DE102020214620A1 - Evaluation device, computer program and computer-implemented method for training a neural network for determining the coefficient of friction - Google Patents
Evaluation device, computer program and computer-implemented method for training a neural network for determining the coefficient of friction Download PDFInfo
- Publication number
- DE102020214620A1 DE102020214620A1 DE102020214620.9A DE102020214620A DE102020214620A1 DE 102020214620 A1 DE102020214620 A1 DE 102020214620A1 DE 102020214620 A DE102020214620 A DE 102020214620A DE 102020214620 A1 DE102020214620 A1 DE 102020214620A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- neural network
- roadway
- friction
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 title claims abstract description 31
- 238000004590 computer program Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 230000001133 acceleration Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/068—Road friction coefficient
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
- B60T2210/10—Detection or estimation of road conditions
- B60T2210/12—Friction
- B60T2210/122—Friction using fuzzy logic, neural computing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Regulating Braking Force (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
Die Erfindung betrifft eine Auswerteeinrichtung (120), ein Computerprogramm und ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzes (200) zur Reibwertbestimmung eines Kraftfahrzeugreifens. Das Verfahren wird auf der Auswerteeinrichtung (120) eines Kraftfahrzeugs (100) ausgeführt und umfasst das Erfassen eines ersten Eingangsdatensatzes (210) mittels wenigstens einer ersten Sensoranordnung (102), das prädiktive Berechnen eines ersten Fahrbahnreibwerts (242) mittels des neuronalen Netzes (200) in Abhängigkeit des ersten Eingangsdatensatzes (210), das Erfassen eines zweiten Datensatzes (213) mittels wenigstens einer zweiten Sensoranordnung (110), das Bestimmen eines zweiten Fahrbahnreibwerts (244), das Bestimmen wenigstens eines Gewichtungsfehlers (246) des neuronalen Netzes (200) unter Berücksichtigung des ersten Fahrbahnreibwerts (242) und des zweiten Fahrbahnreibwerts (244) und Trainieren des neuronalen Netzes (200) zur Minimierung des wenigstens einen Gewichtungsfehlers (246). The invention relates to an evaluation device (120), a computer program and a computer-implemented method for training a neural network (200) for determining the coefficient of friction of a motor vehicle tire. The method is executed on the evaluation device (120) of a motor vehicle (100) and includes the acquisition of a first input data set (210) by means of at least one first sensor arrangement (102), the predictive calculation of a first road friction coefficient (242) by means of the neural network (200) depending on the first input data set (210), the acquisition of a second data set (213) by means of at least one second sensor arrangement (110), the determination of a second road surface friction coefficient (244), the determination of at least one weighting error (246) of the neural network (200). Taking into account the first roadway friction value (242) and the second roadway friction value (244) and training the neural network (200) to minimize the at least one weighting error (246).
Description
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzes zur Reibwertbestimmung, wobei das neuronale Netz auf einer Auswerteeinrichtung eines Kraftfahrzeugs ausgeführt wird.The invention relates to a computer-implemented method for training a neural network for determining the coefficient of friction, the neural network being executed on an evaluation device of a motor vehicle.
Durch Fortschritte in Sensor- und Datenverarbeitungstechnologien werden Fahrzeuge zunehmend autonomer. Die Einführung und Verbesserung von Assistenzsystemen, wie elektronische Stabilitätskontrolle, adaptive Geschwindigkeitsregelanlage, Spurhalteassistent, adaptives Lenksystem, Antiblockiersystem, Antischlupfregelung, Karten-Datenbanken, Fahrzeug-Fahrzeug-Kommunikation und weitere Assistenzsysteme ermöglichen es einem Fahrzeug teilautonom oder vollautonom zu fahren. Das Fahrzeug kann den Fahrer in verschiedenen Situationen ersetzten.Advances in sensor and data processing technologies are making vehicles increasingly autonomous. The introduction and improvement of assistance systems such as electronic stability control, adaptive cruise control, lane departure warning, adaptive steering systems, anti-lock braking systems, traction control, map databases, vehicle-to-vehicle communication and other assistance systems enable a vehicle to drive partially or fully autonomously. The vehicle can replace the driver in various situations.
Eine Auswerteeinrichtung interpretiert die Eingangsdaten und eine Steuerungseinrichtung übernimmt bei Fahrzeugen in einem autonomen Fahrmodus sowohl die Längsführung als auch die Querführung des Kraftfahrzeugs. Der ansonsten aktive Fahrer des Kraftfahrzeugs wird zum passiven Fahrzeuginsassen des Fahrzeugs. Teilautonome und insbesondere autonome Fahrzeuge erfassen mittels Sensoren die vorausliegende Fahrbahn und die Umgebung des Fahrzeugs.An evaluation device interprets the input data, and in the case of vehicles in an autonomous driving mode, a control device takes over both the longitudinal guidance and the lateral guidance of the motor vehicle. The otherwise active driver of the motor vehicle becomes the passive vehicle occupant of the vehicle. Semi-autonomous and in particular autonomous vehicles use sensors to record the road ahead and the area around the vehicle.
Die Sensoren stellen der Auswerteeinrichtung vorzugsweise Eingangsdaten, wie Fahrbahnbegrenzungen, Fahrbahnränder, Fahrspurmarkierungen und andere Stra-ßenmarkierungen bereit.The sensors preferably provide the evaluation device with input data, such as lane boundaries, lane edges, lane markings and other road markings.
Einige Fahrzeugsysteme nutzen zusätzlich Eingangsdaten von globalen Positioniersystemen, wie GPS, Fahrzeug-Fahrzeug-Kommunikationen und/oder fahrzeugeigene Daten um das Fahrzeug automatisiert zu steuern. Das autonome Fahren kann in fünf Automatisierungsstufen unterteilt werden. Die Automatisierungsstufe eins entspricht assistiertem Fahren und die Automatisierungsstufe fünf entspricht vollautonomen Fahren. Beim vollautonomen Fahren werden mehrere Eingangsdaten miteinander fusioniert, um eine höhere Zuverlässigkeit zu erreichen. Je höher die Automatisierungsstufe beim autonomen Fahren ist, desto höher ist auch der Anspruch an die Zuverlässigkeit und die Qualität der Eingangsdaten. Bereits ein geringer Fehler bei der Berechnung von fahrspezifischen Größen kann im vollautonomen Fahrmodus ein Sicherheitsrisiko für das Fahrzeug, Fahrzeuginsassen und externe Verkehrsteilnehmer zur Folge haben.Some vehicle systems also use input data from global positioning systems, such as GPS, vehicle-to-vehicle communications, and/or on-board data to automatically control the vehicle. Autonomous driving can be divided into five levels of automation. Automation level one corresponds to assisted driving and automation level five corresponds to fully autonomous driving. In fully autonomous driving, multiple input data is merged to achieve greater reliability. The higher the level of automation in autonomous driving, the higher the demands on the reliability and quality of the input data. Even a small error in the calculation of driving-specific variables can result in a safety risk for the vehicle, vehicle occupants and external road users in fully autonomous driving mode.
Aus diesem Grund ist insbesondere in einem vollautonomen Fahrmodus die Bestimmung von fahrspezifischen Größen von Bedeutung. Der Fahrbahnoberflächenzustand und der Fahrbahnreibwert zwischen den Reifen des Fahrzeugs und der Fahrbahn ist notwendig, um gezielt und angemessen auf fahrzeugexterne Bedingungen reagieren zu können. Insbesondere bei hoher Querbeschleunigung in Kurven und bei Brems- und Beschleunigungsvorgängen ist der Fahrbahnreibwert zwischen der Fahrbahnoberfläche und wenigstens einem Reifen des Fahrzeugs von Bedeutung, um die Geschwindigkeit des Fahrzeugs gegebenenfalls an die fahrzeugexternen Bedingungen anzupassen.For this reason, the determination of driving-specific variables is particularly important in a fully autonomous driving mode. The condition of the road surface and the road surface friction between the vehicle's tires and the road are necessary in order to be able to react specifically and appropriately to conditions external to the vehicle. The roadway friction coefficient between the roadway surface and at least one tire of the vehicle is important in particular in the case of high lateral acceleration in curves and during braking and acceleration processes, in order to adapt the speed of the vehicle to the conditions external to the vehicle if necessary.
Optische Verfahren zur Erfassung der Fahrbahn sind bereits umfassend bekannt. Fahrbahnmarkierungen und andere Objekte werden beispielsweise bei der
Bei Fahrzeugen im vollautonomen Fahrmodus ist eine Bestimmung des Fahrbahnreibwerts zum Zeitpunkt des Überfahrens der Fahrbahn nicht ausreichend. Um auf Bedingungen der Fahrbahnoberfläche reagieren zu können muss bereits vor dem Überfahren der Fahrbahn der zugehörige Fahrbahnreibwert ermittelt worden sein. Liegt der Fahrbahnreibwert zu diesem Zeitpunkt nicht bereits vor kann er von einer Steuerungseinheit nicht entsprechend berücksichtigt werden. Das Fahrzeug kann nicht unter Berücksichtigung des Fahrbahnreibwerts der vorausliegenden Fahrbahn angepasst gesteuert werden. Eine genaue prädiktive Reibwertbestimmung zwischen den Reifen des Fahrzeugs und der Fahrbahnoberfläche ist insbesondere beim vollautonomen Fahren ohne menschliche Kontrolle notwendig, damit dem Fahrzeuginsassen ein hohes Maß an Sicherheit und Komfort ermöglicht wird. Ermittelt die Auswerteeinrichtung im autonomen Fahrmodus frühzeitig Fahrbahnabschnitte mit geringem Reibwert kann die Steuerungseinrichtung entsprechend reagieren und Gefahrensituationen werden vermieden. Je früher und zuverlässiger der Reibwert eines Fahrbahnabschnitts prädiktiv bestimmt wird, desto höher sind der Sicherheits- und der Komfortgewinn für Fahrzeuginsassen. Gleichzeitig wird durch ein vorausschauendes Fahren die Effizienz des Fahrzeugs gesteigert.In the case of vehicles in fully autonomous driving mode, it is not sufficient to determine the friction coefficient of the road surface at the time the vehicle crosses the road surface. In order to be able to react to conditions on the road surface, the associated road surface friction coefficient must have been determined before driving over the road. If the roadway friction value is not already available at this point in time, it cannot be taken into account accordingly by a control unit. The vehicle cannot be steered in an adapted manner, taking into account the friction coefficient of the road ahead. A precise predictive determination of the coefficient of friction between the tires of the vehicle and the road surface is particularly necessary for fully autonomous driving without human control, so that the vehicle occupants are provided with a high level of safety and comfort. If the evaluation device in the autonomous driving mode determines roadway sections with a low coefficient of friction at an early stage, the control device can react accordingly and dangerous situations are avoided. The earlier and more reliably the coefficient of friction of a section of roadway is predictively determined, the greater the gain in safety and comfort for vehicle occupants. At the same time, through a anticipatory driving increases vehicle efficiency.
