-
Im
folgenden wird eine bevorzugte Ausführung der drei unabhängigen Ansprüche im Zusammenhang
mit der vorliegenden Erfindung beschrieben, in der all diese unabhängigen Aspekte
kombiniert werden. Aus dieser Beschreibung können sich die Unteransprüche ergeben.
-
Einer
der wichtigsten Faktoren beim Bremsen im Kfz-Bereich ist der maximale
Reibungskoeffizient. Die Voraussage seines Wertes erfordert die Kenntnis
der verschiedenen zusammenwirkenden Elemente, d.h. Rad, Fahrzeug,
Rauheit und Fahrbahnzustand. Von all diesen Einflussparametern verursacht
der Fahrbahnzustand im allgemeinen die wichtigsten Änderungen
beim Reibungspotential. Daher ist es anhand der Feststellung, ob
die Fahrbahn nass, vereist oder verschneit ist, möglich, den Reibungskoeffizienten
der Fahrbahn zu klassifizieren, um den Fahrer zu warnen und die
Anpassungsfähigkeit
der Regelsysteme in einem Fahrzeug, wie z.B. ACC, ABS oder ESP,
an die tatsächliche
Reibungssituation zu erhöhen.
Die Reibungsinformation kann über
zukünftige
GPS-Systeme [1] auch an andere Fahrer weitergeleitet werden.
-
Im
allgemeinen hängt
der Reibungskoeffizient durch typische Beziehungen vom Radschlupf
ab, die durch die Paceijka- oder die Burckhardt-Formel [2] beschrieben
werden können.
-
In 1 wird der Einfluss des
Inter-Mediums dargestellt. Es beeinflusst den gesamten Kurvenverlauf,
besonders jedoch den maximalen Reibungskoeffizienten.
-
Der
Reibungswert lässt
sich mit verschiedenen Methoden feststellen, die in drei Gruppen
unterteilt werden können:
die indirekte Reibungsmessung mit der Hilfe von Reifensensoren,
nichtlineare Näherungsverfahren
in Verbindung mit Fahrzeugmodellen und Systeme mit mehreren Sensoren.
-
Die
erste Kategorie umfasst die indirekte Reibungsmessung durch Verarbeitung
der Reifendeformation im Kontaktbereich. Hierzu müssen spezielle
Sensoren in den Reifen integriert werden. Durch diese Sensoren wird
der Reifen „intelligent" und kann als Übertragungsmedium
sowie auch als Sensor für Kfz-Systeme
eingesetzt werden ([3], [4], [5]).
-
Die
zweite Kategorie bezieht sich auf die Erfassung der Reibung mit
Hilfe eines Beobachtungsmodells, das verschiedene dynamische Signale,
wie z.B. die Radgeschwindigkeit und die Längs- bzw. Querbeschleunigung
in Betracht zieht. Die Fahrzeugmodelle werden in Verbindung mit
einem Modell für die
Schlupfumdrehung in Abhängigkeit
von der aktuellen Reibungssituation verwendet. Auf Grund von mehreren Änderungen
an Fahrzeug- und Reifenzustand werden anpassungsfähige Kalman-Filter
eingesetzt, um die Systemänderungen
vorherzusagen [6].
-
Die
dritte Kategorie benötigt
eine korrekte Beschreibung der verschiedenen an der Reibung beteiligten
Elemente. Daher ist es zweckmäßig, Systemkomponenten
in das gesamte System zu integrieren, um den Fahrbahnbelag, den
Reifen, das Inter-Medium und das Fahrzeug zu beschreiben. Die Koordination
der Sensordaten erfolgt durch empirische oder semi-empirische Formeln,
die von datenbasierten Näherungsmethoden
adaptiert wurden ([7], [8]).
-
Diese
Systeme haben den Vorteil, dass der Reibungskoeffizient vor dem
Fahrzeug und unter verschiedenen Fahrbedingungen festgestellt werden kann.
Diese Methode kann auch das freien Rollen umfassen, so dass die
Erreichung der kritischen Grenze des Reibungsgrads für die Vorhersage
des Reibungswertes nicht länger
zwingend erforderlich ist. Daher ist die Verwendung einer Signalverarbeitung
und der Sensorfusion unvermeidlich.
