DE102019127908A1

DE102019127908A1 - Verfahren und Vorrichtung zur Parametrierung einer Fahrzeugfunktion

Info

Publication number: DE102019127908A1
Application number: DE102019127908.9A
Authority: DE
Inventors: Marc Eric Vogt; Mario Weinberger; Anja Lindner
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2019-10-16
Filing date: 2019-10-16
Publication date: 2021-04-22

Abstract

Es wird ein Verfahren (400) zur Ermittlung von optimierten Werten (331) von ein oder mehreren Funktionsparametern (111) einer Fahrzeugfunktion eines Fahrzeugs (100) beschrieben. Das Verfahren (400) umfasst das Ermitteln (401) von Trainingsdaten für ein Basis-Modell (302), wobei die Trainingsdaten eine Vielzahl von Trainingsdatensätzen umfassen. Außerdem umfasst das Verfahren (400) das Anlernen (402) des Basis-Modells (320) mittels der Trainingsdaten. Des Weiteren umfasst das Verfahren (400) das Ermitteln (403) eines Satzes von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111) derart anhand des Basis-Modells (320), dass ein Optimierungskriterium in Bezug auf eine fahrdynamische Zielgröße (106) verbessert wird.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung, mit denen in effizienter und präziser Weise optimierte Werte für ein oder mehrere Funktionsparameter einer Fahrzeugfunktion ermittelt werden können.
Ein Fahrzeug weist ein oder mehrere Fahrzeugfunktionen auf, die einen Einfluss auf die Fahrdynamik des Fahrzeugs haben. Insbesondere können ein oder mehrere Fahrzeugfunktionen bereitgestellt werden, durch die der Bremsweg des Fahrzeugs reduziert werden kann und/oder die einen Einfluss auf dem Bremsweg des Fahrzeugs haben. Beispielhafte Fahrzeugfunktionen sind das Antiblockiersystem (ABS) und/oder ein Vertical Damper Control (VDC) bzw. ein aktiv geregeltes Fahrwerk.
Eine Fahrzeugfunktion kann eingerichtet sein, ein oder mehrere Aktoren des Fahrzeugs, wie z.B. eine Bremsvorrichtung und/oder eine Dämpfungsvorrichtung, anzusteuern, insbesondere zu regeln. Die Ansteuerung der ein oder mehreren Aktoren kann dabei derart erfolgen, dass ein oder mehrere fahrdynamische Eigenschaften des Fahrzeugs auf einen Sollwert geregt werden und/oder optimiert werden. Beispielsweise kann die Ansteuerung der ein oder mehreren Aktoren derart erfolgen, dass der Bremsweg des Fahrzeugs reduziert, insbesondere minimiert, wird.
Die Ansteuerung der ein oder mehreren Aktoren des Fahrzeugs kann in Abhängigkeit von einer Vielzahl von Funktionsparametern der Fahrzeugfunktion erfolgen. Die Funktionsparameter können dabei in einer Entwicklungsphase des Fahrzeugs eingestellt bzw. bedatet werden, um die Funktionsweise der Fahrzeugfunktion zu optimieren, z.B. um (zumindest im Durchschnitt) den Bremsweg des Fahrzeugs zu minimieren. Die Ermittlung der optimierten Werte der Vielzahl von Funktionsparameter ist dabei typischerweise mit einem relativ hohen Aufwand verbunden. Des Weiteren kann typischerweise nicht zuverlässig bestimmt werden, ob die ermittelten Werte der Vielzahl von Funktionsparameter eine optimale Funktionsweise der Fahrzeugfunktion ermöglichen.
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, in effizienter und zuverlässiger Weise optimierte Werte für Funktionsparameter einer Fahrzeugfunktion zu ermitteln, insbesondere derart, dass der Betrieb der Fahrzeugfunktion einen möglichst kurzen Bremsweg des Fahrzeugs ermöglicht.
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 ein Verfahren zur Ermittlung von optimierten Werten von ein oder mehreren Funktionsparametern einer Fahrzeugfunktion eines Fahrzeugs beschrieben. Die Fahrzeugfunktion kann ausgebildet sein, durch Betrieb der Fahrzeugfunktion mit einem Satz von bestimmten Werten der ein oder mehreren Funktionsparameter einen bestimmten Wert einer fahrdynamischen Zielgröße des Fahrzeugs zu bewirken. Dabei kann eine Änderung der Werte der ein oder mehrere Funktionsparameter eine Änderung des Wertes der Zielgröße des Fahrzeugs zur Folge haben.
Die fahrdynamische Zielgröße kann einen Bremsweg des Fahrzeugs umfassen. Dabei kann das Verfahren darauf ausgelegt sein, einen Satz von optimierten Werten der ein oder mehreren Funktionsparameter zu ermitteln, durch den der Bremsweg, zumindest im Durchschnitt für eine Vielzahl von unterschiedlichen Fahrsituationen, reduziert, insbesondere minimiert, wird.
Die Fahrzeugfunktion kann eine Bremsfunktion, insbesondere ABS, zum Abbremsen des Fahrzeugs und/oder eine Dämpfungsfunktion, insbesondere VDC, zur Dämpfung von Schwingungen eines Fahrwerks und/oder eines Rades des Fahrzeugs umfassen.
Die Fahrzeugfunktion kann eingerichtet sein, zumindest einen Aktor, insbesondere eine Bremsvorrichtung (etwa eine Reibbremse) und/oder eine Dämpfungsvorrichtung, des Fahrzeugs in Abhängigkeit von ein oder mehreren Messgrößen in Bezug auf den Zustand des Fahrzeugs anzusteuern, insbesondere um einen bestimmten Wert der fahrdynamischen Zielgröße des Fahrzeugs zu bewirken. Die ein oder mehreren Fahrzeugparameter können umfassen: ein oder mehrere Schwellenwerte, mit denen die ein oder mehrere Messgrößen innerhalb der Fahrzeugfunktion verglichen werden; und/oder ein oder mehrere Gradienten und/oder Faktoren, mit denen die ein oder mehreren Messgrößen innerhalb der Fahrzeugfunktion verarbeitet werden. Typischerweise umfasst die Fahrzeugfunktion 10 oder mehr, oder 50 oder mehr Funktionsparameter.
Das Verfahren umfasst das Ermitteln von Trainingsdaten für ein (Maschinen-erlerntes) Basis-Modell, wobei die Trainingsdaten eine Vielzahl von Trainingsdatensätzen umfassen. Dabei kann ein Trainingsdatensatz jeweils einen Satz von Test-Werten der ein oder mehreren Funktionsparameter und einen (entsprechenden) Test-Wert der Zielgröße umfassen. Das Basis-Modell kann auch als Ersatzmodell bezeichnet werden, insbesondere als Ersatzmodell für ein im Vergleich zu dem Basis-Modell relativ komplexes fahrdynamisches Modell des Fahrzeugs.
Die Trainingsdaten können zumindest teilweise anhand des fahrdynamischen Modells des Fahrzeugs, insbesondere anhand eines Zweispurmodells, ermittelt werden. Dabei kann das fahrdynamische Modell ausgebildet sein, für einen Satz von Test-Werten der ein oder mehreren Fahrzeugparameter einen Test-Wert für die Zielgröße zu ermitteln bzw. zu berechnen. Durch die Verwendung eines fahrdynamischen Modells des Fahrzeugs können in effizienter Weise relativ große Mengen an Trainingsdaten bereitgestellt werden.
Alternativ oder ergänzend können die Trainingsdaten zumindest teilweise anhand von Fahrversuchen mit dem Fahrzeug ermittelt werden. Dabei kann bei einem Fahrversuch die Fahrzeugfunktion mit einem Satz von Test-Werten für die ein oder mehreren Fahrzeugparameter betrieben werden. Des Weiteren kann bei dem Fahrversuch ein Test-Wert der Zielgröße gemessen wird, der durch die Fahrzeugfunktion bewirkt wird. Durch die Durchführung von Fahrversuchen können die Trainingsdaten in besonders präziser Weise ermittelt werden.
Das Verfahren umfasst ferner das Anlernen des Basis-Modells mittels der Trainingsdaten. Das Basis-Modell kann dabei derart angelernt werden, dass das Basis-Modell ausgebildet ist, für einen Satz von Werten der ein oder mehreren Funktionsparameter einen Schätzwert der Zielgröße zu ermitteln. Es kann somit ein Basis-Modell angelernt werden, das dazu verwendet werden kann, das Verhalten der Fahrzeugfunktion in Bezug auf die fahrdynamischen Zielgröße zu schätzen bzw. zu modellieren. Dabei kann das Basis-Modell auf die Schätzung des Schätzwertes der Zielgröße beschränkt sein. Die Rechenkomplexität des Basis-Modells kann, insbesondere durch die funktionale Beschränkung, wesentlich geringer sein als die Rechenkomplexität des fahrdynamischen Modells, insbesondere um den Faktor 10 oder mehr, 100 oder mehr, oder 1000 oder mehr.
Das Basis-Modell kann insbesondere derart angelernt werden, dass der durch das Basis-Modell für einen Satz von Werten der ein oder mehreren Funktionsparameter ermittelte Schätzwert der Zielgröße eine Schätzung des tatsächlichen Wertes der Zielgröße ist, der sich bei Betrieb der Fahrzeugfunktion mit dem Satz von Werten der ein oder mehreren Funktionsparameter ergibt. Dabei kann das Anlernen des Basis-Modells derart erfolgen, dass die Abweichung des Schätzwertes von dem tatsächlichen Wert im quadratischen Mittel kleiner als ein bestimmter Fehlerwert ist. So kann das Verhalten der Fahrzeugfunktion in Bezug auf den Wert der Zielgröße in effizienter und präziser Weise durch ein relativ recheneffizientes Basis-Modell beschrieben werden.
Das Basis-Modell kann zumindest ein neuronales Netz und/oder ein Gauß-Prozess Modell umfassen. So kann ein besonders zuverlässiges, robustes und präzises Basis-Modell bereitgestellt werden.
Das Verfahren umfasst ferner das Ermitteln eines Satzes von optimierten Werten der ein oder mehreren Funktionsparameter anhand des Basis-Modells. Der Satz von optimierten Werten kann dabei derart ermittelt werden, dass ein Optimierungskriterium in Bezug auf die Zielgröße verbessert, insbesondere optimiert, wird. Das Optimierungskriterium kann insbesondere darauf ausgelegt sein, den Wert der Zielgröße zu reduzieren, insbesondere zu minimieren. Der Satz von optimierten Werten der ein oder mehreren Funktionsparameter kann anhand einer Optimierungsmethode ermittelt werden. Die Optimierungsmethode kann insbesondere einen Particle Swarm Optimierer, einen genetischen Optimierungsalgorithmus, und/oder eine Differential Evolution Methode umfassen.
Das Verfahren ermöglicht es, in effizienter und präziser Weise mittels eines Basis-Modells automatisch optimierte Werte der ein oder mehreren Funktionsparameter einer Fahrzeugfunktion zu ermitteln. Die Fahrzeugfunktion kann dann mit dem ermittelten Satz von optimierten Werten der ein oder mehreren Funktionsparameter betrieben werden. So kann die Güte der Fahrzeugfunktion erhöht werden.