Ausgehend hiervon ist es Aufgabe der vorliegenden Erfindung, ein verbessertes Verfahren zur prädiktiven Bestimmung des Fahrbahnreibwerts zwischen den Reifen eines Fahrzeugs und einer Fahrbahn anzugeben. Vorteilhafterweise soll das Verfahren zur prädiktiven Bestimmung des Fahrbahnreibwerts während der Nutzung verbessert werden. Weiterhin soll ein Reifenverschleiß erkannt und bei der Bestimmung des Fahrbahnreibwerts berücksichtigt werden.Proceeding from this, it is the object of the present invention to specify an improved method for predictively determining the roadway friction coefficient between the tires of a vehicle and a roadway. Advantageously, the method for the predictive determination of the road surface friction value should be improved during use. Furthermore, tire wear is to be recognized and taken into account when determining the road surface friction value.
Zur Lösung dieses Problems wird vorgeschlagen, dass ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzes zur Fahrbahnreibwertbestimmung bereitgestellt wird. Das Verfahren wird auf der Auswerteeinrichtung eines Kraftfahrzeugs ausgeführt und umfasst das Erfassen eines ersten Eingangsdatensatzes mittels wenigstens einer ersten Sensoranordnung, das prädiktive Berechnen eines ersten Fahrbahnreibwerts mittels des neuronalen Netzes in Abhängigkeit des ersten Eingangsdatensatzes, das Erfassen eines zweiten Datensatzes mittels wenigstens einer zweiten Sensoranordnung, das Bestimmen des zweiten Fahrbahnreibwerts, das Bestimmen eines Gewichtungsfehlers des neuronalen Netzes unter Berücksichtigung des ersten Eingangsdatensatzes und des zweiten Fahrbahnreibwerts und das Trainieren des neuronalen Netzes zur Minimierung des Gewichtungsfehlers.To solve this problem, it is proposed that a computer-implemented method for training a neural network for determining the friction coefficient of the roadway be provided. The method is carried out on the evaluation device of a motor vehicle and includes the acquisition of a first input data set using at least one first sensor arrangement, the predictive calculation of a first road surface friction value using the neural network as a function of the first input data set, the acquisition of a second data set using at least one second sensor arrangement, that Determining the second roadway friction coefficient, determining a weighting error of the neural network taking into account the first input data set and the second roadway friction coefficient, and training the neural network to minimize the weighting error.
Bei der Fahrbahnreibwertbestimmung soll der Reibwert eines tribologischen Systems, vorzugsweise zwischen wenigstens einem Reifen des Fahrzeugs und der Fahrbahn ermittelt werden. Der Begriff Fahrbahnreibwert umfasst dabei auch die Synonyme Reibungskoeffizient, Reibungszahl und Reibwert. Durch die Bestimmung des Fahrbahnreibwerts wird dem tribologischen System bestehend aus der Fahrbahnoberfläche und dem Reifen des Fahrzeugs eine Kenngröße zugeordnet. Dies führt zu einer besseren Vergleichbarkeit der Werte und kann auch bei der Datenverarbeitung vorteilhaft sein. Weiterhin ist der Fahrbahnreibwert ein dimensionsloses Maß und bezieht das sich auf zwei miteinander in Kontakt stehende Körper, insbesondere den Reifen des Fahrzeugs und die Fahrbahnoberfläche, bezieht. Der Fahrbahnreibwert hängt von der Fahrbahnbeschaffenheit und den Reifen des Fahrzeugs ab. Ist die Fahrbahn zum Beispiel, nass, ölig oder vereist, so ist der Fahrbahnreibwert zwischen Reifen und Fahrbahn niedriger als auf trockener Fahrbahn. Auch Verunreinigungen auf der Fahrbahn führen zu einem niedrigeren Fahrbahnreibwert zwischen den beiden Körpern. Wie beschrieben ist es die Aufgabe der Sensoreinheit die Fahrbahnoberfläche auf dessen Fahrbahnoberflächenzustand zu untersuchen. Die Eigenschaften des Reifen beeinflussen den Reibwert zusätzlich. Unter Verwendung eines hinterlegten Reifenmodells können Reifeneigenschaften bei der Bestimmung der Fahrbahnoberflächenzustands berücksichtigt werden. Weiterhin kann der Reifenzustand beim Trainieren des neuronalen Netzes berücksichtigt und auch überwacht werden.When determining the coefficient of friction of the roadway, the coefficient of friction of a tribological system is to be determined, preferably between at least one tire of the vehicle and the roadway. The term roadway friction value also includes the synonyms coefficient of friction, coefficient of friction and coefficient of friction. By determining the friction coefficient of the roadway, a parameter is assigned to the tribological system consisting of the roadway surface and the tires of the vehicle. This leads to better comparability of the values and can also be advantageous for data processing. Furthermore, the friction coefficient of the roadway is a dimensionless measure and relates to two bodies that are in contact with one another, in particular the tires of the vehicle and the roadway surface. The road surface friction value depends on the road surface and the tires of the vehicle. For example, if the road is wet, oily or icy, the friction coefficient between the tires and the road is lower than on a dry road. Impurities on the roadway also lead to a lower roadway friction coefficient between the two bodies. As described, the task of the sensor unit is to examine the road surface for its road surface condition. The properties of the tire also influence the coefficient of friction. Using a stored tire model, tire properties can be taken into account when determining the condition of the road surface. Furthermore, the tire condition can be taken into account and also monitored when training the neural network.
Beim computerimplementierten Verfahren zum Trainieren eines neuronalen Netzes zur Fahrbahnreibwertbestimmung soll eine vor dem Fahrzeug vorausliegende und zu befahrende Fahrbahn erfasst werden. Zur Erfassung dieser vor dem Fahrzeug vorausliegenden Fahrbahn können fahrzeugeigene Daten, wie Fahrzeuggeschwindigkeit, Lenkwinkel, Assistenzsysteminformationen mit zusätzlichen Daten, wie der geplanten Routenführung, GPS-Daten, Kurven und Höhenprofil erfasst und miteinander kombiniert werden. Ausgehend von den kombinierten Daten kann vorhergesagt werden, welche Fahrbahn das Fahrzeug befährt und für welche Fahrbahn das computerimplementierte Verfahren zum Trainieren des neuronalen Netzes zur Fahrbahnreibwertbestimmung angewandt wird.In the computer-implemented method for training a neural network for determining the coefficient of road friction, a road ahead of the vehicle and to be traveled on is to be detected. In order to record this lane ahead of the vehicle, vehicle-specific data such as vehicle speed, steering angle, assistance system information with additional data such as the planned route guidance, GPS data, curves and elevation profile can be recorded and combined with one another. Based on the combined data, it is possible to predict which roadway the vehicle will travel on and for which roadway the computer-implemented method for training the neural network for determining the roadway friction coefficient is used.
Zum Trainieren des neuronalen Netzes werden vorteilhafterweise mehrere Eingangsdatensätze bereitgestellt. Bevorzugt liegen dem neuronalen Netz zum Trainieren wenigstens ein erster Eingangsdatensatz und zumindest ein zweiter Datensatz vor.A plurality of input data sets are advantageously provided for training the neural network. At least one first input data set and at least one second data set are preferably available to the neural network for training.
Das computerimplementierte Verfahren zum Trainieren des neuronalen Netzes zur Reibwertbestimmung umfasst das Bereitstellen des ersten Eingangsdatensatzes. Dieser erste Eingangsdatensatz wird mittels wenigstens einer ersten Sensoranordnung erfasst. Diese wenigstens eine erste Sensoranordnung ist vorteilhafterweise in Fahrtrichtung ausgerichtet und erfasst die vorausliegende Fahrbahn. Bei der Erfassung können mehrere Daten berücksichtigt und miteinander kombiniert werden. So können die Beschaffenheit der Fahrbahnoberfläche, die Außentemperatur und weitere Daten erfasst werden. Zur Bereitstellung des ersten Eingangsdatensatzes kann die wenigstens eine erste Sensoranordnung bevorzugt eine Kamera, einen Ultraschallsensor, ein Radarsystem, ein Lidar-System und/oder dergleichen umfassen. Zusätzlich zum sichtbaren Spektralbereich kann die erste Sensoranordnung vorteilhafterweise weitere emittierte oder reflektierte Strahlungen im nichtsichtbaren Spektralbereichen, wie beispielsweise Infrarotstrahlung, erfassen.The computer-implemented method for training the neural network for determining the coefficient of friction includes providing the first input data set. This first input data record is recorded using at least one first sensor arrangement. This at least one first sensor arrangement is advantageously aligned in the direction of travel and detects the road ahead. Multiple data can be taken into account and combined with each other during acquisition. In this way, the condition of the road surface, the outside temperature and other data can be recorded. To provide the first input data set, the at least one first sensor arrangement can preferably include a camera, an ultrasonic sensor, a radar system, a lidar system and/or the like. In addition to the visible spectral range, the first sensor arrangement can advantageously detect further emitted or reflected radiation in the non-visible spectral range, such as infrared radiation.
