DE102019216150A1

DE102019216150A1 - Regelsystem für ein Kraftfahrzeug und ein Verfahren zum Anpassen des Regelsystems

Info

Publication number: DE102019216150A1
Application number: DE102019216150.2A
Authority: DE
Inventors: Adrian Trachte; Michael Herman; Michael Hilsch; Carolina Passenberg; Benedikt Alt
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-10-21
Filing date: 2019-10-21
Publication date: 2021-04-22
Also published as: US11858511B2; US20210114593A1; CN112693468A

Abstract

Regelsystem (100) für ein Kraftfahrzeug zum Ausgeben einer Steuergröße (u), anhand derer eine Regelgröße (y) eines Kraftfahrzeugs durch geeignete Ansteuervorgänge einstellbar ist, um die Regelgröße (y) an eine Führungsgröße (w) des Regelsystems (100) anzugleichen, umfassend einen Regler (110), der dazu ausgebildet ist, auf Basis der Regelgröße (y) des Kraftfahrzeugs und auf Basis der Führungsgröße (w) des Regelsystems (100), eine erste Ausgangsgröße (u1) auszugeben, und weiter umfassend ein prädiktives Modell (120), das trainierbar ist, eine zweite Ausgangsgröße (u2) auszugeben, die eine Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße (u1) des Reglers (110) abbildet, wobei die Steuergröße (u) des Regelsystems (100) eine Addition der ersten Ausgangsgröße (u1) und der zweiten Ausgangsgröße (u2) umfasst.

Description

Stand der Technik
Die Offenbarung betrifft ein Regelsystem für ein Kraftfahrzeug zum Ausgeben einer Steuergröße, anhand derer eine Regelgröße eines Kraftfahrzeugs durch geeignete Ansteuervorgänge einstellbar ist, um die Regelgröße an eine Führungsgröße des Regelsystems anzugleichen.
Regelsysteme werden in einem Kraftfahrzeug beispielsweise als Fahrassistenzsystem verwendet, um den Fahrer in bestimmten Fahrsituationen unterstützen bzw. entlasten können.
Für die Realisierung dieser Assistenzfunktionen umfasst ein Fahrerassistenzsystem Umgebungssensoren wie beispielsweise Radarsensoren, Lidarsensoren, Laserscanner, Videosensoren und Ultraschallsensoren. Sofern ein Fahrzeug mit einem Navigationssystem ausgerüstet ist, greift das Fahrerassistenzsystem auch auf Daten dieses Systems zurück. Weiterhin kann das mit dem Bordnetz des Fahrzeugs vorzugsweise über mindestens einen BUS, vorzugsweise den CAN-BUS, verbundene Fahrerassistenzsystem auch aktiv in Bordsysteme, wie insbesondere das Lenksystem, das Bremssystem, den Antriebsstrang und Warnsysteme eingreifen.
Üblicherweise wird bei den verfügbaren Regelsystemen innerhalb einer Fahrzeugflotte eine einheitliche Bedatung des Regelsystems verwendet. Allenfalls kann das Regelsystem noch an einen Sportmodus oder einen Komfortmodus angepasst werden. Eine individuelle Anpassung an das Fahrverhalten eines individuellen Fahrers ist bisher nicht bekannt.
Es ist daher wünschenswert, ein Regelsystem bereitzustellen, das eine solche individuelle Anpassung an das Fahrverhalten eines individuellen Fahrers ermöglicht.
Offenbarung der Erfindung
Dies wird durch ein Regelsystem und ein Verfahren gemäß den unabhängigen Ansprüchen erreicht.
Bevorzugte Ausführungsformen beziehen sich auf ein Regelsystem für ein Kraftfahrzeug zum Ausgeben einer Steuergröße, anhand derer eine Regelgröße eines Kraftfahrzeugs durch geeignete Ansteuervorgänge einstellbar ist, um die Regelgröße an einer Führungsgröße des Regelsystems anzugleichen, umfassend einen Regler, der dazu ausgebildet ist, auf Basis der Regelgröße des Kraftfahrzeugs und auf Basis der Führungsgröße des Regelsystems, eine erste Ausgangsgröße auszugeben, und weiter umfassend ein prädiktives Modell, das trainierbar ist, eine zweite Ausgangsgröße auszugeben, die eine Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße des Reglers abbildet, wobei die Steuergröße des Regelsystems eine Addition der ersten Ausgangsgröße und der zweiten Ausgangsgröße umfasst.
Der Regler des Regelsystems umfasst beispielsweise einen konventionellen Regelalgorithmus, beispielsweise eine PID-Reglerstruktur. Um das Regelsystem an ein Fahrverhalten eines individuellen Fahrers anzupassen, wird vorgeschlagen, dass mittels eins prädiktiven Modells die Differenz des Fahrverhaltens zu dem bestehenden Regler modelliert wird und das Regelsystem durch Addition der zweiten Ausgangsgröße des prädiktiven Modells, die die Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße des Reglers abbildet, auf die erste Ausgangsgröße des Reglers an das Fahrverhalten eines individuellen Fahrers anzupassen.
Das Regelsystem ist beispielsweise ein Fahrassistenzsystem, das in einem Kraftfahrzeug verwendet werden kann, um den Fahrer in bestimmten Fahrsituationen zu unterstützen bzw. zu entlasten, beispielsweise zur Abstandsregelung zu einem Referenzobjekt, insbesondere ein Abstandshalteassistenzsystem oder ein Parkassistenzsystem oder ein Assistenzsystem zum Integrieren eines zumindest teilweise autonom fahrenden Fahrzeugs in einen Verkehrsfluss.
Zur Abstandsregelung wird üblicherweise ein Abstand des Kraftfahrzeugs zu dem Referenzobjekt durch geeignete Ansteuervorgänge, beispielsweise Beschleunigungs- und/oder Brems- und/oder Lenkeingriffe, auf einen gewünschten Sollwert, also an die Führungsgröße des Regelsystems, angeglichen. Durch Anpassen der Steuergröße an das Fahrverhalten eines individuellen Fahrers können die Ansteuervorgänge ebenfalls an das Fahrverhalten angeglichen werden. Vorteilhafterweise erhöht dies die Akzeptanz solcher Systeme.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass die Regelgröße des Kraftfahrzeugs einen Abstand des Kraftfahrzeugs zu einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs abbildet.
Das Referenzobjekt in der Umgebung das Kraftfahrzeugs ist beispielsweise ein, insbesondere vorausfahrendes, Drittfahrzeug, ein Fußgänger, ein Tier oder ein anderer Verkehrsteilnehmer. Alternativ kann das Referenzobjekt auch ein feststehendes Umgebungsobjekt, beispielsweise eine Leitplanke, ein Baum, ein Pfosten, ein Gebäude o.ä. sein. Ebenso kann auch eine Fahrbahnmarkierung beispielsweise eine Fahrstreifenbegrenzung, Leitlinie o. ä. als Referenzobjekt verstanden werden.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass der Regler eine konventionelle Reglerstruktur, insbesondere eine PID-Reglerstruktur, und/oder das prädiktive Modell ein Gauss-Prozess-Modell oder ein neuronales Netz umfasst.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass das prädiktive Modell trainierbar ist, die zweite Ausgangsgröße in Abhängigkeit wenigstens einer Eingangsgröße auszugeben, wobei eine Eingangsgröße eine der folgenden Größen umfasst: Führungsgröße des Regelsystems, Regelgröße des Kraftfahrzeugs, eine Größe, die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentiert. Die Führungsgröße des Regelsystems ist der gewünschte Sollwert an den die Regelgröße angeglichen werden soll. Betriebsdaten des Kraftfahrzeugs sind beispielsweise Geschwindigkeit, Beschleunigung, Lenkwinkel, Neigung. Umgebungsdaten des Kraftfahrzeugs sind beispielsweise Information über Straßenzustand, Wetter, Fahrbahnsteigung, Straßenverlauf, etc. Durch Verwenden der genannten Größen als Eingangsgrößen für das prädiktive Modell kann die zweite Ausgangsgröße vorteilhafterweise in Abhängigkeit dieser Größen ausgegeben werden.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein computerimplementiertes Verfahren zum Trainieren eines prädiktiven Modells für ein Regelsystem für ein Kraftfahrzeug gemäß den Ausführungsformen, wobei eine erste Trainingsphase umfasst: Ermitteln einer Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von einer ersten Ausgangsgröße eines Reglers des Regelsystems in einem deaktivierten Zustand des Regelsystems und Trainieren des prädiktiven Modells mit der ermittelten Abweichung des Fahrverhaltens.
Unter einem deaktivierten Zustand des Regelsystems wird verstanden, dass das Regelsystem nicht zur Regelung einer Fahrassistenzfunktion verwendet wird, sondern dass der Fahrer des Kraftfahrzeugs dieses steuert.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass die erste Trainingsphase weiter umfasst: Ermitteln des Fahrverhaltens des Fahrers in Abhängigkeit der Regelgröße des Kraftfahrzeugs und Berechnen der ersten Ausgangsgröße des Reglers. Anhand der berechneten ersten Ausgangsgröße des Reglers und des ermittelten Fahrverhalten bei deaktiviertem Regelsystem kann die Abweichung des Fahrverhaltens von der ersten Ausgangsgröße des Reglers ermittelt werden. Vorteilhafterweise wird das prädiktive Modell mit der ermittelten Abweichung des Fahrverhaltens in Abhängigkeit der Regelgröße des Kraftfahrzeugs trainiert.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Ermitteln des Fahrverhaltens das Ermitteln von wenigstens einer Größe, die einen Fahrpedaleingriff und/oder einen Bremseingriffe und/oder einen Lenkeingriff repräsentieren, umfasst.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Trainieren in Abhängigkeit wenigstens einer weiteren Größe, die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentiert, erfolgt. Betriebsdaten des Kraftfahrzeugs sind beispielsweise Geschwindigkeit, Beschleunigung, Lenkwinkel, Neigung. Umgebungsdaten des Kraftfahrzeugs sind beispielsweise Information über Straßenzustand, Wetter, Fahrbahnsteigung, Straßenverlauf, etc.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass eine zweite Trainingsphase des Verfahrens umfasst: Optimieren des prädiktiven Modells in Abhängigkeit wenigstens einer weiteren Größe, die mit einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs assoziiert ist. Das Referenzobjekt ist beispielsweise ein, insbesondere vorausfahrendes, Drittfahrzeug. Durch Optimieren des prädiktiven Modells in Bezug auf das Referenzobjekt kann das prädiktive Modell vorteilhafterweise im Hinblick auf eine zukünftige Position des Referenzobjekts optimiert werden.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass wobei das Optimieren des prädiktiven Modells weiter umfasst: Ermitteln eines Zustands des Kraftfahrzeugs zu einem Zeitpunkt umfassend wenigstens eine Größe, die mit dem Kraftfahrzeug assoziiert ist, Ermitteln eines Zustands des Referenzobjekts zu diesem Zeitpunkt umfassend wenigstens eine Größe, die mit dem Referenzobjekt assoziiert ist und Ermitteln einer Verteilung über zukünftige Zustände und Identifizieren wenigstens eines Modellparameters, der den Erwartungswert eines Fehlers in der Verteilung über die zukünftigen Zustände minimiert. $x_{t}^{o w n}$
ist der Zustand des Kraftfahrzeugs zu einem Zeitpunkt t, $x_{t}^{l e a d}$
ist der Zustand des Referenzobjekts zu diesem Zeitpunkt t. Die Verteilung über zukünftige Zustände ist dann gegeben durch $p (x_{t + 1}^{o w n}, x_{t + 1}^{l e a d}, x_{t + 2}^{o w n}, x_{t + 2}^{l e a d}, \dots | x_{t}^{o w n}, x_{t}^{l e a d}, θ) .$
Ein Fehler zum Zeitpunkt t + δ ist gegeben durch $L (x_{t + δ}^{o w n}, x_{t + δ}^{l e a d}) .$
Ein Modellparameter der den Erwartungswert des Fehlers minimiert, löst folgendes Optimierungsproblem: $θ = a r g m i n_{θ} E [\sum_{δ = 1}^{T_{m a x}} L (x_{t + δ}^{o w n}, x_{t + δ}^{l e a d}) | p (x_{t + 1}^{o w n}, x_{t + 1}^{l e a d}, x_{t + 2}^{o w n}, x_{t + 2}^{l e a d}, \dots | x_{t}^{o w n}, x_{t}^{l e a d}, θ)],$
wobei T_max den maximalen Prädiktionshorizont beschreibt. Der identifizierte Modellparameter minimiert den kumulierten Fehler des Zeitschrittes T_max. Das Minimieren des langfristigen Fehlers ist insbesondere vorteilhaft, um langfristig kumulierende Prädiktionsfehler zu verhindern.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass eine dritte Trainingsphase des Verfahrens umfasst: Überprüfen des prädiktiven Modells in aktiviertem Zustand des Regelsystems gegenüber einem Eingreifen des Fahrers. Das Eingreifen des Fahrers kann Informationen darüber bereitstellen, ob und/oder wie gut das Regelsystem noch in der Lage ist das Fahrverhalten des Fahrers abzubilden.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass in Abhängigkeit des Überprüfens des prädiktiven Modells die erste und/oder die zweite Trainingsphase wiederholt und/oder weitere Schritte, insbesondere Deaktivieren des Regelsystems und/oder Ausgeben eines Warnhinweises, ausgeführt werden.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Computerprogramm, das ausgebildet ist, die Schritte eines Verfahren gemäß den Ausführungsformen auszuführen.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein maschinenlesbares Speichermedium, auf dem das Computerprogramm gemäß den Ausführungsformen gespeichert ist.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Steuergerät, das ausgebildet ist, die Schritte eines Verfahren gemäß den Ausführungsformen auszuführen.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Verwenden eines Regelsystems gemäß den Ausführungsformen und/oder eines prädiktiven Modells, das mit einem Verfahren gemäß den Ausführungsformen trainiert ist und/oder eines Verfahrens gemäß den Ausführungsformen und/oder eines Computerprogramms gemäß den Ausführungsformen und/oder eines maschinenlesbaren Speichermedium gemäß den Ausführungsformen und/oder eines Steuergeräts gemäß den Ausführungsformen zum Anpassen eines Regelsystems für ein Kraftfahrzeug an ein individuelles Fahrverhalten eines Fahrers.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Verwenden eines Regelsystems gemäß den Ausführungsformen und/oder eines prädiktiven Modells, das mit einem Verfahren gemäß den Ausführungsformen trainiert ist und/oder eines Verfahrens gemäß den Ausführungsformen und/oder eines Computerprogramms gemäß den Ausführungsformen und/oder eines maschinenlesbaren Speichermedium gemäß den Ausführungsformen und/oder eines Steuergeräts gemäß den Ausführungsformen in einem Fahrassistenzsystem eines Kraftfahrzeugs, insbesondere zur Abstandsregelung, engl. Adaptive Cruise Control, ACC.
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Figuren der Zeichnung dargestellt sind. Dabei bilden alle beschriebenen oder dargestellten Merkmale für sich oder in beliebiger Kombination den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Ansprüchen oder deren Rückbeziehung sowie unabhängig von ihrer Formulierung bzw. Darstellung in der Beschreibung bzw. in der Zeichnung.
In der Zeichnung zeigt:

1 eine schematische Darstellung eines Regelsystems für ein Kraftfahrzeug;
2 eine schematische Darstellung von Schritten einer ersten Trainingsphase eines computerimplementierten Verfahrens zum Trainieren eines prädiktiven Modells;
3 eine schematische Darstellung von Schritten einer zweiten Trainingsphase eines computerimplementierten Verfahrens zum Trainieren eines prädiktiven Modells;
4 eine schematische Darstellung von Schritten einer dritten Trainingsphase eines computerimplementierten Verfahrens zum Trainieren eines prädiktiven Modells;
5 eine schematische Übersicht der zweiten Trainingsphase gemäß 3, und
6 eine schematische Ansicht eines Steuergeräts für ein Kraftfahrzeug.

1 zeigt schematisch ein Regelsystem 100 für ein Kraftfahrzeug (nicht dargestellt) zum Ausgeben einer Steuergröße u, anhand derer eine Regelgröße y eines Kraftfahrzeugs durch geeignete Ansteuervorgänge einstellbar ist, um die Regelgröße y an eine Führungsgröße w des Regelsystems anzugleichen.
Zur Realisierung dieser Ansteuervorgänge ist das Regelsystem vorzugsweise mit einem Bordnetz des Kraftfahrzeugs vorzugsweise über mindestens einen BUS, vorzugsweise den CAN-BUS, verbunden (nicht dargestellt), so dass durch aktives Eingreifen in Bordsysteme, wie insbesondere Lenksystem, Bremssystem, Antriebsstrang und Warnsysteme die Regelgröße y an eine Führungsgröße w des Regelsystems angeglichen werden kann.
Das Regelsystem umfasst einen Regler 110, der dazu ausgebildet ist, auf Basis der Regelgröße y des Kraftfahrzeugs und auf Basis der Führungsgröße w des Regelsystems, eine erste Ausgangsgröße u1 auszugeben. Der Regler 110 des Regelsystem 100 umfasst beispielsweise einen konventionellen Regelalgorithmus, beispielsweise eine PID-Reglerstruktur.
Das Regelsystem 100 umfasst weiter ein prädiktives Modell 120, das trainierbar ist, eine zweite Ausgangsgröße u2 auszugeben, die eine Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße u1 des Reglers abbildet. Die Steuergröße u des Regelsystems 100 umfasst gemäß der dargestellten Ausführungsform eine Addition der ersten Ausgangsgröße u1 und der zweiten Ausgangsgröße u2.
Um das Regelsystem 100 an das Fahrverhalten eines individuellen Fahrers anzupassen, wird mittels des prädiktiven Modells 120 die Differenz des Fahrverhaltens zu dem bestehenden Regler 110 modelliert wird und das Regelsystem 100 durch Addition der zweiten Ausgangsgröße u2 des prädiktiven Modells 120, die die Abweichung des Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße u1 des Reglers 110 abbildet, auf die erste Ausgangsgröße u1 des Reglers 110 an das Fahrverhalten eines individuellen Fahrers angepasst.
Das Regelsystem 100 ist beispielsweise ein Fahrassistenzsystem, das in einem Kraftfahrzeug verwendet werden kann, um den Fahrer in bestimmten Fahrsituationen zu unterstützen bzw. zu entlasten, beispielsweise zur Abstandsregelung zu einem Referenzobjekt, insbesondere ein Abstandshalteassistenzsystem oder ein Parkassistenzsystem oder ein Assistenzsystem zum Integrieren eines zumindest teilweise autonom fahrenden Fahrzeugs in einen Verkehrsfluss.
Zur Abstandsregelung wird üblicherweise ein Abstand des Kraftfahrzeugs zu dem Referenzobjekt durch geeignete Ansteuervorgänge, beispielsweise Beschleunigungs- und/oder Brems- und/oder Lenkeingriffe, auf einen gewünschten Sollwert, also an die Führungsgröße des Regelsystems, angeglichen. Durch Anpassen der Steuergröße an das Fahrverhalten eines individuellen Fahrers können die Ansteuervorgänge ebenfalls an das Fahrverhalten angeglichen werden. Vorteilhafterweise erhöht dies die Akzeptanz solcher Systeme.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass die Regelgröße des Kraftfahrzeugs einen Abstand des Kraftfahrzeugs zu einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs abbildet.
Das Referenzobjekt in der Umgebung das Kraftfahrzeugs ist beispielsweise ein, insbesondere vorausfahrendes, Drittfahrzeug, ein Fußgänger, ein Tier oder ein anderer Verkehrsteilnehmer. Alternativ kann das Referenzobjekt auch ein feststehendes Umgebungsobjekt, beispielsweise eine Leitplanke, ein Baum, ein Pfosten, ein Gebäude o.ä. sein. Ebenso kann auch eine Fahrbahnmarkierung beispielsweise eine Fahrstreifenbegrenzung, Leitlinie o. ä. als Referenzobjekt verstanden werden.
Zum Erfassen des Abstands des Kraftfahrzeugs zu dem Referenzobjekt umfasst das Kraftfahrzeug vorteilhafterweise Umgebungssensoren (nicht dargestellt) wie beispielsweise Radarsensoren, Lidarsensoren, Laserscanner, Videosensoren und Ultraschallsensoren. Sofern das Kraftfahrzeug mit einem Navigationssystem ausgerüstet ist, kann auch auf Daten dieses Systems zurückgegriffen werden.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass der Regler 110 eine konventionelle Reglerstruktur, insbesondere eine PID-Reglerstruktur, und/oder das prädiktive Modell 120 ein Gauss-Prozess-Modell oder ein neuronales Netz umfasst.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass das prädiktive Modell 120 trainierbar ist, die zweite Ausgangsgröße u2 in Abhängigkeit wenigstens einer Eingangsgröße auszugeben, wobei eine Eingangsgröße eine der folgenden Größen umfasst: Führungsgröße w des Regelsystems, Regelgröße y des Kraftfahrzeugs, eine Größe, die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentiert. Die Führungsgröße w des Regelsystems 100 ist der gewünschte Sollwert an den die Regelgröße y angeglichen werden soll. Betriebsdaten des Kraftfahrzeugs sind beispielsweise Geschwindigkeit, Beschleunigung, Lenkwinkel, Neigung. Umgebungsdaten des Kraftfahrzeugs sind beispielsweise Information über Straßenzustand, Wetter, Fahrbahnsteigung, Straßenverlauf, etc. Durch Verwenden der genannten Größen als Eingangsgrößen für das prädiktive Modell 120 kann die zweite Ausgangsgröße u2 vorteilhafterweise in Abhängigkeit dieser Größen ausgegeben werden. Vorteilhafterweise werden diese Größen durch geeignete Sensoren, beispielsweise Umgebungssensoren erfasst, und/oder durch geeignete Mittel zur Datenübertragung dem Regelsystem zur Verfügung gestellt.
2 zeigt schematisch Schritt einer ersten Trainingsphase eines computerimplementiertes Verfahren 200 zum Trainieren eines prädiktiven Modells 120 für ein Regelsystem 100 für ein Kraftfahrzeug gemäß den Ausführungsformen, wobei die erste Trainingsphase folgende Schritte umfasst: Ermitteln 220 einer Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße u1 des Reglers 110 des Regelsystems 100 in einem deaktivierten Zustand des Regelsystems 100 und Trainieren 230 des prädiktiven Modells 120 mit der ermittelten Abweichung des Fahrverhaltens.
Unter einem deaktivierten Zustand des Regelsystems 100 wird verstanden, dass das Regelsystem 100 nicht zur Regelung einer Fahrassistenzfunktion verwendet wird, sondern dass der Fahrer des Kraftfahrzeugs dieses steuert.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass die erste Trainingsphase des Verfahrens 200 weiter folgende Schritte umfasst: Ermitteln 210a des Fahrverhaltens des Fahrers in Abhängigkeit der Regelgröße y des Kraftfahrzeugs und Berechnen der ersten Ausgangsgröße u1 des Reglers 110. Anhand der berechneten ersten Ausgangsgröße u1 des Reglers 110 und des ermittelten Fahrverhalten bei deaktiviertem Regelsystem 100 kann die Abweichung des Fahrverhaltens von der ersten Ausgangsgröße u1 des Reglers ermittelt werden. Vorteilhafterweise wird das prädiktive Modell 120 mit der ermittelten Abweichung des Fahrverhaltens in Abhängigkeit der Regelgröße y des Kraftfahrzeugs trainiert.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Ermitteln 210a des Fahrverhaltens das Ermitteln von wenigstens einer Größe, die einen Fahrpedaleingriff und/oder einen Bremseingriffe und/oder einen Lenkeingriff repräsentieren, umfasst.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Trainieren des prädiktiven Modells 120 in Abhängigkeit wenigstens einer weiteren Größe, die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentiert, erfolgt. Betriebsdaten des Kraftfahrzeugs sind beispielsweise Geschwindigkeit, Beschleunigung, Lenkwinkel, Neigung. Umgebungsdaten des Kraftfahrzeugs sind beispielsweise Information über Straßenzustand, Wetter, Fahrbahnsteigung, Straßenverlauf, etc.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass eine zweite Trainingsphase des Verfahrens umfasst: Optimieren des prädiktiven Modells in Abhängigkeit wenigstens einer weiteren Größe, die mit einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs assoziiert ist. Das Referenzobjekt ist beispielsweise ein, insbesondere vorausfahrendes, Drittfahrzeug. Durch Optimieren des prädiktiven Modells 120 in Bezug auf das Referenzobjekt kann das prädiktive Modell 120 vorteilhafterweise im Hinblick auf eine zukünftige Position des Referenzobjekts optimiert werden.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass wobei das Optimieren des prädiktiven Modells 120 weiter umfasst: Ermitteln eines Zustands des Kraftfahrzeugs zu einem Zeitpunkt t umfassend wenigstens eine Größe, die mit dem Kraftfahrzeug assoziiert ist, Ermitteln eines Zustands des Referenzobjekts zum Zeitpunkt t umfassend wenigstens eine Größe, die mit dem Referenzobjekt assoziiert ist und Ermitteln einer Verteilung über zukünftige Zustände und Identifizieren wenigstens eines Modellparameters, der den Erwartungswert eines Fehlers in der Verteilung über die zukünftigen Zustände minimiert. Der Modellparameter charakterisiert eine Verbindung zwischen Eingangsgrößen und Ausgangsgrößen des prädiktiven Modells 120.
Vorteilhafterweise kann so das Entstehen eines langfristig kumulierenden Prädiktionsfehlers verhindert werden. Ein langfristig kumulierender Fehler kann insbesondere dann entstehen, wenn das prädiktive Modell 120 das Abweichen des Fahrverhaltens nicht exakt abbilden kann.
5 zeigt eine schematische Übersicht der zweiten Trainingsphase zum Optimieren des prädiktiven Modells 120 in Abhängigkeit wenigstens einer weiteren Größe, die mit einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs assoziiert ist. Die Größe, die mit einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs assoziiert ist, ist gegeben durch ein weiteres, zweites, prädiktives Modell 130, das zur Prädiktion eines Zustands des Referenzobjekts geeignet ist. Ein weiteres, drittes prädiktives Modell 140 fasst den Regler 110 und das prädiktive Modell 120 zusammen und ist so zur Prädiktion des Zustands des Kraftfahrzeugs geeignet. $x_{t}^{o w n}$
repräsentiert den Zustand des Kraftfahrzeugs zum Zeitpunkt t, vorteilhafterweise umfasst $x_{t}^{o w n}$
sämtliche Größen, die dem prädiktiven Modell 120 und dem Regler 110 zur Verfügungs gestellt werden. $x_{t}^{l e a d}$
repräsentiert den Zustand, insbesondere Informationen über Position und/oder Geschwindigkeit, des Referenzobjekts, beispielsweise ein vorausfahrendes Drittfahrzeug, zum Zeitpunkt t. Der Abstand zum Zeitpunkt t zu diesem Referenzobjekt wird dem prädiktiven Modell 120 und dem Regler 110 ebenfalls zur Verfügung gestellt.
Sofern wenigstens eines der prädiktiven Modelle 120, 130, 140 oder der Regler 110 ein stochastisches Modell ist, kann daraus eine Verteilung über zukünftige Zustände abgeleitet werden, die gegeben ist durch $p (x_{t + 1}^{o w n}, x_{t + 1}^{l e a d}, x_{t + 2}^{o w n}, x_{t + 2}^{l e a d}, \dots | x_{t}^{o w n}, x_{t}^{l e a d}, θ) .$
Ein Fehler in den zukünftigen Zuständen zum Zeitpunkt t + δ ist gegeben durch $L (x_{t + δ}^{o w n}, x_{t + δ}^{l e a d}) .$
Ein Fehler misst beispielsweise eine Differenz zur Führungsgröße und/oder ein Über- und/oder Unterschreiten von maximal oder minimal zulässigen Differenzen. Ein Modellparameter der den Erwartungswert des Fehlers minimiert, löst folgendes Optimierungsproblem $θ = a r g m i n_{θ} E [\sum_{δ = 1}^{T_{m a x}} L (x_{t + δ}^{o w n}, x_{t + δ}^{l e a d}) | p (x_{t + 1}^{o w n}, x_{t + 1}^{l e a d}, x_{t + 2}^{o w n}, x_{t + 2}^{l e a d}, \dots | x_{t}^{o w n}, x_{t}^{l e a d}, θ)],$
wobei T_max den maximalen Prädiktionshorizont beschreibt. Der identifizierte Modellparameter minimiert den kumulierten Fehler des Zeitschrittes T_max. Vorteilhafterweise wird das prädiktive Modell 120 auf dieser Basis optimiert.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass eine dritte Trainingsphase des Verfahrens 200 umfasst: Überprüfen 250 des prädiktiven Modells in aktiviertem Zustand des Regelsystems gegenüber einem Eingreifen des Fahrers. Eine schematische Darstellung von Schritten der dritten Trainingsphase des computerimplementierten Verfahrens 200 sind in 4 dargestellt.
Bei einer weiteren bevorzugten Ausführungsform ist vorgesehen, dass in Abhängigkeit des Überprüfens 250 des prädiktiven Modells 120 die erste und/oder die zweite Trainingsphase wiederholt und/oder weitere Schritte, insbesondere Deaktivieren 260a des Regelsystems 100 und/oder Ausgeben 260b eines Warnhinweises, ausgeführt werden
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Computerprogramm, das ausgebildet ist, die Schritte des Verfahren 200 gemäß den Ausführungsformen auszuführen.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein maschinenlesbares Speichermedium, auf dem das Computerprogramm gemäß den Ausführungsformen gespeichert ist.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Steuergerät 300, das ausgebildet ist, die Schritte eines Verfahren 200 gemäß den Ausführungsformen auszuführen. Das Steuergerät 300 umfasst eine Recheneinrichtung 310 und wenigstens eine Speichereinrichtung 320, auf der das Regelsystem 100 gespeichert ist. Ferner umfasst das Steuergerät 300 einen Eingang 330 zum Aufnehmen von Informationen über Größen des Regelsystems, beispielsweise Führungsgröße und Regelgröße, und weitere Größen, die die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentieren. Vorteilhafterweise werden diese Größen durch geeignete Sensoren, beispielsweise Umgebungssensoren erfasst, und/oder durch geeignete Mittel zur Datenübertragung dem Regelsystem zur Verfügung gestellt. Ferner umfasst das Steuergerät 300 einen Ausgang 340 zum Ansteuern von Aktuatoren von Bordsystemen des Kraftfahrzeugs, insbesondere Lenksystem Bremssystem, den Antriebsstrang und Warnsysteme.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Verwenden eines Regelsystems 100 gemäß den Ausführungsformen und/oder eines prädiktiven Modells 120, das mit einem Verfahren 200 gemäß den Ausführungsformen trainiert ist und/oder eines Verfahrens 200 gemäß den Ausführungsformen und/oder eines Computerprogramms gemäß den Ausführungsformen und/oder eines maschinenlesbaren Speichermedium gemäß den Ausführungsformen und/oder eines Steuergeräts 300 gemäß den Ausführungsformen zum Anpassen eines Regelsystems 100 für ein Kraftfahrzeug an ein individuelles Fahrverhalten eines Fahrers.
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Verwenden eines Regelsystems 100 gemäß den Ausführungsformen und/oder eines prädiktiven Modells 120, das mit einem Verfahren 200 gemäß den Ausführungsformen trainiert ist und/oder eines Verfahrens 200 gemäß den Ausführungsformen und/oder eines Computerprogramms gemäß den Ausführungsformen und/oder eines maschinenlesbaren Speichermedium gemäß den Ausführungsformen und/oder eines Steuergeräts 300 gemäß den Ausführungsformen in einem Fahrassistenzsystem eines Kraftfahrzeugs, insbesondere zur Abstandsregelung, engl. Adaptive Cruise Control, ACC.

Claims

Regelsystem (100) für ein Kraftfahrzeug zum Ausgeben einer Steuergröße (u), anhand derer eine Regelgröße (y) eines Kraftfahrzeugs durch geeignete Ansteuervorgänge einstellbar ist, um die Regelgröße (y) an eine Führungsgröße (w) des Regelsystems (100) anzugleichen, umfassend einen Regler (110), der dazu ausgebildet ist, auf Basis der Regelgröße (y) des Kraftfahrzeugs und auf Basis der Führungsgröße (w) des Regelsystems (100), eine erste Ausgangsgröße (u1) auszugeben, und weiter umfassend ein prädiktives Modell (120), das trainierbar ist, eine zweite Ausgangsgröße (u2) auszugeben, die eine Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von der ersten Ausgangsgröße (u1) des Reglers (110) abbildet, wobei die Steuergröße (u) des Regelsystems (100) eine Addition der ersten Ausgangsgröße (u1) und der zweiten Ausgangsgröße (u2) umfasst.
Regelsystem (100) nach Anspruch 1, wobei die Regelgröße (y) des Kraftfahrzeugs einen Abstand des Kraftfahrzeugs zu einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs abbildet.
Regelsystem (100) nach wenigstens einem der vorhergehenden Ansprüche, wobei der Regler (110) eine konventionelle Reglerstruktur, insbesondere eine PID-Reglerstruktur, und/oder das prädiktive Modell (120) ein Gauss-Prozess-Modell oder ein neuronales Netz umfasst.
Regelsystem (100) nach wenigstens einem der vorhergehenden Ansprüche, wobei das prädiktive Modell (120) trainierbar ist, die zweite Ausgangsgröße (u2) in Abhängigkeit wenigstens einer Eingangsgröße auszugeben, wobei eine Eingangsgröße eine der folgenden Größen umfasst: Führungsgröße (w) des Regelsystems (100), Regelgröße (y) des Kraftfahrzeugs, eine Größe, die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentiert.
Computerimplementiertes Verfahren (200) zum Trainieren eines prädiktiven Modells für ein Regelsystem für ein Kraftfahrzeug gemäß wenigstens einem der Ansprüche 1 bis 4, wobei eine erste Trainingsphase umfasst: Ermitteln (220) einer Abweichung eines Fahrverhaltens eines Fahrers des Kraftfahrzeugs von einer ersten Ausgangsgröße eines Reglers des Regelsystems in einem deaktivierten Zustand des Regelsystems und Trainieren (230) des prädiktiven Modells mit der ermittelten Abweichung des Fahrverhaltens.
Verfahren (200) nach Anspruch 5, wobei die erste Trainingsphase weiter umfasst: Ermitteln (210a) des Fahrverhaltens des Fahrers in Abhängigkeit der Regelgröße des Kraftfahrzeugs und Berechnen (210b) der ersten Ausgangsgröße des Reglers.
Verfahren (200) nach wenigstens einem der Ansprüche 5 oder 6, wobei das Ermitteln (210a) des Fahrverhaltens das Ermitteln von wenigstens einer Größe, die einen Fahrpedaleingriff und/oder einen Bremseingriffe und/oder einen Lenkeingriff repräsentieren, umfasst.
Verfahren (200) nach wenigstens einem der Ansprüche 5 bis 7, wobei das Trainieren (230) in Abhängigkeit wenigstens einer weiteren Größe, die Betriebsdaten des Kraftfahrzeugs und/oder Umgebungsdaten des Kraftfahrzeugs repräsentiert, erfolgt.
Verfahren (200) nach wenigstens einem der Ansprüche 5 bis 8, wobei eine zweite Trainingsphase umfasst: Optimieren (240) des prädiktiven Modells (120) in Abhängigkeit wenigstens einer weiteren Größe, die mit einem Referenzobjekt in einer Umgebung des Kraftfahrzeugs assoziiert ist.
Verfahren (200) nach wenigstens einem der Ansprüche 5 bis 9, wobei das Optimieren (240) des prädiktiven Modells (120) weiter umfasst: Ermitteln (240a) eines Zustands des Kraftfahrzeugs zu einem Zeitpunkt umfassend wenigstens eine Größe, die mit dem Kraftfahrzeug assoziiert ist, Ermitteln (240b) eines Zustands des Referenzobjekts zu diesem Zeitpunkt, umfassend wenigstens eine Größe, die mit dem Referenzobjekt assoziiert ist und Ermitteln (240c) einer Verteilung über zukünftige Zustände und Identifizieren (240d) wenigstens eines Modellparameters, der den Erwartungswert eines Fehlers in der Verteilung über die zukünftigen Zustände minimiert.
Verfahren (200) nach wenigstens einem der Ansprüche 5 bis 10, wobei eine dritte Trainingsphase umfasst: Überprüfen (250) des prädiktiven Modells (120) in aktiviertem Zustand des Regelsystems (100) gegenüber einem Eingreifen des Fahrers.
Verfahren (200) nach wenigstens einem der Ansprüche 5 bis 11, wobei in Abhängigkeit des Überprüfens (250) des prädiktiven Modells (120) die erste und/oder die zweite Trainingsphase wiederholt und/oder weitere Schritte, insbesondere Deaktivieren (260a) des Regelsystems (100) und/oder Ausgeben (260b) eines Warnhinweises, ausgeführt werden.
Computerprogramm, das ausgebildet ist, die Schritte eines Verfahrens (200) gemäß wenigstens einem der Ansprüche 5 bis 12 auszuführen.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm gemäß Anspruch 13 gespeichert ist.
Steuergerät (300), das ausgebildet ist, die Schritte eines Verfahrens (200) gemäß wenigstens einem der Ansprüche 5 bis 12 auszuführen.
Verwenden eines Regelsystems (100) gemäß wenigstens einem der Ansprüche 1 bis 4 und/oder eines prädiktiven Modells (120), das mit einem Verfahren (200) gemäß wenigstens einem der Ansprüche 5 bis 12 trainiert ist und/oder eines Verfahrens (200) gemäß wenigstens einem der Ansprüche 5 bis 12 und/oder eines Computerprogramms gemäß Anspruch 13 und/oder eines maschinenlesbaren Speichermedium gemäß Anspruch 14 und/oder eines Steuergeräts (300) gemäß Anspruch 15 zum Anpassen eines Regelsystems (100) für ein Kraftfahrzeug an ein individuelles Fahrverhalten eines Fahrers.
Verwenden eines Regelsystems (100) gemäß wenigstens einem der Ansprüche 1 bis 4 und/oder eines prädiktiven Modells (120), das mit einem Verfahren (200) gemäß wenigstens einem der Ansprüche 5 bis 12 trainiert ist und/oder eines Verfahrens (200) gemäß wenigstens einem der Ansprüche 5 bis 12 und/oder eines Computerprogramms gemäß Anspruch 13 und/oder eines maschinenlesbaren Speichermedium gemäß Anspruch 14 und/oder eines Steuergeräts (300) gemäß Anspruch 15 in einem Fahrassistenzsystem eines Kraftfahrzeugs, insbesondere zur Abstandsregelung, engl. Adaptive Cruise Control, ACC.