-
QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
-
Die vorliegende Anmeldung beansprucht die Priorität der am 30. Oktober 2008 eingereichten vorläufigen US-Anmeldung Nr. 61/109,584, die durch Bezugnahme in ihrer Gänze hierdurch aufgenommen ist.
-
ALLGEMEINER STAND DER TECHNIK
-
Ein Fahrerfehler wird als Ursache von 45% bis 75% der Straßenkollisionen und als ein beitragender Faktor bei der Mehrzahl aller Kollisionen angeführt.
-
Die Spurhaltewamung (LDW – Lane-Departure Warning) verwendet einen Sichtsensor zum Detektieren einer Fahrzeugposition relativ zu einer Spur und Warnen des Fahrers über ein unbeabsichtigtes Verlassen der Spur. Gewisse Frontalkollisionswarnsysteme (FCW – Forward Collision Warning) verwenden Umfeldsensoren zum Detektieren von potentiellen Sicherheitsgefahren vor einem Fahrzeug und Warnen des Fahrers im Voraus. Diese existierenden Fahrerwarnungen funktionieren jedoch während stationärer oder quasistationärer Fahrbedingungen.
-
KURZE DARSTELLUNG DER ERFINDUNG
-
Ein Fahrzeug kann Folgendes enthalten:
ein elektronisches Stabilitätsprogramm, ein Antiblockiersystem und/oder ein Traktionssteuersystem und mindestens eine Recheneinrichtung. Die mindestens eine Recheneinrichtung kann konfiguriert sein, für einen Fahrer eine Warnung zu initiieren, bevor das elektronische Stabilitätsprogramm, das Antiblockiersystem und/oder das Traktionssteuersystem auf der Basis eines Spielraums zwischen der aktuellen Handlingbedingung des Fahrzeugs und einer Grenzhandlingbedingung aktiv wird.
-
Während Ausführungsbeispiele gemäß der Erfindung veranschaulicht und offenbart werden, sollte eine derartige Offenbarung nicht so ausgelegt werden, dass sie die Erfindung beschränkt. Es wird erwartet, dass verschiedene Modifikationen und alternative Designs vorgenommen werden können, ohne von dem Schutzbereich der Erfindung abzuweichen.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
1 ist ein Blockdiagramm einer Ausführungsform eines Fahrzeugsteuersystems.
-
2 ist ein Diagramm von beispielhaften Fahrzeuggeschwindigkeits-, Traktions- und Bremsprofilen.
-
3A bis 3C sind Diagramme von beispielhaften Fahrzeugbewegungszuständen der Gierrate und des Schleuderwinkels.
-
4A bis 4C sind Diagramme von beispielhaften Gier-, Längs- und Schleuderwinkelhandlinggrenzspielräumen.
-
5 ist ein Diagramm von beispielhaften Fahrzeuggeschwindigkeits-, Traktions- und Bremsprofilen.
-
6A bis 6C sind Diagramme von beispielhaften Fahrzeugbewegungszuständen der Gierrate und des Schleuderwinkels.
-
7A bis 7C sind Diagramme von beispielhaften Gier-, Längs- und Schleuderwinkelhandlinggrenzspielräumen.
-
8 ist ein Diagramm von beispielhaften Zugehörigkeitsfunktionen, die vier Fahrerkategorien auf der Basis des Handlingrisikofaktors charakterisieren.
-
9A, 10A und 11A sind Diagramme von beispielhaften finalen Handlinggrenzspielräumen und des Risikos.
-
9B, 10B und 11B sind Diagramme von beispielhaften Wahrscheinlichkeiten des Fahrerstils.
-
12 ist ein Diagramm von beispielhaften Determinanten von glattem und abruptem Fahrverhalten.
-
13A und 13B sind Diagramme von beispielhaften mittleren Abstandszeiten für aggressives bzw. vorsichtiges Fahren.
-
14A und 14B sind Diagramme von beispielhaften Standardabweichungen der Fahrpedalrate für aggressives bzw. vorsichtiges Fahren.
-
15A und 15B sind Diagramme von beispielhaften Standardabweichungen der Bremspedalrate für aggressives bzw. vorsichtiges Fahren.
-
16A und 16B sind Diagramme von beispielhaften Fahrerindizes für aggressives bzw. vorsichtiges Fahren.
-
17 ist ein Diagramm einer beispielhaften Relativbereichs-, Bereichsfehler- und Längsbeschleunigung zwischen einem vorausfahrenden und einem folgenden Wagen für aggressives Fahren.
-
18 ist ein Diagramm von ausgewählten beispielhaften Parametern, die das aggressive Fahren von 17 charakterisieren.
-
19 ein Diagramm einer beispielhaften Relativbereichs-, Bereichsfehler- und Längsbeschleunigung zwischen einem vorausfahrenden und einem folgenden Wagen für vorsichtiges Fahren.
-
20 ist ein Diagramm von ausgewählten beispielhaften Parameter, die das vorsichtige Fahren von 19 charakterisieren.
-
21 bis 23 sind Blockdiagramme von Ausführungsformen von Fahrerberatungssystemen.
-
DETAILLIERTE BESCHREIBUNG
-
I. Einleitung
-
Eine Aufgabe von existierenden Fahrzeugelektroniksteuersystemen besteht darin, die Fahraufgabe zu erleichtern, indem die Fahrerabsicht identifiziert und dem Fahrer durch Steuern des Fahrzeugs geholfen wird, um die Fahrerabsicht sicher, robust und glatt zu erreichen. Die Steuereffektivität von Elektroniksteuersystemen kann signifikant gesteigert werden, wenn der Fahrer und das Elektroniksteuersystem zusammen auf das gleiche Unfallvermeidungsziel hin arbeiten und die Unfallvermeidungsfähigkeit des Driver-in-the-Loop-Fahrzeugs als System maximieren. Ein Ansatz dazu, dies zu erreichen, besteht darin, einem Fahrer zeitig klare und transparente Beratungsinformationen zu liefern, so dass ein verantwortungsvoller Fahrer entsprechend reagieren kann. Solche Beratungsinformationen können von normalerweise an einem Fahrzeug angetroffenen Sensoren gesammelt oder berechnet werden, die eine bilaterale Regelung zwischen dem Fahrer und der Elektroniksteuerung implementieren. Die Elektroniksteuerung folgt der Fahrerabsicht, und der Fahrer reagiert auf die Beratungsinformationen von der Elektroniksteuerung, um seine Fahreingaben zu modifizieren (wie etwa das Nachlassen der Drossel, das Abklingen von Lenkeingaben usw.). Auf diese Weise ist eine nahtlose Koordination zwischen dem Fahrer und dem Elektroniksteuersystem möglich und minimiert mit Wahrscheinlichkeit den Effekt von auf Fahrerfehler zurückzuführenden potentiellen Sicherheitsgefahren.
-
Wir betrachten unter anderem Warnungen, die nahe der Handlinggrenze, einem Fahr- oder Manöverzustand auftreten können, bei dem die Fahrzeugstabilitätssteuerungen üblicherweise intervenieren. Zusätzlich zu den nahe der Handlinggrenze angetroffenen Problemen kann der hierin erörterte Fahrerberatungssystemansatz auch dazu verwendet werden, die Kraftstoffökonomie zu verbessern, d. h. ein System, das Beratung und/oder Coaching verwenden kann, um dem Fahrer dabei zu helfen, Fahrgewohnheiten zu erlernen, bei denen Kraftstoff eingespart wird. Wir erörtern auch die Verwendung von Daten von Fahrzeugstabilitätssteuerungen, um Echtzeitwarnungen zu liefern, wenn sich das Fahrzeug der Handlinggrenze nähert. Dies kann Teil eines Clusters von Warnfunktionen sein, die als ein intelligentes persönliches Wächtersystem (IPM – Intelligent Personal Minder) definiert werden können. Allgemein gesprochen können die für das IPM-System berechneten Meldungen zum Warnen oder Beraten eines Fahrers durch verschiedene Einrichtungen geschickt werden, einschließlich ein haptisches Pedal, ein Heads-Up-Display, eine Audiowarneinrichtung, ein Sprachsystem usw.
-
1 zeigt die Interaktion einer Ausführungsform eines IPM-Systems 10 mit anderen Komponenten/Teilsystemen 12 eines Fahrzeugs 14. Die anderen Komponenten/Teilsysteme können Fahrzeugsensoren 16, 18 (z. B. einen Gierratensensor, Lenkwinkelsensor, Seitenbeschleunigungssensor, Längsbeschleunigungssensor, Raddrehzahlsensor, Bremsdrucksensor usw.), Aktuatoren 20 und einen oder mehrere Controller 22 enthalten. Der eine oder die mehreren Controller 22 können eine Stabilitätssteuerung 24, eine Arbitrationslogik 26 und andere Controller/Systeme 28 enthalten (z. B. ABS-System, Schlupfregelungssystem usw.).
-
Für ein beliebiges Steuersystem kann das Anlagenmodell eine Rolle beim Auslegen einer effektiven Steuerstrategie spielen. Analog ist ein Fahrermodell wichtig, um effektive und angebrachte Fahrerberatungssignale zu generieren. Somit wird möglicherweise eine Fahrstilcharakterisierung benötigt. Wir erörtern Verfahren zum Identifizieren einer Fahrercharakteristik auf der Basis seiner Fahrzeughandlingfähigkeit. Während Fahrermodellierung und Fahrerverhaltenscharakterisierung untersucht worden sind, schlagen wir einen Ansatz vor, bei dem das Fahrverhalten/der Fahrstil und/oder die Fahrerfahrungshöhe beispielsweise auf der Basis der Häufigkeit und Dauer, nahe an der Handlinggrenze zu fahren, deduziert werden können (sowie andere Techniken). Solche Fahrercharakterisierungsinformationen können in einer Vielzahl von Anwendungen verwendet werden, von denen einige unten erörtert werden.