-
Die
vorliegende Beschreibung stellt die Methode näher dar, die auf mehreren Sensoren
beruht. Das Prometheus-Projekt [7], bei dem verschiedene Sensoren
in ein System integriert werden, um die Reibung festzustellen, vermittelt
eine allgemeine Vorstellung davon. Die wichtigsten Unterschiede
beim vorliegenden System liegen in der Wahl der Sensoren und der
Software für
die Fusion der Sensordaten. Mit der Hilfe eines optimierten Fuzzy-Expertensystems ist
es möglich,
ein redundantes System aufzubauen, bei dem die verschiedenen Sensoren
mit geringen Einbußen
bei der Leistung abgeschaltet werden können.
-
In
Abschnitt 2 werden die Systemkomponenten beschrieben. Durch
die Datenverarbeitung werden verschiedene Systemmerkmale vorgestellt.
Sie führen
zur Extraktion nützlicher
Informationen für
die Feststellung des Fahrbahnzustands. In Abschnitt 3 wird
die Kombination der Signale als Fuzzy-Netz dargestellt, das als
Expertensystem entworfen und in Abschnitt 4 optimiert wird,
um Daten mit nichtlinearen Algorithmen zu messen. Schließlich werden
einige Versuchsergebnisse dargestellt und erläutert.
-
2. Systembeschreibung
und Datenverarbeitung
-
Für die angestrebte
Umsetzung wurde ein Testfahrzeug mit den erforderlichen Sensoren
sowie dem Prototyp einer schnellen, elektronischen High-End-Steuereinheit
für die
Datenerfassung und einer schnellen Integration des Softwarecodes
als Regel- und Steuerungssoftware versehen.
-
Die
Datenvorbereitung und ein Teil der Datenverarbeitung sind in Form
von Hardware umgesetzt, um mehr Rechenleistung für die Verarbeitung und Verknüpfungsblöcke verfügbar zu
haben.
-
Unter
den betrachteten Sensoren ist keiner, der alle erforderlichen Informationen über den
Fahrbahnzustand geben kann. Die Messsysteme geben mehr ergänzende oder
redundante Informationen. Die ergänzenden Informationen werden
einerseits verwendet, um den gesamten Parameterbereich zu überlagern.
Die redundanten Informationen dienen andererseits dazu, die Genauigkeit
der Vorhersage zu verbessern.
-
Die
Sensorsysteme werden in den folgenden Unterabschnitten beschrieben.
Die einzelnen Sensorsignale wurden verarbeitet, um die bevorzugten signifikanten
Informationen zu extrahieren. Sie sind können selbst innovativ sein.
-
2.1 Temperatursensor
-
Der
Temperatursensor befasst sich mit dem Fahrbahnbelag und misst dessen
Temperatur. Es handelt sich um ein passives Messsystem, das die Temperatur
durch Verarbeitung der von der Fahrbahn reflektierten IR-Strahlung
ausgibt. Die reflektierte Energie wird in einen Temperaturwert umgewandelt,
nachdem der Emissionsfaktor der Fahrbahnfläche und die Temperatur der
Sensorbox berücksichtigt
wurden. Für
die nächsten
Auswertungsschritte ist der Temperaturbereich wichtiger als der exakte
Temperaturwert. Der Sensor wird eingesetzt, um die Genauigkeit der
Feststellung von Eis und Schnee zu erhöhen.
-
2.2 Regensensor
-
Es
wird ein optischer Standard-IR-Regensensor verwendet, um festzustellen,
ob es regnet. Die Informationen des Sensors können nur in eine Richtung verwendet
werden, da die erforderlichen Informationen die Nässe der
Fahrbahn betreffen. Wenn der Sensor nicht aktiviert ist (trockene
Windschutzscheibe), arbeitet der Algorithmus für die Feststellung des Fahrbahnzustands,
ohne diesen Sensorwert zu berücksichtigen.
Wenn er jedoch aktiviert ist, geht man von einer nassen Fahrbahn
aus (höhere Gewichtung).
-
2.3 Kamerasystem
-
Die
Kameramethode soll die Feststellung von Schnee, Wasser und Rinnen
in der Fahrspur ermöglichen.
