UND ENTSPRECHEND EINGERICHTETES KRAFTFAHRZEUG

Die vorliegende Erfindung betrifft ein Verfahren und eine Assistenzeinrichtung zur Navigationsroutenfindung für ein Kraftfahrzeug. Die Erfindung betrifft weiter ein entsprechend eingerichtetes Kraftfahrzeug.

Navigationssysteme, die mögliche Routen zu einem vorgegebenen Zielort bestimmen können, sind bereits seit langer Zeit bekannt. Es sind jedoch zunehmend mehr Daten verfügbar, die in entsprechende Routenberechnungen einfließen können und es werden zunehmend komplexere Anforderungen oder Kriterien gestellt bzw. vorgegeben. Dies kann mit einer Reihe von Herausforderungen einhergehen, wie etwa dem Sicherstellen der Genauigkeit und Aktualität der verwendeten Daten, dem potenziell hohen Rechenaufwand zum genauen und robusten Berücksichtigen des realen Verhaltens und der realen Eigenschaften eines jeweiligen Fahrzeugs entlang einer Route und/oder dergleichen mehr. Zudem kann dann die Problematik bestehen, dass beispielsweise in herkömmlichen Fahrzeugen oder mobilen Navigationsgeräten verfügbare Berechnungsressourcen oder Rechenkapazitäten nicht ausreichend sind für eine Routenberechnung in akzeptabler Geschwindigkeit bzw. Zeit. Es besteht daher weiterhin Bedarf für Verbesserungen auf diesem Gebiet.

Als einen Ansatz beschreibt die US 2013 / 0261 966 A1 ein Verfahren zum Bestimmen einer Route für ein Fahrzeug. Darin wird eine Route basierend auf einem bestimmten Fahrstil eines Fahrers des Fahrzeugs bestimmt. Dazu werden mehrere Kandidatenrouten jeweils in einen Satz von vordefinierten Routenmustern aufgeteilt und anhand von ausgewählten Parameterwerten, die eine erwartete dynamische Steuerung des Fahrzeugs durch den Fahrer repräsentieren, bewertet.

Um ein Fahrzeugverhalten besser ermitteln zu können, beschreibt beispielsweise die US 8,543,287 B2 ein System zum Simulieren eines Energieverbrauchs eines Fahrzeugs. Darin ist mit einem über ein Netzwerk zugänglichen Server ein Energiemodellierungswerkzeug zum Generieren von Energieverbrauchsdaten des Fahrzeugs verknüpft. Weiter ist mit wenigstens einem Testfahrzeug ein Datenaufzeichnungswerkzeug assoziiert zum Sammeln von Fahrzyklusdaten basierend auf realen Fahrbedingungen. Zudem ist mit dem Server ein Flottenmanagementwerkzeug verknüpft zum Kombinieren der Energieverbrauchsdaten mit den Fahrzyklusdaten, um den Energieverbrauch des Fahrzeugs abzuschätzen.

Als weiteren Ansatz beschreibt die US 2009 / 0254266 A1 eine Vorrichtung zum Berechnen einer Navigationsroute basierend auf einem abgeschätzten Energieverbrauchswert. Dabei werden auch voraussichtliche Störereignisse entlang mehrerer potenzieller Routen und ein jeweils zugehöriger abgeschätzter Störenergieverbrauchswert berücksichtigt.

Aufgabe der vorliegenden Erfindung ist es, eine verbesserte Fahrzeugnavigation zu ermöglichen.

Die Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Weitere mögliche Ausgestaltungen der Erfindung sind in den Unteransprüchen, der Beschreibung und der Zeichnung angegeben. Merkmale, Vorteile und mögliche Ausgestaltungen, die im Rahmen der Beschreibung für einen der Gegenstände der unabhängigen Ansprüche dargelegt sind, sind zumindest analog als Merkmale, Vorteile und mögliche Ausgestaltungen des jeweiligen Gegenstands der anderen unabhängigen Ansprüche sowie jeder möglichen Kombination der Gegenstände der unabhängigen Ansprüche, gegebenenfalls in Verbindung mit einem oder mehr der Unteransprüche, anzusehen.

Das erfindungsgemäße Verfahren dient zur Navigationsroutenfindung für ein Kraftfahrzeug. Damit kann also beispielsweise eine Routenoptimierung durchgeführt bzw. eine optimale Navigationsroute ermittelt werden. In einem Verfahrensschritt des erfindungsgemäßen Verfahrens werden durch ein Navigationssystem oder Navigationsgerät mehrere unterschiedliche mögliche Routen für das Kraftfahrzeug zu einem vorgegebenen Zielort ermittelt. Diese möglichen Routen können beispielsweise von einem vorgegebenen Startpunkt oder einem jeweils aktuellen Standort des Kraftfahrzeugs ausgehen. Diese möglichen Routen können beispielsweise basierend auf verschiedenen, auf unterschiedlichen Wegen zu dem vorgegebenen Zielort führenden Straßen bestimmt werden. Der vorgegebene Zielort sowie gegebenenfalls der Startpunkt können beispielsweise durch einen jeweiligen Nutzer vorgegeben werden. In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden für die einzelnen Routen jeweilige Streckendaten ermittelt. Diese Streckendaten geben für die jeweilige Route wenigstens eine Eigenschaft an, die einen Energieverbrauch bzw. Energiebedarf für eine Fahrt entlang der jeweiligen Route beeinflusst oder beeinflussen kann. Solche Streckendaten können also beispielsweise den jeweiligen Verlauf, die jeweilige Länge, wenigstens einen Straßentyp und/oder eine voraussichtliche oder zulässige Geschwindigkeit entlang der jeweiligen Route, eine Kurvigkeit der Route, Steigungen entlang der Route und/oder dergleichen mehr angeben. Solche Streckendaten können beispielsweise anhand vorgegebener oder verfügbarer Kartendaten, allgemeiner Verkehrsregeln und/oder dergleichen mehr ermittelt werden.

In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden die Streckendaten für die möglichen Routen als Inputs einem vorgegebenen künstlichen neuronalen Netz zugeführt. Dieses neuronale Netz ist dabei als LSTM-RNN (Long Short- Term Memory Recurrent Neural Network) ausgestaltet. Weiter ist das neuronale Netz dazu trainiert, anhand oder basierend auf solchen Streckendaten als korrespondierenden Output den voraussichtlichen Energiebedarf des Kraftfahrzeugs oder eines zu diesem hinsichtlich des Energiebedarfs zumindest im Wesentlichen äquivalenten oder entsprechenden Fahrzeugs entlang der jeweiligen Route vorherzusagen, also zu bestimmen und anzugeben. Dazu kann das neuronale Netz beispielsweise mit herkömmlichen Trainingsmethoden anhand entsprechender realer und/oder simulierter Energieverbrauchsdaten des Kraftfahrzeugs oder eines entsprechenden Fahrzeugs trainiert sein oder trainiert werden.

In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens wird basierend auf den durch das neuronale Netz zumindest aus den Streckendaten vorhergesagten voraussichtlichen Energiebedarfen für die unterschiedlichen möglichen Routen, beispielsweise durch das Navigationssystem, aus diesen eine für die Navigation zu dem jeweiligen Zielort tatsächlich zu verwendende Navigationsroute ausgewählt.

Diese als tatsächlich zu verwendende Navigation oder ausgewählte mögliche Route kann dann beispielsweise automatisch in dem Navigationssystem als aktuelle Navigationsroute eingestellt oder bzw. zur Routenführung, also zur Navigation zu dem jeweiligen Zielort verwendet werden. Das künstliche neuronale Netz kann hier insbesondere von dem Navigationssystem bzw. dessen Funktionalität zum Ermitteln der mehreren möglichen Routen separat sein. Das neuronale Netz kann also beispielsweise als separate Assistenzeinrichtung oder als - in Hardware und/oder in Software realisiertes - Add-on- oder Zusatzmodul für das Navigationssystem oder eine dieses umfassende Assistenzeinrichtung oder dergleichen ausgestaltet sein.

