用于处理嵌入式系统的高斯过程预测的方差的方法与流程

本发明涉及一种用于处理嵌入式系统的高斯过程预测的方差的方法。本发明此外涉及用于此目的的计算机程序、设备以及存储介质。

背景技术：

1、嵌入式系统在大量技术环境中得以应用。从而，例如也在车辆中设置嵌入式系统，以便执行各种监控、控制或调节功能。此外通过嵌入式系统还可以通过诸如高斯过程之类的模型进行计算或预测，所述模型可以基于车辆的传感器数据。

2、高斯过程(gp)尤其是可以被用作用于非参数回归的概率方法。例如，在嵌入式系统中，在现有技术中存在特殊的硬件加速器，所述硬件加速器允许高效地计算高斯过程预测的期望值。

3、预测的计算和存储需求在此尤其是利用o(m)缩放，其中m是控制点(stützpunkten)的数量。控制点的数量可以是超参数，并且可以以特定于应用的方式自由地被选择，其中控制点的数量可以影响逼近的准确性。尤其是，控制点与所使用的数据输入位于同一空间中。例如，此外存在方案，其中控制点位于不同的空间中。

4、为了准确地计算预测的方差，存储器和运行时间需求可能处于o(m2)中，并且其计算因此不被当前的硬件加速器支持。尤其是，计算gp预测的方差的标准算法利用o(m2)缩放并且因此不适用于嵌入式系统。例如，存在需要不确定性的预测的应用。对此的示例是安全关键应用。为此，通常训练第二模型、即所谓的看门狗，所述看门狗决定ki模型是否是可信的。但是，如果gp和看门狗不同地估计不确定性，这可能导致问题。因此可能更好的是，直接使用gp方差。

5、在elenkov、martin[等人]的文章：estimation methodsforviscosity，flowrateand pressure from pump-motor assembly parameters.in：sensors，vol.20，2020，s.1451中描述在使用高斯过程回归模型的情况下用于血流速率、压力差和粘性的估计方法。

技术实现思路

1、本发明的主题是具有权利要求1的特征的方法、具有权利要求8的特征的计算机程序、具有权利要求9的特征的设备以及具有权利要求10的特征的计算机可读存储介质。本发明的其他特征和细节从相应的从属权利要求、说明书和附图中得出。在此，结合根据本发明的方法描述的特征和细节当然结合根据本发明的计算机程序、根据本发明的设备以及根据本发明的计算机可读存储介质也适用，并且反之亦然，使得关于针对各个发明方面的公开，总是被相互参考或者可以被相互参考。

2、本发明的主题尤其是一种用于处理嵌入式系统的高斯过程预测的方差的方法，所述方法包括以下步骤：

3、-提供嵌入式系统的传感器数据，

4、-执行高斯过程预测，其中基于传感器数据确定目标参量的期望值，

5、-基于传感器数据确定至少一个样本、优选地至少一个蒙特卡洛(monte-carlo)样本，以便在使用至少一个样本的情况下确定所确定的期望值的方差，

6、-基于所确定的方差的分析对高斯过程预测进行分类，其中分类的至少一个类别对高斯过程预测的准确性和/或不准确性进行分类，并且优选地将高斯过程预测分类为不准确的，

7、-根据高斯过程预测的分类发起措施。

8、嵌入式系统尤其是可以是例如车辆中的计算机或微型计算机，所述计算机或微型计算机结合到技术情境中。在此，计算机或微型计算机可以例如接管监控、控制或调节功能或者可以负责一形式的数据或信号处理。高斯过程预测优选地涉及基于现有的控制点来估计或预测函数或过程在一个或多个未观测的点处的值。尤其是，高斯过程是用于估计函数所使用的概率模型。高斯过程将函数建模为可能函数上的分布，并且可以有利地不仅提供函数变化过程的估计而且提供关于估计的不确定性的信息。尤其是，蒙特卡洛样本是在蒙特卡洛模拟中使用的一种类型的样本。蒙特卡洛模拟优选地是一种使用随机数来产生数值结果并且解决可能难以或不可能解决的复杂问题的方法。在本发明的上下文中，蒙特卡洛样本可以是从高斯过程抽取的函数的示例。每个样本可以代表可能的函数，所述函数可以阐述给定的数据。通过抽取和分析这些样本中的许多样本，可以有利于获得关于哪些函数是可能的或更有针对性的以及哪些不是的理解。通过该方法可以有利地评定高斯过程预测是否是可信的，这优选地通过分类为不准确的来表达。此外，样本的使用可以有利地减少为此所需要的计算耗费。

9、此外可设想的是，传感器数据从对至少一个虚拟传感器的测量中得到，其中目标参量是基于传感器数据通过高斯过程预测来预测的测量参量。虚拟或间接传感器优选地是软件功能，利用所述软件功能能够从其他可测量或可用的传感器数据和信息中导出或估计不能测量或难以测量的参量。因此，虚拟传感器尤其是不是真实存在的传感器，而是代表性测量参量相对于目标参量的相关性模拟。可替代地，传感器数据也可以从真实传感器的测量得到。

