-
Die Erfindung betrifft ein System zur Verwaltung verschiedener Fahrzeugkomponenten in einer elektrischen-elektronischen Fahrzeugarchitektur eines Fahrzeugs, umfassend verschiedener Fahrzeugkomponenten und eine Fahrzeugarchitektur.
-
Moderne E/E-Architekturen (Elektrik/Elektronik) bestehen aus verschiedenen Hardware- und Softwarekomponenten, z. B. Steuergeräten, Sensoren, Aktoren, Anzeigen, Stromversorgungen usw., die untereinander über verschiedene Kommunikationstechnologien wie CAN und Ethernet kommunizieren.
-
Künstliche Intelligenz (KI) ist ein untrennbarer Bestandteil der Software, die von modernen E/E-Architekturen gehostet wird. Die Anwendung von Künstlicher Intelligenz beschränkt sich jedoch auf die Einbettung neuronaler Netze in bestimmten Bereichen, um die Leistung einer bestimmten Software zu verbessern, z. B. die Verwendung von neuronalen Netzen in der Bewegungssteuerung, um die Bewegung des Fahrzeugs autonom zu steuern oder das Sicherheitsniveau zu erhöhen, oder die Verwendung von Kl in Kameras, um die Erkennung und die extrahierten Merkmale zu verbessern.
-
Die
DE 10 2017 006434 A1 offenbart ein Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation eines Fahrzeuges, insbesondere Nutzfahrzeuges, mit mindestens den folgenden Schritten: Ermitteln von aktuell vorliegenden Fahrsituations-Informationen, wobei die Fahrsituations-Informationen die aktuelle Fahrsituation des Fahrzeuges charakterisieren, Vorgeben der Fahrsituations-Informationen an einen Neuronal-Algorithmus, wobei der Neuronal-Algorithmus nach Art eines trainierten neuronalen Netzes den aktuell vorliegenden Fahrsituations-Informationen eine Fahrsituations-Kategorie zuordnet, wobei die jeweilige Fahrsituations-Kategorie auf einer prognostizierten Fahrsituation basiert, wobei der Neuronal-Algorithmus in Abhängigkeit der aktuellen Fahrsituation die prognostizierte Fahrsituation ermittelt und die prognostizierte Fahrsituation eine sich in Zukunft aus der aktuellen Fahrsituation entwickelnde Fahrsituation des Fahrzeuges angibt; und Ausgeben eines die Fahrsituations-Kategorie charakterisierenden Ausgabewertes als Bewertungsergebnis.
-
Die
DE 10 2018 132515 A1 offenbart ein System zum Erkennen von Bildmerkmalen, wobei das System Folgendes umfasst: einen Wavelet-Transformator, der zum Empfangen von Bilddaten über mindestens einen Prozessor und zur Wavelet-Transformation der Bilddaten konfiguriert ist, wodurch zerlegte Bilddaten bereitgestellt werden, die in Frequenzteilbänder unterteilt sind, und ein künstliches neuronales Netz welches zum Empfangen und Verarbeiten von zumindest eines Teilbandes der zerlegten Bilddaten konfiguriert ist, um darauf basierende Straßenmerkmale zu erkennen, wobei das künstliche neuronale Netz zum Ausgeben der erkannten Bildmerkmale konfiguriert ist.
-
Die
DE 10 2019 124 155 A1 betrifft ein Verfahren und ein System, umfassend: Empfangen eines Befehls in gesprochener Sprache als Reaktion auf Emittieren eines Hinweises in gesprochener Sprache; Verarbeiten des Befehls in gesprochener Sprache mit einem verallgemeinerten gegnerischen neuronalen Netz (generalized adversarial neural network - GAN) zum Bestimmen eines Fahrzeugbefehls; und Betreiben eines Fahrzeugs auf Grundlage des Fahrzeugbefehls.
-
Aus
DE 10 2020 200 414 A1 ist ein Verfahren zum Rekonfigurieren eines automatisiert fahrenden Fahrzeugs in einem Fehlerfall bekannt. Aus
DE 10 2020 201 279 A1 ist ein Computerimplementiertes Verfahren zum maschinellen Lernen einer Auslastung von Rechenressourcen und/oder Speicherressourcen eines Rechensystems für automatisierte Fahrfunktionen bekannt.
-
Es ist eine Aufgabe der vorliegenden Erfindung eine verbesserte elektrische-elektronische Fahrzeugarchitektur, insbesondere hinsichtlich der Verwaltung der Fahrzeugkomponenten, anzugeben.
-
Diese Aufgabe wird gelöst durch eine elektrische-elektronische Fahrzeugarchitektur mit den Merkmalen des Anspruchs 1 sowie eine Fahrzeugarchitektur mit den Merkmalen des Anspruchs 15.