Insbesondere kann als tatsächlich zu verwendende Navigationsroute automatisch die mögliche Route mit dem geringsten voraussichtlichen Energiebedarf, also die in diesem Sinne energieminimale bzw. energieoptimale mögliche Route ausgewählt werden. Ebenso können zum Auswählen der tatsächlich zu verwendenden Navigationsroute beispielsweise ein oder mehr weitere Kriterien, wie etwa die voraussichtlich benötigte Zeit, Straßentypen, Grenzüberquerungen, ein Fahrkomfort, eine landschaftliche Attraktivität, eine voraussichtliche Anzahl von Stopps, etwa an Lichtsignalanlagen, Fußgängerüberwegen, Bahnübergängen, Fähren und/oder dergleichen, ein Vorhandensein von Serviceeinrichtungen, Rastplätzen, Lademöglichkeiten, Verpflegungsangeboten, Sehenswürdigkeiten und/oder dergleichen mehr entlang der Routen berücksichtigt werden. Diese Kriterien bzw. bevorzugte Werte oder Optionen für diese Kriterien können beispielsweise durch den jeweiligen Nutzer vorgegeben oder ausgewählt werden. Gemäß einer solchen Vorgabe kann dann entsprechend das automatische bzw. halbautomatische Auswählen der tatsächlich zu verwendende Navigationsroute erfolgen.

Das hier zum Vorhersagen bzw. Bestimmen des jeweiligen voraussichtlichen Energiebedarfs für die verschiedenen möglichen Routen verwendete neuronale Netz kann im Rahmen seines Trainings die den Energiebedarf des oder eines entsprechenden Kraftfahrzeugs beeinflussenden bzw. bestimmenden Faktoren und Einflüsse und damit also effektiv ein entsprechend vollständiges Modell des oder eines entsprechenden Kraftfahrzeugs hinsichtlich des von der Route bzw. deren Streckendaten abhängigen Energiebedarfs lernen bzw. gelernt haben. Dieses Modell kann also zumindest implizit in gelernten Gewichten oder Parametern des neuronalen Netzes codiert sein. Somit kann also das oder ein entsprechendes Kraftfahrzeug effektiv oder implizit hinsichtlich seiner Energiebedarfseigenschaften in dem neuronalen Netz abgebildet sein. Da der Energiebedarf des Kraftfahrzeugs auch von Bedienhandlungen des jeweiligen Fahrers abhängen kann, kann das neuronale Netz beispielsweise für einen Standardfahrer oder einen durchschnittlichen Fahrer, also mit entsprechenden Standarddaten oder Durchschnittsdaten hinsichtlich der Fahrweise bzw. der Fahrerbedienhandlungen, die Einfluss auf den Energiebedarf haben, trainiert sein.

In herkömmlichen Ansätzen zum Bestimmen des Energiebedarfs eines Fahrzeugs kann versucht werden, das jeweilige Fahrzeug manuell zu modellieren, beispielsweise als Simulink-Modell oder dergleichen. Dabei ergibt sich jedoch die Herausforderung und Schwierigkeit, dass heutige Fahrzeuge und deren Energiebedarf beeinflussende Faktoren äußerst komplex und kompliziert sein können. Daher kann ein tatsächlich vollständiges, den Energiebedarf des Fahrzeugs korrekt modellierendes manuell oder explizit erzeugtes Simulationsmodell entsprechend aufwendig oder letztlich gar unmöglich zu erzeugen sein. Zudem würde sich dann die Problematik ergeben, dass ein derartig komplexes Modell entsprechend viele Berechnungsressourcen zur Ausführung benötigt und damit unter Verwendung üblicherweise in heutigen Fahrzeugen oder Navigationssystemen oder entsprechenden Assistenzeinrichtungen verfügbarer Berechnungshardware eine Ausführung des Modells, also eine Bestimmung des Energiebedarfs für heutige Ansprüche zu zeit- und/oder energieaufwendig sein kann. Dies würde also den Nutzungskomfort für die Navigationsroutenfindung entsprechend beeinträchtigen und/oder Abstriche bei der Genauigkeit der Bestimmung des Energiebedarfs erfordern.

Im Vergleich dazu kann durch das vorherige, also nicht zur Laufzeit oder Anwendungszeit anfallende Trainieren des neuronalen Netzes entsprechender Berechnungsaufwand effektiv zeitlich vorverlagert werden. So kann mittels des trainierten neuronalen Netzes für eine gegebene Route der voraussichtliche Energiebedarf mittels heutzutage üblicher Hardware bzw. Berechnungsressourcen beispielsweise in wenigen Millisekunden ermittelt werden. Somit kann durch die hier vorgeschlagene Verwendung des trainierten künstlichen neuronalen Netzes für das Vorhersagen des vorsichtigen Energiebedarfs für die möglichen Routen während der Anwendung durch den jeweiligen Nutzer die Ausführung oder Berechnung eines entsprechend komplexen und aufwendigen expliziten Fahrzeugmodells eingespart und somit ein signifikant verbesserter Nutzungskomfort erreicht werden, ohne dafür einen Verlust der Genauigkeit bei der Bestimmung des voraussichtlichen Energiebedarfs in Kauf zu nehmen. Da somit entsprechend komplexe, den Energiebedarf beeinflussende Zusammenhänge und Faktoren durch das neuronale Netze gelernt werden können bzw. gelernt sind, kann damit praktikabel eine besonders genaue und robuste Bestimmung oder Vorhersage des voraussichtlichen Energiebedarfs in die Navigationsroutenfindung einbezogen werden. Damit kann letztlich eine besonders komfortable und Energie optimale Navigationsroutenfindung realisiert werden.

Das erfindungsgemäße Verfahren kann beispielsweise jeweils vor Fahrtbeginn durchgeführt werden, um die Navigationsroute für die jeweilige Fahrt auszuwählen. Ebenso kann das Verfahren beispielsweise regelmäßig wiederholt oder zumindest quasi-kontinuierlich während der Fahrt durchgeführt werden. Damit kann also während der Fahrt, beispielsweise abhängig von sich dynamisch ändernden Bedingungen oder einem tatsächlich während der aktuellen Fahrt gemessenen Energiebedarf des Kraftfahrzeugs und/oder dergleichen mehr, eine jeweilige Aktualisierung oder Überprüfung oder Neubewertung der und/oder weiterer möglicher Routen durchgeführt werden. Damit kann dann insgesamt und auch dynamisch bzw. während der Fahrt flexibel eine optimale Navigationsroutenfindung gefunden bzw. eine optimale Routenführung ermöglicht werden.

LSTM-RNNs haben sich dabei als besonders geeignet herausgestellt, da sie besonders gute Ergebnisse im Bereich des Lernens von Zusammenhängen in Zeitreihen liefern können. Da der Energieverbrauch, etwa ausgedrückt durch eine Zeitreihe eines Ladezustands einer Traktionsbatterie des Kraftfahrzeugs, ebenso wie andere sich im Laufe der Zeit verändernde Größen oder Einflüsse bei einer Fahrt entlang einer Route in Form solcher Zeitreihen angegeben werden können, kann somit durch die hier vorgeschlagene Verwendung eines LSTM-RNNs eine besonders effektive und effiziente Realisierung oder Implementierung der vorliegenden Erfindung ermöglicht werden.

