用于校准传感器的方法、计算单元和传感器系统与流程

本发明涉及一种用于校准传感器的方法、一种计算单元和一种传感器系统。

背景技术：

1、从现有技术中已知传感器，其中，传感器在其制造之后必须进行校准，因为这些传感器彼此之间总是具有一定的偏差。这种校准可以基于数学模型来执行。从一般的模型出发，模型的参数在校准过程中被匹配于个体传感器。为此目的，传感器记录确定的测量点，并且，根据测得的值，通过补偿算法来匹配模型。如果传感器在用户处被安装、例如焊接，则可出现变化的条件，并且，原始校准可能不再是最佳的。现在，用户可以重新校准传感器。这种重新校准然而是费事的并且必要时需要用户无法获得的、关于传感器的精确功能方式及其校准的知识。

2、还已知自适应方法，其中，模型匹配于新的条件。在此，例如生成同时适用于多个不同传感器的元模型。这种元模型然后可以匹配于各个传感器。用于这种方法的应用情况是神经网络的训练方法。元模型能够被训练成能够利用尽可能少的训练数据来进行传感器的匹配。元模型在此被匹配为特定于传感器的模型。用于训练人工智能的已知的元自适应算法是“模型不可知元学习(model-agnostic meta-learning)”算法(maml)。这种算法由两个优化步骤组成，这两个优化步骤借助于梯度训练步骤对模型进行匹配。有内部优化和外部优化。通过内部优化，将用于传感器的通用模型匹配成用于某个传感器，而借助于外部优化来优化用于传感器的通用模型。在训练人工智能时可以执行两个优化步骤，而借助于内部优化可以执行自适应步骤。

技术实现思路

1、本发明的任务是提供一种改进的用于校准传感器的方法，其中，减少了传感器误差。本发明的另外的任务是提供一种用于执行该方法的计算单元以及一种传感器系统，该传感器系统可以执行这种方法。这些任务利用一种用于校准传感器系统的传感器的方法、一种用于传感器系统的计算单元和一种传感器系统来解决。在下文中说明有利的扩展方案。

2、根据第一方面，本发明涉及一种用于校准传感器系统的传感器的方法，在该方法中实施在下文中阐释的步骤。提供多个与该传感器系统的传感器结构相同的传感器，并且，提供通用传感器模型。在此，通用传感器模型可以基于传感器如何正常工作的理论考虑来创建。尤其地，通用传感器模型可以涉及传感器类型、即涉及所有结构相同的传感器。随后，对于结构相同的传感器中的每个执行内部优化步骤。在内部优化步骤中，利用通用传感器模型来初始化特定于传感器的传感器模型，并且，随后基于传感器的测量数据来优化特定于传感器的模型参数。通用传感器模型也可以称为元模型。借助特定于传感器的模型参数来匹配特定于传感器的传感器模型。随后，对于特定于传感器的传感器模型计算评估值损失(evaluierungswertverlust)。之后，执行外部优化步骤。在该外部优化步骤中，将对于每个传感器计算出的评估值用于优化通用传感器模型的通用模型参数。将通用传感器模型存储在传感器系统的存储器中。所存储的通用传感器模型尤其可以包含在外部优化步骤中经优化的通用模型参数。

3、该方法能够尤其在传感器系统的开发期间、但也能够在传感器系统的生产期间使用。通过将通用传感器模型存储在传感器系统的存储器中，能够给传感器系统提供通用传感器模型，基于此，传感器系统借助该通用传感器模型来处理传感器系统的传感器的测量数据并且由此实现更精确的输出值。

4、用于校准传感器系统的传感器的方法使用内部优化步骤和外部优化步骤。在内部优化步骤中，特定于传感器的传感器模型仅基于传感器的测量数据被匹配。在外部优化步骤中，从对于所有传感器计算出的评估值损失中可以匹配通用传感器模型。由此得到在制造传感器系统期间提供用于所有传感器系统的通用传感器模型的一种高效途径。

5、根据第二方面，本发明涉及一种用于传感器系统的计算单元。该计算单元具有用于传感器的测量数据的输入端、处理器和存储器。在存储器中保存有利用根据本发明的方法进行优化的通用传感器模型。处理器设置为用于基于该通用传感器模型来处理传感器的测量数据。由此能够实现更精确的输出值。

6、根据第三方面，本发明涉及一种传感器系统，其具有根据本发明的计算单元和连接到输入端的传感器。传感器系统可以构型成，使得传感器和计算单元都是集成电路的一部分，或者，使得传感器和计算单元都布置在共同的壳体中。

7、在计算单元的一个实施方式中，处理器还设置为用于，基于经由输入端接收到的传感器的测量数据来执行内部优化，在该内部优化中利用通用传感器模型来初始化特定于传感器的传感器模型并且随后基于传感器的测量数据来优化特定于传感器的模型参数。也可以设置基于测量数据被优化的多个特定于传感器的模型参数。然后，这可以分别对于每个特定于传感器的模型参数利用下面描述的方法来进行。借助特定于传感器的模型参数，特定于传感器的传感器模型被匹配且被保存在存储器中。这实现了，例如在安装传感器系统以及可能与之相关的传感器的改变之后，执行传感器系统的校准并且以此实现更精确的输出值。在这里，可以省去在用于多个传感器的内部优化步骤中所包含的对评估损失值的计算，因为没有执行另外的外部优化。在此，传感器的改变可以例如由焊接时的温度或由应力效应导致。

8、在该方法的一个实施方式中，在安装传感器系统之后，执行内部优化步骤。在该内部优化步骤中，利用通用传感器模型来初始化特定于传感器的传感器模型，并且，随后基于传感器的测量数据来优化特定于传感器的模型参数。借助特定于传感器的模型参数来匹配特定于传感器的传感器模型。随后，将特定于传感器的传感器模型、即尤其是经匹配的特定于传感器的传感器模型保存在存储器中。在此，初始保存在存储器中的通用传感器模型可以被特定于传感器的传感器模型替换。替代地能够设置，通用传感器模型保留在存储器中并且特定于传感器的传感器模型附加地保存在存储器中。这实现了，例如在安装传感器系统以及可能与之相关的传感器的改变之后，执行传感器系统的校准并且以此实现更精确的输出值。在此，传感器的改变可以例如由焊接时的温度或由应力效应导致。

9、在这个实施方式中，能够设置，使用多个与传感器系统的传感器结构相同的传感器来求取通用传感器模型，并且，装配在传感器系统中的传感器是与在求取通用传感器系统期间使用的传感器不同的传感器。因此，在安装之后的内部优化步骤利用与安装之前的内部优化步骤和外部优化步骤不同的传感器的测量数据来执行。

10、在该方法的一个实施方式中，在将特定于传感器的传感器模型保存在存储器中之后，从该存储器中移除通用传感器模型和/或匹配算法。由此可以释放存储器中的存储空间，并且必要时将该存储空间用于其他任务、例如用于临时缓冲输出值。

11、在该方法的一个实施方式中，利用经优化的通用传感器模型来重复内部优化步骤的执行和外部优化步骤的执行。必要时，这种重复发生多次。在执行对内部优化步骤和外部优化步骤的一次重复或多次重复之后，可以将通用传感器模型存储在传感器系统的存储器中。这实现了对通用传感器模型的更精确的匹配。

12、在该方法的一个实施方式中，在内部优化步骤中，传感器的测量数据是校准数据。为了优化特定于传感器的模型参数而考虑传感器误差的损失函数。在此，校准数据可以是在典型的应用情况开始时就存在的测量数据。对于磁场传感器，校准数据例如可以与地磁场相关，如果首先还没有施加外部磁场。对于加速度传感器，如果可以假定传感器或者说传感器系统处于静止状态，则校准数据可以与重力加速度相关。

13、在该方法的一个实施方式中，作为损失函数使用传感器误差的均方差。这实现了简单计算传感器误差的均方差。

14、在该方法的一个实施方式中，在计算评估值损失时使用相应的传感器的测量数据，其中，测量数据是基本测试数据或者校准数据和基本测量数据。在此，校准数据可以相应于上面上下文中阐释的校准数据。基本测试数据可以涉及在应力效应下的测量数据，所述应力效应例如通过传感器或传感器系统的安装或者作用于传感器系统的环境效应来产生。例如，基本测试数据可以包含传感器的由于应力效应而改变的测量值。借助基本测试数据或者说校准数据和基本测试数据来确定评估损失值。借助这些数据计算出的评估损失值被用于优化通用传感器模型。这实现了通用传感器模型的高效匹配。

15、在该方法的一个实施方式中，借助神经网络进行内部优化步骤。在该该方法的一个实施方式中，借助神经网络进行外部优化步骤。在此，外部优化步骤和内部优化步骤的网络能够具有相同的架构，以简化训练。