-
In den Unteransprüchen sind weitere vorteilhafte Maßnahmen aufgelistet, die geeignet miteinander kombiniert werden können, um weitere Vorteile zu erzielen.
-
Die Aufgabe wird gelöst durch ein System zur Verwaltung verschiedener Fahrzeugkomponenten in einer elektrischen-elektronischen Fahrzeugarchitektur eines Fahrzeugs, umfassend verschiedener Fahrzeugkomponenten,
wobei eine Managementsteuerungseinheit vorgesehen ist, welche mit den verschiedenen Fahrzeugkomponenten bidirektional zum Datenaustausch verbunden ist, wobei die Managementsteuerungseinheit ein trainiertes maschinelles Lernverfahren aufweist, wobei das trainierte maschinelle Lernverfahren als Master ausgebildet ist, und ferner dazu ausgebildet ist als Master die Fahrzeugkomponenten als Slaves zu verwalten.
-
Bei einer Master-Slave-Beziehung übernimmt der Master beispielsweise die Steuerfunktionen und erteilt ein oder mehreren Slaves das Recht, zu kommunizieren oder Ressourcen zu nutzen.
-
Dabei kann die elektrische-elektronische Architektur eines Fahrzeugs beispielsweise die Kraftfahrzeugelektrik und die Kraftfahrzeugelektronik, die Vernetzung, die Schnittstellen umfassen sowie die optimale Stromverteilung, Signalverteilung und Datenverteilung zwischen den vielen E/E-Komponenten etc.
-
Fahrzeugkomponenten sind E/E-Komponenten der Architektur wie beispielsweise (nicht abschließend):
- - Steuergeräte (ECUs)
- - Sensoren und Aktoren und deren Steuergeräte
- - Kabelbaum einschließlich Steckern, Strom- und Datenkabeln
- - Beleuchtungen und deren Steuergeräte
- - Anzeigen und deren Steuergeräte
- - Bussysteme zur Datenübertragung, Bandbreiten etc.
-
Die Fahrzeugkomponenten sind dabei bidirektional beispielsweise über Bussysteme/Kabelbaum, welcher zum Datenaustausch ausgebildet ist, an die Managementsteuerungseinheit zum Datenaustausch gekoppelt.
-
Durch das erfindungsgemäße System kann ein verbessertes Management der verschiedenen Fahrzeugkomponenten zueinander bewirkt werden. So kann beispielsweise das maschinelle Lernverfahren aktive Fahrzeugfunktionssoftware mit benötigten Rechenleistungen und aktuell verwendeten Rechenleistungen in Beziehung setzen und bei Bedarf als Master die Rechenleistung den Steuergeräten als Slaves neu zuweisen.
-
Somit kann durch die Master -Slave Beziehung die Sicherheit aller E/E-Fahrzeugkomponenten und damit die Sicherheit des gesamten Fahrzeugs erhöht werden.
-
Durch die Verwendung eines trainierten maschinellen Lernverfahrens beispielsweise eines neuronalen Netzes oder eines anderen trainierten maschinellen Lernverfahrens können beispielsweise die zahlreichen E/E-Fahrzeugkomponenten und die damit verbundenen großen Datenmengen und vielen Datendimensionen wie sie beispielsweise in einem autonom fahrenden Fahrzeug vorkommen überhaupt erst verwaltet werden. Ferner stellen die zahlreichen E/E- Fahrzeugkomponenten und deren Zusammenwirken, insbesondere in neueren Fahrzeugarchitekturen (Domänenansatz/ zonalen Architektur), oder der im autonomen Betrieb erhöhten Sensortechnik und einhergehenden Safty- und Securitytechnik ein komplexes Problem dar, was durch die Verwendung einer erfindungsgemäßen Managementsteuerungseinheit mit einem trainierten maschinellen Lernverfahren gelöst werden kann.
-
Ein solches maschinelles Lernverfahren kann beispielsweise anhand von simulativ erzeugten Daten oder Realdaten antrainiert werden.
-
Durch das erfindungsgemäße System ist ein ganzheitlicher Ansatz zur Verbesserung der Fahrzeugperformance, insbesondere in Bezug auf neuere Fahrzeugarchitekturen gegeben.
-
In weiterer Ausbildung ist das maschinelle Lernverfahren dazu ausgebildet, während der Fahrten jeweils ein weiteres Training zur Verbesserung des maschinellen Lernverfahrens durchzuführen, wodurch fahrzeugspezifische Eigenschaften in dem verbesserten maschinellen Lernverfahren abbildbar sind, so dass eine kontinuierliche Verbesserung des maschinellen Lernverfahrens gewährleistet ist.