In einer möglichen Ausgestaltung der vorliegenden Erfindung wird jeweils ein neuronales Netz verwendet, das mit Trainingsdaten für das jeweilige individuelle Kraftfahrzeug und/oder zu diesem hinsichtlich des Energiebedarfs äquivalente Fahrzeuge trainiert ist. Ein solches neuronales Netz kann hier also beispielsweise vorgegeben oder aus mehreren unterschiedlich trainierten bereitgestellten neuronalen Netzen ausgewählt werden. Mit anderen Worten kann das neuronale Netz also für Fahrzeuge oder anhand von Fahrzeugdaten von Fahrzeugen trainiert sein, die dem Kraftfahrzeug hinsichtlich des Energieverbrauchs bzw. der Energieverbrauchseigenschaften zumindest im Wesentlichen entsprechen. Dies können beispielsweise Fahrzeuge von der gleichen Art, Klasse, Kategorie, Größe, Gesamtmasse und/oder dergleichen mehr wie das jeweilige Kraftfahrzeug sein. Das neuronale Netz kann beispielsweise anhand von Live-Messdaten des Kraftfahrzeugs oder wenigstens eines äquivalenten Fahrzeugs und/oder anhand von Simulationsdaten die aus einem bzw. dem genannten Fahrzeugsimulationsmodell gewonnen wurden, trainiert sein. Letzteres kann es beispielsweise im Vergleich zu der Verwendung von Live-Messdaten aus dem Betrieb eines realen Fahrzeugs erleichtern, verschiedene Fahrzeugkonfigurationen zu trainieren.

Als Simulationsmodell kann ein möglichst gutes, möglichst vollständiges und möglichst genaues Modell, wie etwa ein simulierenden Modell oder dergleichen, verwendet werden, das also eine möglichst gute Repräsentation des oder eines realen Fahrzeugs und von dessen Energiebedarfseigenschaften und -verhalten darstellt. Ein solches Simulationsmodell kann zwar entsprechend komplex und aufwendig zu berechnen sein, sodass es im praktischen oder produktiven Einsatz beim Endnutzer, also für einen Live-Einsatz zur Navigationsroutenfindung ungeeignet sein kann. Für Trainingszwecke kann ein solches Simulationsmodell jedoch praktikabel einsetzbar sein. Das derartig trainierte neuronale Netz kann dann letztlich zumindest im Wesentlichen zu dem gleichen oder sogar zu einem besseren, also realistischeren Ergebnis hinsichtlich des Energiebedarfs kommen wie ein Durchlauf des vollständigen komplexen Simulationsmodells, im Vergleich dazu dies jedoch signifikant schneller und mit weniger Rechenaufwand ermöglichen.

Die Verwendung eines jeweils spezifisch für das Kraftfahrzeug oder mit T rainingsdaten für oder von äquivalenten Fahrzeugen trainierten neuronalen Netzes Karte kann eine besonders genaue und zuverlässige Vorhersage des voraussichtlichen Energiebedarfs ermöglichen. Beispielsweise können mehrere, jeweils individuell für eine von mehreren unterschiedliche Arten, Kategorien oder Klassen von Fahrzeugen trainierte neuronale Netze in einer zentralen fahrzeugexternen Servereinrichtung hinterlegt oder bereitgestellt werden, die dann jeweils bedarfsgerecht abgerufen oder verwendet werden können. Ebenso können Kraftfahrzeuge oder Assistenz- bzw. Navigationseinrichtungen für Kraftfahrzeuge - beispielsweise herstellerseitig - mit einem für das jeweilige Kraftfahrzeug angepassten, trainierten neuronalen Netz oder mit mehreren für unterschiedliche Arten, Klassen oder Kategorien von Fahrzeugen trainierten neuronalen Netzen ausgestattet sein oder werden. In letzterem Fall kann dann im jeweiligen Einzelfall bedarfsgerecht das zu dem jeweiligen Kraftfahrzeug passende neuronale Netz zur Verwendung ausgewählt werden.

In einer weiteren möglichen Ausgestaltung der vorliegenden Erfindung wird für die möglichen Routen jeweils ein Geschwindigkeitsprofil und/oder ein Beschleunigungsprofil ermittelt und dem neuronalen Netz ebenfalls als Input für das Vorhersagen der Energiebedarfe zugeführt oder bereitgestellt. Dabei kann es sich beispielsweise um ein jeweiliges voraussichtliches, also abgeschätztes, oder ein historisches, also in der Vergangenheit beobachtetes bzw. aufgezeichnetes, oder ein durchschnittliches, also beispielsweise aus verschiedenen vergangenen Fahrten des Kraftfahrzeugs und/oder aus entsprechenden Schwarmdaten einer Vielzahl von Fahrzeugen gemitteltes Geschwindigkeitsprofil bzw.

Beschleunigungsprofil handeln. Ein entsprechendes voraussichtliches Profil kann beispielsweise anhand von Kartendaten basierend auf darin angegebenen zulässigen Maximalgeschwindigkeiten, Lichtsignalanlagen, Kreuzungen und/oder dergleichen mehr ermittelt werden. Ebenso können zum Abschätzen des Geschwindigkeits- und/oder Beschleunigungsprofils beispielsweise Verkehrsdaten für die jeweilige Route und/oder dergleichen mehr berücksichtigt werden. Es können also beispielsweise je nach Bedarf und/oder Verfügbarkeit verschiedene Quellen zum Ermitteln des Geschwindigkeits- und/oder Beschleunigungsprofils ermittelt werden, wie etwa Kartendaten, Messdaten, Schwarmdaten, über eine Car2X-Datenverbindung empfangene Daten anderer Fahrzeuge und/oder einer Verkehrsinfrastruktur und/oder dergleichen mehr.

Ein solches Geschwindigkeits- und/oder Beschleunigungsprofil kann den tatsächlichen Energiebedarf entlang der jeweiligen Route signifikant beeinflussen. Somit kann durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung eine besonders zuverlässige und robuste Vorhersage der Energiebedarfe ermöglicht werden. Da es sich insbesondere hier um ein jeweiliges Profil, also einen ortsaufgelöste Werteverlauf entlang der jeweiligen Route - also beispielsweise nicht um einen jeweiligen Durchschnittswert - handelt, kann somit der Energiebedarf ebenfalls besonders genau und zuverlässig als Verlauf oder ortsaufgelöste Größe entlang der jeweiligen Route vorhergesagt werden. Dies kann beispielsweise ein besonders flexibles und zuverlässiges bzw. detailliertes Ermitteln besonders energieaufwendiger oder besonders energiesparsam befahrbarer Abschnitte oder Routenteile ermöglichen. Dies kann, beispielsweise bei einer dynamischen Routenneuberechnung während der Fahrt eine entsprechende Berücksichtigung oder Gewichtung und damit eine besonders zuverlässige und flexible Optimierung der Navigationsroutenfindung bzw. der Navigation hinsichtlich des Energiebedarfs ermöglichen.

In einer weiteren möglichen Ausgestaltung der vorliegenden Erfindung wird für die möglichen Routen jeweils ein Höhenprofil ermittelt und dem neuronalen Netz ebenfalls als Input für das Vorhersagen der Energiebedarfe zugeführt oder bereitgestellt. Ein solches Höhenprofil kann also ein jeweiliger Gradientenverlauf der Steigungen entlang der Routen sein. Ein solches Höhenprofil kann beispielsweise aus Kartendaten, Messdaten, Schwarmdaten und/oder dergleichen mehr ermittelt werden. Da Steigungen bzw. eine Gesamtanzahl zu überwindender Höhenmeter entlang einer Route einen signifikanten Einfluss auf den jeweiligen Energiebedarf haben können, können durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung die voraussichtlichen Energiebedarfe für die verschiedenen Routen unter Berücksichtigung des jeweiligen Höhenprofils besonders genau und zuverlässig vorhergesagt werden.

