操作机动车辆的方法和系统、计算机程序产品及机动车辆和云与流程

1.本发明涉及用于操作机动车辆的方法和系统、用于机动车辆的计算机程序产品、用于云的计算机程序产品、以及机动车辆和用于这种类型系统的云。


背景技术：

2.控制单元(ecu＝电子控制单元或ecm＝电子控制模块)是所有可想到的电子领域中在机动车辆中用于例如控制先进驾驶辅助系统(adas)控制功能的电子模块。先进驾驶辅助系统被理解为意指机动车辆中用于在特定的驾驶情况下支持驾驶员的附加电子设施。这里的重点通常是在安全方面，而且在提高驾驶舒适性和提高效率方面。这种类型的先进驾驶辅助系统在危急情况前不久或在危急情况期间部分自主或自主地干预机动车辆的驾驶(例如加速、制动)、控制(例如停车转向辅助)或信号设施，或通过合适的人机界面警告驾驶员。
3.常规的控制和/或监管策略是基于通用配置文件或行驶循环。因此，尤其是当例如在使用加速器踏板和/或制动踏板方面驾驶员彼此不同时，这种类型的控制单元的输出信号以及因此车辆行为对每个驾驶员来说都是不同的。
4.在具有作为能量存储装置的牵引电池的电动车辆(ebv)的情况下，例如，因此可以由一个驾驶员达到600km的行驶里程，然而由另一个驾驶员达到400km的行驶里程。此外，个体因素可以是例如空调系统的使用或所选目标温度的水平。
5.基于驾驶员通过人机界面(hmi)的手动输入的不同方法是已知的。
6.从文件us 2015/0191178 a1已知一种基于指示驾驶员的配置文件的id(身份标识号)的用于机动车辆的控制系统，在该控制系统中人工智能检测驾驶行为中的异常并且将异常分配给id。控制系统从多个id中选择一个id。
7.从例如文件us 9,663,112 b2、wo 2014/102270 a1、us 11,037,378b2和us 10,950,132b2中已知这种类型的更多系统。
8.因此存在找到个性化这种类型的控制单元的方法的需求。


