DE102024108957B4

DE102024108957B4 - Verfahren zum Betreiben eines Kraftfahrzeugs, Computerprogrammprodukt, Steuergerät und Kraftfahrzeug

Info

Publication number: DE102024108957B4
Application number: DE102024108957.1A
Authority: DE
Inventors: Tin Stribor Sohn; Nora Gorhan
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2024-03-28
Filing date: 2024-03-28
Publication date: 2026-01-08
Anticipated expiration: 2044-03-29
Also published as: DE102024108957A1

Abstract

Verfahren zum Betreiben eines Kraftfahrzeugs (20), das ein Bussystem (3) umfasst, über das Daten (5) übertragen werden, die mindestens eine Fahrfunktion des Kraftfahrzeugs (20) beeinflussen, dadurch gekennzeichnet, dass für die Fahrfunktion relevante Daten (5) in Form von Einflussfaktoren (31-36) in einem Entscheidungsbaum (30) selektiert und bezüglich der Fahrfunktion priorisiert werden, um die Menge der über das Bussystem (3) zu übertragenden Daten (5) signifikant zu reduzieren, wobei das Kraftfahrzeug (20) in seiner Umgebung mit allen im Kraftfahrzeug (20) und seiner Umgebung erfassten Daten (5) als cyberphysisches System betrachtet wird, wobei Attribute mit dem größten Einflussfaktor (31-36) extrahiert und exploriert werden, wobei Daten (5) aus dem Umfeld des Fahrzeugs (20) als Attribute eines Schichtmodells (17) strukturiert werden, wobei der Entscheidungsbaum (30) eine Gewichtung bestimmter Attribute in Bezug auf ein Fehlverhalten einer Fahrfunktion zeigt.