-
Dadurch wird das maschinelle Lernverfahren, beispielsweise ein künstliches neuronales Netz, sowohl hinsichtlich des Fahrstils des Fahrers als auch hinsichtlich individueller Eigenschaften des Fahrzeugs trainiert. So kann beispielsweise ein höherer Stromverbrauch durch ständigen Betrieb von Klimaanlage, Lichtanlage oder andere Multimediageräte und damit auch die erhöhten Temperaturen der jeweiligen Steuergeräte bei der Verwaltung der jeweiligen Steuergeräte durch den Master, d.h. das maschinelle Lernverfahren, berücksichtigt werden. Dadurch wird die Gesamtperformance des individuellen Fahrzeugs erheblich verbessert. Das maschinelle Lernverfahren wird lokal im Fahrzeug trainiert und somit für jeden einzelnen Fahrer hinsichtlich seines Fahrstils und hinsichtlich individuellen Eigenschaften des Fahrzeugs verbessert.
-
In einer weiteren Ausbildung ist das trainierte maschinelle Lernverfahren dazu ausgebildet, die Fahrzeugkomponenten, insbesondere alle als Steuergeräte ausgebildeten Fahrzeugkomponenten hinsichtlich ihrer auszuführenden Fahrzeugfunktionssoftware als auch Rechenressourcen zu verwalten.
-
Insbesondere ist somit das maschinelle Lernverfahren dazu ausgebildet, die Rechenleistung auf verschiedene Steuergeräte zu verwalten und damit auch zu verteilen.
-
Das maschinelle Lernverfahren kann benötigte/verwendete Rechenleistung mit den aktiven als auch der benötigten sicherheitsrelevanten Fahrzeugfunktionssoftware in Beziehung setzen und bei Bedarf die Rechenleistung der Steuergeräte neu zuweisen.
-
In weiterer Ausgestaltung ist das trainierte maschinelle Lernverfahren dazu ausgebildet, die Rechenressourcen in kritischen Situationen und/oder kritischen Szenen der einzelnen Steuergeräte entsprechend der kritischen Situation und/oder kritischen Szenen anzupassen.
-
Ein beispielhaftes Szenario könnte sein, dass das System in einer Notfallsituation dem Airbag-Steuergerät mehr Rechenleistung zuweist. Ein Beispiel für Hardware mit leistungsabhängiger Leistung ist der Ultraschallsensor, bei dem der Messbereich durch Erhöhung der dem Sensor zugeführten Leistung erweitert werden kann. So kann dem Ultraschallsensor beispielsweise im dichten Stadtverkehr mehr Leistung zugeführt werden, zur besseren Objekterkennung. Ein weiteres triviales Beispiel sind die Aktoren, bei denen das erzeugte Drehmoment direkt von der dem Aktor zugeführten Leistung abhängt.
-
Dadurch kann insbesondere bei autonom fahrenden Fahrzeugen mit benötigter hoher Rechenleistung aber auch bei anderen Fahrzeugen in kritischen Situationen die Sicherheit für den Fahrer deutlich erhöht werden. So kann beispielsweise eine selbständige Steuerung an den Straßenrand bei einer den Fahrer betreffenden Notfallsituation vorgenommen werden, und gleichzeitig die hierfür benötigten Rechenoperationen an dann unnötige Steuergeräte, wie den Infotainmentsystemen zur Berechnung von Steuerbefehlen ausgegliedert werden.
-
In weiterer Ausbildung ist das trainierte maschinelle Lernverfahren dazu ausgebildet, vorhandene Rechenressourcen und Fahrzeugfunktionssoftware der Fahrzeugkomponenten, insbesondere aller als Steuergeräte ausgebildeten Fahrzeugkomponenten, auf der Grundlage der Beobachtung der Fahrzeugkomponentenauslastung anzupassen.
-
Dies bedeutet, dass das maschinelle Lernverfahren eine Neuzuweisung beispielsweise der Rechenleistung auf der Grundlage der Beobachtung der Fahrzeugkomponentenauslastung vornimmt. Dadurch können die einzelnen Steuergeräte entlastet werden und durchzuführende Rechenoperationen können schneller durchgeführt werden. Insbesondere bei autonom fahrenden Fahrzeugen kann aufgrund der hohen benötigten Rechenleistung eine solche Auslastung schnell vorkommen.
