-
Die Erfindung betrifft eine Vorrichtung und ein entsprechendes Verfahren zur Parametrierung einer Fahrzeug-Komponente.
-
Fahrzeuge weisen unterschiedliche Fahrzeug-Komponenten auf, die über mehrere Fahrzeug-Generationen hinweg in gleicher oder angepasster Form in den Fahrzeugen verbaut werden. Ein Beispiel für eine Fahrzeug-Komponente ist ein Audiowiedergabesystem, das z.B. ein Audiowiedergabegerät und mehrere unterschiedliche Lautsprecher umfasst. Das Audiowiedergabesystem kann ggf. unterschiedliche Varianten (z.B. mit unterschiedlicher Qualität) aufweisen, die in einem Fahrzeug verbaut werden können. Ferner kann das Audiowiedergabesystem in unterschiedlichen Fahrzeug-Modellen (z.B. Kleinwagen, Mittelklassewagen, Luxuswagen, SUV, Kombi, Stufenheck, etc.) verbaut werden.
-
Weitere Beispiele für eine Fahrzeug-Komponente, die in unterschiedliche Fahrzeug-Modelle verbaut wird und/oder die in Fahrzeuge aus unterschiedlichen Fahrzeug-Generationen verbaut wird, sind ein Fahrwerksteuer- und/oder regelsystem und/oder ein Antriebssystem.
-
Im Rahmen der Integration einer bestimmten Variante einer Fahrzeug-Komponente in ein Fahrzeug eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation wird typischerweise (durch menschliche Experten) ein Parameter-Datensatz erstellt, der Parameterwerte für eine Vielzahl von unterschiedlichen Parametern aufweist. Beispielhafte Parameter für ein Audiowiedergabesystem sind: Equalizereinstellungen, Filtereinstellungen, Verstärkungseinstellungen, etc. Die Fahrzeug-Komponente kann dann in dem Fahrzeug mit den Parameterwerten aus dem erstellten Parameter-Datensatz betrieben werden.
-
Die Ermittlung der Parameterwerte für einen Parameter-Datensatz zum Betrieb einer bestimmten Variante einer Fahrzeug-Komponente in einem Fahrzeug eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation ist typischerweise mit einem relativ hohen Entwicklungsaufwand verbunden.
-
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, in effizienter Weise einen qualitativ hochwertigen Parameter-Datensatz für eine Fahrzeug-Komponente zu ermitteln, insbesondere um ein gewünschtes Sollverhalten der Fahrzeug-Komponente zu erzielen.
-
Die Aufgabe wird jeweils durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
-
Gemäß einem Aspekt wird eine Vorrichtung (z.B. ein Computer oder ein Server) zur Parametrierung einer Fahrzeug-Komponente für die Nutzung in Fahrzeugen eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation beschrieben. Die Fahrzeug-Komponente kann ein Audiowiedergabesystem umfassen. Die Fahrzeug-Komponente kann eine Vielzahl von Parametern (z.B. 1000 oder mehr) aufweisen, für die jeweils ein Parameterwert festgelegt werden kann. Dabei ist der Parameterwert der Wert oder das Datum eines Parameters der Fahrzeug-Komponente. Ein Parameter kann in unterschiedlichen Fahrzeug-Modellen und/oder unterschiedlichen Fahrzeug-Generationen (d.h. in unterschiedlichen Fahrzeug-Ausprägungen) unterschiedliche Werte oder Daten annehmen. Ggf. kann ein bestimmter Parameter nur in einem Teil der unterschiedlichen Fahrzeug-Modelle und/oder unterschiedlichen Fahrzeug-Generationen vorhanden sein.
-
Die Parameterwerte für die Vielzahl von unterschiedlichen Parametern können zu einem Parameter-Datensatz zusammengefasst werden. Die Fahrzeug-Komponente kann bei der Nutzung in einem Fahrzeug mit den Parameterwerten aus dem Parameter-Datensatz betrieben werden (sodass ein Istverhalten der Fahrzeug-Komponente bewirkt wird). Dabei hängt das Istverhalten der Fahrzeug-Komponente typischerweise von der Kombination von Parameterwerten ab. Die Vorrichtung kann darauf ausgelegt sein, eine Kombination von Parameterwerten (d.h. einen Parameter-Datensatz) zu ermitteln, durch die ein bestimmtes (von einem menschlichen Experten festgelegtes) Sollverhalten der Fahrzeug-Komponente bewirkt wird.
-
Für unterschiedliche Fahrzeug-Modelle und/oder für unterschiedliche Fahrzeug-Generationen (mit unterschiedlichen Abmessungen und/oder Geometrien und/oder Materialien des Innenraums) und/oder für unterschiedliche Varianten der Fahrzeug-Komponente sind typischerweise unterschiedliche Kombinationen von Parameterwerten (d.h. unterschiedliche Parameter-Datensätze) erforderlich. Die Vorrichtung kann darauf ausgelegt sein, in effizienter Weise einen Parameter-Datensatz für das bestimmte Fahrzeug-Modell und/oder für die bestimmte Fahrzeug-Generation zu ermitteln, durch den das Sollverhalten der Fahrzeug-Komponente bewirkt wird.
