DE102022100952A1

DE102022100952A1 - Vibrationsbasierte mu-detektion

Info

Publication number: DE102022100952A1
Application number: DE102022100952.1A
Authority: DE
Inventors: Omkar Karve; Michael Wyciechowski; Jason Schwegler
Original assignee: Steering Solutions IP Holding Corp; Continental Automotive Systems Inc
Current assignee: Steering Solutions IP Holding Corp; Continental Automotive Systems Inc
Priority date: 2021-11-16
Filing date: 2022-01-17
Publication date: 2023-05-17
Also published as: US20230150462A1; CN116148170A

Abstract

Ein System und Verfahren zum mu-Schätzen kann die folgenden Schritte aufweisen: Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren, die einen Beschleunigungsmesser und/oder ein Mikrofon aufweisen; Sammeln von externen Quelldaten über ein Netzwerk; und Aggregieren der Fahrzeugfahrdaten und externen Quelldaten zum Bilden eines aggregierten Datensatzes. Das Verfahren kann Folgendes aufweisen: Durchführen einer Merkmalsextraktionsverarbeitung des aggregierten Datensatzes, um den aggregierten Datensatz in einen verarbeiteten aggregierten Datensatz umzuwandeln; Übermitteln des verarbeiteten aggregierten Datensatzes an ein Modell zum maschinellen Lernen; und Erzeugen eines geschätzten mu-Wertes der Straßenoberfläche und/oder einer Straßenoberflächenklassifizierung mittels des Modells zum maschinellen Lernen.

Description

Gebiet der Erfindung
Das Gebiet, auf das sich die Erfindung im Allgemeinen bezieht, kann Systeme zum Schätzen von Reibungskoeffizienten zwischen einer Straßenoberfläche und einer Reifenoberfläche aufweisen.
Hintergrund der Erfindung
Ein Reibungskoeffizient, üblicherweise als mu oder µ bezeichnet, ist ein Verhältnis, das die Reibungskraft zwischen zwei Objekten angibt. Bei Fahrzeugen kann mu die dynamische Reibungskraft zwischen einer Straßenoberfläche und einem Laufrad darstellen, wenn das Fahrzeug in Bewegung ist. Mu kann zwischen einer Straßenoberfläche und einem Laufrad abgeschätzt werden, wenn Schlupfbedingungen vorliegen, z. B. beim Einsatz von Antiblockiersystemen oder von lateralen mu-Schätzsystemen, wenn die Räder durch Änderung des Lenkwinkels eines Fahrzeugs gedreht werden. Schlupfbedingungen und laterale Reibung treten nicht immer simultan auf, und es kann vorkommen, dass beim Gebrauch eines Fahrzeugs wenig bis gar keine Schlupfbedingungen oder laterale Reibung auftreten. Daher lässt sich mu in bestimmten Fahrsituationen und Betriebsumgebungen möglicherweise nicht einfach bestimmen.
Zusammenfassung der Erfindung
Eine Vielzahl von Varianten kann ein Verfahren oder Produkt zur genauen Schätzung und Erzeugung von mu-Werten für verschiedene Straßenoberflächen, Betriebsumgebungen und Fahrszenarien aufweisen, indem akustische Signale und Vibrationssignaturen überwacht werden. Akustische Signale und Vibrationssignaturen können zum Durchführen von Merkmalsextraktions-Signalverarbeitungstechniken verwendet und ferner verarbeitet und transformiert werden, um mu-Werte zu erzeugen.
Ein System und Verfahren zum mu-Schätzen kann aufweisen: Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren; Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten, um die Fahrzeugfahrdaten in verarbeitete Fahrzeugfahrdaten umzuwandeln; Übermitteln der verarbeiteten Fahrzeugfahrdaten an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder Straßenoberflächenklassifizierung durch das Modell zum maschinellen Lernen.
Ein System und Verfahren zum mu-Schätzen kann die folgenden Schritte aufweisen: annähernd kontinuierliches Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren, die einen Beschleunigungsmesser und/oder ein Mikrofon aufweisen; annähernd kontinuierliches Sammeln von externen Quelldaten über ein Netzwerk; Aggregieren der Fahrzeugfahrdaten und der externen Quelldaten, um einen aggregierten Datensatz zu bilden; Durchführen einer Merkmalsextraktionsverarbeitung des aggregierten Datensatzes, um den aggregierten Datensatz in einen verarbeiteten aggregierten Datensatz umzuwandeln; Übermitteln des verarbeiteten aggregierten Datensatzes an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung durch das Modell zum maschinellen Lernen.
Ein System für vibrationsbasiertes mu-Schätzen kann mindestens eine Rechenvorrichtung in betriebsfähiger Verbindung mit einem Netzwerk, einen Speicher, der computerausführbare Komponenten speichert, und einen Prozessor aufweisen, der die im Speicher gespeicherten computerausführbaren Komponenten ausführt. Die computerausführbaren Komponenten können aufweisen: annähernd kontinuierliches Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren; annähernd kontinuierliches Sammeln von externen Quelldaten über das Netzwerk; Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten und externen Quelldaten, um die Fahrzeugfahrdaten und externen Quelldaten in verarbeitete Fahrzeugfahrdaten und verarbeitete externe Quelldaten umzuwandeln; Übermitteln der verarbeiteten Fahrzeugfahrdaten und der verarbeiteten externen Quelldaten an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder Straßenoberflächenklassifizierung durch das Modell zum maschinellen Lernen.
Weitere anschauliche Varianten innerhalb des Umfangs der Erfindung werden aus der detaillierten Beschreibung ersichtlich, die im Folgenden bereitgestellt wird. Es ist zu verstehen, dass die detaillierte Beschreibung und spezifische Beispiele, beim Offenbaren von Variationen der Erfindung, sind nur zum Zwecke der Veranschaulichung beabsichtigt und sind nicht beabsichtigt, den Umfang der Erfindung zu beschränken.
Figurenliste
Ausgewählte Ausführungsbeispiele innerhalb des Umfangs der Erfindung sind aus der detaillierten Beschreibung und den beigefügten Zeichnungen besser zu verstehen.

1 zeigt ein Blockdiagramm eines Systems zum vibrationsbasierten mu-Detektieren und -Schätzen;
2 zeigt ein Blockdiagramm eines Systems zum vibrationsbasierten mu-Detektieren und -Schätzen;
3 zeigt ein Blockdiagramm eines Systems zum vibrationsbasierten mu-Detektieren und -Schätzen; und
4 zeigt ein illustratives Flussdiagramm einer Variante eines Systems zum vibrationsbasierten mu-Detektieren und -Schätzen.

Detaillierte Beschreibung
Die folgende Beschreibung der Varianten ist lediglich illustrativ und beabsichtigt in keiner Weise, den Umfang der Erfindung, ihre Anwendung oder ihre Verwendungen zu beschränken.
Der hier verwendete Begriff „annähernd“ und Variationen dieses Begriffs zeigen an, dass Messungen, Positionen, Zeitpunkte oder Ähnliches eine gewisse Ungenauigkeit eines Wertes zulassen, d. h. mit einer gewissen Abweichung in der Genauigkeit eines Wertes; ungefähr oder einigermaßen nahe an einem Wert; oder fast. Wenn aus irgendwelchem Grund die durch „annähernd“ bereitgestellte Ungenauigkeit in der Praxis nicht in dieser gewöhnlichen Bedeutung verstanden wird, dann bezeichnet „annähernd“, wie es hier verwendet wird, zumindest Varianten, die sich aus gewöhnlichen Verfahren zur Messung oder zur Verwendung solcher Parameter ergeben können.
Wie hierin verwendet, kann sich „Räder“ oder „Rad“, selbst wenn es durch ein beschreibendes Adjektiv modifiziert ist, wie z. B., aber nicht darauf beschränkt, bei der Erwähnung von „lenkbaren Laufrädern“, „lenkbaren Rädern“, „Laufrädern“ oder „angetriebenen Rädern“, auf eine traditionelle Anordnung von Laufrad und Reifen beziehen, kann sich aber auch auf jede Modifikation der herkömmlichen Laufrad- und Reifenanordnung beziehen, wie z.B., aber nicht darauf beschränkt, felgenlose Magnetschwebereifen, Kugelreifen oder jede andere bekannte Art der Fahrzeugbewegung, wobei das Rad oder die Räder zumindest teilweise mit der Straßenoberfläche in Kontakt ist/sind.
Wie hierin verwendet, kann sich der Begriff „Straße“, auch wenn er durch ein beschreibendes Adjektiv modifiziert ist, auf eine Straße mit herkömmlicher Fahrstraßenoberfläche beziehen, wie z. B., aber nicht darauf beschränkt, eine Beton- oder Asphaltstraße, aber auch auf eine beliebige Fahroberfläche oder ein beliebiges Medium, auf dem oder durch das ein Fahrzeug für Fracht oder Fahrgäste fahren kann, wie z. B., aber nicht darauf beschränkt, Wasser, Eis, Schnee, Schmutz, Schlamm, Luft oder andere Gase oder Raum im Allgemeinen.
Der hier verwendete Begriff „Betriebsumgebung“ kann sich im weitesten Sinne auf Fahrbahnen, Autobahnen, Straßen, Wege, Parkplätze, Parkhäuser, Tunnel, Brücken, Verkehrskreuzungen, Wohngaragen oder gewerbliche Garagen beziehen. Die Betriebsumgebung kann jeden Ort oder Raum aufweisen, der für ein Fahrzeug zugänglich ist.
Wie hierin verwendet, kann sich „Rechenvorrichtung“ oder „Computer“ im weitesten Sinne auf ein System beziehen, das konstruiert und eingerichtet ist, um die in dieser Erfindung beschriebenen Prozesse und Schritte auszuführen. Eine Rechenvorrichtung kann einen oder mehrere Prozessoren aufweisen, die über einen Systembus, der verschiedene Systemkomponenten, wie z. B. Eingabe-/Ausgabegeräte (E/A-Geräte), miteinander koppelt, in betriebsfähiger Verbindung mit dem Speicher stehen können. Prozessoren, die für die Ausführung von computerlesbaren Programmanweisungen oder Prozessen geeignet sind, können sowohl allgemeine als auch spezielle Mikroprozessoren und einen oder mehrere Prozessoren einer beliebigen digitalen Rechenvorrichtung aufweisen. Eine Rechenvorrichtung kann einen eigenständigen Computer oder eine mobile Rechenvorrichtung, ein intelligentes Gerät, ein Großrechnersystem, eine Workstation, einen Netzwerkcomputer, einen Desktop-Computer, einen Laptop oder Ähnliches aufweisen. Eine Rechenvorrichtung kann eine Kombination von Komponenten sein, einschließlich eines Prozessors, eines Speichers, eines Datenspeichers und dergleichen, die in funktionsfähiger Kommunikation mit einer Vielzahl von Systemen innerhalb eines Fahrzeugs stehen, wie z. B., aber nicht darauf beschränkt, elektronische Lenkungssysteme, Traktionskontrollsysteme, autonome und teilautonome Fahrsysteme oder dergleichen.
In einer Vielzahl von Varianten können Schlupfregelungssysteme, wie z. B., aber nicht darauf beschränkt, ein Antriebssteuerungssystem (TCS) oder eine Motorstabilitätsregelung (ESC) verwendet werden, um zu verhindern, dass die Räder eines Fahrzeugs aufgrund eines niedrigen Oberflächenreibungskoeffizienten durchdrehen, wenn ein Moment an die Räder abgegeben wird. Schlupfregelungssysteme können daher verwendet werden, um die Fahrzeugstabilität zu erhöhen, indem den Rädern basierend auf dem erfassten Schlupf der Räder selektiv Leistung übermittelt wird, sodass unbeabsichtigte Ungleichgewichte in der von jedem Rad an das Fahrzeug abgegebenen Antriebskraft verhindert werden.
In einer Vielzahl von Varianten können Schlupfregelungssysteme, wie z. B., aber nicht darauf beschränkt, Antiblockiersysteme (ABS) verwendet werden, um zu verhindern, dass die Räder eines Fahrzeugs aufgrund eines geringen Oberflächenreibungskoeffizienten beim Bremsen blockieren. Die elektronische Bremskraftverteilung (EBD) kann auch dazu verwendet werden, die Vorspannung zwischen den hinteren und vorderen Bremsen oder den linken und rechten Bremsen einzustellen. Schlupfregelungssysteme können daher verwendet werden, um die Aufrechterhaltung der Lenkkontrolle durch selektives Abbremsen der Räder basierend auf dem erfassten Schlupf der Räder zu fördern und somit ein unbeabsichtigtes Ungleichgewicht der von jedem Rad auf das Fahrzeug wirkenden Bremskraft zu verhindern.
In einer Vielzahl von Varianten kann ein Lenkungssystem ein autonomes Schlupfregelungssystem umfassen, das TCS, ESC, ABS, EBD oder ähnliches aufweist. In solchen illustrativen Varianten kann das Schlupfregelungssystem in die Fahrzeugsteuerungssysteme des autonomen Lenkungssystems integriert sein oder mit diesen kommunizieren, einschließlich, aber nicht darauf beschränkt, der Antriebssysteme, einschließlich, aber nicht darauf beschränkt, der Motorsteuerungssysteme, der Bremssteuerungssysteme und der Fahrzeuglenkungssysteme.
In einer Vielzahl von Varianten kann der Oberflächenreibungskoeffizient, der auch als Koeffizient der Oberflächenreibung, Oberflächenadhäsionskoeffizient oder Oberflächenreibungsfaktor bezeichnet werden kann, als Maß für die Größe der Kraft verwendet werden, die zwischen einer Fahroberfläche und einem Rad eines Fahrzeugs übertragen werden kann. Der Koeffizient der Reibung oder mu-Wert kann vom System über eine Vielzahl von Sensoren und Systemen geschätzt werden, die konstruiert und eingerichtet sind, um Straßen- und Fahrzeugzustände kontinuierlich zu überwachen, zusätzlich zum Empfangen von Informationen aus externen Quellen, sodass Systeme innerhalb eines Fahrzeugs geschätzten mu-Wert und Straßenoberflächenklassifizierung kompensieren können.
Eine Vielzahl von Varianten kann ein Verfahren oder Produkt zur genauen Schätzung und Erzeugung vom mu-Werte für verschiedene Straßenoberflächen, Betriebsumgebungen und Fahrszenarien durch Überwachung akustischer Signale und Vibrationssignaturen aufweisen. Akustische Signale und Vibrationssignaturen können zum Durchführen von Merkmalsextraktions-Signalverarbeitungstechniken verwendet werden, wie z. B., aber nicht darauf beschränkt, unter Verwendung von Mel-Filterbanken für akustische Signale oder kontinuierlicher Wavelet-Transformation (CWT) für Vibrationssignale. Akustische Signale und Vibrationssignaturen können ferner mittels eines vortrainierten Modells zum maschinellen Lernen oder eines neuronalen Netzwerks verarbeitet und transformiert werden, um geschätzte mu-Werte zu erzeugen. Die geschätzten mu-Werte können an Fahrzeugsysteme, wie z. B. Schlupfregelungssysteme, übermittelt werden, um Variationen der mu-Werte oder Straßenoberflächenklassifizierungen zu kompensieren.
Ein System zum mu-Wert-Schätzen kann ein Überwachen oder Aufzeichnen von akustischen Signalen durch mindestens ein Mikrofon aufweisen, das ungefähr in einem Radkasten eines Fahrzeugs oder an anderen geeigneten Stellen, die zum Messen vom Schalldruck geeignet sind, angeordnet ist. Das System kann verschiedene andere Datensätze aus verschiedenen anderen Quellen aufweisen, wie z. B. Reifendrucküberwachungssysteme (TPMS), Straßenoberflächendaten, GPS-Positionsdaten, Wetterdaten und dergleichen. Es wird davon ausgegangen, dass auch andere Produkte und Verfahren zum mu-Schätzen in den Umfang dieser Erfindung fallen, und die hier beschriebenen Variationen, die mindestens ein Mikrofon aufweisen, sind nicht als einschränkend in Bezug auf die Art der Schalldruckmessung anzusehen. Das System kann Daten wie beschleunigungsmesserbasierte Vibrationssignale, Schalldrucksignale, TPMS-Daten und dergleichen aggregieren, um die verschiedenen Signale und Daten zu verarbeiten, die einem vortrainierten Modell zum maschinellen Lernen übermittelt werden können, um einen mu-Wert für eine Straßenoberfläche in einem bestimmten Fahrszenario zu erzeugen.
Das System zum mu-Wert-Schätzen kann mindestens einen Beschleunigungsmesser aufweisen, der ungefähr in der Nähe des Lenkschenkels oder alternativ in der Nähe davon oder als Teil davon positioniert ist und ein Reifendrucksensor kann Vibrationssignaturen im Rad, in der Lenkanordnung oder in verschiedenen anderen Teilen und Abschnitten eines Fahrzeugs überwachen oder aufzeichnen. Es wird davon ausgegangen, dass auch andere Produkte und Verfahren zum mu-Schätzen in den Umfang dieser Erfindung fallen, und die hier beschriebenen Variationen, einschließlich der Verwendung von Beschleunigungsmessern, dürfen nicht als einschränkend in Bezug auf die Art und Weise angesehen werden, wie die Vibrationssignatur gemessen, überwacht oder aufgezeichnet wird.
Mindestens ein Mikrofon kann in betriebsfähiger Verbindung mit mindestens einer Rechenvorrichtung stehen, die konstruiert und eingerichtet ist, um von dem mindestens einen Mikrofon beobachtete akustische Signale zu empfangen. Der mindestens eine Beschleunigungsmesser kann auch in betriebsfähiger Verbindung mit der mindestens einen Rechenvorrichtung stehen, wobei die mindestens eine Rechenvorrichtung konstruiert und eingerichtet ist, um Vibrationssignaturen zu empfangen, die von dem mindestens einen Beschleunigungsmesser überwacht oder aufgezeichnet werden.
Das System zum vibrationsbasierten mu-Schätzen und -Detektieren kann ferner ein Kontaktsensorsystem aufweisen, das konstruiert und eingerichtet ist, um veränderliche Schallsignale, wie z. B. Stöße mit geringer Geschwindigkeit, zu detektieren und zu klassifizieren.
Das System zum vibrationsbasierten mu-Schätzen und -Detektieren kann eine funktionsfähige Kommunikation mit einem Netzwerk, wie z. B. einem Fahrzeug-zu-Alles-Netzwerk (V2X), aufweisen, sodass das System Straßendaten einschließlich Straßenoberflächeninformationen, GPS-Fahrzeugpositionsdaten, Wetter- und Klimadaten sowie verschiedene andere Informationen empfangen kann. Durch das System empfangene externe Quelldaten können dazu verwendet werden, die Straßenoberflächenklassifizierung zusätzlich zur Erzeugung eines mu-Wertes zu bestimmen.
Das System kann ferner verschiedene Faktoren berücksichtigen, wie z. B. Luftdruck in den Reifen eines Fahrzeugs, Schnee oder Schmutz in den Radkästen eines Fahrzeugs, unterschiedliche Reifentypen wie Sommer-, Winter-, Ganzjahresreifen usw., sodass der erzeugte Mu-Wert kontinuierlich basierend auf einer besonderen Reaktion eines Fahrzeugs in einer gegebenen Fahrsituation, in der eine unterschiedliche Bewegungsleistung detektiert wird, angepasst werden kann.
Das System zum mu-Wert-Schätzen kann die oben genannten Datensätze empfangen und Merkmalsextraktions-Signalverarbeitungstechniken durchführen, wie z. B. unter Verwendung von Mel-Filterbänken für akustische Signale oder kontinuierlichen Wavelet-Transformationen für Vibrationssignale, sodass die verarbeiteten Datensätze einem vortrainierten Modell zum maschinellen Lernen übermittelt werden können, das konstruiert und eingerichtet ist, um einen mu-Wert-Schätzen zu erzeugen. Die Merkmalsextraktion und Berechnung der mu-Werte können lokal in einer Rechenvorrichtung in einem Fahrzeug oder mittels des V2X-Netzwerks an einem cloudbasierten Rechensystem erfolgen. Das Modell zum maschinellen Lernen kann unter Verwendung regressionsbasierter neuronaler Netzwerke den Straßentyp klassifizieren und einen mu-Wert generieren und kann konstruiert und eingerichtet sein, um Rauschen im Datensatz zu reduzieren, indem einzigartige Merkmalsvariationen identifiziert werden. Das vortrainierte Modell zum maschinellen Lernen kann eine Straßenoberflächenklassifizierung und eine mu-Schätzung zusätzlich zu verschiedenen anderen Ausgaben, wie z. B. Reifenverschleißwarnungen, erzeugen. Die Straßenoberflächenklassifizierung und mu-Schätzung können ferner dazu verwendet werden, basierend auf einer Bewertung einer Fahrgestellleistung eine qualifizierte mu-Zahl zu erzeugen. Darüber hinaus kann das System historische Daten basierend auf GPS-Fahrzeugstandort, V2X-Daten und mu-Schätzungen mit dem aktuellen GPS-Fahrzeugstandort, V2X-Daten mit mu-Schätzungen vergleichen, um die Schwellenwerte zur mu-Schätzung kontinuierlich anzupassen.
Das System zum mu-Wert-Schätzen kann Daten von Testfahrzeugen sammeln, wobei eine Flotte von Testfahrzeugen mit bekannten Kombinationen von Reifen- und Fahrgestellanordnungen in einer Testflotte betrieben werden kann und Daten mittels einer Vielzahl von Sensoren in den jeweiligen Fahrzeugen der Testflotte gesammelt werden können. Die gesammelten Daten können auf einen zentralen Server hochgeladen werden, wo die Daten mit den bekannten mu-Werten für die bekannten Kombinationen von Reifen- und Fahrgestellanordnungen für jedes einzelne Fahrzeug verknüpft werden können. Die verknüpften Daten können durch die Transformation in ein Modell zum maschinellen Lernen übermittelt werden, z. B., aber nicht darauf beschränkt, durch Merkmalsextraktion mittels Mel-Filterbanken oder kontinuierlichen Wavelet-Transformationen zusätzlich zu anderen Merkmalsextraktionsverfahren. Das Modell zum maschinellen Lernen kann dann trainiert werden, um Ausgaben entsprechend den Trainingsdaten zu erzeugen, und durch neue verfügbare, vorher nicht gesehene Daten getestet werden. Diese Daten können Beschleunigungsmesser-basierte Vibrationssignale, Schalldrucksignale, TPMS-Daten, Straßenoberflächeninformationen, GPS-Fahrzeugpositionsdaten sowie Wetter- und Klimadaten aufweisen, die beim normalen Betrieb des Fahrzeugs vor Ort verfügbar sind.
Datensätze können ferner manipuliert werden, um eine Vertrauenszahl zu erzeugen, die auf Beschleunigungsmesser-basierten Vibrationssignalen, Schalldrucksignalen, TPMS-Daten, Straßenoberflächeninformationen, GPS-Fahrzeugpositionsdaten sowie Wetter- und Klimadaten basiert.
Unter Bezugnahme auf 1, als ein nicht einschränkendes Beispiel, kann ein vibrationsbasiertes mu-Detektionssystem 24 mindestens eine Rechenvorrichtung 20 aufweisen, die in betriebsfähiger Kommunikation mit einer Mehrzahl von Sensoren 46 steht. Die Mehrzahl von Sensoren 46 kann einen Beschleunigungsmesser 12, ein Mikrofon 14, das zur Schalldruckmessung konstruiert und eingerichtet ist, ein Kontaktsensorsystem 16 und ein Reifendrucküberwachungssystem 18 aufweisen. Die mindestens eine Rechenvorrichtung 20 kann mit verschiedenen anderen Sensoren an einem Fahrzeug in Verbindung stehen. Die mindestens eine Rechenvorrichtung 20 kann in betriebsfähiger Kommunikation mit einem Netzwerk 22 und einer zweiten Rechenvorrichtung 48 stehen. Die mindestens eine Rechenvorrichtung 20 kann mittels des Netzwerks 22 verschiedene Datensätze aus externen Quellen empfangen, beispielsweise Straßenoberflächendaten, GPS-Positionsdaten, Wetterdaten oder ähnliches. Alternativ kann die mindestens eine Rechenvorrichtung 20 verschiedene Datensätze, wie z. B. Straßenoberflächendaten, GPS-Positionsdaten, Wetterdaten und dergleichen, von zusätzlichen Sensoren und Systemen an Bord eines Fahrzeugs empfangen.
Die zweite Rechenvorrichtung 48 kann Sensordaten mittels des Netzwerks 22 und von der mindestens einen Rechenvorrichtung 20 empfangen. Die zweite Rechenvorrichtung 48 kann empfangene Daten mittels Merkmalsextraktion 26 über Mel-Filterbanken 28 oder kontinuierliche Wavelet-Transformationen 30 zusätzlich zu anderen Merkmalsextraktionsverfahren 32 verarbeiten. Die Prozessdaten können an ein vortrainiertes Modell zum maschinellen Lernen 34 übermittelt werden, das konstruiert und eingerichtet ist, um den Straßentyp 36 zu klassifizieren, einen mu-Wert 38 zu generieren und Reifenverschleißwarnungen 40 in einem Fahrzeug zu erzeugen. Der Straßentyp 36 und der mu-Wert 38 können ferner verarbeitet werden, um den mu-Wert 38 basierend auf einer Bewertung der Fahrgestellleistung zu qualifizieren. Der mu-Wert 38 kann ferner verarbeitet und mit historischen Daten verglichen werden, die sich auf einem aktuellen Standort eines Fahrzeugs beziehen, wie durch GPS bestimmt oder mittels des Netzwerks 22 empfangen, um den mu-Wert 38 weiter zu qualifizieren, um somit eine Straßenoberflächenklassifizierung 42 und einen verfeinerten mu-Wert 44 zu erzeugen.
Unter Bezugnahme auf 2, als ein nicht einschränkendes Beispiel, kann ein vibrationsbasiertes mu-Detektionssystem 24 mindestens eine Rechenvorrichtung 20 aufweisen, die in betriebsfähiger Kommunikation mit einer Mehrzahl von Sensoren 46 steht. Die Mehrzahl der Sensoren 46 kann einen Beschleunigungsmesser 12, ein Mikrofon 14, das zur Schalldruckmessung konstruiert und eingerichtet ist, ein Kontaktsensorsystem 16 und ein Reifendrucküberwachungssystem 18 aufweisen. Die mindestens eine Rechenvorrichtung 20 kann mit verschiedenen anderen Sensoren an einem Fahrzeug in Verbindung stehen. Die mindestens eine Rechenvorrichtung 20 kann mit einem Netzwerk 22 in betriebsfähiger Kommunikation stehen. Die mindestens eine Rechenvorrichtung 20 kann mittels des Netzwerks 22 verschiedene Datensätze aus externen Quellen empfangen, wie z. B. Straßenoberflächendaten, GPS-Positionsdaten, Wetterdaten oder ähnliches. Alternativ kann die mindestens eine Rechenvorrichtung 20 verschiedene Datensätze, wie z. B. Straßenoberflächendaten, GPS-Positionsdaten, Wetterdaten und dergleichen, von zusätzlichen Sensoren und Systemen an Bord eines Fahrzeugs empfangen.
Die mindestens eine Rechenvorrichtung 20 kann Sensordaten mittels des Netzwerks 22 und von der mindestens einen Rechenvorrichtung 20 empfangen. Die mindestens eine Rechenvorrichtung 20 kann empfangene Daten mittels Merkmalsextraktion 26 über Mel-Filterbanken 28 oder kontinuierliche Wavelet-Transformationen 30 zusätzlich zu anderen Merkmalsextraktionsverfahren 32 verarbeiten. Die Prozessdaten können an ein vortrainiertes Modell zum maschinellen Lernen 34 übermittelt werden, das konstruiert und eingerichtet ist, um Straßentyp 36 zu klassifizieren, einen mu-Wert 38 zu generieren und Reifenverschleißwarnungen in einem Fahrzeug zu erzeugen. Der Straßentyp 36 und der mu-Wert 38 können ferner verarbeitet werden, um den mu-Wert 42 basierend auf einer Bewertung der Fahrgestellleistung zu qualifizieren. Der mu-Wert 38 kann ferner verarbeitet und mit historischen Daten verglichen werden, die sich auf den aktuellen Standort eines Fahrzeugs beziehen, wie durch GPS bestimmt oder mittels des Netzwerks 22 empfangen, um eine Straßenoberflächenklassifizierung 42 und einen verfeinerten mu-Wert 44 zu erzeugen.
Unter Bezugnahme auf 3, als ein nicht einschränkendes Beispiel, kann ein vibrationsbasiertes mu-Detektionssystem 24 mindestens eine Rechenvorrichtung 20 aufweisen, die in betriebsfähiger Kommunikation mit einer Mehrzahl von Sensoren 46 steht. Die Mehrzahl der Sensoren 46 kann einen Beschleunigungsmesser 12, ein Mikrofon 14, das zur Schalldruckmessung konstruiert und eingerichtet ist, ein Kontaktsensorsystem 16 und ein Reifendrucküberwachungssystem 18 aufweisen. Die mindestens eine Rechenvorrichtung 20 kann mit verschiedenen anderen Sensoren an einem Fahrzeug in Verbindung stehen. Die mindestens eine Rechenvorrichtung 20 kann für eine Netzwerk-Konnektivität 22 konstruiert und eingerichtet sein. Die mindestens eine Rechenvorrichtung 20 kann verschiedene Datensätze von On-Board-Quellen empfangen, beispielsweise Straßenoberflächendaten, GPS-Positionsdaten, Wetterdaten oder Ähnliches.
Die mindestens eine Rechenvorrichtung 20 kann Sensordaten von der Vielzahl von Sensoren 46 und On-Board-Quellen empfangen. Die mindestens eine Rechenvorrichtung kann empfangene Daten mittels Merkmalsextraktion 26 über Mel-Filterbanken 28 oder kontinuierliche Wavelet-Transformationen 30 zusätzlich zu anderen Merkmalsextraktionsverfahren 32 verarbeiten. Die Prozessdaten können an ein vortrainiertes Modell zum maschinellen Lernen 34 übermittelt werden, das konstruiert und eingerichtet ist, um den Straßentyp 36 zu klassifizieren, einen mu-Wert 38 zu generieren und Reifenverschleißwarnungen in einem Fahrzeug zu erzeugen. Der Straßentyp 36 und der mu-Wert 38 können ferner verarbeitet werden, um den mu-Wert 38 basierend auf einer Bewertung der Fahrgestellleistung zu qualifizieren. Der mu-Wert 38 kann ferner verarbeitet und mit historischen Daten verglichen werden, die sich auf den aktuellen Standort eines Fahrzeugs beziehen, wie durch GPS bestimmt oder mittels des Netzwerks 22 empfangen, um eine Straßenoberflächenklassifizierung 42 zu erstellen und einen verfeinerten mu-Wert 44 zu erzeugen.
Unter Bezugnahme auf 4, als ein nicht einschränkendes Beispiel, ist ein Flussdiagramm für eine illustrative Variation eines vibrationsbasierten mu-Detektionssystems dargestellt. Viele der Schritte in dieser illustrativen Variation können zyklisch oder chaotisch als in der illustrativen Darstellung in 4 durchgeführt werden. Gemäß Schritt 400 kann das vibrationsbasierte mu-Detektionssystem Fahrzeugebenensignale aufweisen, die Betätigungsverhalten, Fahrzeugumgebung, Fahrzeugdynamik und andere Fahrzeugsystemzustände überwachen. Fahrzeugfahrdaten, wie z. B., aber nicht darauf beschränkt, Radgeschwindigkeit, Temperatur, Vibrations- oder Druckdaten, Fahrzeuggeschwindigkeit, Beschleunigung, Gier- oder Nickdaten, Bremsdaten, wie z. B., Temperatur, Lenkradwinkel, Positions- oder Momentdaten, Ritzelmoment- oder - winkeldaten, Zahnstangenkraft, Bilddaten von optischen Geräten, wie z. B., aber nicht darauf beschränkt, optischen Sensoren oder Kameras oder andere Daten, die für die Aspekte der Fahrt eines Fahrzeugs relevant sind, können in allen Schritten kontinuierlich gesammelt werden. In Schritt 402 können externe Daten, wie z. B. GPS-Fahrzeugstandort, Wetterdaten, Straßenoberflächendaten, V2X-Daten oder Ähnliches, in allen Schritten, die mit Schritt 402 beginnen, kontinuierlich gesammelt werden. In Schritt 404 kann das System basierend auf den in Schritt 400 gesammelten Fahrzeugebenensignalen eine Merkmalsextraktion durchführen und in Schritt 408 transformierte und verarbeitete Fahrzeugfahrdaten an ein Modell zum maschinellen Lernen übermitteln. In Schritt 406 kann das System eine Merkmalsextraktionsverarbeitung der in Schritt 402 gesammelten externen Daten durchführen und die transformierten und verarbeiteten externen Daten in Schritt 408 an ein Modell zum maschinellen Lernen übermitteln. Manche Fahrzeugfahrdaten und externe Daten können in manchen Fällen vor dem Durchführen der Merkmalsextraktion an einem einzigen Datensatz kombiniert werden. Manche externen Daten können in manchen Fällen mittels Merkmalsextraktion außerhalb des Systems vorverarbeitet werden, bevor sie an das Modell zum maschinellen Lernen bereitgestellt werden. In Schritt 410 können verarbeitete Fahrzeugfahrdaten und externe Daten verwendet werden, um einen geschätzten mu-Wert für eine Straßenoberfläche zu erzeugen, insbesondere für die Straßenoberfläche, auf der sich ein Fahrzeug gerade befindet oder der sich ein Fahrzeug nähert. Das System kann ferner eine Straßenoberflächenklassifizierung erzeugen und den Reifenverschleiß basierend auf Fahrzeugfahrdaten und externen Daten schätzen. In Schritt 412 kann der erzeugte mu-Wert, die Straßenoberflächenklassifizierung oder die Reifenverschleiß-Schätzung als historische Daten zum Schätzen des Fahrzeuglebenszyklus oder des Reifenlebenszyklus aufgezeichnet werden. Historische Daten können auch an das Modell zum maschinellen Lernen übermittelt werden und in die Fahrzeugfahrdaten und externen Daten aufgenommen werden, sodass der mu-Wert, die Straßenoberflächenklassifizierung und der Reifenverschleiß genauer gemessen und geschätzt werden können. In Schritt 414 können die mu-Wert-Schätzung, die Straßenklassifizierung und der Reifenverschleiß basierend auf historischen Daten und kontinuierlich empfangenen Fahrzeugfahrdaten und externen Daten kontinuierlich angepasst oder verändert werden. In Schritt 416 können die mu-Wert-Schätzung und die Straßenklassifizierung zusätzlich zu den historischen Daten, den Fahrzeugfahrdaten und den externen Daten an ein Netzwerk übermittelt werden, das in betriebsfähiger Verbindung mit dem System steht, sodass die Daten an andere Fahrzeuge übermittelt werden können, die das System implementieren, um ferner eine genaue Schätzung des mu-Wertes und der Straßenklassifizierung für eine Vielzahl von Fahrzeugen zu ermöglichen.
Die folgende Beschreibung von Varianten zeigt nur Komponenten, Elemente, Handlungen, Produkte und Verfahren, die als im Umfang der Erfindung liegend angesehen werden, und beabsichtigt in keiner Weise, diesen Umfang durch das zu beschränken, was speziell offenbart oder nicht ausdrücklich dargelegt ist. Die hierin beschriebenen Komponenten, Elemente, Handlungen, Produkte und Verfahren können auf andere Weise als hier ausdrücklich beschrieben kombiniert und umgeordnet werden und sind dennoch als im Umfang der Erfindung liegend anzusehen.
Gemäß Variation 1 kann ein Verfahren zum mu-Schätzen aufweisen: Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche mittels einer Vielzahl von Sensoren; Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten, um die Fahrzeugfahrdaten in verarbeitete Fahrzeugfahrdaten umzuwandeln; Übermitteln der verarbeiteten Fahrzeugfahrdaten an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung mittels des Modells zum maschinellen Lernen.
Variation 2 kann ein Verfahren gemäß Variation 1 aufweisen, wobei das Sammeln von Fahrzeugfahrdaten mittels einer Vielzahl von Sensoren annähernd kontinuierlich erfolgt.
Variation 3 kann ein Verfahren gemäß Variation 1 oder 2 aufweisen, das ferner aufweist: Sammeln von externen Quelldaten über ein Netzwerk vor dem Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten.
Variation 4 kann ein Verfahren gemäß einer der Variationen 1 bis 3 aufweisen, wobei das Sammeln von externen Quelldaten über ein Netzwerk vor dem Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten annähernd kontinuierlich ist.
Variation 5 kann ein Verfahren gemäß einer der Variationen 1 bis 4 aufweisen, wobei das Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten, um die Fahrzeugfahrdaten in verarbeitete Fahrzeugfahrdaten umzuwandeln, ferner aufweist: Durchführen einer Merkmalsextraktionsverarbeitung der externen Quelldaten, um die externen Quelldaten in verarbeitete externe Quelldaten umzuwandeln.
Variation 6 kann ein Verfahren gemäß einer der Variationen 1 bis 5 aufweisen, wobei das Übermitteln der verarbeiteten Fahrzeugfahrdaten an ein Modell zum maschinellen Lernen ferner aufweist: Übermitteln von verarbeiteten externen Daten an das Modell zum maschinellen Lernen.
Variation 7 kann ein Verfahren gemäß einer der Variationen 1 bis 6 aufweisen, wobei die externen Quelldaten mindestens eines der folgenden Elemente aufweisen: GPS-Fahrzeugstandort, und/oder Wetterdaten, und/oder Straßenoberflächendaten, und/oder V2X-Daten.
Variation 8 kann ein Verfahren gemäß einer der Variationen 1 bis 7 aufweisen, wobei die Vielzahl von Sensoren mindestens einen Beschleunigungsmesser, ein Mikrofon, das zur Schalldruckmessung konstruiert und eingerichtet ist, ein Kontaktsensorsystem oder ein Reifendrucküberwachungssystem aufweist.
Variation 9 kann ein Verfahren gemäß einer der Variationen 1 bis 8 aufweisen, das ferner aufweist: Aufzeichnen des geschätzten mu-Wertes als historische Daten im Zeitverlauf und ein Übermitteln der historischen Daten an das Modell zum maschinellen Lernen, um ferner eine genaue Erzeugung des geschätzten mu-Wertes der Straßenoberfläche zu ermöglichen.
Variation 10 kann ein Verfahren gemäß einer der Variationen 1 bis 9 aufweisen, wobei die Fahrzeugfahrdaten mindestens eines der folgenden Elemente umfassen: Radgeschwindigkeit, und/oder Temperatur, und/oder Vibrations- oder Druckdaten, und/oder Fahrzeuggeschwindigkeit, und/oder Beschleunigung, und/oder Gier- oder Nickdaten, und/oder Bremsdaten, und/oder Handradwinkel, und/oder Positions- oder Momentdaten, und/oder Ritzelmoment- oder -winkeldaten, und/oder Zahnstangenkraft, und/oder Bilddaten.
Gemäß Variation 11 kann ein Verfahren zum mu-Schätzen die folgenden Schritte aufweisen: annähernd kontinuierliches Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche mittels einer Vielzahl von Sensoren, die mindestens einen Beschleunigungsmesser oder ein Mikrofon aufweisen; annähernd kontinuierliches Sammeln von externen Quelldaten über ein Netzwerk; Aggregieren der Fahrzeugfahrdaten und der externen Quelldaten, um einen aggregierten Datensatz zu bilden; Durchführen einer Merkmalsextraktionsverarbeitung des aggregierten Datensatzes, um den aggregierten Datensatz in einen verarbeiteten aggregierten Datensatz umzuwandeln; Übermitteln des verarbeiteten aggregierten Datensatzes an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung mittels des Modells zum maschinellen Lernen.
Variation 12 kann ein Verfahren zum mu-Schätzen wie in Variation 11 aufweisen, wobei die Fahrzeugfahrdaten mindestens eines der folgenden Elemente aufweisen: Radgeschwindigkeit, und/oder Temperatur, und/oder Vibrations- oder Druckdaten, und/oder Fahrzeuggeschwindigkeit, und/oder Beschleunigung, und/oder Gier- oder Nickdaten, und/oder Bremsdaten, und/oder Handradwinkel, und/oder Positions- oder Momentdaten, und/oder Ritzelmoment- oder Momentdaten, und/oder Zahnstangenkraft, und/oder Bilddaten.
Variation 13 kann ein Verfahren zum mu-Schätzen gemäß einer der Variationen 11 bis 12 aufweisen, wobei die externen Quelldaten mindestens eines der folgenden Elemente aufweisen: GPS-Fahrzeugstandort, und/oder Wetterdaten, und/oder Straßenoberflächendaten, und/oder V2X-Daten.
Variante 14 kann ein Verfahren zum mu-Schätzen gemäß einer der Varianten 11 bis 13 umfassen, wobei die Vielzahl von Sensoren mindestens einen Beschleunigungsmesser, ein Mikrofon, das zur akustischen Druckmessung konstruiert und angeordnet ist, ein Kontaktsensorsystem oder ein Reifendrucküberwachungssystem aufweisen.
Variation 15 kann ein Verfahren zum mu-Schätzen gemäß einer der Variationen 11 bis 14 aufweisen, das ferner aufweist: Aufzeichnen des geschätzten mu-Wertes als historische Daten im Zeitverlauf und Übermitteln der historischen Daten an das Modell zum maschinellen Lernen, um eine genaue Erzeugung des geschätzten mu-Wertes der Straßenoberfläche zu ermöglichen.
Gemäß Variation 16 kann ein Produkt zum vibrationsbasierten mu-Schätzen mindestens eine Rechenvorrichtung in betriebsfähiger Verbindung mit einem Netzwerk, einen Speicher, der computerausführbare Komponenten speichert, und einen Prozessor aufweisen, der die im Speicher gespeicherten computerausführbaren Komponenten ausführen kann. Die computerausführbaren Komponenten können Folgendes aufweisen: annähernd kontinuierliches Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren; annähernd kontinuierliches Sammeln von externen Quelldaten über das Netzwerk; Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten und der externen Quelldaten, um die Fahrzeugfahrdaten und die externen Quelldaten in verarbeitete Fahrzeugfahrdaten und verarbeitete externe Quelldaten umzuwandeln; Übermitteln der verarbeiteten Fahrzeugfahrdaten und der verarbeiteten externen Quelldaten an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung mittels des Modells zum maschinellen Lernen.
Variation 17 kann ein Produkt zum vibrationsbasierten mu-Schätzen gemäß Variation 16 aufweisen, das ferner aufweist: Qualifizieren des geschätzten mu-Wertes basierend auf einer Bewertung der Fahrgestellleistung des Fahrzeugs.
Variation 18 kann ein Produkt zum vibrationsbasierten mu-Schätzen gemäß einer der Variationen 16 bis 17 aufweisen, das ferner aufweist: Aufzeichnen des geschätzten mu-Wertes als historische Daten im Zeitverlauf und Übermitteln der historischen Daten an das Modell zum maschinellen Lernen, um ferner eine genaue Erzeugung des geschätzten mu-Wertes einer Straßenoberfläche zu ermöglichen.
Variation 19 kann ein Produkt zum vibrationsbasierten mu-Schätzen gemäß einer der Variationen 16 bis 18 aufweisen, das ferner aufweist: Übermitteln historischer Daten über das Netzwerk an mindestens eine andere Rechenvorrichtung.
Variation 20 kann ein Produkt zum vibrationsbasierten mu-Schätzen gemäß einer der Variationen 16 bis 19 aufweisen, wobei die mindestens eine andere Rechenvorrichtung in betriebsfähiger Verbindung mit einem Fahrzeug steht.
Die obige Beschreibung ausgewählter Variationen innerhalb des Umfangs der Erfindung ist lediglich veranschaulichend und daher sind Variationen oder Varianten davon nicht als eine Abweichung vom Geist und Umfang der Erfindung anzusehen.
Die Erfindung kann ein System und Verfahren zum mu-Schätzen aufweisen, das die folgenden Schritte aufweist: Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren, die einen Beschleunigungsmesser und/oder ein Mikrofon aufweisen; Sammeln von externen Quelldaten über ein Netzwerk; und Aggregieren der Fahrzeugfahrdaten und externen Quelldaten zum Bilden eines aggregierten Datensatzes. Das Verfahren kann Folgendes aufweisen: Durchführen einer Merkmalsextraktionsverarbeitung des aggregierten Datensatzes, um den aggregierten Datensatz in einen verarbeiteten aggregierten Datensatz umzuwandeln; Übermitteln des verarbeiteten aggregierten Datensatzes an ein Modell zum maschinellen Lernen; und Erzeugen eines geschätzten mu-Wertes der Straßenoberfläche und/oder einer Straßenoberflächenklassifizierung mittel des Modells zum maschinellen Lernen.

Claims

Verfahren umfassend: Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren; Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten, um die Fahrzeugfahrdaten in verarbeitete Fahrzeugfahrdaten umzuwandeln; Übermitteln der verarbeiteten Fahrzeugfahrdaten an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung über das Modell zum maschinellen Lernen.
Verfahren nach Anspruch 1, wobei das Sammeln von Fahrzeugfahrdaten über eine Vielzahl von Sensoren kontinuierlich erfolgt.
Verfahren nach Anspruch 1 oder 2, ferner umfassend: Sammeln von externen Quelldaten über ein Netzwerk vor dem Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten.
Verfahren nach Anspruch 3, wobei das Sammeln von externen Quelldaten über ein Netzwerk vor dem Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten kontinuierlich erfolgt.
Verfahren nach Anspruch 4, wobei das Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten, um die Fahrzeugfahrdaten in verarbeitete Fahrzeugfahrdaten umzuwandeln, ferner umfasst: Durchführen einer Merkmalsextraktionsverarbeitung der externen Quelldaten, um die externen Quelldaten in verarbeitete externe Quelldaten umzuwandeln.
Verfahren nach Anspruch 5, wobei das Übermitteln der verarbeiteten Fahrzeugfahrdaten an ein Modell zum maschinellen Lernen ferner umfasst: Übermitteln der verarbeiteten externen Daten an das Modell zum maschinellen Lernen.
Verfahren nach einem der Ansprüche 3 bis 6, wobei die externen Quelldaten mindestens eines der folgenden Elemente aufweisen: GPS-Fahrzeugstandort, und/oder Wetterdaten, und/oder Straßenoberflächendaten, und/oder V2X-Daten.
Verfahren nach einem der Ansprüche 1 bis 7, wobei die Vielzahl von Sensoren mindestens einen Beschleunigungsmesser, und/oder ein Mikrofon, das zum Messen von Schalldruck konstruiert und eingerichtet ist, und/oder ein Kontaktsensorsystem, und/oder ein Reifendrucküberwachungssystem aufweist.
Verfahren nach einem der Ansprüche 1 bis 8, ferner umfassend: Aufzeichnen des geschätzten mu-Wertes als historische Daten im Zeitverlauf und Übermitteln der historischen Daten an das Modell zum maschinellen Lernen, um ferner eine genaue Erzeugung des geschätzten mu-Wertes der Straßenoberfläche zu ermöglichen.
Verfahren nach einem der Ansprüche 1 bis 9, wobei die Fahrzeugfahrdaten mindestens eines der folgenden Elemente umfassen: Radgeschwindigkeit, und/oder Temperatur, und/oder Vibrations- oder Druckdaten, und/oder Fahrzeuggeschwindigkeit, und/oder Beschleunigung, und/oder Gier- oder Nickdaten, und/oder Bremsdaten, und/oder Lenkradwinkel, und/oder Positions- oder Momentdaten, und/oder Ritzelmoment oder Winkeldaten, und/oder Zahnstangenkraft, und/oder Bilddaten.
Verfahren umfassend: kontinuierliches Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren, die einen Beschleunigungsmesser und/oder ein Mikrofon umfassen; kontinuierliches Sammeln externer Quelldaten über ein Netzwerk; Aggregieren der Fahrzeugfahrdaten und der externen Quelldaten, um einen aggregierten Datensatz zu bilden; Durchführen einer Merkmalsextraktionsverarbeitung des aggregierten Datensatzes, um den aggregierten Datensatz in einen verarbeiteten aggregierten Datensatz umzuwandeln; Übermitteln des verarbeiteten aggregierten Datensatzes an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung über das Modell zum maschinellen Lernen.
Verfahren nach Anspruch 11, wobei die Fahrzeugfahrdaten mindestens eines der folgenden Elemente umfassen: Radgeschwindigkeit, und/oder Temperatur, und/oder Vibrations- oder Druckdaten, und/oder Fahrzeuggeschwindigkeit, und/oder Beschleunigung, und/oder Gier- oder Nickdaten, und/oder Bremsdaten, und/oder Handradwinkel, und/oder Positions- oder Momentdaten, und/oder Ritzelmoment oder Winkeldaten, und/oder Zahnstangenkraft, und/oder Bilddaten.
Verfahren nach Anspruch 11 oder 12, wobei die externen Quelldaten mindestens eines der folgenden Elemente umfassen: GPS-Fahrzeugstandort, und/oder Wetterdaten, und/oder Straßenoberflächendaten, und/oder V2X-Daten.
Verfahren nach einem der Ansprüche 11 bis 13, wobei die Vielzahl von Sensoren mindestens eines der folgenden Elemente umfassen: einen Beschleunigungsmesser, und/oder ein Mikrofon, das zum Messen von Schalldruck konstruiert und eingerichtet ist, und/oder ein Kontaktsensorsystem, und/oder ein Reifendrucküberwachungssystem.
Verfahren nach einem der Ansprüche 11 bis 14, ferner umfassend: Aufzeichnen des geschätzten mu-Wertes als historische Daten im Zeitverlauf und Übermitteln der historischen Daten an das Modell zum maschinellen Lernen, um ferner eine genaue Erzeugung des geschätzten mu-Wertes der Straßenoberfläche zu ermöglichen.
System, das zum Durchführen eines Verfahrens nach einem der vorhergehenden Ansprüche konfiguriert ist.
Produkt umfassend: mindestens eine Rechenvorrichtung in betriebsfähiger Verbindung mit einem Netzwerk; einen Speicher, der computerausführbare Komponenten speichert; einen Prozessor, der die in dem Speicher gespeicherten computerausführbaren Komponenten ausführt, wobei die computerausführbaren Komponenten aufweisen: kontinuierliches Sammeln von Fahrzeugfahrdaten auf einer Straßenoberfläche über eine Vielzahl von Sensoren; kontinuierliches Sammeln externer Quelldaten über das Netzwerk; Durchführen einer Merkmalsextraktionsverarbeitung der Fahrzeugfahrdaten und externen Quelldaten, um die Fahrzeugfahrdaten und externen Quelldaten in verarbeitete Fahrzeugfahrdaten und verarbeitete externe Quelldaten umzuwandeln; Übermitteln der verarbeiteten Fahrzeugfahrdaten und der verarbeiteten externen Quelldaten an ein Modell zum maschinellen Lernen; und Erzeugen mindestens eines geschätzten mu-Wertes der Straßenoberfläche oder einer Straßenoberflächenklassifizierung über das Modell zum maschinellen Lernen.
Produkt nach Anspruch 17, wobei die computerausführbaren Komponenten ferner aufweisen: Qualifizieren des geschätzten mu-Wertes basierend auf einer Bewertung der Fahrgestellleistung.
Produkt nach Anspruch 17 oder 18, wobei die computerausführbaren Komponenten ferner aufweisen: Aufzeichnen des geschätzten mu-Wertes als historische Daten im Zeitverlauf und Übermitteln der historischen Daten an das Modell zum maschinellen Lernen, um ferner eine genaue Erzeugung des geschätzten mu-Wertes einer Straßenoberfläche zu ermöglichen.
Produkt nach Anspruch 19, wobei die computerausführbaren Komponenten ferner aufweisen: Übermitteln von historischen Daten über das Netzwerk an mindestens eine andere Rechenvorrichtung.
Produkt nach Anspruch 20, wobei die mindestens eine andere Rechenvorrichtung in betriebsfähiger Kommunikation mit einem Fahrzeug steht.