-
In einer weiteren Ausbildung ist das trainierte maschinelle Lernverfahren dazu ausgebildet, eine Kommunikationstopologie zwischen den Fahrzeugkomponenten zu verwalten und den Datenverkehr entsprechend einer Auslastung und/oder kritischen Situationen entsprechend anzupassen. Dies bedeutet, dass durch das System eine Verwaltung der Kommunikationstopologie vorgenommen wird. Das heißt, das System verwaltet nicht nur die Verteilung der auszuführenden Funktionen oder der Rechenressourcen wie Speicherkapazitäten / Rechenleistung in Bezug auf die verschiedenen Fahrzeugkomponenten, sondern auch die Kommunikationstopologien zwischen den Komponenten z. B. neben den Datenverkehr noch die Kommunikationsbandbreiten. So können in kritischen Situationen beispielsweise Daten von „unwichtigen“ Steuergeräten wie dem Multimedia-Steuergerät blockiert werden und einem Datentransfer mit sicherheitsrelevanten Daten Vorrang gegeben werden.
-
In weiterer Ausbildung kann die Managementsteuerungseinheit als eigenes Steuergerät ausgebildet sein, welches bidirektional mit den Fahrzeugkomponenten zur Datenübertragung verbunden ist.
-
In weiterer Ausbildung kann die Managementsteuerungseinheit als Hypervisor / virtuelle Maschine ausgebildet sein. Dieses wird bevorzugt auf einem Infotainment-Steuergerät ausgeführt, welches weniger aufwändige Rechenoperationen durchführen muss. Auch andere weniger beanspruchte Steuergeräte können hierfür herangezogen werden. Durch die Ausbildung als Hypervisor kann durch entsprechende Updates ein solches System auch noch nachträglich installiert werden. Hierdurch wird zudem keine entsprechende neue Hardware benötigt.
-
Auch kann die Managementsteuerungseinheit als ein abgekapselter Bereich in einem als Steuergerät ausgebildete Fahrzeugkomponente ausgebildet sein. Hierdurch wird ebenfalls keine entsprechende neue Hardware benötigt.
-
Erfindungsgemäß weist die Managementsteuerungseinheit zumindest ein erstes trainiertes maschinelles Lernverfahren und ein zweites trainiertes maschinelles Lernverfahren und ein drittes trainiertes maschinelles Lernverfahren auf, welche jeweils als Master dazu ausgebildet sind, die Fahrzeugkomponenten als Slaves zu verwalten, wobei das erste trainierte maschinelle Lernverfahren hinsichtlich der Anpassung der Rechenressourcen der Fahrzeugkomponenten, insbesondere aller als Steuergeräte ausgebildeten Fahrzeugkomponenten, auf der Grundlage der Beobachtung der Fahrzeugkomponentenauslastung ausgebildet ist und das zweite trainierte maschinelle Lernverfahren dazu ausgebildet ist, eine Kommunikationstopologie zwischen den Fahrzeugkomponenten zu verwalten und entsprechend einer Auslastung und/oder kritischen Situationen den Datenverkehr, insbesondere zwischen den Fahrzeugkomponenten, entsprechend anzupassen und das dritte trainierte maschinelle Lernverfahren dazu ausgebildet ist, die Fahrzeugkomponenten, insbesondere alle als Steuergeräte ausgebildeten Fahrzeugkomponenten, hinsichtlich ihrer auszuführenden Fahrzeugfunktionssoftware als auch Rechenressourcen zu verwalten.
-
Ferner können somit auch mehrere maschinelle Lernverfahren vorhanden sein.
-
Dadurch kann beispielsweise jedes maschinelle Lernverfahren separat trainiert und verbessert werden.
-
Ferner ist in weiterer Ausbildung die Art des jeweiligen maschinellen Lernverfahrens auf ihre jeweilige Aufgabe angepasst. So kann beispielsweise das erste maschinelle Lernverfahren als künstliches neuronales Netz ausgebildet sein oder aus dem Bereich des überwachten Lernens (Supervised Learning) stammen, das zweite maschinelle Lernverfahren aus dem Bereich des unüberwachten Lernens (Unsupervised Learning) kommen und das dritte maschinelle Lernverfahren aus dem Bereich des teilüberwachten Lernens (Semi-Supervised Learning) oder des verstärkenden Lernens (Reinforcement Learning). Somit kann das so spezialisierte Lernverfahren die ihm zugewiesene Aufgabe besser bewerkstelligen.
-
In weiterer Ausgestaltung sind die jeweiligen maschinellen Lernverfahren dazu ausgebildet, während der Fahrten jeweils ein weiteres Training durchzuführen, wodurch fahrzeugspezifische Eigenschaften in dem jeweiligen verbesserten maschinellen Lernverfahren abbildbar sind, so dass eine kontinuierliche Verbesserung des jeweiligen maschinellen Lernverfahrens gewährleistet ist.