In einerweiteren möglichen Ausgestaltung der vorliegenden Erfindung wird ein Ausgangsoder Startwert des Ladezustands (SoC, State auf Charge) einer Traktionsbatterie des Kraftfahrzeugs an dem Startpunkt der möglichen Routen, also auch der letztendlichen Navigationsroute ermittelt. Dieser Startpunkt kann beispielsweise ein vorgegebener Startpunkt sein. Es kann dann als Startwert des Ladezustands beispielsweise ein voraussichtlich an dem Startpunkt gegebener, also etwa ein abgeschätzter oder vorhergesagter Ladezustand verwendet werden. Ebenso kann als Startpunkt beispielsweise der jeweils aktuelle Standort des Kraftfahrzeugs verwendet werden. Als Startwert des Ladezustands kann dann der jeweils aktuelle Ladezustand oder ein für einen vorgegebenen Stabzeitpunkt vorhergesagter Ladezustand verwendet werden. Der so ermittelte Startwert des Ladezustands wird dann dem neuronalen Netz ebenfalls als Input für das Vorhersagen der Energiebedarfe zugeführt oder bereitgestellt. Weiter wird durch das neuronale Netz dann als Output ein ortsaufgelöster voraussichtlicher Verlauf des Ladezustands der Traktionsbatterie des Kraftfahrzeugs während der Fahrt entlang der jeweiligen Route ausgegeben. Das neuronale Netz kann also dafür entsprechend eingerichtet bzw. trainiert sein.

Der voraussichtliche Verlauf des Ladezustands kann angeben, an welcher Stelle entlang der jeweiligen Route welcher Ladezustand voraussichtlich gegeben sein bzw. erreicht werden wird. Dadurch kann beispielsweise ermittelt oder angegeben werden, an welcher Stelle entlang der jeweiligen Route ein vorgegebener Schwellenwert des Ladezustands voraussichtlich erreicht oder unterschritten wird.

Darauf basierend kann dann beispielsweise die dortige Verfügbarkeit von Ladepunkten als weiteres Kriterium für das Auswählen der tatsächlich zu verwendende Navigationsroute verwendet werden. Der jeweilige Verlauf des Ladezustands für eine Route, also entlang der jeweiligen Route kann den jeweiligen Energiebedarf angeben, also als die Vorhersage des Energiebedarfs für die jeweilige Route fungieren. Ebenso kann der jeweilige Energiebedarf beispielsweise als eine benötigte Gesamtenergiemenge und der jeweilige voraussichtliche Verlauf des Ladezustands zusätzlich, also als Ergänzung dazu durch das neuronale Netz ausgegeben werden. Der voraussichtliche Verlauf des Ladezustands kann beispielweise punkteweise mit einer gewissen vorgegebenen Auflösung - und gegebenenfalls dazwischen interpolierten Werten - oder als kontinuierliche Funktion bestimmt bzw. ausgegeben werden. Dabei kann initial der ermittelte Startwert des Ladezustands verwendet und dann für das Vorhersagen des voraussichtlichen Ladezustands am jeweils nächsten Punkt der jeweils zuletzt ermittelte bzw. in dem jeweils vorangegangenen Punkt gegebene Ladezustand als Input oder Ausgangspunkt verwendet werden.

Zum Bestimmen des Verlaufs des Ladezustands kann nicht nur eine aus der Traktionsbatterie abfließen Energiemenge, sondern ebenfalls ein Energiezufluss in die Traktionsbatterie entlang der jeweiligen Route berücksichtigt werden. Ein solcher Energiezufluss kann sich beispielsweise durch Rekuperation und/oder durch Energieeinspeisung von einer Photovoltaikanlage des Kraftfahrzeugs und/oder durch Energieeinspeisung von einer in die Fahrbahn oder Verkehrsinfrastruktur integrierte Ladeeinrichtung zum Laden der Traktionsbatterie während der Fahrt und/oder dergleichen mehr ergeben. Insgesamt kann durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung eine besonders genaue, detaillierte und flexibel nutzbare Vorhersage der der voraussichtlichen Energiebedarfe ermöglicht werden.

In einerweiteren möglichen Ausgestaltung der vorliegenden Erfindung werden Fahrzeugzustandsdaten des Kraftfahrzeugs und/oder voraussichtliche Umgebungsdaten entlang der jeweiligen möglichen Routen ermittelt und dem neuronalen Netz ebenfalls als Input für das Vorhersagen der Energiebedarfe zugeführt oder bereitgestellt.

Die Fahrzeugzustandsdaten kann können einen - beispielsweise aktuell tatsächlich gegebenen oder voraussichtlichen - Zustand des Kraftfahrzeugs, etwa hinsichtlich der Besetzung mit Personen, der Beladung, des Vorhandenseins oder Mitführens eines externen Gepäckträgers an dem Kraftfahrzeug, dem Vorhandensein oder Mitführen eines Anhängers, einer Bereifung, beispielsweise mit Winterreifen oder Sommerreifen, eines Reifendrucks und/oder dergleichen mehr angeben. Die Umgebungsdaten können beispielsweise eine Temperatur, ein eine Sonneneinstrahlung oder einen Wirkungsgrad, eine Windstärke und Windrichtung, einen Fahrbahnzustand, beispielsweise hinsichtlich Nässe oder Schneebelag, und/oder dergleichen mehr angeben oder umfassen.

Diese Daten können einen signifikanten Einfluss auf den Energiebedarf entlang der möglichen Routen haben. Beispielsweise kann eine Besetzung mit des Kraftfahrzeugs mit mehr Personen ebenso wie das Mitführen eines Gepäckträgers oder Anhängers oder auch ein zu niedriger Reifendruck zu einem erhöhten Energiebedarf führen. Ebenso kann beispielsweise eine höhere Umgebungstemperatur oder eine stärkere Sonneneinstrahlung zu einem erhöhten Energiebedarf für eine Klimatisierung eines Innenraums des Kraftfahrzeugs oder gegebenenfalls zu einer veränderten Energieerzeugung durch eine Photovoltaikanlage des Kraftfahrzeugs führen. Dies kann auch bei räumlich relativ nah beieinander verlaufenden verschiedenen möglichen Routen beispielsweise zusätzlich durch Abschattungen der jeweiligen Fahrbahn oder Route beeinflusst werden, etwa wenn eine erste Route Alleen oder bewaldete Abschnitte umfasst, während eine zweite Route durch eine offene Landschaft führt. Insgesamt können durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung somit die voraussichtlichen Energiebedarfe sonders zuverlässig und robust vorhergesagt werden.

In einerweiteren möglichen Ausgestaltung der vorliegenden Erfindung werden für die möglichen Routen jeweils aktuelle Live-, also Echtzeitdaten erfasst, welche die jeweiligen Bedingungen oder Situationen entlang der möglichen Routen angeben oder charakterisieren. Diese Echtzeitdaten werden dann dem neuronalen Netz ebenfalls als Input für das Vorhersagen der Energiebedarfe zugeführt oder bereitgestellt. Solche Echtzeitdaten können beispielsweise aktuelle Verkehrsinformationen, etwa zu einer Verkehrsdichte, zu Verkehrseinschränkungen, zu aktuellen temporären Tempolimits, zu Baustellen, zu Unfällen oder sonstigen Behinderungen entlang der Routen und/oder dergleichen mehr sein oder umfassen. Derartige Bedingungen oder Situationen können direkt ein voraussichtliches Geschwindigkeits- oder Beschleunigungsprofil des Kraftfahrzeugs entlang der jeweiligen Route und somit dem jeweiligen voraussichtlichen Energiebedarf beeinflussen. Durch die hier vorgeschlagene Berücksichtigung solcher Echtzeitdaten können die Energiebedarfe daher besonders zuverlässig und robust vorhergesagt werden. Insbesondere ermöglicht es die Verwendung von Live- bzw. Echtzeitdaten, auf veränderte Bedingungen oder Situationen, beispielsweise unmittelbar vor oder bei Fahrtbeginn und/oder während der Fahrt flexibel zu reagieren, beispielsweise durch eine Neubestimmung der Energiebedarfe und eine dementsprechende Neubewertung oder Neuauswahl der optimalen, also tatsächlich zu verwendende Navigationsroute - zumindest für ein vom jeweils aktuellen Standort des Kraftfahrzeugs bis zu dem jeweiligen vorgegebenen Zielort verbleibendes Wegstück. Die Echtzeitdaten können beispielsweise aus einer Rundfunkdatenquelle und/oder über eine Car2X-Datenverbindung, beispielsweise von anderen Fahrzeugen und/oder einer Verkehrsinfrastruktur oder dergleichen empfangen oder abgerufen werden. Ebenso kann als Datenquelle beispielsweise eine automatisch in Echtzeit oder zumindest regelmäßig aktualisierte Karte oder dergleichen verwendet werden.

