DE102016212097A1

DE102016212097A1 - A method and apparatus for estimating steering wheel torque for mechanical feedback on a steering wheel of a motor vehicle

Info

Publication number: DE102016212097A1
Application number: DE102016212097.2A
Authority: DE
Inventors: Kristof Van Ende; Jonas Kaste; Dennis Schaare
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2016-07-04
Filing date: 2016-07-04
Publication date: 2018-01-04

Abstract

Die Erfindung betrifft ein Verfahren und eine zugehörige Vorrichtung (1) zum Schätzen eines Lenkraddrehmoments (52) für eine mechanische Rückkopplung an einem Lenkrad (55) eines Kraftfahrzeugs (50), umfassend die folgenden Schritte: Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert (5-1 bis 5-5) mindestens einer Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs über geeignete Eingangsmittel (2), Schätzen des aktuellen Lenkraddrehmoments (52) mittels einer Steuerung (3), Ausgeben des geschätzten Lenkraddrehmoments (52) als Lenkraddrehmomentsignal (53), wobei das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes (4) durchgeführt wird, wobei zu jeder der mindestens einen Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs (50) in einer Eingangsschicht (20) des Neuronalen Netzes (4) ein Eingangsneuron (23-1, 23-2) zum Verarbeiten des mindestens einen aktuellen Messwerts (5-1 bis 5-5) vorgesehen ist, und wobei bereitgestellte Gewichtungen (12-1 bis 12-n), bereitgestellte Konstantgrößen (14) und bereitgestellte Übertragungsfunktionen (13) mindestens einer verborgenen Schicht (21) des Neuronalen Netzes (4) dazu verwendet werden, an einem Ausgabeneuron (24) einer Ausgangsschicht (22) des Neuronalen Netzes (4) einen Ausgabewert (25) für das geschätzte Lenkraddrehmoment (52) zu erzeugen, welcher zum Ausgeben bereitgestellt wird.The invention relates to a method and an associated apparatus (1) for estimating a steering wheel torque (52) for a mechanical feedback on a steering wheel (55) of a motor vehicle (50), comprising the following steps: receiving and / or detecting at least one current measured value (5-1 to 5-5) at least one state quantity (51-1 to 51-5) of the motor vehicle via suitable input means (2), estimating the current steering wheel torque (52) by means of a controller (3), outputting the estimated steering wheel torque (52 steering wheel torque signal (53), wherein the estimating is performed by means of an artificial neural network (4), wherein to each of the at least one state quantity (51-1 to 51-5) of the motor vehicle (50) in an input layer (20) of the Neural network (4) an input neuron (23-1, 23-2) for processing the at least one current measurement value (5-1 to 5-5) is provided, and wherein provided weights (12-1 to 12-n), be provided constant quantities (14) and provided transfer functions (13) of at least one hidden layer (21) of the neural network (4) are used to produce an output value (25) at an output neuron (24) of an output layer (22) of the neural network (4). for the estimated steering wheel torque (52) which is provided for outputting.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs. The invention relates to a method and an apparatus for estimating a steering wheel torque for a mechanical feedback on a steering wheel of a motor vehicle.

Das Ansteigen des globalen Verkehrs stellt die Automobilhersteller vor große Herausforderungen. Ein Forschungsschwerpunkt der Entwicklungsabteilungen ist dabei die Lenkung von Kraftfahrzeugen. Hierbei könnten beispielsweise die derzeit üblichen elektromechanischen Lenkungen durch Steer-by-Wire-Lenkungen ersetzt werden. Bei einer solchen Steer-by-Wire-Lenkung sind das Lenkrad und die Lenkung mechanisch vollständig entkoppelt. Um dem Fahrer des Kraftfahrzeugs trotzdem ein bekanntes Lenkgefühl zu vermitteln, erfolgt eine künstliche Rückkopplung der Lenkung, beispielsweise durch Aufbringen eines künstlichen Drehmoments an dem Lenkrad. The rise in global traffic poses major challenges for automobile manufacturers. A research focus of the development departments is the steering of motor vehicles. In this case, for example, the currently customary electromechanical steering systems could be replaced by steer-by-wire steering systems. In such a steer-by-wire steering, the steering wheel and the steering are completely mechanically decoupled. In order to give the driver of the motor vehicle nevertheless a known steering feel, there is an artificial feedback of the steering, for example by applying an artificial torque to the steering wheel.

Üblicherweise wird hierzu ein Torsionsmoment der Lenkung über einen Drehstabsensor erfasst und aus dem erfassten Torsionsmoment anschließend das Lenkraddrehmoment geschätzt. Fällt ein solcher Drehstabsensor aus, so muss das Lenkraddrehmoment auf andere Weise geschätzt werden. Hierzu werden verschiedene Zustandsgrößen des Kraftfahrzeugs herangezogen und unter Zuhilfenahme eines Modells aus diesen Zustandsgrößen ein Lenkraddrehmoment geschätzt. Um eine genaue Schätzung des Torsionsstabmomentes bzw. des Lenkraddrehmoments zu erzielen, ist hierfür allerdings ein detailliertes Modellwissen nötig, um Nichtlinearitäten, wie beispielsweise Elastizitäten und eine Reibung, korrekt abbilden zu können. Usually, a torsional moment of the steering is detected by means of a torsion bar sensor, and the steering wheel torque is then estimated from the detected torsional moment. If such a torsion bar sensor fails, the steering wheel torque must be estimated differently. For this purpose, different state variables of the motor vehicle are used and, with the aid of a model from these state variables, a steering wheel torque is estimated. In order to obtain an accurate estimation of the torsion bar torque or the steering wheel torque, however, a detailed model knowledge is necessary in order to be able to correctly map nonlinearities such as elasticity and friction.

Aus der DE 10 2004 005 348 A1 sind ein System und ein Verfahren zur Steuerung einer Steer-By-Wire-Baugruppe zur Erzeugung eines einstellbaren Lenkgefühls für einen Fahrzeugführer durch Bereitstellung der Regelung des Reaktionsmoments am Lenkrad des Fahrzeugs bekannt. Das Verfahren beinhaltet eine quantitative Beschreibung des Lenkgefühls, die durch Etablierung einer Beziehung von Lenkrad-Reaktionsmoment und Lenkradwinkel, Radmoment und Fahrzeuggeschwindigkeit erhalten wird. Das System und Verfahren schließt Steer-By-Wire-Baugruppen-Kreislauf-Rückkopplungssteuerungen mit innerer Momentschleife, Lenkrad-Geschwindigkeits-Rückkopplungsschleife und Lenkrad-Winkelpositions-Rückkopplungsschleife ein, um die Bereitstellung des Lenkgefühls, des aktiven Lenkradrücklaufs mit verschiedenen Rotationsgeschwindigkeiten, des Lenkradstops gemäß der Radwinkelposition beim Parken und die Generierung des Richtungs-Referenzwinkels zu den Rädern zu implementieren. From the DE 10 2004 005 348 A1 For example, a system and method for controlling a steer-by-wire assembly to produce an adjustable steering feel for a vehicle operator by providing control of the reaction torque on the steering wheel of the vehicle is known. The method includes a quantitative description of the steering feel obtained by establishing a relationship between steering wheel reaction torque and steering wheel angle, wheel torque, and vehicle speed. The system and method includes steer-by-wire assembly loop feedback controls with internal instantaneous loop, steering wheel speed feedback loop, and steering wheel angular position feedback loop to provide the steering feel, the active steering wheel return at various rotational speeds, the steering wheel stop according to the Wheel angle position when parking and generating the direction reference angle to the wheels to implement.

