Robert Bosch Patente

Ein allgemeiner Aspekt der vorliegenden Offenbarung betrifft ein Verfahren zum Überprüfen von übersetztem Programmcode. Das Verfahren umfasst Zugreifen auf einen Original-Programmcode, der in einer ersten Programmiersprache abgefasst ist und Zugreifen auf einen übersetzten Programmcode, der in einer zweiten Programmiersprache abgefasst ist. Der übersetzte Programmierode ist mittels eines Maschinenlern-Systems aus dem Original-Programmcode übersetzt. Das Verfahren umfasst weiter Zugreifen auf ein oder mehrere Anpassungsfunktionen. Jede der ein oder mehreren Anpassungsfunktionen ist dazu ausgelegt ist, eine oder mehrere durch strukturelle Unterschiede zwischen der ersten und der zweiten Programmiersprache erzeugte Auswirkungen auf das Verhalten von in der ersten Programmiersprache und in der zweiten Programmiersprache abgefassten Programmcodes in einem Vergleich des Verhaltens der Programmcodes zu berücksichtigen. Das Verfahren umfasst zudem Durchführen eines Vergleichs des Verhaltens des Original-Programmcodes und des übersetzten Programmcodes unter Verwendung der ein oder mehreren Anpassungsfunktionen, um eine Äquivalenz des Original-Programmcodes und des übersetzten Programmcodes zu prüfen.

Device, data structure and method for configuring a model, wherein the method comprises providing (202) the model configured for determining an output of the model depending on an output of a layer of the model, wherein the layer is configured to map a multidimensional input of the layer depending on trained weights to a multidimensional output of the layer, wherein the method comprises iteratively arranging (206) the trained weights in vectors of a first matrix, determining (206) a second matrix by removing at least one vector from the first matrix, determining (206) an input of reduced dimensions by removing from the multidimensional input the dimension that corresponds or the dimensions that correspond to the at least one vector, configuring (206) the model (106) with a layer of reduced dimensions that is configured to map the input of reduced dimensions depending on weights from the second matrix to an output of reduced dimensions, and configuring (206) the model for determining the output of the model depending on the output of reduced dimensions, providing (204) training data, training (208) the weights of the layer of reduced dimensions on the training data, and providing (206) the trained weights of the layer of reduced dimensions for the first matrix.

Device (100), data structure, and method for tuning weights of a neural network of a model (106) for processing input of the model (106) in particular comprising or representing information about a technical system (108) and outputting an output of the model (106) in particular for operating a technical system (108), wherein the model (106) comprises an in particular linear layer for mapping a multidimensional input of the layer depending on the weights to a multidimensional output of the layer, wherein the model (106) is configured to determine the input of the layer depending on the input of the model (106), wherein the model (106) is configured to determine the output of the model (106) depending on the output of the layer, wherein the method comprises providing training data comprising the input of the model (106) and a ground truth for the output of the model (106) corresponding to the input of the model (106) in the training data, providing a set of tuning methods for tuning the weights, determining the principal components decomposition of a weight matrix comprising the weights, wherein the principal component decomposition comprises a matrix formed by the eigenvectors of the covariance matrix of the weight matrix, determining the eigenvalues of the covariance matrix corresponding to the eigenvectors, rearranging the eigenvectors in the matrix in an order resulting in a monotonically decreasing order of the eigenvalues that are associated with the eigenvectors, rearranging the weights in the weight matrix according to the order in that the eigenvectors are rearranged in the matrix, partitioning the weight matrix into groups of weights, associating at least one group of the groups with a method of tuning selected from the set of tuning methods, and tuning the weights in the at least one group on the training data with the tuning method, in particular leaving at least one group of the groups unaltered in the tuning.

According to various embodiments, a method for controlling an agent is described, comprising determining, for a present state of the agent and a state of an environment of the agent in which the agent should be controlled, a control history indicating a sequence of actions performed by the agent that led to the present state and indicating observations about changes of a state of the agent and/or a state of an environment of the agent, determining an encoding of the control history by supplying the control history to a history encoder comprising a Kalman filter, wherein the encoding is given by a system state estimate determined by the Kalman filter, supplying the encoding to a control policy trained to determine actions from control policy encodings and controlling the agent to perform an action provided by the control policy in response to being supplied with the encoding.

