DE102020104267A1

DE102020104267A1 - Computerimplementiertes Regelungs- oder Folgeregelungsverfahren oder Optimierungsverfahren zur Absicherung von Steuerungsalgorithmen einer Regelung und/oder Regelungsalgorithmen

Info

Publication number: DE102020104267A1
Application number: DE102020104267.1A
Authority: DE
Inventors: Georg Schildbach; Felix Sellmann; Sönke Beer; Toni Lubiniecki; Alexander Meisinger
Original assignee: Efs Elektronische Fahrsysteme GmbH; Universitaet zu Luebeck
Current assignee: EFS ELEKTRONISCHE FAHRSYSTEME GMBH, DE; UNIVERSITAET ZU LUEBECK, KOERPERSCHAFT DES OEF, DE
Priority date: 2020-02-18
Filing date: 2020-02-18
Publication date: 2021-08-19

Abstract

Die Erfindung betrifft ein computerimplementiertes Regelungs- oder Folgeregelungsverfahren oder Optimierungsverfahren zur Absicherung von Steuerungsalgorithmen einer Regelung und/oder Regelungsalgorithmen zur systematischen und nicht-zufälligen Verbesserung der parameterbasierten Szenarien durch eine abgesicherte Validierungsstrategie für eine Trajektoren-Folgeregelung oder einen Trajektoren-Folgeregeler umfassend die Schritte:a. Festlegen von Reglerstruktur, Streckenmodell und Randbedingungen für eine Pessimierung;b. Initialisieren der Anfangspopulation der Manöver;c. Optimieren der Manöverpopulation hinsichtlich eines Kostenfunktionals;d. Dokumentation der schlechtesten Manöver / Corner-Cases;e. Anpassung des Reglers bzw. der Anforderungen an den Regler oder das Manöver.

Description

Die Erfindung betrifft ein computerimplementiertes Regelungs- oder Folgeregelungsverfahren oder Optimierungsverfahren zur Absicherung von Steuerungsalgorithmen einer Regelung und/oder Regelungsalgorithmen zur systematischen und nicht-zufälligen Verbesserung der parameterbasierten Szenarien durch eine abgesicherte Validierungsstrategie für eine Trajektoren-Folgeregelung oder einen Trajektoren-Folgeregeler.
Es wird ein Konzept und eine Implementierung einer neuen Sicherheitsvalidierungsstrategie für eine Trajektorienfolgesteuerung vorgestellt und offenbart. Diese Offenbarung führt einen neuen Ansatz für die Sicherheitsvalidierung von selbstfahrenden Systemen (aber auch weiteren zu validierenden Systemen) aus. Die zugrunde liegende Idee ist jedoch für viele andere Steuerungen und sicherheitskritische Funktionen in autonomen Systemen verallgemeinerbar und anwendbar und soll nicht beschränkt sein auf das Gebiet des autonomen Fahrens.
Das Hauptkonzept besteht aus der Identifizierung kritischer Szenarien für den Kontrolleur, auch Corner-Cases genannt, durch ein systematisches Optimierungsverfahren in Verbindung mit einer hochauflösenden Simulation. Zu diesem Zweck wird ein Optimierungsproblem mit endlichem Horizont (finite-horizon optimization problem) angegangen, bei dem ein sicherheitskritisches Leistungsmaß minimiert („pessimiert“) wird. Da das Problem stark nichtkonvex und hochdimensional ist, besitzt es im Allgemeinen mehrere lokale Minima und ist daher schwierig zu lösen. Ein evolutionärer Algorithmus wird deshalb vorgeschlagen, der in Richtung dieser lokalen Minima iteriert, wobei dies den entsprechenden Corner-Cases entspricht.
In den letzten zehn Jahren gab es einen deutlichen Trend zur Schaffung immer leistungsfähigerer autonomer Systeme. Diese Systeme arbeiten in unmittelbarer Nähe zum Menschen oder interagieren sogar direkt mit ihm. Beispiele hierfür sind Drohnen zur Beobachtung, medizinische Roboter, autonome Fertigungs- und Logistiksysteme und selbstfahrende Systeme, die im Mittelpunkt dieser Arbeit stehen. Neben den großen technischen Herausforderungen, die diese Entwicklung mit sich bringt, stellt sich natürlich auch die Frage nach der Sicherheit dieser autonomen Systeme. Dies gilt insbesondere dann, wenn sie bei einer großen Anzahl von Kunden eingesetzt werden sollen und wenn sie völlig ohne menschliche Aufsicht arbeiten sollen.
Die zentrale Herausforderung für die Sicherheit eines selbstfahrenden Systems (SDS) besteht darin, dass es in der Lage sein muss, fast jede mögliche Verkehrs-Situation zu bewältigen und selbst bei Systemausfällen betriebsfähig zu bleiben. Der Begriff Sicherheit umfasst daher sowohl die funktionale Sicherheit als auch die Sicherheit der bestimmungsgemäßen Funktion (SOTIF). Diese beiden Sicherheitsbegriffe werden im Automobilbau traditionell getrennt betrachtet.
Für Regelungssysteme im Bereich des autonomen Fahrens, erweiterbar auf allgemeine Systeme jenseits eines Trajektoriefolgereglers, ist ein Robustheitsnachweis für die Betriebssicherheit und funktionale Sicherheit erforderlich. Jedoch stellt dieser mit Hinblick auf die Flottengrößen, die Vielzahl von Einsatzszenarien und die komplexen Anforderungen an das System eine große Herausforderung dar. Neben der Verifikation der Sicherheitsziele selbst kann bereits eine umfassende präzise Formulierung der Anforderungen an den Regler ein schwieriges Problem darstellen. Die Bestimmung von passenden Kenngrößen und angemessenen Grenzwerten ist im Bereich der Fahrzeugdynamik oft mit einem hohen Zeitaufwand und großen Unsicherheiten verknüpft. Bisher erfolgen keine systematischen Problemlösungen für die gestellte Aufgabe, sondern es werden ausschließlich umfangreiche Testprozesse mittels Simulationen oder Fahrversuche durchgeführt, die zufällige Daten messen.
Ein systematischer Ansatz zur Absicherung ist zum einen deutlich effizienter darin, aus dem riesigen Lösungsraum die kritischen Situationen zu identifizieren als nach dem reinen Zufallsprinzip vorzugehen. Zum anderen folgt die Vorgehensweise einer Maschine einer anderen Logik als die der menschlichen Experten, so dass es im Bereich der Absicherung von Fahrfunktionen einen zweiten, weil unabhängigen Ansatz zur Findung kritischer Szenarien darstellen kann.
Die Erfindung geht erheblich über den Stand der Technik in der Automobilbranche hinaus:

- Analytische Ansätze (mathematische Stabilitätsnachweise von Reglern, invariante Mengen, sind in der Praxis kaum verwendbar);
- Simulation (statistische Absicherung durch die Simulation einer sehr großen Menge an möglichen Einsatzszenarien);
- praktische Erprobung (Absicherung durch Abfahren von gegebenen (bewährten) Standardmanövern mit Testfahrzeugen.

