用于识别在行驶状态和车辆停车之间的变换的方法技术

用于识别在行驶状态和车辆停车之间的变换的方法。本发明专利技术涉及一种用于识别在行驶状态和车辆停车之间的变换(W

【技术实现步骤摘要】
用于识别在行驶状态和车辆停车之间的变换的方法


[0001]本专利技术涉及一种用于识别在行驶状态和车辆停车之间的变换的方法。此外，本专利技术涉及一种用于训练机器学习系统来识别在行驶状态和车辆停车之间的变换的方法。

技术介绍

[0002]各种车辆功能依据车辆是处于停车还是处于动态行驶状态的信息来指示。仅在车辆停止时，例如才可以关闭自动化停车制动器。车辆停车通常由制动系统确定，所述制动系统通过转速传感器检测各个车轮的转动。一旦传感器不再识别车轮转动或车轮圆周速度处于规定的阈值以下，就对于车辆确定停车状态。利用该信息可以释放仅在停车中才允许执行的车辆功能。
[0003]从DE 199 63 750 B4中已知一种用于识别车辆的停车的方法和装置。在该方法中，根据车辆的速度或车辆的至少一个车轮的速度来实施停车识别。在此，根据在制动车辆时的制动力并且根据两个速度阈值进行识别。
[0004]单个硬件故障可能导致初级停车识别的失效。从而，具有与关于车辆停车的信息的相关性的所有车辆功能被降级或仅仍有限地可用。如果即使在这种简单故障的情况下也必须获得功能能力，则需要通过次级停车识别、诸如附加的车轮转速传感器系统对车辆停车进行冗余的识别。

