DE102019217224A1

DE102019217224A1 - Autonome Fahrfunktion eines Kraftfahrzeugs unter Berücksichtigung von im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugen

Info

Publication number: DE102019217224A1
Application number: DE102019217224.5A
Authority: DE
Inventors: Valerie Engel; Andreas Wendzel; Maik Dreher; Julian King; Lara Ruth Turner
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2019-11-07
Filing date: 2019-11-07
Publication date: 2021-05-12

Abstract

Die Erfindung betrifft eine Prozessoreinheit (3) zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug (1) unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19), wobei die autonome Fahrfunktion durch einen MPC-Algorithmus (13) zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs (1) gebildet wird, wobei der MPC-Algorithmus (13) ein Längsdynamikmodell (14) des Ego-Fahrzeugs (1), eine zu minimierende Kostenfunktion (15) sowie eine prädizierte Trajektorie (20) wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) enthält, wobei die Prozessoreinheit (3) dazu eingerichtet ist, den MPC-Algorithmus (13) auszuführen, sodass das Ego-Fahrzeug (1) basierend auf der Ausführung des MPC-Algorithmus' (13) autonom fährt, und wobei die Prozessoreinheit (3) dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' (13) unter Berücksichtigung des Längsdynamikmodells (14) des Ego-Fahrzeugs (1) sowie der prädizierten Trajektorie (20) des wenigstens einen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) eine Eingangsgröße für die modellbasierte prädiktive Regelung des Ego-Fahrzeugs (1) zu ermitteln, sodass die Kostenfunktion minimiert wird.

Description

Die Erfindung betrifft eine autonome Fahrfunktion für ein Ego-Fahrzeug. Beansprucht werden in diesem Zusammenhang insbesondere eine dazu eingerichtete Prozessoreinheit, ein Verfahren und ein Computerprogrammprodukt. Ein weiterer Anspruch ist auf ein Kraftfahrzeug mit der vorstehend genannten Prozessoreinheit gerichtet.
Autonome Fahrstrategien verwenden Umfelddaten, Kartendaten und Fahrzeugdaten, um ein optimales Fahrzeugverhalten zu bestimmen. Dabei werden zudem vorausfahrende Fahrzeuge berücksichtigt, zu denen ein Sicherheitsabstand einzuhalten ist. Bekannte Fahrassistenzsysteme, beispielsweise aktive Geschwindigkeitsregelungssysteme (im Englischen: Adaptive Cruise Control) regeln das Ego-Fahrzeug auf einen Sicherheitsabstand zum vorausfahrenden Fahrzeug und halten diesen Abstand ein, bis das vorausfahrende Fahrzeug die Spur verlässt oder eine zuvor eingestellte Tempomatgeschwindigkeit des Ego-Fahrzeugs überschritten wird. Die Annäherung auf vorausfahrende Fahrzeuge erfolgt bekanntermaßen mit einer vordefinierten Abbremskurve. Dies bewirkt, dass das Geschwindigkeitsprofil des vorausfahrenden Fahrzeugs nachgefahren wird und der Verbrauch des Ego-Fahrzeugs somit maßgeblich durch das Fahrverhalten des vorausfahrenden Fahrzeugs bestimmt wird.
Eine Aufgabe der vorliegenden Erfindung kann darin gesehen werden, eine autonome Fahrfunktion eines Kraftfahrzeugs hinsichtlich einer effizienteren Fahrweise zu verbessern. Die Aufgabe wird gelöst durch die Gegenstände der unabhängigen Patentansprüche. Vorteilhafte Ausführungsformen sind Gegenstand der Unteransprüche, der folgenden Beschreibung sowie der Figuren.
Die vorliegende Erfindung schlägt vor, ineffiziente Fahrweisen des Ego-Fahrzeugs zu vermeiden, indem die autonome Fahrstrategie unter Beachtung aller Beschränkungen des Fahrbetriebs des Ego-Fahrzeugs dahingehend geplant wird, dass ein Optimum hinsichtlich Geschwindigkeit sowie Betriebspunktwahl des Ego-Fahrzeugs realisiert wird. Gleichzeitig erfolgt eine Optimierung des Energieverbrauchs des Ego-Fahrzeugs während der Fahrt durch Kenntnis von Betriebsdaten des vorausfahrenden Fahrzeugs. Basis dafür ist eine möglichst genaue Vorhersage des Fahrverhaltens von vorausfahrenden Fahrzeugen bzw. im Umfeld des Ego-Fahrzeugs befindlicher Fahrzeuge. Bei Verwendung eines MPC-Optimierungsalgorithmus' als Fahrstrategie kann die prädizierte Trajektorie des vorausfahrenden Fahrzeugs berücksichtigt werden.
In diesem Sinne wird gemäß einem ersten Aspekt der Erfindung eine Prozessoreinheit zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs bereitgestellt, wobei die autonome Fahrfunktion durch einen MPC-Algorithmus zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs gebildet wird, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine zu minimierende Kostenfunktion sowie eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs enthält. Die Prozessoreinheit ist dazu eingerichtet, den MPC-Algorithmus auszuführen, sodass das Ego-Fahrzeug basierend auf der Ausführung des MPC-Algorithmus' autonom fährt.
Die autonome Fahrfunktion kann zumindest zum Teil durch einen MPC-Algorithmus zur modellprädiktiven Regelung des Ego-Fahrzeugs gebildet werden, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs und eine zu minimierende Kostenfunktion enthält. Die Prozessoreinheit ist dabei dazu eingerichtet, den MPC-Algorithmus auszuführen, sodass das Ego-Fahrzeug basierend auf der Ausführung des MPC-Algorithmus' autonom fährt, und durch Ausführen des MPC-Algorithmus' - nachdem die Trajektorie des vorausfahrenden Fahrzeugs möglichst exakt vorhergesagt bzw. prädiziert wurde - unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs eine Eingangsgröße für die modellbasierte prädiktive Regelung des Ego-Fahrzeugs zu ermitteln, sodass die Kostenfunktion minimiert wird. Anders gesagt ist die Prozessoreinheit dazu eingerichtet, eine autonome Fahrfunktion auszuführen, sodass das Ego-Fahrzeug basierend auf der Ausführung der autonomen Fahrfunktion autonom fährt.
Um in jeder Situation unter gegebenen Randbedingungen und Beschränkungen eine optimale Lösung für eine sogenannte „Driving Efficiency“ Fahrfunktion zu finden, welche eine effiziente Fahrweise bereitstellen soll, kann die Methode der modelbasierten prädiktiven Regelung (MPC) gewählt werden. Methoden der modelbasierten prädiktiven Regelung (im Englischen: Model Predictive Control oder abgekürzt: MPC) werden auf dem Gebiet der Trajektorie-Regelung eingesetzt, beispielsweise zur Motor-Regelung im Kontext des autonomen Fahrens. Die MPC-Methode basiert auf einem Systemmodell, welches das Verhalten des Systems beschreibt. Weiterhin basiert die MPC-Methode insbesondere auf einer Zielfunktion bzw. auf einer Kostenfunktion, die ein Optimierungsproblem beschreibt und bestimmt, welche Zustandsgrößen minimiert werden sollen. Die Zustandsgrößen für die Driving Efficiency Fahrfunktion können insbesondere die Fahrzeuggeschwindigkeit bzw. die kinetische Energie, die verbleibende Energie in der Batterie eines elektrischen Fahrantriebs und die Fahrzeit sein. Zudem kann von der Kostenfunktion auch eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs berücksichtigt werden. Die Optimierung von Energieverbrauch und Fahrtzeit erfolgt insbesondere auf Basis der Steigung der vorausliegenden Strecke und Beschränkungen bzw. Nebenbedingungen für Geschwindigkeit und Antriebskraft, sowie auf Basis des aktuellen Systemzustands.
Das Längsdynamikmodell des Antriebsstrangs kann ein Fahrzeugmodell mit Fahrzeugparametern und Antriebsstrangverlusten (z.T. approximierte Kennfelder) umfassen. In das Längsdynamikmodell des Antriebsstrangs können insbesondere Kenntnisse über vorausliegende Streckentopografien (z.B. Kurven und Steigungen) einfließen. Weiterhin können auch Kenntnisse über Geschwindigkeitslimits auf der vorausliegenden Strecke in das Längsdynamikmodell des Ego-Fahrzeugs einfließen.
Aktuelle Zustandsgrößen können gemessen, entsprechende Daten können aufgenommen und dem MPC-Algorithmus zugeführt werden. So können Streckendaten aus einer elektronischen Karte für einen Vorausschauhorizont bzw. Prädiktionshorizont (z.B. bis zu 5 km) vor dem Ego-Fahrzeug insbesondere zyklisch aktualisiert werden. Die Streckendaten können beispielsweise Steigungsinformationen, Kurveninformationen, und Informationen über Geschwindigkeitslimits beinhalten. Des Weiteren kann eine Kurvenkrümmung über eine maximal zulässige Querbeschleunigung in ein Geschwindigkeitslimit für das Ego-Fahrzeug umgerechnet werden. Außerdem kann eine Ortung des Ego-Fahrzeugs erfolgen, insbesondere über ein GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte.
Die Prozessoreinheit ist bevorzugt dazu eingerichtet, mittels des MPC-Algorithmus' eine Antriebsmaschine eines Antriebstrangs des Ego-Fahrzeugs zu regeln, wobei der MPC-Algorithmus ein Längsdynamikmodell des Antriebsstrangs sowie eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs enthält. Die Prozessoreinheit ist dazu eingerichtet, durch Ausführen des MPC-Algorithmus' unter Berücksichtigung des gespeicherten Fahrereingriffs eine Eingangsgröße für die Regelung der Antriebsmaschine zu ermitteln, sodass das Ego-Fahrzeug durch die Antriebsmaschine autonom angetrieben wird und sodass die Kostenfunktion minimiert wird.
Vorzugsweise enthält die Kostenfunktion als ersten Term eine mit einem ersten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell sowie gemäß der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs prädizierte elektrische Energie, welche innerhalb eines Prädiktionshorizonts von einer Batterie des Antriebsstrangs zum Antrieb der Antriebsmaschine bereitgestellt wird, wobei die Kostenfunktion als zweiten Term ferner eine mit einem zweiten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell sowie gemäß der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs prädizierte Fahrzeit enthält, welche das Ego-Fahrzeug zum Zurücklegen der gesamten innerhalb des Prädiktionshorizonts prädizierten Wegstrecke benötigt. Die Prozessoreinheit ist dazu eingerichtet, durch Ausführen des MPC-Algorithmus' in Abhängigkeit von dem ersten Term und in Abhängigkeit von dem zweiten Term eine Eingangsgröße für die Regelung der Antriebsmaschine des Ego-Fahrzeugs zu ermitteln, sodass die Kostenfunktion minimiert wird.
Die Kostenfunktion besitzt ausschließlich lineare und quadratische Terme. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit linearen Nebenbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann. Die Zielfunktion bzw. die Kostenfunktion kann mit einer Gewichtung (Gewichtungsfaktoren) aufgestellt werden, wobei insbesondere eine Energieeffizienz, eine Fahrtzeit und ein Fahrkomfort berechnet und gewichtet werden. Eine energieoptimale Geschwindigkeitstrajektorie kann für einen vorausliegenden Horizont auf der Prozessoreinheit online berechnet werden, die insbesondere ein Bestandteil eines zentralen Steuergeräts des Ego-Fahrzeugs bilden kann. Durch Nutzung der MPC-Methode kann weiterhin eine zyklische Neuberechnung der Soll-Geschwindigkeit des Ego-Fahrzeugs auf Basis des aktuellen Fahrzustands und der vorausliegenden Streckeninformationen erfolgen.
Durch die Kostenfunktion des MPC-Algorithmus' erfolgt eine Minimierung der Fahrzeit für den Prädiktionshorizont und eine Minimierung von verbrauchter Energie. Alternativ kann die Kostenfunktion des MPC-Algorithmus' eine maximale Geschwindigkeit für den Prädiktionshorizont vorgeben. In einer Ausführungsform erfolgt weiterhin eine Minimierung von Drehmomentänderungen für den Prädiktionshorizont. Was den Input für die modellbasierte prädiktive Regelung angeht, so können dem MPC-Algorithmus als Nebenbedingungen z.B. Geschwindigkeitslimits, physikalische Grenzen für das Drehmoment und Drehzahlen der Antriebsmaschine zugeführt werden. Dem MPC-Algorithmus können weiterhin Steuergrößen für die Optimierung als Input zugeführt werden, insbesondere die Geschwindigkeit des Fahrzeugs (welche proportional zur Drehzahl sein kann), das Drehmoment der Antriebsmaschine und der Batterieladezustand. Als Output der Optimierung kann der MPC-Algorithmus eine optimale Drehzahl und ein optimales Drehmoment für berechnete Punkte im Vorausschauhorizont liefern. Was die Umsetzung der MPC-Regelung im Fahrzeug angeht, so kann dem MPC-Algorithmus ein Softwaremodul nachgeschaltet sein, welches einen aktuell relevanten Zustand ermittelt und an eine Leistungselektronik weitergibt.
Energieverbrauch und Fahrzeit bzw. Maximalgeschwindigkeit können jeweils am Ende des Horizonts ausgewertet und gewichtet werden. Dieser Term ist also nur für den letzten Punkt des Horizonts aktiv. In diesem Sinne enthält die Kostenfunktion in einer Ausführungsform einen mit dem ersten Gewichtungsfaktor gewichteten Energieverbrauchsendwert, den die prädizierte elektrische Energie am Ende des Prädiktionshorizonts annimmt, und die Kostenfunktion enthält einen mit dem zweiten Gewichtungsfaktor gewichteten Fahrzeitendwert, den die prädizierte Fahrzeit am Ende des Prädiktionshorizonts annimmt.
Um ein komfortables Fahren sicher zu stellen, können zusätzlich Terme zur Bestrafung von Momentensprüngen eingeführt werden. In diesem Sinne kann die Kostenfunktion einen dritten Term mit einem dritten Gewichtungsfaktor aufweisen, wobei der dritte Term einen gemäß dem Längsdynamikmodell prädizierten Wert eines Drehmoments enthält, welches die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs bereitstellt, und wobei die Prozessoreinheit dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term und in Abhängigkeit von dem dritten Term die Eingangsgröße für die Antriebsmaschine zu ermitteln, sodass die Kostenfunktion minimiert wird.
Für den ersten Punkt im Horizont kann die Abweichung zum zuletzt gestellten Moment negativ bewertet werden, um sicher zu stellen, dass es einen nahtlosen und ruckfreien Übergang beim Umschalten zwischen alter und neuer Trajektorie gibt. In diesem Sinne kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten ersten Wert eines gemäß dem Längsdynamikmodell prädizierten Drehmoments enthalten, welches die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem ersten Wegpunkt innerhalb des Prädiktionshorizonts bereitstellt. Dabei kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten nullten Wert eines Drehmoments enthalten, welches die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem nullten Wegpunkt bereitstellt, der unmittelbar vor dem ersten Wegpunkt liegt. Bei dem nullten Drehmoment kann es sich insbesondere um ein real - in nicht bloß prädiziert - von der Antriebsmaschine bereitgestelltes Drehmoment handeln. In der Kostenfunktion kann der nullte Wert des Drehmoments von dem ersten Wert des Drehmoments abgezogen werden.
Alternativ kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten ersten Wert einer gemäß dem Längsdynamikmodell prädizierten Antriebskraft enthalten, welche die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem ersten Wegpunkt innerhalb des Prädiktionshorizonts bereitstellt. Der dritte Term enthält dabei einen mit dem dritten Gewichtungsfaktor gewichteten nullten Wert einer Antriebskraft, welche die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem nullten Wegpunkt bereitstellt, der unmittelbar vor dem ersten Wegpunkt liegt, wobei in der Kostenfunktion der nullte Wert der Antriebskraft von dem ersten Wert der Antriebskraft abgezogen wird.
Bei den Wegpunkten, welche durch den MPC-Algorithmus berücksichtigt werden, handelt es sich insbesondere um diskrete Wegpunkte, die beispielsweise in einer bestimmten Frequenz aufeinanderfolgen. In diesem Sinne stellen der nullte Wegpunkt und der erste Wegpunkt diskrete Wegpunkte dar, wobei der erste Wegpunkt unmittelbar auf den nullten Wegpunkt folgt. Der nullte Wegpunkt kann zeitlich vor dem Prädiktionshorizont liegen. Für den nullten Wegpunkt kann der nullte Drehmomentwert gemessen oder ermittelt werden. Der erste Wegpunkt stellt insbesondere den ersten Wegpunkt innerhalb des Prädiktionshorizonts dar. Für den ersten Wegpunkt kann das erste Drehmomentwert prädiziert werden. Somit kann der real ermittelte nullte Drehmomentwert mit dem prädizierten ersten Drehmomentwert verglichen werden.
Zusätzlich sind zu hohe Drehmomentgradienten innerhalb des Horizonts unvorteilhaft, so dass diese in einer Ausführungsform bereits in der Zielfunktion bestraft werden. Dafür kann die quadratische Abweichung der Antriebskraft je Meter gewichtet und in der Zielfunktion minimiert werden. In diesem Sinne kann die Kostenfunktion einen vierten Term mit einem vierten Gewichtungsfaktor aufweisen, wobei der vierte Term einen gemäß dem Längsdynamikmodell prädizierten Gradienten des Drehmoments oder einen Indikatorwert für einen gemäß dem Längsdynamikmodell prädizierten Gradienten des Drehmoments enthält. Die Prozessoreinheit ist dabei dazu eingerichtet, durch Ausführen des MPC-Algorithmus' in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term, in Abhängigkeit von dem dritten Term und in Abhängigkeit von dem vierten Term die Eingangsgröße für die Antriebsmaschine zu ermitteln, sodass die Kostenfunktion minimiert wird.
In einer Ausführungsform enthält der vierte Term eine mit dem vierten Gewichtungsfaktor multiplizierte und aufsummierte quadratische Abweichung des Gradienten des Drehmoments. Weiterhin kann die Kostenfunktion eine mit dem vierten Gewichtungsfaktor aufsummierte quadratische Abweichung einer Antriebskraft enthalten, welche die Antriebsmaschine bereitstellt, um das Ego-Fahrzeug einen Meter in Längsrichtung fortzubewegen. In diesem Sinne kann der vierte Term eine mit dem vierten Gewichtungsfaktor multiplizierte und aufsummierte quadratische Abweichung einer Antriebskraft enthalten, welche die Antriebsmaschine bereitstellt, um das Ego-Fahrzeug einen Meter in Längsrichtung fortzubewegen.
Geschwindigkeitslimits, die beispielsweise durch eine Verkehrsstraßenordnung festgelegt sein können, sind für die Optimierung harte Grenzen, die nicht überschritten werden sollen. Eine leichte Überschreitung der Geschwindigkeitsgrenzen ist in der Realität immer zulässig und vor allem bei Übergängen von einer Geschwindigkeitszone in eine zweite Zone eher der Normalfall. In dynamischen Umgebungen, in denen sich von einem Rechenzyklus zum nächsten Rechenzyklus Geschwindigkeitslimits verschieben, kann es passieren, dass bei ganz harten Grenzen keine gültige Lösung für einen Geschwindigkeitsverlauf mehr gefunden werden kann. Um die Stabilität des Rechenalgorithmus' zu erhöhen, kann eine sogenannte „Soft Constraint“ in die Zielfunktion eingeführt werden. Insbesondere kann eine sogenannte „Schlupf-Variable“ bzw. „Slack-Variable“ in einem vorgegebenen schmalen Bereich aktiv werden, bevor das harte Geschwindigkeitslimit erreicht wird. Lösungen, die sehr nah an diesem Geschwindigkeitslimit liegen, können dabei schlechter bewertet werden, also Lösungen deren Geschwindigkeitstrajektorie einen gewissen Abstand zur harten Grenze einhalten. In diesem Sinne kann die Kostenfunktion als fünften Term eine mit einem fünften Gewichtungsfaktor gewichtete Slack-Variable enthalten, wobei die Prozessoreinheit dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term, in Abhängigkeit von dem dritten Term, in Abhängigkeit von dem vierten Term und in Abhängigkeit von dem fünften Term die Eingangsgröße für die Antriebsmaschine zu ermitteln, sodass die Kostenfunktion minimiert wird.
Um die physikalischen Grenzen der Antriebsstrangkomponenten zu respektieren, kann die Zugkraft durch Beschränkung des Kennfelds der Antriebsmaschine limitiert werden. Beispielsweise ist für die maximale Rekuperation die Batterie das limitierende Element. Um diese nicht zu schädigen, sollte ein bestimmter negativer Leistungswert nicht unterschritten werden.
Vorzugsweise umfasst die prädizierte Trajektorie des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs einen prädizierten Geschwindigkeitsverlauf des Fahrzeugs. Die prädizierte Trajektorie des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs wird als zusätzliche Randbedingung im MPC-Algorithmus berücksichtigt, welche den Lösungsraum zur Minimierung der Kostenfunktion zusätzlich begrenzt. Die prädizierte Trajektorie wird aus Informationen des vorausfahrenden Fahrzeugs generiert, wobei aus der prädizierten Trajektorie unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs beispielsweise eine maximale Geschwindigkeit im Vorausschauhorizont abgeleitet wird.
Das Ego-Fahrzeug umfasst bevorzugt eine Sensorik, die Sensordaten zu dem vor dem Ego-Fahrzeug fahrenden Fahrzeug liefert. Unter zusätzlicher Hinzuziehung von weiteren Informationen, wie beispielsweise von Kartendaten, insbesondere der Streckentopografie, oder von Geschwindigkeitslimitierungen, wie beispielsweise enge Kurven oder Ampeln, kann die Prozessoreinheit ein Fahrverhalten, in diesem Fall insbesondere einen Geschwindigkeitsverlauf des vorausfahrenden Fahrzeugs vorhersagen bzw. prädizieren. Gleichermaßen kann auch ein optimaler Betriebspunkt oder Betriebspunktverlauf des vor dem Ego-Fahrzeug fahrenden Fahrzeugs vorausgesagt werden.
Alternativ oder ergänzend umfasst die prädizierte Trajektorie des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs eine aktuelle Fahrspur des Fahrzeugs. Dabei kann die Prozessoreinheit berücksichtigen, in welcher Fahrspur sich das vorausfahrende Fahrzeug befindet. Mithin trifft die Prozessoreinheit eine unterschiedliche Entscheidung über die optimale Geschwindigkeit des Ego-Fahrzeugs, je nachdem ob sich das im Umfeld befindliche Fahrzeug in der gleichen Spur vor dem Ego-Fahrzeug oder in einer der benachbarten Fahrspuren befindet.
Ferner bevorzugt umfasst die prädizierte Trajektorie des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs eine Position des Fahrzeugs relativ zum Ego-Fahrzeug. Mit anderen Worten wird ein Abstand des vorausfahrenden Fahrzeugs erfasst. Insbesondere kann der Geschwindigkeitsverlauf des Ego-Fahrzeugs derart gewählt bzw. geplant werden, dass stets ein Mindest- oder Sicherheitsabstand zum vorausfahrenden Fahrzeug eingehalten wird.
Die Prozessoreinheit kann ferner dazu eingerichtet sein, ein zweites Längsdynamikmodell des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs zu speichern. Beispielsweise über eine drahtlose Verbindung oder ein Cloud-System kann das Ego-Fahrzeug auf Fahrzeugdaten des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs erhalten und abspeichern. Diese Daten können kontinuierlich abgerufen oder abgeglichen werden, sodass die autonome Fahrfunktion des Ego-Fahrzeugs mit aktualisierten Informationen des vorausfahrenden Fahrzeugs erfolgt.
Vorzugsweise ist die Prozessoreinheit dazu eingerichtet, die Eingangsgröße für die Regelung der Antriebsmaschine des Ego-Fahrzeugs unter Berücksichtigung des zweiten Längsdynamikmodells des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs zu ermitteln, sodass die Kostenfunktion minimiert wird. Das Längsdynamikmodell des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs kann ebenso ein Längsdynamikmodell des Antriebsstrangs des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs sein und ein Fahrzeugmodell mit Fahrzeugparametern und Antriebsstrangverlusten umfassen. Dieses Längsdynamikmodell kann insbesondere Kenntnisse über vorausliegende Streckentopografien umfassen. Weiterhin können auch Kenntnisse über Geschwindigkeitslimits auf der vorausliegenden Strecke in das Längsdynamikmodell des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs einfließen.
Gemäß einem zweiten Aspekt der Erfindung wird ein Ego-Fahrzeug bereitgestellt. Das Fahrzeug umfasst einen Antriebsstrang mit einer Antriebsmaschine und ein Fahrerassistenzsystem. Weiterhin umfasst der Antriebsstrang insbesondere eine Batterie, wobei die Antriebsmaschine als elektrische Maschine ausgebildet sein kann. Ferner kann der Antriebsstrang insbesondere ein Getriebe umfassen. Das Fahrerassistenzsystem ist dazu eingerichtet, mittels einer Kommunikations-Schnittstelle auf eine Eingangsgröße für die Antriebsmaschine zuzugreifen, wobei die Eingangsgröße von einer Prozessoreinheit gemäß dem ersten Aspekt der Erfindung ermittelt worden ist. Weiterhin kann das Fahrerassistenzsystem dazu eingerichtet sein, das Ego-Fahrzeug bzw. die Antriebsmaschine basierend auf der Eingangsgröße zu steuern. Bei dem Ego-Fahrzeug handelt es sich beispielsweise um ein Kraftfahrzeug, wie Automobil (z.B. ein Personenkraftfahrwagen mit einem Gewicht von weniger als 3,5 t), Motorrad, Motorroller, Moped, Fahrrad, E-Bike, Bus oder Lastkraftwagen (Bus und Lastkraftwagen z.B. mit einem Gewicht von über 3,5 t). Das Ego-Fahrzeug kann beispielsweise zu einer Fahrzeugflotte gehören.
Gemäß einem dritten Aspekt der Erfindung wird ein Verfahren zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs bereitgestellt, wobei die autonome Fahrfunktion durch einen MPC-Algorithmus zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs gebildet wird. Das Verfahren umfasst die Schritte

- Ausführen des MPC-Algorithmus' zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs mittels einer Prozessoreinheit, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs und eine zu minimierende Kostenfunktion enthält,
- Ermitteln einer Eingangsgröße für die Antriebsmaschine unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs sowie der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs, sodass die Kostenfunktion minimiert wird.

Gemäß einem vierten Aspekt der Erfindung wird ein Computerprogrammprodukt zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs bereitgestellt, wobei das Computerprogrammprodukt, wenn es auf einer Prozessoreinheit ausgeführt wird, die Prozessoreinheit anleitet, einen MPC-Algorithmus' zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs auszuführen, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs und eine zu minimierende Kostenfunktion enthält, und durch Ausführen des MPC-Algorithmus' unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs sowie der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs eine Eingangsgröße für die Antriebsmaschine zu ermitteln, sodass die Kostenfunktion minimiert wird.
Die obigen Definitionen sowie Ausführungen zu technischen Effekten, Vorteilen und vorteilhaften Ausführungsformen der Prozessoreinheit gelten sinngemäß ebenfalls für das Fahrzeug gemäß dem zweiten Aspekt der Erfindung, für das Verfahren gemäß dem dritten Aspekt der Erfindung und für das Computerprogrammprodukt gemäß dem vierten Aspekt der Erfindung.
Im Folgenden werden Ausführungsbeispiele der Erfindung anhand der schematischen Zeichnungen näher erläutert, wobei gleiche oder ähnliche Elemente mit dem gleichen Bezugszeichen versehen sind. Hierbei zeigt

1 eine schematische Darstellung eines Fahrzeugs mit einem Antriebsstrang, der eine elektrische Maschine und eine Batterie umfasst, und
2 ein Kennfeld einer Antriebsmaschine für das Fahrzeug nach 1.

1 zeigt ein Ego-Fahrzeug 1, bei dem es sich beispielsweise um einen Personenkraftfahrwagen handeln kann. Das Ego-Fahrzeug 1 umfasst ein System 2 zur Ausführung einer automatisierten Fahrfunktion des Ego-Fahrzeugs 1, in dem gezeigten Ausführungsbeispiel zur modelbasierten prädiktiven Regelung des Ego-Fahrzeugs 1. Insbesondere kann das System 2 zur modelbasierten prädiktiven Regelung einer elektrischen Maschine 8 eines Antriebstrangs 7 des Ego-Fahrzeugs 1 eingerichtet sein. Das System 2 umfasst in dem gezeigten Ausführungsbeispiel eine Prozessoreinheit 3, eine Speichereinheit 4, eine Kommunikations-Schnittstelle 5 und eine Erfassungseinheit 6 zur Erfassung von das Ego-Fahrzeug 1 betreffenden Zustandsdaten. Die Erfassungseinheit 6 ist ferner dazu vorgesehen ein Umfeld des Ego-Fahrzeugs 1 zu überwachen und im Umfeld des Ego-Fahrzeugs 1 befindliche Fahrzeuge 19 zu erkennen.
Das Ego-Fahrzeug 1 umfasst weiterhin einen Antriebsstrang 7, der beispielsweise eine elektrische Maschine 8, die als Motor und als Generator betrieben werden kann, eine Batterie 9 und ein Getriebe 10 umfassen kann. Die elektrische Maschine 8 kann im Motorbetrieb Räder des Ego-Fahrzeugs 1 über das Getriebe 10 antreiben, das beispielsweise eine konstante Übersetzung aufweisen kann. Die dazu notwendige elektrische Energie kann die Batterie 9 bereitstellen. Die Batterie 9 kann durch die elektrische Maschine 8 aufgeladen werden, wenn die elektrische Maschine 8 im Generatorbetrieb betrieben wird (Rekuperation). Die Batterie 9 kann optional auch an einer externen Ladestation aufgeladen werden. Ebenfalls kann der Antriebsstrang des Ego-Fahrzeugs 1 optional einen Verbrennungskraftmotor 17 aufweisen, welcher alternativ oder zusätzlich zu der elektrischen Maschine 8 das Ego-Fahrzeug 1 antreiben kann. Der Verbrennungskraftmotor 17 kann auch die elektrische Maschine 8 antreiben, um die Batterie 9 aufzuladen.
Auf der Speichereinheit 4 kann ein Computerprogrammprodukt 11 gespeichert sein. Das Computerprogrammprodukt 11 kann auf der Prozessoreinheit 3 ausgeführt werden, wozu die Prozessoreinheit 3 und die Speichereinheit 4 mittels der Kommunikations-Schnittstelle 5 miteinander verbunden sind. Wenn das Computerprogrammprodukt 11 auf der Prozessoreinheit 3 ausgeführt wird, leitet es die Prozessoreinheit 3 an, die im Folgenden beschriebenen Funktionen zu erfüllen bzw. Verfahrensschritte auszuführen.
Das Computerprogrammprodukt 11 enthält zur Ausführung der autonomen Fahrfunktion einen MPC-Algorithmus 13. Der MPC-Algorithmus 13 wiederum enthält ein Längsdynamikmodell 14 des Antriebsstrangs 7 des Ego-Fahrzeugs 1, eine prädizierte Trajektorie 20 wenigstens eines im Umfeld des Ego-Fahrzeugs 1 befindlichen Fahrzeugs 19 und eine zu minimierende Kostenfunktion 15. Die Prozessoreinheit 3 führt den MPC-Algorithmus 13 aus und prädiziert dabei ein Verhalten des Ego-Fahrzeugs 1 basierend auf dem Längsdynamikmodell 14 und der prädizierten Trajektorie 20, wobei die Kostenfunktion 15 minimiert wird. Als Output der Optimierung durch den MPC-Algorithmus 13 können sich in dem gezeigten Ausführungsbeispiel eine optimale Drehzahl und ein optimales Drehmoment der elektrischen Maschine 8 für berechnete Wegpunkte im Vorausschauhorizont ergeben. Die Prozessoreinheit 3 kann dazu eine Eingangsgröße für die elektrische Maschine 8 ermitteln, sodass sich die optimale Drehzahl und das optimale Drehmoment einstellen. Die Prozessoreinheit 3 kann die elektrische Maschine 8 basierend auf der ermittelten Eingangsgröße steuern. Weiterhin kann dies jedoch auch durch ein Fahrerassistenzsystem 16 erfolgen. Auf diese Weise kann das Ego-Fahrzeug 1 basierend auf dem Output des ausgeführten MPC-Algorithmus' 13 autonom fahren.
Die Erfassungseinheit 6 kann aktuelle Zustandsgrößen des Ego-Fahrzeugs 1 messen, entsprechende Daten aufnehmen und dem MPC-Algorithmus 13 zuführen. So können Streckendaten aus einer elektronischen Karte für einen Vorausschauhorizont bzw. Prädiktionshorizont (z.B. 5 km) vor dem Ego-Fahrzeug 1 beispielsweise zyklisch aktualisiert werden. Die Streckendaten können beispielsweise Steigungsinformationen, Kurveninformationen und Informationen über Geschwindigkeitslimits beinhalten. Des Weiteren kann eine Kurvenkrümmung über eine maximal zulässige Querbeschleunigung in ein Geschwindigkeitslimit für das Ego-Fahrzeug 1 umgerechnet werden. Außerdem kann mittels der Erfassungseinheit 6 eine Ortung des Ego-Fahrzeugs 1 erfolgen, insbesondere über ein von einem GNSS-Sensor 12 generiertes GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte. Weiterhin kann die Erfassungseinheit 6 Sensoren zur Bestimmung des Beladungsgewichts des Ego-Fahrzeugs 1, zur Erfassung der Anzahl der Fahrzeuginsassen und ein Zeitmess- und Erfassungsmodul umfassen. Die Prozessoreinheit 3 kann auf von den genannten Sensoren generierte Informationen bzw. Daten beispielsweise über die Kommunikations-Schnittstelle 5 zugreifen. Außerdem kann die Erfassungseinheit 6 im Umfeld des Ego-Fahrzeugs 1 befindliche Fahrzeuge 19 erkennen. Die erfassten Daten fließen in die prädizierte Trajektorie 20 des MPC-Algorithmus' 13 ein, wobei diese Daten einen prädizierten Geschwindigkeitsverlauf des Fahrzeugs 19, eine aktuelle Fahrspur des Fahrzeugs 19, eine Position des Fahrzeugs 19 relativ zum Ego-Fahrzeug 1 und/oder ein Längsdynamikmodell 18 des Fahrzeugs 19 umfassen. Mit anderen Worten wird eine energieeffiziente Fahrstrategie des Ego-Fahrzeugs 1, beispielsweise ein optimaler Geschwindigkeitsverlauf, ein optimaler Betriebspunktverlauf und/oder eine optimale Fahrzeit auf Basis des aktuellen Fahrzeugzustands des Ego-Fahrzeugs 1, der vorausliegenden Streckentopografie sowie auf Basis des vorausfahrenden Verkehrs, insbesondere des vorausfahrenden Fahrzeugs 19 geplant. Das vorausfahrende Fahrzeug 19 wird nur dann zur Minimierung der Kostenfunktion relevant, wenn es die maximal erlaubte Geschwindigkeit des Ego-Fahrzeugs 1 stärker einschränkt, als es straßenbedingte bzw. streckentopografiebedingte Geschwindigkeitslimits und/oder andere Geschwindigkeitslimitierungen tun. Alternativ zu einer maximalen Geschwindigkeit können auch zeitliche Randbedingungen des vorausfahrenden Fahrzeugs 19 abgeleitet werden.
Das Längsdynamikmodell 14 des Ego-Fahrzeugs 1 kann mathematisch wie folgt ausgedrückt werden: $\frac{d v (t)}{d t} = (F_{t r a c} (t) - F_{r} (α (t)) - F_{g r} (α (t)) - F_{d} (v (t))) / m_{e q}$
Hierbei sind:

v: die Geschwindigkeit des Ego-Fahrzeugs;
Ftrac: Traktionskraft, die durch den Motor oder die Bremsen auf die Räder des Ego-Fahrzeugs ausgeübt wird;
Fr: die Rollwiderstandskraft, welche ein Effekt der Verformung der Reifen beim Rollen ist und von der Belastung der Räder (der Normalkraft zwischen Rad und Straße) und damit vom Neigungswinkel der Straße abhängt;
Fgr: die Steigungswiderstandskraft, welche eine Längskomponente der Schwerkraft beschreibt, die auf das Ego-Fahrzeug im Bergauf- oder Bergabfahrbetrieb wirkt, abhängig von der Neigung der Fahrbahn;
Fd: die Luftwiderstandskraft des Ego-Fahrzeugs; und
meq: die äquivalente Masse des Ego-Fahrzeugs; die äquivalente Masse beinhaltet insbesondere die Trägheit der Drehteile des Antriebsstrangs, welche der Beschleunigung des Ego-Fahrzeugs ausgesetzt sind (Motor, Getriebeantriebswellen, Räder).

Durch Umwandlung von Zeitabhängigkeit in Wegabhängigkeit $\frac{d}{d s} = \frac{d}{d t} * \frac{d t}{d s} = \frac{d}{d t} * \frac{1}{v}$
und Koordinatentransformation zur Eliminierung des quadratischen Geschwindigkeits-Terms im Luftwiderstand mit $e_{k i n} = \frac{1}{2} * m_{e q} * v {(t)}^{2}$
folgt $\frac{d e_{k i n}}{d s} = F_{t r a c} (s) - F_{r} (α (s)) - F_{g r} (α (s)) - F_{d} (e_{k i n} (s)) .$
Damit das Problem durch den MPC-Algorithmus 13 schnell und einfach lösbar ist, kann die Dynamikgleichung des Längsdynamikmodells 14 linearisiert werden, indem die Geschwindigkeit durch Koordinatentransformation durch kinetische Energie de_kin ausgedrückt wird. Dadurch wird der quadratische Term zur Berechnung des Luftwiderstands F_d durch einen linearen Term ersetzt und gleichzeitig ist das Längsdynamikmodell 14 des Ego-Fahrzeugs 1 nicht mehr wie üblich in Abhängigkeit von der Zeit beschrieben, sondern in Abhängigkeit von dem Weg. Dies passt insofern gut zum Optimierungsproblem, da die Vorausschauinformationen des elektrischen Horizonts wegbasiert vorliegen.
Neben der kinetischen Energie gibt es zwei weitere Zustandsgrößen, welche im Sinne eines einfachen Optimierungsproblems ebenfalls linear und wegabhängig beschrieben werden müssen. Zum einen ist der elektrische Energieverbrauch des Antriebsstrangs 7 üblicherweise in Form eines Kennfeldes in Abhängigkeit von Drehmoment und Motordrehzahl beschrieben. In dem gezeigten Ausführungsbeispiel weist das Ego-Fahrzeug 1 eine feste Übersetzung zwischen der elektrischen Maschine 8 und der Straße auf, auf welcher sich das Ego-Fahrzeug 1 bewegt. Dadurch lässt sich die Drehzahl der elektrischen Maschine 8 direkt in eine Geschwindigkeit des Ego-Fahrzeugs 1 oder eben in eine kinetische Energie des Ego-Fahrzeugs 1 umrechnen. Weiterhin lässt sich die elektrische Leistung der elektrischen Maschine 8 durch Teilen durch die entsprechende Geschwindigkeit in Energieverbrauch pro Meter umrechnen. Dadurch erhält das Kennfeld der elektrischen Maschine 8 die Form wie in 2 zu sehen. Um dieses Kennfeld für die Optimierung verwenden zu können, wird es linear approximiert: Energy_perMeter ≥ a_i * e_kin + b_i * F_trac für alle i.
Eine beispielhafte zu minimierende Kostenfunktion 15 kann mathematisch wie folgt ausgedrückt werden: $\begin{array}{l} min (- w_{B a t} \cdot E_{B a t} (s_{E}) + w_{T i m e} \cdot T (s_{E}) + w_{T e m} \cdot \sum_{s = 1}^{s_{E} - 1} {(\frac{F_{A} (s) - F_{A} (s - 1)}{Δ s})}^{2} \\ + w_{T e m S t a r t} \cdot {(F_{A} (s_{1}) - F_{A} (s_{0}))}^{2} + \sum_{s = 1}^{s_{E} - 1} w_{S l a c k} \cdot V a r_{s l a c k} \end{array}$
Hierbei ist:

WBat: Gewichtungsfaktor für den Energieverbrauch der Batterie
EBat: Energieverbrauch der Batterie
S: Wegstrecke
SE-1: Wegstrecke einen Zeitschritt vor Ende des Prädiktionshorizonts
FA: Antriebskraft, welche durch die elektrische Maschine bereitgestellt wird, durch ein Getriebe konstant übersetzt wird und an einem Rad des Ego-Fahrzeugs anliegt
WTem: Gewichtungsfaktor für Drehmomentgradienten
WTemStart: Gewichtungsfaktor für Momentensprünge
T: Zeit, welche das Fahrzeug benötigt, um die gesamte innerhalb des Prädiktionszeitraums prädizierte Wegstrecke zurückzulegen
WTime: Gewichtungsfaktor für die Zeit T
SE: Wegstrecke zum Ende des Horizonts
WSlack: Gewichtungsfaktor für die Slack-Variable
VarSlack: Slack-Variable

Die Kostenfunktion 15 besitzt ausschließlich lineare und quadratische Terme. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit linearen Nebenbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann.
Die Kostenfunktion 15 enthält als ersten Term eine mit einem ersten Gewichtungsfaktor W_Bat gewichtete und gemäß dem Längsdynamikmodell prädizierte elektrische Energie E_Bat, welche innerhalb eines Prädiktionshorizonts von der Batterie 9 des Antriebsstrangs 7 zum Antrieb der elektrischen Maschine 8 bereitgestellt wird.
Die Kostenfunktion 15 enthält als zweiten Term eine mit einem zweiten Gewichtungsfaktor W_Time gewichtete und gemäß dem Längsdynamikmodell 14 prädizierte Fahrzeit T, welche das Ego-Fahrzeug 1 benötigt, um die prädizierte Wegstrecke zurückzulegen. Dies führt dazu, dass je nach Wahl der Gewichtungsfaktoren eine geringe Geschwindigkeit nicht immer als optimal bewertet wird und so nicht mehr das Problem besteht, dass die resultierende Geschwindigkeit immer am unteren Rand der erlaubten Geschwindigkeit liegt.
Der Energieverbrauch und die Fahrzeit können jeweils am Ende des Horizonts ausgewertet und gewichtet werden. Diese Terme sind dann also nur für den letzten Punkt des Horizonts aktiv.
Zu hohe Drehmomentgradienten innerhalb des Horizonts sind unvorteilhaft. Daher werden Drehmomentgradienten bereits in der Kostenfunktion 15 bestraft, nämlich durch den Term $w_{T e m} \cdot {\sum_{s = 1}^{s_{E} - 1} (\frac{F_{A} (s) - F_{A} (s - 1)}{Δ s})}^{2} .$
Die quadratische Abweichung der Antriebskraft je Meter wird mit einem Gewichtungsfaktor W_Tem gewichtet und in der Kostenfunktion minimiert. Alternativ zu der Antriebskraft F_A je Meter kann auch das durch die elektrische Maschine 8 bereitgestellte Drehmoment M_EM genutzt und mit dem Gewichtungsfaktor W_Tem gewichtet werden, sodass sich der alternative Term $w_{T e m} \cdot$
${\sum_{s = 1}^{s_{E} - 1} (\frac{M_{E M} (s) - M_{E M} (s - 1)}{Δ s})}^{2}$
ergibt. Durch die konstante Übersetzung des Getriebes 10 sind die Antriebskraft und das Drehmoment direkt proportional zueinander.
Um ein komfortables Fahren sicher zu stellen, wird in der Kostenfunktion 15 ein weiterer Term zur Bestrafung von Momentensprüngen eingeführt, nämlich w_TemStart · (F_A(s₁)-(F_A(s₀))². Alternativ zu der Antriebskraft F_A kann auch hier das durch die elektrische Maschine 8 bereitgestellte Drehmoment M_EM genutzt werden, sodass sich der alternative Term w_TemStart · (M_EM(s₁) - M_EM(s₀))² ergibt. Für den ersten Punkt im Prädiktionshorizont wird die Abweichung zum zuletzt gestellten Moment negativ bewertet und mit einem Gewichtungsfaktor W_TemStart gewichtet, um sicher zu stellen, dass es einen nahtlosen und ruckfreien Übergang beim Umschalten zwischen alter und neuer Trajektorie gibt.
Geschwindigkeitslimits sind für die Optimierung harte Grenzen, die nicht überschritten werden dürfen. Eine leichte Überschreitung der Geschwindigkeitsgrenzen ist in der Realität immer zulässig und vor allem bei Übergängen von einer Geschwindigkeitszone in eine zweite Zone eher der Normalfall. In dynamischen Umgebungen, wo sich von einem Rechenzyklus zum nächsten Rechenzyklus Geschwindigkeitslimits verschieben, kann es passieren, dass bei ganz harten Grenzen keine gültige Lösung für einen Geschwindigkeitsverlauf mehr gefunden werden kann. Um die Stabilität des Rechenalgorithmus zu erhöhen, wird eine weiche Beschränkung („soft constraint“) in die Kostenfunktion 15 eingeführt. Dabei wird eine mit einem Gewichtungsfaktor W_Slack gewichtete Slack-Variable Var_Slack in einem vorgegebenen schmalen Bereich aktiv, bevor das harte Geschwindigkeitslimit erreicht wird. Lösungen, die sehr nah an diesem Geschwindigkeitslimit liegen, werden schlechter bewertet, also Lösungen deren Geschwindigkeitstrajektorie einen gewissen Abstand zur harten Grenze einhalten.
Die Regelung der elektrischen Maschine 8 des Ego-Fahrzeugs 1 mittels des MPC-Algorithmus' 13 eignet sich für Automatisierungsstufen unterhalb von Level 5 (z.B. gemäß SAE J3016), insbesondere bis Level 3, wobei ein Fahrer des Ego-Fahrzeugs 1 weiterhin die Möglichkeit hat, die Fahrt zu beeinflussen bzw. in die vorstehend beschriebene MPC-basierte autonome Fahrfunktion des Ego-Fahrzeugs 1 einzugreifen.
Bezugszeichenliste

1: Ego-Fahrzeug
2: System
3: Prozessoreinheit
4: Speichereinheit
5: Kommunikations-Schnittstelle
6: Erfassungseinheit
7: Antriebsstrang
8: Antriebsmaschine
9: Batterie
10: Getriebe
11: Computerprogrammprodukt
12: GNSS-Sensor
13: MPC-Algorithmus
14: Längsdynamikmodell
15: Kostenfunktion
16: Fahrerassistenzsystem
17: Verbrennungskraftmotor
18: Längsdynamikmodell des vorausfahrenden Fahrzeugs
19: Vorausfahrendes Fahrzeug
20: Trajektorie des vorausfahrenden Fahrzeugs

Claims

Prozessoreinheit (3) zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug (1) unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19), wobei die autonome Fahrfunktion durch einen MPC-Algorithmus (13) zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs (1) gebildet wird, wobei - der MPC-Algorithmus (13) ein Längsdynamikmodell (14) des Ego-Fahrzeugs (1) enthält, - der MPC-Algorithmus (13) eine zu minimierende Kostenfunktion (15) enthält, - der MPC-Algorithmus (13) eine prädizierte Trajektorie (20) wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) enthält, - die Prozessoreinheit (3) dazu eingerichtet ist, den MPC-Algorithmus (13) auszuführen, sodass das Ego-Fahrzeug (1) basierend auf der Ausführung des MPC-Algorithmus' (13) autonom fährt, und - die Prozessoreinheit (3) dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' (13) unter Berücksichtigung des Längsdynamikmodells (14) des Ego-Fahrzeugs (1) sowie der prädizierten Trajektorie (20) des wenigstens einen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) eine Eingangsgröße für die modellbasierte prädiktive Regelung des Ego-Fahrzeugs (1) zu ermitteln, sodass die Kostenfunktion minimiert wird.
Prozessoreinheit (3) nach Anspruch 1, wobei - die Prozessoreinheit (3) dazu eingerichtet ist, mittels des MPC-Algorithmus' (13) eine Antriebsmaschine (8) eines Antriebstrangs (7) des Ego-Fahrzeugs (1) zu regeln, - der MPC-Algorithmus (13) ein Längsdynamikmodell (14) des Antriebsstrangs (7) enthält, - der MPC-Algorithmus (13) eine prädizierte Trajektorie (20) wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) enthält, und - die Prozessoreinheit (3) dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' (13) unter Berücksichtigung des gespeicherten Fahrereingriffs eine Eingangsgröße für die Regelung der Antriebsmaschine (8) zu ermitteln, sodass das Ego-Fahrzeug (1) durch die Antriebsmaschine (8) autonom angetrieben wird und sodass die Kostenfunktion minimiert wird.
Prozessoreinheit (3) nach Anspruch 2, wobei - die Kostenfunktion (15) als ersten Term eine mit einem ersten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell (14) sowie gemäß der prädizierten Trajektorie (20) des wenigstens einen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) prädizierte elektrische Energie enthält, welche innerhalb eines Prädiktionshorizonts von einer Batterie (9) des Antriebsstrangs (7) zum Antrieb der Antriebsmaschine (8) bereitgestellt wird, - die Kostenfunktion (15) als zweiten Term eine mit einem zweiten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell (14) sowie gemäß der prädizierten Trajektorie (20) des wenigstens einen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) prädizierte Fahrzeit enthält, welche das Ego-Fahrzeug (1) zum Zurücklegen der gesamten innerhalb des Prädiktionshorizonts prädizierten Wegstrecke benötigt, und - die Prozessoreinheit (3) dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' (13) in Abhängigkeit von dem ersten Term und in Abhängigkeit von dem zweiten Term eine Eingangsgröße für die Regelung der Antriebsmaschine (8) des Ego-Fahrzeugs (1) zu ermitteln, sodass die Kostenfunktion (15) minimiert wird.
Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die prädizierte Trajektorie (20) des jeweiligen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) einen prädizierten Geschwindigkeitsverlauf des Fahrzeugs (19) umfasst.
Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die prädizierte Trajektorie (20) des jeweiligen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) eine aktuelle Fahrspur des Fahrzeugs (19) umfasst.
Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die prädizierte Trajektorie (20) des jeweiligen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) eine Position des Fahrzeugs (19) relativ zum Ego-Fahrzeug (1) umfasst.
Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozessoreinheit (3) dazu eingerichtet ist, ein zweites Längsdynamikmodell (18) des jeweiligen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) zu speichern.
Prozessoreinheit (3) nach Anspruch 7, wobei die Prozessoreinheit (3) dazu eingerichtet ist, die Eingangsgröße für die Regelung der Antriebsmaschine (8) des Ego-Fahrzeugs (1) unter Berücksichtigung des zweiten Längsdynamikmodells (18) des jeweiligen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) zu ermitteln, sodass die Kostenfunktion (15) minimiert wird.
Kraftfahrzeug (3), umfassend ein Fahrerassistenzsystem (16) und einen Antriebsstrang (7) mit einer Antriebsmaschine (8), wobei das Fahrerassistenzsystem (16) dazu eingerichtet ist, - mittels einer Kommunikations-Schnittstelle auf eine Eingangsgröße für die modellbasierte prädiktive Regelung des Ego-Fahrzeugs (1) oder für die Antriebsmaschine (8) des Ego-Fahrzeugs (1) zuzugreifen, wobei die Eingangsgröße von einer Prozessoreinheit (3) nach einem der vorstehenden Ansprüche ermittelt worden ist, und - das Ego-Fahrzeug (1) oder die Antriebsmaschine (8) basierend auf der Eingangsgröße zu steuern.
Verfahren zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug (1) unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19), wobei die autonome Fahrfunktion durch einen MPC-AIgorithmus (13) zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs (1) gebildet wird, das Verfahren umfassend die Schritte - Ausführen des MPC-Algorithmus' (13) zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs (1) mittels einer Prozessoreinheit (3), wobei der MPC-Algorithmus (13) ein Längsdynamikmodell (14) des Ego-Fahrzeugs (1), eine prädizierte Trajektorie (20) wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) und eine zu minimierende Kostenfunktion (15) enthält, - Ermitteln einer Eingangsgröße für die Antriebsmaschine (8) unter Berücksichtigung des Längsdynamikmodells (14) des Ego-Fahrzeugs (1) sowie der prädizierten Trajektorie (20) des wenigstens einen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19), sodass die Kostenfunktion (15) minimiert wird.
Computerprogrammprodukt (11) zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug (1) unter Berücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (), wobei das Computerprogrammprodukt (11), wenn es auf einer Prozessoreinheit (3) ausgeführt wird, die Prozessoreinheit (3) anleitet, - einen MPC-Algorithmus' (13) zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs (1) auszuführen, wobei der MPC-Algorithmus (13) ein Längsdynamikmodell (14) des Ego-Fahrzeugs (1), eine prädizierte Trajektorie (20) wenigstens eines im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs (19) und eine zu minimierende Kostenfunktion (15) enthält, - durch Ausführen des MPC-Algorithmus' (13) unter Berücksichtigung des Längsdynamikmodells (14) des Ego-Fahrzeugs (1) sowie der prädizierten Trajektorie () des wenigstens einen im Umfeld des Ego-Fahrzeugs (1) befindlichen Fahrzeugs () eine Eingangsgröße für die Antriebsmaschine (8) zu ermitteln, sodass die Kostenfunktion (15) minimiert wird.