10、高斯过程预测可以在使用大量初始函数的情况下来执行。初始函数可以是所谓的先验函数，所述先验函数反映在通过所观测的数据进行基于证据的更新之前关于函数的原始知识或原始假设。

11、该方法此外可以包括以下步骤：

12、-在传感器数据中提供控制点，

13、-抽取控制点的函数值，

14、-从大量初始函数中选择函数，

15、-确定在控制点的函数值与所选择的函数的应用的结果之间的偏差，以便基于偏差为所选择的函数提供校正项，

16、-在使用校正项和所选择的函数的情况下执行高斯过程预测。

17、控制点可以是传感器数据中的用于预测高斯过程所使用的数据点。控制点尤其是与传感器数据位于同一空间中，但是不必从传感器数据中的数据点的集合中来选择。例如，还存在控制点处于不同的空间中的方案。控制点的数量可以根据应用情况而变化。更多的控制点可以实现更准确的估计，然而也需要更多的计算能力。较少的控制点可以导致更平滑的预测，但是也可能采集较少的细节。

18、在此，可以对于至少一个样本中的每一个样本执行上述步骤。此外，执行高斯过程预测的步骤可以由嵌入式系统执行，并且剩余的步骤可以由外部数据处理设备执行。通过划分步骤，可以有利地降低嵌入式系统的所需要的计算能力。

19、根据本发明的一种有利的改进方案可以规定，在分析的范围中，对方差的所定义的阈值的超过的分析进行评价，其中超过所定义的阈值特定于内插或外推，其中在存在外推时，所述高斯过程预测被分类为不准确的。通过识别是存在内插还是外推，可以例如以简化地表达的方式确定出：传感器数据是否接近训练数据，利用所述训练数据已经训练了高斯过程预测。如果传感器数据远离训练数据，则因此尤其是可能的是，高斯过程预测是不可靠或不准确的。

20、优选地可以规定，该措施包括以下步骤中的至少一个：

21、-拒绝高斯过程预测，

22、-触发警报，以便提示用户高斯预测被分类为不准确的。

23、在高斯过程预测被拒绝的情况下，可以例如触发传感器数据的重新测量或者可以另选替代模型。例如，可以针对车辆的驾驶员确定警报，使得驾驶员可以采取措施或可以探访修理或服务点。

24、可设想的是，执行高斯过程预测此外包括以下步骤：

25、-通过线性模型执行逼近，以便通过逼近来减少用于确定期望值的方差的计算耗费。

26、高斯过程预测的高斯过程函数可以通过线性模型来近似或逼近

27、

28、该解释尤其是允许高效地确定对应的期望值和方差预测的近似解。

29、此外，可设想的是，在使用机器学习模型的情况下执行高斯过程预测，其中机器学习模型基于训练，所述训练包括以下步骤：

30、-提供训练数据，其中所述训练数据代表由至少一个传感器的测量得到的传感器数据，

31、-在训练数据中提供控制点，以便通过控制点提供用于训练机器学习模型的参考点，

32、-训练机器学习模型，其中机器学习模型被训练为使得机器学习模型确定函数，以便基于训练数据确定目标参量的期望值。

33、优选地，在本发明的范围内，可以规定，在车辆或机器人或技术系统的情况下应用所述方法，其中嵌入式系统布置在车辆或机器人或技术系统中。车辆例如可以被构造为机动车辆和/或载客汽车和/或自主车辆。车辆可以具有车辆装置，例如用于提供自主驾驶功能和/或驾驶员辅助系统。车辆装置可以被实施用于至少部分地自动地控制和/或加速和/或制动和/或转向车辆。

34、本发明的主题同样是一种计算机程序、尤其是一种计算机程序产品，其包括指令，当由计算机执行计算机程序时，所述指令促使所述计算机执行根据本发明的方法。因此，根据本发明的计算机程序带来了与关于根据本发明的方法已经详尽描述的相同的优点。

35、本发明的主题同样是一种被设立用于执行根据本发明的方法的用于进行数据处理的设备。例如，可以设置计算机作为设备，所述计算机执行根据本发明的计算机程序。计算机可以具有至少一个用于执行计算机程序的处理器。还可以设置非易失性数据存储器，在所述非易失性数据存储器中储存计算机程序并且通过处理器可以从所述非易失性数据存储器中读出计算机程序用于执行。

36、本发明的主题同样可以是计算机可读存储介质，其具有根据本发明的计算机程序和/或包括指令，当由计算机执行时，所述指令促使所述计算机执行根据本发明的方法。存储介质例如被构造为数据存储器，诸如硬盘和/或非易失性存储器和/或存储卡。存储介质可以例如集成到计算机中。

37、此外，根据本发明的方法还可以被实施为计算机实现的方法。