DE102022104318A1

DE102022104318A1 - Verfahren, System und Computerprogrammprodukt zur Steuerung von Emissionen eines Kraftfahrzeugs

Info

Publication number: DE102022104318A1
Application number: DE102022104318.5A
Authority: DE
Inventors: Matteo Skull
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2022-02-23
Filing date: 2022-02-23
Publication date: 2023-08-24

Abstract

Die Erfindung betrifft ein Verfahren zur Steuerung von Emissionen eines Kraftfahrzeugs, mit den folgenden Verfahrensschritten:- Verwenden eines trainierten neuronalen Netzwerks, das auf der Basis zumindest eines Trainingsdatensatzes erstellt wird und ausgebildet ist, ein initiales Emissionsmodell für die Vorhersage eines initialen Emissionsverhaltens des Kraftfahrzeugs für den Trainingsdatensatz zu erzeugen;- Verwenden einer initialen Fisher-Informationsmatrix, die für das initiale Emissionsmodell erstellt wird;- Messen von Sensorsignalen durch das Sensorsystem und Erstellen zumindest eines Datensatzes aus den Sensorsignalen;- Ermitteln von zumindest einer Aufgabe aus Merkmalen (fi) des Datensatzes (200) zur Vorhersage eines aktuellen Emissionsverhaltens des Kraftfahrzeugs (10);- Übermitteln der Aufgabe an das initiale Emissionsmodell;- Erstellen eines an die Aufgabe angepassten Emissionsmodells und einer angepassten Fisher-Informationsmatrix mittels eines elastischen Gewichtskonsolidierungs-Algorithmus, so dass das trainierte neuronale Netzwerk ausgebildet wird, das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens zu verwenden;- Berechnen von Emissionswerten und/oder Steuerungsparametern mit dem angepassten Emissionsmodell.

Description

Die Erfindung betrifft ein Verfahren, ein System und ein Computerprogrammprodukt zur Steuerung von Emissionen eines Kraftfahrzeugs, wobei das Kraftfahrzeug zumindest ein Antriebssystem, zumindest ein Sensorsystem zur Erfassung von Sensorsignalen von Parametern, Attributen und/oder Variablen des Kraftfahrzeugs und seiner Umgebung, zumindest eine Steuerungseinrichtung und zumindest ein Fahrassistenzsystem umfasst.
Die Emissionen eines Verbrennungsmotors bei einem Kraftfahrzeug wie Stickoxide, Kohlenmonoxid und Kohlendioxid zeigen ein sehr stochastisches Verhalten, da die zugrundliegenden chemischen und physikalischen Prozesse hochkomplex und auch instabil sind. Zudem werden die Emissionen von Umgebungsparametern wie dem Fahrverhalten, der Fahrzeuggeschwindigkeit, der Kraftstoffqualität, der Außentemperatur, dem Kilometerstand, etc. beeinflusst, die sich wiederum stochastisch ändern.
Bisher vorliegende Modellsimulationen können das Emissionsverhalten für eine sehr spezifische Fahrsituation recht genau und zuverlässig simulieren. Ändern sich jedoch die Umgebungsparameter, nimmt die Genauigkeit und damit die Zuverlässigkeit der Vorhersage ab. Insbesondere bei einer Änderung einer Vielzahl von Umgebungsparametern während eines kurzen Zeitraums können bisherige Emissionsmodelle das tatsächliche Emissionsverhalten kaum präzise wiedergeben. Dies gilt auch für Simulationsmodelle, die Algorithmen der künstlichen Intelligenz wie Optimierungsalgorithmen anwenden, da aufgrund der Vielzahl der Parameter, Variablen und Randbedingungen die Komplexität ansteigt und daher die Ergebnisse oft zu ungenau sind. Dies wird noch verstärkt durch Zeitbeschränkungen für die Berechnung der Analysen aufgrund der hohen Rechenzeiten. Des Weiteren ergeben sich bei komplexen Systemen oft Lösungsräume mit einer Vielzahl von lokalen Nebenmaxima, so dass oft nicht ersichtlich ist, wie tatsächlich das optimale Hauptmaximum und damit die Hauptlösung aussehen könnte.
Da es derzeit kein Emissionsmodell bzw. keine Überwachungsfunktion auf der Grundlage eines Emissionsmodells gibt, das die Emissionen in einer bestimmten Situation genau überwachen kann, ist auch kein Steuerungssystem verfügbar, das die Fahrzeugemissionen über den gesamten Betriebsbereich eines Kraftfahrzeugs und für jede mögliche Umgebungsbedingung überwachen könnte.
Die DE 10 2018 120 635 A1 offenbart ein System zum autonomen Fahren oder unterstützten Fahren auf Grundlage eines neuronalen Netzwerks, das Sensordaten von verschiedenen Sensoren zur Erfassung der Außenumgebung verarbeitet. Das neuronale Netzwerk beinhaltet mehrere Teilaufgabenabschnitte für die Durchführung einer Vielzahl von Aufgaben, wobei die Teilaufgabenabschnitte mit verschiedenen Sätzen von Trainingsdaten eingeschränkt durch Elastic Weight Consolidation trainiert werden, um das Vergessen einer zuvor gelernten Aufgabe zu begrenzen.
Die CN 112598030 A offenbart ein nicht-stationäres Verfahren zur Prozessüberwachung basierend auf einer rekursiven Kointegrationsanalyse und elastischen Gewichtskonsolidierung für die industrielle Überwachung und Fehlerdiagnose.
Das der Erfindung zu Grunde liegende Problem besteht nun darin, Möglichkeiten zur verbesserten Steuerung von Emissionen bei einem Kraftfahrzeug anzugeben, die sich durch eine hohe Zuverlässigkeit, Sicherheit und Genauigkeit sowie eine effiziente Verwendung von Rechenleistungen auszeichnen.
Dieses Problem wird hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 1, hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 11, und hinsichtlich eines Computerprogrammprodukts durch die Merkmale des Patentanspruchs 15 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.
Durch die vorliegende Erfindung wird eine optimierte und autonome Steuerung der Emissionen eines Kraftfahrzeugs, insbesondere von einem Verbrennungsmotor, durch ein Emissionsmodell ermöglicht, das auf einem kontinuierlich lernenden neuronalen Netzwerk beruht und über den gesamten Betriebsbereich eines Kraftfahrzeugs zuverlässige Vorhersagewerte modelliert.
Gemäß einem ersten Aspekt stellt die Erfindung ein Verfahren zur Steuerung von Emissionen eines Kraftfahrzeugs, insbesondere während eines Fahrbetriebs, bereit. Das Kraftfahrzeug umfasst zumindest ein Antriebssystem, zumindest ein Sensorsystem zur Erfassung von Sensorsignalen von Parametern, Attributen und/oder Variablen des Kraftfahrzeugs und seiner Umgebung, zumindest eine Steuerungseinrichtung und zumindest ein Fahrassistenzsystem. Das Verfahren umfasst die folgenden Verfahrensschritten:

- Verwenden eines trainierten neuronalen Netzwerks, das auf der Basis zumindest eines Trainingsdatensatzes erstellt wird und ausgebildet ist, ein initiales Emissionsmodell für die Vorhersage eines initialen Emissionsverhaltens des Kraftfahrzeugs für den Trainingsdatensatz zu erzeugen;
- Verwenden einer initialen Fisher-Informationsmatrix, die für das initiale Emissionsmodell erstellt wird;
- Messen von Sensorsignalen durch das Sensorsystem, insbesondere während des Fahrbetriebs, und Erstellen zumindest eines Datensatzes aus den Sensorsignalen;
- Ermitteln von zumindest einer Aufgabe aus Merkmalen des Datensatzes zur Vorhersage eines aktuellen Emissionsverhaltens des Kraftfahrzeugs, wobei die Merkmale aktuelle Parameter, Attribute und/oder Variablen des Kraftfahrzeugs umfassen;
- Übermitteln der Aufgabe an das initiale Emissionsmodell des trainierten neuronalen Netzwerks;
- Erstellen eines an die Aufgabe angepassten Emissionsmodells und einer angepassten Fisher-Informationsmatrix mittels eines elastischen Gewichtskonsolidierungs-Algorithmus (engl. Elastic Weight Consolidation (EWC)), so dass das trainierte neuronale Netzwerk ausgebildet wird, das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens zu verwenden;
- Berechnen von Emissionswerten und/oder Steuerungsparametern für die Steuerung der Emissionen mittels des an die Aufgabe angepassten Emissionsmodells;
- Ausgeben der berechneten Emissionswerte und/oder Weitergeben der berechneten Steuerungsparameter an ein oder mehrere Steuerungseinrichtung(en) und/oder an ein oder mehrere Fahrassistenzsystem(e) zur Steuerung der Emissionen des Kraftfahrzeugs.