In einerweiteren möglichen Ausgestaltung der vorliegenden Erfindung wird während der Fahrt des Kraftfahrzeugs entlang der Navigationsroute, insbesondere regelmäßig oder zumindest quasi-kontinuierlich das Fahrverhalten des Fahrers des jeweiligen Kraftfahrzeugs und/oder der tatsächliche Energiebedarf des Kraftfahrzeugs erfasst bzw. gemessen und dem neuronalen Netz als Input zugeführt oder bereitgestellt. Damit werden dann, insbesondere entsprechend regelmäßig oder quasi-kontinuierlich, die voraussichtlichen Energiebedarfe der möglichen Routen von der jeweils aktuellen Position, also dem jeweils aktuellen Standort des Kraftfahrzeugs zu dem jeweiligen vorgegebenen Zielort aktualisiert. Basierend auf den aktualisierten Energiebedarfen kann dann beispielsweise ebenso die tatsächlich zu verwendende Navigationsroute aktualisiert, also gegebenenfalls angepasst oder gewechselt werden. Insbesondere können zudem durch das Navigationssystem während der Fahrt, insbesondere regelmäßig oder zumindest quasi-kontinuierlich, mögliche Routen von der jeweils aktuellen Position, also den jeweils aktuellen Standort des Kraftfahrzeugs zu dem vorgegebenen Zielort, also für das jeweils noch verbleibende restliche Wegstück ermittelt werden. Dies kann beispielsweise abhängig von Live- oder Echtzeitdaten, welche die Verkehrsführung beeinflussen können, wie etwa Straßensperrungen, Staumeldungen und/oder dergleichen mehr, erfolgen.

Für diese gegebenenfalls aktualisierten oder neue ermittelten Routen oder Routenabschnitte kann dann mittels des neuronalen Netzes ebenfalls während der Fahrt der jeweilige voraussichtliche Energiebedarf ermittelt werden. Durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung kann der voraussichtliche Energiebedarf jeweils für ein zu dem jeweiligen Zielort verbleibendes Wegstück basierend auf besonders relevanten bzw. aktuellen Daten aktualisiert und somit besonders genau und besonders zuverlässig vorhergesagt werden. Dadurch kann beispielsweise berücksichtigt werden, dass das Fahrverhalten, also der Fahrstil des Fahrers nicht bei jeder Fahrt gleich ist, sondern Schwankungen unterliegen kann und ebenso der tatsächliche Energiebedarf des Kraftfahrzeugs - sogar entlang ein und derselben Route über mehrere Fahrten hinweg - variieren kann. Letzteres kann aufgrund einer Vielzahl von Faktoren und Einflüssen der Fall sein, die gegebenenfalls nicht sämtlich oder nicht zuverlässig automatisch erfasst oder erkannt werden können, wie beispielsweise eine aktuelle Beladung, eine offene oder geschlossene Stellung von Karosserieöffnungen, wie etwa Seitenfenstern oder einer Dachluke, einer Bereifung, einer Windschlüpfrigkeit einer außen an dem Kraftfahrzeug transportierten Ladung und/oder dergleichen mehr. Durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung kann auf derartige Einflüsse und Faktoren dynamisch reagiert und somit auch in entsprechend unterschiedlichen Situationen eine unter Berücksichtigung des entsprechenden tatsächlichen Energiebedarfs optimierte Navigationsroutenfindung bzw. Navigationsroutenanpassung ermöglicht werden.

In einerweiteren möglichen Ausgestaltung der vorliegenden Erfindung wird ein Fahrertyp des Fahrers des Kraftfahrzeugs ermittelt und dem neuronalen Netz ebenfalls als Input für das Vorhersagen der Energiebedarfe zugeführt oder bereitgestellt. Der Fahrertyp kann den jeweiligen Fahrer beispielsweise als defensiven, energiesparenden Fahrer oder als durchschnittlichen Fahrer oder als sportlichen Fahrer oder dergleichen einstufen. Ein solcher Fahrertyp kann den Energiebedarf des Kraftfahrzeugs signifikant beeinflussen, sodass durch dessen Berücksichtigung die voraussichtlichen Energiebedarfe besonders genau und zuverlässig vorhergesagt werden können. Dabei kann die Einstufung des Fahrertyps in vorgegebene Stufen, Klassen oder Kategorien, also gemäß einem vorgegebenen Schema eine vereinfachte Berücksichtigung dieses Einflusses oder Faktors ermöglichen. Ebenso können durch eine derartige Einstufung beispielsweise gewisse natürliche Schwankungen im Fahrverhalten eines einzelnen Fahrers aufgefangen bzw. herausgemittelt werden, um im Allgemeinen eine robuste Vorhersage der Energiebedarfe zu ermöglichen. Dies kann beispielsweise im Gegensatz dazu gesehen werden, den Einfluss des Fahrers basierend auf einer einzelnen vorangegangenen Fahrt zu bestimmen und zu berücksichtigen, bei welcher der Fahrer beispielsweise gemessen an seinem sonstigen oder durchschnittlichen Fahrverhalten außergewöhnlich defensiv oder außergewöhnlich sportlich gefahren sein kann. Der Fahrertyp des jeweiligen Fahrers kann beispielsweise zu Beginn der jeweiligen Fahrt oder Navigationsroutenfindung ermittelt werden, etwa basierend auf historischen Fahrdaten des Fahrers oder durch Abrufen einer existierenden Einstufung aus einem entsprechenden Datenspeicher oder einer entsprechenden Datenbank oder dergleichen. Ebenso kann der Fahrertyp während der jeweiligen Fahrt entlang der Navigationsroute basierend auf dabei gemessenen Live-Fahrdaten ermittelt und/oder aktualisiert werden. Darauf basierend können dann gegebenenfalls die voraussichtlichen Energiebedarfe für mögliche Routen für das jeweilige bis zum Zielort verbleibende Wegstück vorhergesagt, also neu bestimmt bzw. aktualisiert werden. Wiederum basierend darauf kann dann während der Fahrt eine entsprechend aktualisierte Navigationsroutenfindung durchgeführt werden, um auch für das verbleibende Wegstück eine jeweils optimale tatsächlich zu verwendende Navigationsroute zu bestimmen bzw. auszuwählen. Dadurch kann also gegebenenfalls dynamisch auf Veränderungen des Fahrertyp oder eine nur für diese Fahrt oder tagesaktuell korrekte Fahrertypeinstufung oder dergleichen reagiert werden.

Für das vorliegend an verschiedenen Stellen genannte Bereitstellen oder Zuführen zusätzlicher und/oder aktualisierter Inputs für das neuronale Netz können beispielsweise die korrespondierenden Werte entsprechender vordefinierter Inputvariablen für das neuronale Netz gemäß den jeweils verfügbaren neuen oder aktualisierten Daten gesetzt bzw. aktualisiert und dem neuronalen Netz als Input zugeführt oder bereitgestellt werden. Dies kann beispielsweise durch ein entsprechend eingerichtetes Programm- bzw. Software- und/oder Hardwaremodul oder ein - beispielsweise optionales - entsprechendes Add-on- Modell oder Add-on-Modul für eine zur Durchführung des erfindungsgemäßen Verfahrens eingerichtete Assistenzeinrichtung oder dergleichen durchgeführt werden. Dies kann beispielsweise den Energiebedarf des Kraftfahrzeugs beschreibende oder beeinflussende Größen bzw. Inputvariablen umfassen oder betreffen, die etwa das Fahrverhalten oder den Fahrertyp des Fahrers, den tatsächlichen Energiebedarf des Kraftfahrzeugs, das voraussichtliche Geschwindigkeits- und/oder Beschleunigungsprofil, die Umgebungsbedingungen und/oder dergleichen mehr charakterisieren. Es können also insbesondere Größen bzw. Inputvariablen sein, die während der jeweils aktuellen Fahrt bzw. basierend auf jeweiligen Live- oder Echtzeitdaten aktualisiert werden oder werden können.

Durch das hier vorgeschlagene Vorgehen, die jeweils zugrunde liegenden aktualisierten Daten nicht direkt dem neuronalen Netz zuzuführen, sondern zunächst in entsprechend aktualisierte oder angepasste Werte korrespondierender vordefinierter Inputvariablen umzusetzen, die dann als direkter Input für das neuronale Netz verwendet werden, kann das neuronale Netz besonders einfach und robust trainiert bzw. gestaltet werden. Zudem kann dadurch eine verbesserte Flexibilität in der Ausgestaltung eines Gesamtsystems oder einer Gesamteinrichtung für das Vorhersagen der Energiebedarfe bzw. die Navigationsroutenfindung ermöglicht werden. Dies ist der Fall, da beispielsweise individuelle Modelle oder Module für das Interpretieren oder Verarbeiten der jeweils aktualisierten zugrunde liegenden Daten für die verschiedenen Inputvariablen, also zum Bestimmen der entsprechenden Werte für diese Inputvariablen - gegebenenfalls optional - verwendet werden können, die entsprechend einfach und flexibel sowie - etwa im Vergleich zu einer Anpassung der Gewichte oder Parameter des neuronalen Netzes - einfacher nachvollziehbarer Weise modifiziert werden können. Da diese Modelle oder Module jeweils beispielsweise nur einen separaten Einflussfaktor für den Energiebedarf betreffen, können sie wesentlich einfacher und weniger komplex als ein vollständiges Modell zum Modellieren des Energiebedarfs für das Fahrzeug unter Berücksichtigung aller Einflussfaktoren sein.

Daher können sie auch mit üblicherweise im Kraftfahrzeug verfügbaren Berechnungsressourcen im produktiven Einsatz durch einen Endnutzer verwendet werden.

In einerweiteren möglichen Ausgestaltung der vorliegenden Erfindung wird der tatsächliche Energiebedarf des Kraftfahrzeugs entlang der tatsächlich verwendeten, also befolgten Navigationsroute ermittelt. Dieser tatsächliche Energiebedarf kann also beispielsweise während der tatsächlichen Fahrt des Kraftfahrzeugs aufgezeichnet und/oder nach der jeweiligen Fahrt, also etwa an dem jeweiligen Zielort, etwa basierend auf dem dann tatsächlich gegebenen verbleibenden Ladezustand der Traktionsbatterie des Kraftfahrzeugs, ermittelt werden. Sofern der ermittelte tatsächliche Energiebedarf von dem vorhergesagten Energiebedarf für die tatsächlich verwendete Navigationsroute abweicht, können dann aus der tatsächlich verwendeten, also befolgten Navigationsroute und dem entlang dieser angefallenen tatsächlichen Energiebedarf des Kraftfahrzeugs insbesondere automatisch oder semiautomatisch, Trainingsdaten erzeugt werden. Diese können ebenso weitere Daten, beispielsweise zu dem jeweiligen Kraftfahrzeug bzw. dessen Zustand während der Fahrt, dem Fahrverhalten des Fahrers während der Fahrt, den während der Fahrt gegebenen Umgebungsbedingungen und/oder dergleichen mehr umfassen oder enthalten.

Gemäß einer Variante kann mit diesen Trainingsdaten dann das neuronale Netz lokal, also beispielsweise unmittelbar in dem jeweiligen Kraftfahrzeug oder Navigationssystem oder der jeweiligen Assistenzeinrichtung, nachtrainiert werden. Zusätzlich oder alternativ können gemäß einer anderen Variante die so erzeugten Trainingsdaten an eine fahrzeugexterne zentrale Servereinrichtung gesendet werden. In dieser Servereinrichtung kann dann beispielsweise ein zentral verwaltetes neuronales Netz mit den Trainingsdaten nachtrainiert werden. Dort können insbesondere entsprechende Trainingsdaten von einer Vielzahl von realen Kraftfahrzeugen aggregiert für das Trainieren bzw. Nachtrainieren des oder eines neuronalen Netzes für die Energiebedarfsvorhersage verwendet werden. Ein entsprechend nachtrainiertes, also aktualisiertes neuronales Netz kann dann beispielsweise an das Kraftfahrzeug verteilt bzw. durch das Kraftfahrzeug von der Servereinrichtung abgerufen werden. Die zweite Variante kann durch die Verwendung der zentralen Servereinrichtung das Verarbeiten von mehr Daten sowie den Einsatz von mehr Berechnungsressource oder -kapazitäten ermöglichen. Dies kann letztendlich zu einem schneller und/oder besser aktualisierten neuronalen Netz führen.

Das lokale Nachtrainieren des neuronalen Netzes gemäß der ersten Variante kann hingegen besonders flexibel, also beispielsweise ohne Datenübertragung bzw. oder Verfügbarkeit einer entsprechenden Datenverbindung durchgeführt werden. Ebenso kann dadurch eine besonders genaue Anpassung des neuronalen Netzes ermöglichen, etwa an das individuelle Kraftfahrzeug, dessen Verwendung oder Verwendungsmuster, dessen Einsatzorte und/oder Einsatzbedingungen, dessen Fahrer und/oder dergleichen mehr.

In jedem Fall kann durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung eine schrittweise Verbesserung des neuronalen Netzes und somit der Genauigkeit und Zuverlässigkeit der vorhergesagten Energiebedarfe und damit letztlich eine dementsprechende weitere Optimierung der Navigationsroutenfindung ermöglicht werden.

Die vorliegende Erfindung betrifft auch eine Assistenzeinrichtung, insbesondere für ein Kraftfahrzeug. Die erfindungsgemäße Assistenzeinrichtung weist eine Schnittstelle zum Erfassen von Eingangsdaten und ein zum Vorhersagen eines Fahrzeugenergiebedarfs anhand von Streckendaten trainiert des künstliches neuronales Netz auf, das als LSTM-RNN ausgestaltet ist. Die erfindungsgemäße Assistenzeinrichtung ist dabei zum, insbesondere automatischen oder teilautomatischen, Ausführen des erfindungsgemäßen Verfahrens eingerichtet. Dazu kann die Assistenzeinrichtung beispielsweise eine Prozesseinrichtung, also etwa einen Mikrochip, Mikroprozessor oder Mikrocontroller oder eine spezialisierte Hardwareschaltung oder dergleichen, und einen damit gekoppelten computerlesbaren Datenspeicher aufweisen. In diesem Datenspeicher kann beispielsweise das neuronale Netz und/oder ein entsprechendes Betriebs- oder Computerprogramm gespeichert sein, das die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschriebenen Verfahrensschritte, Abläufe oder Maßnahmen und/oder entsprechende Steueranweisungen codiert oder implementiert und mittels der Prozesseinrichtung ausführbar ist, um das Ausführen des entsprechenden Verfahrens zu bewirken. Dementsprechend können die Eingangsdaten die verschiedenen im Zusammenhang mit dem erfindungsgemäßen Verfahren genannten Daten sein oder diese umfassen, also beispielsweise mögliche Routen, Streckendaten, Fahrzeugdaten, Fahrerdaten, Umgebungsdaten und/oder dergleichen mehr. Ebenso können die Streckendaten die im Zusammenhang mit dem erfindungsgemäßen Verfahren genannten Streckendaten sein oder diesen entsprechen. Die erfindungsgemäße Assistenzeinrichtung kann insbesondere die im Zusammenhang mit dem erfindungsgemäßen Verfahren genannte Assistenzeinrichtung sein oder dieser entsprechen. Beispielsweise kann die erfindungsgemäße Assistenzeinrichtung als eigenständiges Steuergerät oder Modul oder als Add-on-Modul für ein bestehendes Navigationssystem oder Kraftfahrzeug oder dergleichen ausgestaltet sein. Die erfindungsgemäße Assistenzeinrichtung kann zur Kopplung mit einem bestehenden Navigationssystem eingerichtet sein oder das im Zusammenhang mit dem erfindungsgemäßen Verfahren genannte Navigationssystem umfassen oder mit diesem kombiniert oder integriert sein.

