DE102020120141A1

DE102020120141A1 - Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme mittels probabilistisch prädizierter Systemantworten

Info

Publication number: DE102020120141A1
Application number: DE102020120141.9A
Authority: DE
Inventors: Max Winkelmann; Mike Hartrumpf; Mike Kohlhoff; David Seidel
Original assignee: IAV GmbH Ingenieurgesellschaft Auto und Verkehr
Current assignee: IAV GmbH Ingenieurgesellschaft Auto und Verkehr
Priority date: 2020-07-30
Filing date: 2020-07-30
Publication date: 2022-02-03

Abstract

Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme, bei dem relevante Parameter und relevante Systemantworten definiert werden, quasi-zufällige Parameterkombinationen der relevanten Parameter und Systemantworten des Testsystems erzeugt werden, ein probabilistisches Systemmodell in Abhängigkeit der erzeugten Parameterkombinationen und der Systemantworten erstellt und trainiert wird, die von dem Systemmodell erzeugten Systemantworten des Modells bewertet werden, die interessanten Systemantworten und Parameterkombinationen ausgewählt und erneut Systemantworten des Testsystems in Abhängigkeit der interessanten Parameterkombinationen erzeugt werden. Dies ermöglicht eine Iteration zum gezielten Trainieren des probabilistischen Systemmodells in kritischen Bereichen des Testsystems.

Description

Die Erfindung betrifft ein Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme, insbesondere zum Optimieren der Auswahl von Testparametern und effizienteres Durchführen von Tests über große Parameterräume.
Stand der Technik
Im Rahmen der Entwicklung komplexer Fahrerassistenzsysteme bzw. Fahrdynamiksysteme steigt die Anzahl der zu untersuchenden Parameter und Testszenarien stetig an. Selbst moderne Methoden und Technologien, wie computergestützte Simulationen, können die notwendigen Ressourcen für eine vollumfängliche Untersuchung von Systemen nicht mit Sicherheit bereitstellen. Zum aktuellen Stand gibt es zum Testen der genannten Systeme unterschiedliche Herangehensweisen.
Vor der Überprüfung des Testsystems werden üblicherweise die einzubeziehenden Parameter definiert. Diese beschreiben die Umstände, Einflussfaktoren und Rahmenbedingungen für einen Test. Es können systeminterne und -externe Parameter gewählt werden, mit denen ein Test durchgeführt wird. Die Überprüfung des Testsystems auf Übereinstimmung mit den definierten Anforderungen kann mittels Qualifizierung, Verifizierung oder Validierung erfolgen.
Anhand der identifizierten Parameter wird ein Parameterraum aufgespannt, dessen Dimensionen der Anzahl der gewählten Parameter entspricht. Innerhalb des Parameterraumes werden verschiedene Parametereinstellungen bzw. Parameterausprägungen getestet. Dabei kommen unterschiedliche Parameterkombinationen zum Einsatz, bei denen mehrere oder alle Parameter mit jeweils unterschiedlichen Ausprägungen variiert und/oder kombiniert werden.
Im Ergebnis der Tests werden in Abhängigkeit der getesteten Parameterkombinationen Testdaten erzeugt, die auch Systemantworten genannt werden. Die Tests an sich können auf unterschiedliche Arten erfolgen. Tests können an virtuellen Testsystemen, z. B. Simulationen, und an realen Testsystemen, z. B. Fahrzeugen, durchgeführt werden. Dazwischen existiert eine Vielzahl an Tests, bei denen Teile des Testsystems virtuell und andere Teile real sind. Auf Basis der erzeugten Testdaten werden Erkenntnisse über das zu testende Testsystem gewonnen, die mit entsprechendem Fachwissen verknüpft zu Optimierungen führen.
Die Aussagekraft der Testdaten und damit der Tests sowie der Aufwand für die Erzeugung aussagekräftiger Testdaten hängt davon ab, wie die für das Testen verwendeten Parameterkombinationen erzeugt bzw. ausgewählt werden. Dabei spielen unter anderem die Anzahl, die Ausprägungen, die Kombinationen und die Verteilung der Parameter im Parameterraum eine Rolle.
Bei der vollfaktoriellen Versuchsplanung wird jede mögliche Parameterkombination getestet. Bei kontinuierlichen Parametern müssen dabei feste Parameterausprägungen als Untermenge aller möglichen Einstellungen gewählt werden. Je nach Anzahl der Parameterausprägungen erhöht sich die Gesamtanzahl an zu testenden Parameterkombinationen. Der Parameterraum wird entlang eines Rasters getestet. Die gewonnenen Testdaten können anschließend direkt für Auswertungen bzw. Erkenntnisgewinn genutzt werden. Abhängig von der Parameteranzahl und der Rasterdichte kann es zu Kombinationszahlen kommen, bei denen es aufgrund ihrer Menge nicht möglich ist, alle Tests durchzuführen. Aus diesem Grund werden teilweise die Parameterräume verkleinert oder gezielt Untermengen der vollfaktoriellen Parameterkombinationen gewählt. Deren Auswahl bzw. Einschränkung erfolgt willkürlich. Kritische Bereiche können aufgrund der komplexen Zusammenhänge nicht hinreichend sicher identifiziert und damit möglicherweise übersehen werden.
Bei der statistischen Modellierung der Parameterkombinationen liegen den Parameterkombinationen Wahrscheinlichkeitsverteilungen zugrunde, z. B. eine Normalverteilung, und es wird angenommen, dass eine bestimmte Parameterkombination am häufigsten auftritt. Anschließend werden die restlichen Tests um die Parameterkombination mit der größten Auftretenswahrscheinlichkeit mit abnehmender Dichte verteilt. Die gewonnenen Testdaten werden anschließend direkt für die entsprechenden Auswertungen genutzt.
Es sind weiterhin Simulationen mit Rückmeldung bekannt. Anhand des Ergebnisses eines Tests wird entschieden, welche Parameterkombination als nächstes simuliert wird. Ziel ist es, lokale und/oder globale Maxima oder Minima, sowie Systemgrenzen aufzudecken. Diese Vorgehensweise bietet einige Nachteile. Vor allem beim Ansatz der vollfaktoriellen Simulation steigt die Versuchsanzahl exponentiell mit der Anzahl der Parameter an. Eine erfolgreiche Simulation kann nur unter Einsatz hoher Ressourcen und Zeit erfolgen. Bei Nichtbeachtung der Systemantworten wird die Simulation nach einem im Vorhinein festgelegten Plan durchgeführt. Damit ist es möglich, dass in kritischen Bereichen des Parameterraums nicht ausreichend Messdaten aufgenommen werden. Bei der Simulation mit Rückmeldung erfolgt zwar eine dynamische Versuchsplanung, sollten jedoch mehrere Minima oder Maxima vorliegen, werden diese von einfachen Simulationen regelmäßig nicht gefunden, da diese üblicherweise auf das Auffinden eines Extremwertes ausgelegt sind. Komplizierte Simulationen mit Rückmeldung sind zwar unter Umständen in der Lage, mehrere Extrema parallel zu lokalisieren, weisen dann aber wieder einen hohen Ressourcenverbrauch auf.
