WO2021104904A1 - Modulpriorisierungsverfahren, modulpriorisierungsmodul, kraftfahrzeug - Google Patents
Modulpriorisierungsverfahren, modulpriorisierungsmodul, kraftfahrzeug Download PDFInfo
- Publication number
- WO2021104904A1 WO2021104904A1 PCT/EP2020/082163 EP2020082163W WO2021104904A1 WO 2021104904 A1 WO2021104904 A1 WO 2021104904A1 EP 2020082163 W EP2020082163 W EP 2020082163W WO 2021104904 A1 WO2021104904 A1 WO 2021104904A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- module
- reliability
- prioritization
- modules
- prioritization method
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/023—Avoiding failures by using redundant parts
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0006—Digital architecture hierarchy
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2637—Vehicle, car, auto, wheelchair
Definitions
- Module prioritization procedure module prioritization module, motor vehicle
- the invention relates to a module prioritization method, a module prioritization module, and a motor vehicle.
- safety systems for example braking systems in a motor vehicle
- safety systems can be redundant so that if one system fails, another is available which fulfills the same tasks.
- one of the redundant systems will function more reliably than the other.
- Such a reliability can depend, for example, on external circumstances, environmental influences and the like. It can therefore be advantageous to activate a first of the redundant systems in certain first environmental influences, while a second remains deactivated and is only available in an emergency or if the first system fails, with other environmental influences it being desirable for the second system to be activated while the first remains deactivated and is only available in the event of an emergency or failure of the second system.
- the decision as to which system should be activated and which should be deactivated can be made by an artificial intelligence.
- US Pat. No. 9,852,475 B1 discloses a method which estimates an accident risk based on reliability. However, a redundant set of modules is not checked here. In addition, the reliability is also not determined based on a learning algorithm.
- a vehicle is known from US Pat. No. 7,386,372 B2 which recognizes by means of object recognition whether a passenger is on a vehicle seat.
- the reliability of a module is not determined here.
- the object of the present invention is to provide a module prioritization method, a module prioritization module, and a motor vehicle which at least partially overcomes the above-mentioned disadvantages.
- module prioritization method according to the invention according to claim 1 by the module prioritization module according to the invention according to claim 12 and by the motor vehicle according to the invention according to claim 14.
- an inventive module prioritization method for a redundant set of modules of a hardware system comprises: determining a reliability of at least one module of the redundant set of modules, the reliability being determined based on a learning algorithm for prioritizing an activation of a module of the redundant set of modules.
- a module prioritization module according to the invention is set up to carry out a module prioritization method according to the first aspect.
- a motor vehicle according to the invention has a module prioritization module according to the second aspect.
- redundant modules for example as a safety measure, can be provided, for example in the context of autonomous driving.
- a decision can be made as to which of the redundant modules should be prioritized (or which should be trusted).
- a redundancy resolution can be carried out for data-driven (intelligent) modules by means of a reliability assessment.
- an indicator for a reliability is determined (for example with a Monte Carlo dropout), but this has the disadvantage that such methods require a great deal of computing effort and are therefore typically time-consuming. Therefore, such methods typically cannot be carried out in real time (e.g. during an autonomous journey).
- some exemplary embodiments relate to a module prioritization method for a redundant set of modules of a hardware system, comprising: determining a reliability of at least one module of the redundant set of modules, the reliability being determined based on a learning algorithm for prioritizing activation of a module of the redundant set of modules.
- the hardware system can comprise any hardware system which is set up to generate and / or evaluate data.
- the hardware system can comprise several modules, for example a sensor, a control unit, an on-board computer, a CPU (Central Processing Unit), a GPU (Graphic Processing Unit), a braking system, a safety system, and the like.
- a hardware system according to the invention typically comprises at least two modules which form a set according to the invention, wherein the two modules can replace one another.
- two brake systems can be present in a motor vehicle, so that one brake system is active or activated in the event of failure of the other brake system, whereby driving safety can advantageously be ensured.
- Such redundancy can typically be provided in safety modules (for example a motor vehicle), but the present invention is not limited to safety modules.
- a redundant set of distance sensors for example lidar, radar), cameras (for example stereo cameras) and the like can also be provided in order to enable (partially) autonomous driving of a motor vehicle.
- comfort modules for example infotainment modules, heating and air conditioning control modules
- vehicle interior monitoring modules can also be redundant.
- the present invention can always be used when there is or can be a redundant set of modules, in particular also in a technical environment that does not concern motor vehicles, such as medical technology, medical robotics, aviation, shipping, rail transport, space travel, and the like.
- a module prioritization method can include determining a reliability of at least one module of the redundant set of modules.
- the reliability can be an indicator for an accuracy or for a reliability of the at least one module.
- the at least one module depending on environmental influences (for example temperature, time of day, air pressure, and the like) produces a different data output than would be the case with a reference measurement.
- a measured value for example an oil pressure
- a measured value can only be imprecise (ie an amount of a difference between an oil pressure measured by the at least one module and an actual oil pressure is above a threshold value or outside a tolerance range), while the measured value is at other values
- Environmental influences is reliable (ie an amount of a difference between an oil pressure measured by the at least one module and an actual oil pressure is below a threshold value or within a tolerance range).
- the reliability can be determined for at least one module of the redundant set of modules. However, the reliability can also be determined for more than one to all modules of the redundant set of modules.
- the reliability is determined based on a learning algorithm.
- the learning algorithm is implemented by means of an artificial intelligence, which can be provided on the at least one module, on another module of the redundant set of modules, or on a module prioritization module specially provided for this purpose.
- the module prioritization module can have an artificial intelligence which determines a reliability of a perception module which, for example, carries out object recognition based on sensor data and the like.
- an artificial intelligence can also be implemented in the perception module, the reliability of which can be determined, for example, with a Monte Carlo droput (see below).
- the learning algorithm can be applied by an artificial intelligence (Kl) which, for example, uses methods based on machine learning, deep learning, explicit feature, and the like, such as pattern recognition, edge detection, a histogram-based method, pattern matching (Pattern Matching, Color Match, and the like.
- Kl artificial intelligence
- the learning algorithm comprises machine learning.
- the learning algorithm can be based on at least one of a scale invariant feature transform (SIFT), a gray level co-occurrence matrix (GLCM), and the like.
- SIFT scale invariant feature transform
- GLCM gray level co-occurrence matrix
- the machine learning can also be based on a classification method, such as at least one of random forest, support vector machine, neural network, Bayesian network, and the like, such deep learning methods, for example at least one of autoencoder, generative adversarial network, weak supervised learning, boot strapping, and the like.