Die vorliegende Erfindung betrifft auch ein Kraftfahrzeug, das ein Navigationssystem und eine erfindungsgemäße Assistenzeinrichtung aufweist. Diese Assistenzeinrichtung kann dabei beispielsweise mit dem Navigationssystem gekoppelt oder kombiniert oder integriert sein. Das erfindungsgemäße Kraftfahrzeug kann insbesondere das im Zusammenhang mit dem erfindungsgemäßen Verfahren und/oder im Zusammenhang mit der erfindungsgemäßen Assistenzeinrichtung genannte Kraftfahrzeug sein oder diesem entsprechen. Dementsprechend kann das erfindungsgemäße Kraftfahrzeug weitere Bauteile oder Komponenten, wie etwa entsprechende Sensoren, ein Bordnetz, ein Steuergerät, eine Kommunikationseinrichtung und/oder dergleichen mehr aufweisen, um die verschiedenen im Zusammenhang mit dem erfindungsgemäßen Verfahren und/oder im Zusammenhang mit der erfindungsgemäßen Assistenzeinrichtung genannten Daten bereitzustellen oder vorzuverarbeiten oder dergleichen.

Weitere Merkmale der Erfindung können sich aus der nachfolgenden Figurenbeschreibung sowie anhand der Zeichnung ergeben. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung und/oder in den Figuren allein gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.

Die Zeichnung zeigt in:

Fig. 1 eine schematische Darstellung eines Kraftfahrzeugs, das zur Unterstützung eines Fahrers bei der energieoptimierten Navigation zu einem jeweiligen Navigationsziel eingerichtet ist; und

Fig. 2 einen beispielhaften schematischen Ablaufplan für ein entsprechendes Verfahren.

Fig. 1 zeigt eine beispielhafte ausschnittweise schematische Darstellung eines Kraftfahrzeugs 1, das von einem Fahrer 2 gesteuert werden kann. Zum Unterstützen des Fahrers 2 beim Erreichen eines jeweiligen Zielorts, also eines Navigationsziels, weist das Kraftfahrzeug 1 ein Navigationssystem 3 auf. Um dabei eine zumindest auch hinsichtlich des Energiebedarfs des Kraftfahrzeugs 1 optimierte Navigationsroute zu finden, ist das Kraftfahrzeug 1 zudem mit einer entsprechenden Assistenzeinrichtung 4 ausgestattet. Diese Assistenzeinrichtung 4 kann beispielsweise ein Zusatzmodul oder Teilmodul für das Navigationssystem 3 oder mit diesem gekoppelt sein.

Um für die Navigationsroutenfindung benötigte oder verwendbare Daten zu erfassen, kann das Navigationssystem 3 beispielsweise auf Kartendaten zugreifen, die in einem internen Speicher hinterlegt und/oder von einer externen Quelle, beispielsweise einer zentralen Servereinrichtung, abgerufen werden können. Ebenso kann dazu das Kraftfahrzeug 1 beispielsweise wenigstens einen Fahrzeugsensor 5 zum Erfassen von Fahrzeugdaten, wie etwa einer Sitzbelegung, einer Anhängelast, eines Ladezustands einer Traktionsbatterie und/oder dergleichen mehr, eine Kommunikationseinrichtung 6, beispielsweise zum Abrufen von aktuellen Echtzeitdaten, welche die Umgebung bzw. Bedingungen entlang möglicher Routen zu dem jeweiligen Zielort angeben oder charakterisieren können, eine Umgebungssensorik 7 und/oder dergleichen mehr aufweisen. Das Navigationssystem 3 kann mit diesen Einrichtungen beispielsweise über ein Bordnetz des Kraftfahrzeugs 1 gekoppelt sein ebenso ist hier die Assistenzeinrichtung 4 über eine - in Hardware und/oder Software ausgeführte - Schnittstelle 8 mit dem Navigationssystem 3 bzw. dessen Funktionen oder Modul zur Navigationsroutenfindung gekoppelt. Zur Verarbeitung von über die Schnittstelle 8 empfangenen Daten weist die Assistenzeinrichtung 4 hier schematisch angedeutet einen Prozessor 9 und einen Datenspeicher 10 auf. In diesem Datenspeicher 10 ist insbesondere ein künstliches neuronales Netz hinterlegt, das als LSTM-RNN ausgestaltet und dazu trainiert ist, basierend auf als Input bereitgestellten Streckendaten für einige jeweilige Route - oder auch weiteren Inputs bzw. Inputvariablen - als korrespondierenden Output den voraussichtlichen Energiebedarf des Kraftfahrzeugs 1 oder eines äquivalenten Fahrzeugs entlang der jeweiligen Route vorherzusagen.

Für das Training des neuronalen Netzes 11 können beispielsweise reale aufgezeichnete Fahrdaten des entsprechenden Kraftfahrzeugs 1 oder wenigstens eines diesem entsprechenden Fahrzeugs verwendet werden, um über den Zusammenhang der Fahrstrecke, also beispielsweise der jeweiligen Streckendaten befahrener Routen und dem Verlauf des Ladezustands der Traktionsbatterie dem neuronalen Netz 11 den Zusammenhang dieser verschiedenen Daten bzw. Zeitreihen sowie gegebenenfalls weiterer Größen, Einflüsse oder Parameter beizubringen. Das derartig trainierte neuronale Netz 11 kann dann im praktischen Einsatz in dem Kraftfahrzeug 1 beispielsweise für eine von dem Navigationssystem 3 vorgeschlagene mögliche Route in wenigen Millisekunden, beispielsweise in höchstens 10 ms, die jeweilige Vorhersage für den voraussichtlichen Energiebedarf des Kraftfahrzeugs 1 entlang der jeweiligen Route durchführen.

Zur weiteren Erläuterung zeigt Fig. 2 einen beispielhaften schematischen Ablaufplan 12 für ein entsprechendes Verfahren. Darin kann in einem Verfahrensschritt S1 die Navigationsroutenfindung gestartet werden, beispielsweise indem der Fahrer 2 einen jeweiligen Zielort angibt. Ebenso kann hier ein Startpunkt für die Navigationsroute erfasst oder bestimmt werden, beispielsweise anhand einer entsprechenden Eingabe des Fahrers 2 oder durch Ermitteln des aktuellen Standorts des Kraftfahrzeugs 1.

In einem Verfahrensschritt S2 können dann, beispielsweise durch das Navigationssystem 3 und/oder die Assistenzeinrichtung 4, aktuelle oder voraussichtlich am Startpunkt gegebene Daten erfasst werden, wie etwa der Ladezustand, Fahrzeugdaten, Umgebungsinformationen, vom Fahrer 2 vorgegebene Routenauswahlkriterien und/oder Routenoptimierungskriterien und/oder dergleichen mehr.

In einem Verfahrensschritt S3 kann das Navigationssystem 3 mehrere unterschiedliche mögliche Routen von dem ermittelten Startpunkt zu dem vorgegebenen Zielort ermitteln.

In einem Verfahrensschritt S4 können, beispielsweise durch das Navigationssystem 3 oder die Assistenzeinrichtung 4, zu den möglichen Routen zugehörige Streckendaten ermittelt werden. Dies können beispielsweise Geschwindigkeits-, Beschleunigungs- und/oder Höhenprofile für die möglichen Routen und/oder dergleichen mehr sein. Ebenso können hier gegebenenfalls weitere Inputs für das neuronale Netz 11 ermittelt werden, beispielsweise sofern diese noch nicht im Verfahrensschritt S2 ermittelt wurden, wie etwa ein Fahrertyp des Fahrers 2 oder dergleichen.

Die im Verfahrensschritt S4 ermittelten Daten sowie gegebenenfalls weitere, beispielsweise im Verfahrensschritt S2 ermittelte, Daten können dann in einem Verfahrensschritt S5 dem neuronalen Netz 11 als Inputs zugeführt oder bereitgestellt werden. Das neuronale Netz 11 ermittelt dann unter Verwendung der verfügbaren Daten die Energiebedarfe für die möglichen Routen. Als Output kann das neuronale Netz 11 daraus den jeweiligen Energiebedarf für die möglichen Routen ermitteln und ausgeben, beispielsweise in Form eines Verlaufs des Ladezustands der Traktionsbatterie des Kraftfahrzeugs 1 entlang der jeweiligen möglichen Route. Ein Vorteil der Verwendung des trainierten neuronalen Netzes 11 dazu liegt hier insbesondere darin, dass damit die Energiebedarfe beispielsweise in wenigen Millisekunden ermittelt werden können, anstatt in etlichen Sekunden oder mehreren Minuten, die ein herkömmliches explizites Fahrzeug- bzw. Energiebedarfssimulationsmodell je nach Routenlänge und Modellkomplexität dafür benötigen kann. Zudem können in den gelernten Gewichten oder Parametern des neuronalen Netzes 11 physikalische Wirkzusammenhänge, die den Energiebedarf beeinflussen, besonders vollständig abgespeichert oder abgebildet sein.

Anhand der durch das neuronale Netz 11 vorhergesagten Energiebedarfe kann dann in einem Verfahrensschritt S6, gegebenenfalls unter Berücksichtigung älterer, beispielsweise durch den Fahrer 2 vorgegebener Optimierungskriterien, beispielsweise durch das Navigationssystem 3, die tatsächlich zu verwendende Navigationsroute aus den im Verfahrensschritt S3 ermittelten möglichen Routen ausgewählt und zur Führung des Fahrers 2 an seinen Zielort eingestellt werden.

Nach Beginn der Navigation entlang der Navigationsroute zu dem jeweiligen Zielort kann in einem Verfahrensschritt S7 beispielsweise regelmäßig oder kontinuierlich überprüft werden, ob das Kraftfahrzeug 1 an dem Zielort angekommen ist. Ist dies nicht der Fall, so kann jeweils in einem Verfahrensschritt S8 überprüft werden, ob aktualisierte Daten verfügbar sind. Dies kann beispielsweise aktualisierte Echtzeitdaten zur Verkehrslage, zum tatsächlichen gemessenen aktuellen Energiebedarf des Kraftfahrzeugs 1 , zum Fahrverhalten des Fahrers 2, zu Umgebungsbedingungen und/oder dergleichen mehr betreffen. Sind keine derartigen aktualisierten Daten verfügbar, so kann das Verfahren zum Verfahrensschritt S7 zurückkehren. Sind hingegen aktualisierte Daten verfügbar, so kann ein neuer Durchlauf des Verfahrens, beispielsweise ab dem Verfahrensschritt S2 oder S3, unter Verwendung der aktualisierten Daten durchgeführt werden. Darin können also basierend auf den aktualisierten Daten beispielsweise neue mögliche Routen von der dann aktuellen Position des Kraftfahrzeugs 1 zu dem Zielort ermittelt, entsprechende Energiebedarf dafür vorhergesagt und/oder die Energiebedarfe für die bis zu dem Zielort verbleibenden Wegstücke der ursprünglichen möglichen Routen aktualisiert werden. Dabei kann dann gegebenenfalls eine neue tatsächlich zu verwendende Navigationsroute von der aktuellen Position des Kraftfahrzeugs 1 zu dem Zielort ausgewählt und eingestellt werden. Somit ist es also möglich, in Echtzeit auf Basis der jeweils aktuellen Echtzeitdaten immer den energieoptimalen oder unter Berücksichtigung des Energiebedarfs optimierten Weg zum jeweiligen Zielort zu bestimmen.

Wird im Verfahrensschritt S7 festgestellt, dass das Kraftfahrzeug 1 am Zielort angekommen ist, so kann daraufhin in einem Verfahrensschritt S9 der tatsächlich angefallene Energiebedarf des Kraftfahrzeugs 1 entlang der tatsächlich verwendeten, also tatsächlich befolgten Navigationsroute ermittelt werden.

In einem Verfahrensschritt S10 kann dann überprüft werden, ob dieser tatsächliche Energiebedarf zumindest im Wesentlichen, also beispielsweise bis auf eine vorgegebene zulässige Toleranzabweichung, dem vorhergesagten Energiebedarf entspricht. Ist dies nicht der Fall, so können in einem Verfahrensschritt S11 für die entsprechende Fahrt angefallene bzw. relevante Daten einschließlich der tatsächlich verwendeten Navigationsroute und des tatsächlichen Energiebedarfs sowie gegebenenfalls weiteren verfügbaren relevanten Daten, wie etwa der Eigenschaften des Kraftfahrzeugs 1 , der Umgebungsbedingungen, des Fahrverhaltens oder Fahrertyps des Fahrers 2 und/oder dergleichen mehr, gesammelt und zu Trainings- bzw. Nachtrainingsdaten gebündelt werden. Diese Nachtrainingsdaten können dann in einem Nachtrainingsprozess verwendet werden. Dazu kann beispielsweise in einem Verfahrensschritts S12a das neuronale Netz 11 lokal nachtrainiert werden. Zusätzlich oder alternativ können dazu in einem Verfahrensschritt S12b die Nachtrainingsdaten an eine fahrzeugexterne Servereinrichtung übermittelt werden, um dort ein zentrales Trainieren oder Nachtrainieren eines entsprechenden oder aktualisierten neuronalen Netzwerks zu ermöglichen.

Anschließend oder wenn im Verfahrensschritt S10 festgestellt wurde, dass der tatsächliche Energiebedarf zumindest im Wesentlichen dem vorhergesagten voraussichtlichen Energiebedarf entspricht, kann das Verfahren in einem Verfahrensschritt S13 beendet werden.

Insgesamt zeigen die beschriebenen Beispiele wie eine LSTM-RNN-modellbasierte Vorhersage des Energiebedarfs eines Fahrzeugs, insbesondere eines Elektrofahrzeugs, realisiert und angewendet werden kann.

BEZUGSZEICHENLISTE

1 Kraftfahrzeug 2 Fahrer

3 Navigationssystem

4 Assistenzeinrichtung

5 Fahrzeugsensor

6 Kommunikationseinrichtung 7 Umgebungssensorik

8 Schnittstelle

9 Prozessor

10 Datenspeicher

11 neuronales Netz 12 Ablaufplan

S1 - S13 Verfahrensschritte