Der Erfindung liegt das technische Problem zu Grunde, ein Verfahren und eine Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs zu schaffen, bei der das Schätzen vereinfacht und verbessert ist. The invention is based on the technical problem of providing a method and an apparatus for estimating a steering wheel torque for a mechanical feedback on a steering wheel of a motor vehicle, in which the estimation is simplified and improved.

Die technische Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 und eine Vorrichtung mit den Merkmalen des Patentanspruchs 10 gelöst. Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen. The technical problem is solved by a method with the features of claim 1 and a device having the features of claim 10. Advantageous embodiments of the invention will become apparent from the dependent claims.

Insbesondere wird ein Verfahren zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs zur Verfügung gestellt, umfassend die folgenden Schritte: Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert mindestens einer Zustandsgröße des Kraftfahrzeugs über geeignete Eingangsmittel, Schätzen des aktuellen Lenkraddrehmoments mittels einer Steuerung, Ausgeben des geschätzten Lenkraddrehmoments als Lenkraddrehmomentsignal, wobei das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes durchgeführt wird, wobei zu jeder der mindestens einen Zustandsgröße des Kraftfahrzeugs in einer Eingangsschicht des Neuronalen Netzes ein Eingangsneuron zum Verarbeiten des mindestens einen aktuellen Messwerts vorgesehen ist, und wobei bereitgestellte Gewichtungen, bereitgestellte Konstantgrößen und bereitgestellte Übertragungsfunktionen mindestens einer verborgenen Schicht des Neuronalen Netzes dazu verwendet werden, an einem Ausgabeneuron einer Ausgangsschicht des Neuronalen Netzes einen Ausgabewert für das geschätzte Lenkraddrehmoment zu erzeugen, welcher zum Ausgeben bereitgestellt wird. In particular, a method is provided for estimating steering wheel torque for mechanical feedback on a steering wheel of a motor vehicle, comprising the steps of: receiving and / or detecting at least one current measurement of at least one state variable of the motor vehicle via suitable input means, estimating the current steering wheel torque a controller outputting the estimated steering wheel torque as a steering wheel torque signal, wherein the estimating is performed by means of an artificial neural network, wherein for each of the at least one state quantity of the motor vehicle in an input layer of the neural network, an input neuron for processing the provided at least one current measurement value, and provided weights, provided constant quantities, and provided transfer functions of at least one hidden layer of the neural network are used to generate at an output neuron of an output layer of the neural network an output value for the estimated steering wheel torque, which provided for outputting becomes.

Ferner wird eine Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs geschaffen, umfassend: Eingangsmittel zum Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert einer Zustandsgröße des Kraftfahrzeugs, eine Steuerung zum Schätzen des aktuellen Lenkraddrehmoments und zum Ausgeben des geschätzten Lenkraddrehmoments als Lenkraddrehmomentsignal, wobei die Steuerung derart ausgebildet ist, das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes durchzuführen, wobei zu jeder der mindestens einen Zustandsgröße des Kraftfahrzeugs in einer Eingangsschicht des Neuronalen Netzes ein Eingangsneuron zum Verarbeiten des mindestens einen aktuellen Messwerts vorgesehen ist, und wobei bereitgestellte Gewichtungen, bereitgestellte Konstantgrößen und bereitgestellte Übertragungsfunktionen mindestens einer verborgenen Schicht des Neuronalen Netzes dazu verwendet werden, an einem Ausgabeneuron einer Ausgangsschicht des Neuronalen Netzes einen Ausgabewert für das geschätzte Lenkraddrehmoment zu erzeugen, welcher zum Ausgeben bereitgestellt wird. Further, there is provided an apparatus for estimating a steering wheel torque for mechanical feedback on a steering wheel of a motor vehicle, comprising: input means for receiving and / or detecting at least one current measurement of a state quantity of the motor vehicle, a controller for estimating the current steering wheel torque, and outputting the estimated one Steering wheel torque as a steering wheel torque signal, wherein the controller is configured to perform the estimation using an artificial neural network, wherein for each of the at least one state variable of the motor vehicle in an input layer of the neural network, an input neuron is provided for processing the at least one current measurement value, and wherein provided weightings, provided constant quantities, and provided transfer functions of at least one hidden layer of the neural network are used at an output neuron of an off The neural network output layer to generate an output value for the estimated steering wheel torque, which is provided for outputting.

Die Kernidee der Erfindung ist, ein Lenkraddrehmoment auf Grundlage von Zustandsgrößen des Kraftfahrzeugs, insbesondere Zustandsgrößen der Lenkung, zu schätzen und zum Schätzen ein künstliches Neuronales Netz zu verwenden. Das künstliche Neuronale Netz ist in der Lage, Korrelationen zwischen den Zustandsgrößen und dem Lenkradrehmoment, auch bei Vorliegen von Nichtlinearitäten, wie beispielsweise Elastizitäten und Reibung, verbessert zu modellieren, und gleichzeitig den notwendigen Rechenaufwand gering zu halten. Der Vorteil ist, dass über das System selber kein besonderes Modellwissen vorhanden sein muss und trotzdem eine zuverlässige Schätzung des Lenkraddrehmoments bereitgestellt werden kann, da sämtliche Korrelationen im Rahmen einer Lernphase des Neuronalen Netzes angelernt werden können. The core idea of the invention is to estimate a steering wheel torque based on state variables of the motor vehicle, in particular state variables of the steering, and to use an artificial neural network for estimation. The artificial neural network is able to model correlations between the state variables and the steering wheel torque, even in the presence of nonlinearities, such as elasticity and friction, while at the same time minimizing the necessary computational effort. The advantage is that the system itself no special model knowledge must be present and still a reliable estimate of the steering wheel torque can be provided, since all correlations can be learned as part of a learning phase of the neural network.

Ein künstliches Neuronales Netz (fortan Neuronales Netz) orientiert sich hierbei an dem biologischen Original und erlaubt es, ein unbekanntes Systemverhalten aus vorhandenen Trainingsdaten anzulernen und anschließend das angelernte Systemverhalten auch auf unbekannte Eingangsdaten anzuwenden. Das Neuronale Netz besteht hierzu aus Schichten mit idealisierten Neuronen, welche gemäß einer Topologie des Netzes in unterschiedlicher Weise miteinander verbunden sind. Die erste Schicht des Neuronalen Netzes ist die Eingangsschicht, die Eingangswerte erfasst und überträgt. Die Anzahl der Neuronen in der Eingangsschicht entspricht hierbei der Anzahl an Eingangssignalen, welche verarbeitet werden sollen. Die letzte Schicht bildet die Ausgangsschicht, welche die gleiche Anzahl an Neuronen aufweist, wie Ausgabewerte bereit gestellt werden sollen. Für jeden zu schätzenden Wert muss somit ein Neuron in der Ausgangsschicht vorhanden sein. Zwischen Eingangsschicht und Ausgangsschicht befindet sich mindestens eine Zwischenschicht oder verborgene Schicht. Die Anzahl der verborgenen Schichten und die Anzahl der Neuronen in diesen Schichten ist abhängig von der konkreten Aufgabe, welche mit dem Neuronalen Netz gelöst werden soll. An artificial neural network (henceforth neural network) is based on the biological original and makes it possible to learn an unknown system behavior from existing training data and then apply the learned system behavior to unknown input data. For this purpose, the neural network consists of layers with idealized neurons, which are connected to one another according to a topology of the network in different ways. The first layer of the neural network is the input layer, which captures and transmits input values. The number of neurons in the input layer corresponds to the number of input signals that are to be processed. The last layer forms the output layer, which has the same number of neurons as output values should be provided. For each value to be estimated, a neuron must therefore be present in the starting layer. Between the input layer and the output layer there is at least one intermediate layer or hidden layer. The number of hidden layers and the number of neurons in these layers depends on the specific task to be solved with the neural network.