Die Fahrzeugfunktion kann eine Gesamtmenge von Funktionsparametern (z.B. 50 oder mehr, oder 100 oder mehr) umfassen. Das Verfahren kann das Auswählen einer Teilmenge (z.B. 70% oder weniger) der Gesamtmenge von Funktionsparametern umfassen. Dabei können die ein oder mehreren Funktionsparameter ausgewählt werden, die einen wesentlichen Einfluss auf den Wert der Zielgröße haben, der durch die Fahrzeugfunktion bewirkt wird. In den Trainingsdaten können dann ggf. nur die Werte der ein oder mehreren Funktionsparameter aus der Teilmenge von ausgewählten Funktionsparametern variiert werden. Alternativ oder ergänzend können in den Trainingsdaten ggf. die Werte der ein oder mehreren Funktionsparameter aus der Gesamtmenge von Funktionsparametern nicht variiert werden, die nicht für die Teilmenge ausgewählt wurden. So kann die Komplexität des Verfahrens reduziert werden. Des Weiteren kann durch die reduzierte Anzahl von zu berücksichtigenden Funktionsparametern die Güte des Basis-Modells erhöht werden. Dadurch steigt die Wahrscheinlichkeit dafür, dass die Güte der Optimierung erhöht werden kann, und dass dadurch die Güte der ermittelten optimierten Werte der ein oder mehreren (ausgewählten) Funktionsparameter erhöht werden kann.
Das Verfahren kann das Validieren des ermittelten Satzes von optimierten Werten der ein oder mehreren Funktionsparameter anhand eines Fahrversuchs mit dem Fahrzeug und/oder anhand des fahrdynamischen Modells des Fahrzeugs umfassen. So kann die Zuverlässigkeit der ermittelten optimierten Werte der ein oder mehreren Funktionsparameter weiter erhöht werden.
Zur Ermittlung der Trainingsdaten können die Werte der ein oder mehreren Funktionsparameter innerhalb eines jeweils zulässigen Wertebereichs für die einzelnen Funktionsparameter variiert werden. Dabei können die Werte insbesondere mittels einer Monte Carlo Methode und/oder mittels einer Latin Hypercube Sampling Methode variiert werden. So kann bewirkt werden, dass die Trainingsdaten das Verhalten der Fahrzeugfunktion möglichst umfassend beschreiben, wodurch wiederum die Güte des Basis-Modells erhöht wird.
Im Rahmen des Verfahrens können unterschiedliche Trainingsdaten für unterschiedliche Fahrsituationen des Fahrzeugs ermittelt werden. Die unterschiedlichen Fahrsituationen können sich dabei insbesondere in Bezug auf die Bremsgeschwindigkeiten und/oder in Bezug auf die Profile der von dem Fahrzeug befahrenen Fahrbahn unterscheiden. Es können anhand der unterschiedlichen Trainingsdaten unterschiedliche Basis-Modellen für die unterschiedlichen Fahrsituationen verwendet werden. Im Rahmen der Optimierung können dann die unterschiedlichen Basis-Modelle verwendet werden, um den Satz von optimierten Werten der ein oder mehreren Funktionsparameter zu ermitteln. Dabei kann je nach Fahrsituation, die im Rahmen der Optimierung simuliert wird, das jeweils passende Basis-Modell verwendet werden. So kann die Güte der optimierten Werte der ein oder mehreren Funktionsparameter weiter erhöht werden.
Das Verfahren kann iterativ wiederholt werden. Dabei kann bei einer, insbesondere bei jeder, Iteration das Ermitteln von Trainingsdaten, das Anlernen eines Basis-Modells und das Ermitteln des Satzes von optimierten Werten der ein oder mehreren Funktionsparameter wiederholt werden.
Wie bereits oben dargelegt, können die Werte der einzelnen Funktionsparamater variiert werden, um Trainingsdaten zu ermitteln. Dabei kann ein bestimmter Funktionsparameter zur Ermittlung der Trainingsdaten in einer n^ten Iteration des Verfahrens unterschiedliche Werte aus einem zulässigen Wertebereich annehmen. Andererseits kann die Variation der Werte des bestimmten Funktionsparameters derart erfolgen, dass der bestimmte Funktionsparameter zur Ermittlung der Trainingsdaten in der (n+1)^ten Iteration des Verfahrens unterschiedliche Werte aus einem zulässigen Wertebereich annimmt, der kleiner ist als der zulässige Wertebereich in der nten Iteration des Verfahrens ist. Der zulässige Wertebereich in der (n+1)^ten Iteration des Verfahrens kann dabei um den in der nten Iteration des Verfahrens ermittelten optimierten Wert des bestimmten Funktionsparameters angeordnet sein. Die zulässigen Wertebereiche der einzelnen Funktionsparameter können somit iterativ eingegrenzt werden. So kann die Güte der optimierten Werte der ein oder mehreren Funktionsparameter weiter erhöht werden.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Server und/oder 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.
Gemäß einem Aspekt wird eine Vorrichtung zur Ermittlung von optimierten Werten von ein oder mehreren Funktionsparametern einer Fahrzeugfunktion eines (Kraft-) Fahrzeugs (insbesondere eines Personenkraftwagens oder eines Lastkraftwagens oder eines Busses oder eines Motorrads) beschrieben. Die Fahrzeugfunktion kann dabei derart ausgebildet sein, dass durch den Betrieb der Fahrzeugfunktion mit einem Satz von bestimmten Werten der ein oder mehreren Funktionsparameter ein bestimmter Wert einer fahrdynamischen Zielgröße des Fahrzeugs bewirkt wird. Mit anderen Worten, der im Betrieb der Fahrzeugfunktion bewirkte Wert der fahrdynamischen Zielgröße kann von den Werten der ein oder mehreren Funktionsparameter abhängen, mit denen die Fahrzeugfunktion betrieben wird.
Die Vorrichtung kann eingerichtet sein, Trainingsdaten für ein Basis-Modell zu ermitteln, wobei die Trainingsdaten eine Vielzahl von Trainingsdatensätzen umfassen. Dabei kann ein Trainingsdatensatz einen Satz von Test-Werten der ein oder mehreren Funktionsparameter und einen Test-Wert der Zielgröße umfassen. Des Weiteren ist die Vorrichtung eingerichtet, das Basis-Modell mittels der Trainingsdaten anzulernen, so dass das Basis-Modell ausgebildet ist, für einen Satz von Werten der ein oder mehreren Funktionsparameter einen Schätzwert der Zielgröße zu ermitteln. Die Vorrichtung ist ferner eingerichtet, einen Satz von optimierten Werten der ein oder mehreren Funktionsparameter derart anhand des Basis-Modells zu ermitteln, dass ein Optimierungskriterium in Bezug auf die Zielgröße verbessert, insbesondere optimiert, wird.
Gemäß einem weiteren Aspekt wird ein (Straßen-)Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus) beschrieben, das die in diesem Dokument beschriebene Steuereinheit umfasst. Die Steuereinheit ist eingerichtet, die Fahrzeugfunktion mit dem Satz von optimierten Werten der ein oder mehreren Funktionsparameter zu betreiben.
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 eine beispielhafte Steuereinheit für ein Fahrzeug;
2a ein beispielhaftes neuronales Netz;
2b ein beispielhaftes Neuron;
3 eine beispielhafte Vorrichtung zur Ermittlung von optimierten Werten für ein oder mehrere Funktionsparameter einer Fahrzeugfunktion; und
4 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung von optimierten Werten für ein oder mehrere Funktionsparametern einer F ahrzeugfunkti on.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der automatischen Ermittlung von möglichst optimalen Werten der Funktionsparameter einer Fahrzeugfunktion, insbesondere von ABS und/oder VDC. Die Werte der Funktionsparameter sollen dabei bevorzugt derart ermittelt werden, dass zumindest im Durchschnitt für eine Vielzahl von Fahrsituationen der Bremsweg des Fahrzeugs reduziert, insbesondere minimiert, wird.
1a zeigt ein beispielhaftes Fahrzeug 100, das auf einer Fahrbahn 105 fährt. Das Fahrzeug 100 umfasst eine Bremsvorrichtung 102, die eingerichtet ist, das Fahrzeug 100 zu verzögern. Insbesondere kann die Bremsvorrichtung 102 eingerichtet sein, auf ein oder mehrere Reibbremsen des Fahrzeugs 100 einzuwirken, um das Fahrzeug 100 zu verzögern.
Die Bremsvorrichtung 102 kann durch eine Steuereinheit 101 angesteuert werden. Dabei kann der Betrieb der Bremsvorrichtung 102 derart erfolgen, dass bei einer Vollverzögerung des Fahrzeugs 100 ein möglichst kurzer Bremswert 106 benötigt wird. Dies kann durch den Betrieb von ein oder mehreren Fahrzeugfunktionen erreicht werden. Insbesondere kann dies durch den Betrieb von ABS und/oder VDC bewirkt werden.
Die Steuereinheit 101 kann, wie in 1b dargestellt, eingerichtet sein, die ein oder mehreren Fahrzeugfunktionen zu implementieren, und basierend auf dem Betrieb der ein oder mehreren Fahrzeugfunktionen Steuerdaten 113 für den Betrieb der Bremsvorrichtung 102 (allgemein für den Aktor des Fahrzeugs 100) zu ermitteln. Eine Fahrzeugfunktion kann dabei eine Vielzahl von einstellbaren Funktionsparametern 111 aufweisen. Die Werte für die Vielzahl von Funktionsparametern 111 können im Rahmen der Entwicklung des Fahrzeugs 100 ermittelt und auf einer Speichereinheit des Fahrzeugs 100 gespeichert werden. Die gespeicherten Werte der ein oder mehreren Funktionsparameter 111 können dann für den Betrieb der Fahrzeugfunktion verwendet werden. Beispielhafte Funktionsparameter 111 sind: ein oder mehrere Schwellenwerte für Schwellwertvergleiche; ein oder mehrere Gradienten für die Erhöhung oder die Reduzierung einer Stellgröße; ein oder mehrere Faktoren zur Verstärkung oder zur Dämpfung einer Mess- bzw. Stellgröße; etc.
Im Rahmen des Betriebs einer Fahrzeugfunktion können Messwerte von ein oder mehreren Messgrößen 112 ermittelt werden. Die Messwerte können z.B. anhand von Sensoren des Fahrzeugs 100 ermittelt werden. Die Messwerte der ein oder mehreren Messgrößen 112 können dann mittels der Fahrzeugfunktion (bei Verwendung der gespeicherten Werte der ein oder mehreren Funktionsparameter 111) verarbeitet werden, um Steuerdaten 113 für den Betrieb der ein oder mehreren Fahrzeugaktoren 102, insbesondere der Bremsvorrichtung, zu ermitteln.
Wie eingangs dargelegt, ist die Ermittlung von optimierten Werten für die Fahrzeugparameter 111 typischerweise mit einem relativ hohen Entwicklungsaufwand verbunden. Des Weiteren kann typischerweise nicht sichergestellt werden, ob die ermittelten Werte einen möglichst optimalen Betrieb der Fahrzeugfunktion (z.B. im Sinne eines möglichst kurzen Bremswegs 106) ermöglichen.
3 zeigt ein Blockdiagramm einer beispielhaften Vorrichtung 300 zur (automatischen) Ermittlung von optimierten Werten 331 von ein oder mehreren Funktionsparametern 111 einer Fahrzeugfunktion. Die Werte 331 der ein oder mehreren Funktionsparameter 111 können dabei in Bezug auf eine bestimmte fahrdynamische Zielgröße, z.B. in Bezug auf einen möglichst kurzen Bremsweg 106, ermittelt bzw. optimiert werden.
Die Vorrichtung 300 kann optional eingerichtet sein, in einem ersten Schritt die ein oder mehrere Funktionsparameter 111 auszuwählen, die einen Einfluss auf das fahrdynamische Ziel haben. Dies kann z.B. mittels einer Sensitivitätsanalyse erfolgen. Es können dann optimierte Werte 331 ggf. nur für die ein oder mehreren ausgewählten bzw. relevanten Funktionsparameter 111 ermittelt werden. So kann der Rechenaufwand reduziert werden.
Die Vorrichtung 300 umfasst ein fahrdynamisches Modell 310 des Fahrzeugs 100. Das fahrdynamische Modell 310 ist typischerweise relativ komplex und kann ggf. ausgebildet sein, das gesamte fahrdynamische Verhalten des Fahrzeugs 100 zu beschreiben. Das fahrdynamische Modell 310 wird typischerweise im Rahmen der Entwicklung eines Fahrzeugmodells erstellt.
Das fahrdynamische Modell 310 kann dazu verwendet werden, Trainingsdaten zum Anlernen eines maschinen-erlernten Basis-Modells 320 zu ermitteln. Zu diesem Zweck können anhand des fahrdynamischen Modells 310 für eine Vielzahl von Mengen von Test-Werten 311 der ein oder mehreren (ausgewählten) Fahrzeugparameter 111 jeweils ein Test-Wert 301 der zu optimierenden Zielgröße 106 (z.B. des Bremsweges) ermittelt werden. Ein Trainingsdatensatz kann dann durch ein Tupel gebildet werden, das eine Menge von Test-Werten 311 der ein oder mehreren (ausgewählten) Fahrzeugparameter 111 und den sich daraus ergebenden Test-Wert 301 der zu optimierenden Zielgröße 106 umfassen. Die Trainingsdaten können dann die Vielzahl von Trainingsdatensätzen für die entsprechende Vielzahl von Mengen von Test-Werten 311 der ein oder mehreren (ausgewählten) Fahrzeugparameter 111 umfassen. Beispielsweise können auf Basis des (relativ komplexen) fahrdynamischen Modells 310 zwischen 100 und 1000 Trainingsdatensätze ermittelt werden.
Die Trainingsdaten können dazu verwendet werden, ein Basis-Modell 320 anzulernen, das ausgebildet ist, in (vergleichbar) recheneffizienter Weise für eine Menge von Test-Werten 311 der ein oder mehreren (ausgewählten) Fahrzeugparameter 111 einen Schätzwert 321 der zu optimierenden Zielgröße 106 bereitzustellen. Das Basis-Modell 320 kann z.B. ein oder mehrere künstliche neuronale Netze umfassen.
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 Ermittlung eines Schätzwertes 321 der zu optimierenden Zielgröße 106 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 q^ten 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 q^ten Epoche des Lern-Algorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes 200, 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. In dem vorliegenden Fall, können die Test-Werte 311 aus einem Trainingsdatensatz als Eingangswerte 201 an das neuronale Netz 200 übergeben werden, und der Test-Wert 301 der Zielgröße 106 kann als Soll-Ausgangsgröße 203 verwendet werden.
Das angelernte Basis-Modell 320 (z.B. mit einem angelernten neuronalen Netz 200) kann im Rahmen eines Optimierungsverfahrens bzw. Optimierers 330 dazu verwendet werden, die optimierten Werte 331 für die ein oder mehreren (ausgewählten) Funktionsparameter 111 zu ermitteln. Als Optimierungsverfahren können dabei z.B. ein Brüte Force Verfahren, ein Particle Swarm Optimierungsverfahren, ein genetisches Optimierungsverfahren und/oder ein Differential Evolution Optimierungsverfahren verwendet werden.
Die im Rahmen der Optimierung ermittelten optimierten Werte 331 für die ein oder mehreren (ausgewählten) Funktionsparameter 111 können anhand des fahrdynamischen Modells 310 validiert werden. Insbesondere kann dabei überprüft werden, ob das fahrdynamische Modell 310 bei Verwendung der optimierten Werte 331 für die ein oder mehreren (ausgewählten) Funktionsparameter 111 einen Wert 301 für die Zielgröße 106 berechnet, der (zumindest näherungsweise) dem durch das Basis-Modell 320 ermittelten Schätzwert 321 der Zielgröße 106 entspricht.
Nach erfolgreicher Validierung können die optimierten Werte 331 für die ein oder mehreren (ausgewählten) Funktionsparameter 111 von der Steuereinheit 101 des Fahrzeugs 100 verwendet werden, um die Fahrzeugfunktion (z.B. ABS oder VDS) derart zu betreiben, dass während des Betriebs des Fahrzeugs 100 ein optimierter Wert in Bezug auf die Zielgröße 106 (z.B. den Bremsweg) erreicht wird.
Es wird somit eine Methodik beschrieben, wie insbesondere die Parameter 111 von ABS und VDC derart eingestellt werden können, dass der Bremsweg 106 minimal wird. Diese Methodik setzt ggf. kein Wissen über die einzelnen Regelsysteme und deren Parameter voraus, die für ABS und/oder VDC verwendet werden. Typischerweise ist es nur erforderlich, festzulegen, in welchen Wertebereichen die einzelnen Parameter 111 einstellbar sind, d.h. es können mögliche Minimalwerte und Maximalwerte der einzelnen Parameter 111 festgelegt werden. Durch die in diesem Dokument beschriebene Methodik können optimierte Werte 331 der Parameter 111 automatisch ermittelt werden. Es kann somit in effizienter und zuverlässiger Weise eine optimale Bedatung (d.h. eine optimierte Festlegung der Werte) der ABS und/oder VDC Parameter 111 erfolgen, wobei sich die Bedatung derart auf den Bremsweg 106 auswirkt, dass der Bremsweg 106 reduziert, insbesondere minimiert, wird.
In einem ersten Schritt der Methodik kann optional ein Preprocessing erfolgen. Dabei können alle für den Bremsweg 106 relevanten Parameter 111 ermittelt werden. Diese Information kann durch einen Experten bereitgestellt werden oder über eine Sensitivitäts- bzw. Elementary Effects Analyse automatisiert erzeugt werden. Durch die Reduktion der für den Bremswerg 106 relevanten Parameter 111 kann die Anzahl von erforderlichen Simulationen anhand des fahrdynamischen Modells 310 reduziert werden. Des Weiteren kann die Güte der optimierten Werte 331 der berücksichtigten Parameter 111 erhöht werden.
In einem weiteren Schritt kann die Erzeugung eines Design of Experiments (DOE) erfolgen. In einem Versuchsplan kann festgelegt werden, wie viele Simulationen ausgeführt werden sollen und welche Parameter 111 dabei als Eingangswerte wendet werden sollen. Dabei werden bevorzugt nur Parameter 111 variiert, welche den Bremsweg 106 beeinflussen. Alle anderen Parameter 111 werden typischerweise auf einen festen Wert gesetzt. Ggf. können für die einzelnen Simulationen unterschiedliche Bremsgeschwindigkeiten und/oder unterschiedliche Straßenprofile simuliert werden, da mache Parameter 111 ggf. nur bei bestimmten Geschwindigkeiten und/oder bei bestimmten Anregungen der Fahrbahn 105 eine Auswirkung auf die Fahrzeugfunktion haben (wie z.B. ein geschwindigkeitsabhängiges Kennfeld). Alle relevanten Parameter 111 können innerhalb des jeweils zulässigen Wertebereichs variiert werden. Dabei kann es ggf. Abhängigkeiten zwischen den Werten von unterschiedlichen Parametern 111 geben (z.B. ein zweiter Parameter, der immer größer zu wählen ist als ein erster Parameter), die bei der Auswahl der Test-Werte 311 für die Parameter 111 berücksichtigt werden. Um die einzelnen Test-Werte 311 der Fahrzeugparameter 111 festzulegen, kann z.B. Monte Carlo Sampling oder optimised Latin Hypercube verwendet werden.
Die Simulation kann anhand des fahrdynamischen Modells 310 durchgeführt werden. Dabei kann eine Simulation für unterschiedliche Bremsgeschwindigkeiten und/oder unterschiedliche Straßenprofile erfolgen. Als fahrdynamischen Modell 310 kann z.B. ein Zweispur Fahrdynamikmodell, ggf. mit Regelsystemverbund, verwendet werden.
Basierend auf den im Rahmen der Simulationen erzeugten Trainingsdaten kann ein Ersatzmodell 320 (z.B. ein Response Surface Modell, RSM) angelernt bzw. erzeugt werden. Als Ersatzmodell 320 können neuronale Netze 200 und/oder Gaussian Prozess Modelle mit RBFs (Radial Basis Function) verwendet werden. Diese Ersatzmodelle 320 weisen als Input bzw. Eingangswerte 201 die variierten Parameter 111 auf. Als Ausgangswerte 203 können Schätzwerte 321 des Bremswegs 106, ggf. für die unterschiedlichen Bremsgeschwindigkeiten und/ Straßenprofile, bereitgestellt werden. Für jede Bremsgeschwindigkeit und/oder für jedes Straßenprofil kann ggf. jeweils ein individuelles Ersatzmodell 320 trainiert werden.
Es kann dann ein Optimierungsalgorithmus auf der RSM 320 durchgeführt werden. Dabei können ein Particle Swarm Optimierer, ein genetischer Optimierungsalgorithmus oder Differential Evolution angewendet werden. Als Zielfunktion für die Optimierung kann der durchschnittliche Bremsweg verwendet werden, der im Rahmen der Optimierung minimiert werden soll.
Das beste Design (d.h. die optimierten Werte 331 der Parameter 111), welches der Optimierer 330 ermittelt hat, kann im Original-Modell 310 und/oder bei einem Fahrversuch validiert werden.
Ggf. kann eine erneute Durchführung von Simulation, Anlernen, und Optimieren durchgeführt werden (z.B. mit reduzierten Wertebereichen für die einzelnen Fahrzeugparameter 111), um die Qualität der ein oder mehreren Basis-Modelle 320 zu erhöhen. Die reduzierten Wertebereiche können dabei um die optimierten Werte 331 herum festgelegt werden. So kann die Güte der optimierten Werte 331 für die ein oder mehreren Fahrzeugparameter 111 weiter erhöht werden.
Ggf. können die Trainingsdaten zum Anlernen eines Basis-Modells 320 auf Basis von Fahrversuchen ermittelt werden. Dabei können im Rahmen einer Vielzahl von Fahrversuchen jeweils unterschiedliche Mengen von Test-Werten 311 für die ein oder mehreren Fahrzeugparameter 111 eingestellt werden. Des Weiteren können bei der Vielzahl von Fahrversuchen jeweils die Ist-Werte 301 der Zielgröße 106 gemessen werden.
4 zeigt ein Ablaufdiagramm eines beispielhaften (Computer-implementierten) Verfahrens 400 zur Ermittlung von optimierten Werten 331 von ein oder mehreren Funktionsparametern 111 einer Fahrzeugfunktion eines Fahrzeugs 100. Die ein oder mehreren Funktionsparameter 111 beeinflussen dabei die Funktionsweise der Fahrzeugfunktion. Dabei kann die Fahrzeugfunktion derart ausgebildet sein, dass durch den Betrieb der Fahrzeugfunktion mit einem Satz von bestimmten Werten 311 der ein oder mehreren Funktionsparameter 111 ein bestimmter Wert 301 einer fahrdynamischen Zielgröße 106 (z.B. des Bremswegs) des Fahrzeugs 100 bewirkt wird. Eine Änderung des Satzes von Werten 311 der ein oder mehreren Funktionsparameter 111 kann dabei zu einer Änderung des Wertes 301 der Zielgröße 106 führen.
Das Verfahren 400 umfasst das Ermitteln 401 von Trainingsdaten für ein Maschinen-erlerntes Basis-Modell 302. Die Trainingsdaten können eine Vielzahl von Trainingsdatensätzen umfassen, wobei ein Trainingsdatensatz jeweils einen Satz von Test-Werten 311 der ein oder mehreren Funktionsparameter 111 und einen Test-Wert 301 der Zielgröße 106 umfasst. Die Trainingsdaten können anhand eines fahrdynamischen Modells des Fahrzeugs 100 und/oder anhand von Fahrversuchen mit dem Fahrzeug 100 ermittelt werden.
Das Verfahren 400 umfasst ferner das Anlernen 402 des Basis-Modells 320 mittels der Trainingsdaten, so dass das Basis-Modell 320 ausgebildet ist, für einen Satz von Werten 311 der ein oder mehreren Funktionsparameter 111 einen Schätzwert 321 der Zielgröße 106 zu ermitteln. Es kann somit anhand der Trainingsdaten ein Basis-Modell 320 angelernt werden, das das Verhalten der Fahrzeugfunktion in Bezug auf die Zielgröße 106 beschreibt bzw. simuliert bzw. modelliert. Das Basis-Modell 320 weist dabei bevorzugt eine relativ geringe Rechenkomplexität auf, so dass z.B. pro Stunde 10000 oder mehr Schätzwerte 321 ermittelt werden können. Insbesondere kann das Basis-Modell 320 eine Rechenkomplexität aufweisen, die um den Faktor 10 oder mehr, 100 oder mehr, oder 1000 oder mehr kleiner ist als die Rechenkomplexität des fahrdynamischen Modells des Fahrzeugs 100.
Das Verfahren 400 umfasst ferner das Ermitteln 403 eines Satzes von optimierten Werten 331 der ein oder mehreren Funktionsparameter 111 derart anhand des Basis-Modells 320, dass ein Optimierungskriterium in Bezug auf die Zielgröße 106 verbessert, insbesondere optimiert, wird. Insbesondere kann ein Satz von optimierten Werten 331 der ein oder mehreren Funktionsparameter 111 ermittelt werden, durch den der Bremsweg des Fahrzeugs 100 reduziert, insbesondere minimiert, wird.
Durch die in diesem Dokument beschriebenen Maßnahmen kann die Güte der Bedatung (d.h. die Festlegung der Werte der ein oder mehreren Funktionsparameter) einer Fahrzeugfunktion erhöht werden. So kann das fahrdynamische Verhalten eines Fahrzeugs 100 verbessert 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.

Claims

Verfahren (400) zur Ermittlung von optimierten Werten (331) von ein oder mehreren Funktionsparametern (111) einer Fahrzeugfunktion eines Fahrzeugs (100); wobei durch einen Betrieb der Fahrzeugfunktion mit einem Satz von bestimmten Werten (311) der ein oder mehreren Funktionsparameter (111) ein bestimmter Wert (301) einer fahrdynamischen Zielgröße (106) des Fahrzeugs (100) bewirkt wird; wobei das Verfahren (400) umfasst, - Ermitteln (401) von Trainingsdaten für ein Basis-Modell (302); wobei die Trainingsdaten eine Vielzahl von Trainingsdatensätzen umfassen; wobei ein Trainingsdatensatz einen Satz von Test-Werten (311) der ein oder mehreren Funktionsparameter (111) und einen Test-Wert (301) der Zielgröße (106) umfasst; - Anlernen (402) des Basis-Modells (320) mittels der Trainingsdaten, so dass das Basis-Modell (320) ausgebildet ist, für einen Satz von Werten (311) der ein oder mehreren Funktionsparameter (111) einen Schätzwert (321) der Zielgröße (106) zu ermitteln; und - Ermitteln (403) eines Satzes von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111) derart anhand des Basis-Modells (320), dass ein Optimierungskriterium in Bezug auf die Zielgröße (106) verbessert, insbesondere optimiert, wird.
Verfahren (400) gemäß Anspruch 1, wobei - die Trainingsdaten zumindest teilweise anhand eines fahrdynamischen Modells (310) des Fahrzeugs (100), insbesondere anhand eines Zweispurmodells, ermittelt werden; und - das fahrdynamische Modell (310) ausgebildet ist, für einen Satz von Test-Werten (311) der ein oder mehreren Fahrzeugparameter (111) einen Test-Wert (301) der Zielgröße (106) zu ermitteln.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - die Trainingsdaten zumindest teilweise anhand von Fahrversuchen mit dem Fahrzeug (100) ermittelt werden; - bei einem Fahrversuch die Fahrzeugfunktion mit einem Satz von Test-Werten (311) der ein oder mehreren Fahrzeugparameter (111) betrieben wird; und - bei dem Fahrversuch ein Test-Wert (301) der Zielgröße (106) gemessen wird.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - die Fahrzeugfunktion eine Gesamtmenge von Funktionsparametern (111) umfasst; und - das Verfahren (400) umfasst, Auswählen einer Teilmenge der Gesamtmenge von Funktionsparametern (111), die einen wesentlichen Einfluss auf den Wert (301) der Zielgröße (106) haben, der durch die Fahrzeugfunktion bewirkt wird; und - in den Trainingsdaten nur die Werte (311) der ein oder mehreren Funktionsparameter (111) aus der Teilmenge von ausgewählten Funktionsparametern (111) variiert werden; und/oder in den Trainingsdaten nicht die Werte (311) der ein oder mehreren Funktionsparameter (111) aus der Gesamtmenge von Funktionsparametern (111) variiert werden, die nicht für die Teilmenge ausgewählt wurden.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - zur Ermittlung der Trainingsdaten die Werte (311) der ein oder mehreren Funktionsparameter (111) innerhalb eines jeweils zulässigen Wertebereichs für die einzelnen Funktionsparameter (111) variiert werden; und - die Werte (311) insbesondere mittels einer Monte Carlo Methode und/oder mittels einer Latin Hypercube Sampling Methode variiert werden.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (400) umfasst, Validieren des ermittelten Satzes von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111) anhand eines Fahrversuchs mit dem Fahrzeug (100) und/oder anhand eines fahrdynamischen Modells des Fahrzeugs (100).
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (400) umfasst, Betreiben der Fahrzeugfunktion mit dem ermittelten Satz von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111).
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Basis-Modell (320) zumindest ein neuronales Netz (200) und/oder ein Gauß-Prozess Modell umfasst.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - das Verfahren (400) umfasst, Ermitteln von unterschiedlichen Trainingsdaten für unterschiedliche Fahrsituationen des Fahrzeugs (100); - die unterschiedlichen Fahrsituationen insbesondere unterschiedliche Bremsgeschwindigkeiten und/oder unterschiedliche Profile einer von dem Fahrzeug (100) befahrenen Fahrbahn (105) umfassen; - das Verfahren (400) umfasst, Anlernen, anhand der unterschiedlichen Trainingsdaten, von unterschiedlichen Basis-Modellen (320) für die unterschiedlichen Fahrsituationen; und - der Satz von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111) auf Basis der unterschiedlichen Basis-Modelle (320) ermittelt wird.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - der Satz von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111) anhand einer Optimierungsmethode ermittelt wird; und - die Optimierungsmethode insbesondere umfasst, einen Particle Swarm Optimierer, einen genetischen Optimierungsalgorithmus, und/oder eine Differential Evolution Methode.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - das Verfahren (400) iterativ wiederholt wird; - ein bestimmter Funktionsparameter (111) zur Ermittlung der Trainingsdaten in einer nten Iteration des Verfahrens (400) unterschiedliche Werte (311) aus einem zulässigen Wertebereich annimmt; - das Verfahren (400) umfasst, Wiederholen, in einer (n+1)^ten Iteration des Verfahrens (400), des Ermittelns (401) von Trainingsdaten, des Anlernens (402) eines Basis-Modells (320) und des Ermittelns (403) des Satzes von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111); - der bestimmte Funktionsparameter (111) zur Ermittlung der Trainingsdaten in der (n+1)^ten Iteration des Verfahrens (400) unterschiedliche Werte (311) aus einem zulässigen Wertebereich annimmt, der kleiner ist als der zulässige Wertebereich in der nten Iteration des Verfahrens (400); und - der zulässige Wertebereich in der (n+1)^ten Iteration des Verfahrens (400) um den in der nten Iteration des Verfahrens (400) ermittelten optimierten Wert (331) des bestimmten Funktionsparameters (111) angeordnet ist.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - die Fahrzeugfunktion eingerichtet ist, einen Aktor (102), insbesondere eine Bremsvorrichtung und/oder eine Dämpfungsvorrichtung, des Fahrzeugs (100) in Abhängigkeit von ein oder mehreren Messgrößen in Bezug auf einen Zustand des Fahrzeugs (100) anzusteuern, um den Wert (301) der fahrdynamischen Zielgröße (106) des Fahrzeugs (100) zu bewirken; und - die ein oder mehreren Fahrzeugparameter (111) umfassen, - ein oder mehrere Schwellenwerte, mit denen die ein oder mehrere Messgrößen innerhalb der Fahrzeugfunktion verglichen werden; und/oder - ein oder mehrere Gradienten und/oder Faktoren, mit denen die ein oder mehreren Messgrößen innerhalb der Fahrzeugfunktion verarbeitet werden.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - die Fahrzeugfunktion eine Bremsfunktion, insbesondere ABS, zum Abbremsen des Fahrzeugs (100) und/oder eine Dämpfungsfunktion, insbesondere VDC, zur Dämpfung von Schwingungen eines Fahrwerks und/oder eines Rades des Fahrzeugs (100) umfasst; und/oder - die fahrdynamische Zielgröße (106) einen Bremsweg des Fahrzeugs (100) umfasst; und/oder - das Optimierungskriterium darauf ausgelegt ist, den Wert (301) der Zielgröße (106) zu reduzieren, insbesondere zu minimieren.
Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Basis-Modell (320) derart angelernt wird, dass der durch das Basis-Modell (320) für einen Satz von Werten (311) der ein oder mehreren Funktionsparameter (111) ermittelte Schätzwert (321) der Zielgröße (106) eine Schätzung eines tatsächlichen Wertes (301) der Zielgröße (106) ist, der sich bei Betrieb der Fahrzeugfunktion mit dem Satz von Werten (311) der ein oder mehreren Funktionsparameter (111) ergibt.
Vorrichtung (300) zur Ermittlung von optimierten Werten (331) von ein oder mehreren Funktionsparametern (111) einer Fahrzeugfunktion eines Fahrzeugs (100); wobei durch einen Betrieb der Fahrzeugfunktion mit einem Satz von bestimmten Werten (311) der ein oder mehreren Funktionsparameter (111) ein bestimmter Wert (301) einer fahrdynamischen Zielgröße (106) des Fahrzeugs (100) bewirkt wird; wobei die Vorrichtung (300) eingerichtet ist, - Trainingsdaten für ein Basis-Modell (302) zu ermitteln; wobei die Trainingsdaten eine Vielzahl von Trainingsdatensätzen umfassen; wobei ein Trainingsdatensatz einen Satz von Test-Werten (311) der ein oder mehreren Funktionsparameter (111) und einen Test-Wert (301) der Zielgröße (106) umfasst; - das Basis-Modell (320) mittels der Trainingsdaten anzulernen, so dass das Basis-Modell (320) ausgebildet ist, für einen Satz von Werten (311) der ein oder mehreren Funktionsparameter (111) einen Schätzwert (321) der Zielgröße (106) zu ermitteln; und - einen Satz von optimierten Werten (331) der ein oder mehreren Funktionsparameter (111) derart anhand des Basis-Modells (320) zu ermitteln, dass ein Optimierungskriterium in Bezug auf die Zielgröße (106) verbessert, insbesondere optimiert, wird.