-
Die Vorrichtung ist eingerichtet, eine Abweichung (z.B. eine Differenz) des durch einen Parameter-Datensatz bewirkten Istverhaltens der Fahrzeug-Komponente von dem (vorgegebenen) Sollverhalten der Fahrzeug-Komponente zu ermitteln. Das Istverhalten und das Sollverhalten können jeweils durch ein oder mehrere Messsignale (z.B. Audiosignale) beschrieben werden, die insbesondere anhand zumindest einer Messeinheit (etwa anhand eines Mikrofons) erfasst wurden.
-
Dabei können die ein oder mehreren Messsignale zur Beschreibung des Sollverhaltens in einem Tonstudio festgelegt und/oder erfasst worden sein.
-
Beispielsweise kann die Fahrzeug-Komponente zu einem bestimmten Standardbetrieb veranlasst werden (etwa zur Wiedergabe eines Referenz-Audiosignals). Es können dann ein oder mehrere Messsignale während des Standardbetriebs erfasst werden, die das Istverhalten bzw. das Sollverhalten repräsentieren. Die Abweichung des Istverhaltens von dem Sollverhalten kann in präziser Weise auf Basis der Abweichung, insbesondere auf Basis der Differenz, der ein oder mehreren Messsignale des Istverhaltens von den ein oder mehreren Messsignalen des Sollverhaltens ermittelt werden.
-
Die Vorrichtung kann eingerichtet sein, eine Beschreibung des Sollverhaltens der Fahrzeug-Komponente anhand von Attributen von ein oder mehreren Verhaltensaspekten der Fahrzeug-Komponente zu ermitteln. Beispielhafte Verhaltensaspekte bei einem Audiowiedergabesystem sind: die Bass-Wiedergabe, die Mitten-Wiedergabe, die Höhen-Wiedergabe, die räumliche Wiedergabe, etc. Für jeden einzelnen Aspekt kann jeweils ein Attribut aus einer Vielzahl von unterschiedlichen Attributen ausgewählt werden, um durch die ausgewählten Attribute für die Vielzahl von Verhaltensaspekte das Sollverhalten der Fahrzeug-Komponente formal zu beschreiben.
-
Es können Messsignale für das Sollverhalten und Beschreibungen für das Sollverhalten von unterschiedlichen (bereits parametrierten) Varianten der Fahrzeug-Komponente in ein oder mehreren unterschiedlichen (bereits existierenden) Fahrzeug-Modellen und/oder in ein oder mehreren unterschiedlichen (bereits existierenden) Fahrzeug-Generationen ermittelt werden. Basierend auf einem Vergleich der Beschreibung des Sollverhaltens der Fahrzeug-Komponente und der Beschreibungen für das Sollverhalten der unterschiedlichen Varianten der Fahrzeug-Komponente können dann in effizienter und präzise Weise Messsignale ermittelt werden, die das Sollverhalten der Fahrzeug-Komponente (z.B. in einem neuen Fahrzeug-Modell) repräsentieren.
-
Die Vorrichtung kann ferner eingerichtet sein, anhand einer maschinell-erlernten KI-Einheit und in Abhängigkeit von der ermittelten Abweichung einen angepassten Parameter-Datensatz für den Betrieb der Fahrzeug-Komponente zu ermitteln. Dabei kann die KI-Einheit derart angelernt worden sein, dass die KI-Einheit befähigt ist (ausgehend von einem Parameter-Datensatz), einen angepassten Parameter-Datensatz zu ermitteln, durch den ein Istverhalten der Fahrzeug-Komponente bewirkt wird, das eine möglichst geringe Abweichung von dem Sollverhalten aufweist und/oder das eine Abweichung von dem Sollverhalten aufweist, die geringer als die Abweichung bei Verwendung des ursprünglichen Parameter-Datensatzes ist.
-
Die Vorrichtung kann eingerichtet sein, die KI-Einheit, insbesondere iterativ, anhand einer Gaussian Process Regression anzulernen (wie z.B. in Zusammenhang mit 4 dargelegt). Alternativ oder ergänzend kann die Vorrichtung eingerichtet sein, die KI-Einheit, insbesondere iterativ, anhand einer Reinforcement Learning Methode anzulernen (wie z.B. in Zusammenhang mit 5 dargelegt).
-
Unter Verwendung einer maschinell-angelernten KI-Einheit kann in effizienter und zielgerichteter Weise ein Parameter-Datensatz für eine Fahrzeug-Komponente ermittelt werden, durch den in präziser Weise ein Sollverhalten der Fahrzeug-Komponente approximiert wird.
-
Die Vorrichtung kann eingerichtet sein, auf Basis einer Vielzahl von bekannten Parameter-Datensätzen eine maschinell-erlernte Schätz-Einheit zu ermitteln. Dabei kann die Vielzahl von bekannten Parameter-Datensätzen im Vorfeld ermittelt worden sein, z.B. für ein oder mehrere unterschiedliche Varianten der Fahrzeug-Komponente, ein oder mehrere unterschiedliche Fahrzeug-Modelle und/oder ein oder mehrere unterschiedliche Fahrzeug-Generationen. Es können somit bereits verwendete Parameter-Datensätze dazu verwendet werden, eine Schätz-Einheit anzulernen (z.B. durch Verwendung eines Generative Adversarial Networks (GAN)), um Trainings-Datensätze zum Anlernen der KI-Einheit zu ermitteln. Mit anderen Worten, es kann anhand der maschinell-erlernten Schätz-Einheit eine Vielzahl von Trainings-Datensätzen zum Anlernen der KI-Einheit ermittelt werden.