- a classification method such as at least one of random forest, support vector machine, neural network, Bayesian network, and the like, such deep learning methods, for example at least one of autoencoder, generative adversarial network, weak supervised learning, boot strapping, and the like.
- machine learning can also be based on data clustering methods, such as, for example, density-based spatial clustering of applications with noise (DBSCAN), and the like.
- DBSCAN density-based spatial clustering of applications with noise
- the supervised learning can also be based on a regression algorithm, a perceptron, a Bayesian classification, a naive Bayesian classification, a closest-neighbor classification, an artificial neural network, and the like.
- the reliability can be determined in a training session, so that computing power can advantageously be saved when the module prioritization method according to the invention is used.
- the certain reliability can be stored, for example, in a data memory, determined by the artificial intelligence, with advantageously no further training being necessary, or with an existing training being able to be continued, whereby the determination of the reliability can advantageously be improved.
- the specific reliability can then be determined, that is to say, for example, can be retrieved from the data memory, from the artificial intelligence, and the like, so that, based on the reliability for the at least one module, a decision can be made about whether the module is activated or remains activated), or whether another module of the redundant set of modules is activated (or remains activated), wherein a reliability can also be determined for the other module.
- the present invention is not limited to such a case. For example, it can be predefined that a first module should in no case be activated when the reliability is below a predefined threshold value, so that a second module is automatically activated (or remains).
- prioritization is to be understood as meaning that activation of a first module can be preferred to activation of a second module.
- the reliability can be determined again (for example in the event of a change in environmental influences), so that activation of the second module can then be preferred to activation of the first module.
- the learning algorithm is based on a Monte Carlo dropout.
- a Monte Carlo dropout can be used for an artificial neural network during training.
- impressions are presented to the neural network at each iteration.
- an impression can be understood as a measured value or an output date (or output data) of a sensor, an output of a control device, and the like.
- some neurons of the neural network are switched off pseudo-randomly with each iteration.
- the neural network can, for example, determine a measured value of a sensor in each iteration based on the output data.
- the determined value can be different for each iteration.
- a mean value over all measured values can be formed, a mean deviation of the mean value (for example Gaussian error, standard deviation, half-width, and the like) being a measure of the reliability.
- a reliability label can be generated which, for example, can be used by a further artificial intelligence as an input to determine the reliability in a more efficient way than with a Monte Carlo dropout.
- a Monte Carlo dropout does not have to be carried out every time, but rather only the generated reliability labels are taken into account, whereby computing power can advantageously be saved.
- the Monte Carlo dropout can be carried out with a high intensity (in a statistically relevant number of repetitions), since a high latency can be accepted in a training session.
- This also advantageously results in a high sampling rate with which the Monte Carlo dropout can be carried out than when it is started up by a user (for example in road traffic).
- the redundant set of modules includes at least one of the controller, sensor, processor, and security system as described herein.
- the module prioritization method further comprises: selecting a module of the redundant set of modules based on the determined reliability; and activating the selected module.
- the module can be selected by the further artificial intelligence.
- the selected module does not have to correspond to the at least one module in every case.
- the reliability can be determined for at least one module, while, however, a further module is selected and activated without the reliability having been determined.
- the reliability is further determined based on a monitored training of the at least one module, as described herein.
- the module prioritization method further comprises: using an input of the monitored training to determine the reliability of the at least one module, as described herein.
- a module prioritization module can use input from a perception module (as described herein).
- An activation of at least one intermediate layer of the perception module for determining the reliability can also serve as an input in a module prioritization module.
- a combination of an input and at least one intermediate layer of the perception module can also be considered.
- the module prioritization method further comprises: using an output of the monitored training to determine the reliability of the at least one module, as described herein (for example using multiple reliability labels).
- the learning algorithm is carried out with a neural network, as described herein.
- the neural network comprises a convolution network.
- reliability is determined for at least one of object recognition, semantic segmentation, free space recognition, and depth estimation.
- a predetermined object a pattern, a shape, and the like can be recognized based on the methods described above (for example, pattern matching).
- a classification can take place for each pixel or for a group of pixels of a camera.
- free space detection the absence of an object or a distance, an area, a volume, and the like, between a first object (for example a vehicle) and a second object can be detected.
- Such a distance can also be determined in the case of a depth estimate.
- the reliability further comprises a pixel-precise reliability and / or a bounding box value.
- the pixel-precise reliability can comprise an output value of a pixel or a group of pixels for a semantic segmentation.
- a bounding box value can include a threshold value which enables a statement to be made about the extent to which a recognized object deviates from a predetermined object (or pattern, and the like) for object recognition, free space recognition, and / or depth estimation.
- Some exemplary embodiments relate to a module prioritization module which is set up to carry out a module prioritization method according to the invention.
- the module prioritization module can be a control unit, a computer, a CPU, a GPU, an FPGA (field-programmable gate array), which has an artificial intelligence, as described herein, or which is set up to execute an algorithm or a method which or which is based on an artificial intelligence training.
- a control unit a computer, a CPU, a GPU, an FPGA (field-programmable gate array), which has an artificial intelligence, as described herein, or which is set up to execute an algorithm or a method which or which is based on an artificial intelligence training.
- the module prioritization module is also set up to determine the reliability based on a reliability label of a perception module, as described herein.
- the perception module can be a first artificial intelligence which determines a reliability based on a Monte Carlo dropout, as described herein.
- Some exemplary embodiments relate to a motor vehicle which has a module prioritization module according to the invention, as described herein.
- the motor vehicle can refer to any vehicle operated by an engine (e.g. internal combustion engine, electric machine, etc.), such as an automobile, a motorcycle, a truck, a bus, agricultural or forestry tractors, and the like, where, As described above, the present invention is not intended to be limited to an automobile.
- an engine e.g. internal combustion engine, electric machine, etc.
- the motor vehicle further comprises a perception module for generating a reliability label for the module prioritization module, as described herein.
- FIG. 1 shows an exemplary embodiment of a module prioritization method according to the invention in a block diagram
- FIG. 2 shows a further exemplary embodiment of a module prioritization method according to the invention in a block diagram
- Fig. 3 shows an embodiment of a motor vehicle according to the invention in a block diagram.
- FIG. 1 An embodiment of a module prioritization method 1 according to the invention is shown in FIG. 1 in a block diagram.
- a reliability of at least one module of a redundant set of modules of a hardware system is determined, the reliability being determined based on a learning algorithm for prioritizing activation of a module of the redundant set of modules, as described herein.
- FIG. 11 Another exemplary embodiment of a module prioritization method 10 according to the invention is shown in a block diagram in FIG. 11, a reliability of at least one module of a redundant set of modules of a hardware system is determined, the reliability being determined based on a learning algorithm for prioritizing activation of a module of the redundant set of modules, as described herein.
