DE102007060652A1

DE102007060652A1 - Einrichtung zur Fahrbahnzustandsschätzung

Info

Publication number: DE102007060652A1
Application number: DE102007060652A
Authority: DE
Inventors: Josef Dr. Wagenhuber; Burkhard Kuhls
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2007-12-15
Filing date: 2007-12-15
Publication date: 2009-06-18

Abstract

Die Erfindung beschreibt eine Einrichtung zur Fahrbahnzustandsschätzung mit einer Einrichtung zum Messen eines Sensorwertes (yk), mit einer Recheneinrichtung, die zur Bestimmung des Fahrbahnzustandes (µk) derart eingerichtet ist, dass folgende Schritte ausgeführt werden: Prädiktion eines Fahrdynamikwertes (x-k+1), Prädiktion eines Fahrbahnzustandswertes (µ-k+1), Annahme eines Sensorwertes (h(x-k+1,µk)), Messen eines Sensorwertes (yk+1) und Korrektur des prädizierten Fahrdynamikwertes (x-k+1) und des prädizierten Fahrbahnzustandswertes (µ-k+1) in Abhängigkeit von der Differenz zwischen angenommenem Sensorwert (h(x-k+1,µk)) und gemessenem Sensorwert (yk+1).

Description

Die Erfindung betrifft eine Einrichtung zur Fahrbahnzustandsschätzung.
Aus der DE 10336818 B4 ist eine Vorrichtung zum Abschätzen des Reibungszustandes der Oberfläche einer Fahrbahn bekannt. Diese umfasst einen Bereich zum Abschätzen eines selbst ausrichtenden Moments, der ein selbst ausrichtendes Moment abschätzt; einen Bereich zum Abschätzen eines Schlupfwinkels, der einen Schlupfwinkel abschätzt, einen Hochpassfilter, der eine Hochpassfilterung des Schlupfwinkels durchführt, der durch den Bereich zur Abschätzung des Schlupfwinkels abgeschätzt wird; einen Bereich zur Berechnung einer Querkraft, der eine Querkraft berechnet; einen Bereich zur Umwandlung in einen Schlupfwinkel, der die Querkraft, die durch den Bereich zur Berechnung der Querkraft berechnet wird, in einen Schlupfwinkel umwandelt; einen Tiefpassfilter, der eine Tiefpassfilterung des Schlupfwinkels durchführt, der durch die Umwandlung durch den Bereich zur Umwandlung in einen Schlupfwinkel erhalten wird, einen Summierbereich, der den Schlupfwinkel, auf dem die Hochpassfilterung durch den Hochpassfilter durchgeführt wurde, und den Schlupfwinkel, auf dem die Tiefassfilterung durch den Tiefpassfilter durchgeführt wurde, aufsummiert; und einen Bereich zur Abschätzung des Reibungszustandes einer Oberfläche einer Fahrbahn, der einen Reibungszustand einer Oberfläche einer Fahrbahn basierend auf dem Schlupfwinkel, der durch das Aufsummieren durch den Bereich zum Aufsummieren erhalten wird, und das selbst ausrichtende Moment, das durch den Bereich zur Abschätzung eines selbst ausrichtenden Moments abgeschätzt wird, abschätzt.
Der Erfindung liegt die Aufgabe zugrunde, eine gegenüber dem Stand der Technik verbesserte, insbesondere schnellere und/oder genauere, Fahrbahnzustandsschätzung zu lehren.
Diese Aufgabe wird durch die Merkmale des unabhängigen Anspruchs gelöst. Vorteilhafte Weiterbildungen der Erfindung sind den abhängigen Ansprüchen zu entnehmen.
Eine erfindungsgemäße Einrichtung zur Fahrbahnzustandsschätzung umfasst eine Einrichtung zum Messen oder Erfassen eines (Fahrdynamik-)Sensorwertes und eine Recheneinrichtung, die zur Bestimmung des Fahrbahnzustandes derart eingerichtet und mit der Einrichtung zum Messen oder Erfassen gekoppelt ist, dass folgende Schritte ausgeführt werden:

– Prädiktion zumindest eines Fahrdynamikwertes, insbesondere eines Fahrdynamikvektors oder einer Fahrdynamikgröße,
– Prädiktion eines Fahrbahnzustandswertes,
– Annahme zumindest eines, insbesondere fahrdynamikbezogenen, Sensorwertes, insbesondere eines Sensorvektors oder einer Sensorgröße,
– Messen zumindest eines, insbesondere fahrdynamikbezogenen, Sensorwertes, insbesondere Sensorvektors oder Sensorgröße, und
– Korrektur zumindest des prädizierten Fahrdynamikwertes und zumindest des prädizierten Fahrbahnzustandswertes in Abhängigkeit von der Differenz zwischen angenommenem Sensorwert und gemessenem Sensorwert.