-
II. Eine kurze Erörterung der Fahrzeugstabilitätssteuerungen
-
Das Handling eines Fahrzeugs bestimmt die Fähigkeit des Fahrzeugs zum Kurvenfahren und Manövrieren. Das Fahrzeug muss mit seinen vier Reifenkontaktfeldern auf der Straße bleiben, um seine Handlingfähigkeit zu maximieren. Ein Reifen, der seine Haftgrenze übersteigt, dreht entweder durch, rutscht oder gleitet. Ein Zustand, wo ein oder mehrere Reifen ihre Haftungsgrenzen übersteigen, kann als ein Grenzhandlingszustand bezeichnet werden, und die Haftgrenze kann als eine Handlinggrenze bezeichnet werden. Nachdem ein Reifen seine Handlinggrenze erreicht, besitzt der Durchschnittsfahrer üblicherweise nicht länger die Kontrolle. In einem sogenannten Untersteuerfall bleibt der Wagen unter einer Lenkeingabe des Fahrers, seine Vorderreifen gehen über ihre Handlinggrenze hinaus und das Fahrzeug fährt ungeachtet der Lenkanforderung des Fahrers geradeaus weiter. In dem sogenannten Übersteuerfall geht der Wagen über die Lenkeingaben des Fahrers hinaus, seine Hinterreifen überschreiten ihre Handlinggrenze und das Fahrzeug dreht sich weiter. Zu Sicherheitszwecken sind die meisten Fahrzeuge so gebaut, dass sie an ihren Handlinggrenzen untersteuern.
-
Um die Fahrzeugsteuerung für den Fall zu kompensieren, dass ein Fahrer nicht in der Lage ist, das Fahrzeug an oder jenseits der Handlinggrenze zu kontrollieren, sind elektronische Stabilitätsprogrammsysteme (ESP) dafür ausgelegt, Reifenkräfte umzuverteilen, um ein Moment zu generieren, das das Fahrzeug effektiv in Übereinstimmung mit der Lenkanforderung des Fahrers wenden kann. Nämlich, das Fahrzeug zu steuern, um Untersteuer- und Übersteuerzustände zu vermeiden.
-
Seit seinem Debüt im Jahre 1995 wurden ESC-Systeme in verschiedenen Plattformen implementiert. Während des Modelljahrs 2010 eingeführt und eine volle Installation bis zum Modelljahr 2012 erreichend, erfordert der Federal Motor Vehicle Safety Standard 126 ESP-Systeme an jedem Fahrzeug mit einem maximal zulässigen Gewicht unter 10000 lb. ESC-Systeme können als eine Erweiterung von ABS-Systemen und Allgeschwindigkeits-Schlupfregelungssystemen (TCS) implementiert werden. Sie können die Gier- und Seitenstabilitätsunterstützung an die Fahrzeugdynamik liefern, um die Absicht des Fahrers herum zentriert. Es kann auch Bremsdruck (über oder unter dem vom Fahrer ausgeübten Druck) einem oder mehreren individuellen Rädern zuteilen, um ein aktives Moment zu generieren, um den unerwarteteten Gier- und Seitengleitbewegungen des Fahrzeugs entgegenzuwirken. Dies führt zu einer verbesserten Lenksteuerung an den Handlinggrenzen für jede Traktionsoberfläche während Bremsen, Beschleunigen oder Rollenlassen. Insbesondere vergleichen aktuelle ESP-Systeme den beabsichtigten Weg des Fahrers mit der tatsächlichen Fahrzeugantwort, auf die durch Bordsensoren geschlossen wird. Falls die Antwort des Fahrzeugs von dem beabsichtigten Weg verschieden ist (entweder Untersteuern oder Übersteuern), wendet der ESC-Controller das Bremsen auf ein oder mehrere ausgewählte Räder an und reduziert das Motordrehmoment, falls erforderlich, um das Fahrzeug auf dem beabsichtigten Weg zu halten und einen Steuerungsverlust des Fahrzeugs zu minimieren.
-
Ein Grenzhandlingzustand kann unter Verwendung von Daten detektiert werden, die bereits im ESP-System vorliegen, so dass neue Sensoren möglicherweise nicht erforderlich sind. Man betrachte beispielsweise ein Fahrzeug, das mit einem ESP-System ausgestattet ist, unter Verwendung eines Gierratensensors, eines Lenkradsensors, eines Seitenbeschleunigungsmessers, eines Raddrehzahlsensors, eines Hauptzylinderbremsdrucksensors, eines Längsbeschleunigungsmessers usw. Die Fahrzeugbewegungsvariablen sind in den Koordinatensystemen so definiert, wie in ISO-8855 definiert, wo die vertikale Achse eines auf dem Fahrzeug fixierten Rahmens nach oben zeigt, seine Längsachse entlang der Längsrichtung der Fahrzeugkarosserie und seine Seitenachse von der Passagierseite zu der Fahrerseite zeigt.
-
Allgemein gesprochen können Fahrzeugebenenrückkopplungssteuerungen aus individuellen Bewegungsvariablen wie etwa Gierrate, Schleuderwinkel oder ihrer Kombination zusammen mit Arbitrationen unter anderen Steuerbefehlen wie etwa Fahrerbremsen, Motordrehmomentanforderung, ABS und TCS berechnet werden. Fahrzeugebenensteuerbefehle werden nachfolgend erörtert.
-
Das wohlbekannte Fahrradmodell erfasst die Fahrzeugdynamik, ihre Gierrate ωz entlang der vertikalen Achse der Fahrzeugkarosserie und ihrem Schleuderwinkel βr, an seiner Hinterachse definiert, und gehorcht den folgenden Gleichungen Izω .z = –bfcf(βr + bωztν –1 / x – δ) + brcrβr + Mz
M(ν .xβr + νxβ .r + brω .z + ωzνx) = –cf(βr + bωzν –1 / x – δ) – crβr (1) wobei νx die Fahrgeschwindigkeit des Fahrzeugs ist, M und lz die Gesamtmasse und das Gierträgheitsmoment des Fahrzeugs sind, cf und cr der Kurvenkoeffizient der Vorder- und Hinterreifen sind, bf und br die Distanzen von dem Schwerpunkt des Fahrzeugs zu der Vorder- und Hinterachse sind, b = bf + br, Mz das auf das Fahrzeug ausgeübte aktive Moment ist und δ der Vorderradlenkwinkel ist.
-
Eine Zielgierrate ωzt und ein Zielschleuderwinkel βrt, die verwendet werden, um die Lenkabsicht des Fahrers wiederzugeben, können aus (1) berechnet werden, wobei der gemessene Lenkradwinkel δ und die geschätzte Fahrgeschwindigkeit vx als die Eingaben verwendet werden. Bei einer derartigen Berechnung wird angenommen, dass das Fahrzeug auf einer Straße mit normalem Oberflächenzustand gefahren wird (z. B. hohes Reibungsniveau mit normalem Kurvenkoeffizienten cf und cr). Eine Signalkonditionierung, Filterung und nichtlineare Korrekturen für ein stationäres Grenzkurvenfahren könne ebenfalls durchgeführt werden, um die Zielgierrate und den Zielschleuderwinkel fein abzustimmen. Diese berechneten Zielwerte kennzeichnen den beabsichtigten Weg eines Fahrers auf einer normalen Straßenoberfläche.
-
Der Gierratenrückkopplungscontroller ist im Wesentlichen ein aus dem Gierfehler (die Differenz zwischen der gemessenen Gierrate und der Zielgierrate) berechneter Rückkopplungscontroller. Falls das Fahrzeug nach links abbiegt und ω
z ≥ ω
zt + ω
zdbos (wobei ω
zdbos ein zeitlich variierender Unempfindlichkeitsbereich ist) oder das Fahrzeug nach rechts abbiegt und ω
z ≤ ω
zt – ω
zdbos, übersteuert das Fahrzeug und aktiviert die Übersteuer-Steuerfunktion in dem ESP. Beispielsweise könnte die aktive Drehmomentanforderung (auf das Fahrzeug angewendet, um die Übersteuertendenz zu reduzieren) wie folgt berechnet werden während eines Linksabbiegens:
Mz = min(0, –kos(ωz – ωzt – ωzdbos)) (2) während eines Rechtsabbiegens:
Mz = max(0, –kos(ωz – ωzt + ωzdbos)) wobei k
os ein geschwindigkeitsabhängiger Verstärkungsfaktor ist, der wie folgt definiert werden könnte:
wobei die Parameter k
0, k
dbl, k
dbu, v
xdbl, v
xdbu abgestimmt werden können.
-
Falls ωz ≤ ωz – ωzdbus (wobei ωzdbus ein zeitlich variierender Unempfindlichkeitsbereich ist), wenn das Fahrzeug nach links abbiegt oder ωz ≥ ωz + ωzdbus, wenn das Fahrzeug nach rechts abbiegt, wird die Untersteuer-Steuerfunktion in dem ESP aktiviert. Die aktive Drehmomentanforderung kann wie folgt berechnet werden während eines Linksabbiegens: Mz = max(0, –kus(ωz – ωztn + ωzdbus)) (4) während eines Rechtsabbiegens: Mz = min(0, –kus(ωz – ωzt – ωzdbus)) wobei kus ein abstimmbarer Parameter ist.
-
Der Schleuderwinkelcontroller ist ein ergänzender Rückkopplungscontroller für den obenerwähnten Übersteuer-Gier-Rückkopplungscontroller. Er vergleicht den Schleuderwinkelschätzwert βr mit dem Zielschleuderwinkel βrt. Falls die Differenz einen Schwellwert βrdb übersteigt, wird die Schleuderwinkelrückkopplungssteuerung aktiviert. Beispielsweise wird die aktive Drehmomentanforderung wie nachfolgend berechnet während eines Linksabbiegens: βr ≥ 0: Mz = min(0, kss(βr – Brt – Brdb) – ksscmpβ .rcmp) (5) während eines Rechtsabbiegens: βr < 0: Mz = max(0, kss(β – Brt + Brdb) – ksscmpβ .rcmp) wobei kss und ksscmp abstimmbare Parameter sind und β .rcmp eine kompensierte zeitliche Ableitung des Schleuderwinkels ist.
-
Andere Rückkopplungssteuerungsterme auf der Basis von Variablen wie etwa Gierbeschleunigung und Schleudergradient können ähnlich generiert werden. Wenn die dominante Fahrzeugbewegungsvariable entweder die Gierrate oder der Schleuderwinkel ist, kann das obenerwähnte aktive Drehmoment direkt dazu verwendet werden, das oder die erforderlichen Steuerungsräder und das zu dem entsprechenden Steuerungsrad/den entsprechenden Steuerungsrädern zu sendende Ausmaß an Bremsdrücken zu bestimmen. Falls die Fahrzeugdynamik von mehreren Bewegungsvariablen dominiert wird, wird eine Steuerungsarbitration und – priorisierung durchgeführt. Das finale arbitrierte aktive Drehmoment wird dann verwendet, um das oder die finalen Steuerungsräder und den oder die entsprechenden Bremsdrücke zu bestimmen. Während eines Übersteuerereignisses beispielsweise wird das vordere Außenrad als das Steuerungsrad gewählt, während bei einem Untersteuerereignis das hintere Innenrad als das Steuerungsrad gewählt wird. Während eines großen Schleuderfalls wird immer das vordere Außenrad als das Steuerungsrad gewählt. Wenn sowohl Schleudern als auch Übersteuer-Gieren gleichzeitig auftreten, kann die Menge an Bremsdruck berechnet werden, indem sowohl Gierfehler- als auch die Schleuderwinkelsteuerbefehle integriert werden.
