DE19523111A1 - Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug - Google Patents

Description

Die Erfindung bezieht sich auf eine Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahr­ zeug.

Es sind derartige Abstandsregeleinrichtungen bekannt, bei denen zur Regelung übliche Regelkreise mit herkömmlichen Reglern ver­ wendet werden. Beispielhaft sei hier auf die in den Patent­ schriften DE 42 09 047 C1 und US 4.703.429 beschriebenen Ab­ standsregelungen hingewiesen.

Bei der Einregelung eines über ein Abstandsgesetz vorgegebenen Sollabstandes ist es aufgrund des nichtlinearen Anteils des Fahrzeugverhaltens der bei niedrigen Fahrgeschwindigkeiten zu­ nehmend an Bedeutung gewinnt, schwierig, aus dem Abstand und der Relativgeschwindigkeit direkt ein Stellsignal für den Antrieb und die Bremse zu erzeugen. Zur Verbesserung dieser Situation ist es bekannt, die Abstandsregelung mittels zweier kaskadenför­ mig angeordneter Regelkreise vorzunehmen, wobei ein Abstandsre­ gelkreis eine Sollbeschleunigungs- oder Sollgeschwindigkeitsin­ formation an einen unterlagerten Regelkreis abgibt, der diese Sollbeschleunigung bzw. Sollgeschwindigkeit durch Bestimmung entsprechender Stellsignale für den Antrieb und/oder die Bremse einregelt. Da die Einregelung einer Sollbeschleunigung bzw. ei­ ner Sollgeschwindigkeit jedoch insbesondere bei sehr kleinen Fahrgeschwindigkeiten bis hin zum Fahrzeugstillstand, z. B. wäh­ rend Fahrphasen im sogenannten Stop-and-go-Verkehr bei Verwen­ dung herkömmlicher Regler gleichfalls nur schwierig zu bewerk­ stelligen ist, sind Genauigkeit und Verhalten der Abstandsrege­ lung mit den zwei kaskadierten Regelkreisen meist nicht sehr zu­ friedenstellend.

In der Offenlegungsschrift DE 40 01 493 A1 werden ein Verfahren und eine Einrichtung zur selbsttätigen Steuerung von bewegbaren, insbesondere selbstfahrenden, Fahrzeugen beschrieben. Bei diesem Fahrzeugsteuerungssystem wird als Teil der Steuereinheit ein neuronales Netzwerk verwendet, das ausgangsseitig das oder die erforderlichen Steuersignale für Antriebs- und Bremseneinheiten des Fahrzeugs abgibt, um Kollisionen mit erkannten Hindernissen zu vermeiden und ein gewünschtes Fahr- und Bewegungsverhalten zu erzeugen. Dabei führt das Fahrzeug in einer Lernphase aus einer begrenzten Anzahl ausgewählter Situationen fremdgesteuert einen Bewegungsablauf aus, und die dabei gewonnenen Sensor- und Aktua­ tordaten werden der Netzwerkstruktur in der Lernphase wiederholt unter lehrhafter Vorgabe des Bewegungsablaufzyklus eingegeben. Als Bewegungsablaufzyklus ist dabei insbesondere an einen Fahr­ zyklus längs einer von dem selbstfahrenden Fahrzeug zu befahren­ den Bahn gedacht, in deren Umgebung sich Hindernisse befinden können, die vom Fahrzeug umfahren werden sollen. Die Einhaltung eines konstanten Abstands zu einem vorausfahrenden Fahrzeug wird dort nicht angesprochen.

In der Offenlegungsschrift JP 4-71933 (A) ist eine Geschwindig­ keitsregeleinrichtung offenbart, die ein neuronales Netzwerk verwendet, dem über eine Vorverarbeitungsschaltung die vorgese­ henen Eingangsdaten, insbesondere solche über den Abstand zu ei­ nem vorausfahrenden Fahrzeug, über die Regeldifferenz und die Beschleunigung sowie über den Lenkwinkel und das Drehmoment, zu­ geführt sind und das ausgangsseitig wenigstens ein Stellsignal für den Antriebsstrang des Fahrzeuges abgibt.

Es ist bekannt, daß durch Verwendung neuronaler Netzwerke, bei­ spielsweise vom Typ eines Mehrschicht-Perceptrons, nichtlineare funktionale Zusammenhänge durch entsprechendes Training beson­ ders gut berücksichtigt werden können, wozu beispielsweise auf W. Kinnebrock, "Neuronale Netze", Oldenburg-Verlag 1992 für wei­ tere Details verwiesen wird.

Der Erfindung liegt als technisches Problem die Bereitstellung einer Einrichtung der eingangs genannten Art zugrunde, mit wel­ cher sich der Fahrzeugabstand sowohl bei hohen, als auch insbe­ sondere bei sehr niedrigen Fahrgeschwindigkeiten mit relativ ho­ her Genauigkeit und zufriedenstellendem Regelverhalten um einen jeweils gewünschten Sollabstand regeln läßt.

Dieses Problem wird durch eine Einrichtung zur Regelung des Fahrzeugabstandes mit den Merkmalen des Anspruchs 1 gelöst. Ins­ besondere beinhaltet diese Einrichtung ein künstliches neurona­ les Netzwerk im Abstandsreglerteil. Dem Netzwerk werden ein­ gangsseitig Daten über die momentane Abstandsregeldifferenz so­ wie je nach Bedarf weitere Eingangsgrößen zugeführt, woraus das Netzwerk wenigstens ein Stellsignal für den Antriebsstrang und/oder die Bremsanlage erzeugt. Das verwendete Netzwerk wird zur Bewerkstelligung dieser Funktion anhand eines nichtlinearen Fahrzeuglängsdynamikmodells unter Bewertung der abgegebenen Stellsignale mittels eines vorgegebenen Gütefunktionals trai­ niert. Das Training anhand eines solchen nichtlinearen Modells gewährleistet, daß die besonders bei niedrigen Fahrgeschwindig­ keiten bedeutsamen nichtlinearen Einflüsse des Fahrzeugverhal­ tens in angemessenem Maß berücksichtigt werden, so daß das der­ gestalt trainierte Netzwerk eine entsprechend hohe Genauigkeit für die Abstandsregelung in allen realen Fahrsituationen bereit­ zustellen vermag.

Bezüglich der Netztopologie ist in Weiterbildung der Erfindung nach Anspruch 2 ein Netzwerk vom Typ eines Mehrschicht-Percept­ rons mit einer der Anzahl von Eingangsgrößen entsprechenden Neu­ ronenanzahl in der Eingangsschicht, mindestens einer versteckten Schicht und einer höchstens so großen Anzahl von Neuronen in der Ausgangsschicht wie die Anzahl anzusteuernder Stellglieder vor­ gesehen. Das Netzwerk kann insbesondere vom Typ eines rein vor­ wärtsverarbeitenden Mehrschicht-Perceptrons mit einem an sich statischen Verhalten oder vom Typ eines modifizierten, auch rückwärtsverarbeitende Verbindungen besitzenden Mehrschicht-Per­ ceptrons sein, das als sogenanntes Elman-Netz bezeichnet wird und dem dynamische Eigenschaften inhärent sind. Diese Netzwerk­ struktur wird unter Eingabe von vorgegebenen Geschwindigkeits­ profilen des vorausfahrenden Fahrzeugs anhand des nichtlinearen Fahrzeugslängsdynamikmodells trainiert. Im realen Einsatz werden dann dem trainierten Netzwerk als Eingangsdaten neben der Ab­ standsregeldifferenz wenigstens die Relativgeschwindigkeit der beiden Fahrzeuge und/oder ein oder mehrere Werte der fahrzu­ standsspezifischen Größen Fahrgeschwindigkeit, Motordrehzahl und Getriebeübersetzung zugeführt.

Ein bevorzugtes Gütefunktional für das Training des Netzwerkes ist durch eine Weiterbildung der Erfindung nach Anspruch 3 gege­ ben. Die von der Abstandsregeldifferenz und der Relativgeschwin­ digkeit abhängigen Anteile stellen verlaufsoptimierende Anteile dar, während der vom Stellsignal abhängige Anteil einen stelle­ nergieminimierenden Anteil darstellt. Ein komfortables, weiches Regelverhalten besonders in der Umgebung des stationären Zustan­ des wird des weiteren durch eine bereichsabhängige Wahl von Pa­ rameterwerten des Gütefunktionals gemäß Anspruch 9 gefördert.

Bei einer Weiterbildung der Erfindung nach Anspruch 4 besitzt das künstliche neuronale Netzwerk ein einzelnes Neuron in der Ausgangsschicht, dessen Ausgangssignal sowohl zur Ansteuerung eines Stellglieds für den Antriebsstrang als auch eines solchen für die Bremsanlage dient. Dies verhindert automatisch, daß das jeweils eine Stellglied aktiviert wird, solange das andere noch aktiv ist. Vorzugsweise erfolgt die Zuordnung des Netzwerkaus­ gangssignales zu einem der beiden Stellglieder gemäß Anspruch 5 vorzeichenabhängig.

Eine Weiterbildung der Erfindung nach Anspruch 6 führt zu einer Abstandsregelung mit erwünschten dynamischen Eigenschaften, in­ dem dem Netzwerk dynamikinformative Größen eingangsseitig zuge­ führt werden, so daß dem Netzwerk, selbst wenn es sich um ein an sich statisches Netzwerk, z. B. vom Typ eines vorwärtsverarbei­ tenden Mehrschicht-Perceptrons, handelt, die gewünschten dynami­ schen Eigenschaften verliehen werden.

Durch die Berücksichtigung eines integralen Anteils der Ab­ standsregeldifferenz zusätzlich zum Ausgangssignal des neurona­ len Netzwerkes, wie dies in Weiterbildung der Erfindung nach An­ spruch 7 vorgesehen ist, läßt sich die stationäre Genauigkeit hinsichtlich der Abstandsregelabweichung verbessern.

Für die Erzielung zufriedenstellender Regelungseigenschaften ist das Training des Netzwerkes anhand eines nichtlinearen Fahr­ zeugdynamikmodells von Vorteil, das gemäß Anspruch 8 eine An­ triebsmodellierung beinhaltet, bei der insbesondere die Abhän­ gigkeit des Motormoments von Motordrehzahl und Drosselklappen­ stellung, die Kennlinie eines verwendeten Drehmomentwandlers und eines verwendeten Automatikgetriebes sowie der Bremsmoment- und Fahrwiderstandseinfluß berücksichtigt werden.

Zum Training des neuronalen Netzwerks ist ein Trainingsverfahren der von T. Hrycej in der Veröffentlichung "Model-Based Training of Control Sequences in Neural Controllers", Neural Network World 2/94, Seiten 173 bis 188 beschriebenen Art von Vorteil, bei dem jedoch die Gradientenbildung zur Bestimmung der Informa­ tion zur Gewichtsänderung nicht wie dort beschrieben analytisch, sondern numerisch durchgeführt wird, wie in Anspruch 10 angege­ ben.

Bevorzugte Ausführungsformen der Erfindung sind in den Zeichnun­ gen dargestellt und werden nachfolgend beschrieben. Hierbei zei­ gen:

Fig. 1 ein Blockschaltbild einer Einrichtung zur Regelung des Abstands eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug mit einem ein künstliches neuronales Netzwerk enthaltenden Abstandsregler,

Fig. 2 eine Darstellung der Struktur eines für die Einrichtung von Fig. 1 verwendbaren künstlichen neuronalen Netzwer­ kes vom Mehrschicht-Perceptrontyp mit zwei Ausgangs­ schichtneuronen,

Fig. 3 in der linken Hälfte ein Blockschaltbild mit der Struk­ tur eines in der Einrichtung von Fig. 1 verwendbaren künstlichen neuronalen Netzwerkwerks mit einem einzel­ nen Ausgangsschichtneuron und einer zur Netzwerkstruk­ tur parallelen Abstandsregelabweichungs-Integrations­ stufe und in der rechten Hälfte eine graphische Dar­ stellung des Ausgangssignals der links gezeigten Anord­ nung,

Fig. 4 eine Darstellung entsprechend Fig. 3, jedoch bei Ver­ wendung eines sogenannten Elman-Netzwerks,

Fig. 5 ein Blockschaltbild zur Veranschaulichung des Lernvor­ gangs für das in der Einrichtung von Fig. 1 verwendete künstliche neuronale Netzwerk und

Fig. 6 ein Blockschaltbild zur Veranschaulichung des für das Training des künstlichen neuronalen Netzwerks gemäß Fig. 5 verwendeten, nichtlinearen Fahrzeuglängsdynamik­ modells.

Die in Fig. 1 dargestellte Einrichtung zur Regelung des Abstands eines Kraftfahrzeuges von einem vorausfahrenden Fahrzeug bein­ haltet einen gestrichelt umrahmt angedeuteten Abstandsregler (1), der ein künstliches neuronales Netzwerk (2) vom Typ eines Mehr­ schicht-Perceptrons sowie eine Signalaufbereitungseinheit (3) und optional ein den beiden letztgenannten Einheiten parallel geschaltetes Integrierglied (4) umfaßt. Dem Abstandsregler (1) ist ein Differenzbildungsglied (10) vorgeschaltet, dem einer­ seits über eine sollabstandsbildende Einheit (18) ein Sollab­ stand (d_soll) und andererseits der von einer entsprechenden Meß­ einrichtung (9) erfaßte, momentane Istabstand (d_ist) zum voraus­ fahrenden Fahrzeug zugeführt sind und welches daraus die Ab­ stands-Regeldifferenz (d_d) bildet. Die Regeldifferenz (d_d) wird sowohl dem künstlichen neuronalen Netzwerk (2) als auch der Si­ gnalaufbereitungseinheit (3) zugeführt. Dem Integrierglied (4) wird gleichfalls die Regeldifferenz (d_d) zugeführt. Von der er­ wähnten Meßeinrichtung (9) wird zusätzlich die Relativgeschwin­ digkeit (v_rel) zwischen, dem eigenen und dem vorausfahrenden Fahr­ zeug erfaßt und sowohl dem künstlichen neuronalen Netzwerk (2) als auch der Signalaufbereitungseinheit (3) zugeführt. Des wei­ teren werden dem neuronalen Netz (2) über jeweils einen Eingang die von einer weiteren Meßeinrichtung (5) erzeugten Informatio­ nen bezüglich momentaner Fahrgeschwindigkeit (v_ist), Motordreh­ zahl (n_m) und Getriebeübersetzung (i_g) des im Fahrzeug vorgesehe­ nen Automatikgetriebes sowie optional die Fahrgeschwindigkeit (v₂) des vorausfahrenden Fahrzeuges zugeführt. Damit erhält das neuronale Netz (2) eine Information über den augenblicklichen Arbeitspunkt des Regelkreises. Die zur Erfassung der genannten Größen verwendeten Meßeinrichtung (5) umfaßt herkömmliche Kompo­ nenten, die hier keiner weiteren Erörterung bedürfen.

Wird als künstliches neuronales Netzwerk (2) ein solches vom Typ eines vorwärtsverarbeitenden Mehrschicht-Perceptrons verwendet, so besitzt dieses selbst keine Dynamik, sondern repräsentiert eine statische, nichtlineare Einheit zur Bestimmung des oder der Ausgangssignale in Abhängigkeit von den Eingangsgrößen. Um dem Abstandregler (1) erwünschte dynamische Eigenschaften zu verlei­ hen, werden dem Netzwerk (2) zusätzlich zur Abstands-Regeldiffe­ renz (d_d), der Relativgeschwindigkeit (v_rel) und den momentanen Meßwerten (v_ist, n_m, i_g) der Meßeinrichtung (5) über einen oder mehrere weitere Eingänge Werte von dynamikinformativen Größen zugeführt, deren Generierung die Signalaufbereitungseinheit (3) durchführt. Vorliegend werden dieser Signalaufbereitungseinheit (3) die Signale bezüglich der Abstands-Regeldifferenz (d_d) und der Relativgeschwindigkeit (v_rel) zugeführt, woraus sie sowohl eine arithmetischen Mittelwert (d_dm) für die Abstands-Regeldiffe­ renz als auch einen arithmetischen Zeitmittelwert (v_relm) für die Relativgeschwindigkeit über eine vorgebbare Anzahl von in voran­ gegangenen Regelungszyklen ermittelten Abstandsregeldifferenz­ werten und gemessenen Relativgeschwindigkeitswerten berechnet, welche dem Netzwerk (2) zugeführt werden. Alternativ kann statt des arithmetischen auch ein anderer Mittelwert verwendet werden, beispielsweise ein solcher, bei dem die einzelnen Werte ver­ schieden gewichtet sind. Das Netzwerk (2) erhält mit dieser Mit­ telwertinformation sowohl eine Information über die zeitliche Änderung der Abstandsregeldifferenz (d_d) als auch eine Informa­ tion über die zeitliche Änderung der Relativgeschwindigkeit (v_rel). Außerdem werden durch die Mittelwertbildung Störungen verringert, die auf Meßrauschen zurückzuführen sind.