In einer Weiterbildung ist vorgesehen, dass für einen neuen Datensatz das angepasste Emissionsmodell die Basis für die Erstellung eines weiteren Emissionsmodells bildet zur Vorhersage eines Emissionsverhaltens des Kraftfahrzeugs auf der Grundlage des neuen Datensatzes.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass der Trainingsdatensatz mittels eines gelabelten Datensatzes der Sensorsignale und/oder weiteren Daten erstellt wird.
Bevorzugt ist vorgesehen, dass die berechneten Emissionswerte mit maximal/minimal zulässigen Emissionsgrenzwerten verglichen werden.
In einer Weiterentwicklung ist vorgesehen, dass zum Ermitteln einer Aufgabe zur Vorhersage eines Emissionsverhaltens auf der Grundlage des Datensatzes verschiedene Datengruppen des Datensatzes bezogen auf funktionale Beziehungen und Abhängigkeiten des Emissionsverhaltens von verschiedenen Parametern, Attributen und/oder Variablen des Kraftfahrzeugs und seiner Umgebung geclustert werden, um daraus die Aufgabe abzuleiten.
Vorteilhaftweise werden zum Clustern der verschiedenen Datengruppen des Datensatzes Algorithmen der künstlichen Intelligenz, insbesondere neuronale Netzwerke verwendet.
In einer bevorzugten Ausführungsform ist vorgesehen, dass das trainierte neuronale Netzwerk als gefaltetes neuronales Netzwerk (Convolutional Neural Network) oder als rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) oder als tiefes neuronales Netzwerk ausgebildet ist.
In einer weiteren Ausführungsform ist vorgesehen, dass das Sensorsystem ein oder mehrere Sensoren und Messeinrichtungen umfasst, die insbesondere die Emissionen des Kraftfahrzeugs, ein Fahrverhalten des Kraftfahrzeugs wie eine Geschwindigkeit, eine Beschleunigung, ein Drehmoment eines Antriebsystems, einen Kraftstoffverbrauch, einen Lambdawert sowie Umgebungsparameter wie eine Temperatur, Straßenverhältnisse und Szenarien wie das Befahren einer Landstraße, einer Autobahn oder eine innerstädtische Verkehrssituation sowie einen Aufenthaltsort des Kraftfahrzeugs erfassen und messen.
Vorteilhafterweise umfasst das Sensorsystem Sensoren, die als Kraft/Drehmoment-Sensoren, Lambdasonden, Drehmomentsensoren, Drehzahlsensoren, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Drucksensoren, Temperatursensoren, Feuchtigkeitssensoren, Gassensoren und/oder als Systeme mit optischer Abstands- und Geschwindigkeitsmessung wie 2D/3D-Kameras, LiDAR-Sensoren, Radar-Sensoren, Ultraschall-Sensoren und/oder GPS-Sensoren ausgebildet sind.
Vorteilhafterweise stellt zumindest ein Parameter, ein Attribut und/oder eine Variable eine Dimension, ein Material, eine Formgebung, einen Kennwert, einen Messwert, einen Sicherheitsfaktor, einen Lambdawert, ein Drehmoment, eine Drehzahl, einen Ladezustand, einen spezifischen Kraftstoffverbrauch, eine Geschwindigkeit, eine Beschleunigung, einen thermischen Widerstand, einen elektrischen Widerstand, eine Leitfähigkeit, eine Temperatur, ein Verkehrsszenario, einen Aufenthaltsort des Kraftfahrzeugs, einen Emissionswert oder eine Gaskonzentration von Emissionsgasen wie CO, CO2, NO x dar.
Gemäß einem zweiten Aspekt stellt die Erfindung ein System zur Steuerung von Emissionen eines Kraftfahrzeugs, insbesondere während eines Fahrbetriebs, bereit. Das Kraftfahrzeug umfasst zumindest ein Antriebssystem, zumindest ein Sensorsystem zur Erfassung von Sensorsignalen von Parametern, Attributen und/oder Variablen des Kraftfahrzeugs und seiner Umgebung, zumindest eine Steuerungseinrichtung und zumindest ein Fahrassistenzsystem. Das System umfasst ein Aufgabenmodul, ein Lernmodul und ein Ergebnismodul. Das Sensorsystem ist ausgebildet, Sensorsignale, insbesondere während des Fahrbetriebs, zu messen und zumindest einen Datensatz aus den Sensorsignalen zu erstellen. Das Aufgabenmodul ist ausgebildet, zumindest eine Aufgabe aus Merkmalen des Datensatzes zur Vorhersage eines aktuellen Emissionsverhaltens des Kraftfahrzeugs zu ermitteln, wobei die Merkmale aktuelle Parameter, Attribute und/oder Variablen des Kraftfahrzeugs umfassen, und die Aufgabe an das Lernmodul zu übermitteln. Das Lernmodul ist ausgebildet, ein trainiertes neuronales Netzwerk, das auf der Basis eines Trainingsdatensatzes erstellt wurde und ausgebildet ist, ein initiales Emissionsmodell für die Vorhersage eines initialen Emissionsverhaltens des Kraftfahrzeugs für den Trainingsdatensatz zu erzeugen, und eine initiale Fisher-Informationsmatrix, die für das initiale Emissionsmodell erstellt wurde, zu verwenden. Des Weiteren ist das Lernmodul ausgebildet, ein an die Aufgabe angepasstes Emissionsmodell und eine angepasste Fisher-Informationsmatrix mittels eines elastischen Gewichtskonsolidierungs-Algorithmus (engl. Elastic Weight Consolidation (EWC)) derart zu erstellen, dass das trainierte neuronale Netzwerk ausgebildet ist, das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens für den Datensatz zu verwenden. Zudem ist das Lernmodul ausgebildet, auf der Basis des an die Aufgabe angepassten Emissionsmodells Emissionswerte und/oder Steuerungsparameter für die Steuerung der Emissionen zu berechnen. Das Ergebnismodul ist ausgebildet, die berechneten Emissionswerte auszugeben und/oder die berechneten Steuerungsparameter an ein oder mehrere Steuerungseinrichtung(en) und/oder an ein oder mehrere Fahrassistenzsystem(e) zur Steuerung der Emissionen des Kraftfahrzeugs weiterzugeben.
In einer vorteilhaften Weiterbildung ist vorgesehen, dass das Ausgabemodul ein Clustermodul umfasst, das ausgebildet ist, verschiedene Datengruppen des Datensatzes bezogen auf funktionale Beziehungen und Abhängigkeiten des Emissionsverhaltens von verschiedenen Parametern, Attributen und/oder Variablen des Kraftfahrzeugs und seiner Umgebung zu clustern, um daraus die Aufgabe abzuleiten.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass das trainierte neuronale Netzwerk als gefaltetes neuronales Netzwerk (Convolutional Neural Network) oder als rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) oder als tiefes neuronales Netzwerk ausgebildet ist.
Vorteilhaftweise ist vorgesehen, dass das Sensorsystem ein oder mehrere Sensoren und Messeinrichtungen umfasst, die insbesondere die Emissionen des Kraftfahrzeugs, ein Fahrverhalten des Kraftfahrzeugs wie eine Geschwindigkeit, eine Beschleunigung, ein Drehmoment eines Antriebsystems, einen Kraftstoffverbrauch, einen Lambdawert sowie Umgebungsparameter wie eine Temperatur, Straßenverhältnisse und Szenarien wie das Befahren einer Landstraße, einer Autobahn oder eine innerstädtische Verkehrssituation sowie einen Aufenthaltsort des Kraftfahrzeugs erfassen und messen.
Gemäß einem dritten Aspekt stellt die Erfindung ein Computerprogrammprodukt bereit, das einen ausführbaren Programmcode umfasst, der so konfiguriert ist, dass er bei seiner Ausführung das Verfahren gemäß dem ersten Aspekt ausführt.
Nachfolgend wird die Erfindung anhand von in der Zeichnung dargestellten Ausführungsbeispielen näher erläutert.
Dabei zeigt:

1 ein Blockdiagramm zur Erläuterung eines Ausführungsbeispiels eines erfindungsgemäßen Systems;
2 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte eines erfindungsgemäßen Verfahrens;
3 ein Blockdiagramm eines Computerprogrammprodukt gemäß einer Ausführungsform des dritten Aspekts der Erfindung.

Zusätzliche Kennzeichen, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden durch die ausführliche Beschreibung in Verbindung mit den Ansprüchen ersichtlich.
1 zeigt ein erfindungsgemäßes System 100 zur Steuerung von Emissionen eines Kraftfahrzeugs 10, das auf Methoden des kontinuierlichen Lernens beruht. Die Emissionen eines Verbrennungsmotors bei einem Kraftfahrzeug wie Stickoxide, Kohlenmonoxid und Kohlendioxid zeigen ein sehr stochastisches Verhalten, da die zugrundliegenden chemischen und physikalischen Prozesse hochkomplex und auch instabil sind. Zudem werden die Emissionen von Umgebungsparametern wie dem Fahrverhalten, der Fahrzeuggeschwindigkeit, der Kraftstoffqualität, der Außentemperatur, dem Kilometerstand, etc. beeinflusst, die sich wiederum stochastisch ändern.
Das Kraftfahrzeug 10 umfasst ein Antriebssystem, das insbesondere als Verbrennungsmotor ausgebildet ist, ein oder mehrere Steuerungseinrichtungen 12 für die verschiedenen Komponenten des Kraftfahrzeugs 10 und zumindest teilweise automatisierte Fahrassistenzsysteme 14, um den Betrieb des Kraftfahrzeugs 10 zumindest teilweise zu automatisieren und zu steuern. Die Fahrassistenzsysteme 12 können beispielsweise das Antriebssystem, die Lenkung, die Beschleunigung, die Bremsung und die Lichtanlage, etc. zumindest teilweise automatisiert steuern.
Des Weiteren umfasst das System 100 ein Sensorsystem 20 mit verschiedenen Sensoren und Messeinrichtungen, die Sensorsignale 22 über das Kraftfahrzeug 10 sowie die innere und/oder äußere Umgebung des Kraftfahrzeugs 10 empfangen. Zu den gemessenen und erfassten Parametern P_i, Attributen A_i und/oder Variablen V_i zählen insbesondere die Emissionen des Kraftfahrzeugs 10, das Fahrverhalten des Kraftfahrzeugs 10 wie eine Geschwindigkeit, eine Beschleunigung, ein Drehmoment eines Antriebssystems, ein Kraftstoffverbrauch, etc. sowie Umgebungsparameter wie eine Temperatur, Straßenverhältnisse und das Erfassen von Szenarien wie das Befahren einer Landstraße, einer Autobahn oder eine innerstädtische Verkehrssituation und/oder der Aufenthaltsort des Kraftfahrzeugs 10. Insbesondere bei autonom oder teilweise autonom sich bewegenden Kraftfahrzeugen 10 werden die von den Sensoren des Sensorsystems 20 erfassten Sensorsignale 22 für die Wegplanung und Navigation des autonomen Kraftfahrzeugs 10 verwendet. Weitere Systeme und Komponenten können je nach Bedarf in dem Kraftfahrzeug 10 integriert werden. Die verschiedenen Systeme und Komponenten des Kraftfahrzeugs 10 können miteinander kommunizieren, beispielsweise über drahtgebundene oder drahtlose Kommunikation. Eine drahtlose Kommunikationsverbindung ist insbesondere als Mobilfunkverbindung und/oder einer Nahfeldkommunikationsverbindung wie Bluetooth^®, Ethernet, NFC (near field communication) oder Wi-Fi® ausgebildet.
Die erfassten Sensorsignale 22 und Messergebnisse werden von dem Sensorsystem 20 als Datensatz 200 gespeichert. Bei dem von den Sensoren und Messeinrichtungen des Sensorsystems 20 ermittelten Sensorsignalen 22 handelt es sich um Bilder und/oder Daten über physikalische oder chemische Prozesse, die in ein für die Weiterverarbeitung geeignetes Datenformat zur Erstellung des Datensatzes 200 transformiert werden. Unter „Daten“ sind im Zusammenhang mit der Erfindung sowohl Rohdaten als auch bereits aufbereitete Daten zu verstehen. Der Datensatz 200 umfasst verschiedene Datengruppen D_i, die von den verschiedenen Sensortypen der Sensorsystems 20 und gegebenenfalls zu unterschiedlichen Zeiten aufgenommen wurden und die sich hinsichtlich ihrer Struktur, ihrer zeitlichen Sequenz und ihres Aussagewertes unterscheiden.
Insbesondere können die Sensoren des Sensorsystems 20 als Kraft/DrehmomentSensoren, Lambdasonden, Drehmomentsensoren, Drehzahlsensoren, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Drucksensoren, Temperatursensoren, Feuchtigkeitssensoren, Gassensoren und/oder als Systeme mit optischer Abstands- und Geschwindigkeitsmessung wie 2D/3D-Kameras, LiDAR-Sensoren, Radar-Sensoren, Ultraschall-Sensoren und/oder GPS-Sensoren ausgebildet sein.
Für die erfindungsgemäße Steuerung der Emissionen wird der Datensatz 200 des Sensorsystems 20 an ein Aufgabenmodul 300 weitergegeben, in dem der Datensatz 200 weiterverarbeitet wird. Das Aufgabenmodul 300 verwendet auf maschinellem Lernen basierende Algorithmen und kann auf unterschiedliche Weise implementiert werden, worauf nachfolgend näher eingegangen wird. Der Datensatz 200 wird von dem Aufgabenmodul 300 in verschiedenen Kategorien beispielsweise hinsichtlich der Struktur oder des Sensortyps, mit dem einzelne Datengruppen D_i erfasst wurden, klassifiziert und aus den klassifizierten Daten werden Merkmale f_i extrahiert. Die Merkmale f_i umfassen insbesondere Parameter P_i Attribute A_i und Variablen V_i des Kraftfahrzeugs 10 wie insbesondere das Emissionsspektrum der Emissionen, die Geschwindigkeit, den Kraftstoffverbrauch, das Drehmoment eines Antriebssystems, sowie Charakteristika bezogen auf die Umgebung des Kraftfahrzeugs 10 wie ein bestimmtes Verkehrsszenario oder ein Überholmanöver. Aus den Merkmalen f_i, formuliert das Aufgabenmodul 300 eine Aufgabe hinsichtlich eines gewünschten Emissionsverhaltens. Die Merkmale f_i und die formulierte Aufgabe werden an ein Lernmodul 400 weitergegeben.
Das Lernmodul 400 verwendet ebenfalls auf maschinellem Lernen basierende Algorithmen und kann auf unterschiedliche Weise implementiert werden, worauf nachfolgend näher eingegangen wird. Das Lernmodul 400 verarbeitet die extrahierten Merkmale f_i und die formulierte Aufgabe, um Emissionswerte und/oder Steuerungsparameter 550 zur Steuerung der Emissionen des Kraftfahrzeugs 10 zu berechnen, die von einem Ergebnismodul 500 ausgegeben werden. Es kann vorgesehen sein, dass die Emissionswerte und/oder Steuerungsparameter 550 von dem Ergebnismodul 500 weiterverarbeitet werden. So können die berechneten Emissionswerte mit maximal/minimal zulässigen Emissionsgrenzwerten verglichen werden. Beim Überschreiten eines Grenzwertes kann beispielsweise ein Alarm als ein optischer Hinweis auf einer Anzeige im Kraftfahrzeug 10 dargestellt werden oder als ein akustischer Hinweis über einen Lautsprecher ausgegeben werden. Hierdurch wird der Fahrer des Kraftfahrzeugs 10 darauf aufmerksam gemacht, dass er sein Fahrverhalten anpassen sollte, um ein gewünschtes Emissionsverhalten des Kraftfahrzeugs 10 zu erzielen. Hierzu verfügt das Ergebnismodul 500 über geeignete Softwareapplikationen, die wiederum Algorithmen der künstlichen Intelligenz verwenden können. Die Steuerungsparameter 550 können aber auch direkt als Eingangswerte für ein oder mehrere Steuerungseinrichtungen 12 sowie Fahrassistenzsysteme 14 des Kraftfahrzeugs 20 verwendet werden, um damit das Fahrverhalten automatisiert oder teilweise automatisiert zu steuern und damit das gewünschte Emissionsverhalten des Kraftfahrzeugs 10 zu erreichen.
Das Aufgabenmodul 300, das Lernmodul 400 und das Ergebnismodul 500 enthalten jeweils zumindest einen Prozessor und eine Speichereinheit oder sind mit einem Prozessor und einer Speichereinheit verbunden. Das Aufgabenmodul 300, das Lernmodul 400 und das Ergebnismodul 500 können als selbstständige Rechnereinheiten oder als cloudbasierte Lösung ausgebildet sein.
Unter einem „Prozessor“ kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrocontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, der Entität, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert. Insbesondere kann der Prozessor hochparallele Recheneinheiten und leistungsfähige Grafikmodule enthalten.
Unter einer „Speichereinheit“ oder „Speichermodul“ und dergleichen kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory (RAM)) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger oder z. B. ein wechselbares Speichermodul verstanden werden. Es kann sich bei dem Speichermodul aber auch um eine cloudbasierte Speicherlösung handeln.
Unter einem „Modul“ kann im Zusammenhang mit der Erfindung beispielsweise ein Prozessor und/oder eine Speichereinheit zum Speichern von Programmbefehlen verstanden werden. Beispielsweise ist der Prozessor speziell dazu eingerichtet, die Programmbefehle derart auszuführen, damit der Prozessor und/oder die Steuereinheit Funktionen ausführt, um das erfindungsgemäße Verfahren oder einen Schritt des erfindungsgemäßen Verfahrens zu implementieren oder realisieren.
Zudem kann das Aufgabenmodul 300 mit zumindest einer Datenbank 320 verbunden sein. In der Datenbank 320 sind insbesondere historische Daten in Form von Bildern, Graphiken, Zeitreihen, Kenngrößen, etc., Navigationsdaten zur Straßenführung und zu Verkehrsszenarien oder auch Wetterdaten gespeichert. So können Zielgrößen und Zielwerte zum Emissionsverhalten in der Datenbank 320 abgelegt sein, die beispielsweise einen Sicherheitsstandard definieren. Unter „Datenbank“ ist sowohl ein Speicheralgorithmus als auch die Hardware in Form einer Speichereinheit zu verstehen. Insbesondere kann die Datenbank 320 als Cloud-Computing-Infrastruktur 700 ausgebildet sein.
Es kann vorgesehen sein, dass insbesondere das Sensorsystem 20 und das Ergebnismodul 500 mit Mobilfunkmodulen des 5G-Standards ausgestattet sind. 5G ist der Mobilfunkstandard der fünften Generation und zeichnet sich im Vergleich zum 4G-Mobilfunkstandard durch höhere Datenraten bis zu 10 Gbit/sec, der Nutzung höherer Frequenzbereiche wie beispielsweise 2100, 2600 oder 3600 Megahertz, eine erhöhte Frequenzkapazität und damit einen erhöhten Datendurchsatz und eine Echtzeitdatenübertragung aus, da bis zu eine Million Geräte pro Quadratkilometer gleichzeitig ansprechbar sind. Die Latenzzeiten betragen wenige Millisekunden bis unter 1 ms, so dass Echtzeitübertragungen von Daten und von Berechnungsergebnissen möglich sind. Der von dem Sensorsystem 20 generierte Datensatz 200 kann in Echtzeit an das in der Cloud-Computing-Infrastruktur 700 integrierte Aufgabenmodul 300 und das Lernmodul 400 gesendet werden, wo eine Berechnung der Steuerungsparameter 550 für die Steuerung der Emissionswerte des Kraftfahrzeugs 10 durchgeführt wird.
Diese Geschwindigkeit bei der Datenübermittlung ist erforderlich, wenn cloudbasierte Lösungen für die Verarbeitung der Daten verwendet werden sollen. Cloudbasierte Lösungen bieten hohe und damit schnelle Rechenleistungen, was insbesondere bei der Verwendung von Algorithmen der künstlichen Intelligenz und des Maschinenlernens von großem Vorteil ist. Um die Verbindung des Sensorsystems 20 zu der Cloud-Computing-Infrastruktur 700 zu schützen, können kryptographische Verschlüsselungsverfahren vorgesehen sein. Insbesondere sind kryptographische Verschlüsselungsverfahren für die Verbindung zwischen dem Sensorsystem 20 und dem Aufgabenmodul 300 und/oder der Verbindung zwischen dem Lernmodul 400 und dem Ergebnismodul 500 vorgesehen. Eine vorteilhafte Systemarchitektur sieht insbesondere vor, dass das Aufgabenmodul 300 und das Lernmodul 400 in der Cloud-Computing-Infrastruktur 700 angeordnet sind, während sich das Sensorsystem 20 und das Ergebnismodul 500 in dem Kraftfahrzeug 10 befinden. Im Rahmen der vorliegenden Erfindung sind jedoch auch weitere Implementierungen möglich.
Die auf maschinellem Lernen basierenden Algorithmen des Aufgabemoduls 300 als auch des Lernmoduls 400 verwenden zumindest ein neuronales Netz, um die jeweiligen Berechnungsfunktionen durchzuführen.
Ein neuronales Netzwerk besteht aus Neuronen, die in mehreren Schichten angeordnet und unterschiedlich miteinander verbunden sind. Ein Neuron ist in der Lage, an seinem Eingang Informationen von außerhalb oder von einem anderen Neuron entgegenzunehmen, die Information in einer bestimmten Art zu bewerten und sie in veränderter Form am Neuronen-Ausgang an ein weiteres Neuron weiterzuleiten oder als Endergebnis auszugeben. Hidden-Neuronen sind zwischen den Input-Neuronen und Output-Neuronen angeordnet. Je nach Netzwerktyp können mehrere Schichten von Hidden-Neuronen vorhanden sein. Sie sorgen für die Weiterleitung und Verarbeitung der Informationen. Output-Neuronen liefern schließlich ein Ergebnis und geben dieses an die Außenwelt aus. Durch die Art der Anordnung und der Verknüpfung der Neuronen entstehen verschiedenen Typen von neuronalen Netzwerken wie Feedforward-Netzwerke, rückgekoppelte Netzwerke (engl. Recurrent Neural Networks (RNN)) oder gefaltete neuronale Netze (engl. Convolutional Neural Networks (CNN)), die für unterschiedliche Aufgaben geeignet sind. Die Netzwerke lassen sich durch unbeaufsichtigtes oder überwachtes Lernen trainieren.
Das Convolutional Neural Network ist eine besondere Form eines künstlichen neuronalen Netzwerks. Es besitzt mehrere Faltungsschichten und ist für maschinelles Lernen und Anwendungen mit Künstlicher Intelligenz (KI) im Bereich der Mustererkennung sehr gut geeignet. Die einzelnen Schichten des CNN sind die Convolutional-Schicht, die Pooling-Schicht und die vollständig verknüpfte Schicht. Die Convolutional-Schicht ist die eigentliche Faltungsebene und in der Lage, in den Eingabedaten einzelne Merkmale zu erkennen und zu extrahieren. Bei der Muster- und Bilderkennung können dies Merkmale wie Linien, Kanten oder bestimmte Formen sein. Die Verarbeitung der Eingabedaten erfolgt in Form von Tensoren wie einer Matrix oder Vektoren. Die Pooling-Schicht, auch Subsampling-Schicht genannt, verdichtet und reduziert die Auflösung der erkannten Merkmale durch passende Filterfunktionen. Durch das reduzierte Datenaufkommen erhöht sich die Berechnungsgeschwindigkeit. Da das CNN in mehrere lokale, teilverknüpfte Schichten aufgeteilt ist, hat es einen wesentlich geringeren Speicherplatzbedarf als vollverknüpfte neuronale Netze. Ebenfalls stark verkürzt ist die Trainingszeit des Convolutional Neural Networks. Mit dem Einsatz moderner Grafikprozessoren lassen sich CNNs sehr effizient trainieren.
Für das Aufgabenmodul 300 werden insbesondere rückgekoppelte neuronale Netzwerke (RNN) verwendet, da diese besonders geeignet sind, zeitliche Sequenzen zu verarbeiten. Da sich die Umgebung des Kraftfahrzeugs 10 während des Fahrbetriebs typischerweise dynamisch und unstrukturiert ändert, kann ein RNN die spezifischen Merkmale f_i, die für die Erstellung der Aufgabe und die Steuerung des Emissionsverhaltens eines Kraftfahrzeugs 10 erforderlich sind, besonders effizient aus dem Datensatz 200 extrahieren. Das RNN kann zudem long-short-term memory (LSTM)-Schichten oder andere geeignete neuronale Netzwerkarchitekturen aufweisen, um eine präzise und zuverlässige Extraktion der relevanten Merkmale f_i zu ermöglichen. Es kann aber auch vorgesehen sein, dass ein gefaltetes neuronales Netzwerk (CNN) von dem Aufgabenmodul 300 verwendet wird. Insbesondere kann das Aufgabenmodul 300 ein oder mehrere Encoder und Decoder aufweisen, die jeweils ein oder mehrere neuronale Netzwerke verwenden, die unterschiedlich strukturiert sind.
In einer weiteren Ausführungsform kann vorgesehen sein, dass das Aufgabenmodul 300 ein Clustermodul 350 aufweist. Das Clustermodul 350 verwendet ebenfalls auf maschinellem Lernen basierende Algorithmen wie insbesondere neuronale Netze. Es kann vorgesehen sein, dass der Datensatz 200 des Sensorsystems 20 und gegebenenfalls weitere Datensätze aus der Datenbank 320 zunächst an das Clustermodul 350 übermittelt werden. Das Clustermodul 350 ist ausgebildet, zwischen den verschiedenen Datengruppen D_i, aus denen der Datensatz 200 besteht, funktionale Beziehungen herzustellen, die eine Abhängigkeit des Emissionsverhaltens von verschiedenen Parametern P_i , Attributen A_i und Variablen V_i des Kraftfahrzeugs 10 und seiner Umgebung abbilden. Aus diesen funktionalen Beziehungen wird zumindest eine Aufgabe ermittelt, die an das Lernmodul 400 weitergegeben wird.
Eine beispielhafte Aufgabe ist die Modellierung der Emissionen in Abhängigkeit von einem Temperaturbereich von -30°C < T< 0°C der Fahrzeugumgebung und einem Normalbetrieb des Kraftfahrzeugs 10.
Ein Beispiel für eine zweite Aufgabe ist die Modellierung der Emissionen in Abhängigkeit von einem Temperaturbereich von -30°C < T <100°C der Fahrzeugumgebung und einem Fahrbetrieb des Kraftfahrzeugs 10 im Sportmodus.
Das Lernmodul 400 enthält zumindest ein neuronales Netzwerk 420, das insbesondere als tiefes neuronales Netzwerk oder als gefaltetes neuronales Netzwerk (engl. Convolutional Neural Network (CNN)) ausgebildet ist. Das neuronale Netzwerk 420 wird mit zumindest einem Trainingsdatensatz 210 in einer Trainingsphase trainiert, wobei der Trainingsdatensatz 210 insbesondere gelabelte Datensätze des Sensorsystems 20 oder eines ähnlich konfigurierten Sensorsystems für ein bestimmtes Fahrverhalten und eine bestimmte Verkehrssituation enthält. Es können auch mehrere neuronale Netzwerke 420 vorgesehen sind, die jeweils für sich unterscheidende Teilaufgaben trainiert werden und miteinander gekoppelt sind. Durch das Training wird ein Emissionsmodell 430 generiert, welches das Emissionsverhalten des Kraftfahrzeugs 10 für die Trainingsdaten modelliert.
Obgleich das neuronale Netzwerk 420 derart ausgebildet ist, dass es sehr erfolgreich ein Emissionsmodell 430 für eine bestimmte Verkehrssituation und ein bestimmtes Fahrverhalten, wie es beispielsweise in dem Trainingsdatensatz 210 abgebildet ist, generieren kann, liegt eine Schwäche des neuronalen Netzwerks 420 darin, dass bei einer neuen Aufgabenstellung mit einem veränderten Fahrverhalten und einer veränderten Verkehrssituation das neuronale Netzwerk 420 das zuvor gelernte Emissionsmodell 430 wieder vergisst. Dieses Verhalten von insbesondere tiefen neuronalen Netzen bei Lernvorgängen, die ein kontinuierliches Lernen erfordern, wird als katastrophales Vergessen bezeichnet. Damit wird ausgedrückt, dass neuronale Netze im Gegensatz zu einer menschlichen Intelligenz nicht dazu in der Lage sind, mehrere Aufgaben hintereinander zu lernen.
Kontinuierliches Lernen stellt somit für künstliche neuronale Netzwerke eine besondere Herausforderung dar, da das Wissen über die zuvor gelernte(n) Aufgabe(n) wieder verloren geht, wenn für eine aktuelle Aufgabe neue relevante Informationen dem künstlichen neuronalen Netzwerk zugeführt werden. Dieses als katastrophales Vergessen bezeichnete Phänomen tritt auf, wenn Gewichte im Netzwerk geändert werden, um die Ziele einer neuen Aufgabe zu erreichen. Es wird daher versucht, in der Trainingsphase Trainingsdaten für verschiedene Aufgaben gleichzeitig zur Verfügung zu stellen, um dem katastrophalen Vergessen entgegenzuwirken. Durch die Verschachtelung von Daten für mehrere Aufgaben während des Lernens kommt es nicht zum Vergessen, da die Gewichte des Netzwerks gemeinsam für die Leistung bei allen Aufgaben optimiert werden. Insbesondere können mehrere Agenten trainiert werden, um Multitasking-Aufgaben zu erfüllen. Dieser Ansatz ist jedoch für die Steuerung von Emissionsdaten bei einem Kraftfahrzeug 10 nicht einsetzbar, da sich die Datensätze 200 während des Fahrbetriebs eines Kraftfahrzeugs 10 zu sehr dynamisch und unstrukturiert ändern und daher eine zu große Anzahl von Agenten erforderlich ist, um diese Dynamik beherrschen zu können.
Um dem katastrophalen Vergessen des Emissionsmodells 430 entgegenzuwirken, wird daher erfindungsgemäß auf das neuronale Netzwerk 420 ein elastischer Gewichtskonsolidierung-Algorithmus 450 (engl. Elastic Weight Consolidation (EWC)) angewendet. Dieser EWC-Algorithmus 450 wurde erstmalig 2017 von James Kirkpatrick et al. in dem Dokument „Overcoming catatrophic forgetting in neural networks“ beschrieben. Die elastische Gewichtskonsolidierung (EWC) ist ein Algorithmus, der erfolgreich für das allgemeine kontinuierliche Lernen eingesetzt wird, um das Problem des katastrophalen Vergessens bei einem neuronalen Netzwerk zu überwinden. Hierbei werden für die Durchführung einer neuen Aufgabe die bisherigen Gewichte des neuronalen Netzwerks 420 gemäß einer Wahrscheinlichkeit, wie wichtig sie für die Erstellung des Emissionsmodells 430 sind, geschützt. Hierzu wird das neuronale Netzwerk 420 des Emissionsmodells 430 in eine Fisher-Informationsmatrix 440 überführt, in der die einzelnen Neuronen des neuronalen Netzwerks 420 als Netzgewichte w_ij abgebildet und mit Bewertungen für einen zukünftigen Wert multipliziert werden. Dies ist möglich, da neuronale Netzwerke als Matrizen darstellbar sind. Der erste Index i gibt die Zeile in der Matrix an, der zweite Index j hingegen die Spalte, in der das jeweilige Element steht. Das Lernen in neuronalen Netzwerken findet in den Netzgewichten w_ij statt und diese speichern das gelernte Wissen des neuronalen Netzwerks. Die Bewertungen werden aus den Vorwahrscheinlichkeiten der bisherigen Parameter P_i, Attribute A_i und Variablen V_i und der Wahrscheinlichkeit von neuen Datensätzen 200 mit Hilfe der Bayes-Regel berechnet. Hierdurch wird definiert, welche Netzgewichte w_ij für eine nächste Aufgabe am wichtigsten sind.
Mittels der Fisher-Informationsmatrix 440 wird das Training des neuronalen Netzwerks 420 somit aus einer probabilistischen Perspektive betrachtet.
Auf die Fisher-Informationsmatrix 440 wird nun der EWC-Algorithmus 450 angewendet. Für eine neue Aufgabe wird der EWC-Algorithmus 450 nun versuchen, die aus einem neuen Datensatz 200 extrahierten neuen Parameter P_i, Attribute A_i und Variablen V_i nahe an den gelernten trainierten Parameter Pt_i, Attribute At_i und Variablen Vt_i zu halten. Dies kann mittels positiver und negativer Bewertungen durchgeführt werden, mit denen die bisherige Fisher-Informationsmatrix 440 angepasst wird zur Erstellung einer an die neue Aufgabe angepassten Fisher-Informationsmatrix 445. Während des Lernens einer neuen Aufgabe schützt der EWC-Algorithmus 450 daher das bisherige Emissionsmodell 430, indem der EWC-Algorithmus 450 die neuen Parameter P_i , Attribute A_i und Variablen V_i derart einschränkt, dass sie in einem Bereich mit einer geringen Abweichung gegenüber der bisherigen Aufgabe bleiben. Die neuen Parameter P_i, neuen Attribute A_i und neuen Variablen V_i werden dabei an das bisherige Emissionsmodell 430 elastisch gebunden in Abhängigkeit von ihrer Bedeutung für das Emissionsmodell 430, so dass die Veränderungen für einzelne trainierte Parameter Pt_i , Attribute At_i und Variablen Vt_i.unterschiedlich ausfallen. Der EWC-Algorithmus 450 sorgt somit dafür, dass jeder neue Parameter P_i, jedes neue Attribut A_i und jede neue Variable V_i eines neuen Emissionsmodells 435 während der Feinabstimmung mit neuen Datensätzen 200 nicht zu sehr von den Berechnungen im alten Emissionsmodell 430 abweichen.
Durch den EWC-Algorithmus 450 können somit Emissionsmodelle 430, 435 sequentiell trainiert werden, indem die Netzgewichte w_i geschützt werden, die für frühere Aufgaben wichtig sind. Da für die Steuerung von Emissionen bei einem Kraftfahrzeug 10 die Aufgaben dynamisch und unvorhersehbar wechseln, und jede einzelne Aufgabe über lange Zeiträume hinweg nicht wiederkehrt, ist die Verwendung von neuronalen Netzwerken für ein kontinuierliches Lernen nur dann möglich, wenn aufeinanderfolgende Aufgaben erlernt werden können, ohne zu vergessen, wie die zuvor trainierten Aufgaben auszuführen sind. Dieses Vergessen wird durch die Anwendung eines elastischen Gewichtskonsolidierung (EWC)-Algorithmus 450 auf das trainierte Emissionsmodell 430 vermieden. Dabei verwendet der EWC-Algorithmus 450 eine Fischer-Informationsmatrix 440, mittels der eine Verschlechterung eines bereits trainierten Emissionsverhaltens bewertet wird. Hierdurch ist es möglich, dass das Emissionsverhalten für sich ständig ändernde Fahrsituationen vorhergesagt und damit gesteuert werden kann.
Durch den EWC-Algorithmus 450 kann somit das trainierte neuronale Netzwerk 420 das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens basierend auf dem Datensatz 200 verwenden. Die Emissionswerte und/oder Steuerungsparametern 550 für die Steuerung der Emissionen können nun mittels des an die Aufgabe angepassten Emissionsmodells 435 berechnet werden. Die Berechnungsergebnisse sind zuverlässig, da das angepasste Emissionsmodell 435 auf bereits gelernte Ergebnisse zurückgreifen kann und daher die Modellierung der Emissionswerte und/oder Steuerungsparameter 550 auf einer soliden Berechnungsgrundlage durchgeführt werden kann. Die berechneten Emissionswerte können von dem Ergebnismodul 500 ausgegeben werden. Es kann aber auch vorgesehen sein, dass die berechneten Steuerungsparameter 550 an ein oder mehrere Steuerungseinrichtung(en) 12 und/oder an ein oder mehrere Fahrassistenzsystem(e) 14 zur Steuerung der Emissionen des Kraftfahrzeugs 10 weitergegeben werden.
In einem neuen Zyklus ermittelt nun das Sensorsystem 20 einen neuen Datensatz 220, der wiederum an das Aufgabenmodul 300 weitergegeben wird. Das Aufgabenmodul 300 formuliert aus dem neuen Datensatz 220 wiederum eine Aufgabe, die an das Lernmodul 400 übermittelt wird. Als initiales Emissionsmodell dient nun das im vorherigen Berechnungszyklus angepasste Emissionsmodell 435, das wiederum mittels des EWC-Algorithmus 450 derart modelliert wird, dass ein neues an den neuen Datensatz 220 angepasstes Emissionsmodell erstellt wird, mit dem die Emissionswerte und/oder Steuerungsparameter für den neuen Datensatz 220 ermittelt werden. Es ist somit mit der vorliegenden Erfindung möglich, dass für beliebige Betriebszustände des Kraftfahrzeugs 10 während des Fahrbetriebs, die sich dynamisch und unstrukturiert ändern, ein Emissionsmodell für die Berechnung der aktuell vorliegenden Emissionswerte des Kraftfahrzeugs 10 verwendet werden kann, das auf vorherigen Berechnungsergebnissen beruht, da das dem Emissionsmodell zu Grunde liegende neuronale Netzwerk seine Lernergebnisse nicht mehr vergisst und daher diese für die Ermittlung von aktuellen Emissionswerte für neue Fahrsituationen einbringen kann.
Da ein schnelles Berechnungsergebnis für das Emissionsverhalten angestrebt wird, ist für die Vielzahl von Rechenoperationen in dem Aufgabenmodul 300 und dem Lernmodul 400 die Rechengeschwindigkeit entscheidend. Um eine Durchführung der Rechenoperationen in Echtzeit zu ermöglichen, ist daher die Verwendung der Cloud-Computing-Infrastruktur 700 vorteilhaft, da hierdurch eine schnelle Berechnung gewährleistet werden kann. Für die Kommunikation des Eingabemoduls 200 mit der Cloud-Computing-Infrastruktur 700 ist eine 5G-Mobilfunkverbindung vorteilhaft, da auf diese Weise eine Datenübermittlung in Echtzeit erfolgen kann.
In 2 sind die Verfahrensschritte zur Steuerung von Emissionen eines Kraftfahrzeugs 10, insbesondere während eines Fahrbetriebs, dargestellt:

In einem Schritt S10 wird ein trainiertes neuronales Netzwerk 420, das auf der Basis zumindest eines Trainingsdatensatzes 210 erstellt wird und ausgebildet ist, ein initiales Emissionsmodell 430 für die Vorhersage eines initialen Emissionsverhaltens des Kraftfahrzeugs 10 für den Trainingsdatensatz 210 zu erzeugen, verwendet.

In einem Schritt S20 wird eine initiale Fisher-Informationsmatrix 440, die für das initiale Emissionsmodell 430 erstellt wird, verwendet.
In einem Schritt S30 werden Sensorsignalen 22 von einem Sensorsystem 20 gemessen, insbesondere während des Fahrbetriebs, und zumindest ein Datensatz 200 wird aus den Sensorsignalen 22 erstellt.
In einem Schritt S40 wird zumindest eine Aufgabe aus Merkmalen f_i des Datensatzes 200 zur Vorhersage eines aktuellen Emissionsverhaltens des Kraftfahrzeugs 10 ermittelt, wobei die Merkmale f_i aktuelle Parameter P_i, Attribute A_i und/oder Variablen V_i des Kraftfahrzeugs 10 umfassen.
In einem Schritt S50 wird die Aufgabe an das initiale Emissionsmodell 430 des trainierten neuronalen Netzwerks 420 übermittelt.
In einem Schritt S60 wird ein an die Aufgabe angepasstes Emissionsmodell 435 und eine angepasste Fisher-Informationsmatrix 445 mittels eines elastischen Gewichtskonsolidierungs-Algorithmus 450 (engl. Elastic Weight Consolidation (EWC)) erstellt, so dass das trainierte neuronale Netzwerk 420 ausgebildet wird, das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens zu verwenden.
In einem Schritt S70 werden Emissionswerten und/oder Steuerungsparametern 550 für die Steuerung der Emissionen mittels des an die Aufgabe angepassten Emissionsmodells 435 berechnet.
In einem Schritt S80 werden die berechneten Emissionswerte ausgegeben und/oder die berechneten Steuerungsparameter 550 an ein oder mehrere Steuerungseinrichtung(en) 12 und/oder an ein oder mehrere Fahrassistenzsystem(e) 14 zur Steuerung der Emissionen des Kraftfahrzeugs 10 weitergegeben.
3 stellt schematisch ein Computerprogrammprodukt 900 dar, das einen ausführbaren Programmcode 950 umfasst, der konfiguriert ist, um das Verfahren gemäß dem ersten Aspekt der vorliegenden Erfindung auszuführen, wenn es ausgeführt wird.
Mit dem Verfahren und dem System 100 der vorliegenden Erfindung ist es möglich, die Emissionen eines Kraftfahrzeugs 10 während seines Fahrbetriebs zu modellieren. Die Modellierung von Emissionswerten für jeden Betriebspunkt des Antriebssystems eines Kraftfahrzeugs und für beliebige Fahrszenarien ist auf der Grundlage von neuronalen Netzen möglich, da durch den Einsatz eines EWC-Algorithmus 450 dem katastrophalen Vergessen bei der Durchführung einer neuen Aufgabe entgegengewirkt wird. Durch die Anbindung des erfindungsgemäßen Systems 100 an eine Cloud-Computing-Infrastruktur 700 kann auf beliebig große Datenmengen zugegriffen werden bei gleichzeitiger Verkürzung der Rechenzeiten. Das erfindungsgemäße System 100 kann in eine Steuerungseinrichtung integriert werden und erlaubt eine sichere und zuverlässige Steuerung von Emissionswerten während des Fahrbetriebs des Kraftfahrzeugs 10. Damit trägt die vorliegende Erfindung zu einer deutlichen Verbesserung der Umweltverträglichkeit bei, da eine optimierte und autonome Steuerung der Emissionen eines Kraftfahrzeugs 10 über den gesamten Betriebsbereich zuverlässig und vorhersagbar möglich ist.
Bezugszeichenliste

10: Kraftfahrzeug
12: Steuerungseinrichtung
14: Fahrassistenzsystem
20: Sensorsystem
22: Sensorsignale
100: System zur Steuerung von Emissionen
200: Datensatz
210: Trainingsdatensatz
220: neuer Datensatz
300: Aufgabenmodul
320: Datenbank
350: Clustermodul
400: Lernmodul
420: neuronales Netzwerk
430: Emissionsmodell
435: neues Emissionsmodell
440: Fisher-Informationsmatrix
445: neue Fisher-Informationsmatrix
450: EWC-Algorithmus
500: Ergebnismodul
550: Emissionswerte und/oder Steuerungsparameter
700: Cloud-Computing-Infrastruktur
900: Computerprogrammprodukt
950: Programmcode

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

DE 102018120635 A1 [0005]
CN 112598030 A [0006]

Claims

Verfahren zur Steuerung von Emissionen eines Kraftfahrzeugs (10), insbesondere während eines Fahrbetriebs, wobei das Kraftfahrzeug (10) zumindest ein Antriebssystem, zumindest ein Sensorsystem (20) zur Erfassung von Sensorsignalen von Parametern (P_i), Attributen (A_i) und/oder Variablen (V_i) des Kraftfahrzeugs (10) und seiner Umgebung, zumindest eine Steuerungseinrichtung (12) und zumindest ein Fahrassistenzsystem (14) umfasst, mit den folgenden Verfahrensschritten: - Verwenden (S10) eines trainierten neuronalen Netzwerks (420), das auf der Basis zumindest eines Trainingsdatensatzes (210) erstellt wird und ausgebildet ist, ein initiales Emissionsmodell (430) für die Vorhersage eines initialen Emissionsverhaltens des Kraftfahrzeugs (10) für den Trainingsdatensatz (210) zu erzeugen; - Verwenden (S20) einer initialen Fisher-Informationsmatrix (440), die für das initiale Emissionsmodell (430) erstellt wird; - Messen (S30) von Sensorsignalen (22) durch das Sensorsystem (20), insbesondere während des Fahrbetriebs, und Erstellen zumindest eines Datensatzes (200) aus den Sensorsignalen (22); - Ermitteln (S40) von zumindest einer Aufgabe aus Merkmalen (f_i) des Datensatzes (200) zur Vorhersage eines aktuellen Emissionsverhaltens des Kraftfahrzeugs (10), wobei die Merkmale (f_i) aktuelle Parameter (P_i), Attribute (A_i) und/oder Variablen (V_i) des Kraftfahrzeugs (10) umfassen; - Übermitteln (S50) der Aufgabe an das initiale Emissionsmodell (430) des trainierten neuronalen Netzwerks (420); - Erstellen (S60) eines an die Aufgabe angepassten Emissionsmodells (435) und einer angepassten Fisher-Informationsmatrix (445) mittels eines elastischen Gewichtskonsolidierungs-Algorithmus (450) (engl. Elastic Weight Consolidation (EWC)), so dass das trainierte neuronale Netzwerk (420) ausgebildet wird, das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens zu verwenden; - Berechnen (S70) von Emissionswerten und/oder Steuerungsparametern (550) für die Steuerung der Emissionen mittels des an die Aufgabe angepassten Emissionsmodells (435); - Ausgeben (S80) der berechneten Emissionswerte und/oder Weitergeben der berechneten Steuerungsparameter (550) an ein oder mehrere Steuerungseinrichtung(en) (12) und/oder an ein oder mehrere Fahrassistenzsystem(e) (14) zur Steuerung der Emissionen des Kraftfahrzeugs (10).
Verfahren nach Anspruch 1, wobei für einen neuen Datensatz (220) das angepasste Emissionsmodell (435) die Basis für die Erstellung eines weiteren Emissionsmodells bildet zur Vorhersage eines Emissionsverhaltens des Kraftfahrzeugs (10) auf der Grundlage des neuen Datensatzes (220).
Verfahren nach Anspruch 1 oder 2, wobei der Trainingsdatensatz (210) mittels eines gelabelten Datensatzes der Sensorsignale (22) und/oder weiteren Daten erstellt wird.
Verfahren nach einem der Ansprüche 1 bis 3, wobei die berechneten Emissionswerte mit maximal/minimal zulässigen Emissionsgrenzwerten verglichen werden.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das Ermitteln einer Aufgabe zur Vorhersage eines Emissionsverhaltens auf der Grundlage des Datensatzes (200) den folgenden Verfahrensschritt umfasst: Clustern von verschiedenen Datengruppen (D_i) des Datensatzes (200) bezogen auf funktionale Beziehungen und Abhängigkeiten des Emissionsverhaltens von verschiedenen Parametern (P_i), Attributen (A_i) und/oder Variablen (V_i) des Kraftfahrzeugs (10) und seiner Umgebung, um daraus eine Aufgabe abzuleiten.
Verfahren nach Anspruch 5, wobei zum Clustern der verschiedenen Datengruppen (D_i) des Datensatzes (200) Algorithmen der künstlichen Intelligenz, insbesondere neuronale Netzwerke verwendet werden.
Verfahren nach einem der Ansprüche 1 bis 6, wobei das trainierte neuronale Netzwerk (420) als gefaltetes neuronales Netzwerk (Convolutional Neural Network) oder als rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) oder als tiefes neuronales Netzwerk ausgebildet ist.
Verfahren nach einem der Ansprüche 1 bis 7, wobei das Sensorsystem (20) ein oder mehrere Sensoren und Messeinrichtungen umfasst, die die Emissionen des Kraftfahrzeugs (10), ein Fahrverhalten des Kraftfahrzeugs (10) wie eine Geschwindigkeit, eine Beschleunigung, ein Drehmoment eines Antriebsystems, einen Kraftstoffverbrauch, einen Lambdawert sowie Umgebungsparameter wie eine Temperatur, Straßenverhältnisse und Szenarien wie das Befahren einer Landstraße, einer Autobahn oder eine innerstädtische Verkehrssituation erfassen und messen.
Verfahren nach einem der Ansprüche 1 bis 8, wobei das Sensorsystem (20) Sensoren umfasst, die als Kraft/Drehmoment-Sensoren, Lambdasonden, Drehmomentsensoren, Drehzahlsensoren, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Drucksensoren, Temperatursensoren, Feuchtigkeitssensoren, Gassensoren und/oder als Systeme mit optischer Abstands- und Geschwindigkeitsmessung wie 2D/3D-Kameras, LiDAR-Sensoren, Radar-Sensoren, Ultraschall-Sensoren und/oder GPS-Sensoren ausgebildet sind.
Verfahren nach einem der Ansprüche 1 bis 4, wobei zumindest ein Parameter (P_i), ein Attribut (A_i) und/oder eine Variable (V_i) eine Dimension, ein Material, eine Formgebung, einen Kennwert, einen Messwert, einen Sicherheitsfaktor, einen Lambdawert, ein Drehmoment, eine Drehzahl, einen Ladezustand, einen spezifischen Kraftstoffverbrauch, eine Geschwindigkeit, eine Beschleunigung, einen thermischen Widerstand, einen elektrischen Widerstand, eine Leitfähigkeit, eine Temperatur, ein Verkehrsszenario, einen Aufenthaltsort des Kraftfahrzeugs (10), einen Emissionswert oder eine Gaskonzentration von Emissionsgasen wie CO, CO2, NO x darstellt.
System (100) zur Steuerung von Emissionen eines Kraftfahrzeugs (10), insbesondere während eines Fahrbetriebs, wobei das Kraftfahrzeug (10) zumindest ein Antriebssystem, zumindest ein Sensorsystem (20) zur Erfassung von Sensorsignalen von Parametern (P_i), Attributen (A_i) und/oder Variablen (V_i) des Kraftfahrzeugs (10) und seiner Umgebung, zumindest eine Steuerungseinrichtung (12) und zumindest ein Fahrassistenzsystem (14) umfasst, mit einem Aufgabenmodul (300), einem Lernmodul (400) und einem Ergebnismodul (500); wobei das Sensorsystem (20) ausgebildet ist, Sensorsignale (22), insbesondere während des Fahrbetriebs, zu messen und zumindest ein Datensatz (200) aus den Sensorsignalen (22) zu erstellen; wobei das Aufgabenmodul (300) ausgebildet ist, zumindest eine Aufgabe aus Merkmalen (f_i) des Datensatzes (200) zur Vorhersage eines aktuellen Emissionsverhaltens des Kraftfahrzeugs (10) zu ermitteln, wobei die Merkmalen (f_i) aktuelle Parameter (P_i), Attribute (A_i) und/oder Variablen (V_i) des Kraftfahrzeugs (10) umfassen, und die Aufgabe an das Lernmodul (400) zu übermitteln; wobei das Lernmodul (400) ausgebildet ist, ein trainiertes neuronales Netzwerk (240), das auf der Basis eines Trainingsdatensatzes (210) erstellt wurde und ausgebildet ist, ein initiales Emissionsmodell (430) für die Vorhersage eines initialen Emissionsverhaltens des Kraftfahrzeugs (10) für den Trainingsdatensatz (210) zu erzeugen, und eine initiale Fisher-Informationsmatrix (440), die für das initiale Emissionsmodell (430) erstellt wurde, zu verwenden und ein an die Aufgabe angepasstes Emissionsmodell (435) und eine angepasste Fisher-Informationsmatrix (445) mittels eines elastischen Gewichtskonsolidierungs-Algorithmus (450) (engl. Elastic Weight Consolidation (EWC)) derart zu erstellen, dass das trainierte neuronale Netzwerk (420) ausgebildet ist, das trainierte initiale Emissionsverhalten für die Berechnung des aktuellen Emissionsverhaltens für den Datensatz (200) zu verwenden, und auf der Basis des an die Aufgabe angepassten Emissionsmodells (435) Emissionswerte und/oder Steuerungsparameter (550) für die Steuerung der Emissionen zu berechnen; und wobei das Ergebnismodul (500) ausgebildet ist, die berechneten Emissionswerte auszugeben und/oder die berechneten Steuerungsparameter (550) an ein oder mehrere Steuerungseinrichtung(en) (12) und/oder an ein oder mehrere Fahrassistenzsystem(e) (14) zur Steuerung der Emissionen des Kraftfahrzeugs (10) weiterzugeben.
System (100) nach Anspruch 11, wobei das Ausgabe Modul (300) ein Clustermodul (320) umfasst, das ausgebildet ist verschiedene Datengruppen (D_i) des Datensatzes (200) bezogen auf funktionale Beziehungen und Abhängigkeiten des Emissionsverhaltens von verschiedenen Parametern (P_i) , Attributen (A_i) und Variablen (V_i) des Kraftfahrzeugs (10) und seiner Umgebung zu clustern, um daraus eine Aufgabe abzuleiten.
System (100) nach Anspruch 11 oder 12, wobei das trainierte neuronale Netzwerk (420) als gefaltetes neuronales Netzwerk (Convolutional Neural Network) oder als rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) oder als tiefes neuronales Netzwerk ausgebildet ist.
System (100) nach einem der Ansprüche 11 bis 13, wobei das Sensorsystem (20) ein oder mehreren Sensoren und Messeinrichtungen umfasst, die die Emissionen des Kraftfahrzeugs (10), das Fahrverhalten des Kraftfahrzeugs (10) wie die Geschwindigkeit, eine Beschleunigung, das Drehmoment eines Verbrennungsmotors, den Kraftstoffverbrauch, einen Lambdawert sowie Umgebungsparameter wie die Temperatur, die Straßenverhältnisse und Szenarien wie das Befahren einer Landstraße, einer Autobahn oder eine innerstädtische Verkehrssituation erfassen und messen.
Computerprogrammprodukt (900), umfassend einen ausführbaren Programmcode (950), der so konfiguriert ist, dass er bei seiner Ausführung das Verfahren nach einem der Ansprüche 1 bis 10 ausführt.