Um diesen einzuschränken, können interessante Teilbereiche des Parameterraums beschrieben werden, in denen die Dichte der zu testenden Parameterkombinationen im Vergleich zum restlichen Parameterraum erhöht wird. Diese Teilbereiche können mittels Hyperquadern beschrieben werden. Dadurch werden für alle Parameter unabhängig die Wertebereiche ausgeschlossen, für die kein interessantes Systemverhalten auftreten kann bzw. erwartet wird. Dabei können die Teilbereiche speziell für höherdimensionale Parameterräume komplexe Formen annehmen, deren detaillierte Ermittlung wiederrum sehr aufwendig sein kann. Darüber hinaus umschreiben geometrisch definierte Hyperquader einen Teilbereich des Parameterraums, der eine große Anzahl unkritischer Parameterkombinationen umfasst, da die Genauigkeit der geometrischen Abgrenzung der Teilbereiche prinzipbedingt Grenzen hat.
Die WO 2015 067 649 A1 betrifft eine virtuelle Testoptimierung für Fahrerassistenzsysteme (FAS). Dabei wir ein Testszenario, definiert durch Testparameter, im realen Fahrversuch und/oder virtuell durchlaufen. Zur Erstellung eines zweiten Tests wird der erste Test abgeändert, um den Testparameter innerhalb eines kritischen Bereichs zu verschieben. Nachteilig ist, dass die Parametervariation, die zu einem kritischen Fahrverhalten führt, willkürlich, zumindest a priori festgelegt wurde oder sich zufällig aus einem Test ergibt. Eine systematische Eingrenzung kritischer Bereiche, in denen die Aktivierung eines FAS provoziert wird, erfolgt nicht.
Aufgabe der Erfindung
Demgegenüber ist es die Aufgabe der Erfindung, das Generieren, das Durchführen und die Ergebnisse von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme zu verbessern. Insbesondere sollen relevante Testparameter bei beliebig komplexen Parameterräumen effizient aufgefunden werden.
Darstellung und Vorteile der Erfindung
Die Aufgabe wird durch ein Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme entsprechend den Maßnahmen des unabhängigen Anspruchs 1 gelöst.
Automatisierte Fahrdynamiksysteme sind Systeme zum Regeln von Komponenten zur Fahrzeugsteuerung, wie Antrieb, Verzögerung oder Lenkung, die nicht unmittelbar vom Fahrzeugführer bedient werden, sondern automatisch oder autonom von dedizierten Steuereinheiten aktiviert und betätigt werden. Diese Fahrdynamiksysteme können als Fahrerassistenzsysteme für spezifische Fahrsituationen ausgelegt sein. Beispiele für derartige Fahrerassistenzsysteme sind das Antiblockiersystem (ABS), das Elektronische Stabilitätsprogramm (ESP), der Abstandstempomat (Automatic Cruise Control ACC), der Notbremsassistent (Automatic Emergency Breaking AEB) oder auch der Spurhalteassistent (Lane Keep Assist LKA). Diese Funktionen werden als Automations-Level 1 oder 2 angesehen, die die Fahrzeugbedienung unterstützen oder eben Teilaufgaben der Fahrzeugführung übernehmen. Automatisierte Fahrdynamiksysteme können auch dem Automatisierungs-Level 3 (Bedienungsautomatisierung bzw. bedingte Automation) und höher zugeordnet sein, bei denen das Fahrzeug vorübergehend oder dauerhaft eigenständig Aufgaben übernimmt. Letzteres umfasst die Integration mehrerer Systeme, die jeweils Teilaufgaben übernehmen, und im Gesamtsystem das Fahrzeug hoch automatisiert bis hin zu autonom führen.
Im ersten Schritt des erfindungsgemäßen Verfahrens erfolgt das Definieren relevanter Parameter und relevanter Systemantworten des zu testenden Regelsystems. Die relevanten Parameter bilden dabei den Parameterraum, wobei dessen Dimensionen von der Anzahl der Parameter abhängen. Die variablen Parameter und die zu protokollierenden System antworten bzw. spezifischen Beobachtungsgrößen, auch Key Performance Indicators (KPI) genannt, sind in erster Linie von der Ausgestaltung des Testsystems selbst, also der hard- und softwaretechnischen Gestaltung, von dessen Funktionsumfang, also dem eigentlichen Regelungsziel des Fahrdynamiksystems, und der Umgebung, in der das Regelsystem verwendet werden soll, abhängig. Weiterhin hängen sie aber auch von den Testzielen, dem Grad der Abstraktion des zu testenden Regelsystems sowie dessen Systemgrenzen ab. Dabei wird nicht nur definiert, welche KPI, sondern auch in welcher Ausprägung diese relevant sind. Das Definieren der Parameter und System antworten ist neben weiteren Festlegungen Teil der ursprünglichen Versuchsplanung. Die KPIs können dabei klassische unfallrelevante Kennzahlen, wie Zeit bis zum Aufprall, oder auch komfortbezogene Antworten des Systems, wie maximale Querbeschleunigungen, sein.
Im nächsten Schritt des erfindungsgemäßen Verfahrens erfolgt das Bereitstellen eines Testsystems als Repräsentanz des zu testenden Regelsystems. Das zu testende Regelsystem kann ein reales Fahrdynamiksystem sein, also ein in einem Fahrzeug angeordnetes Steuergerät, welches je nach Ausgestaltung den Fahrzeugzustand und die Fahrzeugumgebung ermittelt, interpretiert und Reaktionen durch dem Fahrzeug zugeordnete Aktoren veranlasst. Diese Reaktionen können Eingriffe in die Längs- und oder Querdynamik des Fahrzeugs oder auch das Ausgeben von Warnung im Fahrzeug oder nach außen sein. Der Test eines realen Fahrdynamiksystems kann ein klassisches Experiment, z.B. im Zuge eines Fahrversuchs sein. In dem Fall kann das Fahrzeug als Ganzes oder eine ausgewählte Funktionen (Spur halten, Abstand halten) des Fahrzeugs, inklusive spezieller Umgebungsbedingungen (Fahrversuch bei Nässe) das Testsystem darstellen. Durch die Definition relevanter Parameter und Systemantworten wird auch die Ausgestaltung des Testsystems, beispielsweise das Einbeziehen zusätzlicher Sensoren oder Aktoren des Fahrzeugs, definiert und damit die Schnittstelle zur angrenzenden Umwelt festgelegt. Das Testsystem kann aber auch eine Simulation eines realen Fahrdynamiksystems sein, welche aufwändig das Regelverhalten des Fahrdynamiksystems deterministisch abbildet. Es kann sich bei dem Testsystem auch um eine sogenannte Black-Box handeln, deren Funktion bekannt aber deren Funktionsweise nicht bekannt oder noch nicht festgelegt ist. Dies ist vor allem in frühen Entwicklungsstadien relevant, in denen die konkrete Umsetzung der Funktion noch nicht bestimmt ist. Das Testsystem als Repräsentanz des zu testenden Regelsystems kann also unmittelbar das zu testende Regelsystem selbst oder auch eine modellierte Abbildungen dessen Funktion sein. Die Bereitstellung des Textsystems erfolgt entsprechend mit fahrzeugtechnischen, mathematischen und/oder computertechnischen Mitteln.