Vorteilhafterweise kann die vorausliegende Fahrbahn zur prädiktiven Berechnung des ersten Fahrbahnreibwerts in einzelne logische Fahrbahnabschnitte unterteilt werden. Für jeden logischen Fahrbahnabschnitt kann die wenigstens eine erste Sensoranordnung einen ersten Eingangsdatensatz bereitstellen. Die zu erfassenden logischen Fahrbahnabschnitte können vorteilhafterweise beliebig klein gewählt werden. Je kleiner einzelne logische Fahrbahnabschnitte festgelegt werden, desto größer ist die Summe der logischen Fahrbahnabschnitte für eine Fahrbahn. Entsprechend nimmt auch die Summe der ersten Eingangsdatensätze für eine Fahrbahn zu. Folglich steigen die Datenmengen für die zu bestimmende Fahrbahn mit der Verkleinerung der logischen Fahrbahnabschnitte an. Für die Auswerteeinrichtung ist die Berechnung aller ersten Fahrbahnreibwerte für kleinere logische Fahrbahnabschnitte rechenintensiver als für größere logische Fahrbahnabschnitte. Kleinere logische Fahrbahnabschnitte haben den Vorteil, dass das neuronale Netz präziser trainiert werden kann. Weiterhin vorteilhaft ist eine fein aufgelöste prädiktive Bestimmung des Fahrbahnreibwerts, die der Steuerungseinheit beim Steuern des Fahrzeugs bereitgestellt wird.Advantageously, the roadway ahead can be subdivided into individual logical roadway sections for the predictive calculation of the first roadway friction value. The at least one first sensor arrangement can provide a first input data set for each logical roadway section. The logical journeys to be recorded Track sections can advantageously be selected as small as desired. The smaller the individual logical lane sections are defined, the greater the sum of the logical lane sections for a lane. The sum of the first input data records for a lane also increases accordingly. Consequently, the amounts of data for the lane to be determined increase as the logical lane sections become smaller. For the evaluation device, the calculation of all first roadway friction values for smaller logical roadway sections is more computationally intensive than for larger logical roadway sections. Smaller logical lane sections have the advantage that the neural network can be trained more precisely. A further advantage is a finely resolved predictive determination of the roadway friction coefficient, which is made available to the control unit when controlling the vehicle.
Bei der prädiktiven Berechnung des ersten Fahrbahnreibwerts soll der erste Fahrbahnreibwert zwischen wenigstens einem Reifen des Fahrzeugs und der Fahrbahn mittels des ersten Eingangsdatensatzes berechnet werden. Allgemein ist die Berechnung des Fahrbahnreibwerts zwischen einem Reifen, wie z. B. dem Gummi eines Reifens und einer befahrenen Fahrbahn eine komplexe Funktion in Abhängigkeit der wirkenden Kräfte und der Reibungsgrenzfläche zwischen den beiden Medien. Vorhandene Unebenheiten, die Verteilung dieser Unebenheiten, die Materialzusammensetzung des Reifens und der Fahrbahn, und die Kontaktflächengröße der beiden Medien beeinflussen die Berechnung und die Fahreigenschaften des Fahrzeugs auf der Fahrbahn. Weiterhin sind die Eigenschaften der Fahrbahn und des Reifens temperaturabhängig. Ist die Fahrbahn von einer Schnee- oder Eisschicht bedeckt ändert sich der Fahrbahnreibwert zwischen den Reifen des Fahrzeugs und der Fahrbahn.In the predictive calculation of the first roadway friction value, the first roadway friction value between at least one tire of the vehicle and the roadway should be calculated using the first input data set. In general, the calculation of the road surface friction between a tire, such as B. the rubber of a tire and a driven road a complex function depending on the forces and the friction interface between the two media. Existing bumps, the distribution of these bumps, the material composition of the tire and the road, and the size of the contact surface of the two media affect the calculation and the driving characteristics of the vehicle on the road. Furthermore, the properties of the road surface and the tires are temperature-dependent. If the roadway is covered by a layer of snow or ice, the roadway friction coefficient between the vehicle's tires and the roadway changes.
Um den erste Fahrbahnreibwert prädiktiv zu berechnen werden vorteilhafterweise die Daten mehrere Sensoren erfasst und der Auswerteeinrichtung bereitgestellt. In der Auswerteeinrichtung können die Daten fusioniert und ausgewertet werden. Insbesondere bei einem autonom fahrenden Fahrzeug, bei dem die Steuerungseinrichtung in Abhängigkeit des prädiktiv berechneten ersten Fahrbahnreibwerts der Auswerteeinrichtung die Steuerung des Fahrzeugs übernimmt, wird ein Komfort- und Sicherheitsgewinn im Vergleich zu Fahrzeugen ohne prädiktive Berechnung des Fahrbahnreibwerts bereitgestellt.In order to predictively calculate the first coefficient of friction on the roadway, the data from a number of sensors are advantageously recorded and made available to the evaluation device. The data can be merged and evaluated in the evaluation device. Especially in an autonomously driving vehicle, in which the control device takes over the control of the vehicle depending on the predictively calculated first road friction value of the evaluation device, a comfort and safety gain is provided compared to vehicles without predictive calculation of the road surface friction value.
Der erste Eingangsdatensatz wird der Auswerteeinrichtung von der wenigstens einen ersten Sensoranordnungen bereitgestellt. Die Auswerteeinrichtung kann in mehreren Prozessen innerhalb des neuronalen Netzes den Eingangsdatensatz und/oder weitere Daten verarbeiten. Zur Verarbeitung umfasst die Auswerteeinrichtung vorteilhafterweise ein Recheneinheit, wie einen Prozessor, der durch seine Prozessor-Architektur darauf ausgelegt ist, mehrere Prozesse, wie sie bei neuronalen Netzen vorliegen, parallel zu bearbeiten. Eine Vielzahl an Prozessorkernen ermöglicht eine effiziente parallele Prozessbearbeitung. Besonders vorteilhaft kann ein Grafikprozessor verwendet werden, da Grafikprozessoren üblicherweise für parallele Prozessberechnungen ausgelegt sind. Weiterhin umfasst die wenigstens eine Recheneinheit einen Speicher und/oder eine Speicheranbindung zu einem externen Speicher. Vorteilhafterweise liegen mehrere Speicherebenen vor, wobei eine prozessornahe Speicherebene eine schnelle Speicheranbindung aufweist. Die wenigstens eine Recheneinheit greift über eine Schnittstelle auf ein Computerprogramm zu und berechnet mittels eines neuronalen Netzes unter Berücksichtigung des ersten Eingangsdatensatzes einen ersten Fahrbahnreibwert, der auch als berechneter Ist-Datensatz bezeichnet werden kann.The first input data set is made available to the evaluation device by the at least one first sensor arrangement. The evaluation device can process the input data set and/or other data in a number of processes within the neural network. For processing, the evaluation device advantageously includes a computing unit, such as a processor, which, due to its processor architecture, is designed to process a number of processes, such as those present in neural networks, in parallel. A large number of processor cores enable efficient parallel processing. A graphics processor can be used particularly advantageously, since graphics processors are usually designed for parallel process calculations. Furthermore, the at least one computing unit includes a memory and/or a memory connection to an external memory. Advantageously, there are several memory levels, with a memory level close to the processor having a fast memory connection. The at least one computing unit accesses a computer program via an interface and uses a neural network to calculate a first road surface friction value, which can also be referred to as a calculated actual data set, taking into account the first input data set.
In einer Ausgestaltung der Erfindung umfasst das Berechnen des ersten Fahrbahnreibwerts einen Mustererkennungsalgorithmus und/oder einen Objekterkennungsalgorithmus. So werden beispielsweise erste Eingangsdatensatz der Frontkamera, des Ultraschallsensors des Radarsystems, und/oder dergleichen erzeugt und dem Mustererkennungsalgorithmus und/oder dem Objekterkennungsalgorithmus bereitgestellt. Bevorzugt können Sensordaten beim Erzeugen eines ersten Eingangsdatensatzes von der Auswerteeinrichtung fusioniert ausgewertet werden und der erste Fahrbahnreibwert dadurch präziser prädiktiv berechnet werden.In one embodiment of the invention, the calculation of the first road surface friction includes a pattern recognition algorithm and/or an object recognition algorithm. For example, first input data sets of the front camera, the ultrasonic sensor of the radar system, and/or the like are generated and made available to the pattern recognition algorithm and/or the object recognition algorithm. Sensor data can preferably be evaluated in a fused manner by the evaluation device when a first input data set is generated, and the first roadway friction coefficient can thereby be calculated more precisely and predictively.
Beim computerimplementierten Verfahren zum Trainieren des neuronalen Netzes zur Reibwertbestimmung wird mittels wenigstens einer zweiten Sensoranordnung ein zweiter Datensatz für jeden Fahrbahnabschnitt erfasst. Die zweite Sensoranordnung erfasst beim Überfahren eines vorher festgelegten, logischen Fahrbahnabschnittes einen zweiten Datensatz. Für diese logischen Fahrbahnabschnitte liegen bereits jeweils die ersten Eingangsdatensätze und die prädiktiv berechneten Fahrbahnreibwerte vor.In the computer-implemented method for training the neural network for determining the coefficient of friction, a second data set for each roadway section is recorded by means of at least one second sensor arrangement. The second sensor arrangement records a second data record when driving over a predetermined, logical roadway section. The first input data records and the predictively calculated roadway friction values are already available for these logical roadway sections.
Der zweite Datensatz wird von einer zweiten Sensoranordnung erfasst. Vorzugsweise kann der zweite Datensatz mit einer Schlupfmessung erzeugt werden. Bei einer Schlupfmessung wird auftretender Schlupf an wenigstens einem Reifen des Fahrzeugs von der zweiten Sensoranordnung gemessen. Im Allgemeinen ist unter Schlupf die Abweichung zwischen theoretischer Geschwindigkeit und tatsächlicher Geschwindigkeit zu verstehen. Bei der Ermittlung des zweiten Fahrbahnreibwerts ist unter Schlupf die Abweichung der Geschwindigkeiten miteinander in Reibkontakt stehender Elemente, insbesondere von Flächen, zu verstehen. Im Speziellen kann der Schlupf aus dem Verhältnis der Drehzahl eines angetriebenen und schlupfbehafteten Reifens zu der Drehzahl eines nicht angetriebenen und daher ohne Reifenschlupf formschlüssig mitlaufenden Reifens ermittelt werden. Der zweite Datensatz kann weiterhin die Reifendrehzahl wenigstens eines Reifens umfassen. Der zweite Datensatz wird der Auswerteeinrichtung bereitgestellt. Diese berechnet unter Berücksichtigung des zweiten Datensatzes einen zweiten Fahrbahnreibwert für jeden logischen Fahrbahnabschnitt.The second set of data is recorded by a second sensor arrangement. The second data set can preferably be generated with a slip measurement. In a slip measurement, the slip which occurs on at least one tire of the vehicle is measured by the second sensor arrangement. In general, slip means the deviation between theoretical speed and actual speed. When determining the second coefficient of friction on the roadway, slip is to be understood as meaning the deviation in the speeds of elements in frictional contact with one another, in particular surfaces. In particular, he can Slip can be determined from the ratio of the speed of a driven and slippery tire to the speed of a non-driven and therefore positively rotating tire without tire slip. The second set of data can also include the tire speed of at least one tire. The second data record is made available to the evaluation device. This calculates a second roadway friction coefficient for each logical roadway section, taking into account the second data set.
Zu jedem logischen Fahrbahnabschnitt liegt vorteilhafterweise ein erster Eingangsdatensatz der ersten Sensoranordnung und ein zweiter Datensatz der zweiten Sensoranordnung vor. Unter der Annahme, dass der berechnete zweiten Fahrbahnreibwert als ein Referenzwert fungiert und der erste Eingangsdatensatz als ein Ist-Wert fungiert wird unter Berücksichtigung des ersten Eingangsdatensatzes für jeden logischen Fahrbahnabschnitt ein Gewichtungsfehler des neuronalen Netzes bestimmt.A first input data record from the first sensor arrangement and a second data record from the second sensor arrangement are advantageously available for each logical roadway section. Assuming that the calculated second roadway friction value acts as a reference value and the first input data set acts as an actual value, a weighting error of the neural network is determined for each logical roadway section, taking into account the first input data set.
Zum Trainieren des neuronalen Netzes kann ein maschinelles Lernverfahren, insbesondere ein verstärkendes, überwachtes, maschinelles Lernverfahren, angewendet werden. Bei diesem Lernverfahren kann beispielsweise ein Backpropagations-Algorithmus, der auch als Fehlerrückführungs-Algorithmus bezeichnet wird, bereitgestellt werden, um das neuronale Netz zu trainieren. Dem Algorithmus werden dazu Eingangsdaten und ein erwartetes Ergebnis bereitgestellt. Der Algorithmus verknüpft diese beiden Größen miteinander. Ist das erste Training abgeschlossen kann der Algorithmus selbständig Ergebnisse zu unbekannten Daten ermitteln. Die Ausgabe des Netzes ist direkt von diesen Gewichtungen abhängig. Das Trainieren eines künstlichen neuronalen Netzes erfolgt bei dem Backpropagation-Verfahren durch die Änderung der Gewichtungen zur Minimierung einer Fehlerfunktion.A machine learning method, in particular a reinforcing, supervised, machine learning method, can be used to train the neural network. In this learning method, for example, a backpropagation algorithm, which is also referred to as an error feedback algorithm, can be provided in order to train the neural network. For this purpose, the algorithm is provided with input data and an expected result. The algorithm links these two quantities together. Once the first training is complete, the algorithm can independently determine results for unknown data. The output of the network is directly dependent on these weights. In the backpropagation method, an artificial neural network is trained by changing the weightings in order to minimize an error function.
Durch verstärkendes Lernen kann mit einem Belohnungs- und/oder Bestrafungssystem gearbeitet werden, wobei Gewichtungen innerhalb des neuronalen Netzes angepasst werden und dadurch entsprechende Anreize geschafft werden. Das neuronale Netz soll zur Minimierung des Gewichtungsfehlers trainiert werden.Reinforcement learning can be used to work with a reward and/or punishment system, with weights being adjusted within the neural network and corresponding incentives being created as a result. The neural network should be trained to minimize the weighting error.
Das Training des neuronalen Netzes durch die Minimierung des Gewichtungsfehlers wird vorteilhafterweise für jeden logischen Fahrbahnabschnitt von der Auswerteeinrichtung ausgeführt. Durch das Training des neuronalen Netzes nimmt die Genauigkeit des prädiktiv berechneten Fahrbahnreibwerts stetig zu. Für das Fahrzeug und die Fahrzeuginsassen ergibt sich ein Sicherheits- und ein Komfortgewinn bei gleichzeitiger Steigerung der Effizienz des Fahrzeugs.The training of the neural network by minimizing the weighting error is advantageously carried out by the evaluation device for each logical roadway section. By training the neural network, the accuracy of the predictively calculated road friction coefficient increases steadily. For the vehicle and the vehicle occupants, there is an increase in safety and comfort while at the same time increasing the efficiency of the vehicle.
Vorteilhafterweise kann der Gewichtungsfehler unter Berücksichtigung einer Differenz zwischen dem ersten Eingangsdatensatz und dem zweiten Fahrbahnreibwert bestimmt werden. Wird eine Gewichtung im Rahmen des Trainings des neuronalen Netztes verändert hat dies eine unmittelbare Auswirkung auf alle folgenden Neuronen innerhalb des neuronalen Netzes. Damit wird der Ausgang des neuronalen Netzes beeinflusst. Mathematisch lassen sich die Gewichtungen über eine Fehlerfunktion durch die Berechnung der partiellen Ableitung der Fehlerfunktion nach Gewichtungsparametern ermitteln. Die Fehlerfunktion zur Berechnung eines Fehlers E in Abhängigkeit von µ2 und µ1 kann folgendermaßen aussehen:
Dabei ist E ist der berechnete Gewichtungsfehler, aus dem sich Anpassungen einzelner Gewichtungen im neuronalen Netz ableiten lassen. n ist die Menge der Eingangsdatensätze, für welche ein Fahrbahnreibwert berechnet wird. µ2 ist der berechnetet zweite Fahrbahnreibwert und µ1 ist der prädiktiv berechnete erste Fahrbahnreibwert. Damit kleine Fehler weniger intensiv als große Fehler in den Gewichtungsfehler und damit auch in Training des neuronalen Netzes einfließen, soll ein mittlerer quadratische Fehler ermittelt werden. Dieser wird auch als Mean Squared Error bezeichnet.where E is the calculated weight error, from which adjustments to individual weights in the neural network can be derived. n is the set of input data sets for which a road surface friction value is calculated. μ 2 is the calculated second road surface friction value and μ 1 is the predictively calculated first road surface friction value. A mean square error is to be determined so that small errors are included less intensively than large errors in the weighting error and thus also in the training of the neural network. This is also known as the mean squared error.
Es kann als vorteilhaft angesehen werden, dass eine Steuerungseinrichtung ausgeführt ist, um unter Berücksichtigung des prädiktiv berechneten Fahrbahnreibwerts Fahrzeugaktionen zu bestimmen und durchzuführen und insbesondere einen vollautonomen Fahrmodus bereitzustellen. In dem autonomen Fahrmodus übernimmt die Steuerungseinrichtung die Längs- und Quersteuerung des Fahrzeugs.It can be considered advantageous that a control device is designed to determine and carry out vehicle actions, taking into account the predictively calculated coefficient of road friction, and in particular to provide a fully autonomous driving mode. In the autonomous driving mode, the control device takes over the longitudinal and lateral control of the vehicle.
Weiterhin kann es als vorteilhaft angesehen werden, wenn zum Bestimmen des zweiten Fahrbahnreibwerts an wenigstens einem Reifen des Fahrzeugs ein Schlupf vorliegt und/oder ein Schlupf aktiv erzeugt wird und die zweite Sensoranordnung diesen Schlupf erfasst und aus dem zweiten Datensatz ein zweiter Fahrbahnreibwert bestimmt wird.Furthermore, it can be considered advantageous if, in order to determine the second road surface friction value, at least one tire of the vehicle is slipping and/or slip is actively generated and the second sensor arrangement detects this slip and a second road surface friction value is determined from the second data set.
Um den Fahrbahnreibwert zwischen Reifen eines Fahrzeugs und einer Fahrbahn auch in größtenteils schlupffreien Fahrsituationen, wie es beispielsweise bei einer unbeschleunigten Geradeausfahrt der Fall ist, zu ermitteln, wird in einer vorteilhaften Ausführung aktiv Schlupf erzeugt. Insbesondere wird eine definierte Menge Schlupf, ein Soll-Schlupf, erzeugt. Schlupfen einer oder mehrere Reifen bereits, handelt es sich bei dem aktiv erzeugten Schlupf um Zusatzschlupf. Andernfalls ist der aktiv erzeugte Schlupf der insgesamt anliegende Schlupf. Dies kann durch das unabhängige Beschleunigen der einzelnen Reifen ermöglicht werden. Unter Beschleunigen kann vorteilhafterweise eine positive Beschleunigung, auch Beschleunigungsvorgang genannt, oder eine negative Beschleunigung, auch Bremsvorgang genannt, verstanden werden.In order to determine the coefficient of friction between the tires of a vehicle and a roadway in largely slip-free driving situations, as is the case for example when driving straight ahead without acceleration, slip is actively generated in an advantageous embodiment. In particular, a defined amount of slip, a target slip, is generated. One or more tires are slipping already, the actively generated slip is additional slip. Otherwise, the actively generated slip is the total slip present. This can be made possible by accelerating each tire independently. Acceleration can advantageously be understood to mean a positive acceleration, also referred to as an acceleration process, or a negative acceleration, also referred to as a braking process.
Bei einer positiven Beschleunigung zur Erzeugung von Schlupf wird eine positive Änderung des Geschwindigkeitsbetrages des Fahrzeugs in Fahrtrichtung bewirkt. Zur positiven Änderung des Geschwindigkeitsbetrages des Fahrzeugs beschleunigt ein Antriebsmoment eines Motors rotatorisch Reifen. Es liegt ein Mindestbeschleunigungsvorgang vor, bei dem gesichert ein Antriebsschlupf auftritt. Bei einer negativen Beschleunigung, dem schlupferzeugenden Bremsvorgang, wird im Unterschied zur positiven Beschleunigung zur Erzeugung von Schlupf eine negative Änderung des Geschwindigkeitsbetrages des Fahrzeugs in Fahrtrichtung bewirkt. Zur negativen Änderung des Geschwindigkeitsbetrages des Fahrzeugs können Bremsen eingesetzt werden. Es wird ein Mindestbremsvorgang ausgeführt, bei dem gesichert ein Bremsschlupf auftritt.A positive acceleration to generate slip causes a positive change in the speed of the vehicle in the direction of travel. A drive torque of a motor rotationally accelerates tires in order to positively change the speed of the vehicle. There is a minimum acceleration process at which drive slip will definitely occur. In the case of negative acceleration, the braking process that generates slip, a negative change in the speed of the vehicle in the direction of travel is brought about, in contrast to positive acceleration to generate slip. Brakes can be used to negatively change the amount of speed of the vehicle. A minimum braking process is carried out, during which brake slip occurs in a secured manner.
Vorteilhafterweise kann eine präzise Bestimmung der Reibung zwischen dem Reifen des Fahrzeugs und der Fahrbahn ermöglicht werden, ohne dass die aktive Erzeugung des Schlupfes für den Fahrer des Fahrzeugs wahrnehmbar ist. Um aktiv und gezielt Schlupf bei einem initiierten Beschleunigungsvorgang zu erzeugen, muss die schlupferzeugende Beschleunigung auf wenigstens einen Reifen wirken. Zur kontrollierten Schlupferzeugung während der Beschleunigung ist es deshalb vorteilhaft, wenn jeder Reifen separat und unabhängig von anderen Reifen beschleunigbar ausgeführt ist. Bei der elektronischen Stabilitätskontrolle kann jedes Reifen mittels elektronischer Bremskraftverteilung einzeln negativ beschleunigt werden. Eine Trennung aller Reifenbremskreise ist erforderlich. Analog dazu wird bei einer kontrollierten Umverteilung der Antriebsmomente durch individuelle Drehmomentzuteilung gezielt wenigstens ein Reifen positiv beschleunigt. Durch die Reifenindividuelle Beschleunigung kann in einer vorteilhaften Ausgestaltung einem Gieren des Fahrzeugs entgegengewirkt werden.Advantageously, a precise determination of the friction between the tire of the vehicle and the road surface can be made possible without the driver of the vehicle being able to perceive the active generation of the slip. In order to actively and specifically generate slip when an acceleration process is initiated, the acceleration that generates the slip must act on at least one tire. For the controlled generation of slip during acceleration, it is therefore advantageous if each tire is designed so that it can be accelerated separately and independently of other tires. With the electronic stability control, each tire can be individually accelerated negatively by means of electronic brake force distribution. Separation of all tire brake circuits is required. Similarly, with a controlled redistribution of drive torque through individual torque allocation, at least one tire is positively accelerated. In an advantageous embodiment, the acceleration of the individual tires can counteract a yawing of the vehicle.
Bevorzugt wird unter Berücksichtigung des ersten Eingangsdatensatzes und des bestimmten zweiten Fahrbahnreibwerts, insbesondere unter Berücksichtigung des Gewichtungsfehlers, ein Reifenzustand wenigstens eines Reifens ermittelt. Werden die Reifen des Fahrzeugs während der Nutzungsdauer des Fahrzeugs abgefahren und verändern sich die Eigenschaften der Reifengummimischung über die Zeit kann das trainierte neuronale Netz diese kontinuierliche Änderung über die Nutzungsdauer erfassen. Eine Veränderung der Reifeneigenschaften hat in der Regel eine Veränderung des ersten Eingangsdatensatzes und des bestimmten zweiten Fahrbahnreibwerts zur Folge. Daraus resultiert ein Gewichtungsfehler, welcher wiederum zum Trainieren des neuronalen Netzes genutzt wird. Wird der Gewichtungsfehler über die Nutzungsdauer des Fahrzeugs gespeichert kann aus dem Verlauf des Gewichtungsfehlers eine Veränderung der Reifeneigenschaften ermittelt werden. Es ist beispielsweise bekannt, welchen zweiten Fahrbahnreibwert Reifen bei bekannten ersten Eingangsdatensätzen liefern. Verändert sich der berechnetet zweite Fahrbahnreibwert bei gleichen ersten Eingangsdatensatz kann eine Veränderung der Reifeneigenschaften ermittelt werden. Die Steuerungseinrichtung, welche den ersten prädiktiv berechneten Fahrbahnreibwert zur Steuerung des Fahrzeugs heranzieht, berücksichtigt durch das computerimplementierte Verfahren zum Trainieren des neuronalen Netzes eine Veränderung der Reifeneigenschaften.A tire condition of at least one tire is preferably determined taking into account the first input data set and the determined second roadway friction coefficient, in particular taking into account the weighting error. If the tires of the vehicle are worn during the service life of the vehicle and the properties of the tire rubber compound change over time, the trained neural network can record this continuous change over the service life. A change in the tire properties usually results in a change in the first input data set and in the second coefficient of friction determined on the road. This results in a weighting error, which in turn is used to train the neural network. If the weighting error is stored over the useful life of the vehicle, a change in the tire properties can be determined from the course of the weighting error. It is known, for example, which second roadway friction coefficient tires deliver given known first input data sets. If the calculated second road surface friction coefficient changes with the same first input data set, a change in the tire properties can be determined. The control device, which uses the first predictively calculated roadway friction coefficient to control the vehicle, takes into account a change in the tire properties using the computer-implemented method for training the neural network.
Bevorzugt wird ein Schwellwert für den Gewichtungsfehler festgelegt. Eine Überschreitung des Schwellwerts wird von der Auswerteeinrichtung erfasst. Vorteilhafterweise wird bei einer Überschreitung des Schwellwerts in dem trainierten neuronalen Netz der Zustand wenigstens eines Reifens als kritisch eingestuft. Der Gewichtungsfehler des neuronalen Netzes kann während der Fahrt des Fahrzeugs und das dabei durchgeführte computerimplementierte Verfahren minimiert werden. Wird von der Auswerteeinrichtung des trainierten neuronalen Netzes ein hoher Gewichtungsfehler festgestellt, welcher den festgelten Schwellwert überschreitet, kann die Auswerteeinrichtung unter Berücksichtigung aller ersten Eingangsdatensätze und zweiten Datensätze eine Wahrscheinlichkeit für einen kritischen Reifenzustand bestimmen. Ein kritischer Reifenzustand wenigstens eines Reifens, kann beispielsweise ein Reifendruckabfall infolge einer Reifenbeschädigung sein. Vorteilhafterweise wird das Erkennen eines kritischen Reifenzustands an die Steuerungseinrichtung weitergeleitet, sodass diese entsprechend Fahrzeugparameter anpassen kann. Bevorzugt werden die Fahrzeuginnassen über einen kritischen Reifenzustand informiert. Bei dieser Ausführungsform der Erfindung wird die Sicherheit des Fahrzeugs und der Fahrzeuginnsassen weiter gesteigert. Gleichzeitig kann auf aufwendige Reifensensorik verzichtet werden, wodurch die Wirtschaftlichkeit des Fahrzeugs erhöht wird.A threshold value for the weighting error is preferably defined. If the threshold value is exceeded, this is detected by the evaluation device. When the threshold value in the trained neural network is exceeded, the condition of at least one tire is advantageously classified as critical. The weighting error of the neural network can be minimized while the vehicle is being driven and the computer-implemented method carried out in the process. If the evaluation device of the trained neural network detects a high weighting error that exceeds the established threshold value, the evaluation device can determine a probability of a critical tire condition, taking into account all first input data sets and second data sets. A critical tire condition of at least one tire can be, for example, a tire pressure drop as a result of tire damage. The detection of a critical tire condition is advantageously forwarded to the control device, so that it can adjust vehicle parameters accordingly. The vehicle occupants are preferably informed of a critical tire condition. In this embodiment of the invention, the safety of the vehicle and the vehicle occupants is further increased. At the same time, there is no need for complex tire sensors, which increases the vehicle's economy.
Weiterhin betrifft die Erfindung eine Auswerteeinrichtung für ein Fahrzeug, welche zur Durchführung des beschriebenen Verfahrens ausgebildet. Bevorzugt wird auf der Auswerteeinrichtung das computerimplementierte Verfahren zum Trainieren des neuronalen Netzes ausgeführt.Furthermore, the invention relates to an evaluation device for a vehicle, which is designed to carry out the method described. This is preferred on the evaluation device computer-implemented methods for training the neural network.
Die Auswerteeinrichtung ist weiterhin dazu ausgeführt, einzelne Prozesse innerhalb eines neuronalen Netzes, zu berechnen. Die Eingangsdaten sind ein erster Eingangsdatensatz und ein zweiter Datensatz. Das neuronale Netz ist dazu ausgeführt, in Abhängigkeit dieser ersten Sensordaten einen Fahrbahnreibwert prädiktiv zu berechnen und unter Berücksichtigung des zweiten Datensatzes einen Gewichtungsfehler zu bestimmen. Vorzugsweise weist die Auswerteeinrichtung eine Eingangsschnittstelle auf, um Daten von der wenigstens einen ersten Sensoranordnung, vorzugsweise von der Kamera-, dem Radar-, dem Lidar-, dem Infrarot- und/oder dem Ultraschallsensoren und/oder dergleichen zu erhalten. Weiterhin können Daten der zweiten Sensoranordnung, insbesondere Schlupf- und/oder Fahrbahnreibwertdaten übermittelt werden. Erfindungsgemäß kann die Eingangsschnittstelle die erste und die zweite Sensoranordnung für einen Datenaustausch an die Auswerteeinrichtung anbinden. Der Austausch kann ferner drahtgebunden oder drahtlos erfolgen. Bei dem computerimplementierten Verfahren zum Trainieren eines künstlichen neuronalen Netzes kann das künstliche neuronale Netz auf der Auswerteeinrichtung ausgeführt werden.The evaluation device is also designed to calculate individual processes within a neural network. The input data is a first input data set and a second data set. The neural network is designed to predictively calculate a road surface friction value as a function of this first sensor data and to determine a weighting error taking into account the second data set. The evaluation device preferably has an input interface in order to receive data from the at least one first sensor arrangement, preferably from the camera, radar, lidar, infrared and/or ultrasonic sensors and/or the like. Furthermore, data from the second sensor arrangement, in particular slip and/or roadway friction value data, can be transmitted. According to the invention, the input interface can connect the first and the second sensor arrangement to the evaluation device for data exchange. The exchange can also be wired or wireless. In the case of the computer-implemented method for training an artificial neural network, the artificial neural network can be executed on the evaluation device.
Die Erfindung betrifft weiterhin ein Computerprogramm für ein Fahrzeug. Dieses ist zur Durchführung des beschriebenen Verfahrens ausgebildet. Computerprogramme umfassen in der Regel eine Folge von Befehlen, welche eine Hardware dazu veranlassen ein bestimmtes Verfahren durchzuführen. Wenn das betreffende Computerprogramm auf einem Computer zum Einsatz kommt, führt es vorgegebene Befehlsabfolgen aus. Das Computerprogramm ist bevorzugt dazu ausgebildet die prädiktive Berechnung des Fahrbahnreibwerts mittels des neuronalen Netzes durchzuführen. Weiterhin kann das computerimplementierte Verfahren zum Trainieren eines neuronalen Netzes ausgeführt werden.The invention also relates to a computer program for a vehicle. This is designed to carry out the method described. Computer programs usually include a sequence of instructions that cause hardware to carry out a specific method. When the computer program in question is used on a computer, it executes predefined command sequences. The computer program is preferably designed to carry out the predictive calculation of the roadway friction coefficient using the neural network. Furthermore, the computer-implemented method for training a neural network can be carried out.
Daneben betrifft die Erfindung ein maschinenlesbares Speichermedium für ein Fahrzeug. Dieses ist zur Durchführung des beschriebenen Verfahrens durchführbar ausgebildet. Das maschinenlesbare Speichermedium kann ein oder eine Kombination aus flüchtigen Speicherelementen und nichtflüchtigen Speicherelementen enthalten. Flüchtige Speicherelemente können beispielsweise Direktzugriffsspeicher und/oder löschbarer programmierbarer Festwertspeicher enthalten. Nichtflüchtige Speicherelemente können beispielsweise Festplatten und/oder Kompaktdisk-Festwertspeicher enthalten. Darüber hinaus kann der Speicher elektronische, magnetische, optische oder andere Arten von Speichermedien beinhalten. Das maschinenlesbare Speichermedium kann ein oder mehrere separate Computerprogramme umfassen. Vorteilhafterweise ist das maschinenlesbare Speichermedium mit der Auswerteeinrichtung verbunden.In addition, the invention relates to a machine-readable storage medium for a vehicle. This is designed to be practicable for carrying out the method described. The machine-readable storage medium may include one or a combination of volatile memory elements and non-volatile memory elements. Volatile storage elements may include, for example, random access memory and/or erasable programmable read-only memory. Non-volatile memory elements may include, for example, hard drives and/or compact disk read-only memories. Additionally, storage may include electronic, magnetic, optical, or other types of storage media. The machine-readable storage medium may include one or more separate computer programs. The machine-readable storage medium is advantageously connected to the evaluation device.
Daneben betrifft die Erfindung eine Steuerungseinrichtung für ein Fahrzeug. Diese ist zur Durchführung des beschriebenen Verfahrens ausgebildet. Diese Steuerungseinrichtung ist weiterhin dazu ausgebildet, um das Fahrzeug zu steuern. Sie kann mit der Auswerteeinrichtung in Verbindung stehen und die ermittelten Fahrbahnreibwertdaten bei der Steuerung des Fahrzeugs berücksichtigen.In addition, the invention relates to a control device for a vehicle. This is designed to carry out the method described. This control device is also designed to control the vehicle. It can be connected to the evaluation device and take into account the determined road surface friction data when controlling the vehicle.
Daneben betrifft die Erfindung ein Fahrzeug. Dieses ist zur Durchführung des beschriebenen Verfahrens durchführbar ausgebildet. Ein Fahrzeug, welches zur Durchführung des beschriebenen Verfahrens ausgebildet ist, kann vorteilhafterweise vollautonom fahren. Die Entscheidungsfindung der Steuerungseinheit des Fahrzeugs basiert auf dem prädiktiv berechneten ersten Fahrbahnreibwert. Als Eingangsgröße dienen Messungen von Sensoren. Die Hauptaufgabe der Sensoren ist es die Fahrzeugumgebung in jeder Fahrsituation zu erfassen und die Daten der Auswerteeinrichtung zur Verfügung zu stellen. Unter Berücksichtigung von fahrdynamischen Grenzen, der fahrzeugspezifischen Daten und dem prädiktiv berechneten Fahrbahnreibwert kann das Fahrzeug von der Steuereinheit optimiert gesteuert werden. Dadurch werden nicht nur die Sicherheit und der Komfort der Fahrzeuginsassen gesteigert, sondern auch die Wirtschaftlichkeit des Fahrzeugs.In addition, the invention relates to a vehicle. This is designed to be practicable for carrying out the method described. A vehicle which is designed to carry out the method described can advantageously drive fully autonomously. The decision-making process of the vehicle's control unit is based on the predictively calculated first road friction coefficient. Measurements from sensors serve as the input variable. The main task of the sensors is to record the vehicle environment in every driving situation and to make the data available to the evaluation device. The vehicle can be optimally controlled by the control unit, taking into account the driving dynamics limits, the vehicle-specific data and the predictively calculated road surface friction coefficient. This not only increases the safety and comfort of the vehicle occupants, but also the economy of the vehicle.
Daneben betrifft die Erfindung ein neuronales Netz. Dieses ist zur Durchführung des beschriebenen Verfahrens ausgebildet. Die Berechnung einzelner Prozesse des neuronalen Netzes wird von der Auswerteeinrichtung durchgeführt. Als Eingangsdaten dienen Messungen von Sensoren. Die Sensoren erfassen die Fahrzeugumgebung und den Reifenschlupf in jeder Fahrsituation.In addition, the invention relates to a neural network. This is designed to carry out the method described. The calculation of individual processes of the neural network is carried out by the evaluation device. Measurements from sensors serve as input data. The sensors record the vehicle surroundings and tire slip in every driving situation.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der folgenden Beschreibung von Ausführungsbeispielen und Figuren. Dabei zeigen:
-
1 ein Ausführungsbeispiel eines erfindungsgemäßen Fahrzeugs, -
2 ein Ausführungsbeispiel eines erfindungsgemäßen neuronales Netzes und -
3 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens.
-
1 an embodiment of a vehicle according to the invention, -
2 an embodiment of a neural network according to the invention and -
3 an embodiment of a method according to the invention.
In der
Der erster Eingangsdatensatz 210 wird von wenigstens einer ersten Sensoranordnung 102, einer Fahrzeug-Kommunikationsschnittstelle 104, einem Fahrzeugsensor 106 und/oder einer Umfeldsensorik 108 bereitgestellt. Die wenigstens eine erste Sensoranordnung 102 umfasst vorteilhafterweise eine Kamera und ist auf die vorausliegende Fahrbahn gerichtet.First
Die Fahrzeug-Kommunikationsschnittstelle 104 ist dazu ausgeführt, fahrzeugexterne Daten zu erfassen und an die Auswerteeinrichtung weiterzuleiten. Insbesondere Daten von weiteren Fahrzeugen können von der Fahrzeug-Kommunikationsschnittstelle 104 erfasst werden. Weiterhin kann die Fahrzeug-Kommunikationsschnittstelle fahrzeugexterne Daten abrufen. Diese Daten sind bevorzugt auf externen Servern abgelegt.The
Der Fahrzeugsensor 106 erfasst fahrzeugspezifische Daten. Der Fahrzeugsensor 106 kann dazu mehrere Sensoren umfassen. Bevorzugt sind Fahrzeugsensoren 106 bereits in einzelnen Baugruppen, wie Antriebsstrang, Getriebe, Motor, Abgasanlage, Lenkung und Elektrik des Fahrzeugs integriert. Die fahrzeugspezifischen Daten werden der Auswerteeinrichtung 120 bereitgestellt, um dort die fahrdynamischen Grenzen des Fahrzeugs zu ermitteln. Weiterhin können die Daten bei Berechnung des prädiktiven Fahrbahnreibwerts vorteilhaft sein.The
Die Umfeldsensorik 108 erfasst Umfeldinformationen außerhalb des Fahrzeugs. Dazu können Lichtsensoren, Feuchtigkeitssensoren und Temperatursensoren beispielsweise die Helligkeit, die Außentemperatur und/oder die Luftfeuchtigkeit in der Fahrzeugumgebung messen und an die Auswerteeinrichtung 120 weiterleiten.
Zum Trainieren des neuronalen Netzes 200 wird ein weiterer, zweiter Datensatz mittels wenigstens einer zweiten Sensoranordnung 110 erfasst.To train the
Diese zweite Sensoranordnung 110 ist bevorzugt mehrfach ausgeführt, wobei einem Reifen 112 des Fahrzeugs jeweils wenigstens eine zweiten Sensoranordnung 110 zugeordnet ist. Die zweite Sensoranordnung 110 ist vorteilhafterweise als ein aktiver Reifendrehzahlsensor ausgeführt, um eine Reifen-Drehzahl und insbesondere einen Schlupf an dem jeweils zugeordneten Reifen zu messen. Die zweite Sensoranordnung 110 stellt die ermittelten Daten der Auswerteeinrichtung 120 bereit. Vorteilhafterweise werden über die zweite Sensoranordnung 110 sowohl Vorwärts - als auch Rückwärtsbewegungen des Reifens erkannt.This
Die Auswerteeinrichtung 120 umfasst eine Recheneinheit 122, ein maschinenlesbares Speichermedium 124 und wenigstens eine Schnittstelle 126. Die Recheneinheit 122 umfasst eine Zentraleinheit, wie eine Prozessoreinheit und/oder eine Grafikprozessoreinheit, wobei die Zentraleinheit und die Grafikprozessoreinheit mehrere Rechenkerne umfassen. Weiterhin kann die Recheneinheit einen eigenen Speicher, wie einen Cachespeicher umfassen. Einzelne Prozesse werden vorteilhafterweise auf mehrere Rechenkerne aufgeteilt, um Prozesse effizient zu bearbeiten.
Das maschinenlesbare Speichermedium 124 kann als flüchtiger und/oder nicht-flüchtiger Speicher ausgeführt sein. Vorteilhafterweise ist das maschinenlesbare Speichermedium als ein temperatur-, stoß- und vibrationsresistenter Speicher ausgeführt, um den Anforderungen eines Fahrzeugs gerecht zu werden. Über eine Schnittstelle 126 greift die Auswerteeinrichtung auf das Computerprogramm 130 und das neuronale Netz 200 zu. Das computerimplementierte Verfahren zum Trainieren des neuronalen Netzes wird auf der Recheneinheit ausgeführt.The machine-
Des Weiteren umfasst das Fahrzeug eine Steuerungseinrichtung 140 zu Steuerung des Fahrzeugs 100. Auf der Steuerungseinrichtung 140 sind für jeden Eingangsdatensatz und insbesondere für jeden Fahrbahnreibwert Fahrzeugaktionen hinterlegt. Unter Berücksichtigung von fahrdynamischen Grenzen, der fahrzeugspezifischen Daten und insbesondere dem vom neuronalen Netz 200 prädiktiv berechneten Fahrbahnreibwert wählt die Steuerungseinrichtung 140 eine Fahrzeugaktion aus. Durch das Trainieren des neuronalen Netzes 200 kann das Fahrzeug von der Steuereinheit 140 optimiert gesteuert werden.The vehicle also includes a
Der erste Eingangsdatensatz 210 umfasst in dem genannten Beispiel Daten einer oder mehrerer Sensoranordnungen. Diese Daten umfassen Fahrzeugdaten 212, wie beispielsweise Motordrehzahl und Geschwindigkeit des Fahrzeugs, Fahrzeugumfeld-Daten 214, wie beispielsweise Außentemperatur und Außenluftfeuchtigkeit im direkten Fahrzeugumfeld. Weiterhin umfasst der Eingangsdatensatz 210 Daten einer ersten Sensoranordnung 216, wobei die erste Sensoranordnung 216 wiederum Daten aus einem oder mehreren Sensoren umfassen kann. Vorteilhafterweise liegen als Daten der ersten Sensoranordnung Kamera-, Ultraschall-, Radar-, Lidar-Daten und/oder dergleichen vor. Weiterhin können als Eingangsdatensatz externe Daten 218, wie GPS oder Daten der Fahrzeug-Fahrzeug Kommunikationsschnittstelle 214 bereitgestellt werden.In the example mentioned, the first
Dieser erste Eingangsdatensatz 210 wird der Eingabeschicht 220 des neuronalen Netzes 200 bereitgestellt und von Neuronen dieser Schicht aufgenommen. In einem weiteren Schritt werden die Daten an Neuronen der Zwischenschicht weitergeleitet. Dabei geben Neuron der Eingabeschicht 220 die Daten des ersten Eingangsdatensatzes 210 an die Neuronen der ersten Zwischenschicht 230 weiter. Bei der Weiterleitung der Daten im neuronalen Netz 200 wird eine Gewichtung durchgeführt. Grundsätzlich ist die Anzahl Zwischenschichten 230 in dem künstlichen neuronalen Netz 200 unbegrenzt. In der Praxis beansprucht jede Zwischenschicht 230 auch Rechenleistung, die für den Betrieb des neuronalen Netzes notwendig ist.This first
Die Ausgabeschicht 240 liegt im Verarbeitungsprozess der Informationen nach den Zwischenschichten 230 des neuronalen Netzes 200. In der Ausgabeschicht 240 angeordnete Neuronen sind jeweils mit allen Neuronen der letzten Zwischenschicht 230 verbunden. Die Ausgabeschicht stellt den Endpunkt des Informationsflusses in einem klassischen künstlichen neuronalen Netz 200 dar und enthält das Ergebnis der Informationsverarbeitung durch das Netzwerk.The
Bei einer Initialisierung eines neuronalen Netzes sind alle Gewichtungen zufällig innerhalb eines vorgegebenen Wertebereichs gewählt. Das Ergebnis in der Ausgabeschicht eines untrainierten neuronalen Netzes kann ein rein zufälliger Wert sein. Das Training des neuronalen Netzes verbessert die Qualität der Ergebnisse der Ausgabeschicht indem der Gewichtungsfehler minimiert wird.When a neural network is initialized, all weightings are chosen randomly within a predetermined range of values. The result in the output layer of an untrained neural network can be a purely random value. Training the neural network improves the quality of the output layer results by minimizing the weighting error.
Zum Trainieren des neuronalen Netzes 200 kann eine Methode des überwachten, maschinellen Lernens angewandt werden. Unter Berücksichtigung des ersten Eingangsdatensatzes 210 wird dabei in der Ausgabeschicht 240 des neuronalen Netzes 200 die Information ausgegeben, welcher Fahrbahnreibwert prädiktiv berechnet wurde. Diese Information wird mit dem Ergebnis aus dem zweiten Datensatz, dem zweiten Fahrbahnreibwert 244, verglichen und die Abweichung anschließend als Gewichtungsfehler 246 rückwärts in das Netz propagiert, um die Neuronen entsprechend einzustellen. Bei dem Einstellen werden die Gewichtungen zwischen den einzelnen Neuronen angepasst. In diesem Fall wird eine Kombination von ersten Eingangsdatensätzen 210 und zweiten Datensätzen 244 als Datenpaare gegenübergestellt. Aus dieser Gegenüberstellung ergeben sich Gewichtungsfehler 246, die beim Training nach mehreren Trainingszyklen für alle ersten Eingangsdatensätze 210 und auch für bisher noch nicht bekannte neue, erste Eingangsdatensätze 210 einen Fahrbahnreibwert prädiktiv berechnen kann.A supervised machine learning technique may be used to train the
Vorteilhafterweise kann als Verfahren zum Trainieren und Einlernen des künstlichen neuronalen Netzes ein Backpropagationsverfahren durchgeführt werden. Nach dem Ansatz des Backpropagationsverfahren werden die Gewichtungen innerhalb des neuronalen Netzes abhängig von ihrem Einfluss auf den Fehler geändert. Dies garantiert in einem iterativen Prozess bei einem erneuten Durchführen des Verfahrens eine Annäherung an die gewünschte Ausgabe. Um sowohl positive als auch negative Abweichungen gleichzeitig abbilden zu können kann der Mittelwert der quadratischen Abweichung (Squared Mean Error SME) oder eine andere Fehlerfunktion ermittelt werden.A back propagation method can advantageously be carried out as a method for training and learning the artificial neural network. According to the backpropagation method, the weights within the neural network are changed depending on their influence on the error. This guarantees an approximation to the desired output in an iterative process when the method is carried out again. In order to be able to display both positive and negative deviations at the same time, the mean value of the squared deviation (Squared Mean Error SME) or another error function can be determined.
Die
Der aus S1 erfasste Fahrbahnabschnitt, für den ein erster prädiktiver Fahrbahnreibwert vorliegt wird beim Überfahren des Fahrzeugs mittels der zweiten Sensoranordnung ein zweites Mal erfasst. Zur Ermittlung des Fahrbahnreibwerts dieses Fahrbahnabschnitts kann gemäß einer Ausführungsform der Erfindung in einem weiteren Schritt S20 an wenigstens einem Reifen aktiv Schlupf erzeugt werden.The roadway section detected from S1, for which a first predictive roadway friction value is present, is detected a second time by means of the second sensor arrangement when the vehicle drives over it. According to one embodiment of the invention, slip can be actively generated on at least one tire in a further step S20 in order to determine the roadway friction value of this roadway section.
Der aktiv erzeugte Schlupf wird von der zweiten Sensoranordnung 110 an wenigstens einem Reifen 112 gemessen und der zweite Datensatz, wird in S22 bereitgestellt. In S24 kann unter Berücksichtigung des zweiten Datensatzes ein zweiter Fahrbahnreibwert 242 für den Fahrbahnabschnitt bestimmt werden. Der Auswerteeinrichtung 120 liegen der erste Eingangsdatensatz 210 und der zweite Fahrbahnreibwert 244 vor.The actively generated slip is detected by the
Der zweite Fahrbahnreibwert 244 und der erste Eingangsdatensatz 210 werden verglichen und in S44 wird ein Gewichtungsfehler innerhalb des neuronalen Netzes 200 berechnet. In S46 wird die Gewichtung innerhalb des neuronalen Netzes korrigiert. Dabei kann der Gewichtungsfehler geändert werden. Durch diese Korrektur wird das neuronale Netz trainiert und die Qualität der prädiktiven Bestimmung des ersten prädiktiven Fahrbahnreibwerts 242 wird verbessert. In S30 wird das Fahrzeug 100 von der Steuereinrichtung 140 unter Berücksichtigung des ersten prädiktiven Fahrbahnreibwerts 242 gesteuert.The second
Das Ablaufdiagramm aus
BezugszeichenlisteReference List
- 100100
- Fahrzeugvehicle
- 102102
- Erste SensoranordnungFirst sensor arrangement
- 104104
- Fahrzeug-KommunikationsschnittstelleVehicle communication interface
- 106106
- Fahrzeugsensorvehicle sensor
- 108108
- Umfeldsensorikenvironmental sensors
- 110110
- Zweite SensoranordnungSecond sensor arrangement
- 112112
- Reifentires
- 120120
- Auswerteeinrichtungevaluation device
- 122122
- Prozessorprocessor
- 124124
- Maschinenlesbares SpeichermediumMachine-readable storage medium
- 126126
- Schnittstelleinterface
- 130130
- Computerprogrammcomputer program
- 140140
- Steuerungseinrichtungcontrol device
- 200200
- Neuronales Netzneural network
- 210210
- Erster EingangsdatensatzFirst input data set
- 212212
- Daten der ersten SensoranordnungData of the first sensor array
- 213213
- Zweiter DatensatzSecond record
- 214214
- Daten der Fahrzeug-KommunikationsschnittstelleVehicle communication interface data
- 216216
- Fahrzeugdatenvehicle data
- 218218
- Fahrzeugumfelddatenvehicle environment data
- 220220
- Eingangsschichtinput layer
- 230230
- Zwischenschichtenintermediate layers
- 240240
- Ausgangsschichtbase layer
- 242242
- Erster prädiktiv FahrbahnreibwertFirst predictive road friction value
- 244244
- Zweiter FahrbahnreibwertSecond road friction value
- 246246
- Gewichtungsfehler weight error
- S1S1
- SchrittStep
- S10S10
- SchrittStep
- S12S12
- SchrittStep
- S14S14
- SchrittStep
- S16S16
- SchrittStep
- S18S18
- SchrittStep
- S20S20
- SchrittStep
- S22S22
- SchrittStep
- S24S24
- SchrittStep
- S30S30
- SchrittStep
- S40S40
- SchrittStep
- S42S42
- SchrittStep
- S44S44
- SchrittStep
- S46S46
- SchrittStep
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
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.This list of the documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- DE 102015121504 A1 [0007]DE 102015121504 A1 [0007]
Claims (10)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020214620.9A DE102020214620A1 (en) | 2020-11-20 | 2020-11-20 | Evaluation device, computer program and computer-implemented method for training a neural network for determining the coefficient of friction |
PCT/EP2021/081647 WO2022106342A1 (en) | 2020-11-20 | 2021-11-15 | Evaluation device, computer program and computer-implemented method for training a neural network to determine coefficients of friction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020214620.9A DE102020214620A1 (en) | 2020-11-20 | 2020-11-20 | Evaluation device, computer program and computer-implemented method for training a neural network for determining the coefficient of friction |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020214620A1 true DE102020214620A1 (en) | 2022-05-25 |
Family
ID=78819458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020214620.9A Pending DE102020214620A1 (en) | 2020-11-20 | 2020-11-20 | Evaluation device, computer program and computer-implemented method for training a neural network for determining the coefficient of friction |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102020214620A1 (en) |
WO (1) | WO2022106342A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081927A (en) * | 2022-07-18 | 2022-09-20 | 东南大学 | Road surface friction coefficient evaluation and prediction method |
DE102022207029A1 (en) | 2022-07-11 | 2024-01-11 | Zf Friedrichshafen Ag | Device and method for determining a current maximum coefficient of friction |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008047750A1 (en) | 2007-09-18 | 2009-05-07 | Continental Teves Ag & Co. Ohg | Driver assistance system for vehicle, has module for analysis of torsional vibration of wheel of vehicle and for generating estimated value of coefficient of friction on basis of analysis |
DE102015121504A1 (en) | 2015-12-10 | 2017-06-14 | Valeo Schalter Und Sensoren Gmbh | A method for detecting a longitudinal parking space for parking a motor vehicle based on a road marking, driver assistance system and motor vehicle |
DE102017214053A1 (en) | 2017-08-11 | 2019-02-14 | Robert Bosch Gmbh | A method for determining a coefficient of friction for a contact between a tire of a vehicle and a road and method for controlling a vehicle function of a vehicle |
DE102017221050A1 (en) | 2017-11-24 | 2019-05-29 | Robert Bosch Gmbh | Method and apparatus for detecting anomalies in signal data for a coefficient of friction estimation for a vehicle |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012112724A1 (en) * | 2012-12-20 | 2014-06-26 | Continental Teves Ag & Co. Ohg | Method for determining a road condition from environmental sensor data |
DE102013222634B4 (en) * | 2013-11-07 | 2019-05-16 | Volkswagen Aktiengesellschaft | A method of predicting a road friction coefficient and method of operating a motor vehicle |
DE102016225352B4 (en) * | 2016-12-16 | 2018-10-04 | Volkswagen Aktiengesellschaft | Method for estimating a coefficient of friction of a roadway by means of a motor vehicle and control device and motor vehicle |
DE102018119652A1 (en) * | 2018-08-13 | 2018-11-08 | FEV Europe GmbH | Driver assistance system |
DE102018217192A1 (en) * | 2018-10-09 | 2020-04-09 | Robert Bosch Gmbh | Method and system for providing a coefficient of friction information to a vehicle |
-
2020
- 2020-11-20 DE DE102020214620.9A patent/DE102020214620A1/en active Pending
-
2021
- 2021-11-15 WO PCT/EP2021/081647 patent/WO2022106342A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008047750A1 (en) | 2007-09-18 | 2009-05-07 | Continental Teves Ag & Co. Ohg | Driver assistance system for vehicle, has module for analysis of torsional vibration of wheel of vehicle and for generating estimated value of coefficient of friction on basis of analysis |
DE102015121504A1 (en) | 2015-12-10 | 2017-06-14 | Valeo Schalter Und Sensoren Gmbh | A method for detecting a longitudinal parking space for parking a motor vehicle based on a road marking, driver assistance system and motor vehicle |
DE102017214053A1 (en) | 2017-08-11 | 2019-02-14 | Robert Bosch Gmbh | A method for determining a coefficient of friction for a contact between a tire of a vehicle and a road and method for controlling a vehicle function of a vehicle |
DE102017221050A1 (en) | 2017-11-24 | 2019-05-29 | Robert Bosch Gmbh | Method and apparatus for detecting anomalies in signal data for a coefficient of friction estimation for a vehicle |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022207029A1 (en) | 2022-07-11 | 2024-01-11 | Zf Friedrichshafen Ag | Device and method for determining a current maximum coefficient of friction |
CN115081927A (en) * | 2022-07-18 | 2022-09-20 | 东南大学 | Road surface friction coefficient evaluation and prediction method |
Also Published As
Publication number | Publication date |
---|---|
WO2022106342A1 (en) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3464005B1 (en) | Method for estimating a probability distribution of the maximum coefficient of friction at a current and/or future waypoint of a vehicle | |
DE102017221142B4 (en) | Method, control device and system for determining a tread depth of a tread profile | |
DE10353650A1 (en) | System for analyzing vehicle and driver behavior | |
EP3665060B1 (en) | Method for determining a friction value for a contact between a tyre of a vehicle and a road, and method for controlling a vehicle function of a vehicle | |
DE102017214053A1 (en) | A method for determining a coefficient of friction for a contact between a tire of a vehicle and a road and method for controlling a vehicle function of a vehicle | |
WO2022106342A1 (en) | Evaluation device, computer program and computer-implemented method for training a neural network to determine coefficients of friction | |
DE102019104363A1 (en) | METHOD FOR APPRECIATING THE FRICTION BETWEEN TIRES AND ROAD BEFORE OPERATING THE SAFETY SYSTEM | |
DE102021128041A1 (en) | IMPROVEMENT OF A VEHICLE NEURAL NETWORK | |
DE102019211052A1 (en) | Method for training a neural network to estimate a coefficient of friction | |
DE102017221050A1 (en) | Method and apparatus for detecting anomalies in signal data for a coefficient of friction estimation for a vehicle | |
DE102019205405A1 (en) | Determination of an input variable of a vehicle actuator using model-based predictive control | |
DE102018201462A1 (en) | Method for operating a motor vehicle and corresponding motor vehicle | |
DE102014206475B4 (en) | Method for determining the steering angle for a vehicle | |
DE102017118407B4 (en) | METHODS AND SYSTEMS FOR ESTIMATING ROAD SURFACE FRICTION | |
DE102011080033A1 (en) | Method for determining forward- and reverse movements of e.g. motor car, involves considering correlation of measured variables for determination of direction of movement within data set by multiple successive measurements | |
DE102022119666A1 (en) | Systems and methods for determining whether a vehicle is in understeer or oversteer | |
DE102019006537B4 (en) | Method and control device for controlling the steering of a vehicle | |
DE102017010384A1 (en) | Method for determining a self-motion | |
DE102017214061A1 (en) | A method for determining a coefficient of friction for a contact between a tire of a vehicle and a road and method for controlling a vehicle function of a vehicle | |
DE102019214709B4 (en) | Detection of hazardous noises from a host vehicle | |
DE102020127781A1 (en) | METHOD OF DETERMINING A VEHICLE ORIENTATION, COMPUTER PROGRAM PRODUCT, DRIVING ASSISTANCE SYSTEM AND VEHICLE | |
DE102019112656A1 (en) | SYSTEM FOR MONITORING STEERING AND CHASSIS COMPONENTS FOR A VEHICLE | |
DE102019217349A1 (en) | Determination of the maximum coefficient of friction for vehicles | |
DE102019213442A1 (en) | Method for training a machine learning model for estimating a coefficient of friction of a vehicle wheel | |
DE102022203122B4 (en) | Method for determining a movement trajectory for controlling a movement of a machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |