-
Die Erfindung betrifft ein Verfahren und eine entsprechende Steuereinheit zum Betrieb der ein oder mehreren Aktoren des Fahrwerks eines Fahrzeugs, insbesondere eines Kraftfahrzeugs.
-
Ein Fahrzeug weist typischerweise ein oder mehrere aktive Aktoren auf, mit denen das Ausmaß von Bewegungen und/oder Schwingungen (z.B. ein rotatorische Wanken und/oder ein Nicken) beeinflusst werden kann, die von der Fahrbahn, auf der das Fahrzeug fährt, auf eine Fahrgastposition des Fahrzeugs übertragen werden. Des Weiteren kann mit den ein oder mehreren Aktoren das Fahrverhalten des Fahrzeugs beeinflusst werden. Aktoren, durch die die Übertragungsstrecke für Schwingungen zwischen Fahrbahn und einem Referenzpunkt des Fahrzeugs (z.B. einer Fahrgastposition) beeinflusst werden können, werden in diesem Dokument auch als Fahrwerks-Aktoren bezeichnet.
-
Durch den Betrieb der ein oder mehreren Fahrwerks-Aktoren eines Fahrzeugs kann beeinflusst werden, wie eine Fahrt mit dem Fahrzeug von einem Nutzer des Fahrzeugs an einem bestimmten Referenzpunkt des Fahrzeugs (z.B. an einem Fahrersitz) wahrgenommen wird.
-
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, das bei einer Fahrt eines Fahrzeugs von einem Nutzer an einem bestimmten Referenzpunkt wahrgenommene (Schwingungs- und/oder Fahr-) Verhalten des Fahrzeugs in präziser, zuverlässiger und effizienter Weise einzustellen.
-
Die Aufgabe wird durch jeden der unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
-
Gemäß einem Aspekt wird eine Steuereinheit zum Betrieb von ein oder mehreren Fahrwerks-Aktoren eines Fahrzeugs (insbesondere eines Kraftfahrzeugs) beschrieben. Ein beispielhafter Fahrwerks-Aktor ist ein Aktor, der ausgebildet ist, eine Kraft in vertikaler Richtung auf zumindest ein Rad des Fahrzeugs aktiv zu bewirken, und/oder ein Aktor, der eingerichtet ist, die Federkonstante und/oder die Dämpfungskonstante einer Federungs- und/oder Dämpfungsvorrichtung eines Rades des Fahrzeugs (ggf. passiv) zu verändern oder zu beeinflussen (wie z.B. eine Federung, eine Dämpfung, ein Stabilisator, o.Ä.).
-
Die Steuereinheit kann eingerichtet sein, (Profil-) Sensordaten in Bezug das Profil der Fahrbahn zu ermitteln, auf der das Fahrzeug fährt. Dabei können die Profil-Sensordaten insbesondere das Profil in einem in Fahrtrichtung vorausliegenden Bereich der Fahrbahn anzeigen. Mit anderen Worten, die Profil-Sensordaten können Information in Bezug auf die Beschaffenheit (z.B. 3D Straßendaten) eines Bereichs der Fahrbahn aufweisen (z.B. in Bezug auf die Straßenoberfläche, die Rauigkeit, das Höhenprofile, die Lage von Schlaglöcher, u.Ä.), über den zumindest ein Rad des Fahrzeugs in (naher) Zukunft, z.B. in 5m bis 20m oder in 100ms bis 0,5s, fahren wird.
-
Die Profil-Sensordaten können z.B. Umfelddaten eines Fern- oder Nah-Umfeldsensors (z.B. eines Radarsensors, eines Lidarsensors und/oder einer Kamera) des Fahrzeugs umfassen. Alternativ oder ergänzend können die Profil-Sensordaten Sensordaten eines Vorderrad-Sensors des Fahrzeugs umfassen (der z.B. eingerichtet ist, den Höhenstand, die (vertikale) Geschwindigkeit und/oder die (vertikale) Beschleunigung eines Vorderrades des Fahrzeugs zu erfassen).
-
Die Steuereinheit ist ferner eingerichtet, auf Basis der Profil-Sensordaten Eingangswerte für ein neuronales Netz zu ermitteln. Die Eingangswerte können z.B. (berechnete) Merkmalswerte von ein oder mehreren Merkmalen (auf Englisch „Features“) sein, die auf Basis der Profil-Sensordaten ermittelt werden. Alternativ oder ergänzend können ggf. die Profil-Sensordaten (z.B. 2D oder 3D Punktwolken des Umfelds des Fahrzeugs) als Eingangswerte an das neuronale Netz übergeben werden.
