wobei eine Gewichtung jeweils in Abhängigkeit der zugehörigen geschätzten Ausgabekonfidenzwerte 11-x festgelegt wird.
-
Ferner kann auch vorgesehen sein, dass die Ausgaben 30-x der KI-Systeme 10-x zum Erzeugen der Gesamtausgabe 31 auf semantischer Ebene zusammengefasst werden, wobei das Zusammenfassen in Abhängigkeit der zugehörigen geschätzten Ausgabekonfidenzwerte 11-x erfolgt.
-
Alternativ oder zusätzlich passt die Steuereinrichtung 2 mittels des Schätzmoduls 3 das Bereitstellen der KI-Systeme 10-x in Abhängigkeit der geschätzten Ausgabekonfidenzwerte 11-x an.
-
Insbesondere kann vorgesehen sein, dass mindestens ein KI-System 10-x in Abhängigkeit eines zugehörigen geschätzten Ausgabekonfidenzwertes 11-x aktiviert oder deaktiviert wird. Beispielsweise kann ein KI-System 10-x deaktiviert werden, wenn der zugehörige geschätzte Ausgabekonfidenzwert 11-x für die Eingangsdaten 20 sehr gering ist (z.B., wenn der geschätzte Ausgabekonfidenzwert 11-x einen vorgegebenen Schwellenwert unterschreitet), das KI-System 10-x also wenig geeignet ist, eine zuverlässige Ausgabe 30-x bereitzustellen. Zu einem späteren Zeitpunkt, das heißt bei anderen Eingangsdaten 20, kann das KI-System 10-x dann wieder aktiviert werden, wenn der zugehörige zu den Eingangsdaten 20 (und/oder der mindestens einen Kontextinformation 21) geschätzte Ausgabekonfidenzwert 11-x sich wieder vergrößert hat (das heißt beispielsweise wieder oberhalb des vorgegebenen Schwellenwertes liegt), das KI-System 10-x also (wieder) eine zuverlässige Ausgabe 30-x bereitstellt.
-
Ferner kann vorgesehen sein, dass eine Konfiguration mindestens eines KI-Systems 10-x in Abhängigkeit eines zugehörigen geschätzten Ausgabekonfidenzwertes 11-x geändert wird. Insbesondere kann das KI-System 10-x umkonfiguriert werden, beispielsweise indem einzelne Module bzw. Teile innerhalb des KI-Systems 10-x aktiviert oder deaktiviert werden, Parameter geändert werden oder eine Verschaltung innerhalb des KI-Systems 10-x geändert wird, sodass das KI-System 10-x auf die aktuellen Eingangsdaten 20 bzw. einen aktuellen Kontext angepasst ist und eine Ausgabe 30-x mit einer größeren Zuverlässigkeit, das heißt einem größeren Ausgabekonfidenzwert 11-x liefert. Das Umkonfigurieren kann insbesondere ebenfalls in Abhängigkeit von vorgegebenen Schwellenwerten für die Ausgabekonfidenzwerte 11-x erfolgen. Unterschreitet ein Ausgabekonfidenzwert 11-x eines KI-Systems 10-x einen vorgegebenen Schwellenwert, so wird das KI-System 10-x umkonfiguriert. Wird der Schwellenwert im Anschluss wieder erreicht oder überschritten, so wird das KI-System 10 wieder in die vorherige Konfiguration zurückversetzt. Die Art und Weise, wie ein KI-System 10-x umkonfiguriert wird, kann beispielsweise empirisch bestimmt werden. Dies kann insbesondere auch unter Berücksichtigung der mindestens einen Kontextinformation 21 erfolgen.
-
Die Vorteile der Vorrichtung 1 und des Verfahrens sind, dass Ausgabekonfidenzwerte 11-x mit einer geringeren Rechenleistung geschätzt werden können. Ferner können die KI-Systeme 10-x bzw. deren Ausgaben 30-x hierdurch verbessert bereitgestellt werden. Insbesondere kann eine Konfidenz einer Gesamtausgabe 31 erhöht werden.
-
Bezugszeichenliste
-
- 1
- Vorrichtung
- 2
- Steuereinrichtung
- 3
- Schätzmodul
- 4
- Mischmodul
- 10-x
- KI-System
- 11-x
- Ausgabekonfidenzwert
- 20
- Eingangsdaten
- 21
- Kontextinformation
- 30-x
- Ausgabe
- 31
- Gesamtausgabe
- 50
- Kraftfahrzeug
- 51
- Sensor
- 52
- Fahrzeugsteuerung
- 53
- Kontextsensorik
- 54
- Kontexterfassungseinrichtung