The invention relates to a method (100) for determining an hardware architecture (3) for a machine learning model (50), comprising:- Providing (101) an initial hardware architecture (1), the initial hardware architecture (1) describing hardware components (2) and computing characteristics of said hardware components (2),- Providing (102) the machine learning model (50),- Converting (103) the machine learning model (50) to an intermediate representation, the intermediate representation depicting a topology and/or a temporal structure of the machine learning model (50) as a graph structure,- Analysing (104) the intermediate representation to determine a memory footprint of the machine learning model (50),- Determining (105) the hardware architecture (3) for the machine learning model (50) based on the initial hardware architecture (1) and a result of the analysing (104).Furthermore, the invention relates to a computer program, an apparatus, and a storage medium for this purpose.

Die Erfindung betrifft ein Verfahren (100) zum Transformieren eines Codes durch ein Sprachmodell (50), umfassend die nachfolgenden Schritte:- Extrahieren (101) eines zu transformierenden Codeausschnittes aus einem Code,- Transformieren (102) des extrahierten Codeausschnittes durch das Sprachmodell (50),- Prüfen (103) des transformierten Codeausschnittes auf Basis wenigstens einer definierten Anforderung,- Integrieren (104) des transformierten Codeausschnittes in den Code, wenn ein Ergebnis des Prüfens (103) indiziert, dass die wenigstens eine definierte Anforderung erfüllt wird.Ferner betrifft die Erfindung ein Computerprogramm, eine Vorrichtung sowie ein Speichermedium zu diesem Zweck.

Verfahren (100) zum Trainieren eines Tokenizer-Netzwerks (2), das vektorielle Repräsentationen von Punktwolken von Messdaten im Raum dieser Repräsentationen quantisiert, wobei diese Punktwolken diskreten Punkten im Raum jeweils Messwerte einer oder mehrerer Messgrößen zuordnen, mit den Schritten: • es werden Trainings-Beispiele (3) von Punktwolken von Messdaten bereitgestellt (110); • diese Trainings-Beispiele (3) werden mit einem Encoder-Netzwerk (1) in vektorielle Repräsentationen (1a) überführt (120); • diese vektoriellen Repräsentationen (1a) werden mit dem zu trainierenden Tokenizer-Netzwerk (2) quantisiert (130); • aus den quantisierten vektoriellen Repräsentationen (2a) werden mit einer Decoder-Anordnung (4) aus einem oder mehreren weiteren Netzwerken (4', 4") Cluster oder sonstige Anhäufungen (4a) von Punkten in der Punktwolke des jeweiligen Trainings-Beispiels (3), und/oder Verarbeitungsprodukte (4b) solcher Cluster oder Anhäufungen (4a), ermittelt (140); • es wird mit einer vorgegebenen Kostenfunktion (5) gemessen (150), inwieweit diese Cluster bzw. Anhäufungen (4a) mit der ursprünglichen Punktwolke im Einklang stehen; und • mindestens Parameter (2b), die das Verhalten des Tokenizer-Netzwerks (2) charakterisieren, werden auf das Ziel optimiert (160), die Bewertung (5a) durch die Kostenfunktion (5) zu verbessern.

Methods are provided for training and using a neural network on an edge device of a communications network to perform classification. The neural network comprises layers and a plurality of binary or ternary weights, which are iteratively trained on a training data set comprising input samples and corresponding ground truth labels. The training comprises, during a forward pass, constructing contribution tensors being indicative of contributions of the weights of a layer towards an output of the layer; computing an output error of the neural network by comparing the output of a final layer to a ground truth label for an input sample; and during a backward pass, based on layer outputs obtained during the forward pass and the contribution tensors, identifying a set of weights which, when adapted, reduce the output error of the neural network, and adapting weights in that set to reduce the output error.

Device, data structure, and method for adapting model to tasks, wherein the method comprises providing the model, wherein the model comprises an in particular linear layer for mapping a multidimensional input of the layer depending on weights to a multidimensional output of the layer, wherein the model comprises experts (208, 210) and a router gate (204) for adapting the model to different tasks, wherein the method comprises providing the input to the router gate (204), determining an output of the experts (208, 210) depending on an output of the router gate (204) in response to the input, modifying the model depending on the output of the experts (208, 210), mapping the input with the modified layer to the output of the model, training a first expert (208) of the experts with a first training method depending on the output of the model, and training a second expert (210) of the experts with a second training method depending on the output of the model, and maintaining the weights and the second expert (210) unchanged in the training with the first training method, and maintaining the weights and the first expert (208) unchanged in the training with the second training method.