Der Abstandsregler (1) gibt zum einen ein Ausgangssignal für ei­ ne antriebskraftregulierende Stellgliedeinheit (6) des Fahrzeug­ antriebsstranges und zum anderen ein Stellsignal (db) für eine Stellgliedeinheit (7) der Fahrzeugbremsanlage ab, wobei die Stellsignale auch von einem einzigen Ausgangskanal des Abstands­ reglers (1) bereitgestellt werden können, wie weiter unten er­ läutert wird. Dem Ausgangssignal des neuronalen Netzwerks (2) für das antriebskraftbestimmende Stellglied (6) wird zur Bereit­ stellung des zugehörigen Stellsignals (dk) in einem Summierglied (11) das Ausgangssignal des Integriergliedes (4) aufaddiert. Die Ansteuerung der antriebskraftregulierenden Stellgliedeinheit (6), d. h. die Einstellung einer Drosselklappe bzw. des Motormo­ ments oder im Fall eines Dieselmotors des Einspritzpumpenhebels, hat dann die geregelte Bereitstellung einer Antriebskraft (k) für das Fahrzeug (8) zur Folge, wobei dieser Teil der Regelung einer herkömmlichen Tempomatregelung funktionell analog ist. Zum anderen ermöglicht die Abstandsregeleinrichtung durch entspre­ chende Ansteuerung des Bremsanlagen-Stellgliedes (7) direkt durch das als Stellsignal (db) dienende, zugehörige Netzwerkaus­ gangssignal die Einstellung einer geschwindigkeitsregelnden Bremskraft (b) für das Fahrzeug (8). Anhand einer Plausibili­ tätsprüfung wird verhindert, daß unerwünschterweise gleichzeitig beide Stellglieder (6, 7) aktiviert werden. Dabei wird jeweils das eine vom Netzwerk (2) abgegebene Stellsignal unterdrückt, solange das andere noch einen aktiven Betrieb bewirkt. Mit die­ ser Möglichkeit eines zusätzlichen Bremssystemeingriffs läßt sich in Verbindung mit der Verwendung des neuronalen Netzes (2) auch im Bereich geringer Fahrgeschwindigkeiten bis nahe am Fahr­ zeugstillstand, z. B. im Stop-and-go-Verkehr, wo sich das nicht­ lineare Fahrverhalten stark auswirkt, eine sehr befriedigende und zuverlässige Abstandsregelung erreichen.

Die Verwendung des zum neuronalen Netzwerk (2) parallel geschal­ teten Integriergliedes (4) ermöglicht dabei eine verbesserte stationäre Genauigkeit hinsichtlich der Abstandsregeldifferenz. Hierbei können sowohl der Eingang als auch der Ausgang des Inte­ griergliedes (4) begrenzt werden. In jedem Fall werden die Aus­ gangssignale des verwendeten Netzwerks (2), die als Stellsignale dienen, auf ein vorgegebenes Intervall, günstigerweise das nor­ mierte Intervall zwischen 0 und 1 beschränkt, und dieses Inter­ vall wird auf den Einstellbereich des zugehörigen Stellgliedes (6, 7) skaliert. Entsprechend wird auch auf der Eingangsseite vorgegangen, indem die von vorgegebenen Trainingsbeispielen für das neuronale Netz (2) abgedeckten Eingangswertebereiche eben­ falls auf ein begrenztes Intervall, z. B. demjenigen zwischen 0 und 1 oder zwischen -1 und +1, abgebildet werden.

In den Fig. 2 bis 4 sind Beispiele von neuronalen Netzen ge­ zeigt, die sich in einer Abstandregeleinrichtung nach Art von Fig. 1 verwenden lassen, wobei jeweils die Anzahl und Art von Eingangs- und Ausgangssignalen in bzw. aus dem neuronalen Netz­ werk passend zu wählen ist. Das künstliche neuronale Netzwerk (2a) von Fig. 2 ist ein solches vom Typ eines vorwärtsverarbei­ tenden Mehrschicht-Perceptrons, das eine Eingangsschicht (30) mit drei Neuronen für die drei Eingangsgrößen Abstandsregeldif­ ferenz (d_d), Relativgeschwindigkeit (v_rel) und Motordrehzahl (n_m), eine Ausgangsschicht (32) mit zwei Neuronen und eine zwi­ schenliegende, versteckte Schicht (31) mit fünf Neuronen bein­ haltet. Von den beiden Neuronen der Ausgangsschicht (32) erzeugt das eine das Stellsignal (dk) für die antriebskraftbestimmende Stellgliedeinheit (6) und das andere das Stellsignal (db) für die Stellgliedeinheit (7) der Fahrzeugbremsanlage.

Das in Fig. 3 dargestellte künstliche neuronale Netzwerk (2′) ist ebenfalls ein solches vom Typ eines vorwärtsverarbeitenden Mehrschicht-Perceptrons. Wie das Netzwerk von Fig. 2 enthält es eine Eingangsschicht (30) aus drei Neuronen für die drei Ein­ gangsgrößen Abstandsregeldifferenz (d_d), Relativgeschwindigkeit (v_rel) und Motordrehzahl (n_m) sowie eine versteckte Schicht (31) mit fünf Neuronen. Im Gegensatz zum Netzwerk von Fig. 2 beinhal­ tet es jedoch eine Ausgangsschicht (32′), die lediglich aus ei­ nem einzigen Neuron besteht, dessen Ausgangssignal sowohl zur Ansteuerung des antriebskraftbestimmenden Stellgliedes (6) als auch des Bremsanlagen-Stellgliedes (7) dient. Hierbei wird das Ausgangssignal in Abhängigkeit eines Schwellwertes, der vorlie­ gend beispielhaft auf null festgesetzt wurde, an das antriebskr­ aftbestimmende Stellglied (6) oder das Bremsanlagen-Stellglied (7) weitergeleitet. Somit werden positive Ausgangssignale als Stellsignal (dk) für den Antriebsstrang und negative Ausgangssi­ gnale als Stellsignal (db) zur Ansteuerung der Bremse verwendet, wie dies schematisch durch das Schaubild in der rechten Hälfte von Fig. 3 wiedergegeben ist. Das Ausgangssignal wird hierbei betragsmäßig auf das Intervall zwischen 0 und 1 begrenzt und je nach Vorzeichen zur Anpassung an die beiden Stellglieder (6, 7) mit unterschiedlichen Skalierungsfaktoren multipliziert. Die vorzeichenabhängige Funktionsaufteilung des einzigen Ausgangssi­ gnals dieses Netzwerks (2′) stellt automatisch sicher, daß stets entweder nur das Stellsignal für den Antriebsstrang oder nur dasjenige für die Bremsanlage aktiviert ist. In Fig. 3 ist des weiteren das dem Netzwerk (2′) parallel geschaltete Integrier­ glied (4) dargestellt, dessen Ausgangssignal in dem Summierglied (11) zu demjenigen des Netzwerkes (2′) zur Bereitstellung des einzigen Ausgangssignals des Abstandsreglers (1) aufaddiert wird.

Bei dem in Fig. 4 dargestellten künstlichen neuronalen Netzwerk (2′′) handelt es sich um ein modifiziertes Mehrschicht-Percept­ ronnetzwerk in Form eines sogenannten Elman-Netzes. Zu jeder versteckten Schicht, von denen das vorliegende Netz (2′′) gerade eine enthält, gibt es bei einem solchen Netzwerk eine sogenannte Kontextschicht (33), welche die gleiche Anzahl von Neuronen wie die zugehörige versteckte Schicht aufweist. Die Netzgewichte der rückwärtsverarbeitenden Verbindungen von der versteckten Schicht (31′) zur zugehörigen Kontextschicht (33) werden fest vorgegeben und während des Trainings nicht angepaßt. Diese Verbindungen sind in Fig. 4 gestrichelt symbolisiert. Mit dieser Erweiterung durch die Kontextschicht (33), die sich die alten Aktivierungen, d. h. die Ausgangssignale der zugehörigen versteckten Schicht (31′) vom vorherigen Regelzyklus merkt, wird aus dem zugrunde­ liegenden, rein vorwärtsverarbeitenden Netzwerk ein dynamisches Netzwerk. Das Ausgangssignal eines Neurons der Kontextschicht (33) wird allen Neuronen der zugehörigen versteckten Schicht (31′) zugeführt. Während des Trainings werden außer den Gewich­ ten der vorwärtsgerichteten Verbindungen auch die Gewichte die­ ser Verbindungen von der Kontextschicht (33) zur zugehörigen versteckten Schicht (31′) angepaßt. Für weitere Details dieses Netzwerktyp sei auf die Veröffentlichung von J. L. Elman "Finding Structure in Time", Cognitive Science 14, Seite 179 bis 211, 1990 verwiesen.

Das Netzwerk (2′′) von Fig. 4 besitzt des weiteren eine Ein­ gangsschicht (30′) mit sieben Neuronen für die Eingangsgrößen Abstandsregeldifferenz (d_d), Relativgeschwindigkeit (v_rel), zeit­ licher Relativgeschwindigkeits-Mittelwert (v_relm), eigene Fahrge­ schwindigkeit (v_ist), Fahrgeschwindigkeit (v₂) des vorausfahren­ den Fahrzeugs, Getriebeübersetzung (i_g) und Motordrehzahl (n_m) sowie analog zum Netzwerk von Fig. 3 eine Ausgangsschicht (32′) mit nur einem Neuron. Wie beim Netzwerk von Fig. 3 wird das Aus­ gangssignal dieses einzelnen Neurons der Ausgangsschicht (32′) mit vorzeichenabhängiger Signalaufteilung sowohl für das Stell­ signal (dk) für den Antriebsstrang als auch für das Stellsignal (db) für die Bremsanlage herangezogen, wie im Schaubild auf der rechten Hälfte von Fig. 4 veranschaulicht. Bezüglich weiterer Details der Verarbeitung dieses Signals sei auf die obigen Aus­ führungen zu dem Beispiel von Fig. 3 verwiesen. Dabei ist auch in Fig. 4 das zum Netzwerk (2′′) parallel geschaltete Integrier­ glied (4) veranschaulicht, dessen Ausgangssignal in dem Summier­ glied (11) zum einzigen Ausgangssignal des Netzwerks (2′′) zwecks Bereitstellung des gemeinsamen Abstandsregler-Ausgangssi­ gnals für die Stellglieder von Antriebsstrang und Bremsanlage aufaddiert wird.

Vor Verwendung des künstlichen neuronalen Netzwerkes in der Ab­ standsregeleinrichtung von Fig. 1 wird es jeweils mit einem Trainingsverfahren trainiert, das eine Modifikation der oben er­ wähnten Methode von T. Hrycej darstellt, indem die Gradienten­ bildung zur Bestimmung der Information zur Gewichtsänderung nicht analytisch, sondern numerisch durchgeführt wird. Das zum Training verwendete Modell und die Formulierung eines geeigneten Gütefunktionals beeinflussen neben der Festlegung einer geeigne­ ten Netztopologie in hohem Maße den Erfolg des Lernvorgangs und damit die Qualität des Abstandsreglers (1) mit dem neuronalen Netzwerk (2). Ein besonders vorteilhafter Lernvorgang wird nachfolgend anhand der Fig. 5 und 6 beschrieben, wobei insbe­ sondere auf die sich aus dem besonderen Anwendungsfall der Ab­ standsregelung ergebenden Besonderheiten eingegangen wird.

Wie in Fig. 5 dargestellt, wird der das künstliche neuronale Netzwerk (2) enthaltende Abstandsregler (1) anhand von vorgege­ benen Fahrgeschwindigkeitsprofilen (17) eines vorausfahrenden Fahrzeuges trainiert, welche einem Differenzbildungsglied (15) zugeführt werden. Zur Berechnung der Relativgeschwindigkeit (v_rel) wird dem Differenzbildungsglied (15) zusätzlich die momen­ tane Fahrgeschwindigkeit (v_ist) des eigenen Fahrzeuges zugeführt, wie sie von einem zum Training des Netzwerkes (2) verwendeten, nichtlinearen Fahrzeuglängsdynamikmodell (14) bestimmt wird. Dieses Modell (14) generiert außerdem weitere eingangsseitige Informationen für das Netzwerk (2) in Form simulierter Meßgrö­ ßenwerte für die Motordrehzahl (n_m) und die Getriebeübersetzung (i_g), d. h. die vom Automatikgetriebe gewählte Gangstufe. Die mo­ mentane Fahrgeschwindigkeit (v_ist) wird auch der sollabstandsbil­ denden Einheit (18) zugeführt, die einen einzuregelnden Sollab­ stand (d_soll) bestimmt. Aus der Relativgeschwindigkeit (v_rel) wird über ein Integrierglied (16) der Istabstand (d_ist) ermittelt und dem Differenzbildungsglied (10) der Abstandsregeleinrichtung zu­ geführt, welches die sich ergebende Abstandsregelabweichung (d_d) sowohl an das neuronale Netzwerk (2) als auch an die dem Netz (2) vorgeschaltete Signalaufbereitungseinheit (3) und das optio­ nal verwendete, zum Netzwerk (2) parallel geschaltete Integrier­ glied (4) weiterleitet. Die Relativgeschwindigkeitsinformation (v_rel) wird dem neuronalen Netzwerk (2) und der Signalaufberei­ tungseinheit (3) zugeführt. Das bzw. die vom Abstandsregler (1) abgegebenen Ausgangssignale (dk, db) für die Ansteuerung des An­ triebsstrangs bzw. der Bremsanlage werden dem Simulationsmodell (14) eingangsseitig zugeführt.

In Fig. 6 ist die Realisierung dieses nichtlinearen Fahrzeug­ längsdynamikmodells (14) näher dargestellt. Als Eingangsgrößen werden dem Modell die von dem Antriebsstrang-Stellsignal (dk) bestimmte Drosselklappenstellung (ks), das vom Bremsanlagen- Stellsignal (db) bestimmte Bremsmoment (M_b), das in einer einfa­ chen Form proportional zum Stellsignal (db) angenommen werden kann, sowie ein externes Fahrwiderstandsmoment (M_ext) zugeführt, welches Luftwiderstandskräfte, Steigungskräfte und Rollwider­ standskräfte berücksichtigt. Optional kann bei letzterem auch der Kurvenwiderstand berücksichtigt werden. Das Modell beinhal­ tet eine Antriebsstrangmodellierung, welche die Komponenten Mo­ tor, Drehmomentwandler sowie Automatik- und Differentialgetriebe einbezieht. Das nichtlineare Motorverhalten wird durch ein abge­ legtes Kennfeld (20) beschrieben, welches das vom Motor erzeugte Moment (M_m) in Abhängigkeit von der Motordrehzahl (n_m) und der Stellung (ks) des Gaspedals bzw. der Drosselklappe oder des Ein­ spritzpumpenhebels bestimmt und empirisch ermittelt werden kann.

Der Drehmomentwandler teilt den Antriebsstrang in zwei Teile, die durch getrennte Differentialgleichungen beschreibbar sind. Die Motordynamik ist durch den Quotient der Differenz zwischen dem vom Motor erzeugten Moment (M_m) und dem vom Wandlereingang, d. h. der Pumpe, aufgenommenen Moment (M_p) dividiert durch das Mo­ torträgheitsmoment bestimmt, woraus sich aus der zugehörigen Differentialgleichung (21) die Motordrehzahl (n_m) ermitteln läßt. Unter Zuhilfenahme einer abgelegten Kennlinie (fw₂) für die Ab­ hängigkeit des normierten Pumpenmoments vom Verhältnis von Tur­ binen- zu Pumpendrehzahl läßt sich aus der Motordrehzahl (n_m) und der von einer automatikgetriebesimulierenden Einheit (26) er­ zeugten Turbinendrehzahlinformation (n_t) in einem nächsten Schritt (22) das von der Pumpe aufgenommene Drehmoment (M_p) be­ rechnen. Aus der Kenntnis des Pumpenmomentes (M_p), der Turbinen­ drehzahl (n_t) und der Motordrehzahl (n_m) ergibt sich unter Zuhil­ fenahme einer weiteren Drehmomentwandler-Kennlinie (fw₁), die die Abhängigkeit des Verhältnisses von Turbinen- zu Pumpenmoment vom Verhältnis von Turbinen- zu Pumpendrehzahl beschreibt, im näch­ sten Schritt (23) das Turbinenmoment (M_t). Dieses Drehmoment (M_t) am Drehmomentwandlerausgang geht multipliziert mit Getriebe- und Hinterachsfaktoren abzüglich des Bremsmomentes (M_b) und des ex­ ternen Fahrwiderstandsmomentes (M_ext) in die Differentialglei­ chung (24) zur Beschreibung der dynamischen Verhältnisse zwi­ schen den Antriebsrädern und dem Wandlerausgang ein, welche die Radwinkelbeschleunigung als Quotient des resultierenden Momentes durch die Summe der verschiedenen Massenträgheitsmomentbeiträge darstellt. Die daraus resultierende Radwinkelgeschwindigkeit (w_r) wird von einer entsprechenden Einheit (25) um die Hinterachs­ übersetzung (i_h) modifiziert und so der automatikgetriebesimulie­ renden Einheit (26) als Eingangsinformation zugeführt. Im Fall einer starren Wandlerüberbrückung genügt anstelle der Lösung der Motor- und Antriebsrad-Differentialgleichungen die Lösung einer einzigen Antriebsrad-Differentialgleichung.

Die Modellierung des Automatikgetriebes erfolgt anhand von Schaltkennlinien für den Wechsel der Getriebeübersetzung in Ab­ hängigkeit von der Fahrzeuggeschwindigkeit und der Drosselklap­ penstellung. Übersteigt bei einem Gangneubestimmungszyklus die Differenzgeschwindigkeit eine zum aktuellen Wertepaar von Dros­ selklappenstellung und eingelegtem Gang gehörende Referenzge­ schwindigkeit, so wird ein Hochschalten des Getriebes simuliert.

Analog dazu wird ein Wechsel in einen niedrigeren Gang simu­ liert, wenn die Geschwindigkeit unter einen bestimmten anderen, zum aktuellen Wertepaar von Drosselklappenstellung und eingeleg­ tem Gang gehörigen Grenzwert absinkt. Aus dem gewählten Gang er­ gibt sich dann jeweils ausgangsseitig die Turbinendrehzahl (n_t) sowie die momentane Getriebeübersetzung (i_g), die als Eingangsin­ formation der Einheit (24) zur Lösung der Antriebsraddifferenti­ algleichung zugeführt wird. Die ermittelte Getriebeübersetzung (i_g) wird außerdem ebenso wie die momentane Motordrehzahl (n_m) und die sich aus der berechneten Radwinkelgeschwindigkeit (w_r) ergebende, momentane Fahrgeschwindigkeit (v_ist) als Ausgangsin­ formation des nichtlinearen Fahrzeuglängsdynamikmodells (14) der Eingangsseite des Reglers (1) zum Trainieren des künstlichen neuronalen Netzes (2) zugeführt, wie wieder in Fig. 5 zu erken­ nen.