Im nächsten Schritt des erfindungsgemäßen Verfahrens erfolgt das Erzeugen quasi-zufälliger Startparameterkombinationen der relevanten Parameter, verteilt über den gesamten Parameterraum. Jeder definierte Parameter kann unterschiedlich ausgeprägt sein, beispielsweise als Boolesche Variable, die nur wenige Zustände annehmen kann, über diskrete nominal oder ordinal skalierbare Variablen, hin zu stetigen Verteilungen. Dazu zählen verschiedene Arten von Wahrscheinlichkeitsverteilungen, zum Beispiel die diskrete Gleichverteilung oder die Normalverteilung. Eine Kombination beider Arten für einzelne Parameter kann ebenfalls sinnvoll sein. Die Auswahl der Verteilungsart erfolgt im Zusammenhang mit dem Testziel oder der gewünschten Repräsentativität der Realität. So eignet sich die diskrete Gleichverteilung für Untersuchungen im gesamten Wertebereich der Parameter. Damit lässt sich u.a. die Leistungsfähigkeit einer Funktion im gesamten Anwendungsbereich, wie z. B. der geforderten Umgebung bzw. Szenarien, analysieren und bewerten. Ebenfalls lassen sich so verschiedene Funktions- und Systemausprägungen oder Grenzen der Systemleistungsfähigkeit, wie Sensortoleranzen oder physikalische Limitierungen, bewerten. Schließlich können auch auf realen Fahrdaten und Messaufnahmen basierende realitätsnahe Wahrscheinlichkeitsverteilungen für die Parameter bestimmt werden.
Quasi-zufällig bedeutet, dass die Verteilung der Parameterausprägungen über den Parameterraum nicht nur durch einen wirklichen Zufallsmechanismus, wie einer festgelegten Wahrscheinlichkeitsverteilung, erfolgt. Die Anzahl und Dichte der Testpunkte kann dabei je nach Systemkomplexität und Testziel, gegebenenfalls unter Nutzung bekannter DoE-Methoden (Design of Experiments - Statistische Versuchsplanung), angepasst werden. Nach der Berechnung der quasi-zufälligen Parameterkombinationen können diese anhand unterschiedlicher Metriken auf ihre Konfidenz bzw. Güte überprüft werden und besitzen im Vergleich zur vollfaktoriellen Versuchsplanung einen deutlich reduzierten Umfang. Sie decken jedoch weiterhin den gesamten Parameterraum ab. Die Anzahl der Startparameterkombinationen sowie deren Verteilung und Dichte im gesamten Parameterraum erfolgt in Abhängigkeit der Testkapazität des Testsystems. Unter Testkapazität wird das Verhältnis zwischen Testdauer des Testens einer Parameterkombination und verfügbarer Ressourcen zum Testen, z.B. Zeitvorgaben, verstanden. Die Anzahl die Startkombinationen hängt also davon ab, wie viele Tests realistischer Weise bzw. praktikabel durchführbar sind. Reale Fahrzeugversuche sind beispielsweise stark zeitlich und ressourcentechnisch bestimmt. Auch hochdimensionale, deterministische Simulationen, die mehrere Sekunden oder Minuten zum Simulieren einer Parameterkombination benötigen, unterliegen zeitlichen Restriktionen bei sich verkürzenden Entwicklungszyklen. Im Ergebnis decken die Startparameterkombinationen den gesamten Parameterraum ab, weisen dafür eine sehr geringe Dichte auf.
Im nächsten Schritt erfolgt das Erzeugen von System antworten des Testsystems in Abhängigkeit der quasi-zufällig erzeugten Startparameterkombinationen. Das Testsystem selbst kann, wie beschrieben, von einer modellierten Konzeptidee über eine zu testende Software, eine zu testende Einzelkomponente, eine zu testende Baugruppe bis hin zu einem zu testenden Fahrzeug jede Ausgestaltung eines Regelsystems für automatisierte Fahrdynamiksysteme entlang des gesamten Entwicklungsprozesses darstellen. Die Modellierung des Testsystems kann mithilfe bekannter Concept-, Software-, Hardware-, oder Model-in-the-Loop-Methoden (CiL, SiL, HiL, MiL) umgesetzt werden. Mithilfe der Modellierung des Testmodells oder dem experimentellen Testen können Antworten des Testsystems auf die Eingangsparameter, hier der Startparameterkombinationen, ermittelt bzw. erzeugt werden. Dabei können bereits vorhandene (Teil-)Modelle genauso verwendet werden wie aufwändige deterministische Software-Codes unter Einbeziehen komplexer physikalischer Hintergründe. Im Falle eines zu testenden realen (Gesamt-)Systems kann die Erzeugung der Systemantworten auch mittels parametrierter Testfahrten auf einem Prüfstand oder in der realen Welt erfolgen. Schließlich sind auch Kombinationen modellierter und real erzeugter Systemantworten je nach Definition des Testsystems denkbar.
Im nächsten Schritt erfolgt das Initiieren eines probabilistischen Systemmodells zum Prädizieren des Testsystemverhaltens und das Trainieren des probabilistischen Systemmodells mittels der quasi-zufälligen Startparameterkombinationen und der Systemantworten des Testsystems. Die definierten Testsysteme, auch wenn sie in Form von Simulationen ebenfalls modelliert werden, sind so komplex sowie zeit- oder rechenintensiv, dass sich mit ihnen nur eingeschränkt arbeiten lässt. So kann es nötig sein, ein Modell vom eigentlichen Modell zu erstellen, das sich ähnlich verhält, aber wesentlich performanter ist. Diese Modelle (von Modellen) werden als Meta-Modelle bezeichnet. Ein Meta-Modell wird ein System nicht exakt abbilden und dessen Prädiktionen werden immer fehlerbehaftet sein. Diese können aber innerhalb kürzester Zeit die Ausgänge weiterer Versuche prädizieren und damit eine Vielzahl von Parameterkombinationen praktikabel testen. Das probabilistische Systemmodell ist als probabilistisches Meta-Modell ausgebildet, welches die Unsicherheit (Konfidenz bzw. Güte) ihrer Prädiktionen beurteilen können. Statt diskreten Prädiktionen (z.B. y = 0,3) liefern diese Prädiktionen in Form einer Wahrscheinlichkeitsdichte, beispielsweise als Normalverteilung. Das Auswählen und gegebenenfalls Anpassen eines entsprechenden Meta-Modells, der zugrunde liegenden Algorithmen und mathematischen Methoden wird als Initiieren bezeichnet.
