DE102022207029A1

DE102022207029A1 - Vorrichtung und Verfahren zum Bestimmen eines aktuellen maximalen Reibwerts

Info

Publication number: DE102022207029A1
Application number: DE102022207029.1A
Authority: DE
Inventors: Mehrdad Salari; Julian King; Ulrich Mair
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2022-07-11
Filing date: 2022-07-11
Publication date: 2024-01-11

Abstract

Die Erfindung betrifft eine Vorrichtung (1,1a) zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen (6) eines Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5) auf der Fahrbahn, wobei eine Fahrzeugsensorik (2) zur Aufnahme von Sensordaten, die zur Oberflächencharakterisierung zumindest einer von dem jeweiligen Reifen (6) befahrenen Fahrbahn dienen, vorgesehen ist, und wobei eine Auswerteeinheit (3) vorgesehen ist, welche an die Fahrzeugsensorik (2) zur Auswertung der Sensordaten als Zustandsdaten gekoppelt ist,wobei ein maschinelles Lernverfahren vorgesehen ist, welches dazu ausgebildet ist, unter Berücksichtigung hinterlegter Reifenparameter und den Zustandsdaten einen maximalen Reibwert zwischen dem jeweiligen Reifen (6) des Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5) zu schätzen, und wobei ein Modell (7) vorgesehen ist, zum parallelen Bestimmen eines genauen maximalen Reibwerts als Ground Truth Daten zwischen dem jeweiligen Reifen (6) des Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5), wobei das Modell (7) dazu ausgebildet ist, den genauen maximalen Reibwert lediglich bei ausreichender Anregung der Reifenkraft und auf Basis dieser Anregung zu bestimmen, und wobei die Vorrichtung (1,1a) dazu ausgebildet ist, zumindest anhand der parallel bestimmten genauen maximalen Reibwerte als Ground Truth Daten und der geschätzten korrespondierenden maximalen Reibwerte durch das maschinelle Lernverfahren ein Training des maschinellen Lernverfahrens zu bewirken.Ferner betrifft die Erfindung ein Verfahren.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs auf der Fahrbahn, wobei eine Fahrzeugsensorik zur Aufnahme von Sensordaten, die zur Oberflächencharakterisierung zumindest einer von dem jeweiligen Reifen befahrenen Fahrbahn dienen, vorgesehen ist, und wobei eine Auswerteeinheit vorgesehen ist, welche an die Fahrzeugsensorik zur Auswertung der Sensordaten als Zustandsdaten gekoppelt ist.
Ein Parameter, dessen Kenntnis dabei helfen kann, ein Fahrzeug entsprechend den aktuellen Straßenverhältnissen angemessen zu steuern, ist der aktuelle maximale Reibwert, welcher auch Reibungskoeffizient genannt wird, zwischen den Reifen und der Fahrbahn. Dabei gibt der Reibwert an, mit welcher Kraft das Fahrzeug bei den aktuell herrschenden Straßenverhältnissen maximal bremsen kann, ohne dass es beispielsweise zu einem unkontrollierten Durchdrehen der Räder kommt. Der Reibwert (Formelzeichen µ), ist ein dimensionsloses Maß für die Reibungskraft im Verhältnis zur Anpresskraft zwischen zwei Körpern.
Ein angetriebener oder gebremster Reifen hat gegenüber der Fahrbahnoberfläche, auf der er abrollt, immer einen Schlupf, der je nach den zu übertragenen Tangentialkräften höher oder niedriger ist.
Das Maximum, also der maximale Reibwert, gibt an, welche Kraft ein Reifen bei gegebener Normalkraft maximal übertragen kann.
Reifeneigenschaften werden durch Betriebsbedingungen beeinflusst. Radlast, Schlupf, Sturz und Schräglaufwinkel bestimmen die Größe der übertragbaren Seitenkraft. Der Reibwert zwischen Reifen und Fahrbahn begrenzt die übertragbaren Kräfte. Diese Einflussgrößen bestimmen im Wesentlichen das Übertragungsverhalten des Reifens.
Zur Bestimmung des Reibwerts kann der Reifen gezielt abgebremst werden, bis ein Schlupf zur Fahrbahn entsteht. Auf der Basis einer dafür erforderlichen Bremskraft kann der Reibwert bezüglich einer vorbestimmten Reifencharakteristik bestimmt werden. Diese Vorgehensweise wird jedoch üblicherweise nur auf gerader Strecke angewandt, wenn ein mögliches seitliches Ausbrechen des Fahrzeugs nicht befürchtet werden muss oder in Kauf genommen werden kann.
Im Stand der Technik bestimmte maximale Reibwerte beruhen auf der Erzeugung eines Schlupfes oder Schätzschlupfes durch gezielte Anregung von Aktuatoren, beispielsweise durch eine temporäre Motormomentanhebung oder Erzeugung des Schlupfes während eines vom Fahrer des Fahrzeugs initiierten Beschleunigungsvorgangs beispielsweise eines Bremsmanövers.
Die DE 10 2019 216450 A1 offenbart ein Verfahren und eine Steuereinrichtung zur Bestimmung des Reibwertes zwischen wenigstens einem Reifen eines Fahrzeugs und einer Fahrbahn, wobei auf wenigstens einem Reifen Schlupf erzeugt wird, wobei die Erzeugung des Schlupfes während eines vom Fahrer des Fahrzeugs initiierten Beschleunigungsvorgangs vorgenommen wird.
Die DE 10 2019 209586 A1 offenbart eine Steuereinrichtung und ein Verfahren zum Schätzen eines aktuellen maximalen Reibwerts zwischen einem Rad eines Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs auf der Fahrbahn, wobei das Verfahren geeignet ist, einen Schätzschlupf zwischen dem Rad und der Fahrbahn zu erzeugen und auf Basis des Schätzschlupfs den aktuellen maximalen Reibwert zu schätzen, wobei zum Erzeugen des Schätzschlupfs eine temporäre Motormomentanhebung vorgenommen wird.
Die DE 10 2020 214620 A1 hingegen offenbart ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzes zur Reibwertbestimmung eines Kraftfahrzeugreifens, wobei das Verfahren auf einer Auswerteeinrichtung eines Kraftfahrzeugs ausgeführt wird, umfassend die folgenden Schritte:

Erfassen eines ersten Eingangsdatensatzes mittels wenigstens einer ersten Sensoranordnung, Prädiktives Berechnen eines ersten Fahrbahnreibwerts mittels des neuronalen Netzes in Abhängigkeit des ersten Eingangsdatensatzes, Erfassen eines zweiten Datensatzes mittels wenigstens einer zweiten Sensoranordnung und Bestimmen eines zweiten Fahrbahnreibwerts, Bestimmen wenigstens eines Gewichtungsfehlers des neuronalen Netzes unter Berücksichtigung des ersten Fahrbahnreibwerts und des zweiten Fahrbahnreibwerts, und Trainieren des neuronalen Netzes zur Minimierung des wenigstens einen Gewichtungsfehlers.

Es ist eine Aufgabe der Erfindung eine verbesserte Vorrichtung und ein verbessertes Verfahren zur Bestimmung eines Reibwertes anzugeben.
Diese Aufgabe wird gelöst durch eine Vorrichtung mit den Merkmalen des Anspruchs 1 sowie ein Verfahren mit den Merkmalen des Anspruchs 15.
In den Unteransprüchen sind weitere vorteilhafte Maßnahmen aufgelistet, die geeignet miteinander kombiniert werden können, um weitere Vorteile zu erzielen.
Die Aufgabe wird gelöst durch eine Vorrichtung zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs auf der Fahrbahn,
wobei eine Fahrzeugsensorik zur Aufnahme von Sensordaten, die zur Oberflächencharakterisierung zumindest einer von dem jeweiligen Reifen befahrenen Fahrbahn dienen, vorgesehen ist, und wobei eine Auswerteeinheit vorgesehen ist, welche an die Fahrzeugsensorik zur Auswertung der Sensordaten als Zustandsdaten gekoppelt ist,
wobei ein maschinelles Lernverfahren vorgesehen ist, welches dazu ausgebildet ist, unter Berücksichtigung hinterlegter Reifenparameter und den Zustandsdaten einen maximalen Reibwert zwischen dem jeweiligen Reifen des Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs zu schätzen, und wobei ein Modell vorgesehen ist, zum parallelen Bestimmen eines genauen maximalen Reibwerts als Ground Truth Daten zwischen dem jeweiligen Reifen des Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs, wobei das Modell dazu ausgebildet ist, den genauen maximalen Reibwert lediglich bei ausreichender Anregung der Reifenkraft und auf Basis dieser Anregung zu bestimmen,
wobei die Vorrichtung dazu ausgebildet ist, zumindest anhand der parallel bestimmten genauen maximalen Reibwerte als Ground Truth Daten und der geschätzten korrespondierenden maximalen Reibwerte durch das maschinelle Lernverfahren ein Training des maschinellen Lernverfahrens zu bewirken.
Ein Reifen im Sinne dieser Beschreibung umfasst insbesondere eine Felge mit dem Reifen, wobei der Reifen auf der Felge aufgezogen ist, wobei der Reifen typischerweise Gummi und/oder eine Gummimischung umfasst. Unter einem Fahrzeug ist dabei ein bereiftes Kraftfahrzeug, wie zum Beispiel ein Auto, ein Bus, ein LKW, ein Motorrad zu verstehen. Unter einer Fahrbahn ist dabei eine Straße oder ein Weg zu verstehen, welche befestigt oder unbefestigt sein kann, also beispielsweise mit einem Belag aus Asphalt oder aber einem Schotterbelag.
Ein Modell kann beispielsweise eine ausführbare Software auf einem Prozessor sein, wobei die Anweisungen der Software bei Ausführung den genauen maximalen Reibwert als Ground Truth Daten bei ausreichender Anregung der Reifenkraft und auf Basis dieser Anregung sowie ggf. unter Verwendung der Zustandsdaten ermitteln. Dabei können solche Anregungen der Reifenkraft eine gezielte Bremsmomenterstellung, Motormomentanhebung oder spezielle Manöver beispielsweise eine Durchführung von ABS-Manövern sein.
Ein maschinelles Lernverfahren, wobei auch ein Künstliche- Intelligenz Verfahren umfasst ist, kann beispielsweise ein künstliches neuronales Netz sein, Faltungsnetzwerke oder Entscheidungsbäume sein.
Unter der genauen Bestimmung des maximalen Reibwertes durch das Modell kann eine hinreichend genaue Schätzung durch das Modell verstanden werden. Reifenparameter können beispielsweise die Art des Reifens sein, Alter, Profil, Reifeneigenschaften etc.
Dabei kann unter einer ausreichenden Anregung der Reifenkraft eine gezielte Anregung der die Reifen betreffenden Aktuatoren verstanden werden.
Solche Aktuatoren sind beispielsweise zur Ansteuerung der Längsdynamik und/oder der Querdynamik und/oder der Vertikaldynamik des Fahrzeugs etc.
Erfindungsgemäß wurde erkannt, dass eine Bestimmung des genauen maximalen Reibwerts durch ein einzelnes herkömmliches Modell nur mit ausreichender Anregung der Reifenkraft einhergeht, welche jedoch nicht jederzeit verfügbar ist, oder extra herbeigeführt werden muss. Eine solche herbeizuführen, wie beispielsweise einer Beschleunigung, welche einen hinreichend großen Schlupf erzeugt, geht jedoch mit einigen Unannehmlichkeiten für den Fahrer / Fahrzeuginsassen bis hin zu kritischen Fahrsituationen einher. Auch kann diese spezielle Anregung einen schlechten Einfluss auf den Verbrauch und/ oder die Sicherheit erzeugen. Zudem können die Aktuatoren nicht permanent angeregt werden, um den maximalen Reibwert genau zu bestimmen. Eine solche permanente Anregung wäre sowohl für den Fahrer als auch das Fahrzeug in vielerlei Hinsicht schädlich. Somit sind die exakten Werte, die das Modell zur Bestimmung benötigt, wie Reifenparameter/Reifenmodell/ Reifenkennfelder, nicht für alle Fahrsituationen/Reifenzustände vorhanden. Bei einer Änderung im Fahrzeug betreffend der Reifen (Reifenänderung) oder Sensoren (Kamera) müssen herkömmliche Modelle adaptiert werden. Dies jedoch erfordert Kosten und Zeit.