Durch die Erfindung wird erreicht, dass der Fahrbahnzustandswert, wie beispielsweise ein Reibungs- oder Haftkoeffizient, genau und schnell abgeschätzt werden kann.
Vorzugsweise wird basierend auf dem korrigierten prädizierten Fahrdynamikwert und dem korrigierten prädizierten Fahrbahnzustandswert ein Fahrdynamikwert und ein Fahrbahnzustandswert geschätzt.
Besonders bevorzugt wird basierend auf dem geschätzten Fahrdynamikwert und dem geschätzten Fahrbahnzustandswert ein nächster Fahrdynamikwert und ein nächster Fahrbahnzustandswert prädiziert.
Vorteilhafterweise basieren die Prädiktion eines Fahrdynamikwertes und die Prädiktion eines Fahrbahnzustandswertes auf einem zuvor geschätzten Fahrdynamikwert und einem zuvor geschätzten Fahrbahnzustandswert.
Im Folgenden wird die Erfindung anhand von Beispielen näher erläutert.
Ziel des folgenden Ausführungsbeispiels ist es, den Reibungskoeffizienten u der mit einem Fahrzeug befahrenen Fahrbahn auf der Basis von Fahrdynamik-Informationen bezüglich des Fahrzeuges zu bestimmen, insbesondere zu schätzen.
Dazu wird über ein kontinuierlich-diskretes Filter der Wert des Reibungskoeffizienten μ der Fahrbahn geschätzt und als Zeitreihe betrachtet.
Es wird ein Modell der Wechselwirkung Fahrzeug-Fahrbahn als dynamische Gleichung formuliert (Rauschen wird der Einfachheit halber nicht berücksichtigt):
Im Vektor der Zustandsgrößen (zumindest eine Fahrdynamikgröße bzw. zumindest ein Fahrdynamikwert) x sind für die Fahrdynamik relevante Größen, wie Lenkwinkel, Raddrehzahlen, Beschleunigungen längs und quer, Gierrate, etc. zusammengefasst.
Der Reibungskoeffizient μ der Fahrbahn geht hierbei nicht als dynamische Größe ein, sondern beeinflusst als externer Parameter die Dynamik der Zustandsgrößen x.
Zu diskreten Zeitpunkten t_k werden Messungen von Sensorwerten durchgeführt. Diese Sensorwerte y_k = y(t_k) sind einerseits Zustandsgrößen aus x, andererseits mit den Zustandsgrößen indirekt verknüpfte, sensorisch zugängliche Datenwerte, im Allgemeinen also darstellbar durch folgende Messgleichung: y(t) = h(x(t)).
Um den verborgenen Parameter μ schätzen zu können, wird das fahrdynamische Modell um die Zustandsgröße μ erweitert
und ebenso die Messgleichung ergänzt y(t) = h(x(t),μ).
Der Reibungskoeffizient μ wird dadurch zu einer Zustandsgröße, die zwar im Rahmen der Systemdynamik konstant bleibt, wohl aber durch Auswertung der Messgrößen y_k eine zeitliche Änderung erfahren kann.
Eine Schätzung der Zustandsgrößen x und des Reibungskoeffizienten der Fahrbahn μ erfolgt dabei durch Anwendung des EKF (extended Kalman filter) auf die erweiterte dynamische Gleichung und auf die ergänzte Messgleichung.
Ausgehend von einer initialen Schätzung x₀ und μ₀ wird zu den diskreten Messzeiten t_k jeweils eine Prädiktion anhand des dynamischen Modells durchgeführt, d. h. jeweils beginnend mit x_k und μ_k wird durch numerische Integration der dynamischen Gleichung von t_k bis t_k+1 eine Prädiktion auf x^– _k+1 und μ^– _k+1 durchgeführt, wobei natürlich μ zunächst unverändert bleibt (μ^– _k+1 = μ_k).
Die Bestimmung der geschätzten Werte x_k+1 und μ_k+1 der Zustandsgrößen x und des Reibungskoeffizienten μ zum neuen Zeitpunkt t_k+1 erfolgt über eine Korrektur unter Zuhilfenahme der Messung y_k+1
Dabei ist K_k+1 definiert durch Kk+1 := P–k+1 ·MTk+1 ·[Mk+1·P–k+1 ·MTk+1 ]–1
Die Matrix M_k+1 ergibt sich durch eine Linearisierung von h um x–_k+1 und μ_k. P_k+1 stellen Hilfsgrößen dar, die mit berechnet werden müssen. Die Prädiktion von P_k auf P^– _k+1 von t_k bis t_k+1 erfolgt dabei mittels einer weiteren dynamischen Gleichung
Die Matrix F_k ergibt sich durch Linearisierung von f um x_k und μ_k. Die Korrektur auf P_k+1 (notwendig um eine neue Prädiktion auf P^– _k+2 zu ermöglichen) erfolgt dann analog mit Pk+1 = [1 – Kk+1·Mk+1]·P–k+1 ·[1 – Kk+1·Mk+1]T.
Die Berechnung von K_k+1 benötigt im Übrigen nur den Wert P^– _k+1.
Es ergibt sich schließlich eine Zeitreihe diskreter Werte μ_k = μ(t_k) des geschätzten Reibungskoeffizienten der Fahrbahn.
Basierend auf einem geschätzten, insbesondere prognostizierten, μ_k oder der, insbesondere prognostizierten, zeitlichen Änderung von μ_k kann dann beispielsweise basierend auf einem Schwellwertvergleich ein optisches oder akustisches Warnsignal ausgegeben werden, um den Fahrer beispielsweise über eine plötzlich eisglatte Fahrbahn zu informieren.
Die Zeitreihe μ_k = μ(t_k) wird gemäß einer bevorzugten Weiterbildung mit weiteren Daten aus anderen Domänen, wie Klimadaten (Außentemperatur, Feuchte, Regensensor) oder Navigationsdaten (Kurven, Wald, Brücken falls vorhanden) in einem weiteren Schritt verarbeitet und daraus bei zu erwartenden kritischen Werten von μ eine Warnung an den Fahrer ausgegeben. Hierzu wird über Algorithmen der Fuzzy-Logik und über so genannte Bayes-Netze eine Abbildung auf eine diskrete Menge an Fahrbahnzuständen (trocken, nass, Glätte) durchgeführt. Kritische Zustände werden über eine optische oder akustische Ausgabeeinrichtung gemeldet. Dieser zweite Schritt generiert somit eine Prädiktion des Fahrbahnzustandes.
Dieses Verfahren kann durch eine oder mehrere der folgenden Varianten ergänzt werden:

– Über optische Zusatzsensoren können als weitere Zustandsgrößen die Längs- und Quergeschwindigkeit des Fahrzeugs relativ zur Fahrbahn ermittelt werden. Diese zusätzlichen Messgrößen verbessern die Qualität der berechneten Werte μ(t).
– Über optische Zusatzsensoren kann über Messung der Reflektivität der Fahrbahn (kohärent, inkohärent) der Belag der Fahrbahn ermittelt werden.
– Die geschätzten Filter- bzw. Prädiktionswerte der Zustandsgröße μ lassen sich bei Bedarf über ein Car-to-Car Kommunikationsnetzwerk weiter verbreiten.

Insbesondere zur Durchführung eines oder mehrerer der oben genannten Verfahren ist eine Einrichtung zur Fahrbahnzustandsschätzung vorgesehen. Diese umfasst eine Einrichtung zum Messen oder Erfassen eines Sensorwertes (y_k) und eine Recheneinrichtung, wie eine programmtechnisch entsprechend eingerichtete Prozessoreinrichtung, die zur Bestimmung des Fahrbahnzustandes (μ_k) derart eingerichtet ist, dass folgende Schritte ausgeführt werden:

– Prädiktion eines Fahrdynamikwertes (x^– _k+1),
– Prädiktion eines Fahrbahnzustandswertes (μ^– _k+1),
– Annahme eines Sensorwertes (h(x – / k+1‚μ_k)),
– Messen eines Sensorwertes (y_k+1) und
– Korrektur des prädizierten Fahrdynamikwertes (x^– _k+1) und des prädizierten Fahrbahnzustandswertes (μ^– _k+1) in Abhängigkeit von der Differenz zwischen angenommenem Sensorwert (h(x – / k+1,μ_k)) und gemessenem Sensorwert (y_k+1).

ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

- DE 10336818 B4 [0002]

Claims

Einrichtung zur Fahrbahnzustandsschätzung – mit einer Einrichtung zum Messen eines Sensorwertes (y_k) und – mit einer Recheneinrichtung, die zur Bestimmung des Fahrbahnzustandes (μ_k) derart eingerichtet und mit der Einrichtung zum Messen gekoppelt ist, dass folgende Schritte ausgeführt werden: – Prädiktion eines Fahrdynamikwertes (x^– _k+1), – Prädiktion eines Fahrbahnzustandswertes (μ^– _k+1), – Annahme eines Sensorwertes (h(x – / k+1,μ_k)), – Messen eines Sensorwertes (y_k+1) und – Korrektur des prädizierten Fahrdynamikwertes (x^– _k+1) und des prädizierten Fahrbahnzustandswertes (μ^– _k+1) in Abhängigkeit von der Differenz zwischen angenommenem Sensorwert (h(x – / k+1,μ_k)) und gemessenem Sensorwert (y_k+1).
Einrichtung nach Anspruch 1, – bei der basierend auf dem korrigierten prädizierten Fahrdynamikwert (x^– _k+1) und dem korrigierten prädizierten Fahrbahnzustandswert (μ^– _k+1) ein Fahrdynamikwert (x_k+1) und ein Fahrbahnzustandswert (μ_k+1) geschätzt wird.
Einrichtung nach einem der vorhergehenden Ansprüche, – bei der basierend auf dem geschätzten Fahrdynamikwert (x_k+1) und dem geschätzten Fahrbahnzustandswert (μ_k+1) ein nächster Fahrdynamikwert (x^– _k+2) und ein nächster Fahrbahnzustandswert (μ^– _k+2) prädiziert werden.
Einrichtung nach einem der vorhergehenden Ansprüche, – bei der die Prädiktion eines Fahrdynamikwertes (x^– _k+1) und die Prädiktion eines Fahrbahnzustandswertes (μ^– _k+1) auf einem zuvor geschätzten Fahrdynamikwert (x_k) und einem zuvor geschätzten Fahrbahnzustandswert (μ_k) basieren.