Verfahren zum Erzeugen eines Steuersignals für eine Querregeleinrichtung eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, sowie Assistenzsystem

Die Erfindung betrifft ein Verfahren zum Erzeugen eines Steuersignals für eine Querregeleinrichtung eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs mittels eines Assistenzsystems des Kraftfahrzeugs, bei welchem mittels eines lernfähigen neuronalen Netzwerks einer elektronischen Recheneinrichtung des Assistenzsystems das Steuersignal in Abhängigkeit von zumindest einem erfassten Umgebungsparameter erzeugt wird. Ferner betrifft die Erfindung ein Computerprogrammprodukt sowie ein Assistenzsystem.

Aus dem Stand der Technik sind bereits Kraftfahrzeuge bekannt, welche zumindest teilweise assistiert betrieben werden können. Beispielsweise können diese Kraftfahrzeuge einen sogenannten Travel Assist aufweisen, welcher einen sogenannten klassischen Regler aufweist, die das Fahrzeug auf Basis von erkannten Fahrspuren, zum Beispiel der Fahrspurmitte, hält. Gemäß dem Stand der Technik verfügt dabei beispielsweise eine Umgebungserfassungseinrichtung, beispielsweise eine Kamera, über ein Verfahren, welches dazu ein Steuersignal für den Regler zu erzeugen und mit diesem Steuersignal beispielsweise ein Lenkmoment und eine Lenkrichtung, an die Lenkung vorgibt.

Die US 10,377,303 B2 offenbart, dass ein am wenigstens einschränkender zulässiger Fahrzustand eines teilautonomen Fahrsystems auf Grundlage einer oder mehrerer Bedrohungen und der Sensorleistung bestimmt wird. Ein aktueller Fahrzustand und ein zukünftiger Fahrzustand werden basierend auf einem Aufmerksamkeitszustand und einem Lenkzustand eines Fahrers bestimmt. Dem Fahrer werden Warnungen zur Verfügung gestellt, um den aktuellen Fahrzustand einem zukünftigen Fahrzustand anzupassen. Fahrinteraktion und Aufmerksamkeit werden erzwungen, wenn der Fahrer nicht auf die Warnungen reagiert.

Die CN 108520155 B gehört zum technischen Gebiet der neuronalen Netzwerkalgorithmen und der Verkehrssimulation und betrifft ein Verfahren zur Simulation des Fahrzeugverhaltens auf der Basis eines neuronalen Netzwerks. Das Verfahren umfasst die folgenden Schritte: Extrahieren einer personalisierten realen Verkehrstrajektorie dies Fahrzeugs und Umwandeln der Rohdaten in einen Datensatz, der von einem neuronalen Netzwerk identifiziert werden kann; Bereitstellen eines Verhaltensmodells, dass in der Lage ist, die Fahreigenschaften jedes Fahrzeugs aus der Verkehrstrajektorie für jedes Fahrzeug unter Verwendung des neuronalen Netzwerks zu verkörpern. Anders als das traditionelle, von Menschenhand geschaffene mathematische Verkehrsmodell widmet sich die Methode der Beschreibung der Beziehung zwischen dem Verkehrszustand, dem das Fahrzeug gegenübersteht, und dem Verhalten des Fahrzeugs mittels der Fahrdaten. In diesem Modus wird das Verhalten des Fahrzeugs hauptsächlich von den vorderen und hinteren Fahrzeugen beeinflusst, was ein Regressionsproblem darstellt. Die Eingabe des Modells ist der Verkehrszustand, dem das Fahrzeug gegenübersteht, und die Ausgabe ist das Verhalten des Fahrzeugs.