Ein idealisiertes Neuron lässt sich definieren durch seine gewichteten Verbindungen, welche als Eingänge dienen, und eine Übertragungsfunktion, welche beschreibt, wie die Anregungen durch die Eingänge in dem Neuron verarbeitet werden. Ferner kann über jeweils eine Konstantgröße des Neurons eingestellt werden, wie die Eingänge in den angestrebten Referenzwert übertragen werden. An idealized neuron can be defined by its weighted connections, which serve as inputs, and a transfer function, which describes how the excitations are processed by the inputs in the neuron. Furthermore, a constant size of the neuron can be used to set how the inputs are to be transferred to the desired reference value.

Mathematisch lässt sich dieser Zusammenhang im einfachsten Fall (ohne Rückkoppelungen) durch die Beschreibung über eine Anregung n (l) / j des j-ten Neurons in der l-ten Schicht über eine gewichtete Summe seiner Eingänge ausdrücken, wobei die Eingänge jeweils den Ausgängen o_q von Neuronen der voranstehenden (l-1)-ten Schicht entsprechen:

wobei w jeweils die Gewichtungen bezeichnen und b die Konstantgröße des j-ten Neurons in der l-ten Schicht bezeichnet. Mathematically, this relationship can be in the simplest case (without feedback) by the description of an excitation n

(l) / j

of the jth neuron in the l-th layer over a weighted sum of its inputs, the inputs corresponding respectively to the outputs o _q of neurons of the preceding (l-1) th layer:

where w respectively denote the weights and b denotes the constant size of the jth neuron in the lth layer.

In Matrixdarstellung ergibt sich hieraus:

In matrix representation this results in:

Der Ausgang des j-ten Neurons in der l-ten Schicht ergibt sich dann mittels der Übertragungsfunktion zu:

The output of the jth neuron in the l-th layer then results by means of the transfer function to:

Die Konstantgrößen bilden einen weiteren Freiheitsgrad und haben einen positiven Einfluss auf die Fähigkeit des Neuronalen Netzes, Näherungen von Systemverhalten vornehmen zu können. The constant quantities form another degree of freedom and have a positive influence on the ability of the neural network to be able to make approximations of system behavior.

Die Gewichtungen der Eingänge und die Konstantgrößen werden im Rahmen einer Lernphase mittels eines Optimierungsverfahrens bestimmt. Hierzu werden die Gewichtungen der Eingänge und die Konstantgrößen der Neuronen auf Grundlage von bekannten Trainingsdaten für die Eingänge und zugehörigen bekannten Referenzausgabewerten solange verändert, bis eine Zielfunktion, beispielsweise eine Fehlerfunktion, optimiert ist. The weights of the inputs and the constant quantities are determined during a learning phase by means of an optimization method. For this, the weights of the inputs and the Constant magnitudes of the neurons based on known training data for the inputs and associated known reference output values changed until a target function, such as an error function is optimized.

Insbesondere können im Neuronalen Netz durch Anlernen entsprechender Zusammenhänge zwischen Eingangswerten und Ausgabewerten hierbei auch Nichtlinearitäten angelernt und anschließend abgebildet werden. In particular, nonlinearities can also be learned and subsequently imaged in the neural network by teaching corresponding relationships between input values and output values.

In einer Ausführungsform ist vorgesehen, dass die mindestens eine als Messwert erfasste und/oder empfangene Zustandsgröße des Kraftfahrzeugs mindestens eine der folgenden Zustandsgrößen umfasst: eine laterale Beschleunigung, eine Gierrate, eine Geschwindigkeit, einen Lenkwinkel und/oder eine Lenkwinkelrate. Generell weisen diese Zustandsgrößen eine hohe Korrelation zum Lenkraddrehmoment auf, so dass sich diese Zustandsgrößen besonders dazu eignen, als Eingangswerte für die Schätzung zu dienen. Es kann dabei vorgesehen sein, dass nur einzelne dieser Zustandsgrößen zum Schätzen verwendet werden. Es können aber auch mehrere, beispielsweise auch alle, dieser Zustandsgrößen berücksichtigt werden. In one embodiment, it is provided that the at least one state variable of the motor vehicle detected and / or received as a measured value comprises at least one of the following state variables: a lateral acceleration, a yaw rate, a speed, a steering angle and / or a steering angle rate. In general, these state variables have a high correlation with the steering wheel torque, so that these state variables are particularly suitable for serving as input values for the estimation. It may be provided that only a few of these state variables are used for estimation. However, several, for example all, of these state variables can also be taken into account.

Die Zustandsgrößen können beispielsweise über entsprechende dafür in dem Kraftfahrzeug vorgesehene Sensoren erfasst und bereitgestellt werden. Ein solcher Sensor kann beispielsweise ein Inertialsystem sein, welches mit Hilfe einer trägen Masse translatorische und rotatorische Beschleunigungen erfasst und daraus entsprechende Zustandsgrößen des Kraftfahrzeugs ableitet. The state variables can be detected and provided, for example, via corresponding sensors provided in the motor vehicle. Such a sensor can be, for example, an inertial system which detects translational and rotational accelerations with the aid of an inertial mass and derives corresponding state variables of the motor vehicle from them.

Insbesondere kann hierzu auch vorgesehen sein, dass einzelne oder mehrere der Zustandsgrößen indirekt abgeleitet werden. Beispielsweise können entsprechende Zustandsgrößen mit Hilfe eines Differential Global Positioning Systems (DGPS) erzeugt werden. In particular, it can also be provided for this purpose that individual or several of the state variables are derived indirectly. For example, corresponding state variables can be generated by means of a differential global positioning system (DGPS).

In einer Ausführungsform ist vorgesehen, dass das Neuronale Netz genau eine verborgene Schicht aufweist. Dies hat den Vorteil, dass das Neuronale Netz besonders einfach ausgestaltet ist. Es hat sich gezeigt, dass auch eine solche einfache Ausgestaltung ausreichend zuverlässige Ergebnisse liefert. Durch das Berücksichtigen von lediglich einer einzigen verborgenen Schicht wird ein Rechenaufwand zum Berechnen des Ausgabewertes verringert. In one embodiment, it is provided that the neural network has exactly one hidden layer. This has the advantage that the neural network is particularly simple. It has been found that even such a simple embodiment provides sufficiently reliable results. By considering only a single hidden layer, a computational effort to calculate the output value is reduced.

In einer weiteren Ausführungsform ist vorgesehen, dass das Neuronale Netz ausschließlich eine Vorwärtskopplung aufweist. Dies dient ebenfalls dazu, einen Rechenaufwand zu vereinfachen, da Rückkopplungsschleifen nicht vorgesehen sind und somit das Berechnen nicht erschweren. Auch bei dieser Ausführungsform hat es sich gezeigt, dass eine solche einfache Ausgestaltung ausreichend zuverlässige Ergebnisse liefern kann. In a further embodiment, it is provided that the neural network has exclusively a feedforward. This also serves to simplify a computational effort, since feedback loops are not provided and thus do not complicate the calculation. Also in this embodiment, it has been found that such a simple design can provide sufficiently reliable results.

