-
Die Erfindung betrifft ein Verfahren zum Erstellen eines Motion Cueing Algorithmus. Die Erfindung betrifft des Weiteren eine Vorrichtung zum Erstellen des Motion Cueing Algorithmus. Die Erfindung betrifft des Weiteren ein Computerprogramm zum Erstellen des Motion Cueing Algorithmus. Die Erfindung betrifft des Weiteren ein computerlesbares Speichermedium zum Erstellen des Motion Cueing Algorithmus.
-
Bei einer Fahrsimulation bezieht sich Motion Cueing auf den Prozess der Umwandlung von Fahrzeugbewegungen, die typischerweise aus einem Fahrzeugmodell oder Fahrzeugaufzeichnungen stammen, in Eingabebefehle für einen bewegungsbasierten Simulator. Diese Umwandlung erfolgt durch einen sogenannten Motion Cueing Algorithmus (MCA).
-
Die Aufgabe, die der Erfindung zugrunde liegt, ist einen rechnerisch kostengünstigen Motion Cueing Algorithmus zu schaffen.
-
Die Aufgabe wird gelöst durch die Merkmale des unabhängigen Patentanspruchs. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.
-
Die Erfindung zeichnet sich aus durch ein Verfahren zum Erstellen eines Motion Cueing Algorithmus. Die Erfindung zeichnet sich des Weiteren aus durch eine Vorrichtung zum Erstellen des Motion Cueing Algorithmus, wobei die Vorrichtung dazu ausgebildet ist, das Verfahren zum Erstellen des Motion Cueing Algorithmus aufzuführen.
-
Bei dem Verfahren werden Daten für eine vorgegebene Fahrsimulationsumgebung ermittelt, die repräsentativ sind für Signale eines Fahrzeugmodells einer simulierten Fahrt entlang einer Route in der Fahrsimulationsumgebung und/oder für Signale einer Realfahrt eines Fahrzeuges entlang einer Route. Die Daten werden in einem ersten Datensatz gespeichert. Eine Bewegungsführung wird für die Fahrsimulationsumgebung abhängig von den Daten des ersten Datensatzes mittels eines vorgegeben optimierungsbasierten Motion Cueing Algorithmus ermittelt. Die ermittelte Bewegungsführung wird als Daten in einem zweiten Datensatz gespeichert. Ein künstliches neuronales Netz wird mittels der Daten des ersten Datensatzes als Eingangsgröße und der Daten des zweiten Datensatzes als Zielausgabegröße trainiert. Das künstliche neuronale Netz wird gespeichert zur Verwendung als Motion Cueing Algorithmus in der Fahrsimulationsumgebung.
-
Durch die Verwendung des trainierten neuronale Netz als Motion Cueing Algorithmus (MCA) wird ein MCA erhalten, das das Verhalten von optimierungsbasierten MCAs imitiert, aber im Gegensatz zu optimierungsbasierten MCAs echtzeitfähig ist, also ohne spürbare Verzögerung arbeitet.
-
Weiterhin benötigt das neuronale Netz als MCA keine vorhergesagten Fahrereingaben. Allerdings ist es optional möglich das neuronale Netz mittels Vorhersagen weiter zu verbessern.
-
Somit wird durch das beschriebene Verfahren eine echtzeitfähige Version eines optimierungsbasierten MCA erschaffen, das eine Cueing-Qualität bietet, die sonst nur offline erreicht werden kann.
-
Bei der Datenerfassung kann ein Standard-MCA verwendet werden, um ein Bewegungssystem der Fahrsimulationsumgebung zu steuern und/oder die Datenerfassung kann in einer statischen Fahrsimulationsumgebung ohne Bewegungssystem durchgeführt werden. Bei dem Standard-MCA handelt es sich beispielsweise um einen MCA mit einem so genannten Washout-Filter, dessen Hauptarbeitsprinzip auf der Filterung der Eingangsdaten beruht. Daher wird diese Art von MCA als filterbasierter MCA bezeichnet. Alternativ ist der Standard-MCA ein anderer echtzeitfähiger MCA. Alternativ können Signale einer Realfahrt eines Fahrzeuges entlang einer Route verwendet werden.
-
Die Ermittlung der Bewegungsführung unter Verwendung eines optimierungsbasierten MCAs kann in einem offline Modus durchgeführt werden, also insbesondere nicht in Echtzeit abgearbeitet werden um eine möglichst genaue Bewegungsführung zu ermitteln.
-
Der optimierungsbasierten MCA ist beispielsweise ein MCA basierend auf Model-Predictive-Control (MPC). MPC ermöglicht die Optimierung von Steuereingaben bei gleichzeitiger Erfüllung einer Reihe von Einschränkungen. Vergleiche zwischen filterbasierten MCAs und optimierungsbasierten MCAs haben deutlich gezeigt, dass letztere das Potenzial haben, ein besseres Motion Cueing zu liefern. Ein wichtiger Nachteil dieses MCA-Typs ist jedoch, dass er rechnerisch teuer (d.h. langsam) ist. Darüber hinaus ist eine Vorhersagestrategie erforderlich, um zukünftige Fahrzeugbewegungen oder Fahrereingaben vorherzusagen. Mit anderen Worten, optimierungsbasierte MCAs erfordern in der Regel Vorhersagen über die Zukunft und relativ lange Rechenzeiten. Alternativ können andere nicht-echtzeitfähige MCAs verwendet werden.
-
Die ermittelte Bewegungsführung kann auch als Motion Cueing bezeichnet werden.
-
Da bei der Ermittlung der Bewegungsführung eine gesamte zukünftige Fahrzeugtrajektorie aus dem ersten Datensatz zur Verfügung steht, kann ein sehr genaues Motion Cueing für die Fahrsimulationsumgebung ermittelt werden.
-
Gemäß einer optionalen Ausgestaltung umfasst das Verfahren zusätzlich ein Integrieren des gespeicherten künstlichen neuronales Netzes in eine Driver-in-the-Loop Funktion der Fahrsimulationsumgebung.
-
Hierdurch kann ein sehr genaues Motion Cueing für eine Driver-in-the-Loop Funktion ermöglicht werden, das den optimierungsbasierten MCA nachahmt. Driver-in-the-Loop bedeutet hierbei, dass ein menschlicher Fahrer in die Steuerung des Fahrzeugmodells in der Fahrsimulationsumgebung integriert wird.
-
Gemäß einer weiteren optionalen Ausgestaltung werden für den ersten Datensatz Daten ermittelt, die repräsentativ sind für Signale des Fahrzeugmodells von unterschiedlichen Routen und der zweite Datensatz eine ermittelte Bewegungsführung für jede der Routen umfasst.
-
Hierdurch wird die Variabilität eines Fahrverhaltens berücksichtigt und somit auch das Ergebnis des künstlichen neuronalen Netzes verbessert.
-
Gemäß einer weiteren optionalen Ausgestaltung werden für den ersten Datensatz Daten von mehreren Fahrern und/oder mehreren Fahrermodellen auf derselben Route ermittelt.
-
Hierdurch wird die Variabilität eines Fahrverhaltens berücksichtigt und somit auch das Ergebnis des künstlichen neuronalen Netzes verbessert. Insbesondere werden sowohl verschiedene Routen, als auch für jede Route mehrere Fahrten durchgeführt und als Daten für den ersten Datensatz verwendet.
-
Gemäß eines weiteren Aspekts zeichnet sich die Erfindung aus durch ein Computerprogramm zum Erstellen eines Motion Cueing Algorithmus, umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, das Verfahren zum Erstellen des Motion Cueing Algorithmus oder eine optionale Ausgestaltung des Verfahrens auszuführen.
-
Gemäß eines weiteren Aspekts zeichnet sich die Erfindung aus durch ein Computerlesbares Speichermedium, auf dem das Computerprogramm zum Erstellen eines Motion Cueing Algorithmus gespeichert ist.
-
Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnung näher erläutert. Es zeigt:
- 1 ein Ablaufdiagramm eines Programms zum Erstellen eines Motion Cueing Algorithmus.
-
Die 1 zeigt ein Ablaufdiagramm eines Verfahrens zum Erstellen eines Motion Cueing Algorithmus.
-
Das Verfahren kann mittels eines Programms realisiert werden. Alternativ ist es möglich, dass das Verfahren mittels mehrerer Teilprogramme und/oder Unterprogramme realisiert werden kann.
-
Das Verfahren kann beispielsweise von einer Vorrichtung, wie einem Computer oder mehreren Computern abgearbeitet werden. Hierbei können Teile des Verfahrens von einer Vorrichtung und Teile des Verfahrens von einer anderen Vorrichtung abgearbeitet werden. Die jeweilige Vorrichtung weist hierfür insbesondere eine Recheneinheit, einen Programm- und Datenspeicher, sowie beispielsweise eine oder mehrere Kommunikationsschnittstellen auf. Der Programm- und Datenspeicher und/oder die Recheneinheit und/oder die Kommunikationsschnittstellen können in einer Baueinheit und/oder verteilt auf mehrere Baueinheiten ausgebildet sein.
-
Die Vorrichtung kann auch als Vorrichtung zum Erstellen eines Motion Cueing Algorithmus bezeichnet werden.
-
Auf dem Programm- und Datenspeicher der Vorrichtung ist hierfür insbesondere das Verfahren zum Erstellen und/oder Ausführen eines Motion Cueing Algorithmus gespeichert.
-
Das Verfahren wird in einem Schritt S1 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.
-
In einem Schritt S3 werden Daten für eine vorgegebene Fahrsimulationsumgebung 39 ermittelt, die repräsentativ sind für Signale eines Fahrzeugmodells 35 einer simulierten Fahrt entlang einer Route in der Fahrsimulationsumgebung 39 und/oder für Signale einer Realfahrt eines Fahrzeuges entlang einer Route. Anschließend werden die Daten in einem ersten Datensatz 33 gespeichert.
-
Die Unterblöcke 31-39 veranschaulichen den Schritt S3. Ein Fahrer oder ein Fahrermodell 31 steuert das Fahrzeugmodell 35. Optional geschieht dies in der Fahrsimulationsumgebung 39 die mittels eines optionalen Motion Cueing Algorithmus 37 angesteuert wird und die dem Fahrer oder dem Fahrermodell 31 eine Rückmeldung liefert. Der Motion Cueing Algorithmus 37 ist beispielsweise ein filterbasierter Motion Cueing Algorithmus (MCA), wie beispielsweise ein MCA mit einem so genannten washout-filter. Alternativ kann die Datenerfassung in einer statischen Fahrsimulationsumgebung 39 ohne Bewegungssystem durchgeführt werden. Optional werden Signale einer Realfahrt eines Fahrzeuges entlang einer Route für den ersten Datensatz 33 verwendet.
-
Die von dem Fahrzeugmodell 35 erzeugten Signale oder die bei der Realfahrt erzeugten Signale werden in dem ersten Datensatz 33 gespeichert.
-
Die Datenerfassung in dem Schritt S3 kann insbesondere auch für eine Mehrzahl von Routen und/oder für eine Mehrzahl von Fahrern oder Fahrermodellen 31 erfolgen.
-
In einem Schritt S5 wird eine Bewegungsführung für die Fahrsimulationsumgebung 39 abhängig von den Daten des ersten Datensatzes 33 mittels eines vorgegeben optimierungsbasierten Motion Cueing Algorithmus 41 ermittelt und als Daten in dem zweiten Datensatz 43 gespeichert. Die Ermittelte Bewegungsführung kann auch als Motion Cueing bezeichnet werden.
-
Der zweite und der erste Datensatz können beispielsweise in zwei separaten Datenbanken gespeichert sein, alternativ handelt es sich um eine gemeinsame Datenbank. Alternativ handelt es sich lediglich um Datensätze, die nicht in Form einer Datenbank gespeichert sind.
-
Die Unterblöcke 33-43 veranschaulichen den Schritt S5. Die Daten des ersten Datensatzes 33 werden als Eingangsgröße für den vorgegeben optimierungsbasierten Motion Cueing Algorithmus 41 verwendet. Das Ergebnis des vorgegeben optimierungsbasierten Motion Cueing Algorithmus 41 wird als Daten in dem zweiten Datensatz 43 gespeichert. Der optimierungsbasierten MCA ist beispielsweise ein MCA basierend auf Model-Predictive-Control (MPC).
-
Der Schritt S5 kann insbesondere offline, also nicht in Echtzeit durchgeführt werden (dargestellt durch die gestrichelte Linie), um ein sehr genaues Motion Cueing für die Fahrsimulationsumgebung 39 ermitteln zu können.
-
In einem Schritt S7 wird ein künstliches neuronales Netz 53 mittels der Daten des ersten Datensatzes 33 als Eingangsgröße und der Daten des zweiten Datensatzes 43 als Zielausgabegröße trainiert.
-
Die Unterblöcke 33, 43 und 53 veranschaulichen den Schritt S7. Die Daten des ersten Datensatzes 33 werden als Eingangsgröße für das Training des künstlichen neuronales Netzes 53 und die Daten des zweiten Datensatzes 43 als Zielausgabegröße für das Training verwendet.
-
Das Training wird in der 1 durch die gestrichelte Linie und dem Dreiviertelkreispfeil symbolisiert. Hierbei werden insbesondere Netzwerkparameter optimiert und/oder die Netzwerkstruktur des künstlichen neuronalen Netzes.
-
In einem Schritt S9 wird das künstliche neuronale Netz zur Verwendung als Motion Cueing Algorithmus in der Fahrsimulationsumgebung 39 gespeichert.
-
Die Unterblöcke 31, 35, 53 und 39 veranschaulichen den Schritt S9. Das trainierte neuronale Netz wird in die Funktion der Fahrsimulationsumgebung 39 integriert, insbesondere in eine Driver-in-the-Loop Funktion der Fahrsimulationsumgebung 39. Steuert nun der Fahrer oder das Fahrermodell 31 ein Fahrzeugmodell 35 in der Fahrsimulationsumgebung 39 so geschieht dies mittels des trainierten neuronalen Netzes 53.
-
In einem Schritt S11 wird das Programm beendet und kann gegebenenfalls wieder in dem Schritt S1 gestartet werden.
-
Durch die Verwendung des trainierten neuronale Netz 53 als MCA wird ein MCA erhalten, das das Verhalten von optimierungsbasierten MCAs imitiert, aber im Gegensatz zu optimierungsbasierten MCAs echtzeitfähig ist, also ohne spürbare Verzögerung arbeitet. Somit wird durch das beschriebene Programm eine echtzeitfähige Version eines optimierungsbasierten MCA erschaffen, das eine Cueing-Qualität bietet, die sonst nur offline erreicht werden kann.
-
Bezugszeichenliste
-
- 31
- S1-S11 Schritte Fahrer oder Fahrermodell
- 33
- Fahrzeugmodell
- 35
- erster Datensatz
- 37
- Motion Cueing Algorithmus
- 39
- Fahrsimulationsumgebung
- 41
- optimierungsbasierter Motion Cueing Algorithmus
- 43
- zweiter Datensatz
- 53
- neuronales Netz