-
Neben den obigen Fällen, wo die Handlinggrenze wegen der Lenkmanöver des Fahrers überschritten wird, kann ein Fahrzeug seinen Grenzhandlingzustand in seiner Längsbewegungsrichtung erreichen. Beispielsweise kann das Bremsen auf einer schneebedeckten und vereisten Straße zu blockierten Rädern führen, was die Anhaltedistanz des Fahrzeugs vergrößert. Das offene Drosseln auf einer ähnlichen Straße kann bewirken, dass sich die Antriebsräder drehen, ohne das Fahrzeug vorwärts zu bewegen. Aus diesem Grund kann die Handlinggrenze auch für diese Nicht-Lenk-Fahrzustände verwendet werden. Das heißt, die Zustände, wo die Reifenlängsbrems- oder -antriebskräfte ihre Spitzenwerte erreichen, können ebenfalls in einer Definition der Handlinggrenze enthalten sein.
-
Die ABS-Funktion überwacht die Drehbewegung der einzelnen Räder in Relation zu der Fahrgeschwindigkeit des Fahrzeugs, die gekennzeichnet werden kann durch die Längsschlupfverhältnisse λ
i, mit i = 1, 2, 3, 4 für das linke vordere, rechte vordere, linke hintere und rechte hintere Rad, berechnet wie folgt:
wobei t
f und t
r die Halbspuren für die Vorder- und Hinterachse sind, ω
i die Ausgabe des i-ten Raddrehzahlsensors, k
i der Skalierfaktor der i-ten Raddrehzahl, v
y die Seitengeschwindigkeit des Fahrzeugs an dem Ort seines Schwerpunkts und v
min ein voreingestellter Parameter, der die zulässige Mindestlängsgeschwindigkeit wiedergibt, ist. Man beachte, dass (6) nur dann gültig ist, wenn sich das Fahrzeug nicht in Rückwärtsfahrmodus befindet.
-
Wenn das vom Fahrer initiierte Bremsen zu viel Schlupf (z. B. –λi ≥ λbp = 20%) an einem Rad erzeugt, gibt das ABS-Modul den Bremsdruck an diesem Rad frei. Analog wird während einer großen Drosselanwendung, die einen großen Schlupf an dem i-ten angetriebenen Rad verursacht, das TCS-Modul eine Motordrehmomentreduktion und/oder Bremsdruck, auf dem entgegengesetzten Rad auf der gleichen Achse angewendet, anfordern. Folglich können ABS- oder TCS-Aktivierungen vorhergesagt werden, indem überwacht wird, wie nahe λi-Werte von λbp und λtp liegen.
-
III. HandlinggrenzWächter
-
Während das obenerwähnte ESP (einschließlich ABS und TCS) dahingehend effektiv ist, sein Sicherheitsziel zu erreichen, ist eine weitere Verbesserung dennoch möglich. Beispielsweise kann eine Steigerung der ESC-Systeme für eine Rollstabilitätssteuerung wünschenswert sein. Der entsprechenden Korrektur, der das ESP entgegenzuwirken versucht, kann jedoch von dem Fahrer oder durch Umgebungsbedingungen entgegengewirkt werden. Ein zu schnell fahrendes Fahrzeug, dessen Reifenkräfte weit über die Traktionsfähigkeit der Straße und der Reifen hinaus geht, ist möglicherweise sogar mit ESP-Intervention nicht in der Lage, einen Untersteuerunfall zu vermeiden.
-
Wir führen eine Integration des Fahrers und des ESP-Systems derart ein, dass sie kooperativ auf eine verbesserte Steuerungsleistung des Driver-in-the-Loop-Systems hinarbeiten. Bei bestimmten Ausführungsformen bestimmt der vorgeschlagene HandlinggrenzWächter (HLM – Handling Limit Minder), wie nahe der aktuelle Fahrzustand an der Handlinggrenze liegt.
-
Allgemein gesprochen würde eine präzise Bestimmung der Handlinggrenzbedingungen direkte Messungen von Straßen- und Reifencharakteristika oder sehr intensive Informationen von vielen verwandten Variablen beinhalten, falls direkte Messungen nicht zur Verfügung stehen. Gegenwärtig sind beide dieser Verfahren für eine Echtzeitimplementierung nicht ausreichend ausgereift.
-
ESP-Systeme können wegen ihres Rückkopplungsmerkmals konfiguriert sein, die potentiellen Grenzhandlingbedingungen durch Überwachen der Bewegungsvariablen eines Fahrzeugs zu bestimmen, wie etwa jenen, die in dem letzten Abschnitt beschrieben wurden. Wenn die Bewegungsvariablen um ein bestimmtes Ausmaß (z. B. über gewisse Unempfindlichkeitsbereiche hinaus) von ihren Referenzwerten abweichen, können die ESP-Systeme damit beginnen, einen oder mehrere Differenzbremssteuerbefehle zu berechnen und ein oder mehrere Steuerungsräder zu bestimmen. Der oder die entsprechenden Bremsdrücke werden dann an das oder die Steuerungsräder geschickt, um das Fahrzeug zu stabilisieren. Den Ausgangspunkt der ESP-Aktivierung kann man sich als den Beginn der Handlinggrenze denken.
-
Insbesondere können wir einen relativen Handlinggrenzspielraum h
x wie folgt definieren
wobei x die Abweichung einer Bewegungsvariablen von ihrem Referenzwert ist und [
x,
x ] das Unempfindlichkeitsbereichsintervall definiert, in das x fällt, ohne ESP, ABS oder TCS zu initiieren. x kann eine beliebige der in dem letzten Abschnitt definierten Steuervariablen (oder eine beliebige andere geeignete Steuervariable) sein.
-
Der Vorzug des in (8) definierten hx-Werts liegt darin, dass der Fahrzustand quantitativ in verschiedene Kategorien charakterisiert werden kann. Wenn beispielsweise hx ≤ 10%, kann der Fahrzustand als ein Zustand einer roten Zone kategorisiert werden, wo der Fahrer spezielle Aufmerksamkeit benötigt oder gewisse spezielle Aktionen ergreifen muss (z. B. Verlangsamen des Fahrzeugs); wenn 10% < hx < 40%, kann der Fahrzustand als Zustand einer gelben Zone kategorisiert werden, der ein bestimmtes Niveau an spezieller Aufmerksamkeit von dem Fahrer benötigt; wenn 40% < hx ≤ 100%, kann der Fahrzustand als ein normaler Zustand charakterisiert werden. Bei dem normalen Zustand braucht der Fahrer nur seine normale Fahraufmerksamkeit aufrechtzuerhalten. Es können natürlich auch andere Bereiche verwendet werden.
-
Es können verschiedene hörbare und/oder visuelle Warnungen aktiviert werden, um einen Fahrer über den Handlinggrenzspielraum zu alarmieren. Wenn beispielsweise hx ≤ 10%, kann ein Warnlicht/eine haptische Einrichtung aktiviert werden, um den Fahrer darüber zu informieren, dass er verlangsamen muss. Alternativ kann ein sprachaktiviertes Displaysystem den Fahrer anweisen, eine bestimmte Aktion zu ergreifen. Wenn 10% < hx < 40%, kann ein hörbarer Ton oder ein Display den Fahrer darüber informieren, dass er sich instabilen Fahrzuständen annähert usw.
-
Insbesondere sollen die in dem letzten Abschnitt berechneten Steuervariablen verwendet werden, um die Berechnung der hx-Werte zu erörtern. Der Gierhandlinggrenzspielraum hOS des Fahrzeugs während Übersteuersituationen (wobei ωz > ωzt, wenn das Fahrzeug nach links abbiegt, und ωz > ωzt, wenn das Fahrzeug nach rechts abbiegt) kann aus (8) berechnet werden, indem x = ωz – ωzt und x = ωzdbos = –x gesetzt wird, wobei ωzdbos der Übersteuergierratenunempfindlichkeitsbereich wie in (2) definiert ist.
-
Analog kann die Gierhandlinggrenze hUS des Fahrzeugs für Untersteuersituationen aus (8) berechnet werden, indem x = ωz – ωzt und x = ωzdbus = –x gesetzt wird, wobei ωzdbus der Untersteuergierratenunempfindlichkeitsbereich wie in (4) definiert ist. Man beachte, dass die obenerwähnten Unempfindlichkeitsbereiche Funktionen der Fahrzeuggeschwindigkeit, der Größe der Zielgierrate, der Größe der gemessenen Gierrate usw. sein könnten. Die Unempfindlichkeitsbereiche für die Untersteuersituation (x < 0) und die Übersteuersituation (x > 0) sind verschieden und sie sind abstimmbare Parameter.
-
Der Schleuderhandlinggrenzspielraum hSSRA des Fahrzeugs kann aus (8) berechnet werden durch Setzen von x = βr – βrt und x = βrdb = –x.
-
Die Längshandlinggrenzen des Fahrzeugs beinhalten die Zustände, wenn entweder die Fahr- oder Bremskraft der Räder sich der Handlinggrenze annähert. Der Schlupfregelungshandlinggrenzspielraum
für das i-te angetriebene Rad kann aus (8) berechnet werden durch Setzen von x = λ
i,
x = 0 und
x = λ
tb. Der ABS-Handlinggrenzspielraum
für das i-te Rad kann ebenfalls aus (8) berechnet werden durch Setzen von x = λ
i,
x = λ
bp und
x = 0. Die finalen Traktions- und Bremshandlinggrenzspielräume können definiert werden als
-
Man beachte, dass weitere Überprüfungszustände beim Berechnen der obenerwähnten Handlinggrenzspielräume verwendet werden könnten. Beispielsweise könnte einer der folgenden oder die Kombination aus einigen der folgenden Zustände zum Setzen des Handlinggrenzspielraums als 0 verwendet werden: eine Größe der Zielgierrate liegt jenseits eines bestimmten Schwellwerts; eine Größe der gemessenen Gierrate ist größer als ein bestimmter Schwellwert; eine Lenkeingabe des Fahrers übersteigt einen bestimmten Schwellwert oder extreme Zustände wie etwa die Kurvenfahrtbeschleunigung des Fahrzeugs liegt über 0,5 g, die Verlangsamung des Fahrzeugs liegt über 0,7 g, das Fahrzeug wird mit einer Geschwindigkeit jenseits eines Schwellwerts gefahren (z. B. 100 mph) usw.