技术实现要素：

9.本发明的目的是通过一种用于操作机动车辆的方法来实现的，该方法具有以下步骤：
10.在训练阶段期间使用训练数据训练人工智能，
11.在预测阶段期间通过向训练过的人工智能供给机动车辆的运行数据来提供id数据集，以及
12.通过评估驾驶员的个人数据来验证确定的id数据集。
13.人工智能可以学习示例并且可以在学习阶段完成后概括这些示例。要做到这一点，例如，在机器学习过程中算法基于训练数据建立统计模型。这意味着示例不是简单的被
记住，而是识别训练数据中的模式和规律。因此人工智能也可以评估未知数据(学习迁移)。
14.换句话说，训练过的人工智能的预测数据与其他个人数据结合或合并以便确定可以分配给机动车辆的当前驾驶员的id数据集。这使得对驾驶员的可靠识别成为可能，然后允许对机动车辆的控制单元进行个性化。
15.根据一个实施例，驾驶员的个人数据是与语音配置文件有关的数据、生物特征数据和/或设备数据和/或用户数据。生物特征数据可以是面部识别数据、手势识别数据和/或指纹数据，然而设备数据和/或用户数据可以是用户标识和/或密码。因此可以通过评估个人数据以特别简单且可靠的方式进行验证。
16.根据另一实施例，根据验证过的id数据集调整机动车辆的控制单元的控制数据集的至少一个参数。因此执行适应于各个驾驶员的机动车辆的各个控制单元的单独操作。
17.根据另一实施例，在云中执行训练阶段。因此特别密集的计算过程转移出机动车辆。相应地保存机动车辆的计算机资源并且因此也降低机动车辆的能量消耗。
18.本发明进一步地包括一种用于操作机动车辆的系统、用于机动车辆的第一计算机程序产品、用于云的第二计算机程序产品、以及机动车辆和用于这种类型的系统的云。
附图说明
19.现在将参考附图解释本发明。在附图中：
20.图1显示用于操作机动车辆的系统的部件的示意图；
21.图2显示在图1中显示的系统的不同操作阶段的示意图；
22.图3显示用于操作在图1中显示的系统的方法序列的示意图。
具体实施方式
23.首先参考图1。
24.图1显示用于操作机动车辆4的系统2的部件。
25.在本示例性实施例中，机动车辆4是乘用车(比如具有作为能量存储装置的牵引电池的电动车辆(ebv))并且由驾驶员16控制机动车辆4。
26.在图1中显示的部件是控制单元(ecu)6、人工智能8、车辆总线10、云12和人机界面(hmi)14。
27.系统2和控制单元6、人工智能8、车辆总线10、云12和人机界面14可以具有用于下面描述的任务和/或功能的硬件和/或软件组件。
28.在本示例性实施例中，控制单元6是设置在机动车辆4中的嵌入式系统。控制单元6可以是例如机动车辆4的发动机控制单元或驾驶员辅助系统。控制单元6控制机动车辆4中的一个或多个电气系统或子系统。
29.与传统的控制单元相比，本示例性实施例中的控制单元6设计用于根据验证过的id数据集id调整机动车辆4的控制单元6的控制数据集as的至少一个参数p。
30.在本示例性实施例中，控制单元6进一步地设计用于将比如id数据集id这样的数据以及比如运行数据bd这样的其他数据无线地传输到云12，或设计用于无线地读入这样的数据。换句话说，控制单元6和云12设计用于双向无线数据交换。
31.在本示例性实施例中，人工智能8同样是也设置在机动车辆4中的嵌入式系统。人
工智能8具有必要的处理能力和硬件元件，例如cpu(中央处理器)或gpu(图形处理器)、ram(随机存取存储器)、存储器、can(控制器局域网)、移动通信(lte(长期演进))和/或以太网接口，以实时应用机器学习算法。
32.在本示例性实施例中，人工智能8进一步地连接到云12以用于双向和无线数据交换。随后将参考图2解释人工智能8的更多细节。
33.在本示例性实施例中，车辆总线10是具有一个或多个设计用于传输比如输入/输出数据这样的整个运行数据bd的接口的can总线。运行数据bd可以包括例如gps(全球定位系统)坐标、方向盘转角和/或加速器踏板和/或制动踏板设置。
34.云是例如数据中心或由多个数据中心组成的网络，云具有通过互联网协议到多个机动车辆4和/或到多个驾驶员18的双向数据连接。
35.人机界面14提供机动车辆4和物理输入硬件部件(比如键盘、触摸板、语音识别系统、面部识别和手势识别系统或远程控制装置)以及比如显示器和/或扬声器这样的输出硬件部件之间的接口。
36.在本示例性实施例中，人机界面14具有与车辆总线10的双向数据连接使得驾驶员16可以通过人机界面14控制特定车辆功能，例如音乐音量、目标内部温度、导航功能、行驶模式等。除例如机动车辆4的信息娱乐系统的人机界面的功能之外，根据本示例性实施例的人机界面14提供基于个人数据pd来验证id数据集id的功能。
37.验证id数据集id被理解为意指确认将由人工智能8确定的id数据集id分配给当前驾驶员16。
38.个人数据pd可以是例如：
39.使用与人机界面14数据连接地机动车辆4中的指纹扫描器捕获的指纹数据，使用指纹识别软件评估该指纹数据，
40.使用人机界面14的麦克风捕获并且使用语音识别软件评估的语音配置文件或来自语音配置文件的数据，
41.例如使用黑白或彩色摄像机、红外摄像机、立体摄像机和/或lidar
42.(激光雷达)传感器捕获并且使用手势识别软件评估的手势识别数据，例如使用黑白或彩色摄像机、红外摄像机、立体摄像机和/或lidar传感器捕获并且使用面部识别软件评估的面部识别数据，
43.特别是用于比如智能手表、智能手机、平板电脑这样的通过比如蓝牙这样的接口与人机界面14数据连接的移动设备的设备数据和/或用户数据，
44.由驾驶员16借助于人机界面14输入的用户标识和/或密码。
45.驾驶员16是身份由人工智能8确定的人。一旦人工智能8识别到新的驾驶员16，驾驶员16就通过人机界面14登记他的id以便能够使用上述确认方法。
46.现在将附加地参考图2以便解释在图中显示的系统2的操作。
47.系统2首先在训练阶段i中操作并且接着在预测阶段ii中操作。
