AVL und der Lehrstuhl für Fahrzeugtechnik an der Technischen Universität München (TUM) haben gemeinsam eine Berechnungsmethode entwickelt, bei der unterschiedliche Fahrzeugflotten jeweils ein neuronales Netz trainieren. Das dort Erlernte wird dann ein globales Modell weitergegeben, ohne dass auf die Originaldaten der OEMs zugegriffen werden muss. Das KI-Modell steht dann als Basis für die Berechnung der Restlebensdauer der Batterie zur Verfügung. Dank dieses Federated Learning Ansatzes konnte die verbleibende Batterielebensdauer gegenüber dem einzelnen Flottenmodel wesentlich genauer vorhergesagt werden – der Fehlerwert reduzierte sich durchschnittlich um 32 Prozent. (jr)
Ähnliche Artikel

Technologie-Radar
Hochleistungsrechner für automatisierte, vernetzte Autos
Im Forschungsprojekt CeCaS (steht für: CentralCarServer) arbeiten 30 Partner aus Industrie und Forschung an den Architekturen, den Software-Engineering-Prinzipien und den Realisierungsformen für zukünftige Hochleistungsrechner im Auto. […]

Medienspiegel
Whitepaper: Batteriealterung in der Praxis
Analyse von über 7.000 Fahrzeugen zeigt deutlich längere Batterielebensdauer als häufig kommuniziert. […]

English Content
NAOMI4Radar project develops energy-efficient radar sensors
The aim is to achieve more efficient radar data processing using SNNs based on the Balanced Resonate-and-Fire model of the University of Lübeck. […]