In der CN 111332362 A wird ein intelligentes Steer-by-Wire-Steuerungsverfahren vorgestellt, das die Persönlichkeit eines Fahrers integriert. Zunächst werden die charakteristischen Parameter eines Lenksystems durch gesammelte Dateninformationen extrahiert; dann werden, jeweils basierend auf den entsprechenden charakteristischen Parametern, die Fahrerpersönlichkeiten durch eine Car-Mittelwert-Clustering-Analyse und eine BP- Neuronalnetz-Methode identifiziert; die Betriebsrisikodaten werden durch logische Operationen beurteilt; dann wird gemäß der erhaltenen Daten eine Entscheidungsmethode verwendet, um Steuerentscheidungen für Eingriffslenkung, Nichteingriffslenkung oder Übernahmelenkung zu treffen, schließlich werden entsprechende Entscheidungen ausgeführt, und wenn eine Steueranweisung der Eingriffslenkung ausgeführt wird, fährt die Fahrzeugsteuereinheit fort, die Persönlichkeit und das Betriebsrisiko des Fahrers zu integrieren und das Lenkwinkelübersetzungsverhältnis zu korrigieren. Es wird durch die Verschmelzung der Fahrercharakteristika von Fahrern mit unterschiedlichen Fahrcharakteristika die humanisierte Steuerung zur Anpassung an die Menschen im Fahrzeug materialisiert, der stabile Zustand des Fahrzeugs kann vorausschauend beurteilt werden, in das gefährliche Lenkverhalten wird rechtzeitig eingegriffen, und die aktive Sicherheit des Fahrzeugs wird effektiv verbessert.

Aufgabe der vorliegenden Erfindung ist es, ein Verfahren, ein Computerprogrammprodukt sowie ein Assistenzsystem zu schaffen, mittels welchen eine verbesserte zumindest teilweise assistierte Fahrt des Kraftfahrzeugs realisiert werden kann.

Diese Aufgabe wird durch ein Verfahren, ein Computerprogrammprodukt sowie ein Assistenzsystem gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben. Ein Aspekt der Erfindung betrifft ein Verfahren zum Erzeugen eines Steuersignals für eine Querregeleinrichtung eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs mittels eines Assistenzsystems des Kraftfahrzeugs, bei welchem mittels eines lernfähigen neuronalen Netzwerks einer elektronischen Recheneinrichtung des Assistenzsystems das Steuersignal in Abhängigkeit von zumindest einem erfassten Umgebungsparameter erzeugt wird.

Es ist vorgesehen, dass mittels einer Lenkwunscherfassungseinrichtung des Assistenzsystems ein Lenkwunsch des Fahrers gegenüber dem aktuell eingestellten Steuersignal erfasst wird und in Abhängigkeit von einem den Lenkwunsch charakterisierenden Parameters eine Lernrate für das lernfähige neuronale Netzwerk zum Erzeugen eines zukünftigen Steuersignals mittels der elektronischen Recheneinrichtung bestimmt wird.

Insbesondere kann somit eine verbesserte zumindest teilweise assistiert betriebene Fahrt realisiert werden. Insbesondere kann somit durch das „Beobachten des Fahrers“, insbesondere durch die Erfassung des Lenkwunsches, das Lernverhalten für das neuronale Netzwerk zur Steuerung der Querregeleinrichtung entsprechend verbessert werden.

Insbesondere löst somit die Erfindung das Problem gegenüber dem Stand der Technik, dass klassische Regler in der Entwicklung entsprechend appliziert werden, sodass die Funktion bestmöglich bei Auslieferungsdatum ist. Einflüsse durch veränderte Faktoren, zum Beispiel Reibung oder Lenkung, können in diesem Ansatz jedoch nicht berücksichtigt werden. Es ist daher ein paralleles Regelverfahren vorgeschlagen, das sich im Laufe des Fahrzeuglebens adaptieren kann und durch das Fahren neues Wissen erlangt. Hierbei ist die große Voraussetzung bei diesem neuartigen Lernverfahren zu entscheiden, wie stark ein zum Beispiel neu beobachtetes Verhalten des Nutzers/Fahrers Einfluss auf das Regelverhalten hat. Beispielsweise wenn ein Fahrzeug 200 Kilometer auf der Autobahn gefahren ist und ein weiteres kleines Stück, zum Beispiel 1 Kilometer Strecke, mit einem anderen Fahrverhalten gefahren ist, ist nicht sichergestellt, dass in diesem neuen Kilometer das Verhalten im Lernverfahren „stark“ genug berücksichtigt wird beziehungsweise werden soll. Mit der Annahme, dass zum Beispiel, wenn der Fahrer das Lenkrad stark umfasst und stark gegen das Lenkmoment des Reglers lenkt, er ein anderes Fahrverhalten als zurzeit umgesetzt wünscht. Somit kann durch das Beobachten beziehungsweise durch den Lenkwunsch des Fahrers das entsprechende lernfähige neuronale Netzwerk entsprechend angepasst werden. Gemäß einer vorteilhaften Ausgestaltungsform wird mittels eines kapazitiven Sensors an einer Lenkeinrichtung des Kraftfahrzeugs als Lenkwunscherfassungseinrichtung ein Intensitätswert einer Berührung als der den Lenkwunsch charakterisierenden Parameter an der Lenkeinrichtung durch den Fahrer erfasst. Die Lenkeinrichtung kann beispielsweise ein Lenkrad sein. Insbesondere kann beispielsweise ein Wert an der kapazitiven Lenkeinrichtung in vier Bereiche unterteilt werden. Beispielsweise kann keine Berührung, eine leichte Berührung, ein leichtes Umgreifen oder ein starkes Umgreifen detektiert werden. Auf Basis dieses Wertebereichs wiederum kann dann der Lenkwunsch und einhergehend die Lernrate zuverlässig bestimmt werden.

Ferner hat es sich als vorteilhaft erwiesen, wenn mittels eines Lenkmomentsensors an einer Lenkeinrichtung des Kraftfahrzeugs als Lenkwunscherfassungseinrichtung ein Intensitätswert eines Lenkmoments als der den Lenkwunsch charakterisierende Parameter an der Lenkeinrichtung durch den Fahrer erfasst wird. Beispielsweise kann das Lenkmoment des Fahrers in drei Bereiche eingeteilt werden. Beispielsweise kann das Lenkmoment als niedrig, mittel oder hoch eingestuft werden. Insbesondere kann sich der Bereich des Lenkmoments zwischen -8 Nm bis +8 Nm befinden. Auf Basis des erfassten Lenkmoments kann insbesondere die Intensität des Lenkwunsches bestimmt werden. Auf Basis dessen kann dann wiederum entsprechend die Lernrate eingestellt werden.

In einerweiteren vorteilhaften Ausgestaltungsform wird mittels einer Fahrbeobachtungskamera als Lenkwunscherfassungseinrichtung eine Lenkbewegung des Fahrers als der den Lenkwunsch charakterisierende Parameter an einer Lenkeinrichtung des Kraftfahrzeugs erfasst. Insbesondere kann somit durch visuelle Auswertung der Lenkwunsch des Fahrers mittels der Kamera bestimmt werden. Beispielsweise kann bestimmt werden, mit wie vielen Fingern der Fahrer das Lenkrad umgreift. Ferner können auch angespannte Muskeln oder dergleichen sowie eine Reaktion auf das aktuelle Steuersignal im Gesicht erfasst werden. Dadurch kann ein Lenkwunsch gegenüber dem derzeit eingestellten Steuersignal identifiziert werden, was wiederum Einfluss auf die Lernrate nimmt.

Weiterhin vorteilhaft ist, wenn mittels eines kapazitiven Sensors einer Lenkeinrichtung des Kraftfahrzeugs als Lenkwunscherfassungseinrichtung ein Gradient einer Berührung als der den Lenkwunsch charakterisierende Parameter an einer Lenkeinrichtung des Kraftfahrzeugs erfasst wird. Beispielsweise kann eine entsprechend höhere Lernrate angesetzt werden, sollte der Fahrer im Normalfall mit lediglich einem Finger am Lenkrad lenken und plötzlich mit zwei Händen lenken. Dies ist ein eindeutiges Indiz dafür, dass der Fahrer mit dem aktuellen Steuersignal nicht zufrieden ist und eine entsprechende Anpassung durchführen möchte. Durch die schnelle (zeitliche) Änderung des Umgreifens, was insbesondere dem Gradienten entspricht, kann dann zuverlässig auf den Lenkwunsch geschlossen werden. Entsprechend hoch kann dann die Lernrate im neuronalen Netz eingestellt werden.

Ferner hat es sich als vorteilhaft erwiesen, wenn ein bestimmtes Fahrprofil des Fahrers, beispielsweise mittels des Assistenzsystems, beim Bestimmen der Lernrate berücksichtigt wird. Insbesondere kann hierzu beispielsweise dann wiederum ein Faktor zum Bestimmen der Lernrate erzeugt werden. Beispielsweise kann beobachtet werden, wie der Fahrer sich im Normalbetrieb des Kraftfahrzeugs verhält. Beispielsweise ob der Kraftfahrer beide Hände am Lenkrad im Normalbetrieb hat oder beispielsweise lediglich mit einem Finger am Lenkrad fährt. Ferner kann auch umgebungsspezifisch dies angepasst werden. Beispielsweise kann eine Geschwindigkeit des Kraftfahrzeugs berücksichtigt werden, wobei dann berücksichtigt werden kann, wie das entsprechende Fahrverhalten des Fahrers bei der entsprechenden Geschwindigkeit ist. Somit kann zuverlässig die Lernrate des neuronalen Netzwerks bestimmt werden.

In einerweiteren vorteilhaften Ausgestaltungsform werden eine aktuell erfasste Umgebung und/oder ein aktuell erfasstes Fahrszenario beim Bestimmen der Lernrate berücksichtigt. Beispielsweise kann eine Stadtumgebung beziehungsweise eine Autobahn oder Landstraße entsprechend berücksichtigt werden. Beispielsweise sind unterschiedliche Fahrverhalten, insbesondere bezüglich der Handhabung mit der Lenkeinrichtung, des Fahrers bei unterschiedlichen Umgebungen beziehungsweise Fahrszenarien zu verzeichnen. Dies kann nun berücksichtigt werden, um die Lernrate entsprechend anzupassen.

Gemäß einerweiteren vorteilhaften Ausgestaltungsform wird die bestimmte Lernrate und/oder das mittels der bestimmten Lernrate angelernte neuronale Netzwerk an eine kraftfahrzeugexterne elektronische Recheneinrichtung zur zukünftigen Verwendung übertragen. Die kraftfahrzeugexterne elektronische Recheneinrichtung kann beispielsweise als Backend-Server beziehungsweise als Cloud-Server ausgebildet sein. Dies hat insbesondere den Vorteil, dass beispielsweise bei einem Mietwagen die entsprechend bestimmte Lernrate beziehungsweise das angelernte neuronale Netzwerk kraftfahrzeugextern gespeichert werden kann, um beispielsweise bei einer anderen Fahrzeugübernahme entsprechend angepasst werden kann. Ferner kann, sollte der Fahrer beispielsweise mehrere Fahrzeuge besitzen, ein entsprechender Austausch zwischen den Fahrzeugen stattfinden, sodass das angelernte Netzwerk sowohl in dem einen Fahrzeug als auch in dem anderen Fahrzeug zur Verfügung steht. Bei dem vorgestellten Verfahren handelt es sich insbesondere um ein computerimplementiertes Verfahren. Daher betrifft ein weiterer Aspekt der Erfindung ein Computerprogrammprodukt mit Programmcodemitteln, welche die elektronische Recheneinrichtung dazu veranlassen, wenn diese von der elektronischen Recheneinrichtung abgearbeitet werden, ein Verfahren nach dem vorhergehenden Aspekt durchzuführen. Ein nochmals weiterer Aspekt der Erfindung betrifft daher auch ein computerlesbares Speichermedium mit einem entsprechenden Computerprogrammprodukt.

Ein nochmals weiterer Aspekt der Erfindung betrifft ein Assistenzsystem für ein zumindest teilweise assistiert betriebenes Kraftfahrzeug, mit zumindest einer elektronischen Recheneinrichtung aufweisend ein lernfähiges neuronales Netzwerk und mit einer Lenkwunscherfassungseinrichtung, wobei das Assistenzsystem zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels des Assistenzsystems durchgeführt.

Die elektronische Recheneinrichtung weist insbesondere elektronische Bauteile, wie insbesondere integrierte Schaltkreise, Prozessoren oder weitere elektronische Bauteile auf, welche zum Abarbeiten der Programmcodemittel notwendig sind.

Ferner betrifft ein nochmals weiterer Aspekt der Erfindung ein Kraftfahrzeug mit einem Assistenzsystem nach dem vorhergehenden Aspekt. Das Kraftfahrzeug ist zumindest teilweise assistiert betrieben.

Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Assistenzsystems sowie des erfindungsgemäßen Kraftfahrzeugs, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Assistenzsystems und des erfindungsgemäßen Kraftfahrzeugs hier nicht noch einmal beschrieben.

Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.

Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:

Fig. 1 eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems; und Fig. 2 ein schematisches Blockschaltbild einer Ausführungsform gemäß dem Verfahren.

Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.

In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.

Fig. 1 zeigt eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs 1 mit einer Ausführungsform eines Assistenzsystems 2. Das Assistenzsystem 2 weist im vorliegenden Ausführungsbeispiel zumindest eine elektronische Recheneinrichtung 3 mit einem lernfähigen neuronalen Netzwerk 4 auf. Ferner weist das Assistenzsystem 2 zumindest eine Lenkwunscherfassungseinrichtung 5 auf. Die

Lenkwunscherfassungseinrichtung 5 kann beispielsweise als Lenkrad ausgebildet sein. Das Kraftfahrzeug 1 weist ferner eine Querregeleinrichtung 6 sowie eine Umgebungserfassungseinrichtung 7 auf. Das Kraftfahrzeug 1 ist insbesondere zumindest teilweise assistiert betrieben. Insbesondere kann mittels der Querregeleinrichtung 6 beispielsweise ein Spurhalteassistent für das Kraftfahrzeug 1 bereitgestellt werden. Beispielsweise kann der Spurhalteassistent derart bereitgestellt werden, dass das Kraftfahrzeug 1 mittig in einer Fahrspur 8 für das Kraftfahrzeug 1 zumindest teilweise assistiert betrieben fahren kann.

Insbesondere kann vorgesehen sein, dass die Umgebungserfassungseinrichtung 7 beispielsweise als Kamerasensor, Radarsensor, Ultraschallsensor oder auch als Schwarmdatenempfangseinrichtung ausgebildet sein kann. Das Kraftfahrzeug 1 weist die Querregeleinrichtung 6 auf, welche beispielsweise ein querführendes Assistenzsystem 2 sein kann, was auch als Travel Assist bezeichnet werden kann. Das Assistenzsystem 2 ist insbesondere derart ausgebildet, dass das Kraftfahrzeug 1 auf Basis von den Umgebungsdaten quergeregelt werden kann. Insbesondere um ein lernendes Regelverfahren bereitzustellen, wird das neuronale Netzwerk 4 bereitgestellt, welches ein entsprechendes Fahrverhalten eines nicht dargestellten Fahrers lernen kann. Die Schwierigkeit, die sich dabei ergibt, ist, wie stark das neuronale Netzwerk 4 aufgrund des Fahrverhaltens angelernt wird. Mit anderen Worten, welchen Einfluss das aktuelle Fahrverhalten auf das Wissen des neuronalen Netzwerks 4 haben soll und dadurch die zukünftige Regelung beeinflussen soll.

Fig. 2 zeigt ein schematisches Blockdiagramm gemäß einer Ausführungsform des Verfahrens. Insbesondere zeigt die Fig. 2 ein Verfahren zum Erzeugen eines Steuersignals 9 für die Querregeleinrichtung 6 des zumindest teilweise assistiert betriebenen Kraftfahrzeugs

I mittels des Assistenzsystems 2. Es wird mittels des lernfähigen neuronalen Netzwerks 4 der elektronischen Recheneinrichtung 3 das Steuersignal 9 in Abhängigkeit von zumindest einem erfassten Umgebungsparameter 10 erzeugt.

Es ist dabei vorgesehen, dass mittels der Lenkwunscherfassungseinrichtung 5 des Assistenzsystems 2 ein Lenkwunsch L des Fahrers gegenüber dem aktuell eingestellten Steuersignal 9 erfasst wird und in Abhängigkeit von einem den Lenkwunsch L charakterisierenden Parameter 11 eine Lernrate 12 für das lernfähige neuronale Netzwerk 4 zum Erzeugen eines zukünftigen Steuersignals 9 mittels der elektronischen Recheneinrichtung 3 bestimmt wird.

Fig. 2 zeigt insbesondere, dass mittels eines kapazitiven Sensors 21 an einer Lenkeinrichtung des Kraftfahrzeugs 1 als Lenkwunscherfassungseinrichtung 5 ein Intensitätswert 13 einer Berührung als der den Lenkwunsch L charakterisierenden Parameter

I I an der Lenkeinrichtung durch den Fahrer erfasst wird. Beispielsweise kann der kapazitive Sensor 21 keine Berührung, eine leichte Berührung, leichtes Umgreifen oder ein starkes Umgreifen erfassen. Dies ist rein beispielhaft und keinesfalls abschließend zu sehen. Es können auch weitere Berührungen identifiziert werden. Auf Basis dieser Berührung wiederum kann dann die Ableitung des Parameters 11 für ein Training des neuronalen Netzwerks 4 durchgeführt werden. Alternativ oder ergänzend kann auf Basis eines Lenkmomentsensors 14 an der Lenkeinrichtung des Kraftfahrzeugs 1 als Lenkwunscherfassungseinrichtung 5 ein Intensitätswert eines Lenkmoments 15 als der den Lenkwunsch L charakterisierende Parameter 11 an der Lenkeinrichtung durch den Fahrer erfasst werden. Insbesondere kann das Lenkmoment 15 beispielsweise in ein leichtes Lenkmoment, ein mittleres Lenkmoment oder ein hohes Lenkmoment unterteilt werden. Hierzu können beispielsweise entsprechende Grenzwerte gesetzt werden. Dies ist rein beispielhaft und ebenfalls nicht abschließend zu betrachten. Insbesondere kann der Bereich des Lenkmoments 15 beispielsweise zwischen 8 Nm bis -8 Nm aufgeteilt werden. Weiterhin kann vorgesehen sein, dass mittels einer Fahrerbeobachtungskamera 16 als Lenkwunscherfassungseinrichtung 5 eine Lenkbewegung des Fahrers als der den Lenkwunsch L charakterisierende Parameter 11 an einer Lenkeinrichtung des Kraftfahrzeugs 1 erfasst wird.

Die Ableitung des Parameters 11 für das Training des neuronalen Netzwerks 4 erfolgt insbesondere aus dem Lenkwunsch L. Je nach Stärke des gewünschten Lernverhaltens wird die sogenannte Lernrate 12, welche initial definiert wurde, durch einen Faktor F für das Training des neuronalen Netzwerks angepasst. Mit anderen Worten kann die Lernrate 12 aus dem Produkt aus Faktor F und der initialen Lernrate abgeleitet werden. Ausgehend davon kann dann wiederum die fahrerabhängige Lernrate 12 erzeugt werden. Ein entsprechendes Trainingsverfahren 17 dient dann wiederum zur Anpassung der Kantengewichte im neuronalen Netzwerk 4 und damit zum Lernen im neuronalen Netzwerk 4. Dabei beeinflusst die Lernrate 12, wie stark diese angepasst werden und entsprechend wie stark das aktuelle Verhalten an den Fahrerwunsch angepasst wird.

Ferner kann auch vorgesehen sein, dass ein mittels des Assistenzsystems 2 bestimmtes Fahrprofil 18 des Fahrers beim Bestimmen der Lernrate 12 berücksichtigt wird. Nochmals alternativ oder ergänzend kann eine aktuell erfasste Umgebung 8 und/oder ein aktuell erfasstes Fahrszenario 19 beim Bestimmen der Lernrate 12 berücksichtigt werden.

Es kann weiterhin vorgesehen sein, dass die bestimmte Lernrate 12 und/oder das mittels der bestimmten Lernrate 12 angelernte neuronale Netzwerk 4 an eine kraftfahrzeugexterne elektronische Recheneinrichtung 20 zur zukünftigen Verwendung übertragen werden. Die kraftfahrzeugexterne elektronische Recheneinrichtung 20 kann auch als Cloud-Server beziehungsweise Backend-Server bezeichnet werden.

Bezugszeichenliste

1 Kraftfahrzeug

2 Assistenzsystem

3 elektronische Recheneinrichtung

4 neuronales Netzwerk

5 Lenkwunscherfassungseinrichtung

6 Querregeleinrichtung

7 Umgebungserfassungseinrichtung

8 Umgebung

9 Steuersignal

10 Umgebungsparameter

11 charakterisierender Parameter

12 Lern rate

13 Intensitätswert der Berührung

14 Lenkmomentsensor

15 Lenkmoment

16 Fahrerbeobachtungskamera

17 Training

18 Fahrprofil

19 Fahrszenario

20 kraftfahrzeugexterne elektronische Recheneinrichtung

21 kapazitiver Sensor

L Lenkwunsch