- a module of the redundant set of modules is selected based on the determined reliability, as described herein.
- FIG 3 shows an exemplary embodiment of a motor vehicle 20 according to the invention.
- the motor vehicle 20 has a redundant set of emergency braking systems 21.
- the motor vehicle 20 has a perception module 22 which is set up to determine the reliability of the hazard braking systems of the set of hazard braking systems 21 with the aid of a Monte Carlo dropout.
- the perception module 22 is set up to generate a reliability label and to transmit this to a module prioritization module 23 comprised by the motor vehicle 20, which, on the basis of the label, learns to prioritize an emergency braking system.
- the module prioritization module 23 is also set up to transmit an activation command to a controller 24, which then activates one of the emergency braking systems.
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Die vorliegende Erfindung betrifft ein Modulpriorisierungsverfahren (1; 10) für einen redundanten Satz von Modulen (21) eines Hardwaresystems (20), umfassend: Ermitteln einer Verlässlichkeit wenigstens eines Moduls des redundanten Satzes von Modulen (21), wobei die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt wird zum Priorisieren einer Aktivierung eines Moduls des redundanten Satzes von Modulen (21).
Description
Beschreibung
„Modulpriorisierungsverfahren, Modulpriorisierungsmodul, Kraftfahrzeug“
Die Erfindung betrifft ein Modulpriorisierungsverfahren, ein Modulpriorisierungsmodul, und ein Kraftfahrzeug.
Typischerweise können Sicherheitssysteme (bspw. Bremssysteme in einem Kraftfahrzeug) redundant vorhanden sein, damit, bei einem Ausfall eines Systems, ein anderes zur Verfügung steht, welches die gleichen Aufgaben erfüllt.
Dennoch kann es möglich sein, dass eines der redundanten Systeme zuverlässiger funktioniert als das andere. Solch eine Verlässlichkeit kann bspw. von äußeren Umständen, Umwelteinflüssen, und dergleichen abhängen. Deshalb kann es von Vorteil sein, ein erstes der redundanten Systeme bei bestimmten ersten Umwelteinflüssen zu aktivieren, während ein zweites deaktiviert bleibt und nur im Notfall oder bei Ausfall des ersten Systems verfügbar ist, wobei es bei anderen Umwelteinflüssen wünschenswert ist, dass das zweite System aktiviert ist, während das erste deaktiviert bleibt und nur im Notfall oder Ausfall des zweiten Systems verfügbar ist.
Die Entscheidung, welches System aktiviert werden soll und welches deaktiviert sein soll, kann von einer künstlichen Intelligenz getroffen werden.
Beispielsweise ist aus der Patentschrift US 9,852,475 B1 ein Verfahren bekannt, welches basierend auf einer Zuverlässigkeit ein Unfallrisiko einschätzt. Hier wird jedoch nicht ein redundanter Satz von Modulen überprüft. Darüber hinaus wird die Verlässlichkeit auch nicht basierend auf einem Lernalgorithmus bestimmt.
Aus der Offenlegungsschrift US 2016/0019458 A1 sind Systeme und Methoden für eine Objektdetektion eines Radarbildes bekannt. Die Objektdetektion basiert auf Netzwerkalgorithmen eines Deep-Neural-Networks. Jedoch wird hier keine Verlässlichkeit eines Moduls bestimmt.
Aus der Patentschrift US 7,266,532 B2 ist ein neuronales Netzwerk bekannt, welches verschiedene autonome Geräte steuert. Hier wird jedoch keine Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt, sondern eine Übereinstimmung einer Objekterkennung der autonomen Geräte bestimmt.
Aus der Patentschrift US 7,386,372 B2 ist ein Fahrzeug bekannt, welches mittels Objekterkennung erkennt, ob sich ein Passagier auf einem Fahrzeugsitz befindet. Hier wird jedoch keine Verlässlichkeit eines Moduls bestimmt.
Aufgabe der vorliegenden Erfindung ist es, ein Modulpriorisierungsverfahren, ein Modulpriorisierungsmodul, und ein Kraftfahrzeug bereitzustellen, welche die oben genannten Nachteile wenigstens teilweise überwindet.
Diese Aufgabe wird durch das erfindungsgemäße Modulpriorisierungsverfahren nach Anspruch 1, durch das erfindungsgemäße Modulpriorisierungsmodul nach Anspruch 12 und durch das erfindungsgemäße Kraftfahrzeug nach Anspruch 14 gelöst.
Nach einem ersten Aspekt umfasst ein erfindungsgemäßes Modulpriorisierungsverfahren für einen redundanten Satz von Modulen eines Hardwaresystems: Ermitteln einer Verlässlichkeit wenigstens eines Moduls des redundanten Satzes von Modulen, wobei die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt wird zum Priorisieren einer Aktivierung eines Moduls des redundanten Satzes von Modulen.
Nach einem zweiten Aspekt ist ein erfindungsgemäßes Modulpriorisierungsmodul dazu eingerichtet, ein Modulpriorisierungsverfahren nach dem ersten Aspekt auszuführen.
Nach einem dritten Aspekt weist ein erfindungsgemäßes Kraftfahrzeug ein Modulpriorisierungsmodul nach dem zweiten Aspekt auf.
Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen und der folgenden Beschreibung bevorzugter Ausführungsbeispiele der vorliegenden Erfindung.
Wie bereits diskutiert, können, bspw. im Umfeld autonomen Fahrens, redundante Module, bspw. als Sicherheitsmaßnahme, vorgesehen sein.
Bei einem autonomen Fahren eines Kraftfahrzeugs kann entschieden werden, welches der redundanten Module priorisiert werden soll (bzw. welchem vertraut werden soll).
Hierzu kann, wie allgemein bekannt ist, für datengetriebene (intelligente) Module eine Redundanzauflösung durch Verlässlichkeitsbewertung durchgeführt werden.
Hierbei wird bspw. ein Indikator für eine Verlässlichkeit bestimmt (bspw. mit Monte-Carlo- Dropout), was jedoch den Nachteil hat, dass solche Methoden hohen Rechenaufwand benötigen, und damit auch typischerweise zeitaufwendig sind. Deshalb sind solche Methoden typischerweise nicht in Echtzeit durchführbar (bspw. während einer autonomen Fahrt).
Darüber hinaus ist bekannt, einen Monte-Carlo-Dropout in einer späten Schicht eines neuronalen Netzwerks durchzuführen. Jedoch wird hier typischerweise nicht genügend Zeit eingespart, sodass eine Echtzeitdurchführung mit solchen Methoden ebenfalls nicht möglich ist.
Deshalb betreffen manche Ausführungsbeispiele ein Modulpriorisierungsverfahren für einen redundanten Satz von Modulen eines Hardwaresystems, umfassend: Ermitteln einer Verlässlichkeit wenigstens eines Moduls des redundanten Satzes von Modulen, wobei die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt wird zum Priorisieren einer Aktivierung eines Moduls des redundanten Satzes von Modulen.
Das Hardwaresystem kann ein beliebiges Hardwaresystem umfassen, welches dazu eingerichtet ist, Daten zu erzeugen und/oder auszuwerten.
Beispielsweise kann das Hardwaresystem mehrere Module, bspw. einen Sensor, ein Steuergerät, einen Bordcomputer, eine CPU (Central Processing Unit), eine GPU (Graphic Processing Unit), ein Bremssystem, ein Sicherheitssystem, und dergleichen umfassen.
Typischerweise umfasst ein erfindungsgemäßes Hardwaresystem wenigstens zwei Module, welche einen erfindungsgemäßen Satz bilden, wobei die zwei Module einander ersetzen können. Das heißt, dass ein Modul aktiv sein kann, während das andere inaktiv ist und umgekehrt, ohne dass eine Grundfunktionalität des Hardwaresystems eingeschränkt ist oder verloren geht.
Beispielsweise können in einem Kraftfahrzeug zwei Bremssysteme vorhanden sein, sodass ein Bremssystem bei einem Ausfall des anderen Bremssystems aktiv ist oder aktiviert wird, wodurch vorteilhafterweise eine Fahrsicherheit gewährleistet werden kann.
Solch eine Redundanz (mehrfache Verfügbarkeit eines Moduls) kann typischerweise bei Sicherheitsmodulen (bspw. eines Kraftfahrzeugs) vorgesehen sein, jedoch ist die vorliegende Erfindung nicht auf Sicherheitsmodule beschränkt.
Beispielsweise kann auch ein redundanter Satz von Abstandssensoren (bspw. Lidar, Radar), Kameras (bspw. Stereokameras), und dergleichen vorgesehen sein, um ein (teil-)autonomes Fahren eines Kraftfahrzeugs zu ermöglichen. Darüber hinaus können auch Komfortmodule (bspw. Infotainmentmodule, Heizungs- und Klimasteuerungsmodule), Fahrzeuginnenraumüberwachungsmodule, und dergleichen redundant vorliegen. Insofern ist die vorliegende Erfindung immer dann anwendbar, wenn ein redundanter Satz von Modulen vorliegt oder vorliegen kann, insbesondere auch in einem technischen Umfeld, welches keine Kraftfahrzeuge betrifft, wie bspw. Medizintechnik, Medizinrobotik, Luftfahrt, Schifffahrt, Schienenverkehr, Raumfahrt, und dergleichen.
Ein erfindungsgemäßes Modulpriorisierungsverfahren kann ein Ermitteln einer Verlässlichkeit wenigstens eines Moduls des redundanten Satzes von Modulen umfassen.
Die Verlässlichkeit kann ein Indikator für eine Genauigkeit oder für eine Zuverlässigkeit des wenigstens einen Moduls sein.
Beispielsweise kann es der Fall sein, dass das wenigstens eine Modul abhängig von Umwelteinflüssen (bspw. Temperatur, Tageszeit, Luftdruck, und dergleichen) eine andere Datenausgabe trifft als es mit einer Referenzmessung der Fall wäre. Beispielsweise kann ein Messwert (bspw. ein Öldruck) nur ungenau sein (d.h. ein Betrag einer Differenz zwischen einem von dem wenigstens einen Modul gemessenen Öldruck und einem tatsächlichen Öldruck liegt oberhalb eines Schwellwerts bzw. außerhalb eines Toleranzbereichs), während der Messwert bei anderen Werten der Umwelteinflüsse zuverlässig ist (d.h. ein Betrag einer Differenz zwischen einem von dem wenigstens einen Modul gemessenen Öldruck und einem tatsächlichen Öldruck liegt unterhalb eines Schwellwerts bzw. innerhalb eines Toleranzbereichs).
Die Verlässlichkeit kann für wenigstens ein Modul des redundanten Satzes von Modulen ermittelt werden. Die Verlässlichkeit kann jedoch auch für mehr als eines bis alle Module des redundanten Satzes von Modulen ermittelt werden.
In manchen Ausführungsbeispielen wird die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt. Typischerweise wird der Lernalgorithmus mittels einer künstlichen Intelligenz implementiert, welche auf dem wenigstens einen Modul, auf einem anderem Modul des redundanten Satzes von Modulen, oder auf einem speziell dafür vorgesehenen Modulpriorisierungsmodul vorgesehen sein kann.
Das Modulpriorisierungsmodul kann eine künstliche Intelligenz aufweisen, welche eine Verlässlichkeit eines Wahrnehmungsmoduls, welches bspw. eine Objekterkennung basierend auf Sensordaten, und dergleichen durchführt, bestimmt. In diesem Kontext kann in dem Wahrnehmungsmodul ebenfalls eine künstliche Intelligenz implementiert sein, dessen Verlässlichkeit bspw. mit einem Monte-Carlo-Droput (siehe weiter unten) bestimmbar ist.
So kann vorteilhafterweise eine Verlässlichkeit recheneffizient bestimmt werden.
Wie bereits erwähnt, kann der Lernalgorithmus von einer künstlichen Intelligenz (Kl) angewendet werden, welche bspw. Methoden basierend auf maschinellem Lernen, Deep Learning, Explicit Feature, und dergleichen verwendet, wie bspw. Mustererkennung, Kantendetektion, eine histogrammbasierte Methode, Musterabgleich (Pattern Matching), Farbabgleich (Color Match), und dergleichen.
Daraus ergibt sich der Vorteil, dass bekannte Methoden zur Erzeugung einer Kl verwendet werden können.
In manchen Ausführungsbeispielen umfasst der Lernalgorithmus ein maschinelles Lernen.
Der Lernalgorithmus kann in solchen Ausführungsbeispielen auf wenigstens einem von Scale invariant Feature Transform (SIFT), Gray Level Co-occurence Matrix (GLCM), und dergleichen basieren.
Das maschinelle Lernen kann darüber hinaus auf einem Klassifizierungsverfahren beruhen, wie bspw. wenigstens eines von Random Forest, Support Vector Machine, Neuronales Netzwerks, Bayesisches Netz, und dergleichen, wobei solche Deep-Learning Verfahren bspw. auf
wenigstens einem von Autoencoder, Generative Adversarial Network, schwachem Supervised Learning, Boot-Strapping, und dergleichen, basieren können.
Des Weiteren kann das maschinelle Lernen auch auf Data Clustering-Methoden basieren, wie bspw. Density-based spatial clustering of applications with noise (DBSCAN), und dergleichen.
Das Supervised Learning kann darüber hinaus auf einem Regressionsalgorithmus, einem Perzeptron, einer Bayes-Klassifizierung, einer Naiver Bayes Klassifizierung, einer Nächste- Nachbarn-Klassifizierung, einem künstlichen neuronalen Netzwerk, und dergleichen, basieren.
So können vorteilhafterweise bekannte Methoden für ein maschinelles Lernen verwendet werden.
Die Verlässlichkeit kann, in manchen Ausführungsbeispielen, in einem Training bestimmt werden, sodass bei einer Anwendung des erfindungsgemäßen Modulpriorisierungsverfahrens vorteilhafterweise Rechenleistung eingespart werden kann.
Darüber hinaus ist es vorteilhaft, dass in einem T raining genügend Zeit für die Bestimmung der Verlässlichkeit zur Verfügung stehen kann.
Die bestimmte Verlässlichkeit kann bspw. in einem Datenspeicher abgespeichert werden, von der künstlichen Intelligenz bestimmt werden, wobei vorteilhafterweise kein erneutes Training erforderlich sein muss, oder wobei ein vorhandenes Training fortgeführt werden kann, wodurch vorteilhafterweise die Bestimmung der Zuverlässigkeit verbessert werden kann.
Die bestimmte Verlässlichkeit kann daraufhin ermittelt werden, d.h. bspw. abgerufen werden von dem Datenspeicher, von der künstlichen Intelligenz, und dergleichen, sodass, basierend auf der Verlässlichkeit für das wenigstens eine Modul, eine Entscheidung darüber getroffen werden kann, ob das Modul aktiviert wird (oder aktiviert bleibt), oder ob ein anderes Modul des redundanten Satzes von Modulen aktiviert wird (oder aktiviert bleibt), wobei für das andere Modul ebenfalls eine Verlässlichkeit ermittelt werden kann. Jedoch ist die vorliegende Erfindung nicht auf einen solchen Fall beschränkt. Beispielsweise kann vorgegebenen sein, dass ein erstes Modul bei einer Verlässlichkeit unterhalb eines vorgegebenen Schwellwerts in keinem Fall aktiviert werden soll, sodass automatisch ein zweites Modul aktiviert wird (bzw. bleibt).
Insofern ist unter Priorisieren zu verstehen, dass eine Aktivierung eines ersten Moduls einer Aktivierung eines zweiten Moduls vorgezogen werden kann. Wie bereits diskutiert, kann die Zuverlässigkeit erneut bestimmt werden (bspw. bei einer Veränderung von Umwelteinflüssen), sodass daraufhin eine Aktivierung des zweiten Modul einer Aktivierung des ersten Moduls vorgezogen werden kann.
In manchen Ausführungsbeispielen basiert der Lernalgorithmus auf einem Monte-Carlo- Dropout.
Typischerweise kann ein Monte-Carlo-Dropout für ein künstliches neuronales Netz während eines Trainings angewendet werden.
Hierbei wird eine Vielzahl von Iterationen ausgeführt, wobei dem neuronalen Netz bei jeder Iteration Eindrücke präsentiert werden. Ein Eindruck kann im Kontext dieser Erfindung als ein Messwert bzw. ein Ausgabedatum (oder Ausgabedaten) eines Sensors, eine Ausgabe eines Steuergeräts, und dergleichen, verstanden werden. Darüber hinaus wird bei jeder Iteration ein Teil von Neuronen des neuronalen Netzes pseudozufällig abgeschaltet.
Das neuronale Netz kann bspw. basierend auf den Ausgabedaten in jeder Iteration einen Messwert eines Sensors ermitteln.
Generell kann der ermittelte Wert für jede Iteration unterschiedlichen sein. Ein Mittelwert über alle Messwerte kann gebildet werden, wobei eine mittlere Abweichung des Mittelwerts (bspw. Gaußscher Fehler, Standardabweichung, Halbwertsbreite, und dergleichen) ein Maß für die Verlässlichkeit sein kann.
Hierbei ist vorteilhaft, dass bei einer genügend hohen Anzahl an Iterationen ein statistisch signifikanter bzw. relevanter Wert für die Verlässlichkeit ermittelt werden kann.
Basierend auf einer auf solch eine Weise bestimmten Verlässlichkeit kann ein Verlässlichkeitslabel generiert werden, welches bspw. von einer weiteren künstlichen Intelligenz als Eingabe dazu verwendet werden kann, die Verlässlichkeit auf eine effizientere Art und Weise zu bestimmen als mit einem Monte-Carlo-Dropout.
So muss bspw. bei einer Betreibung des Hardwaresystems (außerhalb einer Trainingsphase) vorteilhafterweise nicht jedes Mal ein Monte-Carlo-Dropout durchgeführt werden, sondern
lediglich die generierten Verlässlichkeitslabel in Betracht gezogen werden, wodurch vorteilhafterweise Rechenleistung eingespart werden kann.
Hierbei ergibt sich der Vorteil, dass unannotierte Trainingsdaten zum Lernen der Verlässlichkeit verwendet werden können, da die Verlässlichkeitlabel extern generiert werden können, wenn das Monte-Carlo-Dropout ausgelagert (in einem anderen Modul) durchgeführt wird.
Darüber hinaus ergibt sich der Vorteil, dass das Monte-Carlo-Dropout in einer hohen Intensität (in einer statistisch relevanten Anzahl von Wiederholungen) durchgeführt werden kann, da eine hohe Latenz in einem Training in Kauf genommen werden kann. Dadurch ergibt sich auch vorteilhafterweise eine hohe Samplingrate, mit der das Monte-Carlo-Dropout durchgeführt werden kann als bei einer Inbetriebnahme durch einen Benutzer (bspw. im Straßenverkehr).
Insgesamt kann einer künstlichen Intelligenz so ein größerer Sensoreindruck als mit bekannten Methoden präsentiert werden, sodass eine genauere Arbeit der künstlichen Intelligenz möglich ist.
In manchen Ausführungsbeispielen umfasst der redundante Satz von Modulen wenigstens eines von Steuergerät, Sensor, Prozessor, und Sicherheitssystem, wie hierin beschrieben.
In manchen Ausführungsbeispielen umfasst das Modulpriorisierungsverfahren Ansprüche ferner: Auswählen eines Moduls des redundanten Satzes von Modulen basierend auf der ermittelten Verlässlichkeit; und Aktivieren des ausgewählten Moduls.
Wie hierin beschrieben, kann das Modul von der weiteren künstlichen Intelligenz ausgewählt werden.
Darüber hinaus muss das ausgewählte Modul nicht in jedem Fall dem wenigstens einen Modul entsprechen. Wie oben erwähnt, kann für wenigstens ein Modul die Verlässlichkeit ermittelt werden, während jedoch ein weiteres Modul ausgewählt und aktiviert wird, ohne dass die Verlässlichkeit ermittelt wurde.
In manchen Ausführungsbeispielen wird die Verlässlichkeit ferner basierend auf einem überwachten Training des wenigstens einen Moduls bestimmt, wie hierin beschrieben.
ln manchen Ausführungsbeispielen umfasst das Modulpriorisierungsverfahren ferner: Verwenden einer Eingabe des überwachten Trainings zum Ermitteln der Verlässlichkeit des wenigstens einen Moduls, wie hierin beschrieben.
Hierbei kann ein Modulpriorisierungsmodul eine Eingabe eines Wahrnehmungsmoduls verwenden (wie hierin beschrieben).
Als Eingabe in ein Modulpriorisierungsmodul kann auch eine Aktivierung wenigstens einer Zwischenschicht des Wahrnehmungsmoduls zur Ermittlung der Verlässlichkeit dienen.
Es kann auch eine Kombination aus einer Eingabe und wenigstens einer Zwischenschicht des Wahrnehmungsmoduls in Betracht gezogen werden.
In manchen Ausführungsbeispielen umfasst das Modulpriorisierungsverfahren ferner: Verwenden einer Ausgabe des überwachten Trainings zum Ermitteln der Verlässlichkeit des wenigstens einen Moduls, wie hierin beschrieben (bspw. das Verwenden von mehreren Verlässlichkeitslabel).
In manchen Ausführungsbeispielen wird der Lernalgorithmus mit einem neuronalen Netz ausgeführt, wie hierin beschrieben.
In manchen Ausführungsbeispielen umfasst das neuronale Netz ein Faltungsnetz.
So kann vorteilhafterweise eine effiziente Berechnungsweise durch Parametersharing erzielt werden.
In manchen Ausführungsbeispielen wird die Verlässlichkeit für wenigstens eines von Objekterkennung, semantischer Segmentierung, Freiraumerkennung, und Tiefenschätzung bestimmt.
Bei Objekterkennung kann ein vorgegebenes Objekt, ein Muster, eine Form, und dergleichen, basierend auf oben beschriebenen Methoden (bspw. Pattern Matching) erkannt werden.
Bei semantischer Segmentierung kann bspw. für jedes Pixel oder für eine Gruppe von Pixeln einer Kamera eine Klassifikation stattfinden.
Bei einer Freiraumerkennung kann die Abwesenheit eines Objekts bzw. ein Abstand, eine Fläche, ein Volumen, und dergleichen, zwischen einem ersten Objekt (bspw. Fahrzeug) und einem zweiten Objekt, erkannt werden.
Bei einer Tiefenschätzung kann ein solcher Abstand ebenfalls bestimmt werden.
So kann vorteilhafterweise ein (teil-)autonomes Fahren ermöglicht werden.
In manchen Ausführungsbeispielen umfasst die Verlässlichkeit ferner eine pixelgenaue Verlässlichkeit und/oder einen Bounding-Box-Wert.
Die pixelgenaue Verlässlichkeit kann einen Ausgabewert eines Pixels oder eine Gruppe von Pixeln für eine semantische Segmentierung umfassen.
Ein Bounding-Box-Wert kann einen Schwellwert umfassen, welcher eine Aussage darüber ermöglicht, inwieweit ein erkanntes Objekt von einem vorgegebenen Objekt (oder Muster, und dergleichen) abweicht für eine Objekterkennung, eine Freiraumerkennung, und/oder eine Tiefenschätzung.
So kann vorteilhafterweise ein (teil-)autonomes Fahren ermöglicht werden.
Manche Ausführungsbeispiele betreffen ein Modulpriorisierungsmodul, welches dazu eingerichtet ist, ein erfindungsgemäßes Modulpriorisierungsverfahren auszuführen.
Das Modulpriorisierungsmodul kann ein Steuergerät, ein Computer, eine CPU, eine GPU, ein FPGA (field-programmable gate array) sein, welches eine künstliche Intelligenz aufweist, wie hierin beschrieben, oder welches dazu eingerichtet ist, einen Algorithmus oder ein Verfahren auszuführen, welcher oder welches basierend auf einem Training einer künstlichen Intelligenz ist.
In manchen Ausführungsbeispielen ist das Modulpriorisierungsmodul ferner dazu eingerichtet, die Verlässlichkeit basierend auf einem Verlässlichkeitslabel eines Wahrnehmungsmoduls zu ermitteln, wie hierin beschrieben.
Das Wahrnehmungsmodul kann eine erste künstliche Intelligenz sein, welche eine Verlässlichkeit basierend auf einem Monte-Carlo-Dropout ermittelt, wie hierin beschrieben.
Manche Ausführungsbeispiele betreffen ein Kraftfahrzeug, welches ein erfindungsgemäßes Modulpriorisierungsmodul aufweist, wie hierin beschrieben.
Das Kraftfahrzeug kann jedes beliebige durch einen Motor (z. B. Verbrennungsmaschine, Elektromaschine, etc.) betriebene Fahrzeug bezeichnen, wie zum Beispiel ein Automobil, ein Motorrad, einen Lastkraftwagen, einen Omnibus, land- oder forstwirtschaftliche Zugmaschinen, und dergleichen, wobei, wie oben beschrieben, die vorliegende Erfindung nicht auf ein Kraftfahrzeug beschränkt sein soll.
In manchen Ausführungsbeispielen umfasst das Kraftfahrzeug ferner ein Wahrnehmungsmodul zum Erzeugen eines Verlässlichkeitslabels für das Modulpriorisierungsmodul, wie hierin beschrieben.
Ausführungsbeispiele der Erfindung werden nun beispielhaft und unter Bezugnahme auf die beigefügte Zeichnung beschrieben, in der:
Fig. 1 ein Ausführungsbeispiel eines erfindungsgemäßen Modulpriorisierungsverfahrens in einem Blockdiagramm;
Fig. 2 ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Modulpriorisierungsverfahren in einem Blockdiagramm; und
Fig. 3 ein Ausführungsbeispiel eines erfindungsgemäßen Kraftfahrzeugs in einem Blockdiagramm zeigt.
Ein Ausführungsbeispiel eines erfindungsgemäßen Modulpriorisierungsverfahrens 1 ist in Fig. 1 in einem Blockdiagramm gezeigt.
In 2 wird eine Verlässlichkeit wenigstens eines Moduls eines redundanten Satzes von Modulen eines Hardwaresystems ermittelt, wobei die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt wird zum Priorisieren einer Aktivierung eines Moduls des redundanten Satzes von Modulen, wie hierin beschrieben.
Ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Modulpriorisierungsverfahrens 10 ist in Fig. 2 in einem Blockdiagramm gezeigt.
In 11 wird eine Verlässlichkeit wenigstens eines Moduls eines redundanten Satzes von Modulen eines Hardwaresystems ermittelt, wobei die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt wird zum Priorisieren einer Aktivierung eines Moduls des redundanten Satzes von Modulen, wie hierin beschrieben.
In 12 wird ein Modul des redundanten Satzes von Modulen basierend auf der ermittelten Verlässlichkeit ausgewählt, wie hierin beschrieben.
In 13 wird das ausgewählte Modul aktiviert, wie hierin beschrieben.
Fig. 3 zeigt ein Ausführungsbeispiel eines erfindungsgemäßen Kraftfahrzeugs 20.
Das Kraftfahrzeug 20 weist einen redundanten Satz von Gefahrenbremssystemen 21 auf. Darüber hinaus weist das Kraftfahrzeug 20 ein Wahrnehmungsmodul 22 auf, welches dazu eingerichtet ist, mit Hilfe eines Monte-Carlo-Dropouts eine Zuverlässigkeit der Gefahrenbremssysteme des Satzes von Gefahrenbremssystemen 21 zu bestimmen. Des Weitern ist das Wahrnehmungsmodul 22 dazu eingerichtet, ein Zuverlässigkeitslabel zu generieren, und dieses an ein von dem Kraftfahrzeug 20 umfassten Modulpriorisierungsmodul 23 zu übermitteln, welches auf Grundlage des Labels lernt, eine Priorisierung eines Gefahrenbremssystems durchzuführen.
Das Modulpriorisierungsmodul 23 ist ferner dazu eingerichtet, einen Aktivierungsbefehl an eine Steuerung 24 zu übermitteln, welche daraufhin eines der Gefahrenbremssysteme aktiviert.
Bezugszeichenliste Modulpriorisierungsverfahren Ermitteln Verlässlichkeit Modulpriorisierungsverfahren Ermitteln Verlässlichkeit Auswählen Modul Aktivieren Modul Kraftfahrzeug Redundanter Satz von Gefahrenbremssystemen Wahrnehmungsmodul Modulpriorisierungsmodul Steuerung
Claims
Patentansprüche
1. Modulpriorisierungsverfahren (1; 10) für einen redundanten Satz von Modulen (21) eines Hardwaresystems (20), umfassend:
Ermitteln einer Verlässlichkeit wenigstens eines Moduls des redundanten Satzes von Modulen (21), wobei die Verlässlichkeit basierend auf einem Lernalgorithmus bestimmt wird zum Priorisieren einer Aktivierung eines Moduls des redundanten Satzes von Modulen (21).
2. Modulpriorisierungsverfahren (1; 10) nach Anspruch 1, wobei der Lernalgorithmus auf einem Monte-Carlo-Dropout basiert.
3. Modulpriorisierungsverfahren (1; 10) nach einem der vorherigen Ansprüche, wobei der redundante Satz von Modulen (21) wenigstens eines von Steuergerät, Sensor, Prozessor, und Sicherheitssystem umfasst.
4. Modulpriorisierungsverfahren (1; 10) nach einem der vorherigen Ansprüche ferner, umfassend:
Auswählen eines Moduls des redundanten Satzes von Modulen (21) basierend auf der ermittelten Verlässlichkeit; und Aktivieren des ausgewählten Moduls.
5. Modulpriorisierungsverfahren (1; 10) nach einem der vorherigen Ansprüche, wobei die Verlässlichkeit ferner basierend auf einem überwachten Training des wenigstens einen Moduls bestimmt wird.
6. Modulpriorisierungsverfahren (1; 10) nach Anspruch 5, ferner umfassend:
Verwenden einer Eingabe des überwachten Trainings zum Ermitteln der Verlässlichkeit des wenigstens einen Moduls.
7. Modulpriorisierungsverfahren (1; 10) nach einem der Ansprüche 5 und 6, ferner umfassend:
Verwenden einer Ausgabe des überwachten Trainings zum Ermitteln der Verlässlichkeit des wenigstens einen Moduls.
8. Modulpriorisierungsverfahren (1; 10) nach einem der vorherigen Ansprüche, wobei der Lernalgorithmus mit einem neuronalen Netz ausgeführt wird.
9. Modulpriorisierungsverfahren (1; 10) nach Anspruch 8, wobei das neuronale Netz ein Faltungsnetz umfasst.
10. Modulpriorisierungsverfahren (1; 10) nach einem der vorherigen Ansprüche, wobei die Verlässlichkeit für wenigstens eines von Objekterkennung, semantischer Segmentierung, Freiraumerkennung, und Tiefenschätzung bestimmt wird.
11. Modulpriorisierungsverfahren (1; 10) nach Anspruch 10, wobei die Verlässlichkeit ferner eine pixelgenaue Verlässlichkeit und/oder einen Bounding- Box- Wert umfasst.
12. Modulpriorisierungsmodul (23), welches dazu eingerichtet ist, ein Modulpriorisierungsverfahren (1; 10) nach einem der vorherigen Ansprüche auszuführen.
13. Modulpriorisierungsmodul (23) nach Anspruch 12, welches ferner dazu eingerichtet ist, die Verlässlichkeit basierend auf einem Verlässlichkeitslabel eines Wahrnehmungsmoduls
(22) zu ermitteln.
14. Kraftfahrzeug (20), welches ein Modulpriorisierungsmodul (23) nach einem der Ansprüche 12 und 13 aufweist.
15. Kraftfahrzeug (20) nach Anspruch 14, welches ferner ein Wahrnehmungsmodul (22) aufweist zum Erzeugen eines Verlässlichkeitslabels für das Modulpriorisierungsmodul
(23).
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20808053.1A EP4066072A1 (de) | 2019-11-29 | 2020-11-13 | Modulpriorisierungsverfahren, modulpriorisierungsmodul, kraftfahrzeug |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019218614.9 | 2019-11-29 | ||
DE102019218614.9A DE102019218614A1 (de) | 2019-11-29 | 2019-11-29 | Modulpriorisierungsverfahren, Modulpriorisierungsmodul, Kraftfahrzeug |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021104904A1 true WO2021104904A1 (de) | 2021-06-03 |
Family
ID=73455688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/EP2020/082163 WO2021104904A1 (de) | 2019-11-29 | 2020-11-13 | Modulpriorisierungsverfahren, modulpriorisierungsmodul, kraftfahrzeug |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4066072A1 (de) |
DE (1) | DE102019218614A1 (de) |
WO (1) | WO2021104904A1 (de) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0366017A2 (de) * | 1988-10-24 | 1990-05-02 | Hitachi, Ltd. | Fehlertolerantes System und Mehrheitentscheidungsverfahren |
WO2001080009A2 (en) * | 2000-04-13 | 2001-10-25 | Stratus Technologies Bermuda, Ltd. | Fault-tolerant computer system with voter delay buffer |
US7266532B2 (en) | 2001-06-01 | 2007-09-04 | The General Hospital Corporation | Reconfigurable autonomous device networks |
US7386372B2 (en) | 1995-06-07 | 2008-06-10 | Automotive Technologies International, Inc. | Apparatus and method for determining presence of objects in a vehicle |
US20160019458A1 (en) | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
US9852475B1 (en) | 2014-05-20 | 2017-12-26 | State Farm Mutual Automobile Insurance Company | Accident risk model determination using autonomous vehicle operating data |
DE102017210955A1 (de) * | 2017-06-28 | 2019-01-17 | Volkswagen Aktiengesellschaft | Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zum auflösen einer redundanz von zwei oder mehr redundanten modulen |
-
2019
- 2019-11-29 DE DE102019218614.9A patent/DE102019218614A1/de active Pending
-
2020
- 2020-11-13 EP EP20808053.1A patent/EP4066072A1/de active Pending
- 2020-11-13 WO PCT/EP2020/082163 patent/WO2021104904A1/de unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0366017A2 (de) * | 1988-10-24 | 1990-05-02 | Hitachi, Ltd. | Fehlertolerantes System und Mehrheitentscheidungsverfahren |
US7386372B2 (en) | 1995-06-07 | 2008-06-10 | Automotive Technologies International, Inc. | Apparatus and method for determining presence of objects in a vehicle |
WO2001080009A2 (en) * | 2000-04-13 | 2001-10-25 | Stratus Technologies Bermuda, Ltd. | Fault-tolerant computer system with voter delay buffer |
US7266532B2 (en) | 2001-06-01 | 2007-09-04 | The General Hospital Corporation | Reconfigurable autonomous device networks |
US9852475B1 (en) | 2014-05-20 | 2017-12-26 | State Farm Mutual Automobile Insurance Company | Accident risk model determination using autonomous vehicle operating data |
US20160019458A1 (en) | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
DE102017210955A1 (de) * | 2017-06-28 | 2019-01-17 | Volkswagen Aktiengesellschaft | Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zum auflösen einer redundanz von zwei oder mehr redundanten modulen |
Also Published As
Publication number | Publication date |
---|---|
EP4066072A1 (de) | 2022-10-05 |
DE102019218614A1 (de) | 2021-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128289B4 (de) | Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung | |
DE102015001971A1 (de) | Verfahren und Überwachungsvorrichtung zur Überwachung von Fahrerassistenzsystemen | |
DE102017214611B4 (de) | Verfahren zum Überprüfen eines Reaktionssignals einer Fahrzeugkomponente sowie Überprüfungsvorrichtung und Kraftfahrzeug | |
DE102018222720B4 (de) | Überwachung von auf neuronalen Netzwerken basierten Fahrfunktionen | |
DE102019209462A1 (de) | Verfahren zur Bestimmung eines Vertrauens-Wertes eines detektierten Objektes | |
DE102020209680B3 (de) | Signalverarbeitungspfad, Vorrichtung zur Umfelderkennung und Verfahren zur Validierung eines automatisiert betreibbaren Fahrsystems | |
DE102017214531A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Kraftfahrzeugs in einem automatisierten Fahrbetrieb sowie Kraftfahrzeug | |
EP3904833A1 (de) | Vorrichtung und verfahren zur auswertung von signalen von umfelderfassungssensoren für eine trajektorienregelung und/oder -steuerung eines automatisiert betreibbaren fahrzeuges | |
DE102018209250A1 (de) | Steuereinrichtung, Verfahren zur Steuerung eines Steuergeräts, computerlesbares Speichermedium und Steuersystem | |
DE102022200536B3 (de) | Fahrassistenzeinrichtung und Verfahren zum Durchführen einer wenigstens teilautomatischen Fahrzeugfunktion in Abhängigkeit von einer zu bewertenden Fahrstrecke | |
DE112018005794T5 (de) | System und Verfahren zum Steuern eines Kraftfahrzeugs zum autonomen Fahren | |
EP3748453B1 (de) | Verfahren und vorrichtung zum automatischen ausführen einer steuerfunktion eines fahrzeugs | |
EP3935463B1 (de) | Verfahren und vorrichtung zum betreiben eines automatisierten fahrzeugs | |
DE102020127051A1 (de) | Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten mittels einer Datenanalyseeinrichtung für eine technische Entität | |
DE102022205084B3 (de) | Verfahren, Computerprogramm und Vorrichtung zur Umfeldwahrnehmung im Fahrzeug sowie entsprechendes Fahrzeug | |
DE102017201796A1 (de) | Steuervorrichtung zum Ermitteln einer Eigenbewegung eines Kraftfahrzeugs sowie Kraftfahrzeug und Verfahren zum Bereitstellen der Steuervorrichtung | |
WO2021104904A1 (de) | Modulpriorisierungsverfahren, modulpriorisierungsmodul, kraftfahrzeug | |
DE102018207220A1 (de) | Verfahren, Vorrichtung und Computerprogramm zum Detektieren eines Berechnungsfehlers oder einer Fehlfunktion | |
DE102021210000A1 (de) | Verfahren zum Beurteilen eines Beschleunigungsvorgangs eines Fahrzeugs, sowie Beschleunigungssystem und Fahrzeug | |
EP4055411A1 (de) | Verfahren, vorrichtung und computerprogramm zur freigabe eines sensorsystems zur erfassung von objekten in einem umfeld eines fahrzeuges | |
DE102020215885A1 (de) | Verfahren und system zur erkennung und mitigation von störungen | |
DE102022208250B3 (de) | System zur Verwaltung verschiedener Fahrzeugkomponenten in einer elektrischen-elektronischen Fahrzeugarchitektur und Fahrzeugarchitektur | |
DE102013200932A1 (de) | Verfahren und Vorrichtung zur Überwachung einer Funktion eines Motorsteuergeräts zum Einsatz in einem Motorsystem mit einem Verbrennungsmotor | |
DE102022206603A1 (de) | Verfahren zur Handdetektion, Computerprogramm, und Vorrichtung | |
DE102022206923A1 (de) | Verfahren und Steuergerät zum Bestimmen eines Sicherheitsintegritätsniveaus einer sicherheitsbezogenen Fahrzeugfunktion eines Kraftfahrzeugs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20808053 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2020808053 Country of ref document: EP Effective date: 20220629 |