技术实现思路

[0005]本专利技术所基于的任务在于，说明一种方法，利用所述方法可以以简单且可靠的方式确定在行驶状态和车辆停车之间的变换。
[0006]该任务通过具有权利要求1的特征的用于识别在行驶状态和车辆停车之间的变换的方法来解决。该任务附加地通过具有权利要求4的特征的用于训练机器学习系统来识别在行驶状态和车辆停车之间的变换的方法来解决。可以从从属权利要求中获悉优选的实施方式。
[0007]本专利技术说明一种用于识别在行驶状态和车辆停车之间的变换的方法。在此，该方法包括以下步骤：确定至少一个行驶动力学状态参量，将行驶动力学状态参量输入到经训练的机器学习系统中，以及输出关于在行驶状态和车辆停车之间的变换的信息。
[0008]在识别到在行驶状态和车辆停车之间的变换时，一方面应该确定车辆何时达到停车，并且另一方面应该确定车辆何时从停车开动。为了确定，在此确定行驶动力学状态参量。行驶动力学状态参量在此是在行驶期间不断变化的值。行驶动力学状态参量在此尤其是在行驶状态和车辆停车之间变换时发生变化。这样的状态参量有利地经由传感器被确定。同样可以从其他测量值计算这样的值。
[0009]机器学习系统在此具有优点，即所述机器学习系统可以从仅受在行驶状态和车辆停车之间的变换影响的值中来确定关于这种变换的陈述。由此简化变换的确定，因为机器学习系统不被规定到特定的值。从而可以使用仅受变换影响的所有值。由此可以可变地使
用这样的机器学习系统。
[0010]在本专利技术的一种优选实施方案中，行驶动力学状态参量包括车辆车身在纵向上的加速度、车辆车身围绕车辆横轴的加速度、单个车轮的压缩状态(Einfederzustand)、主制动缸中的制动压力、单个车轮的车轮制动器中的制动压力和车轮速度。当在行驶状态和车辆停车之间变换时，这些参量中的每一个都发生变化。从而通过机器学习系统可以从这些值中识别变换。
[0011]有利地，这些行驶动力学状态参量通过已经存在的传感器来确定。换句话说，这些传感器的这些值已经为其他车辆功能所需要，并且因此已经被安装。不必安装附加的传感器来识别变换，使得可以经济地执行这种方法。例如，用于测量压缩状态的水平传感器已经被用于动态大灯范围调整。
[0012]本专利技术所基于的任务附加地通过一种用于训练机器学习系统来识别在行驶状态和车辆停车之间的变换的方法来解决。在第一步骤中，将包括至少一个表征在行驶状态和车辆停车之间的变换的行驶动力学状态参量的训练数据输入到机器学习系统中。
[0013]根据这些训练数据，机器学习系统确定在行驶状态和车辆停车之间的变换。在此，尤其是确定这种变换的时间点。随后将机器学习系统的所确定的变换与在行驶状态和车辆停车之间的变换的实际时间点进行比较。实际变换在此是例如通过车轮转速传感器确定的值。换句话说，检验通过机器学习系统确定的变换的时间点是否与变换的实际时间点一致。在下一步骤中，利用成本函数评价所确定的偏差。
[0014]在另一步骤中，改变表征模型的行为的参数，说具有的目的是，在通过机器学习系统对训练数据进一步处理时预料地改善通过成本函数进行的评价。由此在每个学习步骤时改善变换的确定。如果所确定的可靠性因子大于预定的值，则释放利用机器学习系统对变换的确定。由此，仅当实现足够的精度时才使用利用机器学习系统对变换的确定。由此提高这种车辆的安全性。借助于机器学习系统确定变换在此是一种简单且经济的可能性。这尤其是适用于借助于已经存在的传感器确定行驶动力学状态参量的情况。
[0015]在本专利技术的另一优选实施方案中，关于所识别的在行驶状态和车辆停车之间的变换的数据经由初级识别单元被提供。初级识别单元在此是通常探测变换的装置。由此，通过机器学习系统对变换的识别构成对于初级识别单元的冗余系统。
[0016]由于初级识别单元的数据而在交付车辆之前不必产生训练数据。因此，训练数据在每个车辆本身中被产生。由此，在机动车辆中使用机器学习系统在经济上是可能的。
[0017]所述机器学习系统在运行期间优选地借助于所确定的行驶动力学状态参量被进一步训练。因此，在可靠性因子足够之后，训练不被终止。由于磨损，在车辆的使用寿命期间，各种因子可能发生变化。例如，减震器的阻尼效果随着时间的推移而降低。负荷状态也可以在不同的行驶期间发生变化。机器学习系统因此不断地被适配于当前事件，使得可以以高的精度确定在行驶状态和车辆停车之间的变换的精度。通过不断地训练持续地检验可靠性因子，使得可以迅速地识别机器学习系统的无动作。由此，附加地提高在行驶状态和车辆停车之间的变换的识别的可靠性。
[0018]在一种有利的改进方案中，如果训练在运行期间已被中断预定的时间，则借助于所述机器学习系统去活对在行驶状态和车辆停车之间的变换的识别。如果在初级识别单元有缺陷之后，仅通过机器学习系统实施停车的识别，则该系统的训练保持不发生。然而，由
于缺乏训练，机器学习系统因车辆的磨损而变得不准确。为了不给车辆系统提供关于变换的错误的值，在预定的时间之后完全去活识别。附加地，可以为驾驶员输出其他故障消息。由此提高车辆的安全性。
[0019]有利地，在输入所述行驶动力学状态参量之前，附加地从所述行驶动力学状态参量中确定特征参量，所述特征参量同样被输入到所述机器学习系统中。特征参量在此是从行驶动力学状态参量导出的并且提供来自各种行驶动力学状态参量的不同认识。这样的特征参量例如可以包括平均值、在升高/下降时的梯度、频率或衰减时间。
[0020]根据所输入的数据，机器学习系统确定与评估相关的数据并且相应地对所述数据进行加权。通过增加数据量使机器学习系统变得容易确定相关数据。由此提高在行驶状态和车辆停止之间的变换的确定的精度。附加地，缩短在机器学习系统具有足够的可靠性之前的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于识别在行驶状态和车辆停车之间的变换(W
M
)的方法，所述方法包括以下步骤：
‑
确定(A)至少一个行驶动力学状态参量(S
W
)，
‑
将所述行驶动力学状态参量(S
W
)输入(B)到经训练的机器学习系统中，以及
‑
输出(C)关于在行驶状态和车辆停车之间的变换(W
M
)的信息。2.根据权利要求1所述的方法，其特征在于，所述行驶动力学状态参量(S
W
)说明以下参量中的至少一个：
‑
车辆车身在纵向上的加速度，
‑
车辆车身围绕车辆横轴的加速度，
‑
单个车轮的压缩状态，
‑
主制动缸中的制动压力，
‑
单个车轮的车轮制动器中的制动压力，和
‑
车轮速度。3.根据权利要求1或2所述的方法，其特征在于，使用已经存在的传感器用于测量行驶动力学状态参量(S
W
)。4.一种用于训练机器学习系统来识别在行驶状态和车辆停车之间的变换(W
M
)的方法，所述方法包括以下步骤：
‑
输入训练数据(I)，所述训练数据包括至少一个表征在行驶状态和车辆停车之间的变换(W
M
)的行驶动力学状态参量(S
W
)，
‑
借助于所述机器学习系统确定(J)在行驶状态和车辆停车之间的变换(W
M
)，
‑
将所述机器学习系统的所确定的变换(W
M
)与在行驶状态和车辆停车之间的实际变换(W
T
)进行比较(K)，
‑
利用成本函数评价(L)偏差，
‑<...

【专利技术属性】
技术研发人员：B，
申请(专利权)人：罗伯特，
类型：发明
国别省市：