Insbesondere ist bei einer Ausführungsform vorgesehen, dass die verborgene Schicht mindestens 10 Neuronen aufweist. Es hat sich gezeigt, dass mindestens 10 Neuronen in der verborgenen Schicht von Vorteil sind, wenn das Lenkraddrehmoment, auch bei sich mit der Zeit schnell ändernden Zustandsgrößen, ausreichend genau und zuverlässig geschätzt werden soll. In particular, it is provided in one embodiment that the hidden layer has at least 10 neurons. It has been found that at least 10 neurons in the hidden layer are advantageous if steering wheel torque is to be estimated with sufficient accuracy and reliability, even with state variables rapidly changing with time.

In einer Ausführungsform ist vorgesehen, dass als Übertragungsfunktionen Sigmoid-Funktionen bereitgestellt werden. Dies ermöglicht es, nichtlineare Zusammenhänge über das Neuronale Netz abzubilden. In one embodiment, it is provided that sigmoid functions are provided as transfer functions. This makes it possible to map nonlinear relationships via the neural network.

In einer weiteren Ausführungsform ist vorgesehen, dass die erfassten und/oder empfangenen Messwerte vor einer Zuführung zu den Eingängen des Neuronalen Netzes jeweils standardisiert werden. Dies dient dazu, die Messwerte an den Eingängen des Neuronalen Netzes in ihrem Dynamikumfang vergleichbar zu machen. In der Regel sind die auftretenden Zustandsgrößen normalverteilt, so dass sich durch eine entsprechende Standardisierung erreichen lässt, dass der Mittelwert der Messwerte stets 0 und die Standardabweichung gleich 1 ist. In a further embodiment, it is provided that the detected and / or received measured values are standardized in each case before being supplied to the inputs of the neural network. This serves to make the measured values at the inputs of the neural network comparable in their dynamic range. As a rule, the state variables occurring are normally distributed, so that it can be achieved by appropriate standardization that the mean of the measured values is always 0 and the standard deviation is equal to 1.

In einer Ausführungsform ist vorgesehen, dass die Gewichtungen und die Konstantgrößen durch Ausführen einer Lernphase des Neuronalen Netzes bereitgestellt werden, wobei während einer Lernfahrt erfasste Testmesswerte der Zustandsgrößen des Kraftfahrzeugs als Trainingswerte für die Eingangsneuronen der Eingangsschicht des Neuronalen Netzes verwendet werden, und wobei während der Lernfahrt jeweils zugehörig am Lenkrad mittels eines Lenkraddrehmomentsensors erfasste Lenkraddrehmomente die zugehörigen Referenzausgabewerte bilden. Dies hat den Vorteil, dass das Neuronale Netz für ein beliebiges Kraftfahrzeug angelernt werden kann. So können Einflüsse und Effekte, welche sich von Kraftfahrzeug zu Kraftfahrzeug unterscheiden, beispielsweise eine leicht unterschiedliche Reibung der Lenkung etc., mit angelernt werden und anschließend beim Schätzen des Lenkraddrehmoments berücksichtigt werden. In one embodiment, it is provided that the weights and the constant quantities are provided by performing a learning phase of the neural network, wherein test readings of the state variables of the motor vehicle acquired during a learn run are used as training values for the input neurons of the input layer of the neural network, and during the learn run each belonging to the steering wheel by means of a steering wheel torque sensor detected steering wheel torques form the associated reference output values. This has the advantage that the neural network can be trained for any motor vehicle. So can influences and effects, which vary from motor vehicle to motor vehicle differ, for example, a slightly different friction of the steering, etc., are taught with and then taken into account in estimating the steering wheel torque.

In einer Ausführungsform ist vorgesehen, dass während der Lernphase zum Bestimmen von optimalen Werten für die Gewichtungen und die Konstantgrößen das Levenberg-Marquardt-Back-Propagation-(LMBP)-Verfahren verwendet wird. Das LMBP-Verfahren stellt eine Kombination des Gauss-Newton-Verfahrens mit dem Gradientenverfahren dar und ist ein überwachtes Lernverfahren, welches die Gewichtungen und die Konstantgrößen des Neuronalen Netzes durch Vergleichen der Eingangs- und Zielwerte vorhandener Testmesswerte (Trainingswerte) unter Einhaltung von Lernregeln über mehrere Durchläufe über eine Rückübertragung des Ausgangsfehlers anpasst. Anders ausgedrückt, wird eine Fehlerfunktion in einem Optimierungsverfahren durch Anpassen der Gewichtungen und der Konstantgrößen minimiert. Die auf diese Weise erlangten Gewichtungen und Konstantgrößen bilden dann die bereitgestellten Gewichtungen und die bereitgestellten Konstantgrößen für das Neuronale Netz und werden beim anschließenden Schätzen des Lenkraddrehmoments berücksichtigt. In one embodiment, it is envisioned that the Levenberg-Marquardt Back Propagation (LMBP) method is used during the learning phase to determine optimal values for the weights and the constant quantities. The LMBP method is a combination of the Gauss-Newton method with the gradient method and is a supervised learning method that compares the weights and the constant magnitudes of the neural network by comparing the input and target values of existing test measurements (training values) in compliance with several learning rules Adjusting passes through a retransmission of the output error. In other words, an error function in an optimization method is minimized by adjusting the weights and the constant quantities. The weights and constant quantities obtained in this way then form the provided weights and the provided constant magnitudes for the neural network and are taken into account in the subsequent estimation of the steering wheel torque.

Insbesondere ist in einer Ausführungsform vorgesehen, dass im Rahmen der Lernphase unterschiedliche Topologien und unterschiedliche, zufällig ausgewählte Startwerte für die Gewichtungen und die Konstantgrößen verwendet werden, wobei letztendlich die Topologie ausgewählt wird, welche nach Durchlaufen der Lernphase eine Fehlerfunktion minimiert. Topologie soll sich in diesem Fall auf die Anzahl der Neuronen in der oder den verborgenen Schicht(en) beziehen. Die gleiche verborgene Schicht mit drei Neuronen hat somit eine andere Topologie als mit fünf Neuronen. Dies bietet den Vorteil, dass auch unterschiedliche Topologien zum Einsatz kommen können und beim Optimieren während der Lernphase berücksichtigt werden, indem die Topologie mit dem besten Ergebnis gewählt wird. In particular, it is provided in one embodiment that different topologies and different, randomly selected starting values for the weights and the constant values are used in the course of the learning phase, with the topology ultimately being selected, which minimizes an error function after passing through the learning phase. Topology in this case should refer to the number of neurons in the hidden layer (s). The same hidden layer with three neurons thus has a different topology than with five neurons. This offers the advantage that different topologies can also be used and taken into account in the optimization during the learning phase by selecting the topology with the best result.

Ferner bietet dies insbesondere einen Vorteil bei Verwendung des LMBP-Verfahrens, da das LMBP-Verfahren nicht garantieren kann, dass bei der Optimierung des Neuronalen Netzes ein globales Minimum erreicht wird. Deshalb kann der erreichbare Minimalfehler des Neuronalen Netzes von der Wahl der Startwerte abhängen. Durch eine zufällige Auswahl der Startwerte und unterschiedlicher Topologien kann somit insgesamt eine optimalere Lösung gefunden werden. Furthermore, this offers an advantage in particular when using the LMBP method, since the LMBP method can not guarantee that a global minimum is achieved in optimizing the neural network. Therefore, the achievable minimum error of the neural network may depend on the choice of starting values. By a random selection of the starting values and different topologies, a more optimal solution can be found overall.

Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die Figuren näher erläutert. Hierbei zeigen: The invention will be explained in more detail with reference to preferred embodiments with reference to the figures. Hereby show:

1 eine schematische Darstellung einer Ausführungsform der Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs; 1 a schematic representation of an embodiment of the device for estimating a steering wheel torque for a mechanical feedback to a steering wheel of a motor vehicle;

2 eine schematische Darstellung eines einzelnen idealisierten Neurons; 2 a schematic representation of a single idealized neuron;

3 eine schematische Darstellung eines idealisierten Neuronalen Netzes; 3 a schematic representation of an idealized neural network;

4 eine schematische Darstellung zur Verdeutlichung der Lernphase; 4 a schematic representation to illustrate the learning phase;

5 eine schematische Darstellung zur Verdeutlichung des Schätzens des Lenkraddrehmoments; 5 a schematic representation for illustrating the estimation of the steering wheel torque;

6 ein schematisches Ablaufdiagramm einer Ausführungsform des Verfahrens zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs. 6 a schematic flow diagram of an embodiment of the method for estimating a steering wheel torque for a mechanical feedback to a steering wheel of a motor vehicle.

In 1 ist eine schematische Darstellung einer Ausführungsform einer Vorrichtung 1 zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad 55 eines Kraftfahrzeugs 50 gezeigt. Die Vorrichtung 1 umfasst Eingangsmittel 2 zum Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert 5-1 bis 5-5 einer Zustandsgröße 51-1 bis 51-5 des Kraftfahrzeugs 50 und eine Steuerung 3. Die Steuerung 3 weist ein Neuronales Netz 4 auf. Das Neuronale Netz 4 kann beispielsweise als entsprechend ausgestalteter Programmcode auf einem Mikrocontroller oder einem Mikroprozessor der Steuerung 3 bereitgestellt werden. Die von den Eingangsmitteln 2 erfassten Messwerte 5-1 bis 5-5 der Zustandsgrößen 51-1 bis 51-5 des Kraftfahrzeugs 50 werden an eine Eingangsschicht 20 des Neuronalen Netzes 4 weitergeleitet und über entsprechend dafür vorgesehene Eingangsneuronen dem Neuronalen Netz 4 zugeführt. Eine Ausgangsschicht 22 des Neuronalen Netzes 4 weist ein Ausgangsneuron auf, an dem ein Ausgabewert für das von dem Neuronalen Netz 4 geschätzte aktuelle Lenkraddrehmoment 52 erzeugt wird. Dieses geschätzte aktuelle Lenkraddrehmoment 52 wird dann als Lenkraddrehmomentsignal 53 bereitgestellt, um beispielsweise einen dafür vorgesehenen Aktor 54 an dem Lenkrad 55 mit einem dem geschätzten aktuellen Lenkraddrehmoment 52 entsprechenden Lenkraddrehmoment zu beaufschlagen. Ein Fahrer des Kraftfahrzeugs 50 erhält dann beispielsweise bei einer reinen Steer-by-Wire-Lenkung eine mechanische Rückkopplung, welche der einer elektromechanischen Lenkung entspricht. In 1 is a schematic representation of an embodiment of a device 1 for estimating a steering wheel torque for mechanical feedback on a steering wheel 55 of a motor vehicle 50 shown. The device 1 includes input means 2 for receiving and / or detecting at least one current measured value 5-1 to 5-5 a state variable 51-1 to 51-5 of the motor vehicle 50 and a controller 3 , The control 3 has a neural network 4 on. The neural network 4 For example, as appropriately designed program code on a microcontroller or a microprocessor of the controller 3 to be provided. The from the input means 2 recorded measured values 5-1 to 5-5 the state variables 51-1 to 51-5 of the motor vehicle 50 are attached to an input layer 20 of the neural network 4 forwarded and via appropriately provided input neurons the neural network 4 fed. An initial layer 22 of the neural network 4 has an output neuron at which an output value for that of the neural network 4 estimated current steering wheel torque 52 is produced. This estimated current steering wheel torque 52 is then used as a steering wheel torque signal 53 provided, for example, a designated actuator 54 on the steering wheel 55 with an estimated current steering wheel torque 52 to apply corresponding steering wheel torque. A driver of the motor vehicle 50 then receives, for example, in a pure steer-by-wire steering mechanical feedback, which corresponds to an electromechanical steering.

Es kann auch vorgesehen sein, dass der vom Neuronalen Netz 4 erzeugte Ausgabewert für das geschätzte aktuelle Lenkraddrehmoment 52 nur zum Absichern eines Messwertes, der an einem Drehstabsensor an der Lenkung erfasst wurde, verwendet wird. Der geschätzte aktuelle Ausgabewert würde dann lediglich als Rückfallebene dienen, auf die bei einem Ausfall des Drehstabsensors zurückgegriffen wird. It can also be provided that of the neural network 4 generated output value for the estimated current steering wheel torque 52 is used only for securing a measured value detected on a torsion bar sensor on the steering. The estimated current output value would then only serve as a fallback level, which would be used in the event of a failure of the torsion bar sensor.

In 2 ist eine schematische Darstellung eines einzelnen idealisierten Neurons 10 gezeigt. Das idealisierte Neuron 10 umfasst Eingänge 11-1 bis 11-n, welche durch jeweils eine Gewichtung 12-1 bis 12-n gewichtet werden. Die gewichteten Eingangswerte werden einer Übertragungsfunktion 13 zugeführt. Ebenfalls wird der Übertragungsfunktion 13 eine Konstantgröße 14 zugeführt. Die Summe der gewichteten Eingangswerte und der Konstantgröße 14 wird auch als Anregung des Neurons 10 bezeichnet. Die Übertragungsfunktion 13 bildet die Anregung auf einen einzigen Ausgabewert 15 ab. Über die Gewichtungen 12-1 bis 12-n, die Konstantgröße 14 und die Wahl der Übertragungsfunktion 13 kann die Abhängigkeit des Ausgabewertes 15 von den Eingangswerten an den Eingängen 11-1 bis 11-n bestimmt werden. In 2 is a schematic representation of a single idealized neuron 10 shown. The idealized neuron 10 includes inputs 11-1 to 11-n , each by a weighting 12-1 to 12-n be weighted. The weighted input values become a transfer function 13 fed. Likewise, the transfer function 13 a constant size 14 fed. The sum of the weighted input values and the constant size 14 is also called stimulation of the neuron 10 designated. The transfer function 13 forms the stimulus on a single output value 15 from. About the weights 12-1 to 12-n , the constant size 14 and the choice of transfer function 13 can be the dependency of the output value 15 from the input values at the inputs 11-1 to 11-n be determined.

