CN118119537A - 用于自动适配车辆的防滑调节的方法 - Google Patents

Abstract

本发明涉及用于自动适配车辆的防滑调节的方法，所述方法包括以下步骤：接收车辆(F)的当前状态变量(Z)，所述当前状态变量分别表明所述车辆(F)的当前状态；通过防滑调节器(20)基于所接收的当前状态变量(Z)确定调节动作(A)，其中所述调节动作(A)包括增大、保持或减小调节参量，其中所述调节参量包括所述车辆(F)的电动机的转矩和/或所述车辆(F)的制动缸的压力；在使用值矩阵(M)的情况下确定所述调节参量的调节梯度(GT、GP)，其中所述值矩阵(M)包括大量参数(P)，所述参数分别分配给所述车辆(F)的当前值矩阵状态变量，其中根据所述当前值矩阵状态变量从大量参数(P)中选择所述调节梯度(GT、GP)，其中所述当前状态变量(Z)包括所述当前值矩阵状态变量；实施所述车辆(F)的防滑调节，其中根据所确定的调节动作以所确定的调节梯度适配所述调节参量；通过在所考虑的时间段上实施防滑调节来确定当前状态变量的变化(ΔS)；以及通过触发至少一个事先设定的学习规则(L)，根据所确定的当前状态变量的变化(ΔS)适配所述值矩阵(M)的至少一个参数(P)。

Description

用于自动适配车辆的防滑调节的方法

技术领域

本发明涉及一种用于自动适配车辆的防滑调节的方法以及用于此的设备。

背景技术

现代车辆包括防滑调节或牵引力滑动调节作为电子稳定程序ESP系统的功能组件。在下面，术语“防滑调节”与术语“牵引滑动调节”同义地使用并且也可以由该术语代替。通过牵引力控制系统(Traction Control System,TCS)实施防滑调节。TCS的功能目的在于车轮在车辆纵向行驶时不打滑，并且由此满足在稳定性、操纵性和牵引力方面的车辆要求。根据传统的调节器策略，基于物理的执行器额定值(电动机/制动器)应该能够最佳地调整对应的行驶状况。需要识别、估计和模型来进行额定值确定。调节器参数用于理想地接近额定值，并且必须通过应用工程师手工地/手动地来加以确定。

然而，用于TCS的当前调节器针对应用通过人来设计。由此带来了相对高的时间耗费和因此相对高的成本耗费。此外，人对TCS的性能没有客观的个人影响。此外已经表明，传统的调节器策略在目标相反时对于不同的机动动作/基础很难找到最佳值。最后，车辆的行驶动力学强烈地受车辆的变体影响。因此，最佳应用将会需要每种车辆变体的可用性。

发明内容

因此，存在对自动适配车辆的防滑调节的需求。

根据本发明的一个方面，用于自动适配车辆的防滑调节的方法包括以下步骤。在一个步骤中，接收车辆的当前状态变量，所述当前状态变量分别表明车辆的当前状态。在进一步的步骤中，通过防滑调节器基于所接收的当前状态变量来确定调节动作，其中调节动作包括增大、保持或减小调节参量，其中调节参量包括车辆的电动机的转矩和/或车辆的制动缸的压力。在进一步的步骤中，在使用值矩阵的情况下确定调节参量的调节梯度，其中值矩阵包括大量参数，每个参数分配给车辆的当前值矩阵状态变量，其中根据当前值矩阵状态变量从所述大量参数中选择调节梯度，其中所述当前状态变量包括当前值矩阵状态变量。在进一步的步骤中，实施车辆的防滑调节，其中根据所确定的调节动作以所确定的调节梯度来适配调节参量。在进一步的步骤中，通过在所考虑的时间段上实施防滑调节来确定当前状态变量的变化。在进一步的步骤中，通过触发至少一个事先设定的学习规则，根据所确定的当前状态变量的变化来适配值矩阵的至少一个参数。

