DE102019115967A1 - Hybrid vehicle model based on a single-track model and a neural network - Google Patents
Hybrid vehicle model based on a single-track model and a neural network Download PDFInfo
- Publication number
- DE102019115967A1 DE102019115967A1 DE102019115967.9A DE102019115967A DE102019115967A1 DE 102019115967 A1 DE102019115967 A1 DE 102019115967A1 DE 102019115967 A DE102019115967 A DE 102019115967A DE 102019115967 A1 DE102019115967 A1 DE 102019115967A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- prediction data
- model
- motor vehicle
- deviations
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0033—Single-track, 2D vehicle model, i.e. two-wheel bicycle model
Abstract
Die Erfindung betrifft ein Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens. Erfindungsgemäß ist es möglich, ein einfaches Prädiktionsmodell derart aufzuwerten bzw. zu korrigieren, dass trotz geringer Rechenressourcen eine verlässliche Prädiktion ermöglicht wird. Dies ist gerade beim autonomen Fahren vorteilhaft, da dieses eine zuverlässige Datenbasis benötigt, im Kraftfahrzeug jedoch typischerweise geringe Rechensysteme vorhanden sind. Ferner betrifft die vorliegende Erfindung eine entsprechend eingerichtete Systemanordnung. Darüber hinaus wird ein Computerprogrammprodukt mit Steuerbefehlen vorgeschlagen, welche das Verfahren implementieren beziehungsweise die vorgeschlagene Systemanordnung betreiben.The invention relates to a method for the efficient and precise prediction of driving behavior. According to the invention, it is possible to upgrade or correct a simple prediction model in such a way that a reliable prediction is made possible despite low computing resources. This is particularly advantageous in autonomous driving, since this requires a reliable database, but the motor vehicle typically has few computing systems. The present invention also relates to a correspondingly configured system arrangement. In addition, a computer program product with control commands is proposed which implement the method or operate the proposed system arrangement.
Description
Die Erfindung betrifft ein Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens. Erfindungsgemäß ist es möglich, ein einfaches Prädiktionsmodell derart aufzuwerten bzw. zu korrigieren, dass trotz geringer Rechenressourcen eine verlässliche Prädiktion ermöglicht wird. Dies ist gerade beim autonomen Fahren vorteilhaft, da dieses eine zuverlässige Datenbasis benötigt, im Kraftfahrzeug jedoch typischerweise geringe Rechensysteme vorhanden sind. Ferner betrifft die vorliegende Erfindung eine entsprechend eingerichtete Systemanordnung. Darüber hinaus wird ein Computerprogrammprodukt mit Steuerbefehlen vorgeschlagen, welche das Verfahren implementieren beziehungsweise die vorgeschlagene Systemanordnung betreiben.The invention relates to a method for the efficient and precise prediction of driving behavior. According to the invention, it is possible to upgrade or correct a simple prediction model in such a way that a reliable prediction is made possible despite low computing resources. This is particularly advantageous in autonomous driving, since this requires a reliable database, but the motor vehicle typically has few computing systems. The present invention also relates to a correspondingly configured system arrangement. In addition, a computer program product with control commands is proposed which implement the method or operate the proposed system arrangement.
Es existiert ein Trade-Off zwischen der Modellgenauigkeit und der Komplexität/ Rechenzeit. Je nach Anwendungsfall werden entweder einfache Modelle verwendet, welche die Dynamik des Fahrzeugs nicht in allen Situationen genau abbilden, dafür aber nicht komplex sind und eine schnelle Simulation ermöglicht. Alternativ wird ein hochgenaues analytisches Fahrzeugmodell erstellt, welches aus vielen Einzelkomponenten besteht, aufwändig parametriert und validiert werden muss und sehr rechenaufwändig istThere is a trade-off between model accuracy and complexity / computing time. Depending on the application, either simple models are used, which do not exactly map the dynamics of the vehicle in all situations, but are not complex and enable quick simulation. Alternatively, a highly accurate analytical vehicle model is created, which consists of many individual components, has to be parameterized and validated in a complex manner and is very computationally intensive
Das autonome Fahren hat eigene Anforderungen und somit sind bekannte Verfahren teils nicht wiederzuverwenden. Es müssen verlässliche Daten in Echtzeit geliefert werden, um ein sicheres Steuern des Fahrzeugs zu gewährleisten. Daher besteht ein Bedarf an einem neuen Verfahren, welches im zugrunde liegenden Anwendungsszenario auch bei geringen verfügbaren Systemressourcen eine verlässliche Prädiktion eines Fahrverhaltens schafft.Autonomous driving has its own requirements and therefore some known methods cannot be reused. Reliable data must be supplied in real time to ensure safe control of the vehicle. There is therefore a need for a new method which, in the underlying application scenario, creates a reliable prediction of driving behavior even when there are few system resources available.