-
Um die obenerwähnten Handlinggrenzspielraumsberechnungen zu testen und ihre Effektivität bezüglich bekannter Fahrzustände zu verifizieren, wurde ein mit einem bei Ford Motor Company entwickelten Untersuchungs-ESP-System ausgestattetes Fahrzeug zum Durchführen von Fahrzeugprüfungen verwendet. Für den Fahrzustand, durch die Fahrzeuggeschwindigkeit, die Drosselung und das Bremsen profiliert, in 2 gezeigt, werden die gemessenen und berechneten Fahrzeugbewegungsvariablen in 3A bis 3C gezeigt. Die entsprechenden individuellen Handlinggrenzspielräume hUS, hOS, hTCS, hABS und hSSRA sind in 4A bis 4C gezeigt. Dieser Test wurde als ein Freiformslalom auf einem Schneefeld durchgeführt, wobei alle ESP-Berechnungen liefen. Das Bremsdruckanlegen wurde abgeschaltet, damit sich das Fahrzeug dem wahren Grenzhandlingzustand nähert.
-
Für einen weiteren Test wurde das Fahrzeug über eine Straßenoberfläche mit einem hohen Reibungsgrad gefahren. Die Fahrzeuggeschwindigkeit, Traktions- und Bremsprofile für diesen Test sind in 5 gezeigt. Die Fahrzeugbewegungszustände sind in 6A bis 6C gezeigt. Die entsprechenden individuellen Handlinggrenzspielräume hUS, hOS, hTCS, hABS und hSSRA sind in 7A und 7B gezeigt.
-
Eine Einhüllendenvariable aller der individuellen Handlinggrenzspielräume ist definiert als henv = min{hOS, hUS, hTCS, hABS, hSSRA} (10)
-
Unter Berücksichtigung, dass plötzliche Änderungen bei dem einhüllenden Handlinggrenzspielraum auf Signalrauschen zurückzuführen sein könnte, wird ein Tiefpassfilter F(z) verwendet, um henv zu glätten, um den finalen Handlinggrenzspielraum h = F(z)henv (11) zu erhalten.
-
Für die in 2 und 3A bis 3C gezeigten Fahrzeugtestdaten ist der finale Handlinggrenzspielraum in 9A dargestellt, während für die in 5 und 6A bis 6C gezeigten Fahrzeugtestdaten der finale Handlinggrenzspielraum in 10A dargestellt ist.
-
IV. Handlinggrenz-Fahrstilcharakterisierung
-
In diesem Abschnitt wird der in (11) berechnete finale Handlinggrenzspielraum verwendet, um das Fahrzeughandling betreffende Fahrzustände und Fahrstil zu charakterisieren. Wir führen das Konzept des Handlingrisikofaktors (HRF) als das Maß dafür ein, wie ein Fahrzustand zu der Handlinggrenze in Beziehung steht. Der Handlingrisikofaktor r ist definiert als das Komplement des finalen Handlinggrenzspielraums h, d. h. r = 1 – h (12)
-
Der Handlingrisikofaktor ist minimal (r = 0), wenn der finale Handlinggrenzspielraum h ein Maximum ist (h = 1), und umgekehrt. Der HRF kann weiter dazu verwendet werden, ein probabilistisches Modell zu entwickeln, das verschiedene Kategorien von Fahrstilen beschreibt, die von den aktuellen Fahrzuständen bezüglich der Handlinggrenze widergespiegelt werden.
-
Allgemein gesprochen fährt ein vorsichtiger Fahrer üblicherweise ohne häufige Aggressivität, d. h. schnelle Änderungen von Lenkung, Geschwindigkeit und Beschleunigung. Somit ist es vernünftig, einen vorsichtigen Fahrer als einen solchen zu charakterisieren, der ständig extreme Fahreingaben und Annäherung an das maximale Handlingrisiko vermeidet. Ein durchschnittlicher Fahrer weist wahrscheinlich einen höheren Grad an HRF auf als ein vorsichtiger Fahrer. Ein erfahrener Fahrer könnte mehr Geschicklichkeit besitzen, das Fahrzeug zu kontrollieren, das heißt, er kann mit einem relativ hohen Grad an HRF über eine lange Dauer fahren, ohne dass das Fahrzeug die maximale Handlinggrenze übersteigt. Ein rücksichtsloser Fahrer weist ein leichtsinniges Handlingverhalten auf, das unvorhersehbar ist und schnelle Änderungen induzieren könnte. Vom rücksichtslosen Fahrer wird erwartet, mit einem Handlingrisikofaktor zu fahren, der sich gelegentlich sehr kurz dem Maximum (r = 1) annähern könnte, wodurch ein häufiges Auslösen der betreffenden Sicherheitssysteme verursacht wird (z. B. ABS, TCS, ESC).
-
Man beachte, dass der Unterschied zwischen dem erfahrenen Fahrer und dem rücksichtslosen Fahrer der ist, dass Ersterer einen Fahrzustand für eine lange Dauer auf einem relativ hohen HRF-Grad halten kann, während Letzterer ihn an dem ähnlichen Grad nur für eine kurze Dauer halten kann, bevor er bewirkt, dass das Fahrzeug die maximale Handlinggrenze wegen der schlechten Kontrollfähigkeit des Fahrers übersteigt. Da die Handlingrisikofaktorbereiche, die beispielsweise ein vorsichtiges, durchschnittliches, erfahrenes und rücksichtsloses Fahrverhalten definieren (bezüglich der Grenzhandlingzustände), möglicherweise nicht wohl definiert sind, werden Fuzzy-Teilmengen verwendet, um die vier Kategorien von Fahrern zu quantifizieren. Weiter werden jene Kategorien probabilistisch auf der Basis eines spezifischen Fahrerstils ausgewertet. Die mit den Kategorien von vorsichtigen, durchschnittlichen, erfahrenen und rücksichtslosen Fahrern assoziierten Fuzzy-Teilmengen können mit den folgenden Zugehörigkeitsfunktionen beschrieben werden: μc(r), μe(r), μa(r), μr(r) definiert über das HRF-Universum [0, 1]. 8 zeigt die Beziehung zwischen den Zugehörigkeitsgraden für jede dieser Kategorien und der HRF.
-
Die Zugehörigkeitsfunktionen in 8 können einem beliebigen Ereignis zugeordnet werden, das durch einen spezifischen HRF mit Wert rk dargestellt wird, unter Verwendung eines vierdimensionalen Vektors Dk = [μc(rk)μe(rk)μa(rk)μr(rk)]T seines Zugehörigkeitsgrads zu jeder der vier Beispielkategorien: vorsichtig, durchschnittlich, erfahren und rücksichtslos. Beispielsweise entspricht ein HRF-Wert rk = 0,4 (entsprechend einem Handlinggrenzspielraumwert hk = 0,6) den Graden der Zugehörigkeit zu den Kategorien vorsichtig, durchschnittlich, erfahren und rücksichtslos μc(0, 4) = 0,46, μe(0, 4) = 0,85 μa(0, 4) = 0,09, μr(0, 4) = 0,22
-
Die Zugehörigkeitsstufen codieren die Möglichkeiten, dass das durch einen HRF mit Wert r = 0,4 (oder dem Handlinggrenzspielraum h = 0,6) charakterisierte Ereignis mit einer der vier Beispielpartitionen assoziiert sein könnte. Der Vektor der Zugehörigkeitswerte d
k macht die Assoziation zwischen einem einzelnen Fahrereignis und der möglichen Fahrercharakterisierung bezüglich des HRF dieses Ereignisses. Um das langfristige Verhalten des Fahrers zu charakterisieren, benötigen wir eine probabilistische Interpretation der Möglichkeiten, die von mehreren Ereignissen generiert werden. Durch Hinzufügen der Zugehörigkeitswerte für jedes Ereignis werden im Wesentlichen die Gesamtmöglichkeiten aggregiert, dass ein spezifischer Fahrer als vorsichtig, durchschnittlich, erfahren und rücksichtslos kategorisiert werden kann, das heißt, der Vektor
wobei N die Anzahl von Proben ist. Die aggregierten Möglichkeiten können als Häufigkeiten betrachtet werden (manchmal als Fuzzy-Häufigkeiten bezeichnet), da sie offenlegen, wie häufig und in welchem Grad die HRFs für die mehreren Ereignisse zu den vier Beispielkategorien kaskadiert werden können. Die Alternative zum Aggregieren der Möglichkeiten, d. h. Hinzufügen der Zugehörigkeitsfunktionen, besteht darin, eine 1 zu addieren, falls die spezifische Zugehörigkeitsstufe μ
i(r
k), i ∊ {c, a, e, r} größer als ein vorbestimmter Schwellwert, z. B. 0,8, oder 0 ansonsten, was zum Berechnen der herkömmlichen Häufigkeit der vier Beispielkategorien führt. Anhand der aggregierten Möglichkeiten können die Wahrscheinlichkeiten des Fahrerstils vorsichtig, durchschnittlich, erfahren und rücksichtslos berechnet werden
wobei i ∊ {c, a, e, r}. Die Wahrscheinlichkeiten werden anhand der aggregierten Möglichkeiten (Fuzzy-Häufigkeiten) berechnet und können als Fuzzy-Wahrscheinlichkeiten angesehen werden. Der Grund für die Unschärfe hier ist der Mangel an Gewissheit beim Charakterisieren der Beziehung zwischen den vier Beispielkategorien und dem HRF. Für den Spezialfall von scharf definierten Kategorien (durch Intervalle anstatt durch Fuzzy-Teilmengen dargestellt) werden die Möglichkeiten in Boolesche Werte umgewandelt, ihre aggregierten Werte werden Häufigkeiten und folglich werden die Fuzzy-Wahrscheinlichkeiten in herkömmliche Wahrscheinlichkeiten umgewandelt.