-
Für die Vielzahl von Trainings-Datensätzen kann eine entsprechende Vielzahl von Abweichungen des jeweiligen Istverhaltens von dem Sollverhalten der Fahrzeug-Komponente ermittelt werden. Die KI-Einheit kann dann in besonders präziser Weise auf Basis der Vielzahl von Trainings-Datensätzen und auf Basis der entsprechenden Vielzahl von Abweichungen angelernt werden.
-
Alternativ oder ergänzend kann die Vorrichtung eingerichtet sein, (z.B. anhand eines Sobol-Sets und/oder anhand eines latin-hypercube samplings) eine Vielzahl von Trainings-Datensätzen zu ermitteln. Für die Vielzahl von Trainings-Datensätzen kann eine entsprechende Vielzahl von Abweichungen des jeweiligen Istverhaltens von dem Sollverhalten der Fahrzeug-Komponente ermittelt werden. Die KI-Einheit kann dann in besonders präziser Weise auf Basis der Vielzahl von Trainings-Datensätzen und auf Basis der entsprechenden Vielzahl von Abweichungen angelernt werden.
-
Die Vorrichtung kann ferner eingerichtet sein, die KI-Einheit auf Basis des Parameter-Datensatzes und auf Basis der ermittelten Abweichung anzupassen (z.B. unter Verwendung einer Gaußschen Prozess Regression und/oder unter Verwendung einer Reinforcement Learning Methode). Die KI-Einheit kann z.B. ein oder mehrere neuronale Netze umfassen, die anhand des Parameter-Datensatzes und anhand der entsprechenden Abweichung angelernt werden können (z.B. unter Verwendung der Reinforcement Learning Method). Alternativ oder ergänzend kann die KI-Einheit eine Hyperfläche umfassen bzw. beschreiben, die (z.B. unter Verwendung einer Gaußschen Prozess Regression) anhand des Parameter-Datensatzes und anhand der entsprechenden Abweichung angelernt werden kann. Die Hyperfläche kann einer Funktion der Abweichung von möglichen Werten des Parameter-Datensatzes entsprechen. Die Hyperfläche kann als Basis für die Auswahl eines neuen Parameter-Datensatzes verwendet werden. Dabei kann eine Hypervolume-Improvement Methode verwendet werden, um den neuen Parameter-Datensatz zu bestimmen.
-
Die Vorrichtung kann insbesondere eingerichtet ist, wiederholt, im Rahmen einer Vielzahl von Iterativen, jeweils eine Abweichung des durch einen Parameter-Datensatz (z.B. durch den angepassten Parameter-Datensatz der vorhergehenden Iteration) der jeweiligen Iteration bewirken Istverhaltens der Fahrzeug-Komponente von dem Sollverhalten der Fahrzeug-Komponente zu ermitteln. Die KI-Einheit kann dann in besonders präziser Weise auf Basis des Parameter-Datensatzes der jeweiligen Iteration und auf Basis der jeweils ermittelten Abweichung angepasst werden. Durch ein iteratives Anlernen der KI-Einheit kann die Güte des ermittelten Parameter-Datensatzes (zur Approximation des Sollverhaltens der Fahrzeug-Komponente) weiter erhöht werden.
-
Gemäß einem weiteren Aspekt wird ein Verfahren zur Parametrierung einer Fahrzeug-Komponente für eine Nutzung in einem Fahrzeug beschrieben. Das Verfahren umfasst das Ermitteln einer Abweichung des durch einen Parameter-Datensatz bewirken Istverhaltens der Fahrzeug-Komponente von einem (vorgegebenen) Sollverhalten der Fahrzeug-Komponente. Des Weiteren umfasst das Verfahren das Ermitteln, anhand einer maschinell-erlernten KI-Einheit und in Abhängigkeit von der ermittelten Abweichung, eines angepassten Parameter-Datensatzes für den Betrieb der Fahrzeug-Komponente. Das Verfahren kann ferner umfassen, das Anpassen der KI-Einheit auf Basis des Parameter-Datensatzes und auf Basis der ermittelten Abweichung, insbesondere um die KI-Einheit zu befähigen, einen angepassten Parameter-Datensatz zu ermitteln, durch den ein Istverhalten der Fahrzeug-Komponente bewirkt wird, das eine möglichst geringe Abweichung von dem Sollverhalten aufweist.
-
Gemäß einem weiteren Aspekt wird ein (Computer-implementiertes) Verfahren zur Parametrierung einer Fahrzeug-Komponente (insbesondere eines Audiowiedergabesystems) für die Nutzung in (Kraft-) Fahrzeugen eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation beschrieben.
-
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden. Ferner sind in Klammern aufgeführte Merkmale als optionale Merkmale zu verstehen.
-
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
- 1a ein beispielhaftes Fahrzeug mit einer Fahrzeug-Komponente;
- 1b einen beispielhaften Parameter-Datensatz zur Parametrierung einer Fahrzeug-Komponente;
- 2a ein beispielhaftes neuronales Netz;
- 2b ein beispielhaftes Neuron;
- 3 eine beispielhafte Vorrichtung zur Ermittlung eines Parameter-Datensatzes und zum Anlernen einer KI-Einheit;
- 4 eine beispielhafte Hyperfläche eines Gaußschen Prozesses einer KI-Einheit;
- 5 eine beispielhafte Vorrichtung zum Anlernen einer KI-Einheit mittels Reinforcement Learning; und
- 6 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Parametrierung einer Fahrzeug-Komponente.