如在这里使用的术语“状态变量”描述包含关于车辆的状态的信息的变量。状态变量优选地由车辆的传感器提供。状态变量优选地包括滑动、车轮加速度、电动机的转矩、制动缸的压力、制动踏板位置或过去的踏板行程、车辆的转向角、车辆的横向加速度和车辆的速度。

如在这里使用的术语“值矩阵状态变量”描述车辆的由值矩阵映射的状态变量的集合。换句话说，值矩阵状态变量包括车辆的以下状态变量，通过值矩阵将参数分配给这些状态变量，又基于所述参数确定调节梯度。

如在这里使用的术语“调节梯度”表示应用于调节参量的梯度。换句话说，调节梯度说明调节参量由于防滑调节而应该改变什么样的大小。

如在这里使用的术语“调节参量”表示要通过防滑调节调节的参量。优选地，在防滑调节时试图减小滑动，其方式是调节车辆的电动机和/或车辆的制动器。因此，调节参量、即被调节的参量表示为车辆电动机的转矩和/或车辆制动缸的压力。

如在这里使用的术语“学习规则”表示定义应该如何基于车辆的当前状态变量改变值矩阵的一个或多个参数(尤其是以所谓学习值的大小)的规则。换句话说，学习规则表示与当前状态变量和学习值的相关性。

如在这里使用的术语“值矩阵”通常表示至少一个输出值向至少一个输入值的分配。在这种情况下，输入值是车辆的当前状态变量，所述当前状态变量在这里称为值矩阵状态变量。换句话说，值矩阵向输入值的每个组合分派至少一个输出值。因此，值矩阵包括大量参数，其中将每个参数分配给车辆的当前状态变量的组合。值矩阵的大量参数中的分配给作为输入提供给值矩阵的当前状态变量的组合的参数表示所谓的调节梯度。因此，调节梯度是值矩阵的输出并且由此是在防滑调节时改变调节参量所基于的参数。优选地，为每个调节动作设置自身的值矩阵。换句话说，为了增大调节参量设置与为了减小同一调节参量而设置的不同的值矩阵。

因此，例如在车辆具有后轮驱动装置的情况下实现6个值矩阵。具体是用于增大电动机的电动机转矩的第一值矩阵、用于减小电动机的电动机转矩的第二值矩阵、用于增大车辆的第一后轮的制动缸的压力的第三值矩阵、用于减小车辆的第一后轮的制动缸的压力的第四值矩阵、用于增大车辆的第二后轮的制动缸的压力的第五值矩阵以及用于减小车辆的第二后轮的制动缸的压力的第六值矩阵。

如果车辆应该具有多个电动机，诸如在轮毂电动机的情况下，则对应地乘以用于电动机调节器的多个值矩阵，即对于每个电动机，乘以用于增大转矩的值矩阵和用于减小转矩的值矩阵。

同样内容适用于多个被驱动的车轮/轴。换句话说，给每个具有制动器的车轮分配两个值矩阵，即用于增大制动转矩的值矩阵和用于减小制动转矩的值矩阵。

如果对应的调节器需要增强当前调节或减弱当前调节，则优选地使用不同的值矩阵。例如，对于调节器要求构建转矩且其中转矩目前下降的情况以及对于调节器要求构建转矩且其中转矩目前已经升高的情况，分别使用两个不同的值矩阵(增大和减小转矩)。

要考虑的时间段优选地包括200ms的时间段。对于每个学习规则，考虑由于实施防滑调节而导致的当前状态变量变化的要考虑的时间段可以是不同的。

例如，防滑调节器尚在测试阶段期间就被大部分优化，即对值矩阵的参数进行适配。由此例如90％的优化可以尚在车辆的交付之前执行，而其余10％可以然后在车辆的运行中被事后优化。