-
Die wahrscheinlichste Fahrerkategorie i* ist die, die mit der höchsten Wahrscheinlichkeit charakterisiert ist, d. h.
-
-
Die auf Häufigkeiten basierte Berechnung der Wahrscheinlichkeiten kann im Hinblick auf die mittleren Häufigkeiten
ausgedrückt werden. Alternativ kann sie durch die exponentiell gewichteten mittleren Häufigkeiten ausgedrückt werden, wo die höheren Gewichte den Möglichkeiten zugeordnet sind, die mit den jüngsten Ereignissen assoziiert sind. Numerisch kann der Prozess des Generierens eines gewichteten Mittelwerts mit höheren Gewichten entsprechend der jüngsten Beobachtung dadurch bewerkstelligt werden, dass ein Tiefpassfilter angewendet wird, der den exponentiellen Glättalgorithmus in der Zeitdomäne
d * / neu = (1 – α)d * / alt + αdk = d * / alt + α(dk – d * / alt) (17) implementiert, wo der konstante Gedächtnisfaktor 0 < α ≤ 1 die Rate des Aktualisierens des Mittelwerts d* steuert, indem eine Menge von exponentiell abnehmenden Gewichten den älteren Beobachtungen zugewiesen wird. Für einen konstanten Gedächtnisfaktor α generiert Ausdruck (17) rekursiv einen Vektor von positiven Gewichten
W = [(1 – α)kα(1 – α)k-1α(1 – α)k-2 ... α] (18) mit einer Einheitssumme. Der Vektor W bezeichnet einen gewichteten aggregierenden Operator vom Durchschnittstyp mit exponentiell abnehmenden Gewichten, die für den Gedächtnisfaktor α parametrisiert sind. Parameter α definiert die Speichertiefe (die Länge des beweglichen Fensters) des gewichteten mittelnden aggregierenden Operators. Deshalb stellt der gefilterte Wert d* des Zugehörigkeitsstufenvektors in (17) die gewichteten Mittelwerte der individuellen Möglichkeiten über die Gewichte W dar. Da alle aggregierten Möglichkeiten über das gleiche bewegliche Fenster der Länge K
α = 1/α berechnet werden, können wir sie als Darstellungen der Häufigkeiten der Assoziationen mit jedem der vier Konzepte ansehen. Der gewichtete Mittelwert (17) wird über die Ereignisse berechnet, mit Indizes, die zu einem weichen Intervall
s ∊ {k – Kα + 1, k] (19) gehören, wobei das Symbol { eine weiche Untergrenze anzeigt, die Werte mit niedrigeren Indizes als (k – K
α) mit relativ niedrigem Beitrag enthält. Folglich können die aggregierten Möglichkeiten, die den Vektor d* bilden, entsprechend Ausdruck (14) in Wahrscheinlichkeiten umgewandelt werden.
-
Bei gewissen Ausführungsformen kann α so gewählt werden, dass eine Charakterisierung für eine gewünschte Zeitperiode erreicht wird. Beispielsweise kann ein Benutzer eine Eingabe liefern, die derart zu α in Beziehung steht, dass jede halbe Stunde eine Charakterisierung erfolgt. Es sind auch andere Szenarien möglich.
-
Für die durch 2, 3A bis 3C und 4A bis 4C gezeigten Fahrzeugprüfungen sind die individuellen Werte pi in 9B gezeigt, was anzeigt, dass für den größten Teil des Fahrens der Fahrer ein rücksichtsloses Fahrverhalten zeigte, was mit dem großen Wert des Schleuderwinkels in 3C übereinstimmt (Spitzengröße des Schleuderwinkels übersteigt 10 Grad). Für die durch 5 bis 7C gezeigten Fahrzeugprüfungen sind die individuellen Werte pi in 10B gezeigt, was anzeigt, dass der Fahrer anfänglich ein durchschnittliches Fahrerverhalten aufwies und dann zu einem rücksichtslosen Fahrerverhalten überging.
-
Die berechneten Wahrscheinlichkeiten definieren die wahrscheinlichste HRF-basierte Charakterisierung eines Fahrers für das Zeitfenster, das durch den Gedächtnisfaktor α spezifiziert ist. Durch Modifizieren des beweglichen Fensters kann die lang- und kurzfristige Charakterisierung für einen spezifischen Fahrer auf der Basis des HRF in Erfahrung gebracht und zusammengefasst werden.
-
Um die Auswirkung der Änderungen bei HRF auf die Charakterisierung des Fahrers vorherzusagen, wird das Konzept von Übergangswahrscheinlichkeiten eingeführt. Das Markov-Modell P beschreibt probabilistisch die Menge von Übergängen zwischen dem aktuellen und dem vorhergesagten Wert der Fahrerkategorie:
wobei p
ij die Wahrscheinlichkeit des Schaltens von Kategorie i zum Zeitpunkt k zu Kategorie j zum Zeitpunkt k + 1 ist und p
ii = max(p
i) die Wahrscheinlichkeit ist, die mit der dominierenden Kategorie i zum Zeitpunkt k assoziiert ist, i, j ∊ {c, a, e, r}. Die Übergangswahrscheinlichkeiten p
ij werden von den aggregierten Übergangswahrscheinlichkeiten abgeleitet, die nur dann aktualisiert werden, falls i = arg max(p
l) zum Zeitpunkt k und j = arg max(p
l), l ∊ {c, a, e, r}.
-
-
Die Übergangswahrscheinlichkeiten werden dann berechnet, indem die aggregierten Übergangswahrscheinlichkeiten in die Wahrscheinlichkeiten umgewandelt werden. Die maximale Übergangswahrscheinlichkeit pij bestimmt den Übergang von Kategorie i zu Kategorie j als den wahrscheinlichsten Übergang.
-
Die 11A und 11B verwenden einen Fahr-Fahrzeugtest zum Verifizieren einer langfristigen Fahrverhaltenscharakterisierung. Der Fahrer zeigt allgemein einen vorsichtigen Fahrstil (der ein Neuling, ein durchschnittlicher oder erfahrener Fahrer sein könnte). Bei etwa 190 Sekunden wurde das Fahrzeug mit einem gewissen Grad an Aggressivität gedreht, was aus der Spitze bei dem HRF-Diagramm ersichtlich ist, und der Fahrstil ging in die durchschnittliche Kategorie über. Da keine wichtigen HRF-Ereignisse weiter identifiziert wurden, wurde diese Kategorie für den Rest des Fahrzyklus in Verbindung mit dem Konzept der langfristigen Charakterisierung durchgeführt.
-
Wie oben erwähnt, können verschiedene hörbare und/oder visuelle Warnungen aktiviert werden, um einen Fahrer über den Handlinggrenzspielraum zu warnen. Die Spielraumschwellwerte, die definierern, ob eine Warnung (und/oder welcher Typ) ausgegeben werden soll, können auf der Basis der Fahrercharakterisierung abgeändert (oder suspendiert) werden. Falls beispielsweise bestimmt wird, dass der Fahrer ein erfahrener Fahrer ist, kann der Warnschwellwert von hx ≤ 10% auf hx ≤ 2% reduziert werden oder die Warnungen hinsichtlich des Handlinggrenzspielraums können suspendiert werden (ein erfahrener Fahrer benötigt möglicherweise nicht die Warnungen).
-
IV. Nichtüberwachte Fahrstilcharakterisierung
-
Während eines normalen Fahrmanövers kann eine langfristige Längsfahrzeugsteuerung des Fahrers dazu verwendet werden, das Fahrverhalten ungeachtet der dynamischen Antwort des Fahrzeugs zu bestimmen. Beispielsweise kann ein Fahrer während des Fahrens auf einer Landstraße über eine längere Zeitperiode ein spezifisches Längssteuermuster aufweisen. Sein Muster der Fahrpedalaktivierung kann selbst bei Fehlen von Notzuständen glatt oder abrupt sein. Die Variabilität des Pedals und seine Ratenänderung können verwendet werden, um zwischen glatter und abrupter Anwendung zu differenzieren. Eine derartige glatte oder abrupte Anwendung weist eine starke Korrelation mit der Kraftstoffökonomie und der Beschleunigungsleistung auf, wenn die Fahrzustände unbeschränkt sind. Das Identifizieren von solchen Fahrverhalten kann beispielsweise zum Implementieren eines Kraftstoffökonomieberaters verwendet werden.
-
Eine Anomaliedetektion kann verwendet werden, um größere Änderungen bei der Gesamtvariabilität von Steuerungsaktionen zu schätzen, die Änderungen beim entsprechenden Verhalten anzeigen. Die Anomaliedetektion ist eine Technik, die ein Hauptaugenmerk auf das kontinuierliche Überwachen, Maschinenlernen und nichtüberwachte Klassifikation legt, um einen Trend der Abweichung von einem normalen Verhalten zu identifizieren und eine potentielle signifikante Änderung vorherzusagen. Die Determinante der Kovarianzmatrix der Population von Aktionen eines Fahrers können als ein Maß für die verallgemeinerte Varianz (Verteilung) der Population und somit als Indikator für eine Änderung beim Verhalten des Fahrers verwendet werden kann.
-
Der Merkmalsraum einer Fahrdrehmomentanforderung τd und seine Ableitung wird von dem Vektor y = [τdτ .d] aufgespannt. Die Determinante D der Kovarianzmatrix der Population kann rekursiv berechnet werden als Dk+1 =(1 –α)k-1Dk(1 – α + (yk – νk)Qk(yk – νk)T) (21) mit νk+1 = (1 – α)νk + αyk
Qk+1 = (I – Gk(yk – νk))Qk(1 – α)–1
Gk+1 = Qk(yk – νk)Tα(1 – α + α(yk – νk)Qk(yk – νk)T)–1 (22) wobei vk eine gefilterte Version von yk, Qk die geschätzte inverse Kovarianzmatrix und α eine Konstante ist, die den zu der Filterspeichertiefe in Beziehung stehenden Gedächtnisfaktor reflektiert.