According to various embodiments, a method for controlling a robot device is described, comprising providing demonstrations for movements of the robot device, wherein each demonstration demonstrates dynamics of the robot device by indicating a sequence of states of the robot device in an ambient space, encoding states of the robot device which the robot device traverses in the demonstrations to encoded states in a latent space by an encoding function which maps states from the ambient space to the latent space, determining a vector field in the latent space representing the demonstrated dynamics, generating a reshaped vector field by reshaping the vector field in the latent space, generating a vector field in the ambient space by mapping the reshaped vector field to ambient space according to the decoding function and controlling the robot device to follow the generated vector field in ambient space.

The present invention relates to a Method for determining a velocity of at least one hydraulic motor (3) in a hydrostatic drive system of a mobile working machine, wherein said hydrostatic drive system comprises a drive motor and a hydraulic pump (12), the rotation of which is ensured by said drive motor, and said at least one hydraulic motor (3) connected in a closed circuit to said hydraulic pump (12), wherein said hydraulic pump (12) has an adjustment unit (16) for adjusting the displacement of said hydraulic pump (12), wherein said displacement is adjustable by adjusting an angle of inclination (α_pmp) of an inclined element (2), said method comprises the following steps:a. Detecting a first operating variable, which corresponds to an actual angle of inclination (α_pmp) of said inclined element (2) or a quantity dependent thereon;b. Detecting a second operating variable, which corresponds to an actual revolution speed of said hydraulic pump (12) or a quantity dependent thereon;c. Detecting a third operating variable, which corresponds to a displacement of said at least one hydraulic motor or a quantity dependent thereon;d. Determining said velocity of said at least one hydraulic motor (3) based on said first, said second and said third operating variable.

Eine Fluid-Mischeinheit zum Mischen eines ersten Fluids (510) mit einem zweiten Fluid (520) zur Erzeugung eines Fluid-Gemischs (130), aufweisend: einen Venturi-Mischer (150) mit einem Mischerkörper (117), der sich entlang einer Längsachse (205) des Venturi-Mischers (150) von einem Einströmungsende (113) zum Einströmen des ersten Fluids (510) in den Mischerkörper (117) bis zu einem Ausströmungsende (132) zum Ausströmen des Fluid-Gemischs (130) aus dem Mischerkörper (117) erstreckt, wobei im Mischerkörper (117) entlang der Längsachse (205) zwischen dem Einströmungsende (113) und dem Ausströmungsende (132) eine schlitzförmige Engstelle (250) vorgesehen ist, an der ein schlitzförmiger Fluid-Mischabschnitt (118) zum Mischen des ersten Fluids (510) mit dem zweiten Fluid (520) ausgebildet ist; und ein austauschbares Verteilerrohr (340) mit einem Verteilerkanal (350), der mit einem schlitzförmigen Fluidauslass (360) verbunden ist, wobei der schlitzförmige Fluidauslass (360) im Bereich der schlitzförmigen Engstelle (250) im Mischerkörper (117) angeordnet ist, und wobei das austauschbare Verteilerrohr (340) lösbar am Mischerkörper (117) befestigt ist.

Ein Aspekt der vorliegenden Offenbarung betrifft ein Verfahren zum Bearbeiten von Programmcode mittels eines Maschinenlernmodells. Das Verfahren umfasst zugreifen auf einen Originalcode und ersetzen von Elementen des Originalcodes durch Ersatzelemente, um einen modifizierten Code zu erhalten. Die Ersatzelemente sind kürzer sind als die entsprechenden Elemente des Originalcodes. Das Verfahren umfasst weiterhin Verarbeiten des modifizierten Codes durch ein Maschinenlernmodell.

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

The invention relates to a computer-implemented method (700) of training an image generation model. The image generation model comprises an argmax transformation configured to compute a discrete index feature indicating an index of a feature of the continuous feature vector with an extreme value. The image generation model is trained using a log-likelihood optimization. This involves obtaining a value of the index feature for the training image, sampling values of the continuous feature vector given the value of the index feature according to a stochastic inverse transformation of the argmax transformation, and determining a likelihood contribution of the argmax transformation for the log-likelihood based on a probability that the stochastic inverse transformation generates the values of the continuous feature vector given the value of the index feature.

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …

Zusammenfassung wird geladen …