48.首先，按顺序执行训练阶段i和预测阶段ii，即预测阶段ii在训练阶段i后开始。然而，随后可以连续地执行训练阶段i以便用最新数据更新人工智能8。训练阶段i在云12中进行并且预测阶段ii在人工智能8中进行。训练阶段i和预测阶段ii可以并行或同时执行。
49.在本示例性实施例中，除了用于临时存储运行数据bd的存储器18之外，人工智能8
还包括比如误差的反向传播这样的监督学习算法20，以及自编码器算法22。在训练阶段i期间在云12中训练这些算法。
50.自编码器被理解为意指人工神经网络，该人工神经网络学习数据集的压缩表示(编码)以及因此也提取基本特征。人工神经网络(ann)具有多个人工神经元，该人工神经元在深度神经网络的情况下设置在输入层和输出层之间的众多中间层(隐藏层)中。
51.自编码器算法22主要用于识别运行数据bd中的事件和/或异常。一旦识别到事件或异常，就根据运行数据bd中的数据分布创建id数据集id。如果必要的话，监督算法20然后用于从用于每个驾驶员16的多个id数据集中选择分配给当前驾驶员16的id数据集id。
52.自编码器可以使用通常用于检测非常规事件和异常的无监督学习方法。众所周知，自编码器非常有效地检测异常事件并且因此能够识别这样的事件。自编码器算法的许多变体是已知的。例如，自编码器算法22包括用于神经网络的前馈自编码器、序列到序列自编码器、对抗自编码器、卷积自编码器和变分自编码器。在本示例性实施例中使用设计为序列到序列自编码器的自编码器算法22。序列被理解为意指由多个时间连续的数据组成的数据流的一部分。
53.不同的监督学习算法可以是前馈神经网络(fnn)、循环神经网络(rnn)，例如长短期记忆网络(lstm)和门控循环单元(gru)以及卷积神经网络(cnn)。在本示例性实施例中循环神经网络与lstm算法结合使用。
54.循环神经网络指的是与前馈神经网络相比以由一层的神经元与同一层的神经元或前一层的神经元连接为特征的神经网络。因此反馈同一层或不同层的神经元。可以通过这些反馈从数据获取时间编码信息。门控循环单元或卷积神经网络也可以代替循环神经网络使用。
55.lstm算法使用存储单元将权重信息传输到以时间步长处理信息的人工神经网络的相邻单元。每个存储单元实际上是可以包含至少一个具有隐藏层的层的神经网络。除隐藏状态变量之外，这些存储单元还包含使lstm算法与其他循环神经网络相比更加稳健的单元状态变量。lstm算法也可以设计为是双向的，使得在训练阶段i期间对反向传播算法进行正向和反向训练。
56.现在附加地参考图3以便解释方法序列的更多细节。
57.在第一步骤s100中，将获取的运行数据bd临时地存储在云12的存储器18中。
58.在另一步骤s200中，在训练阶段i期间使用临时存储在存储器18中的运行数据bd训练自编码器算法22(在本示例性实施例中为序列到序列自编码器)。在本示例性实施例中，在训练阶段i期间传输云12的存储器18中的更多运行数据bd以便通过这种方式更新运行数据bd。自编码器算法22被训练以检测事件和/或异常。
59.在另一步骤s300中，响应于检测到运行数据bd中的事件和/或异常执行自编码器算法22的训练。然后在另一步骤s320中执行检查以确定运行数据bd中是否存在事件和/或异常。如果运行数据bd中存在事件和/或异常，则方法继续另一步骤s400。如果运行数据bd中不存在事件和/或异常，则在另一步骤s340中执行检查以确定是否已经存在分配给运行数据bd的id数据集id。如果不存在分配给运行数据bd的id数据集id，则方法继续另一步骤s400。相反地，如果存在分配给运行数据bd的id数据集id，则方法继续另一步骤s800。
60.在另一步骤s400中，为新的驾驶员16生成新的id数据集id。
61.在另一步骤s500中，在训练阶段i期间使用另外的id数据集id训练人工智能8的学习算法20(在本示例性实施例中为循环神经网络与lstm算法的结合)。
62.在另一步骤s600中，在预测阶段ii期间人工智能8的学习算法20确定当前驾驶员16的id数据集id。
63.在另一步骤s700中，将确定的id数据集id传输到人机界面14。
64.在另一步骤s800中，人机界面14传输通知以便通过人机界面14获得驾驶员16的确认。确认的id数据集id然后与相关联的运行数据bd一起传输到云12，在云12中它们用于训练人工智能8。
65.在另一步骤s820中进一步地执行检查以确定是否存在验证过的id数据集id。
66.在另一步骤s900中，如果不存在验证过的id数据集id，则不调整机动车辆4的控制单元6的控制数据集as的至少一个参数p。
67.相反地，在另一步骤s1000中，如果存在验证过的id数据集id，则调整机动车辆4的控制单元6的控制数据集as的至少一个参数p。
68.在另一步骤s1100中，删除未验证过的id数据集id。
69.与本示例性实施例相比，步骤的顺序也可以不同。此外，也可以并行或同时执行多个步骤。此外，同样与本示例性实施例相比，可以跳过或省略单个步骤。
70.因此，训练过的人工智能8的预测数据与另外的个人数据pd结合或合并以便确定可以分配给机动车辆4的当前驾驶员16的id数据集id。因此可以使对驾驶员16的可靠识别成为可能，这然后允许对机动车辆4的控制单元6进行个性化。
71.附图标记列表
72.2系统
73.4机动车辆
74.6控制单元
75.8人工智能
76.10车辆总线
77.12云
78.14人机界面
79.16驾驶员
80.18存储器
81.20学习算法
82.22自编码器算法
83.as控制数据集
84.bd运行数据
85.idid数据集
86.p参数
87.pd个人数据
88.i训练阶段
89.ii预测阶段
90.s100步骤
91.s200步骤
92.s300步骤
93.s320步骤
94.s340步骤
95.s400步骤
96.s500步骤
97.s600步骤
98.s700步骤
99.s800步骤
100.s820步骤
101.s900步骤
102.s1000步骤
103.s1100步骤。

技术特征：
1.一种用于操作机动车辆(4)的方法，所述方法具有以下步骤：在训练阶段(i)期间使用运行数据(bd)训练人工智能(8)，在预测阶段(ii)期间通过向训练过的人工智能(8)供给所述机动车辆(4)的运行数据(bd)来提供id数据集(id)，以及通过评估驾驶员(16)的个人数据(pd)来验证确定的id数据集(id)。2.根据权利要求1所述的方法，其中所述驾驶员(16)的所述个人数据(pd)是与语音配置文件有关的数据、特别是面部识别数据、手势识别数据和/或指纹数据的生物特征数据、特别是用户标识和/或密码的设备数据和/或用户数据。3.根据权利要求1或2所述的方法，其中根据验证过的id数据集(id)调整所述机动车辆(4)的控制单元(6)的控制数据集(as)的至少一个参数(p)。4.根据权利要求1、2或3所述的方法，其中在云(12)中执行所述训练阶段(i)。5.一种用于机动车辆(2)的计算机程序产品，所述计算机程序产品至少设计用于执行预测阶段(ii)并且验证根据权利要求1所述的确定的id数据集(id)。6.一种用于云(12)的计算机程序产品，所述计算机程序产品至少设计用于执行根据权利要求4所述的训练阶段(i)。7.一种用于操作机动车辆(4)的系统(2)，其中所述系统(2)设计用于在训练阶段(i)期间使用运行数据(bd)训练人工智能(8)、设计用于在预测阶段(ii)期间通过向训练过的人工智能(8)供给所述机动车辆(4)的运行数据(bd)来提供id数据集(id)，并且设计用于通过评估驾驶员(16)的个人数据(pd)来验证确定的id数据集(id)。8.根据权利要求2所述的系统(2)，其中所述驾驶员(16)的所述个人数据(pd)是与语音配置文件有关的数据、特别是面部识别数据、手势识别数据和/或指纹数据的生物特征数据、特别是用户标识和/或密码的设备数据和/或用户数据。9.根据权利要求7或8所述的系统(2)，其中所述系统(2)设计用于根据验证过的id数据集(id)调整所述机动车辆(4)的控制单元(6)的控制数据集(as)的至少一个参数(p)。10.根据权利要求7、8或9所述的系统(2)，其中所述系统(2)具有云(12)，在所述云(12)中执行所述训练阶段(i)。11.一种用于根据权利要求7至9中任一项所述的系统(2)的机动车辆(4)。12.一种用于根据权利要求7至9中任一项所述的系统(2)的云(12)。

技术总结
一种用于操作机动车辆(4)的方法，具有以下步骤：在训练阶段(I)期间使用运行数据(BD)训练人工智能(8)，在预测阶段(II)期间通过向训练过的人工智能(8)供给机动车辆(4)的运行数据(BD)来提供ID数据集(ID)，以及通过评估驾驶员(16)的个人数据(PD)来验证确定的ID数据集(ID)。集(ID)。集(ID)。


技术研发人员：图尔加伊
受保护的技术使用者：福特全球技术公司
技术研发日：2022.12.15
技术公布日：2023/6/26