-
Sie
kann auf optischen Hinweisen basieren: während eine trockene Fahrbahn
an dem relativ homogen strukturierten Belag zu erkennen ist, haben nasse
Fahrbahnbeläge
ein gestreiftes Erscheinungsbild. Um die verschiedenen Fahrbahnzustände zu unterscheiden,
haben wir uns einer textur-basierten Segmentierung bedient. Nach
einer Bildverbesserung und Wiederherstellung wird das Bild mit Hilfe
einer Maske gefiltert, die nach der in [9] beschriebenen Methode
entwickelt wurde. Danach erfolgt eine Segmentierung mit Hilfe des
Sobel-Kantendetektors.
-
Zunächst wird
aus dem Vollbild ein Bereich ausgeschnitten. Der Bildausschnitt
stellt den Bereich der Fahrbahn zwischen der rechten und der linken Spur
dar. Daher hängt
die Länge
der Ausschnitte vor allem von der Breite der Spur und der Kameraposition
ab. Sie liegt in einem Bereich zwischen 150 und 250 Pixel. Die Höhe des Ausschnitts
wurde auf 40 Pixel gesetzt, um die Bildgröße zu reduzieren und somit
auch den rechnerischen Aufwand, der zur Verarbeitung der relevanten
Bildbereiche (ROI = Region of interest) erforderlich ist. Siehe 2.
-
Um
eine entsprechende Segmentierung und Kantenerfassung zu garantieren,
sollten die verschiedenen Bereiche in einem Bild an ihrem Rand so viele
Unterschiede wie möglich
aufweisen. Umgekehrt ist eine große Homogenität der segmentierten Bereiche
wichtig. Rauschen behindert beispielsweise auf Grund von Faltungen
eine aussagekräftige
Segmentierung und führt
zu störenden
Ergebnissen.
-
Bevor
ein Algorithmus für
die Messung der Textur oder ein Kantensensor in dem relevanten Bildbereich
(ROI) eingesetzt wird, müssen
vorbereitende Schritte durchgeführt
werden, um die oben genannten Kriterien zu erfüllen.
-
Der
Kontrast kann mit Hilfe einer Kontrasterhöhung [10] verbessert werden.
Eingabewerte unter dem Schwellenwert m werden in einen engen Bereich
dunkler Zonen im ausgegebenen Bild komprimiert; ebenso werden Werte
größer als
m in einen engen Bereich heller Zonen im Ergebnis komprimiert. Auf
diesem Weg werden die Graustufenwerte vom Intervall [min max] auf
das Intervall [0 255] gedehnt. Es ergibt sich ein Bild mit schärferem Kontrast,
und die Grenze zwischen den Bereichen ist schärfer, siehe 4a–b.
-
Um
das Rauschen im Bild zu reduzieren, das durch den vorhergehenden
Schritt teilweise verstärkt wurde,
können
die Ausschnitte mit Hilfe einer 5 × 5-Median-Filtermaske verbessert
werden. Der Median-Filter ist nicht linear und berechnet den Medianwert
der geordneten Sequenz der betreffenden Pixelwerte unter der Filtermaske.
Die Verwendung linearer Filter wurde vermieden, weil die Verwendung
derartiger Filter zu verschwommenen Kanten führt. Nach den Verbesserungsmaßnahmen
kann der Bildausschnitt mit einem Kernel gefiltert werden, der auf der
Basis von zwei, in [9] vorgeschlagenen mnemonischen Zeichen mit
einer Länge
von 5 entwickelt wurde:
-
In
dieser Gleichung entspricht 1 L dem Ebenenvektor. Das mittlere Pixel
hat hierbei ein höheres Gewicht.
E ist der Kantenvektor. Er stellt die Koeffizienten der zweiten
Ableitung dar.
-
Die
Anwendung des Convolution-Kernel auf das Eingabebild führt zu einem
Graustufenbild. Die Graustufen beschreiben die Textur-Merkmale eines jeden
Pixels, in unserem Fall die Beteiligung eines jeden Pixels an einer
Kante. Nach [9] wird jedes Pixel in dem sich ergebenden Graustufenbild
durch ein Textur-Energie-Maß (TEM)
am Pixel ersetzt. Dies geschieht durch die Durchführung einer
nichtlinearen Windowing-Operation um jedes Pixel herum. Für die hier
gewünschte
Streifenerkennung als charakteristisches Merkmal einer nassen Fahrbahn
ist das TEM irrelevant. Wichtiger als die absoluten Werte der Pixelbeteiligung
an dem untersuchten Merkmal ist die topologische Verteilung der
Pixels, die zu einem solchen Merkmal gehören.
-
Im
Gegensatz zu einer nassen Fahrbahn, die deutliche helle Streifen
aufweist, zeigt eine trockene Fahrbahn verstreute rauschanfällige helle
Bereiche (3).
-
Bei
Verwendung des Sobel-Kantendetektors werden die Streifenkanten festgestellt.
Daher wird das zuvor erhaltene Graustufenbild in ein Schwarz/Weiß-Bild umgewandelt,
um einen maximalen Kontrast zu erhalten, weil der Sobel-Kantendetektor
ein auf Gradienten basierender Detektor ist.
-
Wenn
die untersuchte Fahrbahnoberfläche nass
ist, ergibt sich aus der Kantenerfassung eine Reihe langer vertikaler
Kanten, siehe 4d–e. Im Falle einer trockenen
Oberfläche
ergibt sich im besten Fall ein schwarzes Bild (keine Kanten) oder
eine Reihe von kurzen Kanten.
-
In
einem letzten Schritt, der „Glättung" genannt wird, werden
alle Kanten, die unter einer bestimmten Schwelle liegen, verworfen.
Siehe 4e–f. Die Schwelle wird nach
der Größe des relevanten
Bereichs (ROI) definiert. Nach diesem Schritt sind bei trockener
Fahrbahn keine Kanten mehr im Bild vorhanden. 4 enthält einen Überblick über die
oben beschriebenen Schritte. Das letzte verarbeitete Bild erlaubt
eine genaue Feststellung darüber,
ob die Fahrbahn nass ist.
-
Die
Eignung der in diesem Abschnitt beschriebenen Methode wurde an mehr
als 1600 Bildern getestet, die auf unterschiedlichen Fahrbahnbelägen mit
unterschiedlichen Beleuchtungszuständen festgehalten wurden. In
etwa 80% der Fälle
wurde der Fahrbahnzustand korrekt erkannt. Trotzdem ist die Methode
grundlegend ungeeignet, wenn der ROI einen Schatten, den Scheibenwischer
oder Fahrbahnrillen umfasst. Daher wird eine zusätzliche Methode entwickelt,
mit der breite Bereiche mit relativ konstanten und niedrigen Graustufen
erkannt werden sollen, wobei ihre absoluten und relativen Werte im
Vergleich zum Rest des Bildes bewertet werden, Schatten, Wischer
und Fahrbahnrillen erkannt werden oder das Bild im Falle von Mehrdeutigkeiten
für nicht
verwendbar erklärt
wird.
-
2.4 Der IR-Sensor
-
Der
IR-Sensor misst die direkte und indirekte Reflexion des Lichts auf
die Fahrbahn (5). Der Unterschied zwischen
diesen Werten definiert die Brillanz der Fahrbahn, die Summe definiert
die Helligkeit. Der Sensor besteht aus einer Kombination aus Sender
und Empfänger
und einer zweiten separaten Empfängereinheit.
-
Es
können
drei unterschiedliche Sensorparameter variiert werden: Abstand h
(5) zwischen Sensoroberfläche und Fahrbahn, Abstand d
zwischen Sender und Empfänger
und der Neigungswinkel α zwischen
dem Empfänger
und der vertikalen Achse. Auf Grund der optischen Eigenschaften
von vereisten und verschneiten Fahrbahnen besteht die Möglichkeit,
bei diesen Flächen
nach einer korrekten Positionierung unterschiedliche Sensorwerte
zu erhalten.
-
6 illustriert
die Ergebnisse der Messungen bei unterschiedlichen Geschwindigkeiten
auf Eis-, Schnee- und Asphaltflächen.
Die dunkle Farbe des Asphalts führt
zu einem niedrigen direkten Reflexionswert. Beim Fahren auf Schnee
wird ein mittlerer Teil des ursprünglichen Lichts von beiden
Empfängern
erkannt (maximal mögliches
Ergebnis: 255).
-
Natürlich können mit
Hilfe des Sensors unterschiedliche Klassen von Fahrbahnflächen hergestellt
werden. Diese Klassen können
definiert werden, indem nur die indirekte oder direkte Reflexion herangezogen
wird. Trotzdem führt
die Verwendung beider Werte zu einer höheren Robustheit. Es ist daher
möglich,
die Anzahl der erforderlichen Beispiele zu reduzieren, um den Mittelwert
zu erzeugen.
-
2.5 Mikrophon
-
Wie
in [11] erwähnt,
ist es möglich,
für die
Erfassung des Fahrbahnzustands ein Mikrophon zu verwenden. Der Versuch
der Messung des Reifen-/Fahrbahngeräuschs bei Regen aus nächster Nähe legt
nahe, das Mikrophon in einer geschützten Position nahe der Kontaktfläche zu montieren.
Die folgenden Messungen wurden an der Vorderkante des Hinterrads
durchgeführt.
Es ist angebracht, frei rollende Fahrten bei konstanter Geschwindigkeit
zu berücksichtigen.
Auf Grund des erwarteten hochfrequenten „zischenden Geräuschs" des Wassers war es
notwendig, Mikrophone mit einem großen dynamischen Bereich zu
verwenden. Zusätzlich
dazu führte die
Verwendung einer 16-Bit AD-Karte für die Datenerfassung zu der
Notwendigkeit einer Signalfilterung und -verstärkung, um in der Lage zu sein,
die gesamte 16-Bit-Auflösung
auch bei Frequenzen über
10 kHz zu verwenden.
-
Trocknungstests,
die mit sehr nassen Oberflächen
begannen, haben ein direktes Verhältnis zwischen der Wasserfilmhöhe und dem
Geräuschpegel bei
hohen Frequenzen angezeigt. In 7 wird ein Trocknungstest
dargestellt, der auf einer Standard-Beton- und einer Asphaltfahrbahn
auf dem Contintental-Testgelände
durchgeführt
wurde.
-
Die
Signale werden verwendet, um die Wasserhöhe zu definieren. Es wurde
Oktav 9 gewählt,
um die Nässe
der Fahrbahn zu beschreiben. Dies ist auf die höchste Varianz und die richtige
Zuordnung der Trocknungsgrade für
dieses Frequenzintervall bei den meisten der erfassten Daten zurückzuführen.
-
Um
diese Beobachtungen auf die allgemeine Fahrsituation auszudehnen,
zu der unterschiedliche Geschwindigkeiten, Steuer- und Bremssituationen, sowie
ein Rauschen erzeugende Fahrbahnoberflächen gehören, müssen die tatsächlich gemessenen Geräuschpegel
in einen Bezugswert umgewandelt werden (8).
-
Außerdem kann
das Rauschen ebenso verwendet werden, um Schnee auf der Fahrbahn
festzustellen. In 9 ist der tatsächliche
Wert des Reifen-/Fahrbahngeräuschs
auf verschiedenen Oberflächen
bei 36 m/s für
ein vorher gewähltes
Frequenzintervall dargestellt.
-
Dieser
Effekt ist ein Charakteristikum der Reifenkonstruktion und der dämpfenden
Wirkung von Schnee. Die in einem Frequenzbereich um 2 kHz festgestellten
Geräuschpegel
sind bei Schnee niedriger als bei anderen Oberflächen. Hiermit wird zwischen
Eis und Schnee unterschieden, die ähnliche Charakteristika haben,
wenn andere Sensorwerte in Betracht gezogen werden.
-
Der
Geräuschpegel
in diesem Frequenzintervall hängt
auch von der Fahrzeuggeschwindigkeit und der Reifenart ab. Trotzdem
ist es möglich,
eine Begrenzung des charakteristischen Geräuschs von Schnee für einen
Referenz-Geräuschpegel
zu definieren, der im Hinblick auf die Geschwindigkeit korrigiert
wurde.
-
3. Fusion
der Daten von mehreren Sensoren
-
Mit
Hilfe der integrierten Sensorsignale und der verarbeiteten Sensordaten
kann der Fahrbahnzustand erfasst werden. Als besonders bevorzugte Ausführung liefern
die drei Untersysteme ein Fuzzy-Ergebnis für die tatsächlich vorhandene Nässe, den
Schnee oder das Eis auf der Fahrbahn. Der trockene Zustand ist komplementär zu diesen
drei Zuständen.
Jedes Untersystem umfasst zwei Ergebnisklassen: die erfasste Klasse
(Nässe/Schnee/Eis) und
die unbekannte Klasse. Zu der unbekannten Klasse gehört die Erfassung
der Negation der bereits genannten Klassen, jedoch auch die Erfassung
einer ungültigen
Klasse z.B. auf Grund ungenügender
Informationen in der Eingangsschicht.
-
Auf
Grund der stückweisen
redundanten Sensorinformationen wurde ein Validitätskonzept entwickelt.
Dieses Konzept erlaubt die Abschaltung einiger Sensoren und gewährleistet
eine Reibungserfassung ohne zusätzlichen
Programmieraufwand. Der Validitätstest
basiert auf der Kontrolle des Wertebereichs der Sensordaten und
der Plausibilität
einiger Szenarien. Ein zentraler Punkt für die Wiederverwendbarkeit
der Software im Falle von ungültigen Sensordaten
ist die Definition der ungültigen
Schicht, in der das Sensorsignal Werte erhält, die zu ungültigen Klassen
bei der Ausgabe führen.
-
Auf
diesem Weg liefert das System drei Klassenzugehörigkeitswerte, die jeweils
von einem binären
Validitätswert
begleitet werden. Um die erwähnte Reibwertvoraussage
zu erreichen, ist unbedingt ein komplementärer Voraussageblock erforderlich (10),
wobei die Reibungswerte den unterschiedlichen Klassen des Fahrbahnzustands
zugewiesen werden müssen.
-
Die
bereits erwähnten
Untersysteme werden am Beispiel der Nässeerfassung (11)
erläutert.
-
Die
gewählte
Verknüpfung
basiert auf einem Fuzzy-System. Die Regeln werden nach der Beobachtung
der Sensordaten bei unterschiedlichen Fahrbahnzuständen erstellt.
Es wird ein Sugeno-Netzwerk verwendet, bei dem die Ausgabe eine
lineare Kombination der Eingaben ist.
-
Die
Zugehörigkeitsfunktionen
für die
Eingabeklassen basieren auf Splines. Sie folgen einer Z- oder einer
S-Form. Die Parameter dieser Funktionen werden als Variablen definiert,
um die Optimierung des Fuzzy-Expertennetzwerks zu ermöglichen.
-
Die
Regeln erhalten eine unterschiedliche Gewichtung, so dass z.B. die
Erfassung niedriger Temperaturen zu einer Ablehnung der Regeln für die Nässeerfassung
führt.
-
Die
verwendete Defuzzification-Strategie ist die „Flächenschwerpunkt-Methode", wobei Ergebnis R
als Gleichung 2 berechnet wird:
wobei K
i den
Ausgabeklassen, w
i den Gewichtungen der
Ausgabeklassen und μ
i den Ausgaben der Regeln entspricht.
-
Die
Schwerpunktmethode bietet eine 100%-Voraussage, wenn nur eine einzelne
Regel aktiviert wird, auch wenn die aktive Regel einen geringen
Zugehörigkeitswert
unter 20% bietet. Es musste ein Schalter definiert werden, um eine
Fuzzy-Ausgabe unabhängig
von der Anzahl aktiver Regeln zu erzielen. Gleichung 3 nennt den
Schalter für
ein System mit zwei Ausgabeklassen K
1 („unbekannt") und K
2 („nass"), um die genannte
Vorstellung zu erläutern.
R = K1 + μ·(K2 – K1), if N = 1 wobei N der Anzahl der
aktiven Regeln entspricht.
K1,
if N = 0 -
In
diesem Abschnitt wurde ein Fuzzy-System mit etwa 159 Parametern
definiert. Der anfängliche Parametersatz
wurde auf der Basis der Beobachtungen festgelegt. Die Einstellung
der Klassengrenzen und der Regelgewichtungen wurde durch eine nichtlineare
Optimierung der kleinsten Quadrate erreicht. Es wurden mehrere Messungen
auf nassen, trockenen, vereisten und verschneiten Flächen durchgeführt. Die
Ergebnisse des optimierten Systems sind sehr gut. 12 erläutert die
Zugehörigkeitswerte
für die
Klassen "Eis", "Schnee" und „Nässe" bei einer Sequenz
von Fahrbahnzuständen
(Eis, Schnee, trockener Asphalt).
-
Ähnliche
Tests mit dem optimierten Netz wurden auf einer sogenannten „Schach"-Fläche ausgeführt, bei
der sich Beton und Eis abwechselten. 13 zeigt,
dass die Tendenz korrekt erkannt wird.
-
Trotzdem
sind die die Übergänge so klar
wie die mittleren Teile eines jeden Musters. Die vertikalen schwarzen
Linien in 13 stellen die theoretischen Grenzen
der unterschiedlichen Muster dar. Die Gründe hierfür sind die niedrigen Werte
einiger Sensorsignale (IR: 10 Hz, Temperatur: 1 kHz) und das lautere Rauschen
im Übergangsbereich.
Dieses lautere Rauschen führt
zu der falschen Erfassung der Nässe bei
der Beschränkung
der Muster.
-
In
diesem Abschnitt wird ein speziell bevorzugter Multisensor-Ansatz
für die
Erfassung des Fahrbahnzustandes beschrieben. Das System basiert
auf einem optischen Sensor für
die Helligkeit und Brillanz der Fahrbahn, einem akustischen Sensor,
einem optischen Regensensor, einem Fahrbahn-Temperatursensor und
einem Kamerasystem. Die verarbeiteten Signale werden mit Hilfe eines Fuzzy-Expertennetzwerks
mit selbst definierten Regeln und software-optimierten Parametern
zugeordnet. Als Ergebnis erhält
man die Zugehörigkeitswerte für die Klassen
Nässe,
Eis und Schnee sowie die entsprechenden Validitätswerte. In den meisten Fällen wird
der Fahrbahnzustand erfolgreich erfasst. Trotzdem sollte klar sein,
dass jede Messmethode, besonders die des Kamerasystems oder des
Infrarot-Reflexionssensors unabhängig
voneinander verwendbar und innovativ sind.
-
Erwähnte Referenzen
-
- [1] R. Gnadler, H. Marwitz, „Neues
System zur Ermittlung des Kraftschlusspotentials im Fahrbetrieb", in ATZ 05/2004,
Deutschland, 2004, Seiten 458–467.
- [2] B. Heimann, H. Abdellatif, H. Blume, N. Bouzid, M. Lorenz
und A. Trabelsi, "Wechselwirkung
Fahrbahn-Fahrzeug aus der Sicht der Mechatronik", in VDI-Berichte 1791, VDI-Reifen-Fahrwerk-Fahrbahn, Hannover,
Deutschland, 2003, Seiten 11–32.
- [3] Volk, H., Kluge, S., „the
intelligent tyre",
in Proc. of the International Rubber Conference 2003, Nürnberg,
Seiten 177–180
- [4] Cyllik, A.; Strothjohann, Th.; Scholl, G., „Der intelligente
Reifen – Anwendungs-Möglichkeiten
des Reifenprofilssensors",
in VDI-Bericht Nr. 1632, Düsseldorf,
2001, Seiten 115–124
- [5] Quandt, E, Hoffmann, K.-H., Moske. M., „tire friction remote sensor", Jahresbericht 2002,
Caesar, Bonn.
- [6] Canudas-de-Wit, C., Horowitz, R., „observers for Tire/road contact
friction using only wheel angular velocity information", Proceeding of the
IEEE Conference on Decision and Control, December, 1999.
- [7] Bachmann, T., „berührungslose
Kraftschluss-Erkennung",
PROMETHEUS Phase III, Schlussbericht, fzd-Bericht Nr. 199/96, Fachgebiet
Fahrzeugtechnik, Technische Hochschule Darmstadt, 1996.
- [8] Gnadler, R., Unrau, H.-J., „Method and Device for Determining
the Adhesion and Adhesion Limit for Vehicle Tyres", DaimlerChrysler
AG, Patent WO00/32456A1, 2000.
- [9] K. Laws, „Textured
Image Segmentation",
Ph. D. Dissertation, University of Southern California, January
1980.
- [10] Rafael C. Gonzales, Richard E. Woods, Steven L. Eddins, "Digital image processing
using MATLAB", Pearson
Prentice Hall, 2004.
- [11] A. Trabelsi, B. Heimann, L. Dreilich, H.-J. Harting, „The Microphone
as a roughness and wetness sensor of the road in automotive applications", in Internoise 2004,
Prag, Tschechische Republik, 2004, Seiten 11–32.