以这种方式，基于学习规则通过自动算法调整防滑调节。

所提出的方法引入客观规则来优化防滑调节，由此最小化人为影响。

此外，所提出的方法使得能够将防滑调节器快速地单独适配于不同的车辆变体。

由于专有技术主要在于执行所提出的方法的防滑调节器，因此对于不太高素质的人员有必要优化防滑调节。

最后，所提出的方法允许以相对少的时间耗费来优化防滑调节。

在一种优选的实施方式中，车辆的当前值矩阵状态变量包括车辆的滑动和车轮加速度。

值矩阵优选地包括二维值矩阵，即向两个输入值的组合分配一个参数的值矩阵。例如，值矩阵向车辆的滑动和车轮加速度的大量组合分别分派一个尤其是说明调节梯度的参数。

原则上，三维或多维值矩阵也是可设想的，其中二维值矩阵表示值矩阵的复杂性和对防滑调节的性能影响的优选权衡。

在一种优选的实施方式中，在所考虑的时间段内通过所确定的当前状态变量的变化围绕事先设定的极限值来触发至少一个学习规则，其中学习规则确定学习值，以所述学习值适配至少一个参数。

换句话说，学习规则包括每个要检验的状态变量的极限值，尤其是下限值和上限值。如果超过或低于相应状态变量的极限值，则执行或者换句话说触发学习规则。根据通过学习规则定义的条件，学习规则输出以下学习值，应该将值矩阵的至少一个参数改变该学习值。

如在这里使用的术语“学习值”表示应该将值矩阵的至少一个参数改变的值。优选地，将学习值事先设定为10％的值。换句话说，10％的学习值意味着将值矩阵的至少一个参数增大或减小相应参数的当前值的10％。学习值在此优选地包括关于参数是被增大还是减小所说明的值的信息。

优选地，至少一个学习规则是机器学习模型的一部分，其中机器学习模型包括强化学习模型，其中考虑当前状况并且评价调节器的过去的行动。优选地，机器学习模型被设立用于根据所确定的当前状态变量的变化来适配至少一个学习规则。尤其是，适配至少一个学习规则包括适配事先设定的极限值和/或学习值。

在一种优选的实施方式中，根据车辆的车轮加速度适配事先设定的学习值。

车轮加速度也称为车轮动力学或轴动力学。

优选地，其中可以对学习值进行适配的学习值的范围处于5％至30％之间。因为行驶行为的变化小，所以太小的学习值可能导致需要不必要地高数量的迭代来用于学习。因为百分比变化阻止这一点，所以太大的学习值可能导致不能精确地调整调节的最佳值。

已经确定，在将学习值初始设定为10％时，学习值与轴动力学以及5％-30％的学习值的可变大小的相关性在学习期间导致更好并且更快的结果。

例如，学习规则意味着在-2.75的轴动力学、即轴的中等强度减速的情况下，用20％的学习值触发参数的变化。

例如，另一学习规则意味着在1.5的轴动力学、即轴的轻微加速的情况下，用-15％的学习值触发参数的变化。

在一种优选的实施方式中，学习规则包括调试学习规则和调节学习规则，其中在滑动的调试阶段期间应用所述调试学习规则，并且在滑动的调试阶段之后的调节期间应用调节学习规则。

优选地，调试学习规则仅考虑防滑调节的整个调试行为。与每个调节器一样，防滑调节也具有通常不同于调节器的其他调节行为的调试行为。出于此原因，针对调试行为使用特殊的调试学习规则。将调试行为优选地定义为直到待调节的滑动在应用第一学习规则之后突破目标滑动为止的防滑调节的时间范围。可替代地，将调试行为定义为在滑动在目标值附近保持事先设定的时间之前的时间范围。此外可替代地，将调试行为定义为其中滑动围绕目标值的振荡低于事先设定的极限值的时间范围。例如，通过初始防滑调节，滑动降低到目标滑动的最小极限值以下，所述最小极限值触发学习规则。一旦滑动由于防滑调节突破了目标滑动的最大极限值，调试阶段就结束并且对滑动的实际调节开始。