-
Des Weiteren ist die Steuereinheit eingerichtet, unter Verwendung des neuronalen Netzes ein oder mehrere Steuersignale für die ein oder mehreren Fahrwerks-Aktoren des Fahrzeugs zu ermitteln. Dabei können die ein oder mehreren Steuersignal derart ermittelt werden, dass das Bewegungs- bzw. Schwingungsverhalten des Fahrzeugs an einem bestimmten Referenzpunkt (z.B. an einer Insassenposition) einem Sollverhalten entspricht. Es kann somit unter Verwendung des neuronalen Netzes eine Regelung des Fahrwerks des Fahrzeugs erfolgen.
-
Durch die Verwendung eines neuronalen Netzes für die Steuerung oder die Regelung des Fahrwerks eines Fahrzeugs kann in präziser, robuster und effizienter Weise ein bestimmtes Bewegungs- und/oder Fahrverhalten eines Fahrzeugs bewirkt werden.
-
Die Steuereinheit kann eingerichtet sein, an einer Sequenz von aufeinanderfolgenden Zeitpunkten, jeweils Profil-Sensordaten in Bezug das Profil der Fahrbahn und/oder in Bezug auf die Anregung des Fahrzeugs durch die Fahrbahn zu ermitteln, auf der das Fahrzeug an einem bestimmten Zeitpunkt aus der Sequenz von Zeitpunkten fährt. Des Weiteren können auf Basis der Profil-Sensordaten an dem bestimmten Zeitpunkt Eingangswerte für das neuronale Netz ermittelt werden. Außerdem können unter Verwendung des neuronalen Netzes die ein oder mehreren Steuersignale für die Ansteuerung der ein oder mehreren Fahrwerks-Aktoren des Fahrzeugs an dem bestimmten Zeitpunkt ermittelt werden. Die ein oder mehrere Steuersignale können somit (fortlaufend) an der Sequenz von Zeitpunkten ermittelt werden. So kann dauerhaft ein bestimmtes Fahr- und/oder Bewegungsverhalten des Fahrzeugs eingestellt werden.
-
Das neuronale Netz kann ausgebildet sein, auf Basis der Eingangswerte ein oder mehrere Ausgangswerte zu ermitteln. Die ein oder mehreren Ausgangswerte können eine Vorhersage bzw. eine Prädiktion dafür anzeigen, wie sich das durch die Profil-Sensordaten angezeigte Profil der Fahrbahn als Anregung auf zumindest ein Rad des Fahrzeugs auswirken wird. Alternativ oder ergänzend können die ein oder mehreren Ausgangswerte direkt die ein oder mehreren Steuersignale für einen Fahrwerks-Aktor anzeigen. Die Steuereinheit kann eingerichtet sein, die ein oder mehreren Steuersignale für die ein oder mehreren Fahrwerks-Aktoren auf Basis der ein oder mehreren Ausgangswerte zu ermitteln. So kann in besonders zuverlässiger Weise das Fahrverhalten eines Fahrzeugs eingestellt werden.
-
Das neuronale Netz kann derart ausgebildet (insbesondere angelernt) sein, dass die ein oder mehreren Ausgangswerte des neuronalen Netzes eine Vorhersage in Bezug auf die Anregung zumindest eines Hinterrades und/oder zumindest eines Vorderrades des Fahrzeugs durch die Fahrbahn anzeigen. Diese Information kann von einem (separaten) Regler des Fahrzeugs dazu genutzt werden, die ein oder mehreren Steuersignale für die ein oder mehreren Fahrwerks-Aktoren des Hinterrades und/oder des Vorderrades des Fahrzeugs zu bestimmen. Alternativ oder ergänzend können die ein oder mehreren Ausgangswerte direkt ein oder mehrere Steuersignale für einen Fahrwerk-Aktor eines Hinterrades und/oder für einen Fahrwerk-Aktor eines Vorderrades anzeigen.
-
Die Profil-Sensordaten, die zum Betrieb des Fahrwerk-Aktors eines Hinterrades oder eines Vorderrades verwendet werden, können Umfelddaten in Bezug auf das Profil der Fahrbahn in einem in Fahrtrichtung vor dem Fahrzeug liegenden Bereich anzeigen. Dabei können die Umfelddaten mittels zumindest eines Umfeldsensors des Fahrzeugs erfasst worden sein. Durch die Berücksichtigung von Umfelddaten kann eine besonders robuste und präzise Einstellung des Fahrwerks bewirkt werden.
-
Das neuronale Netz kann ausgebildet sein, ein oder mehrere Ausgangswerte bereitzustellen, die eine Vorhersage in Bezug auf eine Anregung zumindest eines Hinterrades des Fahrzeugs durch die Fahrbahn anzeigen. Alternativ oder ergänzend können die ein oder mehreren Ausgangswerte direkt ein oder mehrere Steuersignale für einen Fahrwerk-Aktor eines Hinterrades anzeigen.