Description

Die Erfindung betrifft ein Verfahren zum Betreiben eines Kraftfahrzeugs, das ein Bussystem umfasst, über das Daten übertragen werden, die mindestens eine Fahrfunktion des Kraftfahrzeugs beeinflussen. Die Erfindung betrifft des Weiteren ein Computerprogrammprodukt, ein Steuergerät und ein Kraftfahrzeug.
Die internationale Offenlegungsschrift WO 2020/079074 A2 offenbart ein Planungsverfahren für ein autonomes Fahrzeug, wobei Sensorsignale verarbeitet werden, um ein Fahrszenario zu bestimmen und ein Baumsuchalgorithmus ausgeführt wird, um eine Sequenz von Manövern zu bestimmen. Die chinesische Offenlegungsschrift CN 109677406 A offenbart ein System zur Fahrzeug-Fahrspurkontrolle mit einer Risikoüberwachung, wobei Umweltinformationsdaten, Straßeninformationsdaten und Fahrzeuginformationsdaten eines Fahrzeugs gesammelt werden und die gesammelten Daten gemäß eines Clustering-Analysemodells klassifiziert werden, um so jede Art von Faktoreinflusskoeffizienten zu erhalten. Die amerikanische Offenlegungsschrift US 2022/028306 A1 offenbart ein Verfahren zur Datenreduktion in einer Speichereinrichtung für maschinelles Lernen, wobei Daten in der Speichervorrichtung gespeichert werden, welche für das Training in einer baumbasierten angepassten Iterationssitzung verwendet wurden. Die deutsche Offenlegungsschrift DE 10 2018 205 248 A1 offenbart ein Funktionssystem zur Bereitstellung von Umfeldinformationen für ein Fahrerassistenzsystem eines Kraftfahrzeugs basierend auf Informationen mehrerer Umfeldsensoren. Die deutsche Offenlegungsschrift DE 102 07 993 A1 offenbart ein Verkehrsdaten-Informationssystem für den Einsatz in Fahrzeugen, welches verkehrsbezogene Daten der verschiedensten Kategorien aufnimmt, gemäß vorgegebenen Kriterien korreliert und die so kombinierten Daten nach Relevanz sortiert und über Mittel zur Informationsweitergabe dem Fahrer zur Verfügung stellt, wobei Kriterien, nach denen Daten ausgewertet und bzgl. Relevanz sortiert und verschiedenen Kategorien der Daten oder unterschiedlichen Relevanzwerten zugeordnet werden können. Die deutsche Offenlegungsschrift DE 10 2019 204 691 A1 offenbart ein Verfahren zum Ermitteln eines fahrbetriebsbedingten Gesundheitszustandes wenigstens eines Insassen eines Fahrzeugs, wobei das Fahrzeug wenigstens einen Sensor zur sensorischen Erfassung wenigstens einer fahrdynamischen Größe im Fahrbetrieb des Fahrzeugs aufweist, wobei die von dem wenigstens einen Sensor gelieferten Sensordaten in dem Fahr zeug vorverarbeitet werden, um deren Datenvolumen für die Übertragung an den externen Rechner zu minimieren. Die deutsche Offenlegungsschrift DE 10 2020 133 262 A1 offenbart ein Verfahren, aufweisend: Zuweisen von mindestens einem Eintrag in einer Warteschlange eines Warteschlangenverwaltungsgeräts, wobei der mindestens ein Eintrag eine Speichersegmentzuweisung aus einem Speichersegmentcache oder einem Seitenstapel aufweist; und Empfangen, am Warteschlangenverwaltungsgerät, einer Anforderung zum Zuweisen einer Speicherregion. Die gattungsbildende deutsche Offenlegungsschrift DE 10 2019 105 853 A1 offenbart ein Verfahren zum Verarbeiten von Fahrzeugdaten, mit den Schritten eines Erfassens der Fahrzeugdaten während einem Betrieb eines Fahrzeugs; eines Übermittelns einer Teilmenge der Fahrzeugdaten an einen externen Knoten; eines Untersuchens der übermittelten Fahrzeug daten hinsichtlich des Vorliegens eines vorgegebenen Fahrereignisses in dem externen Knoten; und eines Anforderns zusätzlicher Fahrzeugdaten von dem Fahrzeug bei Vorliegen des vorgegebenen Fahrereignisses in der Teilmenge der Fahrzeugdaten, wobei durch das Verfahren erreicht werden soll, dass keine irrelevanten Fahrzeugdaten zwischen Fahrzeug und Knoten übertragen werden müssen und sich das zu übertragende Datenvolumen verringert, wobei zu diesem Zweck Fahrzeugdaten definiert gefiltert und analysiert werden.
Aufgabe der Erfindung ist es, die Effizienz beim Betreiben eines Kraftfahrzeug, das ein Bussystem umfasst, über das Daten übertragen werden, die mindestens eine Fahrfunktion des Kraftfahrzeugs beeinflussen, zu erhöhen.
Die Aufgabe ist durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 gelöst. So kann die Datenmenge, die über das Bussystem übertragen wird, effektiv reduziert werden. Dadurch kann die Effizienz im Betrieb des Kraftfahrzeugs, insbesondere im Betrieb einer Vielzahl von Kraftfahrzeugen einer Fahrzeugflotte, erhöht werden. Daten aus dem Umfeld des Fahrzeugs werden als Attribute eines Schichtmodells strukturiert. Hier kann ein herkömmliches Schichtmodell mit zum Beispiel sechs Schichten verwendet werden. Ein solches Schichtmodell umfasst zum Beispiel in einer ersten Schicht ein Straßennetzwerk und eine Straßenbeschaffenheit; in einer zweiten Schicht Informationen und Attribute aus einer Umgebung des Kraftfahrzeugs, zum Beispiel Häuser und/oder Bäume an einem Straßenrand; in einer dritten Schicht temporäre Ereignisse, wie Baustellen, die über einen längeren Zeitraum vorhanden sind; in einer vierten Schicht dynamische Objekte; in einer fünften Schicht Umgebungsdaten, wie Wetterbedingungen und Lichtverhältnisse; in einer sechsten Schicht Kommunikationsinformationen, wie eine Internetanbindung und/oder eine mobile Abdeckung. Der Entscheidungsbaum zeigt eine Gewichtung bestimmter Attribute in Bezug auf ein Fehlverhalten einer Fahrfunktion. Das bedeutet zum Beispiel, dass ein Einfluss des jeweiligen Attributs auf die Klassifikation eines Fehlers oder einer Passivierung der betroffenen Funktion in Abhängigkeit von der Höhe im Entscheidungsbaum am größten ist. Je weiter oben im Entscheidungsbaum, desto höher der Einfluss des Attributs auf die Klassifikation des Fehlers oder der Passivierung der Funktion.
Ein bevorzugtes Ausführungsbeispiel des Verfahrens ist dadurch gekennzeichnet, dass das Kraftfahrzeug in seiner Umgebung mit allen im Kraftfahrzeug und seiner Umgebung erfassten Daten als cyberphysisches System betrachtet wird, wobei Attribute mit dem größten Einflussfaktor extrahiert und exploriert werden. Das führt zu einer signifikanten Reduktion des relevanten Datenraumes.
Ein weiteres bevorzugtes Ausführungsbeispiel des Verfahrens ist dadurch gekennzeichnet, dass im Rahmen von Realfahrten Fahrzeugbusdaten eingefahren werden. Die eingefahrenen Fahrzeugbusdaten werden fahrzeugintern oder fahrzeugextern gespeichert. Die eingefahrenen Fahrzeugbusdaten können fahrzeugintern oder fahrzeugextern, also in einem BackEnd, verarbeitet werden.
Ein weiteres bevorzugtes Ausführungsbeispiel des Verfahrens ist dadurch gekennzeichnet, dass die eingefahrenen Fahrzeugbusdaten Informationen, wie Fehlerabwürfe oder Passivierungen durch einen Fahrer, umfassen. Ein Fehlerabwurf oder eine Passivierung durch den Fahrer wird zum Beispiel erzeugt, wenn ein automatisierter Einparkvorgang durch den Fahrer unterbrochen wird.
Ein weiteres bevorzugtes Ausführungsbeispiel des Verfahrens ist dadurch gekennzeichnet, dass ein Modell für maschinelles Lernen auf der Basis der eingefahrenen Fahrzeugbusdaten in dem Entscheidungsbaum zur Klassifikation der eingefahrenen Fahrzeugbusdaten trainiert wird. So kann, zum Beispiel im BackEnd, mit historischen Daten erkannt werden, welche Daten für einen vorangegangenen Fehlerabwurf relevant sind.
Ein weiteres bevorzugtes Ausführungsbeispiel des Verfahrens ist dadurch gekennzeichnet, dass nur Daten, die durch das Modell als relevante Einflussfaktoren erkannt wurden, über das Bussystem an ein BackEnd übertragen werden. Dadurch wird die Effizienz im Betrieb des Kraftfahrzeugs, insbesondere im Hinblick auf die zu handhabende Datenmenge, wirksam gesteigert.
Die Erfindung betrifft des Weiteren ein Computerprogrammprodukt, umfassend Befehle, bei deren Ausführung durch eine Recheneinrichtung ein vorab beschriebenes Verfahren datengetrieben abläuft. Datengetrieben bedeutet insbesondere, dass die Ursachen von Fehlfunktionen einfacher und effektiver erkannt werden.
Die Erfindung betrifft des Weiteren ein Steuergerät mit einem derartigen Computerprogrammprodukt. Bei dem Steuergerät handelt es sich zum Beispiel um ein fahrzeuginternes Steuergerät. Der Begriff des Steuergeräts umfasst aber auch ein Steuergerät, das im BackEnd betrieben wird.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnung verschiedene Ausführungsbeispiele im Einzelnen beschrieben sind.
Es zeigen:

1 eine schematische Darstellung eines Steuergeräts mit Daten, die im Betrieb eines Kraftfahrzeugs über eine Bussystem übertragen werden; und
2 eine schematische Darstellung des Steuergeräts aus 1 mit einem Kraftfahrzeug und einem Entscheidungsbaum zur Veranschaulichung des beanspruchten Verfahrens.

In 1 ist ein Steuergerät 1 mit einer Vielzahl von Daten stark vereinfacht dargestellt. Bei dem Steuergerät 1 handelt es sich zum Beispiel um ein fahrzeuginternes Steuergerät, das in einem Kraftfahrzeug, das in 2 mit 20 bezeichnet ist, untergebracht ist. Bei dem Steuergerät 1 kann es sich aber auch um ein fahrzeugexternes Steuergerät handeln, das in einem BackEnd, also außerhalb des Kraftfahrzeugs untergebracht ist.
Die Daten 5 umfassen zum Beispiel Kartendaten 2, Bussystemdaten 3 und Wetterdaten 4. Die Bussystemdaten 3 werden über ein Bussystem 6 bereitgestellt, das mit fahrzeuginternen Komponenten, wie Sensoren, verbunden ist.
Die Daten 5 können über eine Operation Design Domain 10 bereitgestellt werden. Die Operation Design Domain 10 wird auch mit den Großbuchstaben ODD abgekürzt. Die ODD 10 umfasst zum Beispiel Informationen aus der Umwelt oder Umgebung.
Die Daten werden vorteilhaft in einem Schichtmodell 17 strukturiert. Ein derartiges Schichtmodell 17 umfasst zum Beispiel sechs Schichten 11 bis 16. Eine erste Schicht 11 umfasst zum Beispiel Topologiedaten oder Geometriedaten. Eine zweite Schicht 12 umfasst zum Beispiel Verkehrsdaten. Eine dritte Schicht 13 umfasst zum Beispiel Ladungsdaten oder Transportdaten. Eine vierte Schicht 14 umfasst zum Beispiel zum Beispiel dynamische Objektdaten. Eine fünfte Schicht 15 umfasst zum Beispiel Umgebungsdaten. Eine sechste Schicht 16 umfasst zum Beispiel Kommunikationsdaten, wie Mobilfunknetz und Ampellichter.
In 2 ist veranschaulicht, wie die Daten 5 in einem Modell 18 für maschinelles Lernen im Hinblick auf Fahrfunktion des Kraftfahrzeugs 20 trainiert werden. Der Suchraum von Faktoren aus der Umwelt des Kraftfahrzeugs 20, die sich auf das Verhalten einer Fahrfunktion auswirken, wird durch größer werdende Operationsdomainen der Fahrfunktionen immer komplexer. Damit werden die Einflussfaktoren durch den Menschen immer schwerer einschätzbar. Je mehr Umweltfaktoren oder Umgebungsfaktoren vorliegen, desto höher die Testkomplexität und die Anzahl von auszuführenden Testfällen und Simulationen.
Durch das beanspruchte Verfahren wird ein Selektionsverfahren in Bezug auf eine Fahrfunktion bereitgestellt, zu welcher im Rahmen von Realfahrten Fahrzeugbusdaten eingefahren werden. Diese beinhalten auch Informationen, wie Fehlerabwürfe oder Passivierungen durch den Fahrer.
Zunächst wird das Modell für maschinelles Lernen 18 auf Basis eines Entscheidungsbaums 30 zur Klassifikation dieser Fehlerabwürfe oder Passivierungen trainiert. Als Eingabeparameter dienen Daten des Umfelds des Kraftfahrzeugs 20. Diese Daten sind, wie in 1 veranschaulicht, als Attribute des Schichtmodells 17 strukturiert.
Die Struktur des Entscheidungsbaums 30 mit Einflussfaktoren 31 bis 36 nach Abschluss des Trainings mit dem Modell 18 für maschinelles Lernen gibt Aufschluss über die Gewichtung bestimmter Attribute in Bezug auf das Fehlverhalten einer Fahrfunktion. Je weiter oben im Entscheidungsbaum 30, desto höher der Einfluss des Attributs auf die Klassifikation eines Fehlers oder einer Passivierung der Funktion. So können Attribute mit dem größten Einflussfaktor extrahiert und exploriert werden. Dies führt zu einer Reduktion des Testraums.
Bezugszeichen

1: Steuergerät
2: Kartendaten
3: Bussystemdaten
4: Wetterdaten
5: Daten
6: Bussystem
10: Operation Design Domain
11: erste Schicht
12: zweite Schicht
13: dritte Schicht
14: vierte Schicht
15: fünfte Schicht
16: sechste Schicht
17: Schichtmodell
18: Modell für maschinelles Lernen
20: Kraftfahrzeug
30: Entscheidungsbaum
31: Einflussfaktoren
32: Einflussfaktoren
33: Einflussfaktoren
34: Einflussfaktoren
35: Einflussfaktoren
36: Einflussfaktoren

Claims

Verfahren zum Betreiben eines Kraftfahrzeugs (20), das ein Bussystem (3) umfasst, über das Daten (5) übertragen werden, die mindestens eine Fahrfunktion des Kraftfahrzeugs (20) beeinflussen, dadurch gekennzeichnet, dass für die Fahrfunktion relevante Daten (5) in Form von Einflussfaktoren (31-36) in einem Entscheidungsbaum (30) selektiert und bezüglich der Fahrfunktion priorisiert werden, um die Menge der über das Bussystem (3) zu übertragenden Daten (5) signifikant zu reduzieren, wobei das Kraftfahrzeug (20) in seiner Umgebung mit allen im Kraftfahrzeug (20) und seiner Umgebung erfassten Daten (5) als cyberphysisches System betrachtet wird, wobei Attribute mit dem größten Einflussfaktor (31-36) extrahiert und exploriert werden, wobei Daten (5) aus dem Umfeld des Fahrzeugs (20) als Attribute eines Schichtmodells (17) strukturiert werden, wobei der Entscheidungsbaum (30) eine Gewichtung bestimmter Attribute in Bezug auf ein Fehlverhalten einer Fahrfunktion zeigt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass im Rahmen von Realfahrten Fahrzeugbusdaten eingefahren werden.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die eingefahrenen Fahrzeugbusdaten Informationen, wie Fehlerabwürfe oder Passivierungen durch den Fahrer, umfassen.
Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass ein Modell (18) für maschinelles Lernen auf der Basis der eingefahrenen Fahrzeugbusdaten in dem Entscheidungsbaum (30) zur Klassifikation der eingefahrenen Fahrzeugbusdaten trainiert wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass nur Daten (5), die durch das Modell (18) als relevante Einflussfaktoren (31-36) erkannt wurden, über das Bussystem (3) an ein BackEnd übertragen werden.
Computerprogrammprodukt, umfassend Befehle, bei deren Ausführung durch eine Recheneinrichtung ein Verfahren nach einem der vorhergehenden Ansprüche datengetrieben abläuft.
Steuergerät (1) mit einem Computerprogrammprodukt nach Anspruch 6.
Kraftfahrzeug mit einem Bussystem (3) und einem Steuergerät (1) nach Anspruch 7.