Um die vielen Verhaltensmöglichkeiten des Testsystems zu berücksichtigen, können konkrete Funktionsklassen verwendet werden, z.B. Polynome zweiten Grades. Dieser Ansatz ist aber sehr speziell und damit nur dann sinnvoll einsetzbar, wenn das entsprechende System tatsächlich gut innerhalb der eng getroffenen Annahmen beschreibbar ist. Es kann aber auch eine größere Menge an Funktionen berücksichtigt werden. Dabei ist die Wahl der möglichen Funktionen schon eine Herausforderung, da es unendlich viele mögliche Funktionen gibt. Hier stellen Gauß'sche Prozesse (GP) eine mathematisch elegante und gleichzeitig leistungsfähige Möglichkeit der Funktionswahl dar. Ein GP kann als Wahrscheinlichkeitsverteilung über Funktionen betrachtet werden. So wie aus einer normalverteilten Variable spezifische Werte gezogen werden können, können aus einem GP spezifische Funktionen gezogen werden. Die Menge der möglichen Funktionen wird durch eine Mittelwert-Funktion sowie eine Kernel-Funktion, die eine Verallgemeinerung einer Kovarianzmatrix darstellt, definiert.
Eine aktuelle Weiterentwicklung der Gauß'schen Prozesse sind sogenannte Tiefe Gauß'sche Prozesse. Im Englischen als Deep Gaussian Processes (DGP) bezeichnet, besitzt diese Modell-Familie große Ähnlichkeit zu einer anderen Modell-Familie, die in den letzten Jahren enorm an Bedeutung gewonnen hat: Tiefe neuronale Netze bzw. Deep Neural Networks (DNN). Im Vergleich zu ein- oder wenigschichtigen Netzen wird die enorme Leistungsfähigkeit tiefer neuronaler Netze hauptsächlich darauf zurückgeführt, dass zwischen Eingang und Ausgang ein hierarchisches Lernen stattfinden kann. Durch eine zunehmende Abstraktion können Zusammenhänge erkannt werden, die nur schwierig bis unmöglich direkt in den Daten gefunden werden können. Auch DNN lassen sich nutzen, um probabilistische Prädiktionen zu treffen. Sie werden dann als Bayes'sche Neuronale Netze, im Englischen Bayesian Neural Networks (BNN), bezeichnet. Die Idee hinter BNN ist es, alle Parameter der Netze nicht als deterministische Werte, sondern als Wahrscheinlichkeitsverteilung zu betrachten. Auch für BNN gestaltet sich das Training schwierig, da keine analytische Lösungen für Gleichungungen zur Bestimmung der Wahrscheinlichkeitsverteilung der Parameter für bestimmte Eingangsdaten existieren.
Allgemein gesagt wird das probabilistische Systemmodell mit Methoden des maschinellen Lernens aufgebaut auf Basis von Trainingsdaten. Das erstmalige Trainieren des Modells basierend auf den Systemantworten des Testsystems auf die Startparameterkombinationen und den Startparameterkombinationen (Trainingsdaten) kann auch als Anlernen bezeichnet werden.
Die folgenden Schritte des erfindungsgemäßen Verfahrens stellen ein iteratives Verfahren dar. Dazu erfolgt im nächsten Schritt das Erzeugen einer Vielzahl quasi-zufälliger Parameterkombinationen der relevanten Parameter. Diese werden wie die Startparameterkombinationen über den gesamten Parameterraum verteilt erzeugt, allerdings mit einer wesentlich größeren Dichte und Anzahl. Vorteilhafter Weise können damit auch mehrere verteilte Cluster kritischer Parameterkombinationen erfasst werden.
Im nächsten Schritt erfolgt das Erzeugen von Systemantworten des probabilistischen Systemmodells in Abhängigkeit der Vielzahl quasi-zufälliger Parameterkombinationen wie oben beschrieben.
Im nächsten Schritt des erfindungsgemäßen Verfahrens erfolgt das Bewerten der Systemantworten und Identifizieren interessanter Systemantworten. Beim Bewerten der Systemantworten wird deren Interessantheit ermittelt. Diese kann direkt aus den Systemantworten abgelesen oder durch Vergleiche der Systemantworten mit vorbestimmten Schwellenwerten bzw. festgelegten Intervallen erfolgen. Welche Versuche oder Verhalten interessant sind, kann je nach Anwendung definiert werden, indem für Systemausgänge Intervalle definiert werden (z.B. minimaler Abstand < 10m) und dann die Parameterkombinationen interessant sind, deren System antworten in diesen Intervallen liegen.
Bevorzugt wird aus den Systemantworten ein Akquisitionswert ermittelt, der den Informationsgehalt der Trainingsdaten abschätzt. Die hierfür genutzten Funktionen werden als Akquisitionsfunktionen bezeichnet. Mithilfe einer Akquisitionsfunktion werden also die Prädiktionen des Modells bewertet, wobei die Werte der Akquisitionsfunktion an den Stellen hoch sein sollen, an denen ein hoher Informationsgewinn, also eine hohe Interessantheit erwartet werden kann.
Dabei kann für jeden Anwendungsfall eine spezielle Akquisitionsfunktion bereitgestellt werden. Um ein für den gesamten Parameterraum gleichmäßig gutes Meta-Modell zu erhalten, werden zunächst sehr viele Versuche prädiziert und der Akquisitionswert wird proportional zur Standardabweichung gewählt. Um gezielt bestimmte Verhalten zu untersuchen, kann ein als interessant definiertes Intervall in die Berechnung einbezogen werden. Der Akquisitionswert ist dann gleich der Wahrscheinlichkeit, dass die Systemantwort y im Intervall M liegt. Die Akquisitionsfunktion kann auch derart gestaltet sein, dass gezielt Parameterkombinationen an den Grenzen des Intervalls M gesucht werden. Je nach Ziel der Untersuchung sind weitere Akquisitionsfunktionen denkbar, z.B. die Durchführung aller Versuche, für die die Wahrscheinlichkeit eines interessanten Systemverhaltens einen Schwellwert überschreitet. Werden interessante Parameterbereiche als über den Parameterraum verteilte Wahrscheinlichkeit interpretiert, so ergibt sich eine kontinuierliche Relevanz aller Versuche. Um diese durch einen (diskreten) Versuchsplan abzubilden, können viele mögliche Versuche generiert werden, durch das Meta-Modell und eine Akquisitionsfunktion bewertet werden und entsprechend ihrer Relevanz behalten oder verworfen werden. Dieses als Verwerfungsmethode bezeichnetes Vorgehen dient letztlich dazu, die Versuchsdichte anzupassen und so die kontinuierliche Akquisitionsfunktion diskret abzubilden. Die Bewertung der Systemantworten ermöglicht somit das Identifizieren interessanter Systemantworten, weil die Bewertung zwischen interessant und nicht interessanten Systemantworten separiert. Ein großer Vorteil dieser Vorgehensweise liegt darin, dass die interessanten Regionen nicht beschrieben werden müssen und der Übergang zwischen den Teilbereichen kontinuierlich ist.
Im nächsten Schritt erfolgt das Ermitteln der interessanten Parameterkombinationen zu den relevanten Systemantworten, also das Ermitteln der Parameterkombinationen, die die relevanten Systemantworten des probabilistischen Systemmodells hervorrufen bzw. erzeugen. Diese Eingangsparameter können direkt aus dem Systemmodell abgelesen oder zurückgerechnet werden.
Im nächsten Schritt erfolgt das Erzeugen von Systemantworten des Testsystems in Abhängigkeit der interessanten Parameterkombinationen. Dies geschieht wie bei der Erzeugung der Systemantworten in Abhängigkeit der Startparameter. Da nur die interessanten Startparameter getestet werden, ist die Anzahl der durchzuführenden Versuche gering. Damit wird das Testen des Testsystems praktikabel. Dennoch liegt in interessanten Bereichen des Parameterraums eine höhere Dichte an zu testenden Parameterkombinationen vor, da die uninteressanten, also unkritischen Systemantworten, im vorherigen Schritt verworfen wurden. Dadurch wird eine bessere Analyse kritischer Bereiche bei verringertem Einsatz von Testressourcen ermöglicht.
Im letzten Schritt des oben begonnen iterativen Verfahrens erfolgt das Trainieren des probabilistischen Systemmodells mittels der interessanten Parameterkombinationen und der System antworten des Testsystems in Abhängigkeit der interessanten Parameterkombinationen. Durch das Trainieren des probabilistischen Systemmodells anhand interessanter Trainingsdaten wird dessen Prädiktionsfähigkeit in kritischen Bereichen des Testsystems und damit des Regelsystems für automatisierte Fahrdynamiksysteme erhöht.
Das Wiederholen der Schritte Erzeugen einer Vielzahl quasi-zufälliger Parameterkombinationen, Erzeugen von Systemantworten des probabilistischen Systemmodells auf diese Parameterkombinationen, Bewerten dieser Systemantworten und Identifizieren interessanter System antworten, Ermitteln der interessanten Parameterkombinationen zu diesen interessanten System antworten und Trainieren des probabilistischen Systemantworten mittels dieser interessanten Parameterkombinationen und der entsprechenden interessanten Systemantworten des Testsystems, erzeugt eine Iterationsschleife. Diese wird zum gezielten Trainieren des Systemmodells ausgeführt. Dabei kann sich je nach Iterationsschleife die Relevanz bzw. die Interessantheit, anhand derer die Systemantworten bewertet werden, unterscheiden. Auch können unterschiedliche Akquisitionsfunktionen zum Einsatz kommen. Dadurch, dass nur die interessanten System antworten und deren Parameterkombinationen zur weiteren Prädiktion herangezogen werden, können neue Parameterkombinationen generiert werden, die den Parameterraum entsprechend der Relevanz ausfüllen und nicht wie beim vollfaktoriellen Testen unabhängig von der Relevanz.
Der Abbruch der Iterationsschleife erfolgt durch das Beenden des Wiederholens, vorzugsweise in Abhängigkeit einer bestimmten Modellunsicherheit. Da die Unsicherheit, bzw. Konfidenzniveau oder Güte der Prädiktionen des probabilistischen Systemmodells bestimmt werden können, wird ab einem vorbestimmten Niveau der Güte des Systemmodells eine ausreichende Testdichte für relevante Bereiche angenommen, ohne diese parametrisch definieren, also innerhalb des Parameterraums abgrenzen zu müssen. Die Güte kann dabei gezielt für relevante Parameterkombinationen oder allgemein über den gesamten Parameterraum hinweg ermittelt werden. Die Bestimmung der Modellunsicherheit erfolgt bevorzugt nach jedem Wiederholungs- bzw. Iterationsschritt. Das Konfidenzniveau eines trainierten Modells zu bestimmen, ist dabei grundsätzlich bekannt. So kann beispielsweise anhand bekannter Ein- und Ausgangskombinationen eine Kreuzvalidierung durchgeführt werden. Dabei können beispielsweise anhand gezielter Tests des Systemmodells mittels unkritischer Parameterkombinationen bereits verworfener System antworten oder Referenzparameter von Standardtests eine Überanpassung des Systemmodells erkannt bzw. verhindert werden.
Schließlich kann das Optimieren von Tests von Regelsystems für automatisierte Fahrdynamiksysteme und/oder der Regelsystems für automatisierte Fahrdynamiksysteme anhand der zuletzt ermittelten Parameterkombinationen und/oder des trainierten probabilistischen Systemmodells und/oder der Systemantworten des probabilistischen Systemmodells und/oder des Testmodells erfolgen.
Die zuletzt ermittelten Parameterkombinationen weisen eine hohe Dichte in relevanten Bereichen des Parameterraums auf und können damit verwendet werden, mit wenigen kritischen Tests die Aussagen zur Sicherheit, also der Funktionsfähigkeit in kritischen Parametersituationen, des Testsystems zu bewerten. Dies gilt unabhängig davon, ob es sich um ein reales oder simuliertes Testsystem handelt.
Damit werden optimierte Parameterkombinationen zum Testen von Regelsystemen für automatisierte Fahrdynamiksysteme erhalten. Gerade für hochautomatisierte Fahrfunktionen muss mit hoher Sicherheit gesagt werden, dass das System in allen möglichen Situation eine sichere Funktion gewährleisten kann. Es werden relevante Parameterkombinationen identifiziert, deren Interessantheit für das Systemverhalten so groß ist, dass das gesamte System aufgrund dieser weniger Parameterkombinationen getestet werden kann, die wiederum eine hinreichend sichere Aussage über die Funktionsweise oder das Sicherheitsniveau des Gesamtsystems ermöglicht. Es werden dadurch Teilbereiche des Parameterraums im Systemmodell optimiert, ohne diese Bereiche geometrisch oder parametrisch identifizieren oder gar beschreiben zu müssen. Die so erhaltenen Parameterkombinationen können dann in (weiteren) Tests der automatisierten Fahrdynamiksysteme verwendet werden, z.B. bei Testfahrten oder aufwändigen Hardware-in-the-Loop (HiL)-Tests aber auch bei Software- oder Modell-in-the-Loop-Tests (SiL, MiL). Mit fortschreitender Entwicklungsstufe der Fahrerassistenz- bzw. Fahrdynamiksysteme werden auch aufgrund erhöhter Komplexität der beteiligten Parameter (Sensoreingänge, Situationsvariablen, beteiligte Funktionen) komplexere Parameterkombinationen und damit komplexere Tests benötigt.
Das trainierte probalilistische Systemmodell selbst kann zum Optimieren von Tests beitragen. Durch Modifikationen kann es als Basis für Systemmodelle ähnlicher Testsysteme verwendet werden, um später weniger Iterationsschritte durchführen zu müssen. Es kann auch in komplexere Modelle zum Testen von Regelsystemen in späteren Entwicklungsphasen eingehen, was wiederum geringeren Trainingsaufwand bewirkt.
Außerdem können aus den Systemantworten des Testsystems Erkenntnisse über unentdeckte Systemgrenzen gewonnen werden oder Verbesserungspotential einer Simulation erkannt werden. Die Optimierung der Tests bewirkt also nicht nur die effizientere Durchführung der Tests, die Erhöhung der Aussagekraft am Testsystem durchgeführter Tests sowie die Zertifizierbarkeit der Test- oder Regelsysteme, sondern kann weitergehende Analysen und Optimierungen entlang des gesamten Entwicklungsprozess ermöglichen sowie Entwicklungsimpulse durch Erkennung von Systemgrenzen in frühen Entwicklungsstadien setzen.
Das erfindungsgemäße Verfahren bietet weiterhin den Vorteil, optimierte Parameterkombinationen für jede Entwicklungsstufe zur Verfügung zu stellen. Vorteilhafterweise könnte das Simulieren von System antworten einer höheren Entwicklungsstufe wenigstens teilweise durch das Prädiktionsmodell der vorhergehenden Stufe ausgeführt werden. Darüber hinaus können als kritisch eingegrenzte Teilbereiche auch ohne anschließende Tests vor allem in frühen Entwicklungs- oder Funktionsauslegungsphasen bereits kritische Schwachstellen des automatisierten Fahrdynamiksystems aufdecken, deren frühzeitige Abstellung wesentliche Ressourcen für nachträgliche Anpassungen spart.
Ein maßgeblicher Vorteil des erfindungsgemäßen Verfahrens ist das effiziente Abbilden großer Parameterräume mit einer geringen Anzahl von zu testenden Parameterkombinationen. Dabei können besonders vorteilhaft auch mehrere Extreme, also mehrere kritische Bereiche aufgefunden werden, die einzeln oder parallel analysiert werden können.
Ein weiterer Vorteil ist das einfache Erzeugen von anfänglichen System antworten des Testsystems zu den Parameterkombinationen aufgrund der quasi-zufälligen Verteilung der Parameterkombinationen. Diese ermöglicht gerade wegen der geringen Startdichte ein schnelles, ressourcenschonendes Generieren von Testdaten für das Prädiktionsmodell. Außerdem ist das Testsystem in den meisten Fällen bereits vorhanden oder kann aus Modellbausteinen zusammengesetzt werden. Dadurch ist eine hinreichend genaue Startkombination von Systemein- und -ausgängen erzeugbar, die das Trainieren des Prädiktionsmodells zum Schätzen von Systemantworten für beliebige, unbekannte Parameterkombinationen ermöglicht. Vor allem die Kombination aus dem Trainieren eines Prädiktionsmodells mit einfach erzeugten Daten und der anschließend iterativen Fokussierung auf kritische bzw. interessante Bereiche bewirkt eine deutliche Effizienzsteigerung in der Testfalloptimierung bei gleichzeitiger Anwendbarkeit über die gesamte Entwicklungskette von der Konzepterstellung bis zur Serienabsicherung.
In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens erfolgt das Modellieren des Testsystems auf Basis eines Funktionsmodells, eines Systemmodells und eines Umgebungsmodells des Regelsystems für automatisierte Fahrdynamiksysteme. Das Funktionsmodell modelliert dabei die Funktion des automatisierten Fahrdynamiksystems, also dessen eigentlichen Zweck. Das Systemmodell modelliert, wie der Zweck umgesetzt werden soll, inklusive beteiligter Sensoren, Prozessoren und Aktoren sowie die Kommunikation dieser Elemente untereinander. Das Umgebungsmodell modelliert, wo das umgesetzt werden soll, also in welchen Szenarien. Ganz besonders vorteilhaft ist dabei, dass diese Bausteine auch unabhängig voneinander an das zu testende Fahrdynamiksystem angepasst werden sollen. So können die gleichen Funktionen in unterschiedlichen Systemen getestet werden, ohne ein neues Funktionsmodell zu erstellen. Die einzelnen Bausteine können also wiederverwendet werden. Gleiches gilt für verschiedene Umgebungen bzw. Szenarien. Weiterhin ist die Aufteilung in diese drei Bausteine einerseits sehr einfach zu modellieren und andererseits besonders realitätsnah. Somit ist dieser Ansatz besonders ressourcenschonend.
Die vorgesehene Funktion lässt sich beispielsweise mit einer szenenbasierten Funktionsentwicklung mithilfe von Szenarien vereinfachen, wodurch bereits ein Teil der Umgebung definiert sein kann. Außerdem sind relevante Systemeigenschaften und Umgebungsvariablen festzulegen. Die Umgebung beinhaltet neben allgemeinen Anforderungen, wie Wetterbedingungen, auch identifizierte Szenarien, die das Gesamtsystem handhaben können soll. Die Szenarien sind definiert durch Straßen- und Infrastrukturelemente sowie Objekte mit spezifischer Startsituation und verschiedenen Aktionen im zeitlichen Verlauf. Die drei zu modellierenden Elemente können entsprechend der Zielsetzung in ihrer Komplexität stark variieren. So lässt sich zum Beispiel in der Systemmodellierung ein perfektes Systemverhalten, wie ein idealer Sensor darstellen, insofern die Einflüsse dieser drei Elemente explizit in der Analyse ausgeschlossen werden sollen. Oder es werden komplexe Sensorcharakteristika abgebildet, wenn der Fokus auf deren Einfluss liegt. Die initiale Erzeugungsmethode kann alternativ oder zusätzlich auch anhand realer Fahrzeugdaten und/oder mittels einfacher deterministischer Software-Codes unter Weglassen physikalischer Hintergründe erstellt und durchgeführt werden. Die Komplexität der Modellierung des Testsystems kann von der jeweiligen Entwicklungsphase abhängig sein und nimmt im Zuge der Weiterentwicklung der Konzeptphase über diverse Serienentwicklungsphasen hin zur Serienfreigabe und Serienüberwachung, bezogen sowohl auf die einzelne Funktion als auch das Gesamtfahrzeug, üblicherweise zu. Vorteilhafterweise kann dadurch eine dem jeweiligen Entwicklungsstand angemessene Modellierung des zu testenden Regelungssystems schnell und einfach erstellt werden. Funktions- und Systemcharakteristika sowie Szenariospezifikationen lassen sich durch Parameter beschreiben, wie zum Beispiel Toleranzen von Sensoren oder Geschwindigkeiten anderer Objekte in den Szenarien. Die Variation der einzelnen Parameter und deren Kombination führen zu spezifischen Szenarien mit festgelegtem Funktionsverhalten und bestimmter Systemleistungsfähigkeit.