调试学习规则的示例在所谓的“OnRef”情况下是调试阶段中的以下状况，即其中轴不再处于牵引力滑动中。因此，调节器已经过强地减少了滑动。调试学习规则因此适配用于减小电动机转矩的值矩阵和用于增大制动压力的值矩阵，使得值矩阵的参数减小10％，学习值因此为-10％。参数值的减小应该在在下次在这种状态下防止过低的滑动。此外，学习规则适配用于增大电动机转矩的值矩阵和用于减小制动压力的值矩阵，使得值矩阵的参数增大10％，学习值因此为10％。参数值的增大应该在下次在这种状态下防止过低的滑动。

调试学习规则的另一示例是以下状况，即其中车轮动力学、即车轮加速度在限定的时间间隔(例如80ms)内减小，并且然后在未达到目标滑动的情况下增大。调试学习规则因此适配用于减小电动机转矩的值矩阵和用于增大制动压力的值矩阵，使得值矩阵的参数增大10％，学习值因此为10％。参数值的增大应该在下次在该状态下防止持久过高的滑动。此外，学习规则适配用于增大电动机转矩的值矩阵和用于减小制动压力的值矩阵，使得值矩阵的参数减小10％，学习值因此为-10％。参数值的减小应该在下次在该状态下允许在开动时实现较低的滑动。

调试学习规则的另一示例是以下状况，即其中车轮动力学、即车轮加速度在限定的时间间隔(例如200ms)内不减小。调试学习规则因此适配用于减小电动机转矩的值矩阵和用于增大制动压力的值矩阵，使得值矩阵的参数增大10％，学习值因此为10％。参数值的增大应该在下次在该状态下防止持久过高的滑动。

优选地，通过在调试阶段中执行防滑调节来在整个调试阶段上确定并且因此评价当前状态变量的变化。由此也可以考虑并且学习更长地过去的调节、换句话说动作阶段。例如，增大阶段非常大，使得电动机不能跟随。因此，也对在此之前的减小阶段进行适配。

调节学习规则的示例是以下状况，即其中在要观测的时间范围内低于滑动目标的最小极限值，尤其是作为目标小于3.5％滑动。调节学习规则因此适配用于增大电机转矩的值矩阵和用于减小制动压力的值矩阵，使得值矩阵的参数增大10％，学习值因此为10％。参数值的增大因此在下次在该状态下防止过低的滑动，因为当最后的调节动作应该增大滑动时，所述最后的调节动作过弱地增大了滑动。可替代地，调节学习规则因此适配用于减小电动机转矩的值矩阵和用于增大制动压力的值矩阵，使得值矩阵的参数减小10％，学习值因此为-10％。参数值的减小应该在下次在该状态下防止过低的滑动，因为当最后的调节动作应该减小滑动时，所述最后的调节动作过强地减小了滑动。

调节学习规则的另一示例是以下状况，即其中超过最大极限值、尤其是在7％滑动以上。调节学习规则因此适配用于增大电机转矩的值矩阵和用于减小制动压力的值矩阵，使得值矩阵的参数减小10％，学习值因此为-10％。参数值的减小应该在下次在这种状态下防止过高的滑动，因为当最后的调节动作应该增大滑动时，所述最后的调节动作过强地增大了滑动。可替代地，调节学习规则因此适配用于减小电动机转矩的值矩阵和用于增大制动压力的值矩阵，使得值矩阵的参数增大10％，学习值因此为10％。参数值的增大应该在下次在这种状态下防止过高的滑动，因为当最后的调节动作应该减小滑动时，所述最后的调节动作过小地减小了滑动。

调节学习规则的另一示例是以下状况，其中在所考虑的时间段内滑动状态、即处于目标滑动的最大极限值以上的当前滑动或处于目标滑动的最小极限值以下的当前滑动保持不变。这意味着调节器的期望动作的过小变化，即滑动的构建或减少，由此车辆未被良好调节。因此，调节学习规则将增大值矩阵的对应的参数。

调节学习规则的另一示例是在过低的转速时、例如在1200rpm时防止电动机停机的一般期望。调节学习规则因此基于状态变量“电动机的转速”适配用于减小电动机转矩的值矩阵和用于增大制动压力的值矩阵，使得值矩阵的参数减小10％，学习值因此为-10％。参数值的减小应该在下次在该状态下避免过低的转速，因为最后的调节动作过强地降低了转速。可替代地，调节学习规则适配用于增大电动机转矩的值矩阵和用于减小制动压力的值矩阵，使得值矩阵的参数增大10％，学习值因此为10％。参数值的增大应该在下次在该状态下避免过低的转速，因为最后的调节动作过强地减小了转速。

在一种优选的实施方式中，该方法包括以下步骤：如果在时间上相继的至少两个学习规则低于彼此间的事先设定的时间间隔，则对所述至少两个学习规则进行仲裁。

常常参数被增大并且随后被减小或者反之亦然。如果参数的增大和减小在时间上非常接近地出现，例如在150ms内，则第一学习将会与第二学习冲突。因此，对于这样的场景必须应用学习规则的仲裁。

仲裁包括忽略时间上较早的学习规则，因为第二学习规则具有更当前和/或更多信息。可替代地，仲裁包括忽略两个学习规则。可替代地，仲裁包括将在时间上第一的学习规则仅应用于更远离触发在时间上第二的学习规则的区域。

因此，防滑调节的仲裁允许考虑对机动动作和/或基础的不同要求。

在一种优选的实施方式中，该方法包括以下步骤：学习在当前状态变量的变化的评估与防滑调节之间的反应时间。

该反应时间表示在评价(即最终触发学习规则)与相应原因(即在要考虑的时间内状态变量的变化)之间的时间延迟。视车辆和/或电动机变体而定，反应时间对于优化的防滑调节是不同的。

优选地，通过预先给定相对大的目标来确定反应时间，以便观测当前电动机何时达到该目标。

进一步优选地，在电动机的不同转速下确定多个反应时间，因为电动机特性曲线分别可能引起不同的行为。

在一种优选的实施方式中，该方法包括以下步骤：根据当前状态变量忽略所触发的学习规则。

例如，围绕状态变量的目标区、尤其是目标滑动或目标转矩忽略20％的学习规则。

根据本发明的另一方面，提供一种计算机程序产品，所述计算机程序产品被设立用于执行如在这里描述的方法。

根据本发明的另一方面，提供一种设备，所述设备被设立用于执行如在这里描述的方法。

下面与对本发明的优选实施例的描述一起根据图更详细地示出改善本发明的进一步措施。

附图说明

图1示出具有值矩阵的防滑调节的示意图；

图2示出二维值矩阵的示意图；

图3示出车辆的大量值矩阵的示意图；

图4示出用于适配防滑调节的方法的示意图；

图5示出在防滑调节的情况下学习规则的示意图；

图6示出学习值的动态适配的示意图；

图7示出学习规则之间的仲裁的示意图；以及

图8示出学习两个防滑调节的反应时间的示意图。

具体实施方式

图1是具有值矩阵的防滑调节器10的示意图。防滑调节器通过由电动机控制装置CM调节电动机的调节参量转矩并且由制动控制装置CB调节制动缸中的压力来调节车辆的滑动。防滑调节器10具有电动机控制装置CM中的第一状态定义单元20a和制动控制装置CB中的第二状态定义单元20b，这些状态定义单元分别提供车辆的当前状态变量Z。状态变量Z例如包括滑动S、电动机转速n、轴动力学Ya、电动机的当前转矩和时间。此外，控制交互单元30提供防滑调节器10的当前调节R。尤其是，防滑调节器10具有电动机控制装置CM中的第一调节动作决定单元40a和制动控制装置CB中的第二调节动作决定单元40b。第一调节动作决定单元40a和第二调节动作决定单元40b尤其是基于特定的状态变量Z和选择性地基于当前调节R来确定调节动作A。调节动作A包括增大、保持或减小对应的调节参量。

防滑调节器10此外包括电动机控制装置CM和制动控制装置CB中的值矩阵Ma、Mb。为每个要调节的元件设置值矩阵。例如，为电动机分配值矩阵，并且在后轮驱动的情况下，为两个后轮中的每一个分别分配用于相应的制动缸的单独的值矩阵。在这种情况下，将会需要三个值矩阵。图1以简化的形式仅示出用于电动机控制装置CM的第一值矩阵Ma和用于制动控制装置的第二值矩阵Mb。当前状态变量Z包括滑动S和车轮加速度Ya。第一值矩阵Ma和第二值矩阵Mb分别将调节梯度GM和GP分派给这两个状态变量Z。尤其是，第一值矩阵Ma确定转矩调节梯度GM并且第二值矩阵Mb确定压力调节梯度GP。第一值矩阵Ma和第二值矩阵Mb分别包括两个值矩阵，所述两个值矩阵分别被用于增大调节参量A和减小调节参量A。

防滑调节器10包括电动机控制装置CM中的第一调节动作控制装置50a和制动控制装置CB中的第二调节动作控制装置50b。第一调节动作控制装置50a基于所确定的调节动作A和所确定的转矩调节梯度GM来确定目标转矩MT。第二调节动作控制装置50b基于所确定的调节动作A和所确定的压力调节梯度GP来确定目标压力PT。

以这种方式，防滑调节器10在使用值矩阵Ma、Mb的情况下调节车辆的电动机和/或制动器，以实现目标滑动。

图2是二维值矩阵M的示意图。值矩阵M是车辆的当前滑动S以事先设定的离散步骤相对于车辆的当前车轮加速度Ya的表示。在这种情况下，值矩阵M包括100个条目，其中在每个组合中表示10个离散的可能滑动值S，10个离散的可能车轮加速度Ya。因此，将当前滑动S分配给在值矩阵中最近的滑动条目之一。同样内容适用于车轮加速度Ya。值矩阵M的这些条目中的每一个都称为参数P。每个参数P包含关于可能的调节梯度的信息，即关于至少一个调节参量的变化的信息。在这种情况下，值矩阵M被用于调节电动机转矩。由当前滑动S和当前车轮加速度Ya构成的组合已经被分配给参数33。参数33包含关于要调节的电动机转矩的变化、即换句话说转矩调节梯度GM的信息。

图3是车辆的大量值矩阵的示意图。示出了具有电动机和后轮驱动装置的车辆的示例。

因此，电动机控制装置CM包括第一值矩阵M_Minc，所述第一值矩阵在特定的转矩增大的情况下将滑动S、即车辆的总滑动和车轮加速度Ya分配给转矩调节梯度GM。此外，电动机控制装置Cm包括第二值矩阵M_Mdec，所述第二值矩阵在特定的转矩减小的情况下将车辆的滑动S和车轮加速度Ya分配给转矩调节梯度GM。

为了防滑调节，可以通过后轮驱动装置调节相应后轮的两个制动缸。因此制动控制装置CB包括第三值矩阵M_Plinc，所述第三值矩阵在特定的压力增大的情况下将第一后轮S1的滑动和车轮加速度Ya分配给用于第一后轮的第一压力调节梯度GP1。此外，制动控制装置CB包括第四值矩阵M_Pldec，所述第四值矩阵在特定的压力减小的情况下将第一后轮S1的滑动和车轮加速度Ya分配给用于第一后轮的第一压力调节梯度GP1。此外，制动控制装置CB包括第五值矩阵M_P2inc，所述第五值矩阵在特定的压力增大的情况下将第二后轮S2的滑动和车轮加速度Ya分配给用于第二后轮的第二压力调节梯度GP2。此外，制动控制装置CB包括第六值矩阵M_P2dec，所述第六值矩阵在特定的压力减小的情况下将第二后轮S2的滑动和车轮加速度Ya分配给用于第二后轮的第二压力调节梯度GP2。