Ferner wurde erkannt, dass zum genauen Bestimmen des maximalen Reibwertes ausschließlich anhand von künstlichen neuronalen Netzen eine Unzahl an Trainingsdaten vorhanden sein muss. So kommt immer wieder eine Situation vor, bei denen ein solches künstliches neuronales Netz dafür keine Trainingsdaten hatte und deswegen die Schätzung nicht stattfinden kann oder extrem ungenau ist.
Insbesondere bei autonom fahrenden Fahrzeugen können sich dabei gefährliche Situationen ergeben.
Dies wird nun durch die erfindungsgemäße hybride Vorrichtung gelöst. Mittels der Vorrichtung wird nun eine parallele Bestimmung von einem genauen maximalen Reibwert ermöglicht, falls die Fahrsituation es zulässt, als auch parallel dazu die Bestimmung eines geschätzten maximalen Reibwertes, welche kontinuierlich durch ein maschinelles Lernverfahren erfolgt. Dieses kann dabei initial trainiert, oder antrainiert worden sein.
Dadurch ist in jeder Fahrsituation, also auch bei nicht angeregten Aktuatoren ein zumindest geschätzter maximaler Reibwert durch das maschinelle Lernverfahren vorhanden. Ferner wird parallel dazu eine Bestimmung eines genauen maximalen Reibwertes vorgenommen, sobald die Umstände beispielsweise Motormomentanhebung, Schlupferzeugung, Bremsmanöver etc. dieses zulassen.
Durch einen solchen genau bestimmten maximalen Reibwert können Ground Truth Daten während der Fahrt erzeugt werden. Diese Ground Truth Daten werden herangezogen, um das maschinelle Lernverfahren weiter durch anhaltendes Training zu optimieren.
Dadurch kann während der Fahrt, d.h. während der Anwendung das maschinelle Lernverfahren trainiert werden, es müssen nicht Mengen an Simulationsdaten / Realdaten erzeugt werden, mit denen das maschinelle Lernverfahren vor Anwendung im Fahrzeug trainiert wird. Somit ist kein langes Offline-Training des maschinellen Lernverfahrens mehr notwendig, wie wenn dieses alleine zur Bestimmung des maximalen Reibwertes verantwortlich ist, da das maschinelle Lernverfahren auch anhand unvollständigen /ungenauen Reifenparameter und einem Umgebungsmodell (Straßenzustand) den maximalen Reibwert schätzt und anhand der Ground Truth Daten ständig optimiert wird. Durch ein solches maschinelles Lernverfahren kann das dynamische Reifenverhalten, wie Reifenalter, Temperatur, Luftdruck, etc. indirekt berücksichtigt werden.
Ferner ist durch die parallele Anwendung, d.h. den hybriden Ansatz, immer die Bestimmung eines maximalen Reibwertes möglich. Selbst wenn für die vorhandene Fahrsituation nicht genug Trainingsdaten vorhanden waren, kann der Reibwert basierend auf detektierten Straßenzuständen durch das maschinelle Lernverfahren geschätzt werden.
Insbesondere kann so durch die Verwendung eines maschinellen Lernverfahrens auch in Situationen, in denen nicht genug Trainingsdaten zum Antrainieren vorhanden waren, der maximale Reibwert basierend auf detektierten Straßenzuständen geschätzt werden. Auch wenn keine Reifenparameter vorhanden sind, kann das maschinelle Lernverfahren die Schätzung basierend auf bisherigen Trainingsdaten vornehmen. Bei fehlender Information über die Straßenzustände hingegen kann das maschinelle Lernverfahren basierend auf den hinterlegten Reifenparameter und Trainingsdaten anhand Aktuatorparameter den maximalen Reibwert schätzen. Durch die Verwendung von Ground Truth Daten, die während der Anwendung/Fahrt erzeugt werden, ist eine kontinuierliche Verbesserung des maschinellen Lernverfahrens möglich. Die jeweilige aktuelle Fahrsituation in der parallel ein genauer maximaler Reibwert erzeugt wird, wird somit als Trainingsdaten zur Verbesserung oder Validierung verwendet.
In weiterer Ausbildung erzeugt die ausreichende Anregung der Reifenkraft einen ausreichenden Schlupf, wobei das Modell dazu ausgebildet ist auf Basis des Schlupfes den aktuellen maximalen Reibwert zu bestimmen.
Unter einem Schlupf ist dabei die Tatsache zu verstehen, dass die tatsächlich zurückgelegte Strecke pro Radumdrehung vom tatsächlichen Radumfang abweicht. Ein solcher Schlupf an einem Reifen kann dazu genutzt werden, den maximalen Reibwert sehr genau zu bestimmen. Dieser ausreichende Schlupf kann beispielsweise durch Erzeugung einer ausreichenden Motormomentanhebung/Drehmomentveränderung hergestellt werden.
Ferner können hierzu noch die aktuellen Zustandsdaten miteinfließen, sowie weitere Sensordaten, die Raddrehzahl etc. Dadurch kann ein genauer maximaler Reibwert bestimmt werden.
In weiterer Ausbildung ist das maschinelle Lernverfahren in einem ersten Schritt als initiales trainiertes maschinelles Lernverfahren ausgebildet. Dies bedeutet, dass das maschinelle Lernverfahren mit einem ersten Datensatz, welcher simulativ erzeugte Daten und/oder Realdaten umfassen kann, trainiert worden ist. Somit ist das Lernverfahren von Beginn an in der Lage, den maximalen Reibwert zu erzeugen, welcher sich im Laufe der Zeit durch die Ground Truth Daten ständig verbessert.
In weiterer Ausbildung ist die Vorrichtung dazu ausgebildet, einen maximalen Reibwert durch das maschinelle Lernverfahren kontinuierlich während der Fahrt zu schätzen. Dabei kann kontinuierlich in vorgegebenen Abständen sein. Dadurch kann bei einem autonom fahrenden Fahrzeug sichergestellt werden, dass eine Berechnung des Bremswegs immer unter Berücksichtigung des maximalen Reibwertes erfolgt. In weiterer Ausgestaltung ist die Vorrichtung dazu ausgebildet, aktuelle Sensordaten zu generieren und die zu den Sensordaten korrespondierenden Zustandsdaten zur Schätzung des maximalen Reibwerts durch das maschinelle Lernverfahren heranzuziehen. Dadurch wird ein genauerer maximaler Reibwert erzeugt. Auch kann wenn das maschinelle Lernverfahren hinsichtlich einer bestimmten Situation genügend trainiert worden ist, der Reibwert basierend auf den detektierten aktuellen Straßenzustand und den vorhandenen Trainingsdaten geschätzt werden.
In weiterer Ausbildung sind die Reifen betreffende Aktuatoren und Sensoren zur Erfassung von Aktuatorendaten vorhanden, wobei die Vorrichtung dazu ausgebildet ist, bei fehlenden Zustandsdaten den maximalen Reibwert basierend auf den vorhandenen Reifenparametern und erfassten Aktuatorendaten durchzuführen. Dabei müssen die Aktuatoren und deren Aktuatorendaten keine bestimmte Anregung überschreiten.
Dies bedeutet, dass bei fehlender Information über die Straßenzustände, beispielsweise bei Ausfall der Sensorik, das maschinelle Lernverfahren basierend auf den hinterlegten Reifenparameter und der Aktuator-Anregung bzw. Manöver den maximalen Reibwert schätzen kann. Dadurch kann auch bei Ausfall beispielsweise der Kameras zur Erfassung der Straßenbeschaffenheit der maximaler Reibwert bestimmt werden.
In einer weiteren Ausbildung weist die Vorrichtung eine Kommunikationseinheit zur Erfassung von aktuellen Wetterdaten auf den zu befahrenden Fahrbahnen auf, wobei die Vorrichtung dazu ausgebildet ist, bei fehlenden Zustandsdaten den maximalen Reibwert basierend auf den vorhandenen Reifenparametern und den aktuellen Wetterdaten durchzuführen und/oder die aktuellen Wetterdaten bei der Generierung der aktuellen Zustandsdaten zu berücksichtigen.
Dadurch kann auch bei Ausfall oder Fehlerfunktion der Fahrzeugsensorik durch das Wetter zumindest in Ansätzen auch die wahrscheinliche Straßenbeschaffenheit (nass, feucht, sonnig, heiß) berücksichtigt werden.
In einer weiteren Ausgestaltung ist das maschinelle Lernverfahren als künstliches neuronales Netz mit anpassbaren Gewichten ausgebildet. In weiterer Ausbildung ist die Vorrichtung dazu ausgebildet, anhand des geschätzten maximalen Reibwertes und des ermittelten maximalen Reibwertes einen Gewichtungsfehler des künstlichen neuronalen Netzes zu minimieren. Dadurch kann das künstliche neuronale Netz während der Fahrt kontinuierlich verbessert werden. Ein Offline Training wie bei einem alleinigen „KI-Ansatz“ (Stand Alone KI-Ansatz zur alleinigen Reibwertermittlung durch das KI) ist nicht notwendig, da das künstliche neuronale Netz während der Fahrt eine Ermittlung des Reibwertes auch bei nicht vollständigen Reifenparameter vornehmen kann. Durch die kontinuierliche Verbesserung können die Reifenparameter und die Umgebungsmodelle (Straßenzustand) in dem künstlichen neuronalen Netz abgebildet werden. Weiterhin kann somit das dynamische Reifenverhalten, wie Reifenalter, Temperatur, Luftdruck, etc. indirekt berücksichtigt werden.
Ferner kann das künstliche neuronale Netz als Multi-Layer Perceptron (MLP) ausgebildet sein. Dieses vereinfachte künstliche neuronale Netz kann beispielsweise wenige Neuronen zum Anlernen aufweisen. Im Vergleich zu einfachen Perceptrons ist das Multi-Layer Perceptron in der Lage, nicht lineare Probleme zu lösen.
In weiterer Ausbildung ist die Vorrichtung dazu ausgebildet, anhand des, durch das Modell, ermittelten maximalen Reibwertes die hinterlegten Reifenparameter zu modifizieren, d.h. zu adaptieren. Durch eine solche Verbesserung kann das maschinelle Lernverfahren beispielsweise wenn es als neuronales Netz ausgebildet ist, nicht nur hinsichtlich der Gewichte optimiert werden, sondern auch durch die hinterlegten Reifenparameter verbessert werden. Dadurch wird ein Fehler zwischen geschätzten und ermittelten (tatsächlichem) maximalen Reibwert dauerhaft minimiert.
Dabei können die hinterlegten Reifenparameter zumindest die Reifenkennlinie der Reifen umfassen. Dabei wird die Reifenkennlinie unter anderem anhand der Zustandsdaten ermittelt, so dass die Reifenkennlinie als Eingabe in das maschinelle Lernverfahren ausreichend ist.
Ferner kann die Fahrzeugsensorik ein Kamerasystem und/oder ein Radarsystem und/oder ein Lidar-System umfassen. Kamerasysteme erfassen die Fahrbahnoberfläche optisch, wobei Radarsysteme Erkennungs- und Ortungsverfahren auf der Basis elektromagnetischer Wellen umfassen. Demgegenüber ermöglichen Lidar- Systeme eine optische Abstands- oder Geschwindigkeitsmessung mittels Laserstrahlen. Ferner kann die Vorrichtung dazu ausgebildet sein, dass trainierte maschinelle Lernverfahren als neues maschinelles Lernverfahren heranzuziehen. Dadurch wird das maschinelle Lernverfahren ständig verbessert.
Ferner wird die Aufgabe gelöst durch ein Verfahren zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs auf der Fahrbahn, umfassend der Schritte

- Aufnahme von Sensordaten, die zur Oberflächencharakterisierung zumindest einer von dem jeweiligen Reifen befahrenen Fahrbahn dienen, durch eine Fahrzeugsensorik,
- Auswertung der Sensordaten als Zustandsdaten durch eine Auswerteeinheit,
- Bereitstellen eines maschinellen Lernverfahrens, welches dazu ausgebildet ist, unter Berücksichtigung hinterlegter Reifenparameter und den Zustandsdaten einen maximalen Reibwert zwischen dem jeweiligen Reifen des Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs zu schätzen,
- Bereitstellen eines Modells zum parallelen Bestimmen eines genauen maximalen Reibwerts als Ground Truth Daten zwischen dem jeweiligen Reifen des Fahrzeugs und einer Fahrbahn während einer Fahrt des Fahrzeugs, wobei das Modell dazu ausgebildet ist, den genauen maximalen Reibwert lediglich bei ausreichender Anregung der Reifenkraft und auf Basis dieser Anregung zu bestimmen,
- Trainieren des maschinellen Lernverfahrens zumindest anhand der parallel bestimmten genauen maximalen Reibwerte als Ground Truth Daten und der geschätzten korrespondierenden maximalen Reibwerte durch das maschinelle Lernverfahren.

Dabei können die Vorteile der Vorrichtung auch auf das Verfahren übertragen werden.
Ferner ist das Verfahren insbesondere dazu ausgebildet auf der erfindungsgemäßen Vorrichtung ausgeführt zu werden. Ferner können vorteilhafte Ausbildungen der Vorrichtung auch auf das Verfahren übertragen werden.
Weitere Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Variationen hiervon können vom Fachmann abgeleitet werden, ohne den Schutzumfang der Erfindung, wie er durch die nachfolgenden Patentansprüche definiert wird, zu verlassen.
Die Figuren zeigen schematisch:

1: eine erfindungsgemäße Vorrichtung in einer ersten Ausgestaltung,
2: eine erfindungsgemäße Vorrichtung in einer zweiten Ausgestaltung.

1 zeigt eine erfindungsgemäße Vorrichtung 1 in einer ersten Ausgestaltung zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen 6 eines Fahrzeugs 5 und einer Fahrbahn während einer Fahrt des Fahrzeugs 5 auf der Fahrbahn. Dabei gibt der maximale Reibwert an, mit welcher Kraft das Fahrzeug 5 bei den aktuell herrschenden Straßenverhältnissen maximal bremsen kann, ohne dass es z. B. zu einem unkontrollierten Durchdrehen der Räder kommt. Der Reibwert, Reibungskoeffizient oder Reibungszahl (Formelzeichen µ), ist ein dimensionsloses Maß für die Reibungskraft im Verhältnis zur Anpresskraft zwischen zwei Körpern.
Der maximal verfügbarer Reibwert ist somit abhängig von der Beschaffenheit der Fahrbahnoberfläche, der verwendeten Reifenart und den Reifenzustand und auch der Reifeneigenschaft, was auch die Umgebungszustände, wie Temperatur berücksichtigt.
Es ist bekannt, dass der maximal verfügbare Reibwert anhand spezieller Manövern wie beispielsweise ABS Manöver, bei dem ein ausreichender Schlupf erzeugt werden kann, genau geschätzt werden kann. Auch via Aktuatoren kann der maximale Reibwert geschätzt werden, wobei anhand der Aktuatoren beispielsweise eine gezielte Bremsmomenterstellung oder Motormomentanhebung, d.h. Erhöhung des Motormoments, und damit verbunden, ein gewisser Schlupf erzeugt wird.
Unter einem Schlupf ist dabei die Tatsache zu verstehen, dass die tatsächlich zurückgelegte Strecke pro Radumdrehung vom tatsächlichen Radumfang abweicht. Ein solcher Schlupf an einem Reifen 6 des Fahrzeugs 5 kann dazu genutzt werden, den maximalen Reibwert sehr genau zu bestimmen.
Die Vorrichtung 1 weist eine Fahrzeugsensorik 2 auf. Die Fahrzeugsensorik 2 kann dabei aus Kameras, Lidarsensoren und Radarsensoren bestehen, und ausgebildet sein, die Beschaffenheit der Fahrbahn, d.h. des Weges oder Straße (Schotter, Asphalt) mit den dort vorherrschenden Wettereinflüssen: naß, feucht, trocken etc., zu erfassen. So ist bekannt, dass beispielsweise bei vereister Fahrbahn der maximale Reibwert wesentlich niedriger ist ebenso wie bei nasser Fahrbahn.
Kamerasysteme erfassen hierzu die Fahrbahnoberfläche optisch, wobei Radarsysteme Erkennungsverfahren auf der Basis elektromagnetischer Wellen umfassen. Demgegenüber ermöglichen Lidar- Systeme eine optische Abstandsmessung mittels Laserstrahlen.
Ferner ist eine Auswerteeinheit 3 vorgesehen, welche mit der Fahrzeugsensorik 2 zur Auswertung der Sensordaten als Zustandsdaten gekoppelt ist und welche beispielsweise die Kamerabilder etc. entsprechend als Zustandsdaten auswertet (Straße: Nass, Trocken, Eis, Schnee).
Mit derartigen Systemen ist es möglich, Fahrbahnzustände, die für die Bestimmung von Reifenparametern beispielsweise in Form einer Reifenkennlinie erforderlich sind, insbesondere genau und sicher zu erfassen.
Ebenso kann die Fahrzeugsensorik 2 zumindest einen Raddrehzahlsensor umfassen. Der Raddrehzahlsensor kann beispielsweise in einem Antiblockiersystem oder dem System zur Traktionskontrolle angeordnet sein. Über den zumindest einen Raddrehzahlsensor ist es möglich, einen Schlupf eines jeweiligen Reifens 6 zu detektieren und daraus die Rückschlüsse über den momentanen maximalen Reibwert zu erhalten, wenn der Schlupf einen gewissen Wert überschreitet.
Ferner weist die Vorrichtung 1 ein maschinelles Lernverfahren auf. Dieses kann beispielsweise als ein gewichtetes künstliches neuronales Netz 4, beispielsweise ein Multi-Layer Perceptron ausgebildet sein. Dies kann vor der Verwendung in der Vorrichtung 1 initial trainiert worden sein, wobei ein initiales Training keine vollständige Funktion in jeder Fahrsituation abbilden soll. Hierzu kann das künstliche neuronale Netz beispielsweise mit Simulationsdaten und Realdaten antrainiert worden sein, um einen maximalen Reibwert grob zu schätzen.
Das künstliche neuronale Netz 4 ist dazu ausgebildet, auch bei nicht vollständigen hinterlegten Reifenparametern, beispielsweise der Reifenkennlinie, oder veralteten Reifenparametern oder unvollständigen Zustandsdaten, den aktuellen maximalen Reibwert zu schätzen (geschätzter Reibwert).
Das künstliche neuronale Netz 4 ist ferner dazu ausgebildet, den maximalen Reibwert während der Fahrt kontinuierlich zu schätzen und zwar ohne dass eine spezielle Anregung, wie der Erzeugung eines Schlupfes, notwendig ist.
Sind wenige oder keine Reifenparameter vorhanden, so kann das künstliche neuronale Netz 4 basierend auf den bisherigen Reifenparametern die Schätzung des maximalen Reibwertes aufgrund des bisherigen Trainings bzw. den Trainingsdaten vornehmen. Sind für die vorhandene Fahrsituation keine Erfahrungen anhand von Training vorhanden, so kann der Reibwert basierend auf den detektierten Straßenzuständen in Verbindung mit den bisher bereits antrainierten Fahrsituationen geschätzt werden. Bei fehlender Information über die Straßenzustände kann das künstliche neuronale Netz 4 dahingehend trainiert werden, basierend auf den hinterlegten Reifenparameter und beispielsweise den normalen Aktuator-Anregung bzw. Manöver den maximalen Reibwert zu schätzen. Somit kann in jeder Fahrsituation auch ohne Erzeugung, beispielsweise eines hinreichend großen Schlupfes, während der Fahrt der maximale Reibwert geschätzt werden.
Ferner weist die Vorrichtung 1 ein Modell 7 auf, bei welchen ein genauer maximaler Reibwert zwischen dem Reifen 6 des Fahrzeugs 5 und der Fahrbahn während einer Fahrt des Fahrzeugs 5 erzeugt werden kann, bei einer gezielten Anregung der die Reifen 6 betreffenden Aktuatoren, beispielsweise zur Erzeugung eines ausreichenden Schlupfs. Auch können andere Anregungen der Reifenkraft ausreichend sein und das Modell 7 dazu ausgebildet sein, anhand einer positiven oder negativen Beschleunigung den aktuellen genauen maximalen Reibwert zu bestimmen.
Dabei kann unter einem genauen maximalen Reibwert ein hinreichend genauer maximaler Reibwert verstanden werden. Solche Reibwerte können anhand aller spezieller Manöver, bei welchen die Aktuatorenanregung hoch genug ist, erkannt werden.
Ferner wird ein solcher genauer maximaler Reibwert parallel zu dem geschätzten Reibwert, welcher durch das künstliche neuronale Netz 4 geschätzt wird, bestimmt.
Der so parallel genaue bestimmte maximale Reibwert kann nun als Ground Truth Daten verwendet werden, um das künstliche neuronale Netz 4 zu optimieren.
Dabei können einerseits die Gewichte des künstlichen neuronalen Netzes 4 optimiert werden, indem der Fehler zwischen dem geschätzten maximalen Reibwert und dem ermittelten genauen maximalen Reibwert minimiert wird.
Ferner können die verwendeten Reifenparameter aktualisiert werden, wodurch ebenfalls eine Verbesserung des künstlichen neuronalen Netzes 4 bewirkt wird.
Durch diesen hybriden Ansatz ist es möglich, einen maximalen Reibwert während der Fahrt kontinuierlich zu bestimmen, anhand des künstlichen neuronalen Netzes 4 und ohne dass permanent gezielte Anregungen der Aktuatoren, beispielsweise durch entsprechende Bremsmanöver notwendig sind. Ferner kann das verwendete künstliche neuronale Netz 4 ständig anhand der Ground Truth Daten verbessert werden und parallel die aktuelle Fahrsituation als Trainingsdaten benutzen. Dadurch ist die Verwendung eines initial trainierten künstlichen neuronalen Netzes 4 möglich, d.h. ohne vollständige Abdeckung jeder möglichen Verkehrssituation. Durch das künstliche neuronale Netz 4 kann das dynamische Reifenverhalten, wie Reifenalter, Temperatur, Luftdruck, etc. indirekt berücksichtigt werden. Veränderungen werden durch den hybriden Ansatz schnell in das künstliche neuronale Netz 4 integriert.
2 zeigt eine weitere Ausgestaltung einer erfindungsgemäßen Vorrichtung 1a. Die Vorrichtung 1a weist ebenfalls eine hybride Ausgestaltung auf, mit einem Modell 7 und einem maschinellen Lernverfahren. Dieses kann ebenfalls als künstliches neuronales Netz 4 oder einem anderen Kl-Lernverfahren ausgebildet sein.
Das Modell 7 ist ebenfalls dazu ausgebildet, anhand von speziellen Manövern wie Bremsmanövern (ABS Manöver), durch gezielte Anregung in den Aktuatoren bei denen beispielsweise ein messbarer Schlupf entsteht, den maximalen Reibwert genau zu schätzen/ermitteln. Anhand der Manöver können beispielsweise die genauen Reifenparameter (Reifenkennfelder) geschätzt werden, anhand dessen der maximale Reibwert ermittelt werden kann. Der so ermittelte maximale Reibwert wird jeweils als Ground Truth Daten verwendet.
Das maschinelle Lernverfahren schätzt ebenfalls parallel und in jeder Fahrsituation auch unter Verwendung nicht genauer Reifenkennlinien den maximalen Reibwert. Anhand der Ground Truth Daten wird das maschinelle Lernverfahren während einer Fahrt verbessert. Es ist daher nicht notwendig, das maschinelle Lernverfahren offline für jedwede Fahrsituation zu trainieren. So kann das maschinelle Lernverfahren sich anhand des Modells 7 während der Fahrt verbessern.
Ferner weist die Vorrichtung 1a noch eine Kommunikationseinheit 8 auf. Diese kann beispielsweise die aktuellen Wetterdaten, insbesondere auf den zu befahrenden Fahrbahnen, empfangen. Solche Wetterdaten sind von externen Dienstleistern einfach erhältlich.
Die Auswerteeinheit 3 kann dazu ausgebildet sein, die Zustandsdaten anhand der aktuellen Wetterdaten zu bestimmen. Bei Ausfall der Fahrzeugsensorik 2 (Vereisung der Fahrbahn, Starkregen) können beispielsweise die Zustandsdaten ausschließlich anhand der Wetterdaten generiert werden.
Dadurch wird die Bestimmung des maximalen Reibwertes durch das künstliche neuronale Netz 4 verbessert, wodurch die Fahrsicherheit in beispielsweise einem autonom fahrenden Fahrzeug 5 stark erhöht wird.
Bezugszeichenliste

1,1a: Vorrichtung
2: Fahrzeugsensorik
3: Auswerteeinheit
4: künstliches neuronales Netz
5: Fahrzeug
6: Reifen
7: Modell
8: Kommunikationseinheit

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

DE 102019216450 A1 [0007]
DE 102019209586 A1 [0008]
DE 102020214620 A1 [0009]

Claims

Vorrichtung (1,1 a) zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen (6) eines Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5) auf der Fahrbahn, wobei eine Fahrzeugsensorik (2) zur Aufnahme von Sensordaten, die zur Oberflächencharakterisierung zumindest einer von dem jeweiligen Reifen (6) befahrenen Fahrbahn dienen, vorgesehen ist, und wobei eine Auswerteeinheit (3) vorgesehen ist, welche an die Fahrzeugsensorik (2) zur Auswertung der Sensordaten als Zustandsdaten gekoppelt ist, dadurch gekennzeichnet, dass ein maschinelles Lernverfahren vorgesehen ist, welches dazu ausgebildet ist, unter Berücksichtigung hinterlegter Reifenparameter und den Zustandsdaten einen maximalen Reibwert zwischen dem jeweiligen Reifen (6) des Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5) zu schätzen, und wobei ein Modell (7) vorgesehen ist, zum parallelen Bestimmen eines genauen maximalen Reibwerts als Ground Truth Daten zwischen dem jeweiligen Reifen (6) des Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5), wobei das Modell (7) dazu ausgebildet ist, den genauen maximalen Reibwert lediglich bei ausreichender Anregung der Reifenkraft und auf Basis dieser Anregung zu bestimmen, und wobei die Vorrichtung (1,1a) dazu ausgebildet ist, zumindest anhand der parallel bestimmten genauen maximalen Reibwerte als Ground Truth Daten und der geschätzten korrespondierenden maximalen Reibwerte durch das maschinelle Lernverfahren ein Training des maschinellen Lernverfahrens zu bewirken.
Vorrichtung (1,1a) nach Anspruch 1, dadurch gekennzeichnet, dass die ausreichende Anregung der Reifenkraft einen ausreichenden Schlupf erzeugt und das Modell (7) dazu ausgebildet ist, auf Basis des Schlupfes den aktuellen maximalen Reibwert zu bestimmen.
Vorrichtung (1,1a) nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das maschinelle Lernverfahren in einem ersten Schritt als initiales trainiertes maschinelles Lernverfahren ausgebildet ist.
Vorrichtung (1,1 a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorrichtung (1,1a) dazu ausgebildet ist, einen maximalen Reibwert durch das maschinelle Lernverfahren kontinuierlich während der Fahrt zu schätzen.
Vorrichtung (1,1 a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorrichtung (1,1a) dazu ausgebildet ist, aktuelle Sensordaten zu generieren und die zu den Sensordaten korrespondierenden Zustandsdaten zur Schätzung des maximalen Reibwerts durch das maschinelle Lernverfahren heranzuziehen.
Vorrichtung (1,1a) nach Anspruch 5, dadurch gekennzeichnet, dass die Reifen (6) betreffende Aktuatoren und Sensoren zur Erfassung von Aktuatorendaten vorhanden sind, wobei die Vorrichtung (1,1a) dazu ausgebildet ist, bei fehlenden Zustandsdaten einen maximalen Reibwert basierend auf den vorhandenen Reifenparametern und erfassten Aktuatorendaten durchzuführen.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorrichtung (1,1a) eine Kommunikationseinheit (8) zur Erfassung von aktuellen Wetterdaten auf den zu befahrenden Fahrbahnen aufweist und wobei die Vorrichtung (1,1a) dazu ausgebildet ist, bei fehlenden Zustandsdaten einen maximalen Reibwert basierend auf den vorhandenen Reifenparametern und den aktuellen Wetterdaten durchzuführen und/oder die aktuellen Wetterdaten bei der Generierung der aktuellen Zustandsdaten zu berücksichtigen.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das maschinelle Lernverfahren als künstliches neuronales Netz (4) mit anpassbaren Gewichten ausgebildet ist.
Vorrichtung (1,1a) nach Anspruch 8, dadurch gekennzeichnet, dass die Vorrichtung (1,1a) dazu ausgebildet ist, anhand des geschätzten maximalen Reibwertes und des ermittelten maximalen Reibwertes einen Gewichtungsfehler des künstlichen neuronalen Netzes (4) zu minimieren.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche 8 oder 9, dadurch gekennzeichnet, dass das künstliche neuronale Netz (4) als Multi-Layer Perceptron (MLP) ausgebildet ist.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorrichtung (1,1a) dazu ausgebildet ist, anhand des, durch das Modell (7), ermittelten maximalen Reibwertes die hinterlegten Reifenparameter zu modifizieren.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die hinterlegten Reifenparameter zumindest die Reifenkennlinie der Reifen (6) umfassen.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugsensorik (2) ein Kamerasystem und/oder ein Radarsystem und/oder ein Lidar-System umfasst.
Vorrichtung (1,1a) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorrichtung (1,1a) dazu ausgebildet ist, dass trainierte maschinelle Lernverfahren als neues maschinelles Lernverfahren heranzuziehen.
Verfahren zum Bestimmen eines aktuellen maximalen Reibwerts zwischen einem Reifen (6) eines Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5) auf der Fahrbahn, umfassend der Schritte - Aufnahme von Sensordaten, die zur Oberflächencharakterisierung zumindest einer von dem jeweiligen Reifen (6) befahrenen Fahrbahn dienen, durch eine Fahrzeugsensorik (2), - Auswertung der Sensordaten als Zustandsdaten durch eine Auswerteeinheit (3), - Bereitstellen eines maschinellen Lernverfahrens, welches dazu ausgebildet ist, unter Berücksichtigung hinterlegter Reifenparameter und den Zustandsdaten einen maximalen Reibwert zwischen dem jeweiligen Reifen (6) des Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5) zu schätzen, - Bereitstellen eines Modells z(7) um parallelen Bestimmen eines genauen maximalen Reibwerts als Ground Truth Daten zwischen dem jeweiligen Reifen (6) des Fahrzeugs (5) und einer Fahrbahn während einer Fahrt des Fahrzeugs (5), wobei das Modell (7) dazu ausgebildet ist, den genauen maximalen Reibwert lediglich bei ausreichender Anregung der Reifenkraft und auf Basis dieser Anregung zu bestimmen, - Trainieren des maschinellen Lernverfahrens zumindest anhand der parallel bestimmten genauen maximalen Reibwerte als Ground Truth Daten und der geschätzten korrespondierenden maximalen Reibwerte durch das maschinelle Lernverfahren.