-
Dk, in (21) so berechnet, weist anfängliche Mittelwerte und Standardabweichungen für die Verhalten vom abrupten und glatten Typ auf. Das Istverhalten wird als abrupt klassifiziert, falls ein Wert höher ist als eine Steuergrenze labrupt, und wird als glatt klassifiziert, wenn sein Wert unter einer Steuergrenze usmooth liegt. labrupt und usmooth sind definiert als labrupt = μabrupt – 3σabrupt, usmooth = μsmooth + 3σsmooth, wobei μabrupt und σabrupt der Mittelwert und die Standardabweichung der abrupten Verhaltensklasse sind. μsmooth und σsmooth sind analog für die glatte Verhaltensklasse definiert. Falls das aktuelle Verhalten entweder als abrupt oder glatt klassifiziert ist, werden der entsprechende Mittelwert und die Standardabweichung des entsprechenden Verhaltens rekursiv aktualisiert. wk+1 = (1 – β)wk + βDk+1
Hk+1 = (1 – β)Hk + (β – β2)(Dk+1 – wk)T(Dk+1 – wk)
σk+1 = (Hk+1)1/2 (23) wobei w und H der geschätzte Mittelwert und die geschätzte Varianz sind und ☐ ein weiterer Gedächtnisfaktor ist.
-
12 zeigt die Determinante der Kovarianzmatrix von dem Vektor der Fahrpedalposition und ihre Ratenänderung für acht Durchläufe von Fahrzeugtests. Die vier Durchläufe mit durchgehenden Linien der Determinante waren für abrupte Fahrpedalanwendungen. Diese Determinanten zeigen einen Wert, beispielsweise größer als 7. Die vier Durchläufe mit gepunkteten Linien der Determinante waren für glatte Fahrpedalanwendungen. Diese Determinanten zeigen einen kleinen Wert, beispielsweise kleiner als 4. Somit offenbart die Größe der Determinante die einzigartigen informativen Muster, die verwendet werden können, um ein glattes Fahrverhalten von einem abrupten Fahrverhalten zu unterscheiden.
-
Da Interaktionen zwischen dem Fahrer und dem Fahrumfeld häufige Fahrzeugstopps mit variierten Dauern beinhalten, kann eine Suspension der kontinuierlichen Aktualisierung erforderlich sein, um während einer rekursiven Berechnung numerische Probleme zu verhindern. Die folgenden Suspensionsbedingungen können verwendet werden: (I) Falls die Fahrzeuggeschwindigkeit unter 1 mph liegt, werden zur Fahrzeuggeschwindigkeit und Beschleunigung in Bezug stehende rekursive Berechnungen suspendiert. (II) Falls die Fahrpedalposition unter 1% liegt, werden das Pedal betreffende rekursive Berechnungen suspendiert.
-
Wenngleich sich die obige Abweichung auf das Fahrpedal konzentriert, kann sie ohne Umstände auf den Bremsfall angewendet werden. Da ein plötzliches aggressives Bremsen während Notsituationen geschehen kann (die nicht notwendigerweise das allgemeine Verhalten des Fahrers anzeigen), kann ein quasi-stationäres Fahren, wo das Bremsen nicht extrem ist, für die rechnerische Prüfung verwendet werden.
-
Während einer instationären Beschleunigung und Verlangsamung erfahren bestimmte Räder des Fahrzeugs möglicherweise einen großen Längsschlupf, und die Reifenlängskräfte jener Räder können ihre Spitzenwerte erreichen. Solche Zustände können durch das Überwachen der Drehbewegung der individuellen Räder in Relation zu der Fahrgeschwindigkeit des Fahrzeugs identifiziert werden und folglich kann das Fahrerverhalten während instationärer Manöver wie oben erörtert bestimmt werden.
-
V. Halbüberwachte Fahrstilcharakterisierung
-
Möglicherweise sind nicht alle Fahrerangaben durch Elektroniksteuersysteme zugänglich. Bestimmte Variablen jedoch können ein Eingabe-Ausgabe-Paar konstruieren, das zum Ableiten einer Fahrersteuerstruktur verwendet werden kann. Während eines Wagenverfolgungsmanövers beispielsweise sind üblicherweise die relative Distanz zwischen dem vorausfahrenden und dem nachfolgenden Wagen und die Brems- und Drosselanforderungen des Fahrers gut koordiniert. Hier wird ein Takagi-Sugeno-Modell (TS) betrachtet, um die Varianz der Brems- und Drosselbefehle des Fahrers zu dem relativen Bereich und der relativen Geschwindigkeit zwischen dem vorausfahrenden und dem nachfolgenden Wagen in Beziehung zu setzen.
-
Ein Fuzzy-System kann die signalkonditionierte mittlere Vorwärtsfahrgeschwindigkeit (Abstandszeit) relativ zu dem anderen Fahrzeug sowie die Standardabweichung der Ratenänderungen des Fahrpedals und des Bremspedals nutzen, um zu bestimmen, ob der Fahrer aggressiv oder vorsichtig ist. Der Fahrerindexwert von der Fuzzy-Berechnung und Regelauswertung kann die Aggressivität des Fahrers auf der Basis der Wagenverfolgung, der Fahrzeuggeschwindigkeit und der Steueraktionen des Fahrers bei Beschleunigung und Verlangsamung bestimmen.
-
Für eine Echtzeitfahrzeugimplementierung wird die rekursive Schätzung des Mittelwerts und der Varianz einer relevanten Variablen angewendet. Die signalkonditionierte durchschnittliche mittlere Abstandszeit bei der Probezeit k kann berechnet werden als gk = gk-1 + α(Δsk/νfk – gk-1) (24) wobei Δsk die relative Distanz zwischen dem vorausfahrenden und dem folgenden Fahrzeug und vfk die Geschwindigkeit des folgenden Fahrzeugs ist. α ist ein Filterkoeffizient ähnlich dem in (22) verwendeten. Die 13A und 13B zeigen die aus zwei Durchläufen der Fahrzeugprüfung berechneten Abstandszeiten: eine für aggressives Fahren und die andere für vorsichtiges Fahren.
-
Der Fahrpedalratenmittelwert kann berechnet werden als ρ k = ρ k-1 + α((ρk – ρk-1)/ΔT – p k-1) (25) wobei ρ der Fahrpedalmittelwert und ΔT die Probezeit ist. Die entsprechende Varianz kann berechnet werden als υkαυk-1 + (1 – α)(ρk – ρ k)2 (26) und die Standardabweichung wird aus der Quadratwurzel der Varianz erhalten. 14A und 14B zeigen die Standardabweichungen von zwei Durchläufen von Testdaten für aggressives und vorsichtiges Fahren.
-
Ähnlich (25) und (26) können der Mittelwert und die Varianz der Bremspedalratenänderung berechnet werden. Die 15A und 15B zeigen die Standardabweichungen von zwei Durchläufen von Testdaten für aggressives und vorsichtiges Fahren. Die Variablen werden zuerst normiert, bevor sie dem Fuzzy-Interferenzsystem vorgelegt werden. Die Fuzzy-Mengen und Zugehörigkeitsfunktionen wurden für die Merkmale bestimmt, um die scharfen Eingaben in Fuzzy-Terme umzuwandeln. Die mittlere Abstandszeit-Fuzzy-Menge Gs ist definiert durch Gs = {(g, μ(g))|g ∊ G} (27) wobei G durch die begrenzte Sammlung von Abstandszeiten g in dem Fahrzeugweg gegeben wird. Die Abstandszeit-Zugehörigkeitsfunktion μ wird als eine Gaußsche Funktion gewählt.
-
Ein TS-Modell nullter Ordnung wurde verwendet, um die Fahrerindexhöhe zu berechnen. Eine normierte Ausgangsskala von 0–1,0 stellte die Höhen von vorsichtig zu wenig aggressiv zu aggressivem Fahrverhalten dar. Der Fahrerindex wird aus einer Fuzzy-Berechnung und Regelauswertung erhalten. Tabelle 1 zeigt die verwendeten Regeln. Man beachte, dass eine höhere Abstandszeit relativ mehr sicherheitsbewusst ist im Vergleich zu einer niedrigeren Abstandszeit. Tabelle 1 Regeln für die Fahrverhaltenscharakterisierung
Falls Abstandszeit | Falls Fahrpedalrate STD | Falls Bremspedalrate STD | Dann ist der Fahrerindex |
Niedrig | Niedrig | Niedrig | Weniger
Aggressiv |
Hoch | Niedrig | Niedrig | Vorsichtig |
Niedrig | Hoch | Niedrig | Aggressiv |
Niedrig | Niedrig | Hoch | Aggressiv |
Niedrig | Hoch | Hoch | Aggressiv |
Hoch | Hoch | Hoch | Weniger
Aggressiv |
Hoch | Niedrig | Hoch | Vorsichtig |
Hoch | Hoch | Niedrig | Weniger
Aggressiv |
-
16A und 16B zeigen den aus zwei Durchlaufen von Fahrzeugtestdaten berechneten Fahrerindex: einen für aggressives Fahren mit einem Fahrerindex größer als 0,8 und den anderen für vorsichtiges Fahren mit einem Fahrerindex unter 0,2.
-
VI. Überwachte Fahrstilcharakterisierung
-
Die Wagenverfolgungsaufgabe erfordert, dass der Fahrer mit dem vorausfahrenden Fahrzeug einen der folgenden Punkte aufrechterhält: (i) eine Geschwindigkeitsdifferenz von 0; (ii) eine konstante relative Distanz und (iii) eine konstante relative Abstandszeit, definiert durch die Division der relativen Distanz durch die relative Geschwindigkeit.
-
Ein menschlicher Fahrer kann als ein PD-Rückkopplungskontroller modelliert werden. Das Regelsystem während eines Wagenverfolgungsmanövers kann ausgedrückt werden als
wobei x
l und x
f die Fahrdistanz des vorausfahrenden und des folgenden Fahrzeugs sind und
x g die Abstandsoffsetreferenz ist. Wegen der Implementierung von Radar, in mit einer adaptiven Abstandsregelfunktion ausgestatteten Fahrzeugen verwendet, werden die relative Distanz und Geschwindigkeit gemessen und definiert als
Δs = xl – xf, Δν = x .l – x .f (29)
-
Ein mit Stabilitätssteuerungen ausgestattetes Fahrzeug weist einen Längsbeschleunigungsmesser mit Ausgabe α
x auf, der x ..
f misst. (28) kann weiter ausgedrückt werden als
-
Die unbekannten Parameter c
v und c
s in (30) können dazu verwendet werden, eine Steuerstruktur des Fahrers während einer Wagenverfolgung zu charakterisieren. Unter Verwendung der tiefpassgefilterten Werte Δs und Δv, um die Abstandsoffsetreferenz
x g und ihre Ableitung
zu ersetzen, und unter Berücksichtigung der Zeitverzögerungen haben wir die folgenden Gleichungen
wobei ein tiefgestelltes i in
die Zeitverzögerung zwischen der Brems-/Drosselungsbetätigung des Fahrers und der gemessenen relativen Distanz und Geschwindigkeit wiedergibt, und die Beschleunigung α ein Tiefpassfilterkoeffizient ähnlich dem in (22) verwendeten ist und w ein Hochfrequenzungewissheitssignal ist, das als weißes Rauschen behandelt werden kann. Unter Verwendung eines konditionalen Identifikationsalgorithmus der kleinsten Quadrate können c
v und c
s in Echtzeit aus (31) identifiziert werden. Die Antwortzeit t
p und das Dämpfungsverhältnis ζ des Driver-in-the-Loop-Systems können zu c
v und c
s in Beziehung stehen als
die dazu verwendet werden kann, das Fahrverhalten des Fahrers zu deduzieren: (i) für einen normalen Fahrer ist es wünschenswert, dass die instationäre Antwort des Driver-in-the-Loop-Systems schnell ist (ausreichend kleiner t
p-Wert, z. B. kleiner als 0,5 s) und gedämpft (ausreichend großer ζ-Wert); (ii) für einen älteren Fahrer oder Fahrer mit physischer Einschränkung kann der t
p-Wert groß sein; (iii) für einen aggressiven Fahrer zeigt ζ wahrscheinlich einen kleinen Wert wie etwa einen unter 0,5, und die Systemantwort weist wahrscheinlich ein übermäßiges Überschießen auf; (iv) für einen vorsichtigen Fahrer zeigt ζ wahrscheinlich einen einigermaßen großen Wert, wie etwa einen über 0,7.
-
Eine Parameteridentifikation der kleinsten Quadrate wurde zum Berechnen von cv und cs implementiert. Zwei Durchlaufe von Fahrzeugprüfungen wurden durchgeführt. Bei dem ersten Durchlauf versuchte der Fahrer in dem folgenden Wagen, aggressives Drosseln und Bremsen zu verwenden, um eine konstante relative Abstandszeit zwischen seinem Fahrzeug und einem vorausfahrenden Fahrzeug zu erreichen, was zu einem größeren Δsk – μk(Δs) führte. Siehe 17. Der identifizierte cv-Wert liegt bei etwa 0,2 und der identifizierte cs-Wert bei etwa 0,05. Siehe 18. Das so aus (32) berechnete Dämpfungsverhältnis zeigte einen Wert unter 0,5, was eine Indikation für ein leicht dämpfendes Driver-in-the-Loop-System ist, entspricht somit einem aggressiven Fahrverhalten.
-
Im zweiten Durchlauf verwendete der Fahrer eine vorsichtige Drossel- und Bremsanwendung, um eine Wagenverfolgung zu erreichen, der relative Bereichsfehler Δsk – μk(Δs) in 19 wies im Vergleich zu dem in 17 gezeigten eine geringere Größe auf. Die identifizierten Werte cv und cs sind in 20 gezeigt. Das Dämpfungsverhältnis zeigte einen Wert über 0,8, außer während der ersten 150 Sekunden. Siehe 20. Dies ist eine Indikation für ein stark dämpfendes Driver-in-the-Loop-System, entspricht somit einem vorsichtigen Fahrverhalten.
-
VII. Anwendungen
-
Die Handlinggrenze und/oder die Fahrstilcharakterisierung, mit entsprechender Überwachung und Erzwingung, können zum Beraten, Coachen und Überwachen des Fahrers und zur Sicherheitserzwingung verwendet werden. Eine weitere mögliche Anwendung betrifft die Gelegenheit zur Fahrzeugpersonalisierung durch Abstimmen von Steuerparametern auf den Stil des spezifischen Fahrers. Beispielsweise können das ESP oder das Bremssteuersystem eine derartige Fahrerstilcharakterisierung ausnutzen, um den Betätigungsschwellwert an das persönliche Fahrverhalten anzupassen. Als Beispiel benötigt ein erfahrener Fahrer möglicherweise weniger ESP-Aktivierungen im Vergleich zu einem weniger erfahrenen Fahrer angesichts der gleichen Fahrbedingungen. (Es kann jedoch eine Mindestanforderung geben, um die Schwellwerte derart zu verstellen, dass ein Fehler durch einen erfahrenen Fahrer immer noch von der ESP-Funktion unterstützt werden kann).
-
Als weiteres Beispiel können die Lenkempfindlichkeit (der Grad der Fahrzeuglenkantwort auf eine gegebene Lenkeingabe) und die Fahrpedalempfindlichkeit (der Grad der Fahrzeugbeschleunigungsantwort auf eine gegebene Fahrpedaleingabe) auf der Basis der Fahrercharakterisierung abgestimmt werden. Das Lenkrad und/oder das Fahrpedal können empfindlicher ausgelegt werden, falls der Fahrer als erfahren charakterisiert wird (wodurch eine größere Fahrzeugreaktionsfähigkeit bereitgestellt wird). Das Lenkrad und/oder das Fahrpedal können weniger empfindlich ausgelegt werden, falls der Fahrer als vorsichtig charakterisiert wird (was potentiell zu einer verbesserten Kraftstoffökonomie führt). Es sind auch andere Anwendungen möglich.
-
21 ist ein Blockdiagramm einer Ausführungsform eines Beratungssystems 30 für ein Fahrzeug 32. Das Beratungssystem 30 kann Folgendes enthalten: mehrere Fahrzeugzustandssensoren 34 (z. B. Gierratensensor, Lenkwinkelsensor, Seitenbeschleunigungssensor, Längsbeschleunigungssensor, Raddrehzahlsensor, Bremsdrucksensor usw.), einen oder mehrere Controller 36, die konfiguriert sind, beispielsweise ein elektronisches Stabilitätsprogramm, ein Antiblockiersystem und eine Schlupfregelung auszuführen sowie die Handlinggrenze und die Fahrercharakterisierung, oben beschrieben, ein Audio- und/oder Sichtindikatorsystem 38 (z. B. ein Displaypanel, ein Lautsprechersystem, LED-Array, USB-Port usw.) und ein Fahrzeugeingabe- und/oder -steuersystem 40 (z. B. Fahrpedal, Antriebsstrangcontroller, Lenkrad usw.).
-
Die Fahrzeugzustandssensoren 34 können die verschiedenen, oben beschriebenen Parameter wie etwa Fahrzeuggeschwindigkeit, Radschlupf usw. detektieren, die die Bewegung des Fahrzeugs 32 charakterisieren (z. B. gegenwärtiger Handlingzustand und Grenzhandlingzustand) sowie die obenbeschriebenen Fahrereingaben (z. B. Fahr- und Bremspedalposition usw.). Der eine oder die mehreren Controller 36 können diese Informationen als Eingaben für die oben beschriebenen Handlinggrenz- und/oder Fahrercharakterisierungsalgorithmen verwenden. Auf der Basis der Ausgabe dieser Algorithmen können der eine oder die mehreren Controller 36, wie oben beschrieben, (i) das Audio- und/oder Sichtindikatorsystem 38 aktivieren, um beispielsweise den Fahrer zu warnen oder zu coachen, oder (ii) Aspekte des Fahrzeugeingabe- und/oder -steuersystems 40 zu modifizieren, um die Antwort des Fahrzeugs auf den Typ Fahrer kundenspezifisch zuzuschneiden.
-
Als Beispiel können auf der Basis von von den Sensoren 34 gesammelten Informationen der eine oder die mehreren Controller 36 unter Ausführung der oben beschriebenen Algorithmen bestimmen, dass ein Fahrer des Fahrzeugs 32 rücksichtslos fährt. Weil der Fahrer als rücksichtslos klassifiziert worden ist, können der eine oder die mehreren Controller 36 beispielsweise damit beginnen, über das Audio- und/oder Sichtindikatorsystem 38 Fahranweisungen auszugeben, um den Fahrer zu ermutigen, sein Verhalten zu ändern. Der eine oder die mehreren Controller 36 können außerdem/stattdessen haptische Elemente des Fahrzeugeingabe- und/oder steuersystems 40 wie etwa ein haptisches Fahrpedal aktivieren, um den Fahrer vor seinem rücksichtslosen Verhalten zu warnen.
-
Ein Speicher, auf den der eine oder die mehreren Controller 36 zugreifen können, kann eine Datenbank von (Audio- und/oder Sicht-)Anweisungen enthalten, die mit bestimmten vordefinierten Regeln abgebildet sind. Eine Beispielregel kann lauten, dass, falls ein Fahrer rücksichtslos ist und die Rate der Lenkradwinkeländerung in einen gewissen definierten Bereich für eine spezifizierte Zeitperiode fällt (das heißt, der Fahrer weiterhin das Lenkrad schnell im Uhrzeigersinn und entgegen dem Uhrzeigersinn dreht), den Fahrer dann anzuweisen, seine Lenkeingaben zu reduzieren.
-
22 ist ein Blockdiagramm einer weiteren Ausführungsform eines Beratungssystems 130 für ein Fahrzeug 132, wo gleiche Zahlen Beschreibungen ähnlich jenen von 21 aufweisen. Bei dieser Ausführungsform jedoch enthält das Fahrzeug 132 ein Token-Erkennungssystem 142, das auf bekannte Weise konfiguriert ist, ein Token 144 zu erkennen. Das Token 144 kann als Beispiel ein Schlüssel mit einem Identifikationschip sein, der einen bestimmten Fahrer oder Klasse von Fahrern (z. B. Teenagerfahrer) identifiziert. Bei diesem Beispiel kann das Token-Erkennungssystem 142 ein Chiplesegerät enthalten, das auf bekannte Weise innerhalb eines Zündsystems des Fahrzeugs 132 angeordnet ist, um den Identifikationschip auszulesen und diese Informationen an den einen oder die mehreren Controller 136 zu kommunizieren. Als ein weiteres Beispiel kann das Token 144 ein Schlüsselanhänger oder eine Kunststoffkarte mit einem darin eingebetteten RFID-Chip sein. Bei diesem Beispiel kann das Token-Erkennungssystem 142 ein RFID-Chiplesegerät enthalten, das auf bekannte Weise in dem Fahrzeug 132 angeordnet ist, um den RFID-Chip zu detektieren und auszulesen und diese Informationen an den einen oder die mehreren Controller 136 zu kommunizieren. Als noch weiteres Beispiel kann das Token 144 ein Mobiltelefon sein. Bei diesem Beispiel kann das Token-Erkennungssystem 142 bekannte Module enthalten (wie etwa die SYNC-Technologie von Ford), die konfiguriert sind, das Mobiltelefon zu erkennen und diese Informationen an den einen oder die mehreren Controller 136 zu kommunizieren. Es sind auch andere Anordnungen und Szenarien möglich.
-
Eine Vielzahl von Funktionen kann auf der Basis einer Fahreridentifikation und der Handlinggrenze und/oder der Fahrstilcharakterisierung, oben beschrieben, implementiert werden. Falls als Beispiel das Token-Erkennungssystem 142 Informationen an den einen oder die mehreren Controller 136 liefert, die den Fahrer als einen Teenagerfahrer identifizieren, können der eine oder die mehreren Controller 136 über das Audio- und/oder Sichtindikatorsystem 138 Anweisungen an den Fahrer ausgeben, bei Annäherung an die Handlinggrenze die Drossel nachzulassen oder zu bremsen. Der eine oder die mehreren Controller 136 können regelbasierte Befehle ähnlich den oben beschriebenen implementieren, um eine derartige Fahranweisung zu bewirken. (Eine Beispielregel kann lauten, dass, falls der Fahrer ein Teenagerfahrer ist und falls der Handlinggrenzspielraum unter 15% liegt, dann den Fahrer anweisen, langsamer zu fahren.)
-
Falls als weiteres Beispiel das Token-Erkennungssystem 142 Informationen an den einen oder die mehreren Controller 136 liefert, die den Fahrer als Teenagerfahrer identifizieren, können der eine oder die mehreren Controller 136 eine Vorgeschichte der Berechnungen des Handlinggrenzspielraums und/oder der Fahrerstilcharakterisierung aufzeichnen, um das Fahrverhalten beschreibende Berichte zu generieren. Diese Berichte können beispielsweise für eine gegebene Reise die Häufigkeit detaillieren, mit der der Teenagerfahrer bestimmte Niveaus des Handlinggrenzspielraums überstiegen hat. Diese Berichte können beispielsweise auch den Teenagerfahrer als vorsichtig, aggressiv, rücksichtslos usw. während einer beliebigen gegebenen Reise beschreiben. Solche Berichte können auf beliebige geeignete/bekannte Weise abgerufen, berichtet oder angezeigt werden, wie etwa durch das Audio- und/oder Sichtindikatorsystem 138.
-
Als noch ein weiteres Beispiel kann Fahrer-Coachen und/oder Anweisung auf der Basis der oben beschriebenen Fahreridentifikation implementiert werden. Der eine oder die mehreren Controller 136 können beispielsweise Anweisungen ausgeben, um einen Fahrer zu ermutigen; Fahreingaben an das Fahrzeug 132 zu liefern, die dazu führen, dass der Fahrer als vorsichtig klassifiziert wird. Falls beispielsweise ein Fahrer damit beginnt, häufig zu beschleunigen und zu verlangsamen, können der eine oder die mehreren Controller 136 den Fahrer über das Audio- und/oder Sichtindikatorsystem 138 anweisen, die Distanz zwischen dem Fahrzeug 132 und dem Fahrzeug vor ihm zu vergrößern, um die Häufigkeit von Beschleunigung und Bremsen zu reduzieren. Regeln ähnlich jenen oben beschriebenen oder eine beliebige andere geeignete Intelligenztechnologie wie etwa neuronale Netze usw. können verwendet werden, um die Anweisungen zu erleichtern. Bei Ausführungsformen, wo das Fahrverhalten für die spätere Berichterstellung aufgezeichnet wird, kann auch als eine Indikation für das Verhalten des Fahrers aufgezeichnet werden, ob sich der Fahrer an die Anweisungen halt oder sie ignoriert.
-
23 ist ein Blockdiagramm von noch einer weiteren Ausführungsform eines Beratungssystems 230 für ein Fahrzeug 232, wo gleiche Zahlen Beschreibungen ähnlich jenen von 21 aufweisen. Diese Ausführungsform enthält ein Radar- und/oder Kamerasystem 246 (es kann jedoch ein beliebiges geeignetes Vorwärtserfassungssystem verwendet werden), das auf bekannte Weise periodisch/kontinuierlich die Distanz zwischen dem Fahrzeug 232 und einem weiteren Fahrzeug vor dem Fahrzeug 232 detektieren kann. (Wenngleich nicht gezeigt, kann das Beratungssystem 230 auch ein Token-Erkennungssystem und assoziierte Fähigkeiten ähnlich jenen unter Bezugnahme auf 22 erörterten enthalten. Andere Konfigurationen sind ebenfalls möglich.)
-
Unter bestimmten Umständen können die von dem System 246 gesammelten Distanzinformationen von dem einen oder den mehreren Controllern 236 überwacht werden. Falls die Distanz unter einem bestimmten vordefinierten Schwellwert (z. B. 20 Fuß) liegt, können der eine oder die mehreren Controller 236 den Fahrer über das Audio- und/oder Videoindikatorsystem 238 warnen und/oder Elemente der Fahrzeugeingabe- und/oder -steuersysteme 240 aktivieren, falls sie vom haptischen Typ sind (z. B. haptisches Fahrpedal, haptisches Lenkrad, haptischer Sitz usw.).
-
Unter anderen Umständen können die von dem System
246 gesammelten Distanzinformationen X zusammen mit der Änderung bei der Distanz V
x über die Zeit und Längsbeschleunigung A
x des Fahrzeugs
232 von dem einen oder den mehreren Controllern
236 verwendet werden, um eine Zeit t
c bis zu einer Kollision mit dem Fahrzeug vor dem Fahrzeug
232 zu bestimmen, und zwar durch die folgende Gleichung
-
Falls die Zeit bis zur Kollision kleiner ist als ein vordefinierter Schwellwert, können der eine oder die mehreren Controller 236 den Fahrer wie oben beschrieben warnen.
-
Unter noch anderen Umständen können der eine oder die mehreren Controller 236 den Warnschwellwert auf der Abstandszeit (oben erörtert) zwischen dem Fahrzeug 232 und dem Fahrzeug vor ihm basieren. Falls die Abstandszeit kleiner als ein Schwellwert ist, können der eine oder die mehreren Controller 236 beispielsweise haptische Elemente der Fahrzeugeingabe- und/oder -steuersysteme 240 usw. aktivieren (in Schleuderung versetzen).
-
Alternativ können der eine oder die mehreren Controller 236 auf Tabellen von Distanz und Geschwindigkeit/relativer Geschwindigkeit zugreifen, um zu bestimmen, wann sie den Fahrer warnen sollen. Als ein Beispiel, falls die Distanz in einem bestimmten Bereich fällt und die Geschwindigkeit in einen bestimmten Bereich fällt, können der eine oder die mehreren Controller 236 ein haptisches Fahrpedal aktivieren. Es sind auch andere Szenarien möglich.
-
Die Intensität (Häufigkeit und/oder Amplitude), mit der haptische Elemente der Fahrzeugeingabe- und/oder -steuersysteme 240 aktiviert werden, kann von der Distanz, der Zeit bis zu einer Kollision, der Abstandszeit usw. zwischen dem Fahrzeug 232 und dem Fahrzeug vor ihm abhängen. Als Beispiel kann die Intensität zunehmen, wenn diese Parameter abnehmen. Diese zunehmende Intensität kann die zunehmende Dringlichkeit signalisieren.
-
Die vordefinierten Schwellwerte können von dem Fahrertyp abhängen. Das heißt, der eine oder die mehreren Controller 236 können die oben erörterten Fahrercharakterisierungsalgorithmen implementieren und auf der Basis der Charakterisierung den Warnschwellwert erhöhen oder absenken. Ein Schwellwert kann beispielsweise für einen erfahrenen Fahrer abgesenkt werden, weil es möglicherweise weniger wahrscheinlich ist, dass er infolge von zu dichtem Auffahren einen Unfall erfährt. Ein Schwellwert kann für einen rücksichtslosen oder aggressiven Fahrer angehoben werden, weil es möglicherweise wahrscheinlicher ist, dass er infolge zu dichten Auffahrens einen Unfall erfährt, usw.
-
Die vordefinierten Schwellwerte können auf der Basis dessen abgeändert werden, ob sich der Fahrer an die Warnung hält, die sie anzeigen. Falls beispielsweise ein Fahrer nicht seine Nachfolgedistanz zu dem Fahrzeug vor ihm nach der Aktivierung eines haptischen Fahrpedals vergrößert, kann die vordefinierte Folgedistanz, die zum Auslösen der Aktivierung des haptischen Pedals verwendet wird, gesenkt werden, um zu vermeiden, dass es den Fahrer ärgert. Die mit der Zeit bis zu einer Kollision assoziierten vordefinierten Schwellwerte und die Abstandszeit können ähnlich herabgesetzt werden. Es kann jedoch ein Minimum festgelegt werden, jenseits dessen der Schwellwert nicht abgesenkt wird.
-
Wie für den Durchschnittsfachmann offensichtlich ist, können die hierin offenbarten Algorithmen an eine Verarbeitungseinrichtung geliefert werden, die eine etwaige existierende Elektroniksteuereinheit oder eigene Elektroniksteuereinheit enthalten kann, und zwar in vielen Formen einschließlich unter anderem Informationen, die permanent auf einem nicht beschreibbaren Speichermedium wie etwa ROM-Einrichtungen gespeichert sind, und Informationen, die abänderbar auf beschreibbaren Speichermedien wie etwa Disketten, Magnetbändern, CDs, RAM-Einrichtungen und anderen magnetischen und optischen Medien gespeichert sind. Die Algorithmen können auch in einem durch Software ausführbaren Objekt implementiert sein. Alternativ können die Algorithmen ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten wie etwa anwendungsspezifische integrierte Schaltungen (ASIC), Zustandsmaschinen, Controllern oder anderen Hardwarekomponenten oder Einrichtungen oder einer Kombination aus Hardware-, Software- und Firmwarekomponenten verkörpert werden.
-
Wenngleich Ausführungsformen der Erfindung dargestellt und beschrieben worden sind, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen der Erfindung darstellen und beschreiben. Die in der Spezifikation verwendeten Wörter sind Wörter der Beschreibung anstatt der Beschränkung, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne von dem Gedanken und Schutzbereich der Erfindung abzuweichen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-