图4是用于适配防滑调节的方法的示意图。在这种情况下，通过调节电动机转矩来示出防滑调节。如已经描述的，通过值矩阵M确定转矩调节梯度GM。基于转矩调节梯度GM，调节动作控制装置50确定目标转矩，防滑调节器将电动机转矩调节到所述目标转矩。因此，实施车辆F的防滑调节，其中根据特定的调节动作以所确定的调节梯度GM来适配调节参量(在这种情况下是电动机转矩)。随后，防滑调节器监视车辆S的当前状态变量S，并且通过在所考虑的时间段上实施防滑调节来确定当前状态变量的变化ΔS。行为评估单元60评估当前状态变量的变化ΔS。尤其是，行为评估单元60包括大量事先确定的学习规则，可以根据当前状态变量的变化ΔS来触发这些学习规则。各个学习规则确定学习值ΔP，以所述学习值ΔP适配值矩阵M的参数P，以获得经更新的值矩阵M_u。以这种方式，可以提供动态地学习的值矩阵，防滑调节器可以基于所述值矩阵实施经优化的防滑调节。

图5是在防滑调节时学习规则的示意图。尤其是，图5随防滑调节的时间示出电动机的目标转矩MT、调节动作A、滑动S和目标滑动ST。图5示出调试行为(Einregelverhalten)以及随后的正常调节。换句话说，图5示出调试阶段R_E和调节阶段R_R。对于调试阶段R_E设置与对于调节阶段R_R不同的可以被触发的学习规则。此外示出了随时间的调试学习规则L_E和调节学习规则L_R。在调试阶段R_E中，触发第一调试学习规则L_E1，所述第一调试学习规则负责增大目标转矩MT。在调节阶段R_R中触发第二调试学习规则L_E2。然而，该第二调试学习规则L_E2被忽略，因为该第二调试学习规则仅在调试阶段R_E中是相关的。在调节阶段R_R中，仅仍考虑调节学习规则L_R。例如，第一调节学习规则L_R1在调节阶段R_R中被触发并且负责减小目标转矩MT。

图6是学习值的动态适配的示意图。在该示例中，触发第一学习规则L1并且在时间上稍后地触发第二学习规则L2。在触发第一学习规则L1的时间点，车轮加速度Ya具有-2.75的值，在触发第二学习规则L2的时间点，车轮加速度Ya具有1.5的值。-2.75的车轮加速度Ya表示轴的中等强度的减速，因此应用20％的学习值而不是10％的学习值。换句话说，由于车轮加速度Ya，在适配值矩阵M的参数P时，不是以事先设定的值10％进行适配，而是动态地应用20％的值。同样，1.5的车轮加速度Ya表示轴的轻微加速，因此应用-15％的学习值而不是-10％的学习值。以这种方式，根据车轮加速度Ya动态地适配学习值的大小。

图7是两个学习规则(在这种情况下第三学习规则L3和第四学习规则L4)之间的仲裁的示意图。示出了滑动S和具有最大极限值STmax和最小极限值STmin的目标滑动ST的变化过程，其中滑动S由于防滑调节而理想地应该处于所述目标滑动中。在这种情况下，在相对短的时间段(例如150ms)内触发两个对立地工作的学习规则。第三学习规则L3想要增大滑动的减少，因为滑动增高太大。第四学习规则L4想要减小滑动的减少，因为滑动下降太大。