Das Training des Netzes gemäß Fig. 5 beinhaltet zur Bewertung des Regelungsverhaltens des künstlichen neuronalen Netzwerks (2) ein Gütefunktional (G), welches sich als Summe aus einem ver­ laufsoptimalen Anteil und einem die Stellenergie minimierenden Anteil ergibt, wozu einer gütefunktionalbestimmenden Einheit (12) die benötigten Eingangsinformationen zugeführt werden. Der verlaufsoptimale Anteil des Gütefunktionals (G) besteht aus ei­ ner Summe mit Summanden, die jeweils proportional zum Quadrat bzw. zur vierten Potenz der Abstandsregeldifferenz (d_d), der Re­ lativgeschwindigkeit (v_rel) und der Zeitableitung der Relativge­ schwindigkeit (v_rel) sind. Der die Stellenergie minimierende An­ teil des Gütefunktionals (G) besteht aus einer Summe mit Summan­ den, die proportional zum Quadrat und zur vierten Potenz der Zeitableitung (u_c) des vom Netz abgegebenen resultierenden Stellsignals (u_c) sind. Da wie oben gesagt durch Plausibili­ tätsprüfung oder Verwendung nur eines Netzwerkausgangssignals gewährleistet wird, daß jeweils höchstens eines der beiden ange­ steuerten Stellglieder (6, 7) aktiviert wird, wird für das im Gütefunktional (G) verwendete resultierende Stellsignal (u_c) ent­ weder das Antriebsstrangstellsignal (dk) oder das Bremsanlagen- Stellsignal (db) verwendet, je nachdem, welches gerade aktiv ist. Mit dem Gütefunktional (G) für die Abstandsregelung soll ein weiches, komfortables Verhalten der Regelung in der Umgebung des stationären Zustandes, in welchem die Abstandsregeldifferenz (d_d) und die Relativgeschwindigkeit (v_rel) nahe bei null liegen, erreicht werden. Hierzu werden zwei zusätzliche Parameter (k_d, k_v) eingeführt, die auf null gesetzt werden, wenn die Werte für die Relativgeschwindigkeit (v_rel) und für die Abstandsregeldiffe­ renz (d_d) innerhalb eines vordefinierten Einzugsbereiches des stationären Zustandes liegen. Außerhalb dieses Einzugsbereiches werden die Parameter ungleich null gewählt, wobei günstige Werte k_d=k_v=1 sind. Das Ausgangssignal (13) der gütefunktionalbestim­ menden Einheit (12) enthält die Information zur Anpassung der einzelnen Gewichtswerte zwischen den Neuronen im künstlichen neuronalen Netzwerk (2). Den Ausgangsneuronen ist dabei eine li­ neare Aktivierungsfunktion und den Eingangsneuronen das jewei­ lige Eingangssignal zugeordnet. Den Neuronen der versteckten Schicht wird eine sigmoide Aktivierungsfunktion zugewiesen. Mit diesen Aktivierungsfunktionen läßt sich eine befriedigende Reg­ lerempfindlichkeit über den gesamten Auswertebereich bereitstel­ len, wobei, wie erwähnt, die Netzausgangssignale auf geeignete Wertebereiche begrenzt und auf die Stellgliedwertebereiche ska­ liert werden.

Als Lernvorgabe sind für das Training Fahrgeschwindigkeitsver­ läufe (17) des vorausfahrenden Fahrzeugs vorgesehen, welche ram­ penförmige Geschwindigkeitsänderungen mit dazwischenliegenden, stückweise konstanten Geschwindigkeitsabschnitten beinhalten. Dies dient dazu, mit dem neuronalen Training durch Anbieten ei­ nes möglichst breiten Spektrums an Betriebszuständen einen mög­ lichst universell einsetzbaren Abstandsregler zu generieren. Da­ bei wird insbesondere beachtet, daß ein großer Geschwindigkeits­ bereich mit besonderer Betonung des kritischen Bereiches sehr kleiner Geschwindigkeiten abgedeckt wird, daß unterschiedliche Beschleunigung- und Verzögerungswerte des vorausfahrenden Fahr­ zeuges vorgegeben werden, daß ein ausgewogenes Verhältnis der Anzahl von Beschleunigungs- und Verzögerungsvorgängen besteht, daß stationäre Fahrzustände, d. h. Abschnitte konstanter Fahrge­ schwindigkeit des vorausfahrenden Fahrzeuges, vorhanden sind und daß die Geschwindigkeitsdifferenzen zwischen Phasen mit konstan­ tem Fahrgeschwindigkeitsverlauf des vorausfahrenden Fahrzeuges unterschiedlich groß sind. Ein vollständiger Trainingsvorgang für den Abstandsregler (1) mit künstlichem neuronalem Netzwerk (2) beinhaltet die Vorgabe mehrerer Fahrgeschwindigkeitsprofile des vorausfahrenden Fahrzeuges und Anfangsbedingungen, wozu meh­ rere simulierte Fahrmanöver mit jeweils unterschiedlichem Ver­ lauf der Fahrgeschwindigkeit des vorausfahrenden Fahrzeuges aus­ gewertet werden.

Es zeigt sich, daß sich mit der Regeleinrichtung nach Fig. 1 un­ ter Verwendung des Abstandsreglers (1) mit dem wie oben be­ schrieben strukturierten und trainierten künstlichen neuronalen Netzwerk (2) eine sehr zuverlässige Einregelung des Abstandes zu einem vorausfahrenden Fahrzeug, insbesondere auch im sehr nied­ rigen Geschwindigkeitsbereich, erzielen läßt.