-
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der effizienten und präzisen Parametrierung einer Fahrzeug-Komponente. In diesem Zusammenhang zeigt 1a ein beispielhaftes Fahrzeug 100 mit einem Audiowiedergabesystem 105 als Beispiel für eine parametrierbare Fahrzeug-Komponente. Das Audiowiedergabesystem 105 umfasst ein Steuergerät 101 zur Steuerung der Audiowiedergabe, eine Benutzerschnittstelle 103 zur Interaktion mit einem Nutzer und mehrere unterschiedliche Lautsprecher 102. Es sei darauf hingewiesen, dass die in diesem Dokument beschriebenen Aspekte allgemein für eine parametrierbare Fahrzeug-Komponente 105 anwendbar sind.
-
Für den Betrieb des Audiowiedergabesystems 105 in dem Fahrzeug 100 kann im Rahmen der Entwicklung, wie beispielhaft in 1b dargestellt, ein Parameter-Datensatz 110 erstellt werden, der Parameterwerte für eine Vielzahl von unterschiedlichen Parametern 111 aufweist. Beispielhafte Parameter 111 für ein Audiowiedergabesystem 105 sind Filtereinstellungen, Gain-Einstellungen, Equalizer-Einstellungen, etc. Ein Parameter-Datensatz 110 kann z.B. als Vektor betrachtet werden, der für jeden Parameter 111 jeweils einen Vektoreintrag aufweist. Ein Parameter-Datensatz 110 kann z.B. 1000 oder mehr, oder 10000 oder mehr Vektoreinträge bzw. Parameter 111 aufweisen.
-
Die Parameterwerte für die Parameter 111 des Parameter-Datensatzes 110 können durch menschliche Experten verändert werden, und die (perzeptuelle) Güte und/oder das Istverhalten des Betriebs des Audiowiedergabesystems 105 kann in Tests begutachtet werden. Dabei kann das Audiowiedergabesystem 105 eingerichtet sein, ein Audiosignal in dem Fahrzeug 100 wiederzugeben. Ferner kann das Audiowiedergabesystem 105 ausgebildet sein, ein (wiederzugebendes) Audiosignal zu erzeugen und/oder zu synthetisieren. Die Parameterwerte für die Parameter 111 des Parameter-Datensatzes 110 können sich zumindest teilweise auf die Erzeugung und/oder zumindest teilweise auf die Wiedergabe eines Audiosignals beziehen.
-
Im Rahmen der Entwicklung kann so eine Vielzahl von unterschiedlichen Parameter-Datensätzen (mit jeweils unterschiedlichen Kombinationen von Parameterwerten) ermittelt werden. Ferner kann für jeden Parameter-Datensatz jeweils Klanginformation in Bezug auf den Klang des Audiowiedergabesystems 105 mit dem jeweiligen Parameter-Datensatz ermittelt werden. Die Klanginformation für einen Parameter-Datensatz 110 kann als Label für den Parameter-Datensatz 110 betrachtet werden.
-
Für das Audiowiedergabesystem 100 in einem bestimmten Fahrzeug 100 kann ein bestimmtes Sollverhalten (insbesondere ein bestimmter Sollklang) festgelegt werden. Das Sollverhalten des Audiowiedergabesystems 100 kann durch eine (semiformale) Beschreibung festgelegt sein. Dabei kann die Beschreibung für den Klang des Audiowiedergabesystems 100 für eine Vielzahl von unterschiedlichen Klang- und/oder Nutzungsaspekten jeweils mehrere unterschiedliche Ausprägungen aufweisen. Beispielhafte Klangaspekte und mögliche Ausprägungen sind,
- • Der Bass ist druckvoll und präzise;
- • Die unteren Mitten klingen warm und natürlich;
- • Die oberen Mitten klingen klar und präsent;
- • Die Höhen klingen strahlend und seidig;
- • Das System klingt ausgewogen und ermüdungsfrei;
- • Bei leisen Abhörlautstärken klingt das System ausgeglichen;
- • Bei mittleren Abhörlautstärken klingt das System feindynamisch und mitreißend;
- • Bei hohen Abhörlautstärken klingt das System kraftvoll und souverän;
- • Die Bühne des Wiedergabesystems ist definiert;
- • Die Centerabbildung ist mittig und eingebunden;
- • Die Basswiedergabe ist schwach, kräftig, trocken, etc.;
- • Die Mittenwiedergabe ist schwach, kräftig, etc.;
- • Die Höhenwiedergabe ist schwach, kräftig, etc.;
- • Die Grundton-Wiedergabe ist betont, verwaschen, etc.; und/oder
- • Die Raumabbildung ist zweidimensional, dreidimensional, etc.
-
Alternativ oder ergänzend kann das Sollverhalten des Audiowiedergabesystems 100 durch ein gemessenes Audiosignal an einer bestimmten Messposition (z.B. an der Fahrerposition des Fahrzeugs 100) beschrieben und/oder repräsentiert werden (das bei Wiedergabe eines bestimmten Referenzsignals von dem Audiowiedergabesystem 105 erzeugt wird).