Fahrassistenzsysteme weisen jedoch kein Konzept zur systematischen und damit nicht zufälligen Verbesserung der parameterbasierten Szenarien durch eine abgesicherte Validierungsstrategie für eine Trajektoren-Folgeregelung bzw. einen Trajektoren-Folgeregeler auf.
Aufgrund des kombinatorischen Charakters möglicher Verkehrs-Szenarien wird bereits die Validierung eines fertigen Systems zu einer großen Herausforderung. Die Anzahl der Kombinationen nimmt noch weiter zu, wenn auch Ausfallszenarien berücksichtigt werden müssen, wie z.B. ausfallsichere oder ausfallabgestufte Modi bestimmter Funktionen. Darüber hinaus ist der idealisierte Fall, in dem die Sicherheitsvalidierung ein einzelner Schritt des Entwurfsprozesses ist, nicht realistisch. Zwischenzeitliche Sicherheitsvalidierungen des Systems in Teilen oder im Ganzen sowie die Bewertung von verschiedenen Entwurfsalternativen sind damit erforderlich.
Das Validierungsproblem wurde unter Experten intensiv diskutiert, und es wurden mehrere Ansätze in dieser Richtung veröffentlicht. Es besteht ein gewisser Konsens darüber, dass ein Brute-Force-Ansatz, der nur auf der Sammlung von Fahrdaten basiert, nicht erfolgreich sein kann. Stattdessen ist eine angemessene Kombination aus dem Safety-by-Design-Ansatz und umfangreichen Tests auf öffentlichen Straßen, Teststrecken und Simulationen erforderlich. Die verschiedenen Testmethoden können für jedes spezielle Sicherheitsziel maßgeschneidert werden. Eine Kombination von Testmethoden diversifiziert auch das Risiko, dass der Test nicht in der Lage ist, einen spezifischen Fehlertyp zu identifizieren. Daher sind zusätzliche Hilfsmittel zur besseren Anpassung an die spezifischen Sicherheitsziele und zur Diversifizierung der allgemeinen Testrisiken notwendig und hilfreich.
Es wird deshalb ein neuer Ansatz vorgeschlagen, der auf dem Konzept der Anti-Optimierung (anti-optimization) basiert, das als „Pessimizer“ definiert wird. Der Hauptgedanke ist die Verwendung eines systematischen Optimierungsverfahrens anstelle eines rein statistischen Ansatzes zur Ermittlung von sicherheitskritischen Szenarien oder Corner-Cases.
Das computerimplementiertes Regelungs- oder Folgeregelungsverfahren oder Optimierungsverfahren zur Absicherung von Steuerungsalgorithmen und/oder Regelungsalgorithmen zur systematischen und nicht-zufälligen Verbesserung der parameterbasierten Szenarien durch eine abgesicherte Validierungsstrategie für eine Trajektoren-Folgeregelung oder einen Trajektoren-Folgeregeler umfasst die Schritte:

a. Festlegen von Reglerstruktur, Streckenmodell und Randbedingungen für eine Pessimierung;
b. Initialisieren der Anfangspopulation der Manöver;
c. Optimieren der Manöverpopulation hinsichtlich eines Kostenfunktionals;
d. Dokumentation der schlechtesten Manöver / Corner-Cases;
e. Anpassung des Reglers bzw. der Anforderungen an den Regler oder das Manöver.

Die Erfindung dient unter anderem auch als neues Verfahren für die Absicherung von Trajektoriefolgereglern. Als solches kann es in der Produktentwicklung, insbesondere der Entwicklung von Software für Fahrfunktionen, eingesetzt werden, um ein entsprechendes Software-Entwicklungstool zu entwickeln. Dieses kann sowohl für Fahrfunktionen als auch, perspektivisch, in breiteren Anwendungsgebieten eingesetzt werden.
Der Ansatz identifiziert die ungünstigsten Manöver für die Regelung und erlaubt somit eine eindeutige Definition von Anforderungen unter der Annahme von eher anschaulichen Umweltbedingungen. Problematische Manöver werden gegenüber dem konventionellen Fahren von Testkilometern gezielt identifiziert und ausgereizt. Möglich ist insbesondere die Identifikation von Manöverklassen, den Corner Cases, die charakteristisch für einen bestimmten Systemtypen (Fahrzeugtypen wie z.B. verschiedene PKW-Klaasen oder LKW oder ...) sind.
Es wird angenommen, dass eine Sicherheitsmetrik in Bezug auf ein Sicherheitsziel verfügbar ist und dass diese Sicherheitsmetrik über einer bestimmten oder nicht bestimmten Schwelle bleiben muss. Das Sicherheitsziel kann sich auf das gesamte Fahrzeug beziehen, z.B. einen Sicherheitsabstand oder die Zeit bis zur Kollision, oder es kann sich auf ein bestimmtes Modul des SDS beziehen. Hierzu wird auf die anliegende als ein Beispiel einer entsprechenden Architektur verwiesen.
Der vorgeschlagene Ansatz wird am Fallbeispiel eines Trajectory following controllers (TFC) ausgeführt. Die Sicherheitsmetrik wird als die maximale seitliche Abweichung von einer Referenzbahn, die der TFC vom Bewegungsplaner erhält, bezeichnet; siehe . Für die Sicherheit des gesamten SDS ist es wichtig zu garantieren, dass das Fahrzeug diese maximale seitliche Abweichung unter keinen Umständen überschreitet. Letztere werden durch (zeitlich veränderliche) Parameter modelliert, vor allem durch die Referenztrajektorie selbst, aber auch durch externe Variablen wie den Straßenreibungskoeffizienten, die Fahrzeuglast und Lastverteilung, den Böschungswinkel, den Seitenwind usw. Die Optimierungsprozedur durchsucht diesen Parameterraum systematisch innerhalb eines vorgegebenen Bereichs nach Minima der Sicherheitsmetrik, die die corner-cases darstellen. Es wird ein gradientenfreier evolutionärer Algorithmus vorgestellt, der auf die spezifischen Anforderungen des resultierenden Optimierungsproblems zugeschnitten ist.
In den letzten Jahren wurden in mehreren Beiträgen neue Design- und Teststrategien für die Sicherheit von SDBs vorgeschlagen, wie Gleirscher, M., Kugele, S.: Assurance of safety systems: A survey of design and argument patterns (2019), http://arxiv.org/abs/1902.05537) oder Schildbach, G.: On the application of ISO 26262 in control design for automated vehicles. In: Workshop on Safe Control of Autonomous Vehicles. pp. 74-82. Porto, Portugal (2018). https://doi.org/10.4204/EPTCS.269.7 oder Spanfeiner, B., Richter, D., Ebel, S., Wilhelm, U., Branz, W., Patz, C.: Challenges in applying the ISO 26262 for driver assistance systems. available at http://www.ftm.mw.tum.de/uploads/media/28 Spanfelner.pdf (2013). Die meisten der vorhandenen Literatur stellen Fallstudien vor, die sich auf den Entwurf einer bestimmten Fahrfunktion oder eines bestimmten Fahrszenarios konzentrieren, zum Beispiel ein Notbremssystem in Bohlander, M.: Design and Safety Analysis of an Emergency Brake System for an Autonomous Formula Car. Masters thesis, KTH Royal Insitute of Technology, Stockholm, Sweden (2018), ethernetbasierte Kommunikationsarchitekturen in Smirnov, F.: Design and Evaluation of Ethernet-based E/E-architectures for Latency- and Safety-critical Applications. Ph.D. dissertation, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany (2019), V2X-Kommunikationsgeräte in Obermaier, C., Riebl, R., Al-Bayati, A.H., Facchi, C., Khan, S.: Limitations of HIL test architectures for car2x communication devices and applications. In: ACM Computer Science in Cars Symposium. pp. 1-9. Kaiserslautern, Germany (2019). https://doi.org/10.1145/3359999.3360493 oder autonomes Fahren in der Stadt in Schwammberger, M.: An abstract model for proving safety of autonomous urban traffic. Theoretical Computer Science 744(5), 143-169 (2018) - https://doi.org/10.1016/j.tcs.2018.05.028.
Der nächstkommende Stand der Technik dürfte hauptsächlich auf den beiden folgenden, vor kurzem veröffentlichten Sicherheitsvalidierungsrahmen beruhen, nämlich Amersbach und Winner, Amersbach, C., Winner, H.: Definining required and feasible test coverage for scenariobased validation of highly automated vehicles. In: IEEE Intelligent Transportation Systems Conference. Auckland, New Zealand (2019). https://doi.org/10.1109/ITSC.2019.8917534, schlagen eine szenariobasierte Validierungsstrategie vor, bei der der Raum aller Szenarien durch eine konkrete Liste von Parametern vorgegeben wird, vgl. Schuldt, F., Saust, F., Lichte, B., Maurer, M., Scholz, S.: Effiziente systematische Testgenerierung für Fahrerassistenzsysteme in virtuellen Umgebungen. In: Automatisierungssysteme, Assistenzsysteme und eingebettete Systeme für Transportmittel. pp. 114-133. Braunschweig, Germany (2013). Da die Prüfung aller möglichen Parameterkombinationen nicht durchführbar ist, muss ein Überdeckungskriterium erfüllt werden. Koopman und Wagner, Koopman, P.,Wagner, M.: Toward a framework for highly automated vehicle safety validation. SAE Technical Paper (2018). https://doi.org/10.4271/2018-01-1071, befürworten einen strukturierten Ansatz zur Verwaltung der Testziele und der entsprechenden Validierungsstrategien. Dies ermöglicht eine individuelle Anpassung der für jedes Testziel erforderlichen Testmenge und die Wahl einer geeigneten Methode, wie z.B. Low-Delity- oder High-Delity-Simulationen oder Realfahrzeugtests. Ähnlich wie Amersbach und Winner baut die diesseitige Erfindung auf einem Szenarienraum auf, der durch eine konkrete Liste von Parametern, und ähnlich wie Koopman und Wagner erfolgt eine separate Berücksichtigung der einzelnen Sicherheitsziele.
Anstatt den gesamten Parameterraum oder einen vorher festgelegten Bruchteil zu betrachten, wird ein Optimierungsansatz verwendet, um den Parameterraum explizit nach corner-cases zu durchsuchen. Diese Idee der Anti-Optimierung ist inspiriert von der Arbeit von Elishako et al. , nämlich Elishako, I., Haftka, R.T., Fang, J.: Structural design under bounded uncertainty optimization with anti-optimization. Computers & Structures 53(6), 1401-1405 (1994). https://doi.org/10.1016/0045-7949(94)90405-7 sowie Elishako_, I., Ohsaki, M. (eds.):

Optimization and Anti-Optimization of Structures under Uncertainty. Imperial College Press, London, United Kingdom (2010). https://doi.org/10.1142/p678, wo dieser Ansatz zur Optimierung mechanischer Strukturen unter unsicheren Belastungen verwendet wurde, jedoch diesseits nicht umgesetzt und verwendet werden konnte.

