Die Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung gemäß dem Oberbegriff von Patentanspruch 1. Ferner betrifft die Erfindung eine kraftfahrzeugexterne elektronische Recheneinrichtung.

Aus dem Kraftfahrzeugbau ist bekannt, dass vermehrt Daten im Kraftfahrzeug aufgezeichnet werden und beispielsweise über einen sogenannten Telelog oder über eine Kommunikationseinrichtung an eine kraftfahrzeugexterne elektronische Recheneinrichtung, welche auch als Backend bezeichnet werden kann, geschickt werden. In diesem Backend können dann die Daten der Kraftfahrzeuge aggregiert und auf Basis dieser Daten verschiedene Prognosen bestimmt werden. Beispielsweise können Prognosen für eine Fehlerursache beziehungsweise für eine Nutzung von Navigation oder weitere Informationen aggregiert werden. Hierbei ist aus dem Stand der Technik bekannt, dass die Methoden des sogenannten Machine Learnings, also dem maschinellen Lernen, genutzt werden. Es können dadurch sogenannte „Weltmodelle“ erzeugt werden, die das Verhalten einer Fahrzeugflotte mit einem oder mehreren Modellen abbilden. Durch die Datenübertragung und spätere Verarbeitung entstehen jedoch hohe Kosten für die Bandbreite und die Datenübertragung innerhalb des Backend, die sich über eine Lebenszeit des Kraftfahrzeugs entsprechend aufsummieren können.

Die EP 3 117 274 A1 offenbart zur Steuerung eines Zielsystems, beispielsweise einer Gas- oder Windkraftanlage oder eines anderen technischen Systems, dass Betriebsdaten mehrerer Quellsysteme verwendet werden. Die Betriebsdaten der Quellsysteme werden empfangen und durch Quellsystem-spezifische Kennungen unterschieden. Mit Hilfe eines neuronalen Netzes wird ein neuronales Modell auf der Grundlage der empfangenen Betriebsdaten der Quellsysteme unter Berücksichtigung der Quellsystem-spezifischen Kennungen trainiert, wobei eine erste neuronale Modellkomponente auf Eigenschaften trainiert wird, die von den Quellsystemen gemeinsam genutzt werden, und eine zweite neuronale Modellkomponente auf Eigenschaften, die zwischen den Quellsystemen variieren. Nach dem Empfang von Betriebsdaten des Zielsystems wird das trainierte neuronale Modell auf der Grundlage der Betriebsdaten des Zielsystems weiter trainiert, wobei einem weiteren Training der zweiten neuronalen Modellkomponente gegenüber einem weiteren Training der ersten neuronalen Modellkomponente der Vorzug gegeben wird. Das Zielsystem wird mit Hilfe des weiter trainierten neuronalen Netzes gesteuert.

Aufgabe der vorliegenden Erfindung ist es, ein Verfahren sowie eine kraftfahrzeugexterne elektronische Recheneinrichtung zu schaffen, mittels welcher effizient ein Verhaltensmodell für eine Kraftfahrzeugflotte erzeugt werden kann.

Diese Aufgabe wird durch ein Verfahren sowie durch eine kraftfahrzeugexterne elektronische Recheneinrichtung gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.

Ein Aspekt der Erfindung betrifft ein Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, bei welcher zumindest ein ein neuronales Netzwerk charakterisierender Parameter für eine Steuereinrichtung eines Kraftfahrzeugs der Kraftfahrzeugflotte mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung trainiert wird und an die Steuereinrichtung übermittelt und kraftfahrzeugintern abgespeichert wird.

Es ist vorgesehen, dass mittels einer Erfassungseinrichtung des Kraftfahrzeugs zumindest eine Information für das Verhaltensmodell erfasst wird und ein abgespeichertes kraftfahrzeuginternes neuronales Netzwerk mittels des charakterisierenden Parameters und der zumindest einen Information kraftfahrzeugintern weiter trainiert wird und zumindest ein Gewichtungsparameter des kraftfahrzeugintern weiter trainierten neuronalen Netzwerks von der Steuereinrichtung an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen wird und das Verhaltensmodell auf Basis des an die Steuereinrichtung übermittelten charakterisierenden Parameters und auf Basis des übertragenen Gewichtungsparameters mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung für die Fahrzeugflotte erzeugt wird. Insbesondere kann somit effizient und unter Einsparung von Bandbreite das Verhaltensmodell erzeugt werden. Bei dem Verhaltensmodell handelt es sich insbesondere um ein sogenanntes „Weltmodell“. Insbesondere können so bei der Datenübertragung und bei der späteren Verarbeitung die Kosten für die Bandbreite und für das Datenhandling innerhalb der kraftfahrzeugexternen elektronischen Recheneinrichtung reduziert werden.

Das neuronale Netz ist dabei ein Beispiel für eine Methode des maschinellen Lernens, es können auch alternative Methoden angewendet werden, die durch eine definierte Architektur und Parameter beschrieben werden können und das Lernen mit vortrainierten Parametern möglich ist.

Die entsprechenden Daten beziehungsweise Informationen, welche beispielsweise Rohdaten betreffen können, werden durch das dezentrale Trainieren innerhalb der Steuereinrichtung im Kraftfahrzeug im Sinne von einem Edge Computing direkt verarbeitet. Die Übertragungsbandbreite an die kraftfahrzeugexterne elektronische Recheneinrichtung wird reduziert, da beispielsweise lediglich ein Gewichtungsparameter des neuronales Netzes übertragen wird. Das Wissen wird sozusagen in den neuronalen Netzen memorisiert und komprimiert. Aus den trainierten neuronalen Netzen, welche kraftfahrzeugintern sind, kann ohne größeren Aufwand dann wiederum das Verhaltensmodell erstellt werden.

Bei der Steuereinrichtung, welche sich kraftfahrzeugintern befindet, kann es sich insbesondere ebenfalls um eine elektronische Recheneinrichtung handeln.

Bei dem Verfahren handelt es sich somit um ein computerimplementiertes Verfahren, welches insbesondere ein entsprechendes Computerprogrammprodukt nutzt, mit Befehlen, um das Verfahren auf der kraftfahrzeugexternen elektronischen Recheneinrichtung durchzuführen. Die kraftfahrzeug externe elektronische Recheneinrichtung weist dazu insbesondere ein computerlesbares Speichermedium auf, welches dann wiederum das Computerprogrammprodukt aufweisen kann.

Gemäß einer vorteilhaften Ausgestaltungsform wird als der das neuronale Netzwerk charakterisierende Parameter eine Gewichtungsmatrize für das neuronale Netzwerk an die Steuereinrichtung oder das neuronale Netzwerk übertragen. Mit anderen Worten kann vorgesehen sein, dass vortrainierte neuronale Netzwerke von der kraftfahrzeugexternen elektronischen Recheneinrichtung an das Kraftfahrzeug übertragen werden. Um jedoch weiterhin die Datenmenge reduzieren zu können, kann es bevorzugt vorgesehen sein, dass lediglich die Gewichtungsmatrizen für das neuronale Netzwerk von der kraftfahrzeugexternen elektronischen Recheneinrichtung an die Steuereinrichtung übertragen werden. Mit anderen Worten kann vorgesehen sein, dass kraftfahrzeugintern bereits ein neuronales Netzwerk zur Verfügung gestellt werden kann, an welches dann lediglich die entsprechende Gewichtungsmatrize übertragen wird. Auf Basis der Gewichtungsmatrize kann dann die Netzarchitektur für das neuronale Netzwerk abgeleitet werden. Somit kann effizient das Verhaltensmodell erzeugt werden.

Weiterhin vorteilhaft ist, wenn auf Basis einer Vielzahl von übertragenen Gewichtungsparametern von einer Vielzahl von Kraftfahrzeugen der Kraftfahrzeugflotte das Verhaltensmodell mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung erzeugt wird. Insbesondere weist die Kraftfahrzeugflotte somit eine Vielzahl von Kraftfahrzeugen auf. Die Vielzahl von Kraftfahrzeugen kann dann wiederum eigene Informationen mit eigenen Erfassungseinrichtungen jeweils sammeln und dann wiederum jeweils ihr kraftfahrzeuginternes neuronales Netzwerk trainieren. Die entsprechenden Gewichtungsparameter können dann wiederum an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen werden, wobei dann auf Basis der Vielzahl übertragener Gewichtungsparameter wiederum das Verhaltensmodell erzeugt werden kann. Somit kann eine Art Schwarmwissen gesammelt werden, und auf Basis dieses Schwarmwissens wiederum kann das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt werden.

In einer weiteren vorteilhaften Ausgestaltungsform wird nach dem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters der Gewichtungsparameter an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen. Mit anderen Worten sollte das kraftfahrzeuginterne neuronale Netzwerk eine definierte Vorhersagegüte, beispielsweise einen sogenannten F1 -Score bei Klassifikationen oder R ^A 2 Score bei Regressionen, überschreiten, so wird erst der Gewichtungsparameter des kraftfahrzeugintern trainierten neuronalen Netzes von dem Kraftfahrzeug an die kraftfahrzeug externe elektronische Recheneinrichtung geschickt. Somit kann erst bei einer Abweichung von dem vortrainierten neuronalen Netzwerk der Gewichtungsparameter übertragen werden, wodurch weiterhin eine Datenübertragungsmenge reduziert werden kann. Ebenfalls vorteilhaft ist, wenn mittels einer Ensemblemethodik das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt wird. Bei der Ensemblemethodik handelt es sich insbesondere um eine Form des maschinellen Lernens. Es wird dabei eine endliche Menge von verschiedenen Lernalgorithmen, um bessere Ergebnisse zu erhalten als mit einem einzigen Lernalgorithmus. Insbesondere kann dabei mit einer geringeren Rechentiefe ein bereits zufriedenstellendes Ergebnis erreicht werden.

Es hat sich weiterhin als vorteilhaft erwiesen, wenn mittels einer weichen Gewichtungsteilungsmethode das Verhaltensmodell für die Kraftfahrzeugflotte erzeugt wird. Die weiche Gewichtungsteilungsmethode wird auch als Softweight-Sharing bezeichnet. Hierbei handelt es sich um eine weitere Methode des maschinellen Lernens. Hierbei handelt es sich um einen Deep-Learning-Algorithmus, mittels welchem effizient das Verhaltensmodell erzeugt werden kann.

Gemäß einer weiteren vorteilhaften Ausgestaltungsform wird mittels der Steuereinrichtung eine Prognose für eine Fehlerursache und/oder eine Prognose für die Nutzung einer Navigationseinrichtung des Kraftfahrzeugs und/oder eine Prognose für eine Nutzung eines Assistenzsystems des Kraftfahrzeugs durchgeführt. Es können Prognosen innerhalb des Kraftfahrzeugs mittels des neuronalen Netzwerks durchgeführt werden. Es kann dann vorgesehen sein, dass mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung ein Verhaltensmodell für die Fehlerursache und/oder für die Nutzung der Navigationseinrichtung und/oder für die Nutzung des Assistenzsystems des Kraftfahrzeugs durchgeführt wird. Somit können unterschiedliche Verhaltensmodelle erzeugt werden, welche dann wiederum für die Kraftfahrzeugflotte genutzt werden können. Die hier genannten Anwendungen sind nur beispielhaft, insbesondere kann jede Prognose in Form einer Klassifikation oder Regression durch dieses Verfahren dargestellt werden.

Ferner hat es sich als vorteilhaft erwiesen, wenn eine Anzahl an Messpunkten der Erfassungseinrichtung und eine daraus resultierende, zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter beschreibt, und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters an die kraftfahrzeugexterne elektronische Recheneinrichtung übertragen wird. Bei der Datenmenge der Messpunkte handelt es sich insbesondere um sogenannte Rohdaten. Sollte die Datenmenge der Rohdaten geringer sein als die Datenmenge des Gewichtungsparameters, so kann entschieden werden, dass die Datenmenge der Messpunkte übertragen wird. Sollte jedoch entschieden werden, dass die Datenmenge des Gewichtungsparameters geringer ist als die Datenmenge der Rohdaten, so kann entschieden werden, dass der Gewichtungsparameter übertragen wird. Somit kann ein effizientes Erzeugen des Verhaltensmodells realisiert werden. Im Kraftfahrzeug können beispielsweise pro Aufzeichnung 20 Größen abgespeichert werden, was insbesondere 20 Float-Werten entspricht. Sollten dann beispielsweise das neuronale Netzwerk durch nicht mehr als 1893 Float-Werte beschrieben werden können, wobei durch Quotientenbildung insgesamt mehr als 94,7 Messpunkte vorliegen, ist es aus Sicht der Bandbreite effizienter, die Gewichte des neuronalen Netzwerks anstatt die Messpunkte selbst zu übertragen.

In einer weiteren vorteilhaften Ausgestaltungsform wird das neuronale Netzwerk vortrainiert, und das mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk oder eine Gewichtungsmatrize wird an die Steuereinrichtung übertragen. Mit anderen Worten ist vorgesehen, dass das neuronale Netzwerk datenreduziert erzeugt wird und erst kraftfahrzeugintern gesamtheitlich angelernt wird. Dieses mit dem reduzierten Datensatz vortrainierte neuronale Netzwerk beziehungsweise die Gewichtungsmatrize wird dann an die Steuereinrichtung übertragen, wobei dann kraftfahrzeugintern das vortrainierte neuronale Netzwerk weiter trainiert wird. Somit kann durch die Nutzung einer reduzierten Bandbreite das Verhaltensmodell erzeugt werden.

Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt mit Befehlen, die bewirken, dass, wenn Befehle auf einer elektronischen Recheneinrichtung durchgeführt werden, die Schritte gemäß dem vorhergehenden Aspekt durchgeführt werden. Ferner betrifft die Erfindung auch ein computerlesbares Speichermedium mit dem zuvor genannten Computerprogrammprodukt.

Ein nochmals weiterer Aspekt der Erfindung betrifft eine kraftfahrzeugexterne elektronische Recheneinrichtung zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte, wobei die kraftfahrzeugexterne elektronische Recheneinrichtung zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung durchgeführt.

Vorteilhafte Ausgestaltungsformen des Verfahrens sind als vorteilhafte Ausgestaltungsformen des Computerprogrammprodukts, des computerlesbaren Speichermediums sowie der kraftfahrzeugexternen elektronischen Recheneinrichtung anzusehen. Die kraftfahrzeugexterne elektronische Recheneinrichtung weist dazu gegenständliche Merkmale auf, welche zur Durchführung des Verfahrens oder einer vorteilhaften Ausgestaltungsform davon benötigt sind.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels sowie anhand der Zeichnung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in der einzigen Figur alleine 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.

Dabei zeigt die einzige Figur eine schematische Seitenansicht einer Ausführungsform einer kraftfahrzeugexternen elektronischen Recheneinrichtung für eine Kraftf a h rze u gf I otte .

In der Figur sind gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.

Die Figur zeigt in einer schematischen Seitenansicht eine Ausführungsform einer kraftfahrzeugexternen elektronischen Recheneinrichtung 10. Die kraftfahrzeugexterne elektronische Recheneinrichtung 10 ist zum Erzeugen eines Verhaltensmodells 12 für eine rein schematisch dargestellte Kraftfahrzeugflotte 14 ausgebildet. Ein Kraftfahrzeug 16 ist insbesondere ebenfalls gezeigt, wobei das Kraftfahrzeug 16 als Teil der Kraftfahrzeugflotte 14 anzusehen ist.

Das Kraftfahrzeug 16 weist eine Steuereinrichtung 18, eine Erfassungseinrichtung 20 sowie eine Funktionseinheit 22 auf. Die Funktionseinheit 22 kann beispielsweise eine Head Unit des Kraftfahrzeugs 16 oder ein Assistenzsystem des Kraftfahrzeugs 16 sein. Diese Aufzählung ist rein beispielhaft und dient lediglich dem Verständnis der Erfindung. Es können somit auch weitere Funktionseinheiten 22 im Kraftfahrzeug 16 genutzt werden.

Beim Verfahren zum Erzeugen des Verhaltensmodells 12 für die Kraftfahrzeugflotte 14 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 wird ein ein neuronales Netzwerk 24 charakterisierender Parameter 28 für die Steuereinrichtung 18 des Kraftfahrzeugs 16 der Kraftfahrzeugflotte 14 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 trainiert, insbesondere vortrainiert, und an die Steuereinrichtung 18 übermittelt und kraftfahrzeugintern abgespeichert.

Es ist vorgesehen, dass mittels der Erfassungseinrichtung 20 des Kraftfahrzeugs 16 zumindest eine Information für das Verhaltensmodell 12 erfasst wird und das abgespeicherte kraftfahrzeuginterne neuronale Netzwerk 26 mittels des charakterisierenden Parameters 28 und der zumindest einen Information kraftfahrzeugintern weitertrainiert wird und zumindest ein Gewichtungsparameter 30 des kraftfahrzeugintern weitertrainierten neuronalen Netzwerks 26 von der Steuereinrichtung 18 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird und das Verhaltensmodell 12 auf Basis des an die Steuereinrichtung 18 übermittelten charakterisierenden Parameters 28 und auf Basis des übertragenen Gewichtungsparameters 30 mittels der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 für die Kraftfahrzeugflotte 14 erzeugt wird.

Es kann dabei vorgesehen sein, dass als der das neuronale Netzwerk 24 charakterisierende Parameter 28 eine Gewichtungsmatrize für das neuronale Netzwerk 24 an die Steuereinrichtung 18 oder das neuronale Netzwerk 24 selbst übertragen wird.

Es kann weiterhin vorgesehen sein, dass auf Basis einer Vielzahl von Gewichtungsparametern 30 von einer Vielzahl von Kraftfahrzeugen 16 der Kraftfahrzeugflotte 14 das Verhaltensmodell 12 erzeugt wird. Weiterhin kann vorgesehen sein, dass nach einem Überschreiten eines Abweichungsschwellwerts des Gewichtungsparameters 30 der Gewichtungsparameter 30 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird.

Weiterhin kann vorgesehen sein, dass mittels einer Ensemblemethodik das Verhaltensmodell 12 für die Kraftfahrzeugflotte 14 erzeugt wird oder dass mittels einer weichen Gewichtungsteilungsmethode, welche auch als Soft Weight-Sharing bezeichnet wird, das Verhaltensmodell 12 für die Kraftfahrzeugflotte 14 erzeugt wird.

Es kann weiterhin vorgesehen sein, dass mittels der Steuereinrichtung 18 eine Prognose für eine Fehlerursache und/oder Prognose für die Nutzung einer Navigationseinrichtung, welche insbesondere durch die Funktionsreinricchtung 22 dargestellt ist, des Kraftfahrzeugs 16 und/oder eine Prognose für die Nutzung eines Assistenzsystems, welche insbesondere ebenfalls durch die Funktionseinrichtung 22 dargestellt ist, des Kraftfahrzeugs 16 durchgeführt wird.

Bei der Prognose für die Fehlerursache können beispielsweise Fehlermeldungen innerhalb der Steuereinrichtung 18, Umgebungsdaten innerhalb der Steuereinrichtung 18, wie beispielsweise Temperatur, Spannung, Eingangsgrößen zur Steuereinrichtung 18 sowie Fehlersignale von vernetzten Steuergeräten abgespeichert werden. Ziel dabei ist die Prognose von Fehlerursachen. Bei der Prognose für die Nutzung der Navigationseinrichtung können beispielsweise Daten zu Tag, Uhrzeit, Wetter und Lokation abgespeichert werden. Hierbei wird insbesondere eine Prognose für die Nutzung der Navigationseinrichtung erzeugt. Bei der Nutzung des Assistenzsystems, wobei dies insbesondere auch als ADAS bezeichnet werden kann, wird gespeichert, welche Aktivierung der Assistenzfunktionen, welche Fahrsituation oder welche Lokation dabei vorliegen. Hierbei können insbesondere die Klasse der Hot Spots, zum Beispiel für Fußgängerbremsungen, erzeugt werden.

Es kann weiterhin vorgesehen sein, dass eine Anzahl an Messpunkten der Erfassungseinrichtung 20 und eine daraus resultierende und zu übertragende Datenmenge bestimmt werden und die daraus resultierende Datenmenge mit einer Datenmenge verglichen wird, welche den Gewichtungsparameter 30 beschreibt und in Abhängigkeit von dem Vergleich mittels der Steuereinrichtung 18 entschieden wird, ob die Datenmenge der Messpunkte oder die Datenmenge des Gewichtungsparameters 30 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen wird.

Insbesondere ist somit für alle Prognosen, für die das Verhaltensmodell 12 erstellt werden soll, vorgesehen, dass mit einem reduzierten Datensatz das neuronale Netzwerk 24 in der kraftfahrzeugexternen elektronischen Recheneinrichtung 10, welches auch als Backend bezeichnet werden kann, vortrainiert wird. Die vortrainierten neuronalen Netzwerke 24 beziehungsweise deren Gewichtungsmatrizen, von denen dann wiederum die Netzarchitektur abgeleitet werden kann, werden an die Steuereinrichtung 18 im Kraftfahrzeug 16 übertragen. Die Steuereinrichtung 18 sammelt dann weitere Daten und trainiert damit das kraftfahrzeuginterne neuronale Netzwerk 26 auf das genau in diesem Kraftfahrzeug 16 beobachtete Verhalten, was auch als Edge Computing bezeichnet werden kann. Überschreitet das kraftfahrzeuginterne neuronale Netzwerk 26 in dem Kraftfahrzeug 16 eine vorher definierte Prognosegüte, beispielsweise einen sogenannten F1 -Score, so werden die Gewichte des kraftfahrzeuginternen neuronalen Netzwerks 26 von diesem Kraftfahrzeug 16 an die kraftfahrzeugexterne elektronische Recheneinrichtung 10 übertragen. In der kraftfahrzeugexternen elektronischen Recheneinrichtung 10 wird mit Hilfe einer Methode, wie beispielsweise dem Softweight- Sharing oder der Ensemblemethodik, aus den einzelnen Modellen das Verhaltensmodell 12 erstellt. Mit diesem Verhaltensmodell 12, welches auch als Weltmodell bezeichnet werden kann, können dann die gewünschten Prognosen, wie zum Beispiel Prognosen für die Fehlerursache, für die Nutzung der Navigationseinrichtung oder weiterer Assistenzsystem erzeugt werden.

Die Daten werden somit durch das dezentrale Trainieren in der Steuereinrichtung 18 im Sinne von Edge Computing direkt verarbeitet. Die Übertragungsbandbreite in das Backend wird reduziert, da nur der Gewichtungsparameter 30 des kraftfahrzeuginternen neuronalen Netzwerks 26 übertragen wird. Das Wissen wird sozusagen in den kraftfahrzeuginternen neuronalen Netzwerken 26 memorisiert und komprimiert. Aus den trainierten neuronalen Netzwerken 26 kann ohne großen Aufwand dann wiederum das Verhaltensmodell 12 aufgebaut werden.