-
In weiterer Ausbildung ist das trainierte maschinelle Lernverfahren dazu ausgebildet, eine Optimierung des gesamten Energieverbrauches aller Fahrzeugkomponenten zu bewirken. Dies kann durch optimierte Energieverteilung bewirkt werden, was gerade hinsichtlich immer energieintensiverer Fahrzeugkomponenten und vor allem mehr Fahrzeugkomponenten notwendig ist.
-
In weiterer Ausbildung sind die Fahrzeugkomponenten zumindest teilweise als Steuergeräte ausgebildet, wobei das maschinelle Lernverfahren dazu ausgebildet ist, die Steuergeräte hinsichtlich ihrer Temperatur zu verwalten, und diese bei Überlastung einzelner Steuergeräte durch Umleiten von auszuführender Fahrzeugfunktionssoftware auf weniger beanspruchte Steuergeräte mit niedrigerer Temperatur zu entlasten. Dadurch können Überlastungen und Ausfälle beispielsweise durch zu heiße Steuergeräte vermieden werden.
-
Ferner kann das maschinelle Lernverfahren dazu ausgebildet sein, eine Verbesserung der Cybersicherheit zu bewirken und eine Erkennung potenzieller Bedrohungen zu bewirken oder Missbrauchsszenarien zu erkennen und entsprechend der Masterfunktion die anderen Steuergeräte zu managen und damit die Sicherheit von Fahrer und Fahrgästen aufrechtzuerhalten. Insbesondere ist dies bei einem Beförderungsfahrzeug wie beispielsweise Bussen von Vorteil, insbesondere bei autonom fahrenden Bussen abends, wie sie bereits in größeren Städten zum Einsatz kommen. Ferner wird die Aufgabe gelöst durch eine Fahrzeugarchitektur mit einem wie oben beschriebenen System, wobei die Fahrzeugarchitektur als eine elektrische-elektronische Fahrzeugarchitektur ausgebildet ist.
-
Dabei umfasst eine elektrische-elektronische Architektur eines Fahrzeugs beispielsweise die Kraftfahrzeugelektrik und die Kraftfahrzeugelektronik, die Vernetzung, die Schnittstellen und die optimale Stromverteilung, Signalverteilung und Datenverteilung zwischen den vielen E/E-Komponenten etc. Die E/E Fahrzeugarchitektur kann dabei als herkömmliche Fahrzeugarchitektur oder domänenbasierte/zonenbasierte Fahrzeugarchitektur ausgebildet sein.
-
Weitere Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Variationen hiervon können vom Fachmann abgeleitet werden, ohne den Schutzumfang der Erfindung, wie er durch die nachfolgenden Patentansprüche definiert wird, zu verlassen.
-
Die Figuren zeigen schematisch:
- 1: ein erfindungsgemäßes System als Blockbild in einer ersten Ausgestaltung,
- 2: ein erfindungsgemäße System als Blockbild in einer zweiten Ausgestaltung,
- 3: ein weiteres Beispiel eines erfindungsgemäßen Systems.
-
1 zeigt ein erfindungsgemäßes System 1 zur Verwaltung verschiedener Fahrzeugkomponenten in einer elektrischen-elektronischen Fahrzeugarchitektur eines Fahrzeugs.
-
Dabei können die Fahrzeugkomponenten als Steuergeräte 2a (ECUs) zur Steuerung von Sensoren und Aktoren und Auswertung von Sensordaten und Aktorendaten ausgebildet sein, als ein Bordnetz 2b (Kabelbaum), Steuergeräte zur Beleuchtung, Infotainmentsteuergerät 2c zur Steuerung von Multimedia, als ein Steuergerät 2d zur Anzeigensteuerung auf Displays, und als ein Bussystem 3 zur Kommunikation der Steuergeräte untereinander, etc. Dabei können die Steuergeräte 2a,..,2d Fahrzeugfunktionssoftware ausführen, beispielsweise zur Auswertung von Sensordaten welches entsprechend dem Stand der Technik selber als maschinelles Lernverfahren, beispielsweise ein künstliches neuronales Netz ausgebildet ist, oder aber auch Aktoren steuern etc.
-
Die Steuergeräte 2a,..,2d weisen Rechenressourcen auf, wie eine Speichereinheit, und Prozessoren zur Durchführung von Rechenoperationen etc.
-
Ferner weist das System 1 eine Managementsteuerungseinheit 4 auf, welche hier als separates Steuergerät ausgebildet ist und welche mit den verschiedenen Fahrzeugkomponenten bidirektional zum Datenaustausch verbunden ist.
Ebenso weist die Managementsteuerungseinheit 4 ein trainiertes maschinelles Lernverfahren 5 auf. Dieses kann beispielsweise ein künstliches neuronales Netz sein.
-
Das trainierte maschinelle Lernverfahren 5 fungiert dabei als Master, welcher die Fahrzeugkomponenten als Slaves dominiert und verwaltet.
-
Dabei ist das maschinelle Lernverfahren 5 dazu ausgebildet, die Rechenressourcen und die Fahrzeugfunktionssoftware in kritischen Situationen und/oder kritischen Szenen der einzelnen Steuergeräte entsprechend der kritischen Situation und/oder kritischen Szenen anzupassen, zu verwalten und entsprechend der Situationen zu adaptieren. Dabei können unter Rechenressourcen die Speichermodule und oder die Prozessoren, insbesondere aber die Hardware auf den Steuergeräten 2a ,... ,2d oder die Bandbreite des Bussystems 3 verstanden werden.
-
Ein beispielhaftes Szenario könnte sein, dass das System 1 in einer erkannten Notfallsituation dem Airbag-Steuergerät mehr Rechenleistung zuweist. Dadurch kann insbesondere bei autonom fahrenden Fahrzeugen mit benötigter hohen Rechenleistung aber auch bei anderen Fahrzeugen in kritischen Situationen die Sicherheit für den Fahrer deutlich erhöht werden. Dadurch werden die Steuergeräte 2a,...,2d hinsichtlich ihrer Fahrzeugfunktionssoftware als auch Hardware vom maschinellen Lernverfahren 5 als Master verwaltet.
-
Ferner ist das trainierte maschinelle Lernverfahren 5 dazu ausgebildet, die Rechenressourcen der einzelnen Steuergeräte 2a,...,2d auf der Grundlage der Beobachtung der Steuergeräteauslastung anzupassen. Dies bedeutet, dass das maschinelle Lernverfahren 5 die Leistung der einzelnen Steuergeräte 2a ,...,2d kontrolliert, in dem sie diese mit der aktiven Fahrzeugfunktionssoftware in Beziehung setzt. Bei Bedarf kann das trainierte maschinelle Lernverfahren 5 als Master die Rechenleistung in Bezug auf die Steuergeräte 2a,..,2d neu zuweisen; d.h. neu einteilen. Insbesondere kann das maschinelle Lernverfahren 5 bei Bedarf sicherheitsrelevanten Fahrzeugfunktionssoftware bei der Ausführung Vorrang einräumen.
-
Ferner kann das trainierte maschinelle Lernverfahren 5 die Optimierung des gesamten Energieverbrauches aller Fahrzeugkomponenten wie den Steuergeräten 2a ,... ,2d, und dem Bussystem 3 bewirken.
-
Das trainierte maschinelle Lernverfahren 5 verwaltet somit beispielsweise die Stromversorgung, z. B. während einer bestimmten Fahrsituation oder eines bestimmten Szenarios, und weist ggf. einer Hardwarekomponente insbesondere einer sicherheitsrelevanten Hardwarekomponente mehr Energie zu, wenn diese benötigt wird. Ferner kann eine optimierte Energieverteilung bewirkt werden, was gerade hinsichtlich immer energieintensiverer Fahrzeugkomponenten und vor allem mehr Fahrzeugkomponenten notwendig ist.
-
Beispiele für Hardware mit leistungsabhängiger Leistung sind der Ultraschallsensor, bei dem der Messbereich durch Erhöhung der dem Sensor zugeführten Leistung erweitert werden kann, oder Aktoren, bei denen das erzeugte Drehmoment direkt von der dem Aktor zugeführten Leistung abhängt.
-
Dabei wird zunächst ein allgemein trainiertes Lernverfahren 5 im System 1 verwendet. Dies kann beispielsweise anhand simulativ erzeugter Daten oder Realdaten trainiert worden sein.
-
Das maschinelle Lernverfahren 5 wird zur eigenen Verbesserung bei jeder Fahrt trainiert und dadurch verbessert, wodurch fahrzeugspezifische Eigenschaften in dem verbesserten maschinellen Lernverfahren 5 abbildbar sind, so dass eine kontinuierliche Verbesserung des maschinellen Lernverfahrens 5 gewährleistet ist.
-
Dadurch wird das maschinelle Lernverfahren 5, beispielsweise ein künstliches neuronales Netz, sowohl hinsichtlich des Fahrstils des Fahrers als auch hinsichtlich individueller Eigenschaften des Fahrzeugs trainiert. Dabei kann der Fahrstil beispielsweise rasant/vorsichtig sein, und die Eigenschaften des Fahrers umfassen, wie beispielsweise hoher Energieverbrauch durch hohe Einstellung der Klimaanlage. Individuelle Eigenschaften des Fahrzeugs können beispielsweise Sportbereifung oder überbreite Reifen sein. Das maschinelle Lernverfahren 5 wird somit lokal im Fahrzeug trainiert und für jeden einzelnen Fahrer /jedes Fahrzeug auf der Grundlage seines Fahrstils/der Eigenschaften bestimmt.
-
Somit wird das maschinelle Lernverfahren 5 kontinuierlich on-board verbessert. Durch das erfindungsgemäße System 1 wird somit eine verbesserte Verwaltung, Kontrolle und Diagnose der verschiedenen Fahrzeugkomponenten der Architektur ermöglicht, wodurch die Sicherheit von Fahrer und Fahrzeug als auch die Gesamtperformance des Fahrzeugs erheblich verbessert wird.
-
Alternativ kann die Managementsteuerungseinheit 4 als Hypervisor ausgebildet sein oder beispielsweise als ein abgekapselter Bereich in einem Steuergerät /Steuereinheit beispielsweise als ausgewiesene Kontrollstelle ausgebildet sein. Hierfür eignet sich beispielsweise eine nicht sicherheitsrelevante Steuereinheit, wie das Infotainment/Multimediasteuergerät.
-
2 zeigt eine weitere Ausgestaltung eines erfindungsgemäßen Systems 1a einer elektrische-elektronische Fahrzeugarchitektur.
-
Das System 1a weist die elektrische-elektronische Fahrzeugarchitektur auf mit Fahrzeugkomponenten wie beispielsweise Steuergeräten 2a (ECUs) zur Steuerung von Sensoren und Aktoren und Auswertung von Sensordaten und Aktorendaten auf, ein Bordnetz 2b (Kabelbaum), Steuergeräten zur Beleuchtung, Infotainmentsteuergerät 2c zur Steuerung von Multimedia, Steuergeräten 2d zur Anzeigensteuerung auf Displays und einem Bussystem 3 zur Kommunikation der Steuergeräte untereinander, etc.
-
Ferner weist das System 1a ebenfalls eine Managementsteuerungseinheit 4 auf, welche hier als separates Steuergerät ausgebildet ist und welche mit den verschiedenen Fahrzeugkomponenten, wie Steuergeräten 2a ,... ,2d und Bussystem 3 bidirektional zum Datenaustausch verbunden ist.
-
Ferner weist die Managementsteuerungseinheit 4 ein erstes trainiertes maschinelles Lernverfahren 6, ein zweites trainiertes maschinelles Lernverfahren 7 und ein drittes trainiertes maschinelles Lernverfahren 8 auf, welche jeweils dazu ausgebildet sind als Master die Fahrzeugkomponenten als Slaves zu verwalten.
-
Dabei hat das erste trainierte maschinelle Lernverfahren 6 die Aufgabe eine Anpassung der Rechenressourcen der einzelnen Steuergeräte 2a ,... ,2d auf der Grundlage der Beobachtung der Steuergeräteauslastung zu bewirken. D.h. bei zu hoher Steuergeräteauslastung werden einzelne Fahrzeugfunktionssoftware ausgegliedert und damit die Rechenressourcen / Hardware den einzelnen Aufgaben angepasst. Dadurch können Rechenoperationen, die ansonsten auf überlasteten Steuergeräten ausgeführt werden müssten, beispielsweise schneller auf bereitstehenden, nicht so ausgelasteten Steuergeräten durchgeführt werden.
-
Ferner ist das zweite trainierte maschinelle Lernverfahren 7 dazu ausgebildet, die Kommunikationstopologien zwischen den Fahrzeugkomponenten, insbesondere das Bussystem 3, zu verwalten und entsprechend einer Auslastung und/oder kritischen Situationen den Datenverkehr anzupassen. Das zweite trainierte maschinelle Lernverfahren 7 verwaltet als Aufgabe somit auch die Kommunikationstopologien zwischen den Komponenten, beispielsweise die Kommunikationsbandbreiten und den Datenverkehr.
-
Ferner ist das dritte trainierte maschinelle Lernverfahren 8 dazu ausgebildet alle als Steuergeräte 2a ,...,2d ausgebildeten Fahrzeugkomponenten hinsichtlich ihrer Fahrzeugfunktionssoftware als auch Rechenressourcen als Aufgabe zu verwalten.
-
Dadurch ist ein besseres Management im Falle eines Notfalls möglich. Ein beispielhaftes Szenario könnte sein, dass das dritte trainierte maschinelle Lernverfahren in einer Notfallsituation dem Airbag-Steuergerät mehr Rechenleistung zuweist.
-
Dabei können alle trainierten drei maschinellen Lernverfahren 6,7,8 während der Fahrten jeweils ein weiteres Training durchführen, wodurch fahrzeugspezifische Eigenschaften in dem jeweiligen verbesserten maschinellen Lernverfahren 6,7,8 abbildbar sind, so dass eine kontinuierliche Verbesserung der maschinellen Lernverfahren 6,7,8 gewährleistet ist.
-
Dabei können alle drei trainierten maschinellen Lernverfahren 6,7,8 gleichberechtigt ausgebildet sein, oder eine Rangfolge aufweisen, welche beispielsweise im Falle von widersprüchlichen Anweisungen befolgt werden muss.
-
Ferner kann die Art des jeweiligen maschinellen Lernverfahrens 6,7,8 auf ihre jeweilige oben beschriebene Aufgabe angepasst sein. So kann beispielsweise das erste maschinelle Lernverfahren als künstliches neuronales Netz ausgebildet sein oder aus dem Bereich des überwachten Lernens (Supervised Learning) sein, das zweite maschinelle Lernverfahren aus dem Bereich des unüberwachten Lernens (Unsupervised Learning) sein und das dritte maschinelle Lernverfahren aus dem Bereich des teilüberwachten Lernens (Semi-Supervised Learning) oder des verstärkenden Lernens (Reinforcement Learning) sein. Somit kann das so spezialisierte Lernverfahren die ihm zugewiesene Aufgabe besser bewerkstelligen.
-
3 zeigt ein weiteres Beispiel eines erfindungsgemäßen Systems 1b.
-
Dieses weist die elektrische-elektronische Fahrzeugarchitektur auf, mit Fahrzeugkomponenten wie beispielsweise Steuergeräten 2a (ECUs) zur Steuerung von Sensoren und Aktoren und Auswertung von Sensordaten und Aktorendaten auf, ein Bordnetz 2b (Kabelbaum), Steuergeräten zur Beleuchtung, Infotainmentsteuergerät 2c zur Steuerung von Multimedia, Steuergeräten 2d zur Anzeigensteuerung auf Displays, einem Bussystem 3 zur Kommunikation der Steuergeräte untereinander, etc. Ferner weist das System 1 b ebenfalls eine Managementsteuerungseinheit 4 auf, welche hier als separates Steuergerät ausgebildet ist und welche mit den verschiedenen Fahrzeugkomponenten 2a ,...,2d, 3 bidirektional zum Datenaustausch verbunden ist.
-
Ferner weist das System 1b die drei maschinellen Lernverfahren 6,7,8 von 2 auf. Zudem weist das System 1b ein viertes trainiertes maschinelles Lernverfahren 9 auf, welches zur Verwaltung der Stromversorgung aller Fahrzeugkomponenten wie den Steuergeräten 2a , ... ,2d und dem Bussystem 3 , und insbesondere zur Optimierung der Energieversorgung ausgebildet ist.
-
Auch weist das System 1b ein fünftes trainiertes maschinelles Lernverfahren 10 auf, welches die Steuergeräte 2a ,...,2d hinsichtlich ihrer Temperatur verwaltet, und diese bei Überlastung einzelner Steuergeräte 2a , ... ,2d durch Um leiten von auszuführenden Fahrzeugfunktionen / Fahrzeugfunktionssoftware auf weniger beanspruchte Steuergeräte 2a ,... ,2d mit niedrigerer Temperatur entlastet.
-
Ferner können weitere maschinelle Lernverfahren vorhanden sein, welche eine Verbesserung der Cybersicherheit und eine Erkennung potenzieller Bedrohungen bewirken oder Missbrauchsszenarien erkennen und entsprechend der Masterfunktion die anderen Steuergeräte 2a ,... ,2d managen und damit die Sicherheit von Fahrer und Fahrgästen aufrechterhalten.
-
Dabei können alle maschinellen Lernverfahren 6,7,8,9,10 auf der Managementsteuerungseinheit 4 parallel angeordnet sein,
und während der Fahrt separat trainiert werden, so dass eine Verbesserung des jeweiligen maschinellen Lernverfahrens 6,7,8,9,10 bewirkt wird. Dabei können sich die jeweiligen maschinellen Lernverfahren 6,7,8,9,10 in ihrer Art, je nach zu bewältigender Aufgabe, unterscheiden.
-
Bezugszeichenliste
-
- 1, 1a, 1b
- System
- 2a,... , 2d
- Steuergeräte
- 3
- Bussystem
- 4
- Managementsteuerungseinheit
- 5
- maschinelles Lernverfahren
- 6
- erstes maschinelles Lernverfahren
- 7
- zweites maschinelles Lernverfahren
- 8
- drittes maschinelles Lernverfahren
- 9
- viertes maschinelles Lernverfahren
- 10
- fünftes maschinelles Lernverfahren