Seit ihrem Aufkommen in den 1940er Jahren ist die numerische Optimierung zu einem der leistungsfähigsten und vielseitigsten Werkzeuge in Wissenschaft und Technik geworden, vgl.. Boyd, S., Vandenberghe, L.: Convex Optimization. Cambridge University Press, Cambridge, United Kingdom (2004) oder auch Nocedal, J., Wright, S.J.: Numerical Optimization. Springer, New York (NY), United States, 2nd edn. (2006). Ihr kontinuierliches Wachstum wird durch die explosionsartige Entwicklung der Computer-Hardware vorangetrieben, aber auch die Ältesten der Optimierungsalgorithmen haben sich in der Vergangenheit schnell entwickelt. Die Hauptidee der numerischen Optimierung besteht darin, ein Optimierungsproblem mathematisch zu definieren, indem Randbedingungen verwendet werden, die einen machbaren Bereich eines Zustandsraums und eine Zielfunktion beschreiben, die jeden machbaren Zustand mit einem Leistungsmaß verbindet. Für viele verschiedene Klassen von Optimierungsproblemen durchsuchen moderne Algorithmen den Zustandsraum systematisch und sind daher in der Lage, Zustände mit einem guten Leistungsmaß oder sogar der optimalen Lösung sehr genau zu identifizieren. Dies ermöglicht die Handhabung von potentiell sehr großen und hochdimensionalen Problemen, mit nichtlinearen Nebenbedingungen und Zielfunktionen.
Für den Test und die Validierung eines Trajektorien-Folgereglers (TFC) für ein SDS wird ein finite-horizon-Optimierungsproblem basierend auf einem dynamischen Systemmodell erstellt. Je nach Situation kann das Systemmodell aus einem hoch- (high-fidelity) oder niedriggradig (lowfidelity) realitätsnahen Simulationsmodell oder einem experimentellen Aufbau bestehen. In dieser Offenbarung wird es durch ein IPG-CarMaker-Modell der Fahrdynamik dargestellt. Die Hauptanforderung ist, dass das dynamische Systemmodell wiederholte Experimente unter verschiedenen Systemparametern und Umgebungsbedingungen ermöglichen muss.
Zur Vereinfachung der Notation wird angenommen, dass das dynamische Modell des Fahrzeugs durch die Differentialgleichungen in Form eines nichtlinearen Zustandsraummodells beschrieben werden kann, das als Open-Loop-System bezeichnet wird, $\dot{x} = f (x, u), x (0) = x_{0}$
$y = g (x, u) .$
Dabei bezeichnen x(t) ∈ Rⁿ und y(t) ∈ ℝ^p den Zustand und die Leistung des Systems. Der Punkt bezieht sich auf die Ableitung nach der Zeit t ∈ ℝ₀₊.
Die Funktion f: ℝⁿ × ℝ^m → ℝⁿ stellt die Dynamik des Systems dar, wobei der Eingangsvektor u(t) ∈ ℝ^m zur Steuerung dieser Dynamik verwendet werden kann. Bei der automatischen Regelung wird der Steuereingang u(t) als eine Funktion k, das sogenannte control law, berechnet. Für die größtmögliche Verallgemeinerung kann die Berechnung auf allen gemessenen Ausgaben y(t) der Vergangenheit seit Beginn der Zeit bei t = 0 basieren, $u = k ({y (τ) | 0 \leq τ \leq t}) .$
Es werden keine besonderen Annahmen über die Natur der Funktionen f, g und k getroffen. Die durch f und g gegebene Dynamik kann beispielsweise stark nichtlinear sein und eine große Anzahl von kontinuierlichen und diskreten Zuständen beinhalten. Wie beim CarMaker Modell, müssen diese auch nicht explizit bekannt sein. Im Falle der TFC umfassen die Steuereingänge u(t) Befehle wie den Lenkwinkel, das Motordrehmoment oder die Bremskraft; die gemessenen Ausgänge y(t) umfassen Signale wie die translatorische und winkelige Position und die Geschwindigkeit des Fahrzeugs. Das control law k kann von beliebiger Art sein und kann fortgeschrittene Steuerungskonzepte wie adaptive Algorithmen umfassen, lernbasierte Steuerung, Fuzzy-Logik oder Echtzeit-Optimierung.
Es ist eine Grundannahme, dass das Simulationsmodell vom Algorithmus für wiederholte Experimente mit verschiedenen Systemparametern und Umgebungsbedingungen verwendet werden kann. Für das TFC besteht das Hauptinteresse darin, die Leistungsfähigkeit der Nachverfolgung für verschiedene Referenztrajektorien, die an das System übergeben werden, zu bewerten. Darüber hinaus ist eine geeignete Implementierung des Reglers (2) erforderlich, die mit dem Simulationsmodell verknüpft werden kann. Der Controller wird als Black Box behandelt, die mit verschiedenen Instanzen wie Model-in-the-Loop, Software-in-the-Loop, Hardware-in-the-Loop usw. betrieben werden kann. Diesseits wurde der Regler als prototypisches Simulink-Modell realisiert, das mit einer Simulation in einer CarMaker for Simulink (CM4S)-Umgebung gekoppelt ist. Weitere Einzelheiten zum Aufbau sind weiter unten enthalten.
Die optimale Ausgestaltung eines control law, auch im folgenden Kontrollgesetzes genannt, ist nicht Gegenstand dieser Offenbarung. Stattdessen wird für einen vorhandenen Regler (2), der als Black Box vorliegt, das dynamische System (1) in einen geschlossenen Regelkreis umgewandelt $\dot{x} = f (x, k {y (τ) | 0 \leq τ \leq t})), x (0) = x_{0},$
$y = g (x, k {y (τ) | 0 \leq τ \leq t})) .$
Das Hauptziel dieser Arbeit ist es, die Verfolgungsleistung des Controllers in Bezug auf verschiedene Referenztrajektorien und Umgebungsbedingungen zu testen oder zu validieren.
Zu diesem Zweck wird ein Leistungskriterium definiert, das sich auf die Sicherheit des Fahrzeugs bezieht. Dieses Kriterium (oder mehrere Kriterien) muss direkt aus dem geschlossenen Simulationslauf heraus bewertet werden können. Für die TFC wird die seitliche Abweichung λ der tatsächlichen Flugbahn y(t) von einer gegebene Referenzbahn y_ref (t) in Betracht gezogen. Es liegt auf der Hand, dass die maximale seitliche Abweichung, die vom Regler unter allen Umständen eingehalten werden muss, ein wichtiges Auslegungskriterium für das entsprechende SDS ist. Sie muss insbesondere vom Bahnplanungsmodul als Sicherheitsreserve berücksichtigt werden, um Kollisionen sicher zu vermeiden.
Aus praktischen Gründen ist die Leistungsbewertung auf einen endlichen Zeithorizont t ∈ [0; T] und auf N diskrete Beobachtungspunkte über diesen Horizont beschränkt, $t_{1} = \frac{T}{N} . t_{2} = \frac{2 T}{N} . t_{3} = \frac{3 T}{N} . \dots, t_{n - 1} = \frac{(N - 1) T}{N} . t_{N} = T$
Die seitlichen Abweichungen des SDS an den Beobachtungspunkten werden mit λ(t₁), λ(t₂), ..., λ(t_N) bezeichnet. Das Leistungskriterium ist die maximale Seitenabweichung $λ_{m a x} = \underset{k \in {1,2, \dots, N}}{m a x} λ (t_{k}) .$
Sowohl der Zeithorizont T als auch die Diskretisierung N müssen sorgfältig gewählt werden, um Fehler zu vermeiden, die durch zu kurze Manöver oder zu weit auseinander liegende Beobachtungspunkte entstehen können. Andererseits werden große Werte für T und N den Rechenaufwand erhöhen.
Aufgrund der kontinuierlichen Natur des Systems ist die Anzahl der möglichen Referenzsignale unendlich. Die Menge aller zulässigen Referenztrajektorien über den Horizont wird als die Menge Y[0, T] bezeichnet. Dieser Ansatz wird verwendet, um Referenzbahnen y_ref(t) auszuschließen, die entweder physikalisch nicht möglich sind oder die nach den Entwurfsspezifikationen nicht zulässig sind, z.B. Grenzen für den Lenkwinkel und die Lenkgeschwindigkeit, eine minimale und maximale Beschleunigung, eine Geschwindigkeitsbegrenzung oder eine maximale Querbeschleunigung.
In vielen Fällen, einschließlich der TFC, verbieten die Komplexität und der Black-Box-Charakter der Dynamik und des Reglers eine mathematische Analyse des geschlossenen Regelkreises, einschließlich wichtiger Systemeigenschaften wie Stabilität, Leistung, Robustheit usw. Es ist besonders schwierig, verlässliche obere Grenzen für Leistungsmaße, wie z.B. die seitliche Abweichung, die für alle zulässigen Referenztrajektorien gültig sind, bereitzustellen. Tatsächlich hängt die maximale seitliche Abweichung nicht nur von der Referenztrajektorie y_ref (t) selbst ab, sondern auch von den Umgebungsbedingungen, wie z.B. dem Reibungskoeffizienten der Straße, den Fahrzeugbeladungen und dem Schwerpunkt, dem Straßenneigungswinkel oder den Seitenwinden. Diese Faktoren sind in einen abstrakten, zeitabhängigen Vektor e(t) ∈ R^q über den Zeithorizont t ∈ [0; T] einzubeziehen.
Sie können in verschiedenen, insbesondere ungünstigen Kombinationen über die Zeit (in Bezug auf λ_max.) auftreten. Es können jedoch nicht alle Kombinationen zulässig sein, oder sie können wiederum durch Konstruktionsspezifikationen ausgeschlossen werden, d.h. unter Ausschluss von Eis- und Schneewetter Bedingungen. Ähnlich wie bei der Referenzbahn, wird dies mathematisch ausgedrückt durch die Forderung, dass die Umweltbedingungen in einigen zulässigen gesetzt, e(i) ∈ ε[0, T].
Zu beachten ist, dass die Mengen Y[0, T] und ε [0, T] in der Tat voneinander abhängig sein können. So kann es z.B. wünschenswert sein, die mögliche Wahl von Referenzbahnen unter bestimmten Umgebungsbedingungen zu begrenzen, wie z.B. eine Geschwindigkeitsbegrenzung für die Referenzbahn, die vom Straßenreibungskoeffizienten abhängt. Diese Tatsache wird ausgedrückt, indem man die Beschränkungen als $(y_{r e f} (t), e (t)) \in (Y [0, T] ε [0, T]) .$
Daher lautet das zu lösende abstrakte Optimierungsproblem wie folgt: $\underset{y_{r e f} (t), e (t)}{m a x} λ_{m a x} (y_{r e f} (t), e (t))$
$[y_{r e f} (t), e (t)] \in (Y [0, T] ε [0, T]) .$
Im Sinne des Pessimizers ist die Zielfunktion (5a) die ungünstigste seitliche Abweichung von der Referenzbahn, die maximiert werden sollte. Die Einschränkungen (5b) verweigern die zulässige Menge an Referenztrajektorien und Umgebungsbedingungen, aus denen der Algorithmus wählen darf. Um die Darstellung einfach zu halten, werden die Umgebungsbedingungen in der Folge vernachlässigt und der Schwerpunkt auf die Wahl der Referenztrajektorien gelegt.
Das Optimierungsproblem, in Form von (5), ist in der Praxis sehr schwierig zu lösen. Aus mehreren Gründen sind Standard-Algorithmen der konvexen oder nicht-konvexen Optimierung hier nicht anwendbar. Zunächst einmal ist eine geschlossene Form des Optimierungsproblems im Allgemeinen nicht verfügbar. Die Zielfunktion λ_max(y_ref(t), e(t)) kann nicht auf der Basis eines analytischen Ausdrucks ausgewertet werden, sondern erfordert die Ausführung eines Simulationslaufs. Es ist daher sehr zeitaufwendig, die Funktion selbst zu evaluieren, und noch mehr, ihre Ableitungen zu berechnen. Darüber hinaus wird jede Approximation der Ableitungen wesentlich durch numerisches Rauschen und Prozessrauschen beeinträchtigt. Nicht zuletzt ist die beschränkte Menge (Y[0, T]; ε[0, T]) komplex, in der Regel nicht miteinander verbunden und möglicherweise nicht einmal in expliziter Form verfügbar. Dies führt natürlich in die Ära der derivatefreien Optimierungsalgorithmen, vgl. Kramer, O., Ciaurri, D.E., Koziel, S.: Derivative-free optimization. In: et al., S.K. (ed.) Computational Optimization, Methods and Algorithms, pp. 61-83. Springer, Berlin, Germany (2011). https://doi.org/10.1007/978-3-642-20859-14 oder auch Rios, L.M., Sahinidis, N.V.: Derivative-free optimization: A review of algorithms and comparison of Software implementations. Journal of Global Optimization 56(3), 1247-1293 (2017). https://doi.org/10.1007/s10898-012-9951-y. Insbesondere wurde eine Version der genetischen Programmierung auf den Pessimizer der TFC zugeschnitten, wobei hierzu sich Talbi, E.G.: Metaheuristics {From Design to Implementation. John Wiley & Sons, Hoboken (NJ), United States (2009) als Hintergrund ergibt. Der Algorithmus arbeitet auf einer Datenbank von Referenztrajektorien, die die aktuelle Population bildet. Im Laufe des Algorithmus wird die Population durch Selektion, Mutation und Elimination modifiziert. Es werden verschiedene Maßnahmen ergriffen, die jedoch nicht im Detail beschrieben werden müssen, um die eine gewisse Vielfalt der Population zu erhalten.
Die Population besteht aus einer festen Anzahl von Trajektorien mit einer vorbestimmten Zeithorizonte T =?? s. Es wird mit einer Population von zufälligen Trajektorien initialisiert. Die Speicherung der Trajektorien ist in Form von Befehlssequenzen für ein kinematisches Fahrradmodell implementiert, ${δ_{1}, δ_{1}, \dots, δ_{M}} und {a_{1}, a_{2}, \dots, a_{M}}$
Die δ_i's bezeichnen einen Vorderradlenkwinkel und die a_i's die Beschleunigungsbefehle, die über jedes von M gleich beabstandeten Zeitintervallen über die Bahndauer T als konstant angenommen werden. Wenn eine Befehlssequenz an ein kinematisches Fahrradmodell, vgl. Mitschke, M., Wallentowitz, H.: Dynamik der Kraftfahrzeuge. Springer, Berlin, Germany, 4th edn. (2004), übergeben wird, wird sie in eine Sequenz von Fahrzeugzuständen mit allen Informationen übersetzt, die zur korrekten Verneinung einer Referenzbahn erforderlich sind. Diese umfasst die planaren Positionen (x_ref,i, y_ref,i), den Gierwinkel φ_ref,i, die Krümmung K_ref,i, die Geschwindigkeit v_ref,i und die Beschleunigung a_ref,i.
Jede Referenztrajektorie wird zusammen mit dem entsprechenden Leistungswert gespeichert, der aus einem CM4S-Simulationslauf gewonnen wird. In jedem Schritt des genetischen Algorithmus wird zunächst eine Trajektorie aus der Datenbank ausgewählt, dann mutiert, bewertet und schließlich entweder verworfen oder anstelle einer anderen Trajektorie in die Population eingefügt (d.h. eine Trajektorie muss eliminiert werden).
Ein Selektionsschritt ist also an zwei Stellen beteiligt, einer vor der Mutation und einer danach. In jedem Fall ist der Prozess zufällig, mit einer Verzerrung in Richtung der Bahnen mit einer besseren Leistung. Vor der Mutation ist die Wahrscheinlichkeit, dass eine Bahn ausgewählt wird, direkt proportional zu ihrer Leistung. Nach der Mutation, wird die mutierte Bahn nur dann akzeptiert, wenn ihre Leistung besser ist als die alte Bahn. In diesem Fall wird eine Trajektorie aus der aktuellen Population mit einer Wahrscheinlichkeit eliminiert, die indirekt proportional zu ihrer Leistung ist, und die mutierte Trajektorie wird an ihrer Stelle eingefügt. Zusätzliche Regeln werden durchgesetzt, um eine gewisse Vielfalt in der Population zu erhalten, z.B. um die Bahnen in allen Geschwindigkeitsbereichen (niedrig, mittel und hoch) zu halten.
Neben der effizienten Nutzung des Speichers bietet das Speicherformat in (6) mehrere Vorteile für das Mutationsverfahren. Vor allem enthält die Darstellung keine redundanten Trajektorieninformationen. Darüber hinaus ist es relativ einfach, die Erfüllung von Bedingungen zu überprüfen und eine mutierte Trajektorie zurück auf die Menge der Bedingungen zu projizieren.
Für das Mutationsverfahren wird zunächst die Lage der maximalen lateralen Abweichung über den Zeithorizont [0; T] identifiziert. Dann werden der Lenkwinkel und die Beschleunigung an zufälligen Punkten in der Nähe dieses Maximums modifiziert. Auch die Modifikation selbst folgt einem Zufallsschema. Für eine bessere Chance, eine verbesserte Trajektorie zu finden, werden in der Tat mehrere Mutationen berücksichtigt.
Schließlich werden die mutierten Trajektorien auf die Erfüllung der Randbedingungen überprüft. Wenn sie die Bedingungen nicht erfüllen, werden sie so modifiziert (oder ‚projiziert‘), dass Sie zum Einschränkungssatz gehören. Danach werden sie von einem CM4S Simulationslauf ausgewertet und dann, als Teil der Auswertung entweder verworfen oder eingefügt in die Trajektorie-Population anstelle einer anderen Trajektorie.
Um den Optimierungsalgorithmus mit allen notwendigen Komponenten richtig zu kombinieren, musste eine Umgebung bzw. Simulationsumgebung entwickelt werden. Diese Umgebung besteht, wie in gezeigt, aus vier Hauptmodulen: dem Optimierungsalgorithmus, dem Bewegungs-Planer, das TFC und der Nachbearbeitung. Der Optimierungsalgorithmus wird mit Matlab implementiert und liefert eine Anfangspopulation von zu entwickelnden Trajektorien. Nach dieser Initialisierung wird die Optimierung der Trajektorien, unter Berücksichtigung der gegebenen Randbedingungen, durchgeführt. Nach jeder Mutation einer Generation, ruft das Framework das Simulationsmodul auf. Das Modul selbst verwendet ein Fahrzeugmodell und ein Umgebungsmodell, das in CarMaker entworfen wurde, sowie zwei steuerungsrelevante Module, der Bewegungsplaner und das TFC. Beide sind in Simulink und werden über die mitgelieferte CarMaker for Simulink (CM4SL)-Integration integriert von CarMaker.
Der allgemeine Zweck des Bewegungsplaners besteht darin, ein SDS zu emulieren, indem er dem TFC eine Trajektorie entsprechend seiner Schnittstellenbeschreibung zur Verfügung stellt. Die generierte Trajektorie ist dem Bewegungsplaner von vornherein bekannt und ist normalerweise größer als die Trajektorien, die von einem SDS während des Betriebs in der realen Welt bereitgestellt werden. Unter Berücksichtigung der aktuellen Position des Fahrzeugs entlang der Trajektorie stellt der Bewegungsplaner nur das dem TFC am nächsten liegende relevante Segment (M = 20 Knoten) der Trajektorie zur Verfügung. Die TFC wurde zuvor in Simulink entwickelt und empirisch eingerichtet, um eine gewisse Leistung und Stabilität zu gewährleisten. Sobald das Simulationsmodul vom Framework aufgerufen wird, importiert es die vom Optimierungsalgorithmus erzeugte Trajektorie und übergibt sie an den Bewegungsplaner, der die TFC mit den Flugbahnbeschreibungen. Die TFC gibt Lenk- und Beschleunigungsbefehle aus, um der Trajektorie zu folgen, die in CarMaker an das Fahrzeugmodell weitergegeben werden. Sobald entweder das Fahrzeug das Ende der Trajektorie erreicht hat oder die Seitenabweichung einen vordefinierten Schwellenwert überschritten hat, wird die Simulation beendet. Das Nachbearbeitungsmodul verarbeitet schließlich die aufgezeichneten Ergebnisse. Für den gegebenen Anwendungsfall des Pessimizers in Kombination mit einem autonomen Fahrzeug wird die Seitenabweichung für die gesamte Dauer der Simulation aufgezeichnet und dem Optimierungsalgorithmus zur Verfügung gestellt. In dieser Offenbarung wird das beschriebene Verfahren von der Optimierung bis zum Postprocessing als Mutation bezeichnet.
Die Anwendung aller zwölf möglichen Mutationen auf eine Trajektorie und die Bestimmung der Trajektorie mit der größten seitlichen Abweichung wird als Optimierungsschritt betrachtet. Sobald ein Optimierungsschritt abgeschlossen ist, initiiert das Framework den nächsten Optimierungsschritt unter Verwendung der Ergebnisse aus dem fertigen Lauf. Es sei darauf hingewiesen, dass eine Trajektorie, die dazu führt, dass das Fahrzeug die Schwelle der seitlichen Abweichung überschreitet, als Corner Case bezeichnet wird. Sobald eine solche Trajektorie identifiziert wurde, wird das Framework diese Bahn nicht hinnehmen.
zeigt ein Beispiel für eine sich entwickelnde Trajektorie, bei der der Pessimizer eine anfängliche Trajektorie fünfmal optimiert. Die fünfte Generation stellt die TFC so in Frage, dass die Schwelle für die laterale Abweichung überschritten wird und aufgrund der vorgegebenen Einstellungen keine weitere Generation erzeugt wird.
Die Anfangsbahn ist eine Linkskurve mit hoher Geschwindigkeit. Während der Laufzeit führt die Bahn zu einer Spitzen-Lateralabweichung von 0,2 m. Durch weitere Optimierung, immer beginnend an der Stelle mit der maximalen lateralen Abweichung der vorherigen Generation (durch die Pfeile markiert), wird jede Generation der Flugbahn für die TFC immer anspruchsvoller, was zu einem kontinuierlichen Wachstum der maximalen lateralen Abweichung führt. Während der Optimierung der fünften Generation wird eine Bahn erzeugt, auf der das Fahrzeug anfängt auszuweichen und die Straße zu verlassen, während das TFC nicht in der Lage ist, das Auto zu stabilisieren. Die höchste seitliche Abweichung bei der Erzeugung ist nach einer kürzeren Wegstrecke als beim Vorgänger aufgetreten. Dies ist auf die zunehmende Krümmung der Bahn der fünften Generation zurückzuführen und ist im Diagramm von zu sehen.
Eine weitere Richtungsänderung, wie sie in den Generationen eins bis vier beobachtet wurde, war nicht erforderlich, um die Bahn zu einer höheren seitlichen Abweichung zu entwickeln. Das Fehlen einer zusätzlichen Richtungsänderung ist das Ergebnis der verschiedenen Mutationsrichtungen, die vorher beschrieben wurden.
Das untere Diagramm in zeigt, dass sich die Geschwindigkeit während der Optimierung von der vierten zur fünften Generation der Bahn nicht verändert hat. Aber die Kombination von Krümmung und Geschwindigkeit führte zu einer dynamischeren, noch innerhalb der Grenzen der Randbedingungen liegenden Bahn hinsichtlich der Querbeschleunigung. Letztendlich konnte die Bahn durch die TFC nicht vervollständigt werden, ohne dass die Schwelle der Seitenabweichung überschritten wurde, und es wurde ein Corner Case identifiziert.
Das hier offenbarte Pessimizer-Framework hat seine Fähigkeiten zur Erstellung immer anspruchsvollerer Trajektorien für ein kontrolliertes System erfolgreich unter Beweis gestellt, wie das Ausführungsbeispiel eines autonom fahrenden Fahrzeugs zeigt. Eine entsprechende Demonstration der Erfindung wurde in den und dargestellt. Dieses Ausführungsbeispiel zeigt ein stetiges Wachstum der seitlichen Abweichung während der Entwicklung mehrerer Generationen. Obwohl die letzte Generation innerhalb der Grenzen der technischen Möglichkeiten des Fahrzeugs lag, konnte die TFC das Fahrzeug entlang der Bahn nicht handhaben.
Die Identifizierung solch kritischer Trajektorien ist in der Regel mit einer großen Anzahl realer Fahrtestkilometer oder Simulationsstunden verbunden. Bei der Betrachtung dieser Zahlen zeigte der Pessimizer sein wirtschaftliches Potenzial, da der beschriebene Corner-Case innerhalb von weniger als 2 Stunden ohne jegliche externe Interaktion identifiziert werden konnte. Dies ist auf den Ansatz des Pessimizers zurückzuführen, der darin besteht, den Corner Case zu finden, nicht zufällig, sondern mit einer Strategie. Darüber hinaus werden nicht nur die Kosten stark reduziert, sondern es können auch Designentscheidungen, die Corner-Cases verursachen könnten, entdeckt werden, wenn der Pessimizer früh genug in die kontinuierliche Integrationswerkzeugkette integriert wird.
Der Bereich der möglichen Mutationen für einen Optimierungsschritt kann zudem noch auf ein breiteres Spektrum der Fahrzeugbewegung wie z.B. die Lastübertragung erweitert werden.
Darüber hinaus kann die Anwendung dieser Mutationen verbessert werden, um den Brute-Force-Ansatz zu vermeiden, bei dem alle Mutationen bei jedem Optimierungsschritt angewendet werden.
Zusätzlich könnte als Erweiterung des Pessimizers eine künstliche Intelligenz verwendet werden, um entweder die vielversprechendsten Mutationen während eines Optimierungsschritts auszuwählen oder um eine anfängliche Trajektorienmenge zu erstellen, die dabei hilft, schneller zu einem Corner Case zu konvergieren und so die Gesamtlaufzeit zu reduzieren. Ein Ansatz, den Optimierungsalgorithmus durch künstliche Intelligenz zu ersetzen, könnte ebenfalls möglich sein.
Ein weiterer Aspekt ist die Verbesserung des Frameworks in Bezug auf die Laufzeitleistung. Derzeit sind das Simulink-Modell des Bewegungsplaners und die TFC nicht vorkompiliert, so dass die Simulationszeit in CarMaker einen Verlust um etwa den Faktor 5 einbüßt. Auch der Code der Optimierung hat Potenzial, um schnellere Ausführungszeiten zu erreichen.
Ein weiterer Aspekt weiterer Verbesserung besteht darin, verschiedene Anwendungsbereiche zu finden und zu validieren, in denen der Pessimizer eingesetzt werden könnte oder eine unterstützende Rolle übernimmt. Zum Beispiel, aufgrund des Konzepts der Suche nach dem „flaws“ eines Controllers, der Pessimizer könnte auch zur automatischen Abstimmung/Parametrierung eines Reglers verwendet werden durch den Versuch, die corner-cases zu „überwinden“.
Praktische TFCs sind zudem in der Regel selbst komplexe Algorithmen, darunter feste Entscheidungsregeln oder endliche Zustandsautomaten sowie verschiedene Instanzen des Gain Scheduling oder sogar Instanzen des maschinellen Lernens und numerische Optimierungsalgorithmen.
Aus Sicht der Steuerungstheorie sollten sie daher als Black Boxen und nicht als analytischer Ansatz behandelt werden. Zu diesem Zweck schlagen wir einen Verifikationsansatz für beliebige Regelungsalgorithmen vor, der ein Simulationsmodell in Kombination mit einem Anti-Optimierungsansatz (Pessimizer) verwendet.
Das Konzept der Anti-Optimierung ist ursprünglich im Bauwesen entstanden, vgl. Gleirscher, M., Kugele, S.: Assurance of safety systems: A survey of design and argument patterns (2019), http://arxiv.org/abs/1902.05537, wo es zur Überprüfung der Statik von Strukturen unter verschiedenen Lastbedingungen eingesetzt wird. Die Grundidee besteht darin, eine hochgenaue Simulation des Fahrzeugs und der TFC (implementiert in Simulink und CarMaker) mit einem Optimierungsalgorithmus zu kombinieren. Letzterer generiert systematisch eine Folge von Referenztrajektorien und eine Reihe von Umgebungsfaktoren und externen Störungen.
Anstatt die Regelungsleistung zu maximieren, versucht der Optimierer jedoch, die ungünstigsten Szenarien im Hinblick auf ein vorgegebenes Leistungsziel zu finden
Das Leistungsziel wird als relevante Sicherheitsmaßnahme in der Schnittstelle der TFC gewählt, in diesem Fall die seitliche Abweichung von der Referenzbahn. Neben dem Leistungsziel, das minimiert wird, muss der Pessimizer eine Reihe von Einschränkungen beachten, die mit den Betriebsbedingungen des TFC zusammenhängen (z.B. begrenzte Geschwindigkeit, maximale Krümmung, Straßenbedingungen). Mit diesen Randbedingungen kann das Problem des Pessimizers als ein numerisches Optimierungsprogramm angegeben werden, für das aus der Literatur ein großer Satz von standardisierten Algorithmen bekannt ist. Da das Problem nicht konvex ist und die Berechnung von sinnvollen Gradienten nicht praktikabel ist, beschränkt sich die Implementierung des Pessimizers auf Methoden der gradientenfreien Optimierun, vgl. International Organization for Standardization: ISO 26262: Road Vehicles Functional Safety Parts 1-10 (2011) sowie International Organization for Standardization: ISO PAS 21448: Road vehicles Safety of the Intended Functionality (2017), und in diesem Fall wurde eine Variante eines genetischen Algorithmus gewählt.
Nachfolgend sind die beiliegenden Abbildungen kurz ausgeführt, wobei darauf hingewiesen wird, dass diese die Erfindung erläutern sollen und nicht beschränkend zu werten sind.
Es zeigen:

eine generische autonome Fahrzeugarchitektur;
eine Illustration der seitlichen Abweichungen;
eine Abbildung eines kinematischen Fahrradmodells [zwei Räder], für ein vierrädriges Auto [vier Räder] (CoG: Schwerpunkt, O: momentaner Drehpunkt). Die Pfeile markieren die Stellen, an denen die maximale seitliche Abweichung aufgetreten ist. Die gewünschte Trajektorie befindet sich in der Mitte einer regulären Straße mit einer Fahrbahnbreite von 3 m.;
eine Architektur des Pessimizer-Frameworks Matlab mit CarMaker und
ein Beispiel für die Entwicklung einer Trajektorie (Weg) nach mehreren Optimierungsschritten und
eine Entwicklung der Krümmung (oben) und der Geschwindigkeit (unten) der in der Abbildung gezeigten Trajektorien.

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

M., Kugele, S.: Assurance of safety systems: A survey of design and argument patterns (2019), http://arxiv.org/abs/1902.05537) [0018]
G.: On the application of ISO 26262 in control design for automated vehicles. In: Workshop on Safe Control of Autonomous Vehicles. pp. 74-82. Porto, Portugal (2018). https://doi.org/10.4204/EPTCS.269.7 [0018]
B., Richter, D., Ebel, S., Wilhelm, U., Branz, W., Patz, C.: Challenges in applying the ISO 26262 for driver assistance systems. available at http://www.ftm.mw.tum.de/uploads/media/28 Spanfelner.pdf (2013) [0018]
Ph.D. dissertation, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany (2019), V2X-Kommunikationsgeräte in Obermaier, C., Riebl, R., Al-Bayati, A.H., Facchi, C., Khan, S.: Limitations of HIL test architectures for car2x communication devices and applications. In: ACM Computer Science in Cars Symposium. pp. 1-9. Kaiserslautern, Germany (2019). https://doi.org/10.1145/3359999.3360493 oder autonomes Fahren in der Stadt in Schwammberger, M.: An abstract model for proving safety of autonomous urban traffic. Theoretical Computer Science 744(5), 143-169 (2018) - https://doi.org/10.1016/j.tcs.2018.05.028 [0018]
Amersbach, C., Winner, H.: Definining required and feasible test coverage for scenariobased validation of highly automated vehicles. In: IEEE Intelligent Transportation Systems Conference. Auckland, New Zealand (2019). https://doi.org/10.1109/ITSC.2019.8917534 [0019]
Schuldt, F., Saust, F., Lichte, B., Maurer, M., Scholz, S.: Effiziente systematische Testgenerierung für Fahrerassistenzsysteme in virtuellen Umgebungen. In: Automatisierungssysteme, Assistenzsysteme und eingebettete Systeme für Transportmittel. pp. 114-133. Braunschweig, Germany (2013) [0019]
Koopman und Wagner, Koopman, P.,Wagner, M.: Toward a framework for highly automated vehicle safety validation. SAE Technical Paper (2018). https://doi.org/10.4271/2018-01-1071 [0019]
Elishako, I., Haftka, R.T., Fang, J.: Structural design under bounded uncertainty optimization with anti-optimization. Computers & Structures 53(6), 1401-1405 (1994). https://doi.org/10.1016/0045-7949(94)90405-7 [0020]
Boyd, S., Vandenberghe, L.: Convex Optimization. Cambridge University Press, Cambridge, United Kingdom (2004) [0021]
Nocedal, J., Wright, S.J.: Numerical Optimization. Springer, New York (NY), United States, 2nd edn. (2006) [0021]
Kramer, O., Ciaurri, D.E., Koziel, S.: Derivative-free optimization. In: et al., S.K. (ed.) Computational Optimization, Methods and Algorithms, pp. 61-83. Springer, Berlin, Germany (2011) [0040]
Rios, L.M., Sahinidis, N.V.: Derivative-free optimization: A review of algorithms and comparison of Software implementations. Journal of Global Optimization 56(3), 1247-1293 (2017) [0040]
Talbi, E.G.: Metaheuristics {From Design to Implementation. John Wiley & Sons, Hoboken (NJ), United States (2009) [0040]
ISO 26262 [0065]
Road Vehicles Functional Safety Parts 1-10 (2011) [0065]
ISO PAS 21448 [0065]
Road vehicles Safety of the Intended Functionality (2017) [0065]

Claims

Computerimplementiertes Regelungs- oder Folgeregelungsverfahren oder Optimierungsverfahren zur Absicherung von Steuerungsalgorithmen einer Regelung und/oder Regelungsalgorithmen zur systematischen und nicht-zufälligen Verbesserung der parameterbasierten Szenarien durch eine abgesicherte Validierungsstrategie für eine Trajektoren-Folgeregelung oder einen Trajektoren-Folgeregeler umfassend die Schritte: a. Festlegen von Reglerstruktur, Streckenmodell und Randbedingungen für eine Pessimierung; b. Initialisieren der Anfangspopulation der Manöver; c. Optimieren der Manöverpopulation hinsichtlich eines Kostenfunktionals; d. Dokumentation der schlechtesten Manöver / Corner-Cases; e. Anpassung des Reglers bzw. der Anforderungen an den Regler oder das Manöver.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren angewendet wird für das autonome Fahren.