Claims (10)

1. Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug, dadurch gekennzeichnet, daß ein Abstandsregler (1) mit einem künstlichen neuronalen Netzwerk (2) vorgesehen ist, dem eingangsseitig Daten über die momentane Abstandsregeldifferenz (d_d) zugeführt werden und das ausgangssei­ tig ein Stellsignal (dk, db) für den Antriebsstrang und/oder die Bremsanlage des Fahrzeugs abgibt, wobei es anhand eines nichtli­ nearen Fahrzeuglängsdynamikmodells unter Bewertung der abgegebe­ nen Stellsignale mittels eines vorgegebenen Gütefunktionals (G) trainiert wird.

2. Einrichtung nach Anspruch 1, weiter dadurch gekennzeichnet, daß das künstlich neuronale Netzwerk (2) vom Typ eines Mehrschicht- Perceptrons, insbesondere vom Typ eines vorwärtsverarbeitenden Mehrschicht-Perceptrons oder vom Typ eines Elman-Netzwerkes, ist, das aus einer der Anzahl von Eingangsgrößen entsprechenden Neuronenanzahl in der Eingangsschicht, mindestens einer ver­ steckten Schicht und einer höchstens so großen Anzahl von Neuro­ nen in der Ausgangsschicht wie die Anzahl anzusteuernder Stell­ glieder aufgebaut ist und unter Eingabe von, vorgegebenen Ge­ schwindigkeitsprofilen des vorausfahrenden Fahrzeuges und An­ fangsbedingungen trainiert wird und dem als Eingangsdaten neben der Abstandsregeldifferenz (d_d) wenigstens die Relativgeschwin­ digkeit (v_rel) und/oder wenigstens einer der momentanen Werte der den Fahrzustand beschreibenden Größen Fahrgeschwindigkeit (v_ist), Motordrehzahl (n_m) und Getriebeübersetzung (i_g) zugeführt werden.

3. Einrichtung nach Anspruch 1 oder 2, weiter dadurch gekennzeichnet, daß das Gütefunktional (G) als jeweilige Summanden einen Anteil, der sich als Polynom mit geradzahligen Potenzen der Zeitableitung der vom Abstandsregler (1) abgegebenen Stellsignale ausdrücken läßt, einen Anteil, der sich als Polynom mit geradzahligen Po­ tenzen der Abstandsregeldifferenz (d_d) ausdrücken läßt, einen An­ teil, der sich als Polynom mit geradzahligen Potenzen der Rela­ tivgeschwindigkeit (v_rel) ausdrücken läßt und/oder einen Anteil, der sich als Polynom mit geradzahligen Potenzen der Zeitablei­ tung der Relativgeschwindigkeit ausdrücken läßt, enthält.

4. Einrichtung nach einem der Ansprüche 1 bis 3, weiter dadurch gekennzeichnet, daß die Ausgangsschicht (32′) des künstlich neuronalen Netzes (2′) aus einem einzelnen Neuron besteht, dessen Ausgangssignal in je­ dem Zeitpunkt entweder das Stellsignal für den Antriebsstrang oder für die Bremsanlage bildet.

5. Einrichtung nach Anspruch 4, weiter dadurch gekennzeichnet, daß das Ausgangssignal des einzelnen Neurons der Ausgangsschicht (32′) des künstlich neuronalen Netzes vorzeichenabhängig einer­ seits das Stellsignal (dk) für den Antriebsstrang und anderer­ seits das Stellsignal (db) für die Bremsanlage bildet.

6. Einrichtung nach einem der Ansprüche 1 bis 5, weiter dadurch gekennzeichnet, daß dem künstlichen neuronalen Netz zusätzlich Informationen über den zeitlichen Verlauf von Fahrzustand und/oder der Abstandsre­ gelabweichung und/oder der Relativgeschwindigkeit zugeführt wer­ den.

7. Einrichtung nach einem der Ansprüche 1 bis 6, weiter dadurch gekennzeichnet, daß das Stellsignal (dk, db) für den Antriebsstrang und/oder für die Bremsanlage die Summe aus einem Anteil, der von der Ausgangs­ schicht des künstlich neuronalen Netzes gebildet wird, und aus einem Anteile der aus einer eingangs- und ausgangsseitig be­ grenzten Integration der Abstandsregeldifferenz gebildet wird, ist.

8. Einrichtung nach einem der Ansprüche 1 bis 7, weiter dadurch gekennzeichnet, daß das nichtlineare Fahrzeuglängsdynamikmodell eine Antriebsmodel­ lierung mit folgenden Komponenten beinhaltet:

• - kennfeldbasierte Bestimmung des Motormomentes (M_m) in Abhän­ gigkeit von der Motordrehzahl (n_m) und der Drosselklappenstel­ lung (ks),
• - kennfeldbasierte Drehmomentwandlersimulation mit Bestimmung des Pumpenmomentes (M_p) in Abhängigkeit von Motordrehzahl (n_m) und Turbinendrehzahl (n_t) sowie des Turbinenmomentes (M_t) in Abhängigkeit vom Pumpenmoment (M_p), von der Motordrehzahl (n_m) und der Turbinendrehzahl (n_t) und
• - kennfeldbasierte Automatikgetriebesimulation zur Bestimmung von Turbinendrehzahl (n_t) und Getriebeübersetzung (i_g) in Ab­ hängigkeit von der Drosselklappenstellung (ks) und der momen­ tanen Fahrgeschwindigkeit (v_ist), wobei zur Bestimmung der letzteren das berechnete Antriebsmoment um ein Bremsmoment (M_b) und ein externes Fahrwiderstandsmoment (M_ext) reduziert wird.

9. Einrichtung nach einem der Ansprüche 1 bis 8, weiter dadurch gekennzeichnet, daß das Gütefunktional (G) in Abhängigkeit eines vordefinierten Ein­ zugsbereiches des stationären Zustandes der Abstandsregelung durch entsprechende Werteänderung von vorgebbaren Parametern (k_d, k_v) bereichsabhängig vergrößert oder verkleinert wird.

10. Einrichtung nach einem der Ansprüche 1 bis 9, weiter dadurch gekennzeichnet, daß in der modellgestützten Trainingsphase bei der Bildung der In­ formation zur Gewichtsänderung die Gradientenbildung numerisch durchgeführt wird.