CN114556248B 用于确定传感器配置的方法 （康佩迪有限责任公司）

2022.04.08PCT/EP2020/0721962020.08.06WO2021/028322EN2021.02.18一种用于确定包括多个传感器的车辆中的2-将初步传感器配置改变成最终传感器配置，所述最终传感器配置包括第二数量的真-进行因果关系分析，所述因果关系分析确定真实传感器的子集的记录输出之间的因其中因果关系分析包括构建逐组分的神经网络CWNN，其中真述神经网络的训练的子模型以便仿真相应的4.根据权利要求2所述的方法，其中，从组顺序加权套索(Gr5.根据权利要求2至4中任一项所述的方8.根据权利要求1至4中任一项所述的方法，其中，3-将初步传感器配置改变成最终传感器配置，所述最终传感器配置包括第二数量的真-评估所记录的真实传感器信号，以便确定是否至少第一个真实传感器可以用第一虚输出对第一真实传感器的真实传感器信号进行仿真的虚拟传其中为样本的至少子集确定真实传感器的记录输出之间的其中DCG被转换成有向无环图(DAG)，其中将具有最高因果关其中分别形成DAG中的叶子或根的至少一个真实传感4[0004]CanaleM.等人的“Astudyontheuseofvirtualsensorsinvehiclecontrol”(DecisionandControl,2008.CDC2008.47thIEEEConferenceon,IEEE,Piscataway,NJ,USADecember9,2008-ISBN978-1-4244-3123-6)涉及直接虚拟传感器[0005]US2008/312756A1涉及一种为机器提供传感器的方法。该方法可以包括获得包括来自机器的多个传感器的数据的数据记录，以及确定对应于多个传感器之一的虚拟传感[0007]以上目的通过一种用于确定包括多个传感器的车辆中的传感器配置的方法来实[0010]本发明的基本思想是要在车辆的真实和虚拟传感器二者中找到最优的传感器配5[0011]确定至少一个真实传感器是否可以用虚拟传感器替换的步骤优选地包括使用人试运行期间在移动评估计算机上进行对记录的真实传感器信号的评估以及用虚拟传感器有显著的重量和/或具有显著的成本的情况下，人们才可能考虑进行对某个真实传感器是迟可能是相关的考虑因素。时间延迟可能是由基于对虚拟传感器的输入的复杂计算引起条件可能此外被加权以便达到优选的最终传且输出对第一真实传感器的真实传感器信号进行仿真的虚拟传6尔兹曼机器试图通过估计其边中的权重(边类似于条件概率分布)来学习节点如何彼此影[0027]因此，通常使用受限的玻尔兹曼机器(RBM)，其中来自相同类型的节点不彼此连[0028]玻尔兹曼机器和受限的玻尔兹曼机器是可能不考虑时间序列中的时间依赖性的步骤是虚拟传感器的准确度和/或车辆的驾驶行为和/或将被替换的真实传感器的成本的[0030]如果虚拟传感器的准确度和/或车辆的驾驶行为和/或将被替换的真实传感器的[0031]确定至少一个真实传感器是否可以用虚拟传感器替换的以上概念或多或少基于7[0037]在该陈述中，C是二元因果关系函数，f是考虑到例如成本或安全性方面(像冗余[0041]在优选实施例中，为样本的至少子集确定真实传感器的记录输出之间的因果关8[0048]对应地，如果在DAG中分别形成叶子或根的至少一个真实传感器被确定为可替换[0052]随机概率过程可以通过如例如马尔可夫链蒙特卡罗(MCMC)之类的概率算法来实真实传感器变成虚拟传感器)的有利方式，可以学习信号表示的任何统计或确定性算法可9感器子集的一些或每个其他真实传感器的输出。此外，将被仿真的真实传感器(所谓的目[0078]在本发明的优选方面，如果为每个训练的虚拟传感器(子模型)计算因果关系向用。[0113]传动装置24的输出连接到差速器26，该差速器26适于将驱动力分配给从动后轮[0119]车辆10可以包括测量例如用于调整车辆座椅倾斜度的电动机转速的大量另外的[0142]问题出现：这三个传感器中的任何一个(在图1的示例中是真实传感器)是否可以被替换的真实传感器的真实传感器信号进行仿真的虚拟传将具有最高因果关系的真实传感器或具有最低因果关系的真实传感器取作有向无环图的[0149]在有向无环图(DAG)中，分别形成图的叶子或根的至少一个真实传感器被确定为[0154]在第一行中，示出了传感器X1以0.8的因子引起传感器X2(因果关系75a)并且以[0160]图5的有向循环图DCG88可以被转换成如在图6中90所示的有向无环图(DAG)。存在叶子处的每个传感器将通过模型标识管道，其中目标值是人们希望重构的传感器信号，[0165]以上示例说明了简单的传感器空间或配置，其中DAG树是基于配置中的所有传感[0167]图7示出了由例如传感器30测量的转速Seng、由例如传感器32测量的转速Stran、[0172]图8的DCG88”示出了相应的传感器依赖于相应线的粗度和从根开始的路径长度[0182]例如在图10中在100处示出的玻尔兹曼机器能够表示给定无限训练数据的具有许的速度Swl和右从动轮的速度Swr，可以建立如图12中的100”所示的受限玻尔兹曼机器[0200]这里，发动机速度和传动速度由真实传感器测量，并且速度FL(对应于Swl)和FRT[0220]方法120包括在方法开始之后进行的第一步骤D2。在图16中的步骤D2或图19中的传感器对应于神经GC的组分之一，并且其中每个组分由虚拟传感器子模型(其本身是神经少一些其他真实传感器的输出(优选地是每个其他真实传感器的输出)来仿真相应的真实传感器作为输入(除了将由该特定子模型预测的真实传感器之外的其他真实传感器的记录中，每个子模型通过合计它们的损失并且反向传播它们以优化子模型的权重而被一起训[0228]在图16中的后续步骤D10(或图19中的D10')，提取的权重Wi被解释以便提取相关的因果关系(类似于上面在较早的实施例中描述的因果关系)。在图19中，该因果阶段在选地在车辆的最终传感器配置中用虚拟传感器被变换到它们相应的嵌入层中(在T8示出)。子模型神经网络的层在T10-1至T10-N处示出。使用参数捆绑技术将相似的特征分组在一起，并且在PGD(近似梯度下降)或另一稀疏诱导[0242]损失T20用于基于使用稀疏诱导优化器来优化权重T24-1至T24-N，如在图17中的[0246]-达到第一隐藏层的权重中的目标稀疏百分比；期望的稀疏百分比是子模型神经用稀疏诱导优化器来优化权重。稀疏诱导优化器(T28)的输出在这种情况下被反向传播到[0251]一旦拟合了神经GC，每个子模型的相应第一层的权重应当是稀疏的(其中分配有器的输出数据)——即训练相应模型的数据集——被随机打乱并再次被馈送以进行预测。因果关系矩阵，有向循环图(如图19中的DCG88”')可以被构建并且被转换成有向无环图