-
Die Erfindung betrifft ein Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Längsführen eines Kraftfahrzeugs. Erfindungsgemäß ist es möglich, ein einfaches Prädiktionsmodell derart aufzuwerten bzw. zu korrigieren, dass trotz geringer Rechenressourcen eine verlässliche Prädiktion ermöglicht wird. 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.
-
EP 1 926 647 B1 zeigt ein Verfahren zum Prädizieren einer Bewegungstrajektorie eines sich im Straßenverkehr bewegenden Objekts. Ein Ziel bei der Entwicklung von Kraftfahrzeugen sind Fahrerassistenzsysteme zur Unfallvermeidung. Diese Systeme überwachen das Umfeld des Fahrzeugs, entscheiden, ob es zu einer Kollision mit einem Objekt kommen kann, und greifen in das Lenksystem oder das Bremssystem des Fahrzeugs ein, um den Unfall durch ein Ausweichen oder Abbremsen zu vermeiden.
-
DE 10 2019 102 173 A1 zeigt ein Verfahren zum Steuern eines automatisierten Antriebssystems eines Fahrzeugs, wobei das Verfahren Folgendes umfasst: Berechnen einer Komplexitätsmetrik für einen bevorstehenden Bereich entlang einer Route, die das Fahrzeug fährt; als Reaktion darauf, dass die Komplexitätsmetrik unter einem vorgegebenen Schwellenwert für niedrige Komplexität liegt, Bestimmen einer Trajektorie für das Fahrzeug.
-
DE 10 2006 054 425 A1 zeigt ein Verfahren zum Ermitteln eines Werts eines Modellparameters eines Referenzfahrzeugmodells. Es wird ein Verfahren vorgeschlagen bei dem ein Schätzwert des Modellparameters in Abhängigkeit von wenigstens einer Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe mittels eines künstlichen neuronalen Netzes mehrmals ermittelt wird, wobei das künstliche neuronale Netz vor einer wiederholten Ermittlung des Schätzwerts anhand eines Lernverfahrens derart angepasst wird, dass sich der Schätzwert des Modellparameters dem tatsächlichen Wert des Modellparameters annähert.
-
Für eine virtuelle Funktionsentwicklung, Applikation und Absicherung längsführender Fahrerassistenzfunktionen bedarf es eines hochgenauen Simulationsmodells, welches die Dynamik des Antriebsstrangs in Längsrichtung realitätsgetreu abbildet. Da die testgetriebene Entwicklung schnelle Feedbackschleifen benötigt, müssen Simulationsergebnisse in minimaler Zeit geliefert werden können sodass die Komplexität des Modells gering gehalten werden muss. Die erfindungsgemäße Idee ist aus der Anforderung entstanden, zukünftig Systemapplikationen simulativ durchzuführen und liefert einen Ansatz für die Fahrzeuglängsdynamik, während der Stand der Technik teils einen Ansatz für die Querdynamik liefert.
-
Es existiert ein Trade-Off zwischen der Modellgenauigkeit und der Komplexität/Rechenzeit. Vergleichsweise einfache Modelle weisen eine geringe Modellkomplexität und somit Rechenzeit auf, verfügen aber über keine gute Modellierungsgüte und bilden die Realität nicht genau genug ab. Komplexere Modelle können die Fahrzeug spezifische Dynamik auch im nichtlinearen Bereich genau abbilden, erfordern aber einen höheren Modellierungs- und Parametrierungsaufwand und sind nicht recheneffizient.
-
Eine Möglichkeit, komplexe Modelle mit nichtlinearen Zusammenhängen effizient zu modellieren ist das Übertragungsverhalten mit neuronalen Netzen (KNN) zu abstrahieren. Diese werden als Black-Box-Modelle in vielen Bereichen eingesetzt. Für die Fahrzeugmodellbildung gibt es allerdings noch kein geeignet designtes KNN welches die Längsdynamik genau genug abbilden kann.
-
Die Modellierung der Längsdynamik und der Querdynamik eines Fahrzeugs ist stark unterschiedlich, so dass Modelle für die Simulation der Längsdynamik nicht für die Simulation der Querdynamik verwendet werden können und anders herum.
-
Während es für die Querdynamik verschiedenste Fahrzeugmodelle gibt (z.B. Einspurmodell, Zweispurmodell, Ackermann-Modell) erfordert eine genaue Modellierung des Übertragungsverhaltens in Längsrichtung die Nachbildung sämtlicher Antriebsstrang-Komponenten (u.a. Motor, Getriebe, ...) und fahrzeugspezifischer Übersetzungen. Insbesondere das stark nichtlineare Verhalten von Schaltvorgängen stellt eine große Herausforderung dar. Aus diesem Grund wird meistens versucht, alle Einzelkomponenten mit komplexen analytischen Modellen nachzubilden und fahrzeugspezifisch experimentell zu parametrieren. Damit ist allerdings ein hoher Aufwand verbunden der gerade mit steigender Derivatevielfalt nicht beherrschbar ist. Außerdem steigt somit die Dimensionalität und Komplexität des Modells sodass kleine Rechenzeiten nicht immer möglich sind.
-
Es ist eine Aufgabe der vorliegenden Erfindung, ein verbessertes, insbesondere zuverlässigeres, Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Längsführen eines Kraftfahrzeugs, bevorzugt eines Automobils oder Motorrads, vorzuschlagen. 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.
-
Die Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen gemäß Patentanspruch 1. Weitere vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
-
Demgemäß wird ein Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Längsführen eines Kraftfahrzeugs vorgeschlagen, aufweisend ein Parametrieren einer Soll-Anforderung an ein Fahrzeugverhalten in Längsrichtung als Eingabe für ein Simulieren einer Fahrzeuglängsdynamik; das Simulieren der Fahrzeuglängsdynamik unter Verwendung einer künstlichen Intelligenz anhand von sensorisch erfassten realweltlichen Daten, wobei auf eine Rückführung von Ausgabeparametern als Eingabeparameter verzichtet wird und das erneute Simulieren der Fahrzeuglängsdynamik unter Verwendung der künstlichen Intelligenz und der Rückführung der Ausgabeparameter als Eingabeparameter.
-
Unter einem Parametrieren wird allgemein ein Belegen von Parametern mit Werten verstanden. Dies kann erfindungsgemäß durch eine Benutzerschnittstelle erfolgen, wodurch manuell solche Werte eingegeben werden. Bei einer Rückkopplung ist dieses Einlesen sodann nicht mehr notwendig.
-
Die Prädiktion eines Fahrverhaltens bietet Parameterwerte, welche durch die zweistufige Simulation gewonnen werden. Es werden hier beispielsweise auch Messgrößen der Odometrie wie z.B. die Beschleunigung prädiziert. Das Fahrverhalten kann beispielweise durch einen Parameter beschrieben werden, der die Beschleunigung anzeigt. Die Beschleunigung kann allgemein auch negativ sein, was als Abbremsen bezeichnet wird.
-
Gemäß einem Aspekt der vorliegenden Erfindung wird die Soll-Anforderung in Abhängigkeit eines Fahrpedalwinkels, eines Bremspedalwinkels, einer Fahrbahnneigung, einer Geschwindigkeit und/ oder einer Beschleunigung spezifiziert. Dies hat den Vorteil, dass die Anforderungen sensorisch ausgelesen werden können und zudem kann ein Verhalten eines Fahrers simuliert werden. So können die Pedalstellungen einen Wert spezifizieren und es kann somit erkannt werden, wie weit ein Pedal durchgedrückt ist. Die Werte können auch dynamisch mittels einer Schnittstelle eingegeben werden.
-
Gemäß einem weiteren Aspekt der vorliegenden Erfindung werden die sensorisch erfassten realweltlichen Daten mittels eines Datenspeichers bereitgestellt. Dies hat den Vorteil, dass Testdaten a priori erzeugt werden können und sodann erfindungsgemäß verwendet werden können. Somit können unterschiedliche Szenarien durchgetestet werden und das System kann auf unterschiedliche Umgebungen trainiert werden.
-
Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird die Fahrzeuglängsdynamik durch eine Beschleunigung und/ oder eine Verzögerung beschrieben. Dies hat den Vorteil, dass ein einzelner Ausgabeparameter bereitgestellt werden kann, welcher die Längsdynamik beschreibt. Diese Fahrzeuglängsdynamik wird über die Zeit dokumentiert und Daten entsprechend protokolliert. Die Beschleunigung kann auch als Rückgabewert in das Verfahren als Eingangsparameter rückgekoppelt werden.
-
Gemäß einem weiteren Aspekt der vorliegenden Erfindung dienen die Ausgabeparameter aus dem ersten Simulieren als Eingabe für das zweite, erneute Simulieren. Dies hat den Vorteil, dass auch für ein initiales Ausführen der zweiten Iteration Eingabeparameter vorliegen. Zudem können beide Stufen kombiniert werden.
-
Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird das erste Simulieren als open-loop durchgeführt und das zweite, erneute Simulieren als closed-loop. Dies hat den Vorteil, dass eine erste Stufe bzw. ein erstes Simulieren ohne Rückführung (open-loop) und die zweite Simulation mit einer Rückführung von Ausgabeparametern (closed-loop) erfolgen kann. Eine Rückführung bezeichnet eine Rückkopplung der Ausgabewerte als Eingabewerte (loop). Das zweistufige Simulieren dient dem Training und zwar insbesondere dazu eine hohe Prädiktionsgüte im realen Umfeld erzielen zu können. In dem Setup als Simulationsmodell wird gemäß einem weiteren Aspekt der vorliegenden Erfindung nur noch closed-loop simuliert.
-
Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird in Abhängigkeit der simulierten Fahrzeuglängsdynamik ein Tempomat angesteuert. Dies hat den Vorteil, dass die Ergebnisse realweltlich verwendet werden und somit kann zur Echtzeit, also im Feld, das Verhalten simuliert und gleich angepasst werden. Somit werden gefährliche Situationen vermieden.
-
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.
-
Die Aufgabe wird auch gelöst durch eine Systemanordnung zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Längsführen eines Kraftfahrzeugs, aufweisend eine Schnittstelleneinheit eingerichtet zum Parametrieren einer Soll-Anforderung an ein Fahrzeugverhalten in Längsrichtung als Eingabe für ein Simulieren einer Fahrzeuglängsdynamik, eine erste Simulationsumgebung eingerichtet zum Simulieren der Fahrzeuglängsdynamik unter Verwendung einer künstlichen Intelligenz anhand von sensorisch erfassten realweltlichen Daten, wobei auf eine Rückführung von Ausgabeparametern als Eingabeparameter verzichtet wird und eine zweite Simulationsumgebung eingerichtet zum erneuten Simulieren der Fahrzeuglängsdynamik unter Verwendung der künstlichen Intelligenz und der Rückführung der Ausgabeparameter als Eingabeparameter. Dies kann erfindungsgemäß im Rahmen eines Trainierens der künstlichen Intelligenz, um im Feld eine geeignete Prädiktionsgüte zu erzielen.
-
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.
-
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.
-
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 Ablaufdiagramm eines Verfahrens zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Längsführen eines Kraftfahrzeugs gemäß einem Aspekt der vorliegenden Erfindung;
- 2: ein schematisches Blockschaltbild eines Simulationsmodells als Ausgangspunkt für die vorliegende Erfindung;
- 3A: ein schematisches Blockschaltbild zur Veranschaulichung des Grundprinzips eines Aspekts der vorliegenden Erfindung ohne einer Rückführung von Ausgabeparametern (open-loop);
- 3B: ein schematisches Blockschaltbild zur Veranschaulichung des Grundprinzips eines Aspekts der vorliegenden Erfindung mit einer Rückführung von Ausgabeparametern (closed-loop);
- 4A: ein schematisches Diagramm mit einem Generalisierungsfehler nach einem sogenannten open-loop Trainieren von Daten; und
- 4B: ein schematisches Diagramm mit einem Generalisierungsfehler nach einem sogenannten closed-loop Trainieren von Daten.
-
1 zeigt in einem schematischen Ablaufdiagramm ein Verfahren zur effizienten und genauen Prädiktion eines Fahrverhaltens zur Verwendung bei einem autonomen Längsführen eines Kraftfahrzeugs, aufweisend ein Parametrieren 100 einer Soll-Anforderung an ein Fahrzeugverhalten in Längsrichtung als Eingabe für ein Simulieren 101 einer Fahrzeuglängsdynamik; das Simulieren 101 der Fahrzeuglängsdynamik unter Verwendung einer künstlichen Intelligenz anhand von sensorisch erfassten realweltlichen Daten, wobei auf eine Rückführung von Ausgabeparametern als Eingabeparameter verzichtet wird und das erneute Simulieren 102 der Fahrzeuglängsdynamik unter Verwendung der künstlichen Intelligenz und der Rückführung der Ausgabeparameter als Eingabeparameter.
-
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.
-
2 zeigt ein schematisches Blockschaltbild eines Simulationsmodells, welches auf dem sogenannten Long short-term Speicher LSTM basiert. Es wird die Verwendung einer künstlichen Intelligenz vorgeschlagen. Diese kann einen sogenannten Long short-term memory LSTM (langes Kurzzeitgedächtnis) umfassen.
-
Eingangsparameter P können generell den Fahrpedalwinkel, den Bremspedalwinkel, die Fahrbahnneigung, die Geschwindigkeit und/ oder die Beschleunigung umfassen. Bei Fahrpedalwinkel, Bremspedalwinkel und Fahrbahnneigung kann es sich um eine Soll-Anforderung handeln und bei Geschwindigkeit und Beschleunigung um einen zurückgeführten Modellausgang, d.h. diese Werte können als Ergebnis berechnet und sodann wieder eingegeben werden. Auf der rechten Seite wird die Beschleunigung sodann ausgegeben. Dies ist durch den Pfeil gekennzeichnet. Gemäß dem oberen Pfad in 2 ergibt sich die Geschwindigkeit als Integral der Beschleunigung.
-
3A zeigt das Wirkprinzip bzgl. eines sogenannten open-loop Trainings. Es wird vorgeschlagen, die Fahrzeuglängsdynamik mit Hilfe eines Long-Short-Term-Memory-Netzwerks (LSTM) zu modellieren, welches basierend auf dem aktuellen Fahrpedal-, Bremspedal-Winkel, der Steigung und der vergangenen Beschleunigung und Geschwindigkeit die im aktuellen Schritt vorliegende Beschleunigung und Geschwindigkeit prädiziert. Das dynamische KNN eignet sich somit dafür, die Systemantwort auf die vom Fahrer oder vom Fahrerassistenzsystem vorgegebene Soll-Anforderung (in Form des Fahrpedal- und Bremspedalwinkels) zu modellieren.
-
Es kann zudem angenommen werden, dass sich dieser Ansatz auf vergleichbare Soll-Größen übertragen lässt.
-
3B zeigt den sogennanten closed-Loop-Simulationsbetrieb. Da das LSTM im closed-Loop-Simulationsbetrieb die zurückliegenden Daten der Beschleunigung und Geschwindigkeit benötigt, werden diese kontinuierlich zurückgeführt und für die jeweils nachfolgenden Prädiktionen verwendet. Das Netz prädiziert somit die nächsten Zeitschritte basierend auf der eigenen Prädiktion vergangener Zeitschritte. Um einen kumulierten Fehler mit steigender Simulationszeit zu verhindern und die Stabilität des Trainings zu verbessern, erfolgt ein zweistufiges Training.
-
Insgesamt zeigen die 3A und 3B das zweistufige Open/Closed-Loop-Trainingsschema. 3A zeigt das Simulieren der Fahrzeuglängsdynamik unter Verwendung einer künstlichen Intelligenz anhand von sensorisch erfassten realweltlichen Daten, wobei auf eine Rückführung von Ausgabeparametern als Eingabeparameter verzichtet wird und 3B zeigt das erneute Simulieren der Fahrzeuglängsdynamik. 3A zeigt beispielhaft die erste Simulationsumgebung und 3B zeigt beispielhaft die zweite Simulationsumgebung.
-
4A zeigt ein schematisches Diagramm mit einem Generalisierungsfehler der im Rahmen des open-loop Trainings entsteht. Im Open-Loop-Training wird das LSTM mit Ground-Truth-Trainingsdaten trainiert, die prädizierten Werte werden also nicht zurückgeführt und die reale Zeitserie wird verwendet.
-
Bei Ground-Truth-Trainingsdaten handelt es sich beispielsweise um sensorisch erfasste Werte aus der realen Welt. Ground-Truth-Trainingsdaten werden in den 4A und 4B als gestrichelte Kurven gezeigt, prädizierte Daten als durchgehende Kurve.
-
4B schematisches Diagramm mit einem Generalisierungsfehler der im Rahmen des closed-loop Trainings entsteht. Im Closed-Loop-Training wird das LSTM mit zurückgeführten Eingangsdaten trainiert. Das LSTM lernt somit seinen eigenen Prädiktionsfehler und verhindert im Closed-Loop-Simulationsbetrieb eine mit der Zeit größer werdende Abweichung von der Realität.
-
Die Vorteile dieses Verfahrens sind unter anderem:
- 1. die Möglichkeit der Parametrierung des Modells mit Messdaten des jeweiligen Fahrzeugs ggü. einer aufwändigen experimentellen Bestimmung von Modellparametern der Einzelkomponenten;
- 2. geringere Komplexität des Modells und somit Rechenzeit;
- 3. hohe Genauigkeit und einfache Adaptivität an verschiedene Fahrzeugmodelle; und
- 4. größtenteils automatisierbares und skalierbares Modellierungs- und Trainingskonzept.
-
Das im Grundprinzip beschriebene Modellierungskonzept eignet sich für den Einsatz als Fahrzeugmodell zur Prädiktion der Längsdynamik. Es hat insbesondere dann großes Potential, wenn die zu erwartende Fahrzeugdynamik in kurzer Rechenzeit hochgenau in Abhängigkeit der Soll-Anforderung modelliert werden soll. Insbesondere zur virtuellen Produktentwicklung, Parametrierung und Absicherung von Fahrzeugregelsystemen oder automatisierten Fahrfunktionen hat das LSTM-Fahrzeugmodell besonderes Potential. Ein Anwendungsbeispiel ist die Simulation von ACC-Systemen (Adaptive Cruise Control bzw. eines Tempomats) oder der Einsatz als Prädiktionsmodell für adaptive Reglersysteme (z.B. MPC-Regler). Darüber hinaus kann dieser Ansatz zur langfristigen Prädiktion anderer Verkehrsteilnehmer (Fußgänger, Fahrzeuge, Cut-In-Prädiktionen) genutzt werden und die Planungsgüte des Ego-Fahrzeugs weiter zu steigern.
-
Die prototypische Implementierung der Idee konnte bereits hohe Modellierungsgenauigkeiten liefern. Vorteilhaft ist die vorliegende Erfindung unter anderem für Automobilhersteller, die Simulationsmodelle benutzen um ihre Fahrerassistenzfunktionen und Fahrzeugregelsysteme virtuell zu entwickeln, zu parametrieren und abzusichern. Die Nutzung als Prädiktionsmodell für automatisierte Fahrfunktionen ist vorteilhaft.
-
Der Kurvenverlauf im Vergleich von 4A und 4B zeigt eine hohe Modellgüte auch über den Verlauf der Zeit, was durch das zweistufige Simulieren (open-/ closed-loop) erreicht wird. Beide Figuren zeigen Ergebnisse für ein Beispielmanöver.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- EP 1926647 B1 [0002]
- DE 102019102173 A1 [0003]
- DE 102006054425 A1 [0004]