Es ist eine Aufgabe der vorliegenden Erfindung, ein verbessertes, insbesondere zuverlässigeres, Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens, bevorzugt eines Automobils oder Motorrads, vorzuschlagen. Das Verfahren soll ausreichend genau arbeiten, hierbei jedoch eine geringe Rechenkomplexität aufweisen. Ferner ist es eine Aufgabe der vorliegenden Erfindung eine entsprechend eingerichtete Systemanordnung bereitzustellen sowie ein Computerprogrammprodukt mit Steuerbefehlen vorzuschlagen, welche das Verfahren implementieren beziehungsweise die vorgeschlagene Systemanordnung zumindest teilweise betreiben.It is an object of the present invention to propose an improved, in particular more reliable, method for the efficient and precise prediction of driving behavior, preferably of an automobile or motorcycle. The method should work with sufficient accuracy, but should have a low computational complexity. Furthermore, it is an object of the present invention to provide a correspondingly configured system arrangement and to propose a computer program product with control commands which implement the method or at least partially operate the proposed system arrangement.
Die Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen gemäß Patentanspruch 1. Weitere vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.The object is achieved by a method with the features according to
Demgemäß wird ein Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Führen eines Kraftfahrzeugs vorgeschlagen, aufweisend ein Generieren von Referenzdaten, welche ein tatsächliches Fahrverhalten des Kraftfahrzeugs beschreiben; ein Betreiben eines Einspurmodells zur Generierung von vorläufigen Prädiktionsdaten des Fahrverhaltens des Kraftfahrzeugs; ein Erkennen von Abweichungen der vorläufigen Prädiktionsdaten von den Referenzdaten mittels künstlicher Intelligenz; und ein Anpassen
Die Idee zur Modellierung eines neuartigen Fahrzeugmodells ist aus der Anforderung entstanden, ein hochgenaues Simulationsmodell zu erstellen welches in minimaler Rechenzeit hochgenaue Simulationsergebnisse liefert. Das Modell soll dafür genutzt werden, Fahrfunktionen abzusichern und auf Grundlage von Szenarien zu parametrieren. Es existieren zwar Ansätze, analytische Modelle mit Black-Box Modellen (wie z.B. neuronalen Netzen) zu modellieren. Die Idee, ein einfaches analytisches Modell (Einspurmodell) mit einem neuronalen Netz zu kombinieren ist jedoch erfinderisch.The idea for modeling a new type of vehicle model arose from the requirement to create a highly accurate simulation model that delivers highly accurate simulation results in a minimum of computing time. The model is to be used to secure driving functions and to parameterize them on the basis of scenarios. There are approaches to model analytical models with black box models (such as neural networks). The idea of combining a simple analytical model (single-track model) with a neural network is, however, inventive.
Die Erfindung schlägt vor, ein einfaches analytisches Modell (Einspurmodell) mit einem neuronalen Netz zu kombinieren und somit die Genauigkeit eines komplexen analytischen Modells zu erhalten, die Komplexität sowie den Modellierungs- und Parametrierungsaufwand allerdings auf ein Minimum zu reduzieren. Das Einspurmodell dient hierbei als Basis. Das neuronale Netz dient wiederum dazu, die Modellungenauigkeiten des Einspurmodells zu lernen und den Fehler zur Realität auszugleichen indem die Ausgaben bzw. die Outputs des Einspurmodells und des neuronalen Netzes addiert werden. Die Vorteile sind unter anderem erstens ein geringerer Modellierungsaufwand, zweitens eine geringere Komplexität und somit Rechenzeit und drittens eine bessere Nachvollziehbarkeit ggü. eines reinen neuronalen Netzes.The invention proposes combining a simple analytical model (single-track model) with a neural network and thus the accuracy of a complex analytical model, but to reduce the complexity and the modeling and parameterization effort to a minimum. The single-track model serves as the basis for this. The neural network in turn serves to learn the model inaccuracies of the single-track model and to compensate for the error in relation to reality by adding the outputs of the single-track model and the neural network. The advantages are, among other things, firstly, less modeling effort, secondly, less complexity and thus computing time, and thirdly, better traceability. a pure neural network.
Das vorgeschlagene Verfahren ist effizient und genau, da es mehrere Verfahren vorteilhaft kombiniert. So wird das sogenannte Einspurmodell verwendet, welches eine Prädiktion eines Fahrverhaltens eines Kraftfahrzeugs ermöglicht. Das Einspurmodell ist sehr einfach gehalten und liefert jedoch für ein autonomes Fahren nicht ausreichend valide Daten. So ist stets abzuwägen zwischen einer Rechenkomplexität und einer Genauigkeit der resultierenden Daten. Das Einspurmodell ist deshalb insbesondere für das autonome Fahren geeignet, da ein Kraftfahrzeug typischerweise über stark beschränkte Systemressourcen verfügt und Daten jedoch in Echtzeit benötigt werden. Bei einem autonomen Fahren müssen entsprechende Steuerungsdaten stets zur Laufzeit in Echtzeit vorliegen, da ansonsten das sichere Steuern nicht gewährleistet werden kann.The proposed method is efficient and accurate since it advantageously combines several methods. The so-called single-track model is used, for example, which enables the driving behavior of a motor vehicle to be predicted. The single-track model is kept very simple and does not provide sufficiently valid data for autonomous driving. There is always a trade-off between the complexity of the calculation and the accuracy of the resulting data. The single-lane model is therefore particularly suitable for autonomous driving, since a motor vehicle typically has very limited system resources and data is required in real time. In the case of autonomous driving, corresponding control data must always be available in real time at runtime, since otherwise safe control cannot be guaranteed.
