[发明专利]用于执行基于XIL仿真的系统

说明书

本发明提供用于执行基于XiL仿真的系统和方法。读取操作数据集(BDS)，用操作数据集(BDS)训练人工智能系统。使用训练过的人工智能系统生成测试数据集(TDS)。为XiL仿真提供测试数据集(TDS)。

技术领域

本发明涉及一种用于执行基于XiL仿真的系统。

背景技术

基于XiL的仿真可以是以模型在环(MiL)、软件在环(SiL)、处理器在环(PiL)、和/或硬件在环(HiL)为基础的仿真。MiL包含用于控制系统的模型构建以及用于行为仿真的ECU(电子控制单元)，SiL是用ECU的目标语言创建的用于软件开发的自动化测试的模型，PiL是处理器的测试，以及HiL指的是一种方法，在该方法中嵌入式系统(例如真实的电子ECU或真实的机械电子部件，即硬件)通过该嵌入式系统的输入和输出连接至匹配的对应物。

例如在快速原型领域中，这样的基于XiL的仿真支持开发项目。众所周知的XiL系统是dSpace XiL仿真。

在这样的基于XiL的仿真的背景下，XiL组件加载已经临时存储在云中的测试数据集，其中测试数据集来源于车队的机动车辆、卫星系统、和/或V2X系统。例如，这样的方法从文件CN 110687828 A或US 10,169,928 B2是已知的。用于快速原型的方法是从文件CN110837231 A已知的。

然而，目前不可能使用来自云的操作数据集。

因此，有必要确定可以进一步地改进这样的基于XiL的仿真的方法。

发明内容

本发明的目的是通过用于执行基于XiL的仿真的方法来实现的，方法具有以下步骤：读入操作数据集，用操作数据集训练人工智能系统，用训练过的人工智能系统生成测试数据集，以及为XiL仿真提供测试数据集。

操作数据集包含例如在机动车辆的运行过程中生成的数据。数据可以是车辆内部数据，例如，比如通过机动车辆的CAN(Controller Area Network，控制器局域网)总线传输的数据。然而，数据还可以是例如代表交通量或当前交通情况的特定交通数据。

人工智能系统设计用于机器学习。机器学习意指从经验中产生知识，即人工智能系统从示例中学习并且可以在训练阶段完成之后根据这些进行概括。机器学习使用算法来生成基于训练数据的统计模型。换句话说，示例不仅仅是通过死记硬背来学习，而是认识到训练数据中的模式和规律。通过这种方式，人工智能系统还可以评估不可见的数据(学习迁移)。在训练阶段过程中，可以通过监督式学习或无监督学习来训练人工智能系统。

例如，测试数据集可以包含交通数据、维修数据、特定GPS(Global PositionSystem，全球定位系统)坐标处的环境的映射数据、与传动系统相关的数据(例如，关于EBV【电子制动力分配】和混合动力车辆的能量回收信息，以及关于特定部件的内燃发动机的再生过程)、车辆部件的大致状态、以及现有的操作数据集中未包含的所有类型的数据。

根据一实施例，人工智能系统对操作数据集进行分类以便获得分类过的操作数据集。分类过程将操作数据集分成不同的类别。相应地，在实际操作之前人工智能系统的训练阶段过程中，对系统进行相应分类的训练。换句话说，操作数据集是预先分类的。因此，基于用于要执行的XiL仿真的合适的操作数据集的测试数据集是可用于相应的XiL仿真。

根据另一实施例，人工智能系统对测试数据集进行扩充以包括扩充的测试数据集。通过这种方式，可以填充和弥补测试数据集中的空白。因此，扩宽测试数据的基础。相应地，在实际操作之前人工智能系统的训练阶段过程中，对系统进行相应扩充的训练。