In 3 ist eine schematische Darstellung eines idealisierten Neuronalen Netzes 4 dargestellt. Das idealisierte Neuronale Netz 4 umfasst in diesem vereinfachten Beispiel drei Schichten: eine Eingangsschicht 20, eine verborgene Schicht 21 und eine Ausgangsschicht 22. Die Eingangsschicht 20 weist zwei Eingangsneuronen 23-1, 23-2 auf, welche zum Erfassen bzw. Empfangen von Eingangswerten 26-1, 26-2 in das Neuronale Netz 4 dienen. Die Besonderheit der Eingangsneuronen 23-1, 23-2 ist, dass ihre Übertragungsfunktionen jeweils einer linearen Abbildung entsprechen, das heißt, die Eingangswerte 26-1, 26-2 werden einfach zur nachfolgenden Schicht weitergeleitet. Die verborgene Schicht 21, in der die eigentliche Verarbeitung der Eingangswerte 26-1, 26-2 stattfindet, weist in diesem Beispiel drei Neuronen 10-1, 10-2, 10-3 auf. Jedes der Neuronen 10-1, 10-2, 10-3 erhält von der vorgelagerten Schicht (Eingangsschicht 20) sämtliche Eingangswerte 26-1, 26-2 weitergeleitet, so dass an jedem der Neuronen 10-1, 10-2, 10-3 jeweils zwei Eingangswerte 26-1, 26-2 zur Verfügung stehen, welche den Ausgabewerten der Eingangsneuronen 23-1, 23-2 entsprechen. In 3 is a schematic representation of an idealized neural network 4 shown. The idealized neural network 4 in this simplified example comprises three layers: an input layer 20 , a hidden layer 21 and an initial layer 22 , The input layer 20 has two input neurons 23-1 . 23-2 which are used to acquire or receive input values 26-1 . 26-2 into the neural network 4 serve. The peculiarity of the input neurons 23-1 . 23-2 is that their transfer functions each correspond to a linear map, that is, the input values 26-1 . 26-2 are simply forwarded to the next layer. The hidden layer 21 in which the actual processing of the input values 26-1 . 26-2 takes place, in this example has three neurons 10-1 . 10-2 . 10-3 on. Each of the neurons 10-1 . 10-2 . 10-3 obtained from the upstream layer (input layer 20 ) all input values 26-1 . 26-2 forwarded so that at each of the neurons 10-1 . 10-2 . 10-3 two input values each 26-1 . 26-2 which are the output values of the input neurons 23-1 . 23-2 correspond.

Wie für das in 2 gezeigte idealisierte Neuron werden die Eingangswerte der Neuronen 10-1, 10-2, 10-3 in jedem der Neuronen 10-1, 10-2, 10-3 gewichtet und zusammen mit einer Konstantgröße für jedes der Neuronen 10-1, 10-2, 10-3 den Übertragungsfunktionen der Neuronen 10-1, 10-2, 10-3 zugeführt, welche diese auf den jeweiligen Ausgang der Neuronen 10-1, 10-2, 10-3 abbilden. As for the in 2 The idealized neuron shown becomes the input values of the neurons 10-1 . 10-2 . 10-3 in each of the neurons 10-1 . 10-2 . 10-3 weighted and along with a constant size for each of the neurons 10-1 . 10-2 . 10-3 the transfer functions of the neurons 10-1 . 10-2 . 10-3 which is applied to the respective output of the neurons 10-1 . 10-2 . 10-3 depict.

In der Ausgangsschicht 22 werden die Ausgangswerte der Neuronen 10-1, 10-2, 10-3 der verborgenen Schicht 21 in einem Ausgangsneuron 24 gewichtet und zusammen mit einer Konstantgröße für das Ausgangsneuron 24 aufsummiert und als Ausgabewert 25 ausgegeben. In the starting layer 22 become the output values of the neurons 10-1 . 10-2 . 10-3 the hidden layer 21 in a starting neuron 24 weighted and along with a constant size for the output neuron 24 summed up and as an output value 25 output.

In einer Lernphase kann das Neuronale Netz 4 auf die Lösung eines bestimmten Problems spezialisiert werden. Hierzu werden bekannte Eingangswerte 26-1, 26-2 in das Neuronale Netz 4 eingegeben und mit einem zu diesen bekannten Eingangswerte 26-1, 26-2 gehörigen bekannten Referenzwert oder Zielwert verglichen. Ein Optimierungsverfahren passt nun schrittweise die Gewichtungen und die Konstantgrößen der einzelnen Neuronen 10-1, 10-2, 10-3, 24 derart an, dass ein Fehlerkriterium, beispielsweise ein mittlerer quadratischer Fehler zwischen dem Referenzwert und dem Ausgabewert 25 des Neuronalen Netzes 4 minimiert wird. Ist eine minimale Lösung gefunden, so werden diese Gewichtungen und Konstantgrößen fixiert und das Neuronale Netz 4 kann dazu verwendet werden, auf Grundlage von unbekannten Eingangswerten 26-1, 26-2 einen Ausgabewert 25 zu schätzen. In a learning phase, the neural network 4 specialize in solving a particular problem. For this purpose, known input values 26-1 . 26-2 into the neural network 4 entered and with a known input to these values 26-1 . 26-2 associated known reference value or target value. An optimization method now gradually fits the weights and the constant sizes of the individual neurons 10-1 . 10-2 . 10-3 . 24 such that an error criterion, for example, a mean square error between the reference value and the output value 25 of the neural network 4 is minimized. If a minimal solution is found, these weights and constant quantities are fixed and the neural network 4 can be used based on unknown input values 26-1 . 26-2 an output value 25 appreciate.

Eine schematische Darstellung zur Verdeutlichung der Lernphase ist in 4 gezeigt. Die Testmesswerte 31-1 bis 31-5 können beispielsweise hier die folgenden Zustandsgrößen sein: eine laterale Beschleunigung, eine Gierrate, eine Geschwindigkeit, einen Lenkwinkel und/oder eine Lenkwinkelrate des Kraftfahrzeugs sein. Die Zustandsgrößen bzw. die Testmesswerte 31-1 bis 31-5 werden beispielsweise im Rahmen einer Testfahrt von dafür vorgesehenen Sensoren erfasst und zeitabhängig für einen bestimmten Zeitraum aufgezeichnet. Parallel dazu wird ein Referenzwert 27 über die Zeit erfasst. Dieser Referenzwert 27 ist ein direkt am Lenkrad gemessenes Lenkraddrehmoment. Handelt es sich bei der Lenkung um eine elektromechanische Lenkung, so wird hierzu beispielsweise ein entsprechender mit dem Lenkrad gekoppelter Drehmomentsensor verwendet. Handelt es sich hingegen um eine Steer-by-Wire-Lenkung, so kann der Referenzwert beispielsweise an einem bereits vorhandenen und zur Rückkopplung verwendeten Momentgeber (Aktor) am Lenkrad erfasst werden. A schematic representation to illustrate the learning phase is in 4 shown. The test readings 31-1 to 31-5 For example, the following state variables can be here: a lateral acceleration, a yaw rate, a speed, a steering angle and / or a steering angle rate of the motor vehicle. The state variables or the test measured values 31-1 to 31-5 For example, during a test drive, they are acquired by dedicated sensors and recorded time-dependent for a specific period of time. Parallel to this will be a reference value 27 recorded over time. This reference value 27 is a steering wheel torque measured directly on the steering wheel. If the steering is an electromechanical steering, then for example a corresponding torque sensor coupled to the steering wheel is used for this purpose. However, if it is a steer-by-wire steering, the reference value can be detected, for example, on an existing and used for feedback torque (actuator) on the steering wheel.

Ferner wird ein Ausgabewert 25 definiert, welcher dem geschätzten Lenkraddrehmoment entspricht. Further, an output value 25 defined, which corresponds to the estimated steering wheel torque.

In einem ersten Schritt der Lernphase wird beispielsweise eine Topologie des Neuronalen Netzes 4 zufällig gewählt. Liegt nur eine verborgene Schicht vor, kann dies beispielsweise eine Anzahl von Neuronen in der verborgenen Schicht sein. Ebenfalls zufällig werden jeweils die Gewichtungen und die Konstantgrößen für die Neuronen gewählt. In a first step of the learning phase, for example, a topology of the neural network 4 randomly chosen. For example, if there is only one hidden layer, this may be a number of neurons in the hidden layer. Also randomly chosen are the weights and the constant magnitudes for the neurons.

Im nächsten Schritt werden die Testmesswerte 31-1 bis 31-5 in das Neuronale Netz 4 eingespeist und der Ausgabewert 25 berechnet. Genauer gesagt werden die zeitabhängigen Testmesswerte 31-1 bis 31-5 in das Neuronale Netz 4 eingespeist und entsprechend auch ein zugehöriger, ebenfalls zeitabhängiger Ausgabewert 25 vom Neuronalen Netz 4 berechnet. The next step will be the test metrics 31-1 to 31-5 into the neural network 4 fed and the output value 25 calculated. More specifically, the time-dependent test measurements 31-1 to 31-5 into the neural network 4 fed and accordingly also an associated, also time-dependent output value 25 from the neural network 4 calculated.

Der Ausgabewert 25 wird anschließend mit dem Referenzwert 27 verglichen. Hieraus wird ein Optimierungskriterium 28 ermittelt. Ein solches Optimierungskriterium 28 kann beispielsweise eine Fehlerfunktion 29, beispielsweise der mittlere quadratische Fehler zwischen Ausgabewert 25 und Referenzwert 27 sein. Das Optimierungskriterium 28 ist ebenfalls eine Funktion der Zeit. Das Optimierungskriterium 28 kann dann über die Zeit gebündelt werden, beispielsweise durch Summenbildung. Anschließend werden die Gewichtungen und die Konstantgrößen der Neuronen des Neuronalen Netzes 4 mit Hilfe von Optimierungsverfahren, beispielsweise dem LMBP-Verfahren, derart angepasst, dass das Optimierungskriterium 28 verbessert wird, beispielsweise indem ein mittlerer quadratischer Fehler minimiert wird. Diese Optimierung 30 wird solange wiederholt, bis das Optimierungskriterium 28 erfüllt ist, beispielsweise ein mittlerer quadratischer Fehler einen vorgegebenen Wert unterschritten hat. The output value 25 will be followed by the reference value 27 compared. This becomes an optimization criterion 28 determined. Such an optimization criterion 28 may be an error function, for example 29 For example, the mean square error between output value 25 and reference value 27 be. The optimization criterion 28 is also a function of time. The optimization criterion 28 can then be bundled over time, for example, by summation. Subsequently, the weights and the constant magnitudes of the neurons of the neural network 4 with the help of optimization methods, for example the LMBP method, adjusted such that the optimization criterion 28 is improved, for example, by minimizing a mean squared error. This optimization 30 is repeated until the optimization criterion 28 is satisfied, for example, a mean square error has fallen below a predetermined value.

Die schlussendlich vorliegenden Gewichtungen und Konstantgrößen werden dann zum nachfolgenden Schätzen des Lenkraddrehmoments bereitgestellt. The final weightings and constant quantities are then provided for subsequent estimation of the steering wheel torque.

Wurde mit unterschiedlichen Topologien des Neuronalen Netzes 4 gestartet, so wird die Topologie mit dem besten Ergebnis gewählt. Has been using different topologies of the neural network 4 started, the topology with the best result is selected.

Insbesondere ist vorgesehen, dass das Neuronale Netz 4 lediglich eine verborgene Schicht aufweist. Dies hat den Vorteil, dass ein Rechenaufwand, sowohl während der Lernphase als auch während des späteren Schätzens, verringert ist. In particular, it is envisaged that the neural network 4 only has a hidden layer. This has the advantage that a computational effort, both during the learning phase and during the later estimation, is reduced.

Ferner ist vorteilhafter Weise vorgesehen, dass die verborgene Schicht mindestens 10 Neuronen aufweist. Es hat sich gezeigt, dass ein solches Neuronales Netz 4 bereits einen zuverlässigen Schätzwert für das Lenkraddrehmoment liefert. Furthermore, it is advantageously provided that the hidden layer at least 10 Neurons has. It has been shown that such a neural network 4 already provides a reliable estimate of the steering wheel torque.

5 zeigt eine schematische Darstellung zur Verdeutlichung des Schätzens des Lenkraddrehmoments mittels des Neuronalen Netzes 4. Das Neuronale Netz 4 wurde entsprechend der Beschreibung von 4 angelernt, so dass die Topologie, die Gewichtungen und die Konstantgrößen fest vorgegeben sind. Dem fixierten Neuronalen Netz 4 werden die Messwerte 5-1 bis 5-5 zugeführt. Auf Grundlage der Messwerte 5-1 bis 5-5 schätzt das Neuronale Netz 4 einen Ausgabewert 25, welcher anschließend als Lenkraddrehmomentsignal 52 bereitgestellt wird. 5 shows a schematic representation for illustrating the estimation of the steering wheel torque by means of the neural network 4 , The neural network 4 was according to the description of 4 taught, so that the topology, the weights and the constant quantities are fixed. The fixed neural network 4 become the readings 5-1 to 5-5 fed. Based on the measured values 5-1 to 5-5 appreciates the neural network 4 an output value 25 , which subsequently as a steering wheel torque signal 52 provided.

6 zeigt ein schematisches Ablaufdiagramm einer Ausführungsform des Verfahrens zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs. Nach dem Start 100 des Verfahrens werden in einem ersten Verfahrensschritt 101 mindestens ein aktueller Messwert von mindestens einer Zustandsgröße des Kraftfahrzeugs über geeignete Eingangsmittel empfangen und/oder erfasst. 6 shows a schematic flow diagram of an embodiment of the method for estimating a steering wheel torque for a mechanical feedback to a steering wheel of a motor vehicle. After the start 100 of the method are in a first step 101 at least one current measured value of at least one state variable of the motor vehicle is received and / or detected via suitable input means.

Im nächsten Verfahrensschritt 102 wird auf Grundlage des mindestens einen erfassten Messwertes der Zustandsgröße des Kraftfahrzeugs ein aktueller Lenkraddrehmoment mittels eines Neuronalen Netzes geschätzt. In the next process step 102 is estimated based on the at least one detected measured value of the state variable of the motor vehicle, a current steering wheel torque by means of a neural network.

Insbesondere kann hierbei ein Neuronales Netz vorgesehen sein, das lediglich eine einzige verborgene Schicht aufweist. Eine solche vereinfachte Topologie verringert den notwendigen Rechenaufwand. In particular, in this case a neural network can be provided which has only a single hidden layer. Such a simplified topology reduces the necessary computational effort.

Ferner ist vorteilhafterweise vorgesehen, dass die verborgene Schicht des Neuronalen Netzes mindestens 10 Neuronen aufweist. Dies ermöglicht eine zuverlässige Schätzung des Lenkraddrehmoments auch bei schneller Änderung der Eingangswerte. Furthermore, it is advantageously provided that the hidden layer of the neural network at least 10 Neurons has. This allows a reliable estimation of steering wheel torque even with rapid change of input values.

Für die Neuronen der verborgenen Schicht ist insbesondere vorgesehen, dass diese eine Übertragungsfunktion in Form einer Sigmoid-Funktion aufweisen. Dies erlaubt es, besonders gut Nichtlinearitäten zwischen den Eingangswerten und dem Ausgabewert abzubilden. For the neurons of the hidden layer, provision is made, in particular, for these to have a transfer function in the form of a sigmoid function. This makes it possible to map non-linearities between the input values and the output value particularly well.

Im letzten Verfahrensschritt 103 wird das geschätzte Lenkraddrehmoment als Lenkraddrehmomentsignal bereitgestellt. Anschließend ist das Verfahren beendet 104. Das Verfahren kann anschließend erneut durchgeführt werden, so dass stets ein aktuelles geschätztes Lenkraddrehmoment zur Verfügung gestellt wird. In the last procedural step 103 the estimated steering wheel torque is provided as a steering wheel torque signal. Then the process is finished 104 , The method may then be performed again so that a current estimated steering wheel torque is always provided.

Insbesondere kann ferner vorgesehen sein, dass vor Durchführen der Verfahrensschritte 101 bis 103 einmalig im Verfahrensschritt 105 eine Lernphase zum Anlernen des Neuronalen Netzes durchgeführt wird. In particular, it may further be provided that before carrying out the method steps 101 to 103 once in the process step 105 a learning phase for teaching the neural network is performed.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

1 1: Vorrichtung contraption
2 2: Eingangsmittel input means
3 3: Steuerung control
4 4: Neuronales Netz Neural network
5-1 5-1: Messwert reading
5-2 5-2: Messwert reading
5-3 5-3: Messwert reading
5-4 5-4: Messwert reading
5-5 5-5: Messwert reading
10 10: Neuron neuron
10-1 10-1: Neuron neuron
10-2 10-2: Neuron neuron
10-3 10-3: Neuron neuron
11-1 11-1: Eingang entrance
11-2 11-2: Eingang entrance
11-n 11-n: Eingang entrance
12-1 12-1: Gewichtung weighting
12-2 12-2: Gewichtung weighting
12-n 12-n: Gewichtung weighting
13 13: Übertragungsfunktion transfer function
14 14: Konstantgröße constant size
15 15: Ausgabewert output value
20 20: Eingangsschicht input layer
21 21: verborgene Schicht hidden layer
22 22: Ausgangsschicht output layer
23-1 23-1: Eingangsneuron input neuron
23-2 23-2: Eingangsneuron input neuron
24 24: Ausgangsneuron output neuron
25 25: Ausgabewert output value
26-1 26-1: Eingangswert input value
26-2 26-2: Eingangswert input value
26-3 26-3: Eingangswert input value
26-4 26-4: Eingangswert input value
26-5 26-5: Eingangswert input value
27 27: Referenzwert reference value
28 28: Optimierungskriterium optimization criterion
29 29: Fehlerfunktion error function
30 30: Optimierung optimization
31-1 31-1: Testmesswert Test reading
31-2 31-2: Testmesswert Test reading
31-3 31-3: Testmesswert Test reading
31-4 31-4: Testmesswert Test reading
31-5 31-5: Testmesswert Test reading
50 50: Kraftfahrzeug motor vehicle
51-1 51-1: Zustandsgröße state variable
51-2 51-2: Zustandsgröße state variable
51-3 51-3: Zustandsgröße state variable
51-4 51-4: Zustandsgröße state variable
51-5 51-5: Zustandsgröße state variable
52 52: Lenkraddrehmoment steering wheel torque
53 53: Lenkraddrehmomentsignal Steering wheel torque signal
54 54: Aktor actuator
55 55: Lenkrad steering wheel
100–105 100-105: Verfahrensschritte steps

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

DE 102004005348 A1 [0004]

Claims

Method for estimating a steering wheel torque ( 52 ) for a mechanical feedback on a steering wheel ( 55 ) of a motor vehicle ( 50 ), comprising the following steps: receiving and / or detecting at least one current measured value ( 5-1 to 5-5 ) at least one state variable ( 51-1 to 51-5 ) of the motor vehicle via suitable input means ( 2 ), Estimating the current steering wheel torque ( 52 ) by means of a controller ( 3 ), Outputting the estimated steering wheel torque ( 52 ) as a steering wheel torque signal ( 53 ), characterized in that the estimating by means of an artificial neural network ( 4 ), wherein for each of the at least one state variable ( 51-1 to 51-5 ) of the motor vehicle ( 50 ) in an input layer ( 20 ) of the neural network ( 4 ) an input neuron ( 23-1 . 23-2 ) for processing the at least one current measured value ( 5-1 to 5-5 ) and where provided weights ( 12-1 to 12-n ), provided constant quantities ( 14 ) and provided transfer functions ( 13 ) at least one hidden layer ( 21 ) of the neural network ( 4 ) can be used on an output neuron ( 24 ) an initial layer ( 22 ) of the neural network ( 4 ) an output value ( 25 ) for the estimated steering wheel torque ( 52 ) which is provided for output.

Method according to claim 1, characterized in that the at least one measured value ( 5-1 to 5-5 ) detected and / or received state variable ( 51-1 to 51-5 ) of the motor vehicle ( 50 ) at least one of the following state variables ( 51-1 to 51-5 ) includes: a lateral acceleration, a yaw rate, a speed, a steering angle and / or a steering angle rate.

Method according to claim 1 or 2, characterized in that the neural network ( 4 ) exactly one hidden layer ( 21 ) having.

Method according to one of the preceding claims, characterized in that the hidden layer ( 21 ) at least 10 neurons ( 10 . 10-1 to 10-3 ) having.

Method according to one of the preceding claims, characterized in that as transfer functions ( 13 ) Sigmoid functions are provided.

Method according to one of the preceding claims, characterized in that the detected and / or received measured values ( 5-1 to 5-5 ) in front of a feeder to the entrances ( 11-1 . 11-n ) of the neural network ( 4 ) are standardized in each case.

Method according to one of the preceding claims, characterized in that the weights ( 12-1 . 12-n ) and the constant quantities ( 14 ) by performing a learning phase of the neural network ( 4 ), wherein test readings acquired during a learning run ( 31-1 to 31-5 ) of state variables ( 51-1 to 51-5 ) of the motor vehicle ( 50 ) as training values for the input neurons ( 23-1 . 23-2 ) of the input layer ( 20 ) of the neural network ( 4 ) are used, and wherein during the learning journey respectively belonging to the steering wheel ( 55 ) detected by a steering wheel torque sensor steering wheel torque ( 52 ) the associated reference output values ( 27 ) form.

Method according to claim 7, characterized in that during the learning phase for determining optimal values for the weights ( 12-1 . 12-n ) and the constant quantities ( 14 ) the Levenberg-Marquardt Back Propagation (LMBP) method is used.

Method according to one of Claims 7 or 8, characterized in that, during the learning phase, different topologies and different, randomly selected starting values for the weightings ( 12-1 . 12-n ) and the constant quantities ( 14 ), ultimately selecting the topology which, after undergoing the learning phase, is an error function ( 29 ) minimized.

Contraption ( 1 ) for estimating a steering wheel torque ( 52 ) for a mechanical feedback on a steering wheel ( 55 ) of a motor vehicle ( 50 ), comprising: input means ( 2 ) for receiving and / or detecting at least one current measured value ( 5-1 to 5-5 ) of a state variable ( 51-1 to 51-5 ) of the motor vehicle ( 50 ), a controller ( 3 ) to appreciate the current Steering wheel torque ( 52 ) and to output the estimated steering wheel torque ( 52 ) as a steering wheel torque signal ( 53 ), characterized in that the controller ( 3 ) is designed in such a way that estimating with the help of an artificial neural network ( 4 ), wherein for each of the at least one state variable ( 51-1 to 51-5 ) of the motor vehicle ( 50 ) in an input layer ( 20 ) of the neural network ( 4 ) an input neuron ( 23-1 . 23-2 ) for processing the at least one current measured value ( 5-1 to 5-5 ) and where provided weights ( 12-1 . 12-n ), provided constant quantities ( 14 ) and provided transfer functions ( 13 ) at least one hidden layer ( 21 ) of the neural network ( 4 ) can be used on an output neuron ( 24 ) an initial layer ( 22 ) of the neural network ( 4 ) an output value ( 25 ) for the estimated steering wheel torque ( 52 ) which is provided for output.