[发明专利]用于调节交通工具的调节器的方法和设备以及用于交通工具的调节系统

说明书

本发明涉及一种用于调节交通工具的调节器的方法和设备以及用于交通工具的调节系统。提供一种用于调节交通工具的调节器的方法(100)，其中，调节器包括至少一个可变调节器参数。在此，所述方法包含接收(102)交通工具状态信息和关于可变调节器参数的当前值的信息。此外，所述方法包含通过使用人工神经网络并且基于交通工具状态信息和关于可变调节器参数的当前值的信息计算(104)可变调节器参数的额定值。所述方法还包括输出(106)可变调节器参数的额定值。

本发明涉及交通工具中的调节器的自适应匹配。本发明尤其涉及一种用于调节交通工具的调节器的方法以及设备。本发明还涉及一种用于交通工具的调节系统。

调节器多方面地用于交通工具。交通工具可以是指轿车和货运车辆。调节器在交通工具中例如用于控制发动机或者也用在驾驶员辅助系统中。在此，所使用的调节器必须既稳定又耐用。人工神经网络并不满足对稳定性和耐用性的前述标准，因此人工神经网络尽管具有一般适用性和出色的自适应性但不用作机动车中的调节器。惯用(经典)的调节器的自适应性仅非常有限，因此例如交通工具的使用者并不认为通过惯用调节器的调节能够与其需求适配。

在专利文献EP 2 629 243 A1中示出一种用于识别和追随行车道标记的方法。为了将行车道标记的候选对象分类，使用人工神经网络。然而，在专利文献EP 2 629 243 A1中没有示出用于交通工具的能够适配的调节器。

专利文献DE 10 2013 205 950 A1示出一种用于探测道路边缘的方法。为了将道路边缘的候选对象分类，使用人工神经网络。然而，在专利文献DE 10 2013 205 950 A1中也没有示出用于交通工具的能适配的调节器。

在专利文献US 8,744,689 B2中示出一种用于控制交通工具的设备。根据交通工具的横向加速度，在转向回转时制动或者加速交通工具。也可以告知交通工具的驾驶员关于理想的制动、转向或者加速阶段的信息。因此，对于驾驶员可以进行“受监控的学习”，其作为神经网络的学习方法已知。专利文献US 8,744,689 B2而又没有示出用于交通工具的能适配的调节器。

因此，本发明所要解决的技术问题在于提供一种根据需求使交通工具的调节器的调节策略适配的可能性。

该技术问题按本发明通过一种用于调节交通工具的调节器的方法解决。调节器是一种设备或者程序，其这样自主地影响一个或多个(物理)参量，使得即使存在干扰因素也尽可能好地保持预设的值。调节器在调节回路内连续地将指令参量(额定值)与调节参量(实际值)相比较并且由两个参量的差、即调节偏差(调节差)确定调节变量，所述调节变量这样影响受控系统，使得调节偏差在稳态中达到最小值。所述调节器例如可以是比例调节器(P-Regler)、比例积分调节器(PI-Regler)、比例积分导数调节器(PID-Regler)、比例导数调节器(PD-Regler)或者积分调节器(I-Regler)。按照本发明，调节器为此包括至少一个可变调节器参数，也就是调节器方程的至少一个参数是可变或者可调的。

按照本发明的方法包括接收交通工具状态信息和关于可变调节器参数的当前值的信息。交通工具状态信息指的是表征交通工具状态的数据。在此，其例如可以是在交通工具中测量的(物理)参数，如加速度、倾斜度、力矩、电压、电流、交通工具位置等或者由上述参数推导出的参量。交通工具状态信息也可以包括由调节器调节的参量的实际值与额定值的偏差。根据待调节的调节器，交通工具状态信息可以包括关于一个或多个参量的信息。可变调节器参数的当前值说明当前由调节器使用的、可变调节器参数的值。

此外，按照本发明的方法包括基于交通工具状态信息和关于可变调节器参数的当前值的信息计算可变调节器参数的额定值。在此，所述计算通过使用人工神经网络进行。人工神经网络是由人工神经(例如McCulloch-Pitts神经)组成的网络，所述网络可在其建成之后被训练，以根据需求进行适配。人工神经网络在此具有多个不同的拓扑结构。例如，人工神经网络可以是一层或多层的前馈网络或者递归网络。