-
Das Ziel- und/oder Sollverhalten kann somit als Abbildung einer semiformalen Soll-Verhaltensnotation beschrieben und/oder in einem Tonstudio festgelegt werden. Die Festlegung in einem Tonstudio ist eine weitere Methode neben der Extrapolation vom bestehenden Sollverhalten und von Bestandsfahrzeugen sowie der Differenz zum neuen Sollverhalten.
-
Eine Fahrzeug-Komponente 105 kann ggf. unterschiedliche Varianten aufweisen (z.B. für unterschiedliche Komfort- und/oder Qualitätslevel). Ferner kann die Fahrzeug-Komponente 105 in unterschiedliche Fahrzeug-Modelle bzw. FahrzeugKlassen verbaut werden. Des Weiteren kann die Fahrzeug-Komponente 105 (ggf. in jeweils abgewandelter Form) in unterschiedlichen Fahrzeug-Generationen verbaut werden. Als Folge daraus kann eine relativ hohe Anzahl von unterschiedlichen (bekannten) Parameter-Datensätzen 110 (jeweils mit Güteinformation und/oder mit Klanginformation) bereitgestellt werden. Diese (bekannten) Parameter-Datensätze 110 können als Basis genutzt werden, um in besonders effizienter, zielgerichteter und/oder qualitativ hochwertiger Weise einen neuen Parameter-Datensatzes 110 für eine neue Komponenten-Variante, für ein neues Fahrzeug-Modell und/oder für eine neue Fahrzeug-Generation zu ermitteln. In diesem Zusammenhang kann künstliche Intelligenz, etwa in Form von maschinell-angelernten neuronalen Netzen, verwendet werden.
-
2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211. Allgemein kann das Netz 200 ausgebildet sein, Eingangsdaten mit ein oder mehreren Eingangswerten 201 (z.B. die einzelnen Parameterwerte eines Parameter-Datensatzes 110) aufzunehmen.
-
Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln. Allgemein kann das Netz 200 ausgebildet sein, Ausgangsdaten mit ein oder mehreren Ausgangswerten 203 bereitzustellen.
-
2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden.
-
Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion approximiert und/oder ein bestimmtes Verhalten modelliert.
-
Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer q-ten Epoche eines Lernalgorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 einer bestimmten Trainingsmenge von Daten-Stichproben (z.B. einer bestimmten Menge von Parameter-Datensätzen 110) entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Fehlerwert einer Optimierungs- bzw. Fehlerfunktion ermittelt werden. Insbesondere können die Abweichungen zwischen den von dem Netz 200 berechneten Ausgangswerten 203 und dem Soll-Ausgangswerten aus den Daten-Stichproben als Fehlerwerte berechnet werden.
-
In einer zweiten Phase der q-ten Epoche des Lernalgorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes 200, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lernalgorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.
-
In dem vorliegenden Fall kann die Vielzahl von unterschiedlichen Parameter-Datensätzen 110 (zusammen mit der jeweiligen Güteinformation als Soll-Ausgangswerte 203) verwendet werden, um ein oder mehrere neuronale Netze 200 anzulernen, die in einer Schätz-Einheit verwendet werden können, um die Parametrierung einer Fahrzeug-Komponente 105 zu unterstützen.
-
Wie weiter oben dargelegt, kann für eine Fahrzeug-Komponente 105 ein Sollverhalten festgelegt werden. Das Sollverhalten 302 der Fahrzeug-Komponente 105 kann, wie beispielhaft in 3 dargestellt, mit dem Istverhalten 301 der Fahrzeug-Komponente 105 verglichen werden, das sich ergibt, wenn die Fahrzeug-Komponente 105 mit einem bestimmten Parameter-Datensatz 311 betrieben werden. Das Istverhalten 301 kann z.B. durch eine Messeinheit 305 (etwa durch ein oder mehrere Mikrofone) erfasst werden. Auf Basis des Vergleichs zwischen Istverhalten 301 und Sollverhalten 302 kann eine Abweichung 303 (z.B. als Differenz von Istverhalten 301 zu Sollverhalten 302) ermittelt werden. Die Abweichung 303 kann dazu verwendet werden, in einer KI-Einheit 310 einen geänderten Parameter-Datensatz 311 zu ermitteln, durch den die Abweichung 303 reduziert wird. Alternativ oder ergänzend kann die Abweichung 303 dazu verwendet werden, die KI-Einheit 310 anzupassen (insbesondere anzulernen), um die Güte der von der KI-Einheit 310 bereitgestellten Parameter-Datensätze 311 zu erhöhen.
-
3 zeigt somit eine Vorrichtung 300, die es ermöglicht, (in iterativer Weise) anhand einer KI-Einheit 310 einen Parameter-Datensatz 311 zu ermitteln, durch den (zumindest annähernd) ein bestimmtes Sollverhalten 302 der Fahrzeug-Komponente 105 bewirkt wird. Dabei kann in iterativer Weise die KI-Einheit 310 angelernt werden.
-
Die KI-Einheit 310 kann ausgebildet sein, den Zusammenhang zwischen der Abweichung 303 und dem zugrundeliegenden Parameter-Datensatz 311 durch einen Gaußschen Prozess zu modellieren. Dabei kann das im Rahmen einer Iteration ermittelte Wertepaar aus Parameter-Datensatz 311 und Abweichung 303 als Beobachtung des Gaußschen Prozesses betrachtet werden. Mit jeder Iteration steigt die Anzahl von verfügbaren Beobachtungen und somit die Genauigkeit des modellierten Zusammenhangs zwischen der Abweichung 303 und dem jeweils zugrundeliegenden Parameter-Datensatz 311.
-
Wie beispielhaft in 4 dargestellt, kann der modellierte Zusammenhang durch eine Hyperfläche 400 beschrieben werden. Dabei wurde in 4 zur vereinfachten Darstellung ein eindimensionaler Werteraum 411 für die möglichen Parameter-Datensätze 311 und ein eindimensionaler Werteraum 403 für die möglichen Abweichungen 303 verwendet. Die einzelnen Beobachtungen 402 stellen dann Punkte in einem zweidimensionalen Raum dar. Anhand des modellierten Zusammenhangs 400 kann in gezielter Weise ein optimaler Datensatz 311 ermittelt werden (z.B. unter Verwendung einer Gradient-Descent-Methode oder bevorzugt unter Verwendung einer „Expected Hypervolume-Improvement“ Methode), durch den das Sollverhalten 302 der Fahrzeug-Komponente 105 bewirkt wird. Dabei können geeignete Methoden verwendet werden, um zu vermeiden, dass anhand des modellierten Zusammenhangs 400 ein lokales Minimum der Abweichung 303 ermittelt wird. Insbesondere kann eine „Expected Hypervolume-Improvement“ Methode auf Basis eines Pareto-Sets für mehrdimensionale Optimierung verwendet werden. So können lokale Minimal zuverlässig vermieden werden.
-
Alternativ oder ergänzend kann die KI-Einheit 310 anhand einer Reinforcement Learning Methode angelernt werden, wie beispielhaft in 5 dargelegt. Die KI-Einheit 310 kann z.B. durch ein neuronales Netz 200 approximiert werden. Das durch einen bestimmten Parameter-Datensatz 311 bewirkte Istverhalten 301 kann als (messbarer) Zustand der Fahrzeug-Komponente 105 betrachtet werden. Alternativ oder ergänzend kann die Abweichung 303 des Istverhaltens 301 von dem Sollverhalten 302 als (messbarer) Zustand der Fahrzeug-Komponente 105 betrachtet werden. Die KI-Einheit 310 kann im Rahmen von Actor-Critic Reinforcement Learning als „Actor“ bezeichnet werden. Die KI-Einheit 310 kann dazu genutzt werden, auf Basis des aktuellen Zustands 301, 303 der Fahrzeug-Komponente 105 eine Aktion 504 zu ermitteln, wobei die Aktion 504 z.B. die Änderung 504 des bisherigen Parameter-Datensatzes 311 ist. Die Änderung 504 des bisherigen Parameter-Datensatzes 311 kann z.B. Deltawerte für die einzelnen Parameter 111 des Parameter-Datensatzes 311 anzeigen. Auf Basis der Änderung 504 kann somit ein angepasster Parameter-Datensatz 311 ermittelt werden.
-
Die Änderung 504 des bisherigen Parameter-Datensatzes 311 bzw. der aktualisierte Parameter-Datensatz 311 können dazu verwendet werden, die Fahrzeug-Komponente 105 zu betreiben, was zu einem aktualisierten Zustand 301, 303 der Fahrzeug-Komponente 105 führt.
-
Auf Basis des aktuellen Zustands 301, 303 der Fahrzeug-Komponente 105 und auf Basis des aktuellen Wertes der Aktion 504 kann der Wert einer Wertefunktion ermittelt werden. Die Wertefunktion kann dabei der diskontierten Summe von Belohnungen entsprechen (die sich z.B. aus einer Belohnungsfunktion ergeben). Bei jeder Iteration kann eine Belohnung dafür vergeben werden, dass das Istverhalten 301 der Fahrzeug-Komponenten 105 möglichst gut dem Sollverhalten 302 entspricht. Die Belohnung und/oder die Belohnungsfunktion können von einem Vergleich zwischen dem Istverhalten 301 und dem Sollverhalten 302 abhängen. Der Wert 502 der Belohnung kann ansteigen, wenn die Abweichung 303 zwischen Istverhalten 301 und Sollverhalten 302 sinkt. Der aktuelle Wert 502 der Belohnung in einer bestimmten Iteration kann durch die Einheit 507 berechnet werden.
-
Die KI-Einheit 310 kann derart angelernt werden, dass die Summe der über die Iterationen diskontierten Belohnungen vergrößert, insbesondere maximiert, wird. Da aufgrund der unbekannten Fahrzeug-Komponente 105 nicht bekannt ist, wie sich Aktionen 504 auf den Zustand 301, 303 der Fahrzeug-Komponente 104 (insbesondere auf die Abweichung 303 des Istverhaltens 301 zum Sollverhalten 302) auswirken, kann als „Critic“ eine Zustands-Aktions-Wertefunktion 508 angelernt werden, die für jede Kombination aus einem Zustand 301, 303 der einzustellenden Fahrzeug-Komponente 105 und einer Aktion 504 einen Wert 510 der Summe der über die Iterationen diskontierten Belohnungen anzeigt. Die Zustands-Aktions-Wertefunktion 508 kann durch ein neuronales Netz 200 approximiert und/oder modelliert werden.
-
Die Wertefunktion 508 kann iterativ angelernt werden. Zu diesem Zweck kann auf Basis des Wertes 510 der Zustands-Aktions-Wertefunktion 508 und auf Basis der jeweiligen Belohnung 502 in einer bestimmten Iteration ein sogenannter Temporal-Differenz (TD) Fehler 511 errechnet werden (innerhalb der Einheit 509). Der TD-Fehler 511 kann dazu verwendet werden, iterativ die Zustands-Aktions-Wertefunktion 508 und ggf. die KI-Einheit 310 anzulernen. Insbesondere kann der TD-Fehler 511 als Fehlerfunktion dazu verwendet werden, in einer Iteration die Zustands-Aktions-Wertefunktion 508 anzupassen. Dabei kann zum Anlernen der o.g. Backpropagation Algorithmus verwendet werden. Die angepasste Zustands-Aktions-Wertefunktion 508, insbesondere der Gradient der Zustands-Aktions-Wertefunktion 508, kann dann dazu verwendet werden, die KI-Einheit 310 anzupassen (anhand des o.g. Backpropagation Algorithmus).
-
Die Vorrichtung 300 kann eingerichtet sein, die KI-Einheit 310 und/oder die Zustands-Aktions-Wertefunktion 508 iterativ über eine Vielzahl von Iterationen anzupassen, bis ein Konvergenzkriterium erreicht ist. So kann in effizienter und präziser Weise eine KI-Einheit 310 zur Ermittlung eines Parameter-Datensatzes 310 ermittelt werden.
-
Von ein oder mehreren Vorgängerbaureihen und/oder Vorgängerserien von Fahrzeugen 100 können das Sollverhalten 302 einer Fahrzeug-Komponente 105 und der dazu passende Parameter-Datensatz 310 bekannt sein. Das Sollverhalten 302 kann gemessen und/oder beobachtet werden. Hierzu können ein oder mehrere charakteristische Messwerte gewählt werden. Im Rahmen eines Test-Szenarios und/oder im Rahmen eines exemplarischen Ausführungsfalls der Fahrzeug-Komponente 105, können ein oder mehrere Mess- oder Beobachtungsgrößen des Verhaltens der Fahrzeug-Komponente 105 (als Sollverhalten 302 der Fahrzeug-Komponente 105) erfasst werden. Bei einem Soundsystem eines Fahrzeugs 100 ist ein beispielhaftes Szenario das Motorgeräusch bei einem definierten Fahrverhalten des Fahrzeugs 100. Bei einem Fahrdynamiksystem eines Fahrzeugs 100 ist ein Szenario ein charakteristischer Fahrmanöverkatalog.
-
Das Szenario und/oder das Fahrzeugsystem 105 können materiell/physisch, virtuell und/oder hybrid bereitgestellt und/oder analysiert werden. Ein physisches Fahrzeugsystem 105 ist z.B. ein physisch realisiertes System des Fahrzeuges 100 aus der Serien- oder Serienvorentwicklung oder von einem Prototyp. Ein virtuelles Fahrzeugsystem 105 ist z.B. ein digitaler Zwilling oder ein numerisches Modell des Systems, d.h. ein Modell, welches das Verhalten des Systems 105 computergestützt nachbildet. Ein hybrides Fahrzeugsystem 105 ist z.B. ein System, welches teilweise als digitaler Zwilling, und teilweise als reales System vorhanden ist.
-
Für ein neues Fahrzeugsystem 100 liegt typischerweise kein Parameter-Datensatz 310 vor (durch den das Sollverhalten 302 bewirkt wird). Andererseits kann eine Beschreibung des Sollverhaltens 302, etwa in formaler oder semiformaler Form, vorliegen.
-
Das beschriebene und/oder gemessene Sollverhalten 302 von ein oder mehreren Fahrzeugsystemen 105 (d.h. von ein oder mehreren Fahrzeug-Komponenten) von ein oder mehreren Bestandsfahrzeugen 100 kann als Referenz für die Bedatung eines neuen Fahrzeugsystems 105 (in einem neuen Fahrzeug-Modell) verwendet werden.
-
Ggf. kann für das neue Fahrzeugsystem 105 ein Sollverhalten 302 vorgesehen sein, das von dem Sollverhalten 302 der ein oder mehreren Bestands-Systeme 105 abweicht. Diese Abweichung kann durch eine unterschiedliche Beschreibung der Sollverhalten 302 der Systeme 105 erkannt werden. Die Abweichung der Beschreibungen kann in eine entsprechende Anpassung der Messsignale (zur Repräsentation des Sollverhaltens 302) überführt werden. Insbesondere können die das Sollverhalten 302 beschreibenden und/oder repräsentierenden Messsignale angepasst werden (in Abhängigkeit von den Unterschieden in der formalen oder semiformalen Beschreibung), um (auf Basis der Messsignale für die ein oder mehreren Bestands-Systeme 105) die Messsignale zu ermitteln, die das Sollverhalten 302 des neuen Systems 105 beschreiben und/oder repräsentieren. Basierend auf der Differenz der (Beschreibungen der) Sollverhalten 302 von Bestands- und Zielfahrzeug 100 können die Messsignale des Sollverhaltens 302 des Bestandsfahrzeuges so manipuliert werden, dass eine neues Sollverhalten 302 für das Zielfahrzeug 100 erzeugt wird. Dieses Sollverhalten 302 kann als Referenz des Zielfahrzeugs 100 verwendet werden, um das neue Fahrzeugsystem 105 zu bedaten. Alternativ kann das Sollverhalten 302 in einem Tonstudio festgelegt werden.
-
Für die Bedatung des neuen Fahrzeugsystems 105 können mehrere unterschiedliche Datensätze 311 ermittelt werden. Dabei kann ein neuer Datensatz 311 z.B. anhand von bereits existierenden Datensätzen 311 für ein oder mehrere Bestands-Systeme 105 ermittelt werden. Dabei kann auf Basis der bereits existierenden Datensätze 311 eine Schätz-Einheit angelernt werden (z.B. unter Verwendung eines Generative Adversarial Networks (GAN)), die ausgebildet ist, einen neuen Datensatz 311 zu generieren. Alternativ oder ergänzend können mögliche Datensätze 311 mittels einem Sobol-Sets und/oder anhand eines latin-hypercube samplings gebildet werden (um eine relativ gleichmäßige Abtastung des Datenraums von möglichen Datensätzen bereitzustellen).
-
Für die unterschiedlichen Datensätze 311 kann jeweils das Istverhalten 301 des Fahrzeugsystems 100 gemessen oder beobachtet werden (anhand einer Messeinheit 305). Ferner kann jeweils die Abweichung 303 zu dem Sollverhalten 302 (als Fehler) ermittelt werden.
-
Die KI-Einheit 310 kann auf Basis der unterschiedlichen Datensätze 311 und auf Basis der gemessenen Abweichungen 303 angelernt werden. Ferner kann auf Basis der angelernten KI-Einheit 310 ein neuer möglicher Datensatz 311 ermittelt und überprüft werden. Die dabei ermittelte Abweichung 303 kann zum weiteren Anlernen der KI-Einheit 310 verwendet werden. So kann iterativ ein optimierter Datensatz 311 ermittelt werden (der die Abweichung 303 zum Sollverhalten 302 reduziert, insbesondere minimiert).
-
Durch die in diesem Dokument beschriebene Automatisierung kann die menschliche Subjektivität bei der Ermittlung eines Parameter-Datensatzes 311 für eine Fahrzeug-Komponente 105 beseitigt werden. Es kann somit eine reproduzierbare Bedatung bewirkt werden. Ferner können durch die Virtualisierung Entwicklungskosten reduziert werden.
-
6 zeigt ein Ablaufdiagramm eines beispielhaften (Computer-implementierten) Verfahrens 600 zur Parametrierung einer Fahrzeug-Komponente 105 für die Nutzung in Fahrzeugen 100 eines bestimmten Fahrzeug-Modells und/oder einer bestimmten Fahrzeug-Generation. Das Verfahren 600 kann von einer Vorrichtung 300, z.B. von einem Server oder einem Computer, ausgeführt werden.
-
Das Verfahren 600 umfasst das Ermitteln 601 einer Abweichung 303 des durch einen (bestimmten) Parameter-Datensatz 311 bewirken Istverhaltens 301 der Fahrzeug-Komponente 105 von einem Sollverhalten 302 der Fahrzeug-Komponente 105. Das Istverhalten 301 kann z.B. durch ein oder mehrere Messsignale (z.B. Audiosignale) repräsentiert werden, die durch zumindest eine Messeinheit 305 erfasst wurden. Das Sollverhalten 302 kann durch ein oder mehrere entsprechende Messsignale repräsentiert werden. Die Abweichung 303 kann von der Abweichung, insbesondere von der Differenz, der entsprechenden Messsignale abhängen.
-
Das Verfahren 600 umfasst ferner das Ermitteln 602, anhand einer maschinell-erlernten KI-Einheit 310 und in Abhängigkeit von der ermittelten Abweichung 303, eines angepassten Parameter-Datensatzes 311 für den Betrieb der Fahrzeug-Komponente 105. Dabei kann die KI-Einheit 310 ausgebildet sein, die Abweichung 303 als Eingangsgröße aufzunehmen, und basierend darauf den bisherigen Parameter-Datensatz 311 anzupassen (insbesondere um einen angepassten Parameter-Datensatz 311 zu ermitteln, durch den ein Istverhalten 301 der Fahrzeug-Komponente 105 bewirkt wird, das eine möglichst geringe und/oder eine gegenüber der bisherigen Abweichung 303 reduzierte Abweichung 303 von dem Sollverhalten 302 aufweist).
-
Des Weiteren umfasst das Verfahren 600 das Anpassen 603 der KI-Einheit 310 auf Basis des Parameter-Datensatzes 311 und auf Basis der ermittelten Abweichung 303, um die Güte der anhand der KI-Einheit 310 ermittelten Parameter-Datensätze 311 (iterativ) zu erhöhen.
-
Durch die in diesem Dokument beschriebenen Maßnahmen kann eine besonders effiziente und präzise Parametrierung einer Fahrzeug-Komponente 105 bewirkt werden.
-
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur beispielhaft das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.