就此而言，必须对两个学习规则L3、L4进行仲裁。仲裁包括忽略在时间上较早的学习规则，因为第二学习规则具有更当前和/或更多的信息。可替代地，仲裁包括忽略两个学习规则。可替代地，仲裁包括将在时间上第一的学习规则仅应用于更远离在时间上第二的学习规则的触发的区域。因此，防滑调节的仲裁允许考虑对机动动作和/或基础的不同要求。

图8是在防滑调节时学习反应时间t_R的示意图。该图示随时间示出第五学习规则L5、调节动作A、滑动S、车轮加速度Ya和目标转矩MT。用于触发学习规则的原因C在这里由两个状态参量S和Ya得出。目标转矩的从中得到的学习值范围用黄色框出。图8应该示出实际原因C与通过学习规则L5的评价Ev之间的反应时间t_R有多长可以具有显著的影响。就此而言，对于经优化的防滑规则有用的是，根据状态变量的变化ΔS的评估来学习反应时间t_R，尤其是借助于机器学习模块。

Claims (10)

1.一种用于自动适配车辆的防滑调节的方法，所述方法包括以下步骤：

接收所述车辆(F)的当前状态变量(Z)，所述当前状态变量分别表明所述车辆(F)的当前状态；

通过防滑调节器(20)基于所接收的当前状态变量(Z)确定调节动作(A)，其中所述调节动作(A)包括增大、保持或减小调节参量，其中所述调节参量包括所述车辆(F)的电动机的转矩和/或所述车辆(F)的制动缸的压力；

在使用值矩阵(M)的情况下确定所述调节参量的调节梯度(GT、GP)，其中所述值矩阵(M)包括大量参数(P)，所述参数分别分配给所述车辆(F)的当前值矩阵状态变量，其中根据所述当前值矩阵状态变量从所述大量参数(P)中选择所述调节梯度(GT、GP)，其中所述当前状态变量(Z)包括所述当前值矩阵状态变量；

实施所述车辆(F)的防滑调节，其中根据所确定的调节动作以所确定的调节梯度来适配所述调节参量；

通过在所考虑的时间段上实施所述防滑调节来确定所述当前状态变量的变化(ΔS)；以及

通过触发至少一个事先设定的学习规则(L)，根据所确定的当前状态变量的变化(ΔS)适配所述值矩阵(M)的至少一个参数(P)。

2.根据权利要求1所述的方法，其中所述车辆(F)的当前值矩阵状态变量包括所述车辆(F)的滑动(S)和车轮加速度(Ya)。

3.根据前述权利要求中任一项所述的方法，其中在所考虑的时间段内通过所确定的当前状态变量的变化围绕事先设定的极限值来触发至少一个学习规则(L)，其中所述学习规则(L)确定学习值，以所述学习值适配所述至少一个参数(P)。

4.根据权利要求2所述的方法，其中根据所述车辆的车轮加速度(Ya)适配所述事先设定的学习值。

5.根据前述权利要求中任一项所述的方法，其中所述学习规则包括调试学习规则(L_E)和调节学习规则(L_R)，其中在滑动(S)的调试阶段(R_E)期间应用所述调试学习规则(L_E)，并且在滑动(S)的调试阶段(R_E)之后的调节期间应用所述调节学习规则(R_R)。

6.根据前述权利要求中任一项所述的方法，包括：

如果在时间上相继的至少两个学习规则(L1、L2)低于彼此间的事先设定的时间间隔，则对所述至少两个学习规则(L1、L2)进行仲裁。

7.根据前述权利要求中任一项所述的方法，包括：

学习在所述当前状态变量的变化(ΔS)的评估(Ev)与所述防滑调节之间的反应时间(t_R)。

8.根据前述权利要求中任一项所述的方法，包括：

根据所述当前状态变量(Z)来忽略所触发的学习规则(L)。

9.一种计算机程序产品，所述计算机程序产品被设立用于实施根据权利要求1-8中任一项所述的方法。

10.一种设备，所述设备被设立用于实施根据权利要求1-8中任一项所述的方法。