Ein Aspekt der vorliegenden Erfindung betrifft eine Vorrichtung zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme, wobei die Vorrichtung als Recheneinheit ausgebildet ist, um alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 4 auszuführen. Es versteht sich, dass jeder Schritt des erfindungsgemäßen Verfahrens auf derselben oder auf unterschiedlichen, in Kommunikationsverbindung stehenden Recheneinheiten, wie Computern, ausgeführt werden können. Diese Recheneinheiten können lokal angeordnet oder global verteilt angeordnet sein. Die Recheneinheit kann Teil eines stationären oder transportablen Computers sein. Jede Recheneinheit weist einen eigenen oder gemeinsam mit anderen Recheneinheiten genutzten Speicher sowie wenigstens einen Prozessor auf.
Ein Aspekt der Erfindung betrifft ein Computerprogramm zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme, wobei das Computerprogramm eine Recheneinheit dazu veranlasst, alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 4 auszuführen, wenn es auf der Recheneinheit nach Anspruch 5 ausgeführt wird. Die Recheneinheit weist einen eigenen oder gemeinsam mit anderen Recheneinheiten genutzten Speicher sowie wenigstens einen Prozessor auf. Dabei ist eines der angegebenen Verfahren in Form des Computerprogramms in dem Speicher hinterlegt und der Prozessor zur Ausführung des Verfahrens vorgesehen, wenn das Computerprogramm aus dem Speicher in den Prozessor geladen ist.
Die Erfindung betrifft weiterhin ein computerlesbares Speichermedium, auf dem ein Computerprogramm gemäß der vorliegenden Erfindung gespeichert ist. Computerlesbare Speichermedien, auch als maschinenlesbare Speichermedien bezeichnet, sind an sich bekannt und können als Magnetspeicher (Disketten), optische Speicher (CD), Flashspeicher (USB-Stick), Festwertspeicher (ROM) oder vieles mehr ausgebildet sein.
Die Erfindung betrifft außerdem einen Programmcode mit Verarbeitungsanweisungen zum Erstellen eines auf einem Computer ablauffähigen Computerprogramms gemäß der vorliegenden Erfindung, wobei der Programmcode das Computerprogramm ergibt, wenn der Programmcode gemäß den Verarbeitungsanweisungen in ein ablauffähiges Computerprogramm umgewandelt wird.
Die Erfindung betrifft darüber hinaus ein Computerprogrammprodukt, wobei das Computerprogrammprodukt ein computerlesbares Speichermedium gemäß der vorliegenden Erfindung und ein auf dem computerlesbaren Speichermedium gespeichertes Computerprogramm gemäß der vorliegenden Erfindung mit einem Programmcode gemäß der vorliegenden Erfindung aufweist, wobei der Programmcode zum Ausführen eines Verfahrens gemäß der vorliegenden Erfindung geeignet ist, wenn das Computerprogramm auf einem Computer ausgeführt wird.
Ausführungsbeispiel
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung unter Bezugnahme auf die schematisch dargestellten Zeichnungen. Diese dienen lediglich zum Verständnis der Erfindung und haben keinerlei limitierende Wirkung auf den Erfindungsgegenstand, wie er in den Patentansprüchen dargelegt ist.
Hierbei zeigen:

1a-c eine Gegenüberstellung verschiedener Dichteverteilungen von Parameterkombinationen eines zweidimensionalen Parameterraums mittels geometrisch abgegrenzten Teilbereichen des Parameterraums und
2a-c eine Abfolge von Iterationen zur Erhöhung der Dichte der Parameterkombinationen in interessanten Bereichen des Parameterraums.

1a zeigt anhand einer lediglich beispielhaften zweidimensionalen Darstellung eine äquidistante und 1b eine quasi-zufällige Verteilung von Parameterkombinationen über den gesamten Parameterraum. Beide dargestellten Verteilungen spiegeln dabei nicht das wahre Verhältnis der jeweiligen Anzahlen der Parameterkombinationen wider, sondern dienen lediglich der Verdeutlichung, dass es sich bei 1b um nicht gleichmäßig bzw. äquidistant verteilte sowie um eine im Vergleich zu 1a signifikant geringere Anzahl, mithin eine signifikant geringere Dichte an Parameterkombinationen handelt. In 1a ist eine (grobe) Grenze 11 gezeigt, die die innerhalb dieser liegenden kritischen Parameterkombinationen 10 von den außerhalb liegenden trennt. Ob eine Parameterkombination kritisch ist, resultiert aus der zu dieser Parameterkombination korrespondierenden Systemantwort. Ist diese kritisch, beispielsweise aufgrund der Unterschreitung eines kritischen Schwellenwertes, wie die Zeit bis zum Aufprall, oder aufgrund einer negativen Systemantwort, wie Auftreffen auf ein Hindernis, so ergibt dies eine kritische Parameterkombination. Im Vergleich dazu sind die Parameterkombinationen der außerhalb der Grenze 11 liegenden Bereiche 12 unkritisch, weil deren korrespondierenden System antworten unkritisch bzw. uninteressant sind.
Die Dichte der Parameterkombinationen in 1b ist zunächst nicht ausreichend, um auf Grundlage der Modellprädiktion eine hinreichend genaue Aussage darüber zu treffen, welche konkreten Parameter in welcher Ausprägung für die Kritikalität der Systemantwort ursächlich sind. Demnach können auch noch keine sinnvollen Abstell- oder Verbesserungsmaßnahmen abgeleitet werden. Eine Möglichkeit ist das Eingrenzen des Parameterraums um die kritischen Parameter herum und Erhöhen der Dichte der quasi-zufällig erzeugten Parameterkombinationen 14 (1c) in dem abgegrenzten Teilbereich 15. Die Erfindung ermöglicht es dagegen, eine Verdichtung von Parameterkombinationen in interessanten bzw. kritischen Bereichen des Parameterraums zu generieren, die ohne die Definition des Teilbereichs auskommt.
2a-c verdeutlicht den erfindungsgemäßen Effekt des Trainierens des Systemmodells mittels interessanter Parameterkombinationen. 2a zeigt eine quasi-zufällige Verteilung von Startparameterkombinationen 20 (Kreise). Mittels dieser werden die Systemantworten des Testsystems generiert. Anhand der Startparameterkombinationen und der zugehörigen Systemantworten des Testsystems wird das probabilistische Systemmodell trainiert. Anschließend wird dieses mit einer Vielzahl weiterer Parameterkombinationen über den gesamten Parameterraum verteilt getestet, also Systemantworten erzeugt. Nachdem diese bewertet wurden, sind die in 2b gezeigten Parameterkombinationen 21 (Dreiecke) als neue, im Testsystem zu testenden Parameter hinzugekommen.
Nach einer oder mehreren weiteren Iterationsschleife sind die Parameterkombinationen 22 (Sterne) in 2c als höchst relevante Parameterkombinationen hinzugekommen. Das Testen mit diesen Parametern ermöglich eine besonders sichere Aussage über die Funktion des Testsystems bzw. des Regelsystems in kritischen Bereichen. Anders als bei der Abgrenzung mittels Hyperquadern gehen die Bereiche mit hoher Parameterkombinationsdichte und erwartbar kritischen Systemantworten kontinuierlich über in den angrenzenden unkritischen Parameterraum. Dadurch werden nur die tatsächlich relevanten Versuche durchgeführt und nicht die irrelevanten, die vom Hyperquader auch mit umfasst sind.
Die Auswahl der interessanten Parameterkombinationen kann beispielsweise mittels der Verwerfungsmethode erfolgen. Dabei werden die Systemantworten jeder getesteten Parameterkombination behalten oder verworfen. Aufbauend auf vorhandenem Wissen in Form von Beobachtungen konkreter Parameterkombinationen wird ein Modell gebildet, das Mittelwert µ sowie Standardabweichung σ prädizieren kann. Mithilfe der Akquisitionsfunktion werden die Prädiktionen des Modells bewertet, wobei die Werte der Akquisitionsfunktion an den Stellen hoch sein sollen, an denen ein hoher Informationsgewinn erwartet werden kann. Das System wird dann an der Stelle y, an der die Akquisitionsfunktion ihr Maximum erreicht, untersucht. Mit dem neuen Wissen beginnt die nächste Iteration.
Um gezielt bestimmte Verhalten zu untersuchen, wird in den beiden weiteren Fällen das als interessant definierte Intervall M_i in die Berechnung einbezogen: $a (y \sim N (μ; σ^{2}); M_{i}) = P (y \in M_{i})$
Der Akquisitionswert a ist dabei gleich der Wahrscheinlichkeit, dass y im Intervall M_i liegt. So können gezielt interessante Versuche gefunden werden.
Mithilfe von $a (y \sim N (μ; σ^{2}); M_{i}) = 1 - 2 | P (y \in M_{i}) - 0,5 |$
können gezielt Versuche an den Grenzen des Intervalls M_i gesucht werden. Der Akquisitionswert erreicht das Maximum von 1 für P(y ∈ M_i) = 0.5 und fällt zu P(y ∈ M_i) = 0 bzw. 1 linear ab. Je nach Ziel der Untersuchung sind weitere Akquisitionsfunktionen denkbar, z.B. die Durchführung aller Versuche, für die die Wahrscheinlichkeit eines interessanten Systemverhaltens einen Schwellwert überschreitet. Ein großer Vorteil dieser Vorgehensweise liegt darin, dass die interessanten Regionen nicht beschrieben werden müssen und der Übergang zwischen den Bereichen kontinuierlich ist.
Bezugszeichenliste

10: kritische Parameterkombinationen
11: grobe Grenze kritischer Teilbereich
12: unkritischer Bereich
13: unkritischer Bereich
14: zusätzliche Parameterkombinationen
15: detaillierte Abgrenzung kritischer Teilbereich
20: Parameterkombinationen nach erster Iteration
21: Parameterkombinationen nach zweiter Iteration
22: Parameterkombinationen nach dritter Iteration

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

WO 2015067649 A1 [0011]

Claims

Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme aufweisend folgende Schritte: - Definieren relevanter Parameter und relevanter Systemantworten des zu testenden Regelsystems, - Bereitstellen eines Testsystems als Repräsentanz des zu testenden Regelsystems, - Erzeugen quasi-zufälliger Startparameterkombinationen der relevanten Parameter, - Erzeugen von System antworten des Testsystems in Abhängigkeit der Startparameterkombination, - Initiieren eines probabilistischen Systemmodells zum Prädizieren des Testsystemverhaltens und Trainieren des probabilistischen Systemmodells mittels der quasi-zufälligen Startparameterkombinationen und der Systemantworten des Testsystems, - Erzeugen einer Vielzahl quasi-zufälliger Parameterkombinationen der relevanten Parameter, - Erzeugen von System antworten des probabilistischen Systemmodells in Abhängigkeit der Vielzahl quasi-zufälliger Parameterkombinationen, - Bewerten der Systemantworten und Identifizieren interessanter Systemantworten, - Ermitteln der interessanten Parameterkombinationen zu den interessanten Systemantworten, - Erzeugen von System antworten des Testsystems in Abhängigkeit der interessanten Parameterkombinationen, - Trainieren des probabilistischen Systemmodells mittels der interessanten Parameterkombinationen und der Systemantworten des Testsystems in Abhängigkeit der interessanten Parameterkombinationen, - Wiederholen der Schritte Erzeugen einer Vielzahl quasi-zufälliger Parameterkombinationen, Erzeugen von Systemantworten des probabilistischen Systemmodells auf diese Parameterkombinationen, Bewerten dieser Systemantworten und Identifizieren interessanter Systemantworten, Ermitteln der interessanten Parameterkombinationen zu diesen interessanten System antworten und Trainieren des probabilistischen System antworten mittels dieser interessanten Parameterkombinationen und der entsprechenden interessanten Systemantworten des Testsystems, - Beenden des Wiederholens und Optimieren von Tests von Regelsystems für automatisierte Fahrdynamiksysteme und/oder der Regelsystems für automatisierte Fahrdynamiksysteme anhand der zuletzt ermittelten Parameterkombinationen und/oder des trainierten probabilistischen Systemmodells und/oder der Systemantworten des probabilistischen Systemmodells und/oder des Testmodells.
Verfahren nach Anspruch 1, wobei das probabilistische Systemmodell zum Prädizieren des Regelsystemverhaltens als Gauß'scher Prozess, Tiefer Gauß'scher Prozess oder Bayes'sches Neuronales Netz modelliert ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Systemantworten anhand einer Akquisitionsfunktion bewertet werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Modellieren des Testsystems auf Basis eines Funktionsmodells, eines Systemmodells und eines Umgebungsmodells des Regelsystems für automatisierte Fahrdynamiksysteme erfolgt.
Vorrichtung zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme, wobei die Vorrichtung als Recheneinheit ausgebildet ist, um alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 4 auszuführen.
Computerprogramm zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme, wobei das Computerprogramm eine Recheneinheit dazu veranlasst, alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 4 auszuführen, wenn es auf der Recheneinheit nach Anspruch 5 ausgeführt wird.
Computerlesbares Speichermedium, dadurch gekennzeichnet, dass auf dem computerlesbaren Speichermedium ein Computerprogramm nach Anspruch 6 gespeichert ist.
Programmcode mit Verarbeitungsanweisungen zum Erstellen eines auf einem Computer ablauffähigen Computerprogramms, dadurch gekennzeichnet, dass der Programmcode das Computerprogramm nach Anspruch 6 ergibt, wenn der Programmcode gemäß den Verarbeitungsanweisungen in ein ablauffähiges Computerprogramm umgewandelt wird.
Computerprogrammprodukt, dadurch gekennzeichnet, dass das Computerprogrammprodukt ein computerlesbares Speichermedium nach Anspruch 7 und ein auf dem computerlesbaren Speichermedium gespeichertes Computerprogramm nach Anspruch 6 mit einem Programmcode nach Anspruch 8 aufweist, wobei der Programmcode zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 4 geeignet ist, wenn das Computerprogramm auf einem Computer ausgeführt wird.