Somit liefert das Einspurmodell zwar pragmatisch Daten, welche jedoch typischerweise von realen Daten abweichen können. So weist das Einspurmodell Abweichungen bzw. Fehler auf, da eine höhere Genauigkeit eben auch eine höhere Komplexität verlangen würde. Erfindungsgemäß wird dieser Nachteil dadurch überwunden, dass zu diesem Modell additiv ein weiteres Modell hinzugefügt wird, welches auf einer künstlichen Intelligenz beruht.The single-track model thus delivers pragmatic data, which can typically differ from real data. The single-track model, for example, has deviations or errors, since higher accuracy would also require higher complexity. According to the invention, this disadvantage is overcome in that a further model, which is based on artificial intelligence, is added to this model.
Somit ist es erfindungsgemäß möglich das Einspurmodell zwar weiterhin zu verwenden und somit den Vorteil der geringen Rechenkomplexität zu nutzen darüber hinaus werden jedoch entsprechende Abweichungen korrigiert. Die künstliche Intelligenz kann aufgrund der großen Datenmengen, welche beispielsweise empirisch gesammelt wurden, feststellen, wo Abweichungen bestehen bzw. in welchen Situationen das Einspurmodell besonders fehleranfällig ist. Sodann können diese Abweichungen mittels der künstlichen Intelligenz korrigiert werden.Thus, according to the invention, it is possible to continue to use the single-track model and thus to use the advantage of the low computational complexity, but in addition, corresponding deviations are corrected. Based on the large amounts of data that were collected empirically, for example, the artificial intelligence can determine where there are deviations or in which situations the single-track model is particularly prone to errors. These deviations can then be corrected using artificial intelligence.
In einem vorbereitenden Verfahrensschritt erfolgt ein Generieren von Referenzdaten, welche ein tatsächliches Fahrverhalten des Kraftfahrzeugs beschreiben. Hierbei handelt es sich um Parameter, die einzelne Komponenten und wie diese sich in bestimmten Situationen verhalten, beschreiben. Ein Fahrverhalten kann sich Beispielsweise auf das Verhalten des Fahrzeugs in Kurven beziehen oder aber auch ist es möglich einen Bremsvorgang zu beschreiben. Das Generieren von Referenzdaten kann entweder dadurch erfolgen, dass bei realen Testfahrten Sensoren ausgelesen werden oder es wird ein Modell betrieben, welches eine hohe Komplexität aufweist. Generell sind auch beide Ansätze dahingehend zu verbinden, dass letztendlich ein tatsächliches Fahrverhalten ausgehend von realen Testdaten und Daten eines Modells verwendet werden.In a preparatory method step, reference data are generated which describe an actual driving behavior of the motor vehicle. These are parameters that describe individual components and how they behave in certain situations. Driving behavior can relate, for example, to the behavior of the vehicle in curves, or it is also possible to describe a braking process. The generation of reference data can either take place in that sensors are read out during real test drives or a model is operated which is highly complex. In general, both approaches are to be combined in such a way that, in the end, actual driving behavior based on real test data and data from a model is used.
Das Sammeln der Referenzdaten bzw. das Generieren kann werkseitig erfolgen derart, dass entsprechende Daten lediglich in dem Fahrzeug hinterlegt werden müssen und nicht im Feld erzeugt werden müssen. Somit wird zwar eine gesteigerte Rechenkomplexität eines entsprechenden Modells in Anspruch genommen, dies kann jedoch vorab erfolgen und muss nicht durch das Fahrzeug selbst erledigt werden. Somit wird sichergestellt, dass invalide Referenzdaten zur Verfügung stehen. Anhand dieser Referenzdaten kann die künstliche Intelligenz trainiert werden und es kann das Einspurmodell auf entsprechende Fehler bzw. Abweichungen analysiert werden.The collection of the reference data or the generation can take place at the factory in such a way that corresponding data only need to be stored in the vehicle and need not be generated in the field. Thus, an increased computational complexity of a corresponding model is used, but this can be done in advance and does not have to be done by the vehicle itself. This ensures that invalid reference data is available. The artificial intelligence can be trained on the basis of this reference data and the single-track model can be analyzed for corresponding errors or deviations.
Um dies zu ermöglichen erfolgt erfindungsgemäß ein Betreiben des Einspurmodells derart, dass vorläufige Prädiktionsdaten entstehen, welche das Fahrverhalten des Kraftfahrzeugs beschreiben. Hierbei handelt es sich um herkömmliche Daten, welche aus diesem Modell ausgelesen bzw. mit diesem Modell generiert werden. Es beschreibt das Fahrverhalten, wozu generell eine geringe Rechenkomplexität notwendig ist, hierzu sind jedoch Abweichungen zu erwarten. Diese Abweichungen können dadurch erkannt werden, dass die erzeugten Referenzdaten mit den generierten vorläufigen Prädiktionsdaten verglichen werden und folglich kann erlernt werden, welche Fehler das Einspurmodell generiert bzw. können anschließend diese Fehler ausgeglichen werden. Dies ist insbesondere deshalb vorteilhaft, da die geringe Komplexität des Einspurmodells zur Laufzeit verwendet werden kann und die künstliche Intelligenz entsprechende Abweichungen effizient ausgleichen kann. Somit erfolgt ein Erstellen von Prädiktionsdaten in effizienter und dennoch genauer Weise.In order to make this possible, according to the invention, the single-track model is operated in such a way that preliminary prediction data are produced which describe the driving behavior of the motor vehicle. This involves conventional data that is read out from this model or generated with this model. It describes the driving behavior, which generally requires a low level of computational complexity, but deviations are to be expected. These deviations can be recognized in that the reference data generated are compared with the preliminary prediction data generated and consequently it can be learned which errors the single-track model generates or these errors can then be compensated for. This is particularly advantageous because the low complexity of the single-track model can be used at runtime and the artificial intelligence can efficiently compensate for corresponding deviations. Thus, the creation of prediction data takes place in an efficient and yet precise manner.
Erfindungsgemäß ist es vorteilhaft, dass große Datenmengen an Referenzdaten gesammelt werden können und dass das Einspurmodell ebenfalls vor dem laufenden Betrieb simuliert werden kann. Somit ist es möglich werkseitig entsprechende Daten zu erzeugen und sodann eine trainierte künstliche Intelligenz während der Laufzeit einzusetzen. Somit erfolgen die Verfahrensschritte des Generierens von Referenzdaten, des Betreibens des Einspurmodells und das Erkennen von Abweichungen werkseitig derart, dass eine Parametrisierung zur Laufzeit dahingehend möglich ist, dass entsprechende Fehler ausgeglichen werden.According to the invention, it is advantageous that large amounts of reference data can be collected and that the single-track model can also be simulated before ongoing operation. It is thus possible to generate appropriate data at the factory and then use a trained artificial intelligence during the runtime. The process steps of generating reference data, operating the single-track model and recognizing deviations are thus carried out at the factory in such a way that parameterization at runtime is possible in such a way that corresponding errors are compensated for.
Somit erfolgt das Anpassen der vorläufigen Prädiktionsdaten zur Laufzeit, d.h. also im Feld, wenn das Fahrzeug ausgeliefert ist und betrieben wird. Somit ist es erfindungsgemäß möglich herkömmliche Simulationsprozesse aufzuspalten und derart vorteilhaft zu verteilen, dass aufwändige Rechenprozesse werkseitig erfolgen können und entsprechende Parameter lediglich im Fahrzeug hinterlegt werden müssen. Die Parameter, welche zur Anpassung der vorläufigen Prädiktionsdaten dienen sind im Fahrzeug hinterlegt und können zur Laufzeit angewendet werden.Thus the adaptation of the preliminary prediction data takes place at runtime, i. E. in other words, in the field when the vehicle has been delivered and is in operation. Thus, according to the invention, it is possible to split up conventional simulation processes and distribute them advantageously in such a way that complex computing processes can be carried out in the factory and corresponding parameters only have to be stored in the vehicle. The parameters that are used to adapt the preliminary prediction data are stored in the vehicle and can be used at runtime.
Eine Rechenkomplexität bezieht sich typischerweise darauf, dass diese anhand von notwendigen Rechenschritten beschrieben wird oder aber es werden benötigte Systemressourcen beschrieben. So kann eine Rechenkomplexität eine bestimmte Prozessorleistung beanspruchen oder aber besonders speicherintensiv sein. Ein allgemeines Maß für die Rechenkomplexität ist die Anzahl der benötigten Rechenschritte.Computing complexity typically refers to the fact that it is described on the basis of necessary computing steps, or else required system resources are described. Computing complexity can demand a certain processor power or it can be particularly memory-intensive. A general measure of the computing complexity is the number of computing steps required.
Die künstliche Intelligenz kann beispielsweise dadurch implementiert werden, dass ein neuronales Netz vorgesehen wird, welches die Referenzdaten und die generierten Daten analysiert und sodann Abweichungen bestimmt. Somit können Situationen beschrieben werden, in denen das Einspurmodell verlässlich arbeitet und weitere Situationen, welche eine Anpassung benötigen. Sind diese Situationen bekannt, so muss lediglich zur Laufzeit ein entsprechendes Wissen angewendet werden und es sind lediglich diejenigen Situationen anzugleichen, welche fehlerhaft sind bzw. nicht die geforderte Genauigkeit aufweisen. So kann es vorkommen, dass das Einspurmodell in gewissen Situationen ungenau arbeitet, was auch ganz spezifische Fahrzeugparameter involviert. So kann je nach Fahrzeugtyp die Eignung dieses Modells variieren und entsprechende Abweichungen können erlernt werden.The artificial intelligence can be implemented, for example, by providing a neural network which analyzes the reference data and the generated data and then determines deviations. In this way, situations can be described in which the single-track model works reliably and other situations which require adaptation. If these situations are known, then appropriate knowledge only needs to be applied at runtime and only those situations need to be adjusted which are faulty or do not have the required accuracy. It can happen that the single-track model works imprecisely in certain situations, which also involves very specific vehicle parameters. Depending on the type of vehicle, the suitability of this model can vary and corresponding deviations can be learned.