-
Die Profil-Sensordaten, die zum Betrieb des Fahrwerk-Aktors eines Hinterrades verwendet werden, können (ggf. zusätzlich) Sensordaten in Bezug auf eine Anregung und/oder eine Bewegung zumindest eines Vorderrades des Fahrzeugs umfassen. Durch die Berücksichtigung der tatsächlichen Anregung eines Vorderrades des Fahrzeugs kann eine besonders robuste und präzise Einstellung des Fahrwerks, insbesondere eines Fahrwerks-Aktors eines Hinterrades des Fahrzeugs, bewirkt werden.
-
Wie bereits oben dargelegt, kann das neuronale Netz ausgebildet sein, auf Basis der Eingangswerte ein oder mehrere Ausgangswerte zu ermitteln. Dabei können die ein oder mehreren Ausgangswerte direkt die ein oder mehreren Steuersignale für die ein oder mehreren Fahrwerks-Aktoren des Fahrzeugs anzeigen. Das neuronale Netz kann somit ausgebildet sein, die Funktion eines Fahrwerkreglers bereitzustellen (ggf. zusätzlich zu der Vorhersagefunktion für Anregungen der ein oder mehreren Räder des Fahrzeugs durch die Fahrbahn).
-
Insbesondere in diesem Fall kann die Steuereinheit eingerichtet sein, Referenz-Sensordaten in Bezug auf die Bewegung zumindest eines Referenzpunktes des Fahrzeugs zu ermitteln. Des Weiteren kann die Steuereinheit eingerichtet sein, ein oder mehrere bestimmte Eingangswerte des neuronalen Netzes auf Basis der Referenz-Sensordaten zu ermitteln, wobei die ein oder mehreren bestimmten Eingangswerte und/oder das neuronale Netz (auch) von Solldaten in Bezug auf eine Soll-Bewegung des Referenzpunktes abhängen. So kann von dem neuronalen Netz ein Regelfehler zwischen der durch die Referenz-Sensordaten angezeigten Ist-Bewegung des Referenzpunktes und der durch die Solldaten angezeigten Soll-Bewegung des Referenzpunktes berücksichtigt werden. Als Folge daraus kann in besonders präziser Weise ein Sollverhalten des Fahrzeugs eingestellt werden.
-
Die Steuereinheit kann eingerichtet sein, Fahrzeugdaten in Bezug auf den Zustand (z.B. die Fahrgeschwindigkeit, die Beschleunigung, und/oder den Lenkwinkel) und/oder in Bezug auf eine Eigenschaft (z.B. das Gewicht) des Fahrzeugs zu ermitteln. Ein oder mehrere Eingangswerte des neuronalen Netzes und/oder das neuronale Netz können dann von den Fahrzeugdaten abhängen. So kann die Genauigkeit der Einstellung des Fahrverhaltens eines Fahrzeugs weiter erhöht werden.
-
Wie bereits oben dargelegt, können die ein oder mehreren Ausgangswerte eine Vorhersage in Bezug auf die Anregung zumindest eines Rades des Fahrzeugs durch die Fahrbahn anzeigen (z.B. eine Vorhersage mit einem Vorhersagehorizont zwischen Im und 20m, oder zwischen 100ms und 0,5s). Die Steuereinheit kann eingerichtet sein, die ein oder mehreren Steuersignale mittels eines (von dem neuronalen Netz separaten) Reglers (z.B. eines PID Reglers) zu ermitteln. Dabei kann der Regler von der von dem neuronalen Netz ermittelten Vorhersage abhängen. Insbesondere kann die Vorhersage als externe Störgröße im Rahmen des Reglers berücksichtigt werden. So kann eine besonders robuste und präzise Einstellung des Fahrverhaltens eines Fahrzeugs bewirkt werden.
-
Wie bereits oben dargelegt, kann die Steuereinheit eingerichtet sein, Referenz-Sensordaten in Bezug auf die Bewegung des zumindest einen Referenzpunktes des Fahrzeugs zu ermitteln. Der Regler kann eingerichtet sein, auf Basis der Referenz-Sensordaten einen Regelfehler zwischen einer (durch die Referenz-Sensordaten angezeigten) Ist-Bewegung des Referenzpunktes und einer (durch Solldaten angezeigten) Soll-Bewegung des Referenzpunktes zu ermitteln. Des Weiteren kann der Regler eingerichtet sein, den ermittelten Regelfehler bei der Ermittlung der ein oder mehreren Steuersignale zu berücksichtigen. Insbesondere können die ein oder mehreren Steuersignale in Abhängigkeit von dem Regelfehler ermittelt werden, insbesondere um den Regelfehler (im zeitlichen Mittel) zu reduzieren bzw. zu minimieren. So kann eine besonders robuste und präzise Einstellung eines Soll-Fahr- und/oder Bewegungsverhaltens eines Fahrzeugs bewirkt werden.
-
Die Steuereinheit kann eingerichtet sein, (z.B. in einer zeitlich begrenzten und ggf. reaktivierbaren) Adaptionsphase das neuronale Netz an eine Eigenschaft des Fahrzeugs und/oder an eine Präferenz eines Nutzers des Fahrzeugs anzupassen, insbesondere um das Bewegungsverhalten des Referenzpunktes des Fahrzeugs bei Fahrten des Fahrzeugs anzupassen und/oder einzustellen. Durch die Bereitstellung eines (ggf. selbstlernenden) neuronalen Netzes kann der Komfort für einen Nutzer des Fahrzeugs weiter erhöht werden. Das Adaptieren des neuronalen Netzes kann z.B. mittels Reinforcement learning bewirkt werden.
-
Gemäß einem weiteren Aspekt wird ein (Straßen-)Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Steuereinheit umfasst.
-
Gemäß einem weiteren Aspekt wird ein Verfahren für den Betrieb von ein oder mehreren Fahrwerks-Aktoren eines Fahrzeugs beschrieben. Das Verfahren umfasst das Ermitteln von Sensordaten in Bezug ein Profil einer Fahrbahn, auf der das Fahrzeug fährt. Des Weiteren umfasst das Verfahren das Ermitteln von Eingangswerten für ein neuronales Netz auf Basis der Sensordaten. Außerdem umfasst das Verfahren das Ermitteln von ein oder mehreren Steuersignalen für die ein oder mehreren Fahrwerks-Aktoren des Fahrzeugs unter Verwendung des neuronalen Netzes.
-
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
-
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
- 1a ein beispielhaftes Fahrzeug;
- 1b ein beispielhaftes Profil einer Fahrbahn;
- 2a ein beispielhaftes neuronales Netz;
- 2b ein beispielhaftes Neuron;
- 3a und 3b beispielhafte Signalverarbeitungen zur Steuerung und/oder zur Regelung der ein oder mehreren Fahrwerk-Aktoren eines Fahrzeugs; und
- 4 ein Ablaufdiagramm eines beispielhaften Verfahrens zum Betrieb eines Fahrwerks-Aktors eines Fahrzeugs.
-
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der präzisen und zuverlässigen Einstellung des (Schwingungs- und/oder Fahr-) Verhaltens eines Fahrzeugs. In diesem Zusammenhang zeigt 1a ein beispielhaftes Fahrzeug 100. Das Fahrzeug 100 umfasst an einem einzelnen Vorderrad bzw. an einer Vorderachse des Fahrzeugs 100 ein oder mehrere Vorderrad-Sensoren 103 und typischerweise ein oder mehrere Vorderrad-Aktoren 111. Die ein oder mehreren Vorderrad-Sensoren 103 sind eingerichtet, Sensordaten in Bezug auf den Bewegungszustand des Vorderrads bzw. der Vorderachse zu erfassen. Der Bewegungszustand kann z.B. den Höhenstand und/oder die Bewegungsgeschwindigkeit (in vertikaler Richtung) umfassen. Die ein oder mehreren Vorderrad-Aktoren 111 können eingerichtet sein, eine Kraft (in vertikaler Richtung) auf das Vorderrad bzw. auf die Vorderachse zu bewirken, um den Bewegungszustand des Vorderrads zu beeinflussen. Des Weiteren kann das Fahrzeug 100 in entsprechender Weise ein oder mehrere Hinterrad-Sensoren 104 und/oder ein oder mehrere Hinterrad-Aktoren 112 an einem Hinterrad des Fahrzeugs 100 aufweisen.
-
Ferner kann das Fahrzeug 100 einen Umfeldsensor 102 (z.B. einen Lidarsensor und/oder eine Kamera) umfassen, der eingerichtet ist, Sensordaten (in diesem Dokument auch als Umfelddaten bezeichnet) in Bezug auf das (in Fahrtrichtung vor dem Fahrzeug 100 liegende) Umfeld des Fahrzeugs 100 zu erfassen.
-
Des Weiteren kann das Fahrzeug 100 ein oder mehrere Referenzsensoren 105 umfassen, die eingerichtet sind, Sensordaten in Bezug auf die Bewegung eines Referenzpunktes des Fahrzeugs 100 (z.B. einer Sitzschiene des Fahrzeugs 100) zu erfassen. Die von einem Referenzsensor 105 bereitgestellten Sensordaten werden in diesem Dokument auch als Referenz-Sensordaten bezeichnet. Die Referenz-Sensordaten können Schwingungen und/oder Bewegungen des Referenzpunktes anzeigen.
-
Eine Steuereinheit 101 des Fahrzeugs 100 kann eingerichtet sein, auf Basis der Umfelddaten Profildaten in Bezug auf das Profil 112 der in Fahrtrichtung vor dem Fahrzeug 100 liegenden Fahrbahn 110 zu erfassen (siehe 1b). Des Weiteren kann die Steuereinheit 101 eingerichtet sein, die ein oder mehreren Fahrwerk-Aktoren 111, 112 des Fahrzeugs 100 in Abhängigkeit von den Profildaten zu betreiben, insbesondere derart, dass das Fahrzeug 100 an dem Referenzpunkt ein vordefiniertes (Bewegungs- und/oder Schwingungs-) Verhalten aufweist (z.B. in Bezug auf rotatorisches Wanken und/oder in Bezug auf ein Nicken). Beispielsweise kann die (ggf. maximal zulässige) Beschleunigung oder Drehrate des Referenzpunktes vorgegeben werden. Die vorgegebene Beschleunigung kann dabei von einem Fahrmodus des Fahrzeugs 100 (z.B. sportlich, komfortabel, energieeffizient, etc.) abhängen. Die ein oder mehreren Fahrwerk-Aktoren 111, 112 können derart betrieben werden, dass die durch die Referenz-Sensordaten angezeigte Ist-Beschleunigung des Referenzpunktes die vorgegebene Beschleunigung nicht übersteigt.
-
Die Steuereinheit 101 kann eingerichtet sein, zur Vorhersage und/oder zur Ermittlung der Profildaten in Bezug auf das Profil 112 der Fahrbahn 110 bzw. in Bezug auf die Anregung des Fahrzeugs 100 durch die Fahrbahn 110 ein angelerntes neuronales Netz zu verwenden. So kann in besonders robuster und zuverlässiger Weise die zu erwartende Anregung eines Vorderrades und/oder eines Hinterrades des Fahrzeugs 100 durch eine Fahrbahn 110 ermittelt werden. Des Weiteren kann so eine robuste, zuverlässige und effiziente Steuerung bzw. Regelung der ein oder mehreren Fahrzeug-Aktoren 111, 112 erfolgen, um an dem Referenzpunkt des Fahrzeugs 100 ein gewünschtes Soll-Verhalten zu bewirken.
-
3b zeigt eine beispielhafte Signalverarbeitung zur Steuerung bzw. Regelung des Fahrwerks (d.h. der ein oder mehreren Fahrwerk-Aktoren 111, 112) eines Fahrzeugs 100. Durch die ein oder mehreren Umfeldsensoren 102 können Umfelddaten 302 in Bezug auf die vorausliegende Fahrbahn 110 erfasst werden. Durch die ein oder mehreren Rad-Sensoren 103, 104 können Rad-Sensordaten 303, 304 in Bezug auf den Bewegungszustand der ein oder mehreren Räder des Fahrzeugs 100 erfasst werden.
-
Auf Basis der Umfelddaten 302 und/oder der Rad-Sensordaten 303, 304 können Eingangswerte zu einem neuronalen Netz 200 ermittelt werden. Dabei können für jeden Zeitpunkt einer Sequenz von Zeitpunkten Eingangswerte ermittelt werden. Mit anderen Worten, die in diesem Dokument beschriebene Signalverarbeitung kann an einer Sequenz von (äquidistanten) Zeitpunkten wiederholt werden, z.B. mit einer Frequenz von 1Hz oder mehr, oder 10Hz oder mehr, oder 100Hz oder mehr.
-
Es können somit an einem bestimmten Zeitpunkt Eingangswerte für das neuronale Netz 200 bereitgestellt werden. Das neuronale Netz 200 kann angelernt worden sein, um auf Basis der Eingangswerte ein oder mehrere Ausgangswerte als Profildaten bzw. als Vorhersage 321 in Bezug auf das Profil 112 zu ermitteln, wobei die Profildaten 321 das vorausliegende Profil 112 der Fahrbahn 110 und/oder die vorausliegende Anregung (eines Vorderrades und/oder eines Hinterrades) des Fahrzeugs 100 durch die Fahrbahn 110 beschreiben.
-
Die anhand des neuronalen Netzes 200 ermittelten Profildaten 321 können dann in einem Fahrwerks-Regler 320 dazu verwendet werden, Steuersignale 310 (als Stellgröße) für die ein oder mehreren Fahrwerk-Aktoren 111, 112 zu ermitteln. Die ein oder mehreren Steuersignale 310 können dabei derart ermittelt werden, dass die durch die Referenz-Sensordaten 305 angezeigte Ist-Bewegung (z.B. die Ist-Beschleunigung) des Referenzpunktes auf eine Soll-Bewegung (z.B. eine Soll-Beschleunigung) eingestellt oder begrenzt wird.
-
2a zeigt ein beispielhaftes neuronales Netz 200, insbesondere ein Feedforward-Netz. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Merkmalswert eines Merkmals als Eingangswert 201 aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211.
-
Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln.
-
2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 gemappt werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Die Aktivierungsfunktion 225 kann ggf. den Wert der gewichteten Summe 224 mit einem Offset 227 verschieben.
-
Ein Neuron 220 weist somit Gewichte 222 und/oder einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion ausführt und/oder ein bestimmtes Verhalten modelliert (z.B. kann als Funktion die Prädiktion der Profildaten 321 oder die Ermittlung von Steuersignalen 310 auf Basis der Profil-Sensordaten 302, 303, 304 ausgeführt werden).
-
Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer qten Epoche eines Lern-Algorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Die Eingangswerte 201 können aus Trainingsdaten entnommen werden, die auch entsprechende Soll-Ausgangswerte anzeigen. Die von dem neuronalen Netz 200 ermittelten bzw. prädizierten Ist-Ausgangswerte können mit den Soll-Ausgangswerten aus den Trainingsdaten verglichen werden, um den Wert einer Optimierungs- bzw. Fehlerfunktion zu ermitteln.
-
In einer zweiten Phase der qten Epoche des Lern-Algorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lern-Algorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenzkriterium erreicht wird. Dabei können in unterschiedlichen Epochen zumindest teilweise unterschiedliche Trainingsdaten verwendet werden.
-
Die Steuereinheit 101 des Fahrzeugs 100 kann eingerichtet sein, an einem bestimmten Zeitpunkt auf Basis der Profil-Sensordaten 302, 303, 304 Merkmalswerte von ein oder mehreren Merkmalen zu ermitteln, wobei die Merkmalswerte als Eingangswerte 201 an das neuronale Netz 200 übergeben werden. Ggf. können die Profil-Sensordaten 302, 303, 304 auch direkt als Eingangswerte 201 an das neuronale Netz 200 übergeben werden (z.B. bei Verwendung eines Convolutional Neural Networks). Es können dann für die Merkmalswerte an dem bestimmten Zeitpunkt durch das neuronale Netz 200 Ist-Ausgangswerte 203 ermittelt werden.
-
Für eine Trainingsphase können einerseits Profil-Sensordaten 302, 303, 304 erfasst werden, und andererseits können Soll-Ausgangswerte 203 ermittelt werden (die das tatsächliche Profil 112 der Fahrbahn 110 und/oder die tatsächliche Anregung eines Rades des Fahrzeugs 100 durch die Fahrbahn 110 anzeigen. Insbesondere kann eine Vielzahl von Trainings-Datensätzen bereitgestellt werden, wobei ein Trainings-Datensatz die Merkmalswerte der ein oder mehreren Merkmale und/oder die Profil-Sensordaten 302, 303, 304 (als Eingangswerte 201) und die entsprechenden Soll-Ausgangswerte 203 umfasst. Die Vielzahl von Trainings-Datensätzen können dann dazu genutzt werden, das neuronale Netz 200 zu trainieren (wie oben dargelegt).
-
Alternativ kann ein neuronales Netz 200 angelernt werden, dass auch die Funktion des Reglers 320 übernimmt. Eine entsprechend Signalverarbeitung ist in 3a dargestellt. Die Steuereinheit 101 des Fahrzeugs 100 kann eingerichtet sein, auf Basis der Profil-Sensordaten 302, 303, 304, auf Basis der Referenz-Sensordaten 305 und/oder auf Basis von Fahrzeugdaten 306 in Bezug auf den Zustand und/oder Eigenschaften des Fahrzeugs 100 (z.B. die Fahrgeschwindigkeit des Fahrzeugs 100) Merkmalswerte für ein oder mehrere Merkmale (als Eingangswerte 201 für das neuronale Netz 200) zu ermitteln. Das neuronale Netz 200 kann dann ausgebildet sein, direkt die ein oder mehreren Steuersignale 310 zur Ansteuerung der ein oder mehreren Fahrwerks-Aktoren 111, 112 zu ermitteln.
-
Das neuronale Netz 200 aus 3a kann ebenfalls auf Basis von Trainingsdaten angelernt werden, wobei ein Trainings-Datensatz Merkmalswerte für ein oder mehrere Merkmale und ein oder mehrere entsprechende Soll-Steuersignale 310 umfassen kann.
-
Es sei darauf hingewiesen, dass alternativ oder ergänzend zu einem „supervised learning“ (wie oben beschrieben), Reinforcement learning verwendet werden kann, um ein neuronale Netz 200 anzulernen. Beispielweise kann das neuronale Netz 200 mittels Reinforcement learning derart angelernt werden, dass durch das neuronale Netz 200 eine Reward-Funktion optimiert wird, die darauf ausgelegt ist, eine möglichst kleine Abweichung zwischen dem Soll-Bewegungsverhalten und dem Ist-Bewegungsverhalten des Referenzpunktes zu erreichen.
-
Es wird somit zur Erstellung einer Vorhersage 321 von Fahrbahnunregelmäßigkeiten in einem vorausliegenden Fahrbahnabschnitt ein künstliches neuronales Netz (KNN) 200 verwendet. Basierend auf der Vorhersage 321 können das notwendige Verhalten des adaptiven Fahrwerks des Fahrzeugs 100 abgeleitet und durch rechtzeitige Verstellung der Fahrwerkseigenschaften vorausliegende Fahrbahnunregelmäßigkeiten ausgeglichen werden. Da ein KNN 200 lernfähig ist, kann der Zusammenhang zwischen der Vorhersage 321 (als Ausgangswerte 203) und der durch ein Straßenprofil 112 verursachten Anregung auf das Fahrzeug 100 (als Eingangswerte 201) erlernt werden. So kann auf den Einsatz einer fahrzeugspezifischen Simulation des Reaktionsverhaltens eines Fahrzeugs 100 verzichtet werden. Des Weiteren kann durch den Einsatz eines KNN 200 der Fahrkomfort erhöht werden.
-
Das Fahrzeug 100 umfasst ein System 102 zur Erfassung der vorausliegenden Fahrbahnoberfläche; ein adaptives/ aktives Fahrwerk; ein System zur Steuerung des adaptiven Fahrwerks; Bewegungssensorik 103, 104 (insbes. Beschleunigungssensoren) im Fahrzeug 100 und/oder ein künstliches neuronales Netz 200.
-
Das KNN 200 dient der Ermittlung einer Vorhersage und deren direkte oder indirekte Ausgabe an das adaptive Fahrwerk eines Fahrzeugs 100, so dass die Fahrwerkseinstellungen zumindest teilweise vor dem Überfahren einer Fahrbahnunregelmäßigkeit angepasst werden kann. Das KNN 200 nimmt verschiedene Messgrößen, welche in die Vorhersage einfließen, als Input 201 entgegen. Die Vorhersagegrößen werden fortlaufend (d.h. an einer Sequenz von Zeitpunkten) aktualisiert.
-
Das KNN 200 kann ausgebildet sein, sich in einem iterativen Lernprozess selbst zu optimieren (z.B. innerhalb eines vorgegebenen Rahmens bzw. Wertebereichs). Bevor das System in ein Fahrzeug 100 implementiert wird, kann das KNN 200 voreingestellt werden (z.B. auf ein standardisiertes Fahrzeug 100 bzw. auf ein standardisiertes Verhalten des Fahrzeugs 100). Anschließend kann eine Feinanpassung für das jeweilige Fahrzeugmodell und/oder für Präferenzen des Nutzers des Fahrzeugs 100 stattfinden. Dabei kann ggf. eine Vorgabe eines zeitlichen Rahmens für die Anpassung des KNNs 200 erfolgen. Ggf. kann eine manuelle Reaktivierung der Anpassung durch den Fahrer des Fahrzeugs 100 ermöglicht werden. Des Weiteren kann ggf. eine fahrerspezifische und/oder individuelle Vorgabe an das KNN 200, anhand der die Anpassung des KNNs 200 stattfindet, ermöglicht werden. Insbesondere während eines solchen Optimierungsprozesses des KNNs 200 kann bewirkt werden, dass sich das KNN 200 durch Feedback der Sensorik 105 (u.a. Messungen der real auftretenden Beschleunigungen an dem Referenzpunkt) iterativ anpasst (z.B. anhand des o.g. Backpropagati on - Algorithmus).
-
Das KNN 200 kann verschiedene Funktionen im Gesamtsystem des Fahrzeugs 100 übernehmen. Insbesondere kann das KNN 200 die Funktion eines Reglers 320 übernehmen (wie z.B. in 3a dargestellt). Alternativ oder ergänzend kann das KNN 200 zur Ermittlung von Vorhersagegrößen 321 verwendet werden, die in einen zusätzlichen Fahrwerksregler 320 eingehen.
-
3a zeigt eine Variante, bei der das KNN 200 den Regler 320 des Fahrwerks zumindest teilweise oder vollständig ersetzt. Als Eingangswerte 201 fließen in das KNN 200 Sensordaten (d.h. Umfelddaten) 302 der Scaneinrichtung 102 und/oder Sensordaten 303, 304 der Bewegungssensorik 103, 104 (insbesondere an den Rädern) ein. Weiterhin kann das KNN 200 Eingangswerte 301 aufnehmen, die von dem Fahrzeugzustand und/oder von Fahrzeugeigenschaften 306 abhängen.
-
Die Ausgabe 203 des KNN 200 kann zusätzlich von Vorgabewerten bzgl. des Fahrverhaltens des Fahrzeugs 100 (insbesondere an dem Referenzpunkt) beeinflusst werden (z.B. zur Bereitstellung eines möglichst großen Komforts oder zur Bereitstellung eines möglichst sportlichen Fahrverhaltens). Als Referenz hierfür dient zumindest ein (ggf. virtueller) Mess- bzw. Referenzpunkt im Fahrzeug 100, an dem als Sollvorgabe z.B. die Beschleunigung in einem vorbestimmten Wertebereich liegen soll.
-
Die Einflussgrößen bzw. die Eingangswerte 301 des KNN 200 und/oder die verwendete Vorhersagemethode kann ggf. variieren:
- • Es kann eine vorausschauende Regelung (ggf. nur) für die ein oder mehreren Hinterräder des Fahrzeugs 100 erfolgen. Die durch die Sensorik 103 an den ein oder mehreren Vorderrädern erfasste Anregung durch das Straßenprofil 112 kann in diesem Fall (ggf. allein) die zur Vorhersage 321 der Reaktion am Hinterrad (Sollbewegung des Hinterrades) benötigten Informationen für das KNN 200 liefern.
- • Es kann eine Vorhersage 321 der Sollbewegung von Vorder- und Hinterrad basierend auf dem Input durch die Scaneinrichtung 102 erfolgen. In diesem Fall erhält das KNN 200 Sensordaten 302 des vorausliegenden Straßenprofils 112 von der Scanvorrichtung 102.
- • Die Prädiktion zur Steuerung der ein oder mehreren Aktoren 112 des Hinterrades kann auf der Kombination der Informationen von Scaneinrichtung 102 und Vorderrad-Sensor 103 erfolgen. Andererseits kann die Prädiktion für die ein oder mehreren Aktoren 112 des Vorderrads (ggf. allein) auf den Daten der Scaneinrichtung 102 basieren.
-
Wie in 3b dargestellt, kann das KNN 200 ausgebildet sein, Vorhersagedaten 321 an einen separaten Fahrwerksregler 320 auszugeben. Dabei weist der Regler 320 ein vorbestimmtes (fahrzeugspezifisches) Verhalten auf. Der Regler 320 regelt das Fahrwerk des Fahrzeugs 100 anhand der Vorhersagedaten 321. Dabei können die Vorhersagedaten bzw. die Profildaten 321, wie oben dargelegt, für den Betrieb eines Hinterrad-Aktors 112 auf Basis der Sensordaten 302 des Umfeldsensors 102 und auf Basis der Sensordaten 303 eines Vorderrad-Sensors 103 ermittelt werden. Des Weiteren können die Vorhersagedaten bzw. die Profildaten 321 für den Betrieb eines Vorderrad-Aktors 111 auf Basis der Sensordaten 302 des Umfeldsensors 102 ermittelt werden.
-
Ggf. kann für jedes Rad oder zumindest für die ein oder mehreren Vorderräder einerseits und für die ein oder mehreren Hinterräder andererseits jeweils ein eigenes KNN 200 bereitgestellt werden. Die KNNs 200 können dann für das jeweilige Rad spezifisch angelernt worden sein. So kann die Güte der Fahrwerkregelung weiter verbessert werden.
-
4 zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 400 für den Betrieb von ein oder mehreren Fahrwerks-Aktoren 111, 112 eines Fahrzeugs 100. Das Verfahren 400 kann durch eine Steuereinheit 101 des Fahrzeugs 100 ausgeführt werden.
-
Das Verfahren 400 umfasst das Ermitteln 401 von Profil-Sensordaten 302, 303, 304 in Bezug ein Profil 112 einer Fahrbahn 110, auf der das Fahrzeug 100 fährt, und/oder in Bezug auf eine Anregung, die durch die Fahrbahn 110 auf das Fahrzeug 100 bewirkt wird und/oder bewirkt werden wird.
-
Außerdem umfasst das Verfahren 400 das Ermitteln 402 von Eingangswerten 201 für ein neuronales Netz 200 auf Basis der Profil-Sensordaten 302, 303, 304. Des Weiteren umfasst das Verfahren 400 das Ermitteln 403 von ein oder mehreren Steuersignalen 310 für die ein oder mehreren Fahrwerks-Aktoren 111, 112 des Fahrzeugs 100 unter Verwendung des neuronalen Netzes 200 (insbesondere unter Verwendung der ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200).
-
Durch die in diesem Dokument beschriebenen Maßnahmen kann der FahrKomfort für einen Nutzer eines Fahrzeugs 100 in zuverlässiger und effizienter Weise erhöht werden. Durch die Verwendung eines lernfähigen KNNs 200 kann das Vorhersage- und/oder Regelsystem in flexibler Weise an unterschiedliche Fahrzeuge 100 bzw. Fahrzeugtypen angepasst werden.
-
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.