-
Die Erfindung betrifft ein Verfahren zum Trainieren eines neuronalen Netzes und ein Verfahren mit einem trainierten neuronalen Netz für eine Schätzung eines Reibwertes eines Fahrzeugrades gegenüber einem Untergrund.
-
Stand der Technik
-
Der jeweilige Straßenzustand ist wesentlich für ein Fahren mit einem Fahrzeug, für die allgemeine Straßensicherheit und dem Straßenzustand kommt eine Schlüsselrolle bei Unfällen zu. Wird ein maximaler Reibwert zwischen einem Fahrzeugrad und einer Fahrbahn, beispielsweise bei Aquaplaning oder winterlichen Bedingungen, wie starkem Regen, Schnee oder Eis, überschritten, droht eine instabile Fahrsituation aufgrund eines Haftungsverlusts des Fahrzeugrades zur Fahrbahn. Für eine Vielzahl von Fahrerassistenzsystemen sowie für teilautomatisierten Fahrzeuge ist es wichtig den maximalen Reibwert nicht zu überschreiten, um immer einen sicheren Fahrzustand zu gewährleisten oder gegebenenfalls eine automatische Fahrfunktion zu beenden.
-
Moderne Kraftfahrzeuge weisen Regeleinrichtungen wie Fahrdynamikregelungen (ESP, Elektronisches Stabilitätsprogramm) auf. Dabei stellt auch das Elektronische Stabilitätsprogramm im Wesentlichen ein Schlupfregelsystem dar. Beim Eintreten von kritischen Fahrsituationen greift dann ein Sicherheitssystem wie beispielsweise das Antiblockiersystem (ABS) oder ein Traktionskontrollsystem (TCS) ein.
-
Während des Eingriffs einer Regeleinrichtung kann der tatsächliche Reibwert durch Messung ermittelt werden, so dass in diesem Fall ein verlässlicher Wert vorliegt. Da jedoch der Eingriff eines Fahrerassistenzsystems bei normalem Fahrverhalten eher selten ist, liegen während des Betriebs eines Fahrzeugs in der Regel nur selten Informationen über den aktuell vorhandenen minimalen Reibwert vor. Der maximale Reibwert muss dann geschätzt werden.
-
In der Regel verfügen die oben erwähnten Regeleinrichtungen über eine Vielzahl von Einrichtungen zum Ermitteln eines aktuellen Reibwerts zwischen Rädern des Kraftfahrzeugs und der Fahrbahn. Diese sogenannten Reibwertschätzer sind dabei für unterschiedliche Fahrerassistenzeinrichtungen sehr spezifisch ausgelegt und unabhängig voneinander.
-
Offenbarung der Erfindung
-
Die Schätzung von Reifen-Fahrbahn-Reibung basiert hauptsächlich auf der Modellierung des Reibungskoeffizienten in Abhängigkeit vom Schlupf. Je nach Straßenzwischenschicht wie z. B. Trocken- oder Nassasphalt zeigt diese Abhängigkeit eine sehr spezifische Kennlinie, die zur Abschätzung der maximal möglichen Reibung herangezogen werden kann (µ max), wobei eine solche Abschätzung auf einer Steigung der Kennlinie in einem linearen Bereich basiert.
-
Die vorliegende Erfindung offenbart ein Verfahren zum Trainieren eines neuronalen Netzes, ein Verfahren zur Schätzung eines Reibwertes mit dem trainierten neuronalen Netz, eine Vorrichtung, ein Computerprogramm, sowie ein maschinenlesbares Speichermedium gemäß den Merkmalen der unabhängigen Ansprüche, die die oben genannten Aufgaben zumindest zum Teil lösen. Vorteilhafte Ausgestaltungen sind Gegenstand der abhängigen Ansprüche sowie der nachfolgenden Beschreibung.
-
Die Erfindung beruht auf der Erkenntnis, dass bei der Vielzahl von Sensoren, die in modernen Fahrzeugen verbaut werden und sowohl reibwertspezifische Datensequenzen als auch fahrdynamische Datensequenzen bereitstellen können, ein neuronales Netz für eine Schätzung eines Reibwertes mittels aktiv bestimmter Reibwerte ohne Modellannahmen trainiert werden kann.
-
In dieser gesamten Beschreibung der Erfindung ist die Abfolge von Verfahrensschritten so dargestellt, dass das Verfahren leicht nachvollziehbar ist. Der Fachmann wird aber erkennen, dass viele der Verfahrensschritte auch in einer anderen Reihenfolge durchlaufen werden können und zu dem gleichen oder einem entsprechenden Ergebnis führen. In diesem Sinne kann die Reihenfolge der Verfahrensschritte entsprechend geändert werden.
-
Gemäß einem Aspekt wird ein Verfahren zum Trainieren eines neuronalen Netzes für eine Schätzung eines Reibwertes eines Fahrzeugrades gegenüber einem Untergrund angegeben. In einem Schritt wird eine diskrete Datensequenz zumindest eines reibwertspezifischen Sensortyps bereitgestellt. In einem weiteren Schritt wird eine diskrete Datensequenz zumindest eines fahrdynamischen Sensortyps für das Fahrzeugrad eines beschränkten Beschleunigungsbereiches des Fahrzeugrades bereitgestellt. In einem weiteren Schritt werden die zumindest zwei diskreten Datensequenzen synchronisiert. In einem weiteren Schritt wird ein aktiv bestimmter Reibwerte für das Fahrzeugrad bereitgestellt, der spezifisch für die diskreten Datensequenzen ist. Ein weiterer Schritt generiert einen Eingangstensor, mittels der diskreten Datensequenz des reibwertspezifischen und des fahrdynamischen Sensortyps, für das neuronale Netz.
-
Es werden in einem weiteren Schritt eine Vielzahl so generierter Eingangstensoren mit jeweils zugehörigen aktiv bestimmten Reibwerten mittels einer Pluralität unterschiedlicher Datensequenzen, zumindest des reibwertspezifischen Sensortyps und des fahrdynamischen Sensortyps, gebildet. In einem weiteren Schritt wird das neuronalen Netz mit der Vielzahl von Eingangstensoren mit den jeweils spezifischen aktiv bestimmten Reibwerten trainiert, um Reibwerte mittels diskreter Datensequenzen, zumindest des reibwertspezifischen Sensortyps und des fahrdynamischen Sensortyps, zu schätzen.
-
Dabei werden unter den reibwertspezifischen Sensortypen solche Typen von Sensoren verstanden, die Einflussfaktoren auf den Reibwert eines bestimmten Fahrzeugrades gegenüber einem Untergrund bestimmen können. Insbesondere sind das beispielsweise äußere Einflussfaktoren wie die Temperatur, zusätzliche Schichten auf dem Untergrund, wie Wasser oder Eis, aber auch der Typ und die Beschaffenheit des Untergrundes selbst sowie das Material, die Beschaffenheit und die Geometrie des Fahrzeugrades.
-
1 zeigt beispielhaft eine typische Abhängigkeit des Kraftschlusses bzw. des Reibwerts µ in Abhängigkeit vom Schlupf λ bei unterschiedlicher Beschaffenheit des Untergrunds. In Abhängigkeit von Trockenheit 110, oder Schnee 120 und Eis 130 ergeben sich unterschiedliche Reibwert-Verläufe mit unterschiedlichem maximalem Reibwert.
-
Mit fahrdynamischen Sensortypen werden Sensortypen beschrieben, die Daten bzw. Datensequenzen aufnehmen, die Rückschlüsse auf dynamische Fahrvorgänge eines Fahrzeuges zulassen, welches von dem Fahrzeugrad zumindest teilweise angetrieben oder stabilisiert wird und beinhaltet auch fahrdynamische Datensequenzen des Fahrzeugrades selbst. Es werden aber nur solche Datensequenzen bereitgestellt, die aus einem beschränkten Beschleunigungsbereich des Fahrzeuges resultieren, d.h. es werden die Datensequenzen ausgelassen, die auftreten, wenn beispielsweise ein automatisches Sicherheitssystem eingreift. Dies begründet sich dadurch, dass der Reibwert des Fahrzeugs im Normalbetrieb geschätzt werden soll. Denn beim Eingreifen eines automatischen Sicherheitssystems, wie sie oben entsprechend dem Stand der Technik beschrieben wurden, kann der Reibwert direkt bestimmt werden. Ein solcher Eingriff erfolgt im normalen Fahrbetrieb aber nur sporadisch und bedingt daher die Notwendigkeit ein Verfahren anzugeben mit dem der Reibwert geschätzt werden kann.
-
In der 1 ist im ersten Teil der Kurve, d.h. bei einem kleinen Schlupf λ, ein linearer Verlauf der Funktion des Reibwerts µ in Abhängigkeit vom Schlupf λ zu erkennen, wobei die Steigung dieses linearen Verlaufs eine Reifenlängssteifigkeit oder auch Reifensteifigkeit angibt. Dabei ist die Steigung der µ-λ-Kurve, d.h. die Reifensteifigkeit, insbesondere von der Ausführung des Reifens und einer möglichen Zwischenschicht abhängig. Ein weicher Reifen wie beispielsweise ein Winterreifen weist eine deutlich flachere µ-λ-Kurve als ein harter Reifen auf. D.h. auch wenn die Datensequenzen eines fahrdynamischen Sensortyps innerhalb eines beschränkten Beschleunigungsbereichs ermittelt wurden, können Rückschlüsse auf den Reibwert mit diesen Datensequenzen erfolgen.
-
Dadurch, dass ein neuronales Netz trainiert wird einen Reibwert sowohl mit Daten bzw. Datensequenzen reibwertspezifischer Sensortypen als auch mit Datensequenzen von fahrdynamischen Sensortypen zu schätzen, erübrigt sich ein modellbasierter Ansatz des komplexen Zusammenhangs von Fahrdynamik und äußeren Einflussfaktoren auf den Reibwert. Insbesondere dadurch, dass dieses Training mit spezifischen Fahrzeugen durchgeführt werden kann, werden auch die ganz spezifischen Fahrzeugeigenschaften für das Schätzen des Reibwertes berücksichtigt.
-
Eine zeitliche Dauer der Datensequenzen muss dabei nicht vorgegeben werden und kann den Umständen angepasst werden. Insbesondere ist es auch möglich von den unterschiedlichen Sensortypen gleichlange Datensequenzen bzw. Datensequenzen eines bestimmten Zeitintervalls für das Training des neuronalen Netzes bereitzustellen. Für einige Sensortypen kann die Dauer einer Datensequenz auch dadurch bestimmt werden, dass die Gültigkeit eines Wertes für ein bestimmtes Zeitintervall angegeben wird.
-
Da die unterschiedlichen Sensortypen Daten zu unterschiedlichen Zeitpunkten bzw. in unterschiedlichen Frequenzen generieren, kann in dem Synchronisationsschritt des Verfahrens eine zeitliche Synchronisierung der Daten über Zeitstempel, mit dem die Daten versehen werden können, erfolgen. Es ist aber auch möglich Interpolationen zwischen Datenpunkten eines Sensortyps vorzunehmen, um eine Synchronisation mit einem anderen Sensortyp, der beispielsweise Daten mit einer anderen Frequenz generiert, durchzuführen.
-
Unterschiedliche Verfahren für das Generieren eines aktiv bestimmten Reibwertes, der für das Verfahren zum Trainieren eines neuronalen Netzes bereitgestellt wird, sind weiter unten erläutert. Bei der Bestimmung eines entsprechenden Reibwertes ist eine zeitliche Korrelation zu den diskreten Datensequenzen notwendig, um eine Kausalität zwischen den diskreten Datensequenzen und einem zu schätzenden Reibwert herzustellen. Abhängig von dem Verfahren zum aktiven Bestimmen des Reibwertes kann dieser Reibwert gleichzeitig oder in engem zeitlichen Zusammenhang, nämlich so dass ein funktional-kausaler Zusammenhang erhalten bleibt, mit den diskreten Datensequenzen auch nach der Bestimmung der diskreten Datensequenzen erfolgen. Mit anderen Worten ist es wichtig, dass zu den diskreten Datensequenzen die jeweils spezifischen aktiv bestimmten Reibwerte zugeordnet werden.
-
Ein neuronales Netzwerk stellt einen Rahmen für viele verschiedene Algorithmen zum maschinellen Lernen, zum Zusammenarbeiten und für die Verarbeitung komplexer Dateneingaben zur Verfügung. Solche neuronalen Netzwerke lernen, Aufgaben anhand von Beispielen auszuführen, ohne typischerweise mit aufgabenspezifischen Regeln programmiert worden zu sein.
-
Ein solches neuronale Netz basiert auf einer Sammlung verbundener Einheiten oder Knoten, die als künstliche Neurone bezeichnet werden. Jede Verbindung kann ein Signal von einem künstlichen Neuron zu einem anderen übertragen. Ein künstliches Neuron, das ein Signal empfängt, kann es verarbeiten und dann weitere damit verbundene künstliche Neuronen aktivieren.
-
Bei herkömmlichen Implementierungen von neuronalen Netzen ist das Signal an einer Verbindung künstlicher Neuronen eine reelle Zahl, und der Ausgang eines künstlichen Neurons wird durch eine nichtlineare Funktion der Summe seiner Eingänge berechnet. Die Verbindungen der künstlichen Neurone haben typischerweise ein Gewicht, das sich mit fortschreitendem Lernen anpasst. Das Gewicht erhöht oder verringert die Stärke des Signals an einer Verbindung. Künstliche Neuronen können eine Schwelle aufweisen, so dass ein Signal nur dann ausgegeben wird, wenn das Gesamtsignal diese Schwelle überschreitet. Typischerweise wird eine Vielzahl von künstlichen Neuronen in Schichten zusammengefasst. Unterschiedliche Schichten führen möglicherweise unterschiedliche Arten von nichtlinearen Transformationen für ihre Eingaben durch. Signale wandern von der ersten Schicht, der Eingabeschicht, zur letzten Schicht, der Ausgabeschicht, möglicherweise nach mehrmaligem Durchlaufen der Schichten.
-
Die Architektur des künstlichen Neuronalen-Feed-Forward-Netzes oder eines rekurrenten neuronalen Netzes kann eine Architektur sein, die so konfiguriert ist, dass sie in ihrer Eingangsstufe ein einzelnes Datenmuster entsprechend einem Bild oder einer Datensequenz empfängt und einen Ausgangs-Klassifikationsvektor bereitstellt, der Muster in den Eingangsdaten unterschiedlichen Klassen zuordnet.
-
Gemäß einem Aspekte des Verfahrens wird vorgeschlagen, dass das neuronale Netz ein rekurrentes neuronales Netz (RNN) ist. Als rekurrente bzw. rückgekoppelte neuronale Netze bezeichnet man neuronale Netze, die sich im Gegensatz zu den Feedforward-Netzen durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnen. Diese rekurrente Verschaltung von Modellneuronen kann benutzt werden, um zeitlich codierte Informationen in den Daten zu entdecken.
-
RNNs sind eine Klasse von neuronalen Netzwerken, die von der sequentiellen Natur ihrer Eingabe abhängen. Sie werden auf der Grundlage entwickelt, dass ein Eingang von der vorherigen Eingabe (Abfolge von Werten in einer Zeitreihe) abhängig ist, indem er über einen „Speicher“ verfügt, der das bisher Gesehene erfasst, das für die „Erinnerung“ von Werten über beliebige Zeitintervalle verantwortlich ist. Zusätzlich kann eine beliebige Anzahl von Eingangszeitreihen angegeben werden, was eine direkte Unterstützung für eine multivariate Schätzung bietet. Dies ist besonders interessant bei der Analyse von Fahrzeugsignalen, bei denen die Zeitreihenbeobachtungen aus mehreren Quellen stammen und multivariater Natur sind, wie z.B. Reihenfolge von Geschwindigkeit, Beschleunigung, Drehmoment usw. - alle korrelierenden mit einer Sollgröße, in diesem Fall der maximalen Reifenfahrbahnreibung µ max.
-
Algorithmen des maschinellen Lernens können automatisch aus Daten lernen und Vorhersagen bzw. Schätzungen treffen. Für die Aufgabe der maximalen Reibungsvorhersage bedeutet dies, dass „genügend“ Daten gesammelt werden müssen, die eine Vielzahl von Szenarien trockene und nasse Straße, Asphalt- und Beton-Straßen umfassen, um die Extraktion repräsentativer Muster zu ermöglichen. D.h. es müssen Messungen auf verschiedenen Belagsoberflächen von trocken über nass bis eisig durchgeführt werden, um die Wirkung der unabhängigen Variablen über µ max. richtig einzuschätzen.
-
Die neuronalen Netze können mit Trainingsdaten d.h. mit Trainingstensoren und einem gemessenen Reibwert trainiert werden, um aus den Datensequenzen den Reibwert zu reproduzieren. Mit einer definierten Struktur des neuronalen Netzes, erhält jede Neuronen-Verbindung z. B. ein zufälliges Anfangs-Gewicht. Dann werden die Eingangs-Daten d.h. der Trainingstensor in das Netz gegeben, jedes Neuron gewichtet die Eingangs-Signale mit seinem Gewicht und gibt das Ergebnis weiter an die Neuronen der nächsten Schicht. An der Output-Schicht wird dann das Gesamt-Ergebnis bereitgestellt. Die Größe des Fehlers der Reproduktion des Reibwertes kann berechnet werden, sowie der Anteil den jedes Neuron an diesem Fehler hatte und dann das Gewicht jedes Neurons in die Richtung verändern, die den Fehler minimiert. Dann erfolgen rekursiv Durchläufe, erneute Messungen des Fehlers und Anpassung der Gewichte bis der Fehler unter einer vorgegeben Grenze liegt.
-
Gemäß einem Aspekt des Verfahrens wird vorgeschlagen, dass der Eingangstensor mittels jeweils einer bereitgestellten diskreten Datensequenz einer ersten Mehrzahl von reibwertspezifischen Sensortypen und jeweils einer bereitgestellten diskreten Datensequenz einer zweiten Mehrzahl von fahrdynamischen Sensortypen generiert wird, wobei all diese diskreten Datensequenzen miteinander synchronisiert wurden.
-
Eine Mehrzahl von Sensortypen kann beispielsweise zwei oder drei Sensortypen umfassen, die Mehrzahl kann auch 100 oder mehr Sensortypen umfassen mit deren diskreten Datensequenzen das neuronale Netz entweder trainiert oder verwendet wird. Dabei kann sich die Menge der Sensortypen der ersten Mehrzahl und der zweiten Mehrzahl unterscheiden.
-
Wie oben dargestellt, wird der Reibwert eines Fahrzeugrades gegenüber einem Untergrund von vielen äußeren Faktoren beeinflusst, die mit einer ersten Mehrzahl von reibwertspezifischen Sensortypen in unterschiedlichen Bedingungen in denen das Fahrzeugrad eingesetzt wird, erfasst werden können. Die jeweiligen reibwertspezifischen Sensortypen erfassen jeweils unterschiedliche Merkmale der Bedingungen und da diese erste Mehrzahl von Sensortypen die entsprechende Anzahl von Datensegmenten generiert, können diese Datensegmente für das neuronale Netz zum Training und zur Schätzung des Reibwertes bereitgestellt werden, um eine möglichst hohe Genauigkeit und Zuverlässigkeit zu erzielen.
-
Rückschlüsse auf das fahrdynamische Verhalten eines Fahrzeugs, das mit einem solchen Fahrzeugrad versehen ist, sind durch die zweite Mehrzahl von fahrdynamischen Sensortypen leichter und sicherer zu erfassen, als es ein einzelner fahrdynamischer Sensortyp könnte. Daher wird die Vorhersage des neuronalen Netzes in Bezug auf den Reibwert verbessert, wenn sowohl beim Training als auch bei der Schätzung mittels des neuronalen Netzes Datensegmente einer zweite Mehrzahl von fahrdynamischen Sensortypen verwendet werden.
-
Durch das Einsetzen unterschiedlicher Typen von Sensoren können auch Faktoren für die Schätzung des Reibwertes beim Training des neuronalen Netzes ohne ein weiteres technisches Modell berücksichtigt werden, die ungünstig für eine Schätzung des Reibwertes aus den Datensequenzen der unterschiedlichen Sensortypen wären. Beispielsweise sollte der Reibwert nur dann bestimmt werden, wenn kein Schaltvorgang oder eine Änderung des MotorMoments erfolgt oder keine schlechten Fahrbahnverhältnisse vorliegen. Sofern insbesondere mit Datensequenzen eines fahrdynamischen Sensortyps diese Zustände detektiert werden, kann das neuronale Netz diese Effekte heraustrainieren.
-
Gemäß einem Aspekt des Verfahrens wird vorgeschlagen, dass der zumindest eine fahrdynamische Sensortyp ein longitudinaler Beschleunigungssensor, ein quer-Beschleunigungssensor, ein Gierraten-Sensor, ein Raddrehzahl-Sensor, ein Bremsendruck-Sensor oder ein Lenkwinkel-Sensor ist.
-
Gemäß einem Aspekte des Verfahrens wird vorgeschlagen, dass der zumindest eine reibwertspezifische Sensortyp eine digitales Kamerasystem, ein RADAR-System, ein LIDAR-System, ein Ultraschall-System, ein optisches Untergrund-Detektions-System, ein Temperatursensor, eine Reibwert-Karte, ein Navigation-System oder ein drahtloses Informationssystem ist.
-
Die unterschiedlichen reibwertspezifischen Sensortypen detektieren dabei Umgebungsbedingungen, die für die Höhe des Reibwertes relevant sein können. Beispielsweise kann ein Ultraschall-Sensor neben seiner Aufgabe als Abstands-Detektor während der Fahrt auch aufspritzendes Wasser detektieren oder sein Ultraschallsignal kann abhängig von der Beschaffenheit des Untergrundes unterschiedliche Signale empfangen, die einen Einfluss auf die Höhe des Reibwertes haben. Auch das RADAR-System und das LIDAR-System könne die Beschaffenheit eines Untergrundes bzw. einer Zwischenschicht auf dem Untergrund eines Fahrzeuges detektieren und damit relevante Informationen für die Schätzung des Reibwertes liefern.
-
Wenn aufgrund einer Reibwert-Karte der Typ des Untergrundes bekannt ist verbessert dies die Schätzung des Reibwertes weiter.
Mit einem Navigation-System kann dabei der Ort des Fahrzeuges bzw. das Fahrzeuggrades einer solchen Reibwert-Karte zugeordnet werden oder es können weitere Informationen über den Untergrund dem Navigations-System entnommen werden.
-
Mit einem drahtlosen Informationssystem können darüber hinaus weitere Informationen über den Untergrund an das Fahrzeug übertragen werden und in die Schätzung des Reibwertes einbezogen werden. Darüber hinaus können durch ein solches drahtloses Informationssystem auch Informationen von anderen Fahrzeugen und zu anderen Fahrzeugen übertragen werden, die die Schätzung des Reibwertes verbessern.
-
Direkte Information die beispielsweise durch ein optisches Untergrund-Detektions-System generiert werden können oder Temperaturdaten in Bezug auf die Umgebung oder den Untergrund bzw. die Fahrbahn oder des Fahrzeugrades selbst, können die Schätzung des Reibwertes weiter verbessern. Dabei ist es nicht notwendig ein funktionales Modell zu hinterlegen um diese Daten zum Schätzen des Reibwertes zu verwenden, es müssen nur genügend solcher Daten im Trainings-Daten-Satz für das neuronale Netz enthalten sein. Die Datensequenzen der unterschiedlichen Sensortypen können über ein Bussystem eines Fahrzeugs wie beispielsweise eines CAN-Busses bereitgestellt werden und auf diese Art und Weise können auch flexibel weitere Sensoren in dieses Verfahren eingebunden werden.
-
Mit anderen Worten umfasst das Verfahren zum Trainieren eines neuronalen Netzes für eine Schätzung eines Reibwertes die folgenden Schritte:
- 1. Repräsentative Datenerfassung mehrerer Fahrzeug-Sensor-Signale wie eine Beschleunigung, eine Geschwindigkeit, ein Schlupf eines Fahrzeugrades, ein Antriebsdrehmoment usw. auf verschiedenen Straßenstrukturtypen wie beispielsweise Asphalt oder Beton und weitere, unter verschiedenen Bedingungen oder Beschichtungen des Untergrundes, wie in einem trocken, nassen oder vereisten Zustand. Aktiv bestimmte Reibwertes von µ max können aus Interventionssignalen von ABS oder ESP, und weiteren berechnet werden, die als Ground-Truth-Labels für das Training des neuronalen Netzes insbesondere des rekurrenten neuronalen Netzes (RNN) dienen.
- 2. Verwenden von Paaren von Multivariaten Zeitreihen von Sensorsignalen der Länge T und einem aktiv bestimmten Reibwert µ max für das Training eines neuronalen Netzes zur Vorhersage bzw. Schätzung von µ max. Das neuronale Netz erkennt Muster in den Zeitreihen der Sensorsignale, um das Verhalten des µ max in Abhängigkeit von der multivariaten sequentiellen Zeitreihen-Eingabe zu „lernen“.
-
Mit einem Verfahren zur Schätzung des Reibwertes mittels des entsprechend trainierten neuronalen Netzes wird das neuronale Netz verwendet, in Echtzeit in mehreren Fahrzeugen die maximale Reibung also den Reibwert vorherzusagen bzw. schätzen, wobei diese Schätzung auf der Analyse und Verarbeitung von Zeitreihen der Daten unterschiedlicher Sensoren des Fahrzeugs basiert. Das Training eines solchen neuronalen Netzes kann mit bereitgestellten Daten offline erfolgen und das trainierte neuronale Netz kann dann online in unterschiedlichen Fahrzeugen verwendet werden um den Reibwert zu schätzen. Damit ist dieses Verfahren skalierbar d.h. es kann einmal erstellt werden und in einer Vielzahl von Fahrzeugen eingesetzt werden.
-
Gemäß einem Aspekte des Verfahrens wird vorgeschlagen, dass beim Training des neuronalen Netzes statistisch gesteuert aus der Vielzahl von Datensequenzen von reibwertspezifischen und/oder fahrdynamischen Sensortypen einzelne Datensequenzen ausgelassen werden.
-
Dadurch kann erreicht werden dass auch bei Ausfall von Datensequenzen unterschiedlicher Sensortypen das neuronale Netz trainiert ist weiterhin ein Reibwert zu schätzen. Denn in der realen Situation eines zumindest teilweise automatisierten Fahrzeuges ist davon auszugehen, dass nicht immer alle Datensequenzen von den unterschiedlichen Sensortypen verfügbar sind. Dies kann auf einen Ausfall eines Systems sowohl aufgrund von technischen als auch umweltbedingten Störungen zurückzuführen sein, aber auch dadurch verursacht sein, dass beispielsweise für gewisse Gebiete keine Daten wie beispielsweise Reibwertkarten vorliegen. Um einen sicheren Betrieb unter all diesen Bedingungen gewährleisten zu können ist es vorteilhaft das neuronale Netz so weit zu generalisieren, dass auch unter solchen Bedingungen zuverlässige Reibwerte geschätzt werden.
-
Ein solches Auslassen von Datensequenzen kann zum einen statistisch erfolgen, wenn keine vorhersehbare Situation für einen Ausfall von Datensequenzen eines bestimmten Sensortyps ermittelbar ist. Es kann aber auch vorhersehbar sein welche Datensequenzen von einem besonderen Sensortyp oder einer Gruppe von Sensortypen im praktischen Betrieb zumindest temporär ausfällt, so dass das neuronale Netz strategisch auf solche Szenarien hin trainiert werden kann. Der Einsatz des neuronalen Netzes wird dadurch unabhängig von externen Informationsquellen wie zum Beispiel den Informationen eines Wetterdienstes. Es werden dann nur die Signale bzw. die Datensequenzen unterschiedlicher Sensortypen des Fahrzeugs für die Vorhersage mittels eines neuronalen Netzes benötigt.
-
Gemäß einem Aspekt des Verfahrens wird vorgeschlagen, dass der aktiv bestimmte Reibwert für das Fahrzeugrad mittels einer modellbasierten fahrdynamischen Messung mittels fahrdynamischer Sensortypen bestimmt wird.
-
Wie oben schon beschrieben wurde, erfolgt eine solche modellbasierte fahrdynamische Messung mittels im Fahrzeug eingebauter Sensorik, sofern ein Sicherheitssystem wie beispielsweise ein ESP-System eingreift.
-
Gemäß einem Aspekt des Verfahrens wird vorgeschlagen, dass der aktiv bestimmte Reibwert für das Fahrzeugrad mittels einer aktiven direkten Reibwert-Messung bestimmt wird.
-
Für eine aktive direkte Reibwertmessung werden Messfahrzeuge mit Reibwertmesstechnik verwendet, die beispielsweise mittels eines Surface Friction Testers einen Reibwert bestimmen. Beide basieren auf einer Kraftmessung. Der Surface Friction Tester ist ein Fahrzeuganhänger mit drei Rädern. Das dritte Rad wird bis in den physikalischen Grenzbereich, also bis zu einem bestimmten Schlupf, abgebremst. Über die dazu nötige Bremskraft sowie das dazu nötige Bremsmoment lässt sich die Reibkraft und mit Hilfe der bekannten Normalkraft der Reibwert bestimmen. Da ein solches beispielhaft genanntes Messverfahren für eine aktive direkte Reibwert-Messung sehr aufwendig und teuer sind, stellt dieses Verfahren nur eine mögliche Alternative zu dem oben beschriebenen Verfahren zur Bestimmung eines aktivbestimmten Reibwertes dar.
-
Es wird ein Verfahren zur Schätzung eines Reibwertes eines Fahrzeugrades gegenüber einem Untergrund mittels eines, entsprechend einem wie oben beschriebenen trainierten, neuronalen Netzes vorgeschlagen. In einem Schritt des Verfahrens wird eine diskrete Datensequenz zumindest eines reibwertspezifischen Sensortyps bereitgestellt. In einem weiteren Schritt wird eine diskrete Datensequenz zumindest eines fahrdynamischen Sensortyps für das Fahrzeugrad eines beschränkten Beschleunigungsbereiches des Fahrzeugrades bereitgestellt. Weiterhin werden in einem Schritt die zumindest zwei diskreten Datensequenzen synchronisiert. Es wird in einem Schritt ein Eingangstensor mittels der diskreten Datensequenz des reibwertspezifischen und des fahrdynamischen Sensortyps für das trainierte neuronale Netz generiert. In einem weiteren Schritt wird ein Reibwerte mittels des Eingangssensors und des trainierten neuronalen Netzes geschätzt.
-
Dadurch kann auch ohne dass ein Sicherheitssystem eingreifen muss ein Reibwert geschätzt werden und für weitere Verwendung, beispielsweise einem Steuersystem eines zumindest teilweise automatisierten Fahrzeuges, bereitgestellt werden, um ein sicheres zumindest teilautomatisierten Fahren gewährleisten zu können.
-
Gemäß einem Aspekt des Verfahrens zur Schätzung eines Reibwertes wird vorgeschlagen, dass der Eingangstensor mittels jeweils einer bereitgestellten diskreten Datensequenz einer ersten Mehrzahl von reibwertspezifischen Sensortypen und jeweils einer bereitgestellten diskreten Datensequenz einer zweiten Mehrzahl von fahrdynamischen Sensortypen generiert wird, wobei all diese diskreten Datensequenzen miteinander synchronisiert wurden.
-
Mit einer größeren Anzahl von Datensequenzen unterschiedlicher Sensortypen lässt sich der Reibwert, wie schon oben beim Training des neuronalen Netzes erläutert wurde, zuverlässiger und genauer bestimmen. Dabei kann insbesondere auch vorgesehen sein, dass einige Sensortypen redundant ausgelegt sind.
-
Gemäß einem Aspekt des Verfahrens zur Schätzung eines Reibwertes wird vorgeschlagen, dass der geschätzte Reibwert mittels einer Plausibilitäts-Berechnung überprüft wird. Da je nach identifizierter Umgebung, den entsprechenden Bedingungen, dem eingesetzten Fahrzeugrad und weiteren ähnlichen Kenntnissen ein Reibwert auch mittels einer Berechnung geschätzt werden kann, kann die Plausibilität des von dem neuronalen Netz geschätzten Reibwertes überprüft werden. Damit kann man Ausreißer aufgrund von beispielsweise ungewöhnlichen Eingangsdaten, auf die das neuronale Netz nicht trainiert wurde, identifizieren.
-
Gemäß einem Aspekt des Verfahrens wird vorgeschlagen, dass abhängig von mindestens einem der Werte des geschätzten Reibwertes ein Ansteuerungssignal zur Ansteuerung eines wenigstens teilautomatisierten Fahrzeugs und/oder ein Warnsignal zur Warnung eines Fahrzeuginsassen ausgesendet wird. Damit kann beispielsweise ein Steuergerät, des zumindest teilautomatisierten Fahrzeuges, auf einen besonders niedrigen Reibwert mit einer entsprechenden veränderten Fahrweise reagieren oder ein Fahrzeuginsasse kann auf niedrige Reibwerte hingewiesen werden, um seine Fahrweise entsprechend anzupassen.
-
Gemäß einem Aspekt wird eine Vorrichtung angegeben, die eingerichtet ist, eines der oben beschriebenen Verfahren, durchzuführen. Mit einer solchen Vorrichtung kann das entsprechende Verfahren leicht in unterschiedliche Systeme integriert werden.
-
Gemäß einem weiteren Aspekt wird ein Computerprogramm angegeben, das Befehle umfasst, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, eines der oben beschriebenen Verfahren auszuführen. Ein solches Computerprogramm ermöglicht den Einsatz des beschriebenen Verfahrens in unterschiedlichen Systemen.
-
Es wird ein maschinenlesbares Speichermedium angegeben, auf dem das oben beschriebene Computerprogramm gespeichert ist.
-
Figurenliste
-
Ausführungsbeispiele der Erfindung werden mit Bezug auf die 1 bis 4 dargestellt und im Folgenden näher erläutert. Es zeigen:
- 1 eine Reibwertkurve bei unterschiedlichen Zuständen des Untergrundes;
- 2 ein Fahrzeug mit einer Mehrzahl von reibwertspezifischen bzw. fahrdynamischen Sensortypen;
- 3 ein Schema für ein Training eines neuronalen Netzes zum Schätzen eines Reibwertes;
- 4 ein Schema für das Schätzen eines Reibwertes mittels eines trainierten neuronalen Netzes.
-
Die 1 zeigt ein Beispiel einer Abhängigkeit des Reibwerts µ von dem Schlupf λ für verschiedene Fahrbahnverhältnisse, wobei abhängig von Trockenheit 110 oder Schnee und Eis 120, 130 unterschiedliche Verläufe des Reibwertes µ in Abhängigkeit vom Schlupf λ resultieren. Außerdem zeigt 1, dass für kleine Schlupfwerte λ ein annähernd linearer Zusammenhang zwischen Schlupf λ und Reibwert µ besteht. Dieses wird mit den gestrichelten Geraden 115, 125 angedeutet und zeigt, dass auch in einem beschränkten Beschleunigungsbereich, d.h. ohne große Teile der Kurve zu durchlaufen, wie es beispielsweise bei einem Eingriff eines Sicherheitssystems der Fall ist, Schätzungen des Reibwertes aufgrund von fahrdynamischen Daten durchgeführt werden können.
-
Die 2 zeigt skizzenhaft eine Anzahl von unterschiedlichen Sensortypen und eine beispielhafte Anordnung dieser Sensortypen in Bezug auf ein Fahrzeug 200. Insbesondere sind ein Drucksensoren 215 im Bremssystem, ein Rotations-Sensor 230 eines Rades, ein RADAR-Sensor 240, ein LIDAR-Sensor 245, ein Ultraschallsensor 250, eine Kamera 260, ein optischer Sensor 265 zur Detektion des Untergrundes, eine Kommunikationseinrichtung 275, eine Positionsbestimmungseinrichtung (GPS) 280, ein Navigationsgerät 292, ein RFID-Sensor 294 zur Identifikation des Reifentyps, ein Lenkwinkelsensor 296, ein Zahnstangen-Kraftsensor 298, und ein ESP-System 210, wobei alle Sensortypen an einen mit einer Linie angedeuteten Bus beispielsweise einen CAN-Bus signalmäßig gekoppelt sind. Zusätzlich ist noch eine Hinweiseinrichtung 270 für die Informationsübertragung an einen Fahrzeuginsassen skizziert.
-
Die 3 skizziert das Verfahren 300 zum Trainieren eines neuronalen Netzes 320 für eine Schätzung eines Reibwertes eines Fahrzeugrades gegenüber einem Untergrund. In einem Schritt S1 wird eine diskrete Datensequenz 311, 312, 313, 314 zumindest eines reibwertspezifischen Sensortyps bereitgestellt. In einem weiteren Schritt S2 wird eine diskrete Datensequenz 311, 312, 313, 314 zumindest eines fahrdynamischen Sensortyps für das Fahrzeugrad eines beschränkten Beschleunigungsbereiches des Fahrzeugrades bereitgestellt. In einem weiteren Schritt S3 werden die zumindest zwei diskreten Datensequenzen synchronisiert. In einem weiteren Schritt S5 wird ein aktiv bestimmter Reibwert für das Fahrzeugrad bereitgestellt, der spezifisch für die diskreten Datensequenzen (311, 312, 313, 314) ist. Diese Spezifität bzw. Korrelation ist in der 3 mit der gestrichelten Linie 310 angedeutet.
-
Ein weiterer Schritt S4 generiert einen Eingangstensor mittels der diskreten Datensequenz 311, 312, 313, 314 des reibwertspezifischen und des fahrdynamischen Sensortyps für das neuronale Netz 320. Es werden in einem weiteren Schritt S6 eine Vielzahl so generierter Eingangstensoren mit jeweils zugehörigen aktiv bestimmten Reibwerten mittels einer Pluralität unterschiedlicher Datensequenzen 311, 312, 313, 314 zumindest des reibwertspezifischen Sensortyps und des fahrdynamischen Sensortyps gebildet. In einem weiteren Schritt S7 wird das neuronalen Netz 300 mit der Vielzahl von Eingangstensoren mit den jeweils zugehörigen aktiv bestimmten Reibwerten trainiert S7, um Reibwerte mittels diskreter Datensequenzen (311, 312, 313, 314) zumindest des reibwertspezifischen Sensortyps und des fahrdynamischen Sensortyps zu schätzen. Insbesondere können bei dem Training des neuronalen Netzes S7 statistisch oder strategisch gesteuert aus der Vielzahl von Datensequenzen 311, 312, 313, 314 von reibwertspezifischen und/oder fahrdynamischen Sensortypen einzelne Datensequenzen 311, 312, 313, 314 ausgelassen werden S8 wie oben näher beschrieben wurde.
-
Die 4 skizziert ein Verfahren zur Schätzung eines Reibwertes eines Fahrzeugrades gegenüber einem Untergrund mittels eines, entsprechend einem oben beschriebenen trainierten, neuronalen Netzes 320. In einem Schritt S11 des Verfahrens wird eine diskrete Datensequenz 311, 312, 313, 314 zumindest eines reibwertspezifischen Sensortyps bereitgestellt. In einem weiteren Schritt S12 wird eine diskrete Datensequenz 311, 312, 313, 314 zumindest eines fahrdynamischen Sensortyps für das Fahrzeugrad eines beschränkten Beschleunigungsbereiches des Fahrzeugrades bereitgestellt. Weiterhin werden in einem Schritt S13 die zumindest zwei diskreten Datensequenzen (311, 312, 313, 314) synchronisiert. Es wird in einem Schritt S14 ein Eingangstensor, mittels der diskreten Datensequenz 311, 312, 313, 314 des reibwertspezifischen und des fahrdynamischen Sensortyps, für das trainierte neuronale Netz 320 generiert. In einem weiteren Schritt S 15 wird ein Reibwerte 350 mittels des Eingangssensors und des trainierten neuronalen Netzes geschätzt. Insbesondere kann der geschätzte Reibwert 350 mittels einer Plausibilitäts-Berechnung, S16 überprüft werden.