Das Anpassen der vorläufigen Prädiktionsdaten erfolgt dann so, dass der Fehler derart auf die Daten angewendet wird, dass wieder tatsächliche, korrekte Daten vorliegen. Dies kann dadurch geschehen, dass beispielsweise eine erkannte Abweichung invers aufaddiert wird und somit der Fehler ausgeglichen wird. Weicht beispielsweise ein Parameter um einen Wert fünf ab und ist fälschlicherweise um fünf höher als der erwartete Wert, so können diese fünf Einheiten wieder abgezogen werden und es resultiert der korrekte Wert. Typischerweise werden entsprechende Daten als Funktion dargestellt bzw. bildlich gesprochen durch eine Kurve und folglich kann mittels eines Überlagerns einer Korrekturkurve bzw. eines Anwenden einer Korrekturfunktion die Abweichung behoben werden.The preliminary prediction data are then adapted in such a way that the error is applied to the data in such a way that actual, correct data are again available. This can be done in that, for example, a detected discrepancy is added up inversely and the error is thus compensated. For example, if a parameter deviates by a value of five and is incorrectly five units higher than the expected value, these five units can be subtracted again and the correct value results. Corresponding data are typically represented as a function or, figuratively speaking, by a curve and consequently the deviation can be corrected by superimposing a correction curve or by applying a correction function.
Gemäß einem Aspekt der vorliegenden Erfindung werden die Referenzdaten mittels eines Fahrzeugmodells und/ oder eines Auslesens von Sensoren erzeugt. Dies hat den Vorteil, dass reale Sensordaten verwendet werden können, welche während Testfahrten des Kraftfahrzeugs ermittelt werden. Darüber hinaus ist es möglich ein weiteres Fahrzeugmodell zu verwenden, welches eine ausreichende Genauigkeit aufweist. So kann dieses Fahrzeugmodell werkseitig betrieben werden und entsprechende Daten können sodann zur Parametrisierung des Einspurmodells zur Laufzeit verwendet werden. Darüber hinaus ist es auch möglich, beide Ansätze derart zu kombinieren, dass sowohl Sensordaten verwendet werden als auch Daten eines Fahrzeugmodells. So können verlässliche Sensordaten verwendet werden, wenn eine Abweichung zu erwarten ist und die Datenbasis besonders valide ist.According to one aspect of the present invention, the reference data are generated by means of a vehicle model and / or reading out sensors. This has the advantage that real sensor data can be used which are determined during test drives of the motor vehicle. In addition, it is possible to use another vehicle model that has sufficient accuracy. This vehicle model can be operated at the factory and corresponding data can then be used to parameterize the single-track model at runtime. In addition, it is also possible to combine both approaches in such a way that both sensor data and data from a vehicle model are used. In this way, reliable sensor data can be used if a deviation is to be expected and the database is particularly valid.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung werden die Referenzdaten mittels eines Fahrzeugmodells erzeugt, welches eine höhere Komplexität aufweist als das Einspurmodell. Dies hat den Vorteil, dass ein genaueres Modell Verwendung finden kann und somit können die Fehler des Einspurmodells dahingehend ausgebessert werden, dass die Komplexität des weiteren Modells werkseitig ausgenutzt wird. So stehen Modelle unterschiedlicher Komplexität zur Verfügung und es ist möglich entsprechende Parameter werkseitig besonders genau zu berechnen und diese dann zur Laufzeit effizient wieder zu verwenden.According to a further aspect of the present invention, the reference data are generated by means of a vehicle model which is more complex than the single-track model. This has the advantage that a more precise model can be used and thus the errors in the single-track model can be corrected in such a way that the complexity of the further model is used at the factory. Models of different complexity are available and it is possible to calculate the corresponding parameters in the factory with particular precision and then to use them again efficiently at runtime.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung erfolgt das Anpassen der vorläufigen Prädiktionsdaten mittels einer Addierung der Abweichungen. Dies hat den Vorteil, dass in einfacher Art und Weise die Daten angepasst werden können und folglich müssen die Fehler lediglich mittels einer Summierung angeglichen werden. Besonders bevorzugt wird das inverse des Fehlers aufsummiert und folglich resultiert ein valider Wert.According to a further aspect of the present invention, the provisional prediction data are adapted by adding the deviations. This has the advantage that the data can be adjusted in a simple manner and consequently the errors only have to be adjusted by means of a summation. It is particularly preferable for the inverse of the error to be added up and consequently a valid value results.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung werden die auszugebenden Prädiktionsdaten Fahrparameter beschreiben, welche zur weiteren Anwendung abgespeichert. Dies hat den Vorteil, dass die Parameter empirisch ermittelt werden können und eine hohe Rechenkomplexität lediglich vorab notwendig wird. So können die Fahrparameter mit Rechenkapazitäten berechnet werden, die im Feld nicht zur Verfügung stehen und sodann müssen diese resultierenden Parameter lediglich in einem Fahrzeugspeicher hinterlegt werden.According to a further aspect of the present invention, the prediction data to be output will describe driving parameters which are stored for further use. This has the advantage that the parameters can be determined empirically and a high level of computational complexity is only necessary in advance. In this way, the driving parameters can be calculated with computing capacities that are not available in the field and then these resulting parameters only have to be stored in a vehicle memory.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird das Kraftfahrzeug unter Verwendung der auszugebenden Prädiktionsdaten automatisiert gesteuert. Dies hat den Vorteil, dass die Daten nicht lediglich ausgegeben werden sondern diese dienen vielmehr direkt der Steuerung des Fahrzeugs. Erfindungsgemäß ist es besonders vorteilhaft, dass das Modell besonders effizient arbeitet, da lediglich die Komplexität des Einspurmodells Verwendung findet und Abweichungen ausgeglichen werden. Somit reichen die Rechenkapazitäten eines Fahrzeugs aus und die Genauigkeit der Daten ist ausreichend um ein sicheres Steuern des Fahrzeugs zu gewährleisten.According to a further aspect of the present invention, the motor vehicle is under Use of the prediction data to be output is controlled automatically. This has the advantage that the data are not only output, but rather are used directly to control the vehicle. According to the invention, it is particularly advantageous that the model works particularly efficiently, since only the complexity of the single-track model is used and deviations are compensated for. The computing capacity of a vehicle is thus sufficient and the accuracy of the data is sufficient to ensure safe control of the vehicle.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung werden die auszugebenden Prädiktionsdaten im Rahmen einer Sicherheitsfunktion und/ oder einer Komfortfunktion angewendet. Dies hat den Vorteil, dass nicht nur ein sicheres Betreiben des Fahrzeugs möglich ist, sondern vielmehr kann auch ein Komfort dahingehend gewährleistet werden, dass der Fahrer unterschiedliche Fahrmodi wählen kann und somit beispielsweise besonders sportlich fahren kann oder eben auch besonders entspannt. So können Fahrparameter eingestellt werden, die dem Fahrerwunsch entsprechen.According to a further aspect of the present invention, the prediction data to be output are used in the context of a safety function and / or a comfort function. This has the advantage that not only safe operation of the vehicle is possible, but rather comfort can also be guaranteed in that the driver can choose different driving modes and thus, for example, can drive in a particularly sporty or particularly relaxed manner. In this way, driving parameters can be set that correspond to the driver's wishes.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird die künstliche Intelligenz unter Verwendung eines neuronalen Netzes und/ oder eines Long short-term Speichers implementiert. Dies hat den Vorteil, dass unterschiedliche Techniken kombiniert werden können und insbesondere ist es möglich große Daten dahingehend zu verarbeiten, dass selbstständig Muster erkannt werden und somit resultieren Algorithmen, welche situationsspezifisch reagieren können. Somit ist es auch möglich Muster zu erkennen, die dem menschlichen Betrachter verborgen bleiben und Einflussgrößen werden analysiert, die sich lediglich aus großen Datenmengen ergeben.According to a further aspect of the present invention, the artificial intelligence is implemented using a neural network and / or a long short-term memory. This has the advantage that different techniques can be combined and, in particular, it is possible to process large data in such a way that patterns are recognized independently, resulting in algorithms that can react in a situation-specific manner. It is thus also possible to recognize patterns that remain hidden from the human observer and influencing variables are analyzed that only result from large amounts of data.
Die Aufgabe wird auch gelöst durch eine Systemanordnung zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Führen eines Kraftfahrzeugs, aufweisend eine Testvorrichtung eingerichtet zum Generieren von Referenzdaten, welche ein tatsächliches Fahrverhalten des Kraftfahrzeugs beschreiben; eine Simulationsvorrichtung eingerichtet zum Betreiben eines Einspurmodells zur Generierung von vorläufigen Prädiktionsdaten des Fahrverhaltens des Kraftfahrzeugs; eine Rechenvorrichtung eingerichtet zum Erkennen von Abweichungen der vorläufigen Prädiktionsdaten von den Referenzdaten mittels künstlicher Intelligenz; und eine Steuervorrichtung eingerichtet zum Anpassen der vorläufigen Prädiktionsdaten in Abhängigkeit der erkannten Abweichungen zur Erzeugung von auszugebenden Prädiktionsdaten.The object is also achieved by a system arrangement for efficient and precise prediction of driving behavior for use in autonomous driving of a motor vehicle, having a test device set up to generate reference data which describe actual driving behavior of the motor vehicle; a simulation device set up to operate a single-track model for generating preliminary prediction data of the driving behavior of the motor vehicle; a computing device set up to recognize deviations of the preliminary prediction data from the reference data by means of artificial intelligence; and a control device set up to adapt the preliminary prediction data as a function of the detected deviations in order to generate prediction data to be output.
Die Aufgabe wird auch gelöst durch ein Computerprogrammprodukt mit Steuerbefehlen, welche das Verfahren ausführen und die vorgeschlagene Anordnung betreiben, wenn sie auf einem Computer zur Ausführung gebracht werden.The object is also achieved by a computer program product with control commands which execute the method and operate the proposed arrangement when they are executed on a computer.
Erfindungsgemäß ist es besonders vorteilhaft, dass das Verfahren zum Betreiben der vorgeschlagenen Vorrichtungen und Einheiten bzw. der Systemanordnung verwendet werden kann. Ferner eignen sich die vorgeschlagenen Vorrichtungen und Einrichtungen zur Ausführung des erfindungsgemäßen Verfahrens. Somit implementiert jeweils die Vorrichtung strukturelle Merkmale, welche geeignet sind, das entsprechende Verfahren auszuführen. Die strukturellen Merkmale können jedoch auch als Verfahrensschritte ausgestaltet werden. Auch hält das vorgeschlagene Verfahren Schritte zur Umsetzung der Funktion der strukturellen Merkmale bereit.According to the invention, it is particularly advantageous that the method can be used to operate the proposed devices and units or the system arrangement. The proposed devices and devices are also suitable for carrying out the method according to the invention. The device thus in each case implements structural features which are suitable for carrying out the corresponding method. However, the structural features can also be designed as method steps. The proposed method also provides steps for implementing the function of the structural features.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Aspekte der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein. Ebenso können die vorstehend genannten und die hier weiter ausgeführten Merkmale je für sich oder zu mehreren in beliebigen Kombinationen Verwendung finden. Funktionsähnliche oder identische Bauteile oder Komponenten sind teilweise mit gleichen Bezugszeichen versehen. Die in der Beschreibung der Ausführungsbeispiele verwendeten Begriffe „links“, „rechts“, „oben“ und „unten“ beziehen sich auf die Zeichnungen in einer Ausrichtung mit normal lesbarer Figurenbezeichnung bzw. normal lesbaren Bezugszeichen. Die gezeigten und beschriebenen Ausführungsformen sind nicht als abschließend zu verstehen, sondern haben beispielhaften Charakter zur Erläuterung der Erfindung. Die detaillierte Beschreibung dient der Information des Fachmanns, daher werden bei der Beschreibung bekannte Schaltungen, Strukturen und Verfahren nicht im Detail gezeigt oder erläutert, um das Verständnis der vorliegenden Beschreibung nicht zu erschweren. In den Figuren zeigen:
-
1 : ein schematisches Blockschaltbild eines Aspekts der vorgeschlagenen Systemanordnung; und -
2 : ein schematisches Ablaufdiagramm eines Verfahrens zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Führen eines Kraftfahrzeugs gemäß einem Aspekt der vorliegenden Erfindung.
-
1 Figure 3 is a schematic block diagram of one aspect of the proposed system arrangement; and -
2 : a schematic flow diagram of a method for efficient and precise prediction of driving behavior for use in autonomous driving of a motor vehicle according to one aspect of the present invention.
- •
Tatsächliche Fahrparameter 1 ; - •
Modellparameter 2 ; - •
Einspurmodell 3 ; - •
Künstliche Intelligenz 4 , diese kann einen sogenannten Long short-term memory LSTM (langes Kurzzeitgedächtnis) umfassen.
- •
Actual driving parameters 1 ; - •
Model parameters 2 ; - •
Single track model 3 ; - • Artificial intelligence
4th , this can include a so-called long short-term memory LSTM (long short-term memory).
Vorliegend wird ein hybrides Modell vorgeschlagen, da die unteren beiden Einheiten
Darüber hinaus kann ein komplexes Modell betrieben werden 2, welches wiederum dem Trainieren der Komponente
Das Einspurmodell kann noch bezüglich der Parameter dahingehend angepasst werden, dass ein so genannter Pre-processor, linke Seite, und ein Post-processor, rechte Seite, angeordnet werden. Dies ist mittels der Rechtecke links und rechts von Komponente
Der Fachmann erkennt hierbei, dass die Schritte weitere Unterschritte aufweisen können und insbesondere, dass die Verfahrensschritte jeweils iterativ und/ oder in anderer Reihenfolge ausgeführt werden können.The person skilled in the art recognizes here that the steps can have further substeps and in particular that the method steps can each be carried out iteratively and / or in a different order.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED 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 was 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 PatentliteraturPatent literature cited
- WO 2007060134 A1 [0002]WO 2007060134 A1 [0002]
- DE 102016218549 B3 [0003]DE 102016218549 B3 [0003]
- EP 3463940 A1 [0004]EP 3463940 A1 [0004]
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019115967.9A DE102019115967A1 (en) | 2019-06-12 | 2019-06-12 | Hybrid vehicle model based on a single-track model and a neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019115967.9A DE102019115967A1 (en) | 2019-06-12 | 2019-06-12 | Hybrid vehicle model based on a single-track model and a neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019115967A1 true DE102019115967A1 (en) | 2020-12-17 |
Family
ID=73546799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019115967.9A Pending DE102019115967A1 (en) | 2019-06-12 | 2019-06-12 | Hybrid vehicle model based on a single-track model and a neural network |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019115967A1 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69403706T2 (en) * | 1993-03-17 | 1998-01-15 | Mitsubishi Motors Corp | Method and device for detecting the yaw angle of a vehicle |
WO2007060134A1 (en) * | 2005-11-22 | 2007-05-31 | Continental Teves Ag & Co. Ohg | Method and apparatus for determination of a model parameter of a reference vehicle model |
DE102006009682A1 (en) * | 2006-03-02 | 2007-09-06 | Bayerische Motoren Werke Ag | Dual-tracked vehicle`s driving condition determining method, involves using tire or wheel forces in vehicle-transverse direction, direction of vehicle-vertical axis and direction of longitudinal direction as value measured at vehicle |
WO2017203120A1 (en) * | 2016-05-27 | 2017-11-30 | Psa Automobiles S.A. | Internal lining for a rear door |
DE102016218549B3 (en) * | 2016-09-27 | 2017-12-28 | Audi Ag | Method for determining a collision-related forecast result |
-
2019
- 2019-06-12 DE DE102019115967.9A patent/DE102019115967A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69403706T2 (en) * | 1993-03-17 | 1998-01-15 | Mitsubishi Motors Corp | Method and device for detecting the yaw angle of a vehicle |
WO2007060134A1 (en) * | 2005-11-22 | 2007-05-31 | Continental Teves Ag & Co. Ohg | Method and apparatus for determination of a model parameter of a reference vehicle model |
DE102006009682A1 (en) * | 2006-03-02 | 2007-09-06 | Bayerische Motoren Werke Ag | Dual-tracked vehicle`s driving condition determining method, involves using tire or wheel forces in vehicle-transverse direction, direction of vehicle-vertical axis and direction of longitudinal direction as value measured at vehicle |
WO2017203120A1 (en) * | 2016-05-27 | 2017-11-30 | Psa Automobiles S.A. | Internal lining for a rear door |
EP3463950A1 (en) * | 2016-05-27 | 2019-04-10 | PSA Automobiles SA | Internal lining for a rear door |
DE102016218549B3 (en) * | 2016-09-27 | 2017-12-28 | Audi Ag | Method for determining a collision-related forecast result |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2007060134A1 (en) | Method and apparatus for determination of a model parameter of a reference vehicle model | |
WO2021058223A1 (en) | Method for applying automated driving functions efficiently and in a simulated manner | |
DE19939872A1 (en) | Method and device for sensor monitoring, in particular for an ESP system for vehicles | |
EP3713813A1 (en) | Method for configuring and controlling a steering system, steering system, and vehicle | |
DE102019134258A1 (en) | Method for controlling a driving function of a vehicle | |
WO2020126597A1 (en) | Method, computer program, machine-readable storage medium, and device for data prediction | |
DE102021110309A1 (en) | Method for modeling human driving behavior for training motion controllers based on a neural network | |
DE102020211557A1 (en) | Method and control device for controlling a functional unit for guiding a vehicle and vehicle system for a vehicle | |
DE102019214931A1 (en) | Control of a vehicle | |
DE102008012816A1 (en) | Method for detecting driving situations of motor vehicle, involves generating situation characteristics as function of information data of vehicle environment and information data on motion state of vehicle | |
DE102018125712A1 (en) | Driving support method for a vehicle | |
DE102019115967A1 (en) | Hybrid vehicle model based on a single-track model and a neural network | |
DE102009055939A1 (en) | Method for controlling electromechanical steering in motor vehicle, involves changing servo moment and detected steering moment based on setting parameter by setting unit, and monitoring and adjusting setting parameter by monitoring unit | |
DE102021206880A1 (en) | Method and device for the optimal parameterization of a driving dynamics control system for vehicles | |
EP3979009A1 (en) | Creation of a simplified model for xil systems | |
DE102013200932B4 (en) | Method and device for monitoring a function of an engine control unit for use in an engine system with an internal combustion engine | |
DE102019108620B4 (en) | Method and control unit for controlling a steering brake function for a vehicle and braking system for a vehicle | |
DE10358494A1 (en) | Vehicle driver control assistance program, to correct dangerous maneuvers, prepares redundance strategy data from given strategy data for spectral analysis | |
DE102018210368A1 (en) | Driver assistance system, vehicle, method for operating the driver assistance system, computer program and computer-readable storage medium | |
EP2210787B1 (en) | Electro-pneumatic brake system with control without axle load signal | |
DE102018217139B4 (en) | Method and device for configuring a characteristic function of a control device of a motor vehicle | |
DE102022206603A1 (en) | Hand detection method, computer program, and device | |
DE102020213198A1 (en) | System and method for performing an automated driving maneuver with a selected driving style, vehicle, computer program product and computer-readable storage medium | |
DE102019128115A1 (en) | Vehicle model for longitudinal dynamics | |
DE102004051759A1 (en) | Integration of a vehicle model with real-time update |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |