[发明专利]用于车辆的依赖于情况的决策

说明书

一种用于确定车辆动作的评估装置，其中，该评估装置被实施为将车辆环境的数据馈送到人工神经网络，该人工神经网络的输出是车辆动作，其中，人工神经网络被实施为依赖于此数据预先确定事故情况，针对此事故情况对依赖于模拟的车辆动作所计算出的人员损伤和/或物品损伤的损伤函数进行评估，并且确定使得在此事故情况中损伤函数的结果最小的车辆动作。此外，本发明涉及用于获得依赖于人员损伤和/或物品损伤的损伤函数的计算机程序产品；用于培训人工神经网络的方法，该方法通过强化学习将损伤函数最小化；用于在事故情况中依赖于情况进行决策的针对车辆控制的系统；和带有根据本发明的系统或人工神经网络的驾驶员辅助系统。

技术领域

本发明涉及根据权利要求1所述的用于确定车辆动作的评估装置、根据权利要求14所述的计算机程序产品、根据权利要求17所述的用于培训人工神经网络的方法、根据权利要求19所述的用于在事故情况中依赖于情况进行决策的针对车辆控制的系统和根据权利要求22所述的驾驶员辅助系统。

背景技术

从现有技术中已知的车辆装配有多个传感器，所述传感器实现了对于车辆环境的广泛覆盖。借助于这些传感器的数据，已知的碰撞反应系统，例如紧急制动辅助(EmergencyBrake Assist)和安全气囊展开系统(Airbag Deployment System)，尝试确定对于预先限定的反应的动作时刻，例如确定紧急制动、触发安全气囊或规避行为的动作时刻。这些反应基于手动的预先限定的情形。但是在复杂的实际情况中，在任意时刻可能进行多个不能毫无问题地手动限定的反应。

发明内容

本发明由此出发。本发明的任务是提供一种系统，所述系统在事故情况中做出用于车辆的依赖于情况的决定。特别地，系统应不仅实施预先限定的反应，而且可以考虑另外的解决方案，例如在更早的时刻引入规避行为，并且由此完全避免碰撞。

根据本发明，通过带有根据权利要求1的特征的用于确定车辆动作的评估装置、带有根据权利要求14的特征的计算机程序产品、带有权利要求17的特征的用于培训人工神经网络的方法、带有根据权利要求19的特征的用于在事故情况中依赖于情况进行决策的针对车辆控制的系统和带有权利要求22的特征的驾驶员辅助系统解决了本发明的任务。

本发明的有利的构造和改进方案在从属权利要求中给出。

根据本发明的用于确定车辆动作的评估装置被实施为将车辆环境的数据馈送到人工神经网络，所述人工神经网络的输出是车辆动作。在此，所述人工神经网络被实施为依赖于此数据预先确定事故情况，针对此事故情况对依赖于模拟的车辆动作所计算出的人员损伤和/或物品损伤的损伤函数进行评估，并且确定使得在此事故情况中损伤函数的结果最小的车辆动作。

评估装置是处理所涉及的信息并且输出由此处理所引起的结果的设备，例如中央处理器单元或图形处理器。

车辆动作一方面是如下车辆动作，即通过所述车辆动作避免事故，并且另一方面是如下车辆动作，即通过所述车辆动作可以缓和所发生的事故的事故后果。通过其可以避免事故的车辆动作例如是以纵向和/或横向控制方式的介入，例如制动、转向和/或加速。用于缓和事故后果的车辆动作例如是以带张紧器调节安全带或触发安全气囊。

人工神经网络是如下算法，所述算法被实施在电子电路上并且以人类大脑的神经元网络为蓝本被编程。人工神经网络的功能单元是如下人工神经元，所述人工神经元的输出通过输入加上系统误差，即所谓的偏差的加权和来得到并且通常评估作为激活函数的值。通过测试具有不同的加权因数和/或激活函数的多个输入来培训人工神经网络，这类似于人类大脑的情况。借助于预先确定的输入对人工神经网络的培训称为机器学习。前馈意味着通过激活函数来求和并且输出。机器学习的子集是深度学习，即所谓的深层学习，其中使用神经元的一系列的分级层，即所谓的隐藏层，以执行机器学习的过程。带有多个隐藏层的人工神经网络是深度神经网络。在此，人工智能表示对于新信息的目标明确的反应。

深度神经网络通过隐藏层的布置实现了对复杂的状态空间的有效的编码，其中可以将复杂的反应模型编码。