用于确定行驶变化过程的方法技术

用于确定行驶变化过程的方法，具有步骤：从第一数据库中选择第一行驶路线，获得第一行驶路线作为输入变量，针对第一行驶路线生成所属的第一行驶变化过程，在第二数据库中存储行驶路线和分别所属的在行驶运行中检测的行驶变化过程，从所述第二数据库中选择第二行驶路线和分别所属的在行驶运行中检测的第二行驶变化过程，获得第一行驶路线之一与分别所属的第一生成的行驶变化过程的配对以及第二行驶路线与分别所属的在行驶运行中检测的第二行驶变化过程的配对作为输入变量，根据输入变量计算输出，根据输出优化目标函数，该目标函数表示在具有第一生成的行驶变化过程的配对的分布与具有在行驶运行中检测的第二行驶变化过程的配对的分布之间的距离。

【技术实现步骤摘要】
用于确定行驶变化过程的方法
本专利技术涉及用于借助于机器学习系统生成或评估车辆的行驶变化过程(Fahrverlauf)的计算机实现的方法，用于教导这种机器学习系统的计算机实现的方法以及为此而设计的计算机程序和学习系统。
技术介绍
DE102017107271A1公开了一种用于确定主导行驶循环（Leitfahrzyklus）的方法，该主导行驶循环用于进行行驶测试以确定来自机动车辆的废气排放。在此，基于参数组推导出针对不同行驶循环的速度曲线。目标是确定主导循环，所述主导循环尽可能地反映给定边界条件内的“最大”排放情况。在一些国家，法律规定对借助于内燃机驱动的新机动车辆的许可取决于在实际行驶运行中产生的排放。实际行驶排放的英文名称realdrivingemissions也用于此。这样的机动车辆包括例如仅由内燃机驱动的机动车辆，但也包括具有混合动力传动系的机动车辆。为此规定，检查人员利用所述机动车辆驶过一个或多个行驶循环并且测量在此过程中产生的排放。然后对所述机动车辆的许可取决于这些测量的排放。在此，检查人员可以在很宽的限制内自由选择所述行驶循环。在此，一个行驶循环的典型持续时间可以是例如90-120分钟。因此，对于机动车辆的制造商而言，在机动车辆的开发中面临着必须在新机动车辆的开发过程中就已经及早预见该机动车辆的排放是否在每个允许的行驶循环中都保持在法律规定的限制内的挑战。因此，重要的是提供方法和设备，所述方法和设备在机动车辆的开发阶段中就已经能够可靠地预测所述机动车辆的预期排放，以便能够在预期超过极限值的情况下对所述机动车辆进行改变。由于可考虑的行驶循环种类繁多，因此仅基于在检查台上或在行驶的机动车辆中的测量进行的这种估算非常复杂。因此，在现有技术中例如提出了确定所谓的主导循环（Leitzyklus），对于所述主导循环而言满足排放规定是特别具有挑战性的。在此假设：如果对于最具挑战性的循环来说满足排放规定，那么对于所有可考虑的行驶循环来说都将满足排放规定。但是，除了在每个可考虑的或允许的行驶循环中必须满足废气法规的要求之外，车辆开发或驱动器开发还有一个重要目标是使车辆驱动系统在实际运行中的总排放最小化。虽然在车辆驱动系统适配于或优化于最关键或特别关键的行驶循环的情况下可能可以在所有循环中都保证满足标准，但是由此在不太关键的循环中存在排放显著恶化的风险。于是，如果在实际行驶运行中不太关键的循环还是更频繁的循环（通常是这种情况），则通过这种优化会使整个系统在实际运行中的排放方面恶化。例如，将排放优化于关键的、但实际上非常罕见的、具有极端速度曲线的行驶循环（例如，具有强劲加速的极端爬坡行驶）可能会导致对于不太关键的、但具有常见速度曲线的为此频繁地多的行驶循环（例如短的、带交通信号灯的城市行驶）来说会恶化排放，这总的来说可能会导致实际运行中的排放更高。因此，为了开发具有内燃机的排放优化的车辆，能够自动生成大量现实的速度曲线是非常有利的，所生成的速度曲线的分布对应于实际预期的分布或近似于该实际预期的分布。因此，目标是生成具有代表实际运行的分布的速度曲线。除了低排放驱动系统的开发或这种驱动系统的排放优化的应用之外，这种生成的速度曲线也可以有利地用于预测的行驶，例如在电动车辆或电动自行车的电池管理、混合动力车辆的驱动管理、带有内燃机的车辆的废气成分的再生管理中。以这种方式生成的速度曲线还可以为确定用于详细说明器件的载荷谱和负载场景做出宝贵的贡献，例如，特定器件（例如泵）在其使用寿命期间会经历什么样的负载。
技术实现思路
因此，计算机辅助地生成在代表实际运行的分布中的速度曲线是一项重要的技术任务，其可以在各种场景下显著改善车辆的开发或优化，并由此有助于更低排放和更高效率的车辆，特别是有助于更低排放和更高效率的车辆驱动系统。因此在第一方面，提出了一种用于训练机器学习系统的计算机实现的方法，所述机器学习系统用于生成车辆的行驶变化过程。行驶变化过程在此是指车辆的行驶特性的变化过程，其中所述行驶特性是车辆传动系的可利用传感器测量的特性，特别是物理或技术特性，所述特性表征了车辆的移动。作为最重要的变型，所述行驶变化过程包括所述车辆的速度变化过程。车辆的速度变化过程对于特定行驶来说是用于确定排放、消耗、磨损和类似变量的一个或多个主导变量。在此，速度变化过程既可以通过速度值来加以确定，但也可以通过从速度值导出的变量（如加速度值）来加以确定。其他重要的行驶特性——这些行驶特性的变化过程对于诸如确定排放、消耗或磨损的应用来说很重要——特别是包括油门踏板的位置或传动比。在此，所述训练方法包括以下步骤：-从具有行驶路线的第一数据库中选择第一行驶路线，-所述机器学习系统的生成器获得所述第一行驶路线作为输入变量，并针对这些第一行驶路线分别生成所属的第一行驶变化过程，-在第二数据库中存储行驶路线和分别所属的在行驶运行中检测的行驶变化过程，-从所述第二数据库中选择第二行驶路线和分别所属的在行驶运行中检测的第二行驶变化过程，-所述机器学习系统的判别器获得第一行驶路线之一与分别所属的第一生成的行驶变化过程的配对以及第二行驶路线与分别所属的在行驶运行中检测的第二行驶变化过程的配对作为输入变量，-所述判别器根据所述输入变量计算输出，所述输出针对作为输入变量获得的每个配对表征或映射或量化这是具有第一生成的行驶变化过程的配对还是具有在行驶运行中检测的第二行驶变化过程的配对，-根据所述判别器的输出计算、特别是优化目标函数，该目标函数表示或映射或量化在具有第一生成的行驶变化过程的配对的分布与具有在行驶运行中检测的第二行驶变化过程的配对的分布之间的距离或差异。在此，所述第一数据库和所述第二数据库可以被实现为一个（公共）数据库。优选地，根据所述目标函数的优化对所述机器学习系统的参数进行适配，使得a.所述判别器被优化为将第一生成的行驶变化过程与在行驶运行中检测的第二行驶变化过程区分开来，b.所述生成器被优化为在第一分布中生成第一生成的行驶路线，所述第一生成的行驶路线尽可能难以通过所述判别器区别于存在于第二分布中的在行驶运行中检测的第二行驶变化过程。在优选的构型中，根据所述目标函数的梯度来适配所述机器学习系统的参数。提出的训练方法提供了一种计算机实现的机器学习系统，可以利用该机器学习系统生成代表性行驶变化过程，由此又可以在考虑到实际的代表性影响的情况下采取措施，如优化排放或关于排放来验证系统。所述目标函数优选被实现为静态距离，例如詹森-香农（Jenson-Shannon）距离。所述目标函数优选地被实现为Wasserstein度量，特别是第一行驶变化过程的第一分布与第二行驶变化过程的第二分布之间的Wasserstein距离。因此，生成的数据的分布有利地反映了测量的数据的分布的全变异（dievolleVarianz），从而防止了所谓的模式崩溃。此外，由于所述目标函数防止了梯度消失（vanishinggradient本文档来自技高网...

【技术保护点】
1.一种用于训练机器学习系统（4）的计算机实现的方法，所述机器学习系统用于生成车辆的行驶变化过程，特别是速度变化过程、油门踏板位置的变化过程或传动比的变化过程，其特征在于以下步骤：/n从具有行驶路线的第一数据库（1）中选择第一行驶路线，/n所述机器学习系统（4）的生成器（41）获得所述第一行驶路线作为输入变量，并针对所述第一行驶路线分别生成所属的第一行驶变化过程，/n在第二数据库（2）中存储行驶路线和分别所属的在行驶运行中检测的行驶变化过程，/n从所述第二数据库（2）中选择第二行驶路线和分别所属的在行驶运行中检测的第二行驶变化过程，/n所述机器学习系统（4）的判别器（42）获得所述第一行驶路线之一与分别所属的第一生成的行驶变化过程的配对以及第二行驶路线与分别所属的在行驶运行中检测的第二行驶变化过程的配对作为输入变量，/n所述判别器（42）根据所述输入变量计算输出，所述输出针对作为输入变量获得的每个配对表征这是具有第一生成的行驶变化过程的配对还是具有在行驶运行中检测的第二行驶变化过程的配对，/n根据所述判别器（42）的输出优化目标函数（5），所述目标函数表示在具有第一生成的行驶变化过程的配对的分布与具有在行驶运行中检测的第二行驶变化过程的配对的分布之间的距离。/n...

【技术特征摘要】
20190416 DE 102019205519.21.一种用于训练机器学习系统（4）的计算机实现的方法，所述机器学习系统用于生成车辆的行驶变化过程，特别是速度变化过程、油门踏板位置的变化过程或传动比的变化过程，其特征在于以下步骤：
从具有行驶路线的第一数据库（1）中选择第一行驶路线，
所述机器学习系统（4）的生成器（41）获得所述第一行驶路线作为输入变量，并针对所述第一行驶路线分别生成所属的第一行驶变化过程，
在第二数据库（2）中存储行驶路线和分别所属的在行驶运行中检测的行驶变化过程，
从所述第二数据库（2）中选择第二行驶路线和分别所属的在行驶运行中检测的第二行驶变化过程，
所述机器学习系统（4）的判别器（42）获得所述第一行驶路线之一与分别所属的第一生成的行驶变化过程的配对以及第二行驶路线与分别所属的在行驶运行中检测的第二行驶变化过程的配对作为输入变量，
所述判别器（42）根据所述输入变量计算输出，所述输出针对作为输入变量获得的每个配对表征这是具有第一生成的行驶变化过程的配对还是具有在行驶运行中检测的第二行驶变化过程的配对，
根据所述判别器（42）的输出优化目标函数（5），所述目标函数表示在具有第一生成的行驶变化过程的配对的分布与具有在行驶运行中检测的第二行驶变化过程的配对的分布之间的距离。


2.根据权利要求1所述的方法，其特征在于，根据所述目标函数（5）的优化来适配所述机器学习系统（4）的参数，使得
所述判别器（42）被优化为将第一生成的行驶变化过程区别于在行驶运行中检测的第二行驶变化过程，
所述生成器（41）被优化为在第一分布中生成第一生成的行驶路线，所述第一生成的行驶路线尽可能难以通过所述判别器（42）区别于存在于第二分布中的在行驶运行中检测的第二行驶变化过程。


3.根据权利要求2所述的方法，其特征在于，根据所述目标函数（5）的梯度来适配所述机器学习系统（4）的参数。


4.根据前述权利要求中任一项所述的方法，其特征在于，将所述第一行驶变化过程的第一分布与所述第二行驶变化过程的第二分布之间的统计距离实现为所述目标函数（5）。


5.根据权利要求4所述的方法，其特征在于，将所述目标函数（5）作为简森-香农距离或作为Wasserstein度量实现，特别是作为所述第一行驶变化过程的第一分布与所述第二行驶变化过程的第二分布之间的Wasserstein距离。


6.根据权利要求5所述的方法，其特征在于，给所述目标函数（5）扩展正则化项，或进行权重裁剪。


7.根据前述权利要求中任一项所述的方法，其特征在于，第一和第二行驶路线是在时间或空间离散化步骤中存储的数据，其中针对每个路线在每个离散化步骤中存储路线特性。


8.根据权利要求7所述的方法，其特征在于，所述路线特性包括地理特性、交通流的特性、行驶道路特性、交通管理的特性和/或路线的气候特性。


9.根据权利要求7或8中任一项所述的方法，其特征在于，所述第一行驶路线的路线特性至少部分地由所述机器学习系统生成，特别是由神经网络生成。


1...

【专利技术属性】
技术研发人员：M席格，MB扎法尔，S安格迈尔，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE