DE4425957C1 - Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges - Google Patents

Description

Die Erfindung bezieht sich auf eine Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges nach dem Oberbegriff des Anspruchs 1 und des nebengeordneten Anspruchs 2 (JP 4-71933 (A)).

Eine Einrichtung zur Fahrgeschwindigkeitsregelung eines Kraft­ fahrzeuges ist beispielsweise in der Offenlegungsschrift DE 43 05 737 A1 beschrieben. Bei der dortigen Einrichtung ist der Fahrpedaleinstellbereich in drei Teilbereiche aufgeteilt, wobei je nachdem, in welchem Teilbereich sich das Fahrpedal aktuell befindet, eine Verringerung der Fahrgeschwindigkeit, eine geregelte Konstanthaltung derselben oder eine konstante Beschleunigung vorgenommen wird.

Zur Einregelung einer konstanten Fahrzeuggeschwindigkeit sind Einrichtungen in Form sogenannter Tempomaten bekannt, bei denen ein üblicher Regler die Regelabweichung der z. B. aus Raddreh­ zahlsensorsignalen eines Antiblockiersystems gewonnenen Fahr­ geschwindigkeit durch Abgabe eines Stellsignals an ein Stellglied im Antriebsstrang, z. B. an die Drosselklappe, zu Null auszuregeln versucht. Vergleichbare geschwindigkeitsregelnde Einrichtungen werden auch in abstandsregelnden Systemen verwendet. In allen diesen Fällen zeigt sich, daß mit den herkömmlichen Reglern die Einregelung auf sehr niedrige Sollgeschwindigkeiten bis beinahe zum Fahrzeugstillstand aufgrund der dort zunehmenden Bedeutung des nichtlinearen Verhaltens des Fahrzeuges nicht sehr befriedigend durchgeführt werden kann.

In der Offenlegungsschrift DE 42 09 150 A1 wird ein Steuerungs­ system für Kraftfahrzeuge beschrieben, welches eine Anpassung des Fahrzeugverhaltens bei veränderlichen Fahrzustandsumgebungen entsprechend den Anforderungen des Fahrers vornimmt. Zu diesem Zweck beinhaltet das System eine Vorhersageeinrichtung über einen Fahrzustand-Umgebungskoeffizienten, von dessen Wert abhängig diverse lokale Steuerkanäle des Kraftfahrzeugs ange­ steuert werden, um die Fahrzeugsteuerung nach einem von ver­ schieden möglichen Steuercharakteristika durchzuführen. Die Vorhersageeinrichtung besitzt dabei zur Erzeugung des Fahrzustand- Umgebungskoeffizienten ein künstliches neuronales Netz vom Typ eines vorwärtsverarbeitenden Mehrschicht-Perceptrons. Ein derartiges künstliches neuronales Netz, dessen Aufbau bei­ spielsweise in W. Kinnebrock, "Neuronale Netze", Oldenbourg-Verlag, 1992, beschrieben ist, hat bekanntermaßen die Fähigkeit, auch nichtlineare funktionale Zusammenhänge durch entsprechendes Training erlernen zu können.

Eine gattungsgemäße Einrichtung, bei der zur Geschwindigkeits­ regelung ein künstliches neuronales Netz verwendet wird, ist in der Offenlegungsschrift JP 4-71933 (A) offenbart. Dem dortigen neuronalen Netz werden über eine Vorverarbeitungsschaltung die vorgesehenen Eingangsdaten zugeführt, die unter anderem Daten über den Abstand zu einem vorausfahrenden Fahrzeug, über die Regeldifferenz und die Beschleunigung sowie über den Lenkwinkel und das Drehmoment enthalten.

In der Veröffentlichung von H. Geiger et al., Neuronale Netze beherrschen hochkomplexe Regelungssysteme, in der DE-Z Elektronik 14/1991, Seiten 83 bis 94, wird die Anwendung eines künstlichen neuronalen Netzes zur Steuerung der Fahrgeschwindigkeit eines Kraftfahrzeugs auf einem Rollenprüfstand beschrieben. Das neuronale Netz hat dabei die Funktion, durch mechanische Betätigung von Kupplung, Gaspedal und Bremse ein vorgegebenes Fahrprofil so nachzufahren, daß die Istgeschwindigkeit möglichst wenig vom Sollgeschwindig­ keitsprofil abweicht. Dem künstlichen neuronalen Netz werden eingangsseitig Daten über die momentane Regeldifferenz, die mo­ mentane Fahrgeschwindigkeit und das momentane Drehmoment zugeführt, woraus es ausgangsseitig ein Stellsignal für die Drosselklappe und eines für die Kupplung abgibt. Als mögliche Netzstruktur ist unter anderem eines vom Typ eines vorwärts verarbeitenden Mehrschicht-Perceptrons mit wenigstens einer versteckten Schicht erwähnt. Das neuronale Netz des Fahrzeugprüfstands läßt sich durch Verwendung von Fehlerkriterien wie die Geschwindigkeitsregelabweichung und die Differenz zwischen Soll- und Istbeschleunigung anhand vorgegebener Geschwindig­ keitsprofile trainieren.

Der Erfindung liegt als technisches Problem die Bereitstellung einer Einrichtung der eingangs genannten Art zugrunde, mit welcher sich die Fahrgeschwindigkeit sowohl um hohe als auch um sehr niedrige Sollgeschwindigkeitswerte zuverlässig und unter Berücksichtigung der Dynamik und/oder der Nichtlinearitäten des Fahrzeugverhaltens regeln läßt.

Dieses Problem wird durch eine Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeugs mit den Merkmalen des Patentanspruches 1 oder 2 gelöst. Diese Einrichtung beinhaltet insbesondere ein künstliches neuronales Netz im Reglerteil. Als Eingangsgrößen für das Netz werden wenigstens die Geschwindigkeits- Regeldifferenz und Fahrzustandsdaten herangezogen, und das Netz gibt ausgangsseitig wenigstens ein Stellsignal für den Antriebsstrang ab, wobei es die Höhe des Stellsignals in Abhängigkeit von den Eingangsgrößen anhand eines vorgegebenen nichtlinearen Fahrzeuglängsdynamikmodells unter Vorgabe vorgewählter Sollgeschwindigkeitsprofile erlernt. Eine solche neuronale Regel­ einrichtung vermag besser als herkömmliche Regler das nicht­ lineare Verhalten des Fahrzeugs zu berücksichtigen, das vor allem bei niedrigen Sollgeschwindigkeiten von nicht zu vernachlässigender Bedeutung ist. Besonders günstig für die Festlegung des dynamischen Verhaltens der Regelung ist es, daß vor Verwendung des künstlichen neuronalen Netzes in der Fahrzeuggeschwindigkeits- Regeleinrichtung das künstliche neuronale Netz unter Verwendung eines nichtlinearen Fahrzeuglängsdynamikmodells trainiert wird.

Eine Regelung, die auch dynamisches Verhalten adäquat berück­ sichtigt, wird gemäß Anspruch 1 erreicht, indem dem Netz nicht nur die momentane Regelabweichung und der momentane Fahrzeugzustand, sondern zusätzlich zeitlich aufbereitete Informationen vom zeitlichen Verlauf von Fahrzustand und/oder Regeldifferenz zugeführt werden. Dabei ist es günstig, wenn zeitlich gewichtete Mittelwerte von der Regeldifferenz und dem Fahrzustand gebildet werden. Gute Regelungseigenschaften werden gemäß Anspruch 2 auch dadurch erreicht, daß zum Training des neuronalen Netzes der Antriebsstrang innerhalb des nichtlinearen Fahr­ zeuglängsdynamikmodells unter Verwendung von empirisch ermittelten Kenndaten modelliert wird, wobei insbesondere die Abhängigkeit des Motormoments von Motordrehzahl und Drosselklappenstellung, die Kennlinien des verwendeten Drehmomentwandlers und des verwendeten Automatikgetriebes sowie der Bremsmoment- und Fahrwiderstandseinfluß berücksichtigt werden.

Bezüglich der Netztopologie ist in Weiterbildung der Erfindung nach Anspruch 3 ein Netz vom Mehrschicht-Perceptrontyp vorgesehen, das in der Eingangsschicht eine der Anzahl von Eingangsgrößen entsprechende Neuronenanzahl, in der Ausgangsschicht eine höchstens so große Neuronenanzahl wie die Anzahl anzusteuernder Stellglieder sowie wenigstens eine zwischenliegende, versteckte Schicht aufweist. Dem Netz wird die Regeldifferenz und mindestens eine den Fahrzustand charakterisierende Größe zugeführt, wodurch es den jeweils vorliegenden Arbeitspunkt der Regelung erkennen kann. Den Fahrzustand charakterisierende Größen sind beispielsweise Motordrehzahl, Getriebeübersetzung, Fahrgeschwindigkeit und Fahrzeugbeschleunigung.

Die in Weiterbildung der Erfindung nach Anspruch 4 vorgesehene Wahl des Gütefunktionals berücksichtigt zum einen durch ein Polynom mit geradzahliger Potenzabhängigkeit von der Regeldif­ ferenz einen verlaufsoptimalen Anteil, gemäß Anspruch 5 z. B. proportional zur vierten Potenz der Regelabweichung, da der Regler nicht unnötig hart eingreift, wenn kleine Geschwindig­ keitsdifferenzen auftreten, während hohe Geschwindigkeits­ abweichungen im Training vergleichsweise stark bestraft werden. Zum anderen berücksichtigt das Gütefunktional durch die Abhän­ gigkeit vom differenzierten Stellsignal einen die Stellenergie minimierenden Anteil.

Eine Weiterbildung der Erfindung nach Anspruch 6 ermöglicht eine insbesondere auch im sehr niedrigen Sollgeschwindigkeitsbereich bis hin zum Fahrzeugstillstand (Stop-and-Go-Verkehr) noch sehr zuverlässig arbeitende Geschwindigkeitsregelung durch zu­ sätzlich mögliche Bremseingriffe. Dabei besitzt das künstliche neuronale Netz ein Neuron in der Ausgangsschicht, dessen Aus­ gangssignal sowohl zur Ansteuerung eines Stellglieds für den Antriebsstrang als auch eines Stellglieds der Bremsanlage dient. Nach Anspruch 7 erfolgt die Ansteuerung des einen oder des anderen Stellgliedes vorzugsweise je nach Vorzeichen des Ausgangssignals. Dies verhindert automatisch, daß das jeweils eine Stellglied aktiviert wird, solange das andere noch aktiv ist.

In einer Weiterbildung der Erfindung nach Anspruch 8 wird die Geschwindigkeitsregeldifferenz-Eingangsinformation in einer skalierten Form zugeführt, deren funktioneller Verlauf so gewählt ist, daß kleine Regelabweichungen mit höherer Verstärkung als größere Abweichungen berücksichtigt werden, indem die zuge­ hörige Funktion, für die Anspruch 9 ein mögliches Beispiel angibt, bei verschwindender Regeldifferenz ihr Maximum annimmt.

Bevorzugte Ausführungsformen der Erfindung sind in den Zeich­ nungen dargestellt und werden nachfolgend beschrieben. Hierbei zeigt:

Fig. 1 ein Blockschaltbild einer Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges mit einem ein künstliches neuronales Netz enthaltenden Geschwindigkeitsregler,

Fig. 2 ein Blockschaltbild zur Veranschaulichung des Lern­ vorgangs für das in der Einrichtung von Fig. 1 verwendete künstliche neuronale Netz,

Fig. 3 ein Blockschaltbild zur Veranschaulichung des für das Training des künstlichen neuronalen Netzes gemäß Fig. 2 verwendeten, nichtlinearen Fahrzeuglängsdynamikmodells,

Fig. 4 eine schematische Funktionsskizze des in Fig. 1 ver­ wendeten, künstlichen neuronalen Netzes und

Fig. 5 eine schematische Funktionsskizze eines weiteren, für eine Einrichtung nach Art von Fig. 1 verwendbaren, künstlichen neuronalen Netzes.

Die in Fig. 1 dargestellte Einrichtung zur Kraftfahrzeug­ geschwindigkeitsregelung beinhaltet einen gestrichelt umrahmt an­ gedeuteten Geschwindigkeitsregler 1, der ein künstliches neuronales Netz 2 vom Typ eines vorwärtsverarbeitenden Mehrschicht- Perceptrons sowie eine Signalaufbereitungseinheit 3 umfaßt. Dem Geschwindigkeitsregler 1 ist ein Differenzbildungsglied 4 vorgeschaltet, dem einerseits eine wählbare Soll-Fahrgeschwindigkeit v_soll und andererseits die von einer Meßeinrichtung 5 erfaßte, momentane Fahrgeschwindigkeit v_ist zugeführt ist und welches daraus die Fahrgeschwindigkeits-Regeldifferenz v_d böildet. Die Regeldifferenz v_d wird sowohl dem künstlichen neuronalen Netz 2 als auch der Signalaufbereitungseinheit 3 zugeführt. Dem neuronalen Netz 2 werden außerdem über jeweils einen Eingang die von der Meßeinrichtung 5 erzeugten Informa­ tionen bezüglich momentaner Fahrgeschwindigkeit v_ist, Motor­ drehzahl n_m und Getriebeübersetzung i_g, d. h. bezüglich des von dem im Fahrzeug vorgesehenen Automatikgetriebe gewählten Gangs zugeführt. Damit erhält das neuronale Netz 2 eine Information über den augenblicklichen Arbeitspunkt des Regelkreises. Die zur Erfassung dieser Größen verwendete Meßeinrichtung 5 umfaßt herkömmliche Komponenten, die hier nicht weiter beschrieben zu werden brauchen.

Das künstliche neuronale Netz vom Typ des vorwärtsverarbeitenden Mehrschicht-Perceptrons besitzt selbst keine Dynamik, sondern repräsentiert ein statisches, nichtlineares Übertragungsglied zur Bestimmung des oder der Ausgangssignale in Abhängigkeit von den Eingangsgrößen. Um dem Geschwindigkeitsregler 1 erwünschte dynamische Eigenschaften zu verleihen, werden dem Netz 2 zusätzlich zur Regeldifferenz v_d 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 dient. Vorliegend wird dieser Signalaufbereitungseinheit 3 das Signal der Regeldifferenz v_d zugeführt, woraus sie einen arithmetischen Zeitmittelwert v_dm über eine vorgegebene Anzahl von in vorangegangenen Regelungszyklen ermittelten Regel­ differenzwerten berechnet, welcher dem Netz 2 zugeführt wird. Alternativ kann statt des arithmetischen auch ein anderer Mittelwert verwendet werden, z. B. ein solcher, bei denen die einzelnen Regeldifferenzwerte verschieden gewichtet sind. Zusammen mit der Information über die momentane Fahrgeschwindigkeit v_ist erhält das Netz 2 mit dieser Regeldifferenz-Mittel­ wertinformation eine Information über die Änderung der Regel­ abweichung. Außerdem werden durch die Tiefpaßeigenschaft der Mit­ telung Störungen verringert, die auf Meßrauschen zurückzuführen sind. Als weitere Eingangsgröße für das Netz 2 kann bei Bedarf in der Signalaufbereitungseinheit 3 das Zeitintegral v_di der Regeldifferenz v_d ermittelt werden, wobei die Inte­ gration eingangsseitig und/oder ausgangsseitig begrenzt werden kann. Diese Information v_di kann dann, wie in Fig. 1 ange­ deutet, an das Netz 2 abgegeben werden. Analog zur Regeldifferenz v_d und deren Mittelwert v_dm können auf Wunsch auch die momentane Fahrzeugbeschleunigung sowie ggf. ein zeitlicher Mittelwert derselben als Netzeingangsgrößen herangezogen werden. Anstelle der bei der Einrichtung von Fig. 1 vorgesehenen direkten Einspeisung des Regeldifferenzwertes v_d in das Netz 2 ist es des weiteren alternativ möglich, einen davon nicht­ linear abhängigen Skalierungsfaktor k_d als Eingangsgröße vor­ zusehen, der kleine Regeldifferenzwerte besonders betont, z. B. über die Beziehung

k_d = 1+c₁ exp (-c₂v_d²) ,

mit c₁ und c₂ als frei wählbaren Konstanten. Günstige Werte sind beispielsweise c₁ = 5,0 und c₂ = 0,01.

Die Topologie des neuronalen Netzes 2 ist in Fig. 2 innerhalb des zugehörigen Funktionsblocks für den Regler 1 und in Fig. 4 genauer zu erkennen. Sie beinhaltet eine Eingangsschicht 30 mit fünf Neuronen für die fünf Eingangsgrößen v_d, v_dm, V_ist, n_m, i_g, eine Ausgangsschicht 32 mit zwei Neuronen und eine zwischen­ liegende, versteckte Schicht 31 mit zehn Neuronen. Von den beiden Neuronen der Ausgangsschicht 32 erzeugt das eine ein Stellsignal dk für eine Drosselklappeneinheit 6 des Fahrzeugantriebstrangs und das andere ein Stellsignal db für eine Stellgliedeinheit 7 der Fahrzeugbremsanlage, wie wiederum in Fig. 1 blockdiagrammatisch dargestellt. Die damit eingeregelte Stellung des Antriebsstrang-Stellglieds, d. h. der Drosselklappe oder im Fall eines Dieselmotors des Einspritzpumpenhebels, hat dann die geregelte Bereitstellung einer Antriebskraft k für das Kraftfahrzeug 8 zur Folge, wobei dieser Teil der Regelung der­ jenigen durch einen herkömmlichen Tempostat funktionell analog ist. Zusätzlich ermöglicht die Regeleinrichtung durch entsprechende Steuerung der Stellgliedeinheit 7 für die Bremsanlage die Ein­ stellung einer geschwindigkeitsregelnden Bremskraft b für das Kraftfahrzeug 8. Anhand einer Plausibilitätsprüfung wird ver­ hindert, daß unerwünschterweise gleichzeitig beide Stellglieder 6, 7 aktiviert werden. Dabei wird jeweils das eine vom Netz 2 abgegebene Stellsignal unterdrückt, solange das andere noch einen aktiven Stellgliedbetrieb bewirkt. Mit dieser Möglichkeit eines zusätzlichen Bremssystemeingriffs läßt sich in Verbindung mit der Verwendung des neuronalen Netzes 2 auch im Bereich geringer Sollgeschwindigkeiten bis nahe am Fahrzeugstillstand, z. B. im Stopp-and-Go-Verkehr, insbesondere noch unterhalb von 40 km/h, wo sich nichtlineares Fahrzeugverhalten stark auswirkt, eine sehr befriedigende und zuverlässige Geschwindigkeitsregelung erreichen.

Alternativ läßt sich eine befriedigende Regelung durch Ver­ wendung eines künstlichen neuronalen Netzes im Reglerteil auch noch dadurch erzielen, daß das Netz nur ein Ausgangssignal für das Stellglied des Antriebsstrangs erzeugt, wobei das in diesem Fall verwendete neuronale Netz 2 dann nur ein einziges Neuron in der Ausgangsschicht enthält. Die Topologie eines solchen Netzes ist in Fig. 5 dargestellt. Sie beinhaltet eine Eingangsschicht 30 mit fünf Neuronen für die fünf Eingangsgrößen V_ist, V_d, V_dm, n_m, i_g, eine Ausgangsschicht 32 mit einem Neuron und eine zwischenliegende versteckte Schicht 31 mit zehn Neuronen. In jedem Fall werden die Ausgangssignale des verwendeten Netzes, die als Stellsignale dienen, auf ein vorgegebenes Intervall, günstigerweise das Intervall zwischen Null und Eins, beschränkt, und dieses Intervall wird auf den Einstellbereich des zugehörigen Stellgliedes skaliert. Entsprechend wird auch auf der Eingangsseite vorgegangen, indem die von den vorgegebenen Trainingsbeispielen abgedeckten Eingangswertebereiche auf ein begrenztes Intervall, z. B. demjenigen zwischen Null und Eins, abgebildet werden. Alternativ sind selbstverständlich noch andersartige Netztopologien vom Mehrschicht-Perceptrontyp verwendbar, wobei jedoch zweckmäßigerweise die Anzahl von Neuronen in der Ein­ gangsschicht der Anzahl der Eingangsgrößen entspricht, die Anzahl der Neuronen in der oder den versteckten Schichten wenigstens ebenso groß wie diejenige der Eingangsschicht und die Anzahl der Neuronen in der Ausgangsschicht höchstens so groß wie die Anzahl der von dem Netz anzusteuernden Stellglieder ist.

Vor der Verwendung des künstlichen neuronalen Netzes 2 in der Fahrzeuggeschwindigkeits-Regeleinrichtung von Fig. 1 wird es nach einer Methode von T. Hrycej trainiert, die z. B. in dem Artikel "Model-Based Training of Control Sequences" in Proc. IEEE VTS Workshop "Fuzzy and Neural Systems and Vehicle Applications", Tokyo, 1991, beschrieben ist, auf den hinsichtlich diesbezüglicher Einzelheiten verwiesen wird. Das künstliche neuronale Netz wird bei dieser Methode anhand eines mathematischen Ersatzmodells der Regelstrecke unter Auswertung der Ausgangssignale des Netzes durch ein vorgegebenes Gütefunktional trainiert. Das zum Training verwendete Modell und die Formulierung eines geeigneten Gütefunktionals beeinflussen neben der Festlegung einer geeigneten Netztopologie in hohem Maße den Erfolg des Lernvorgangs und damit die Verwendbarkeit des neuronalen Reglers. Der Lernvorgang für das künstliche neuronale Netz 2 zur Fahrzeuggeschwindigkeitsregelung wird nachfolgend anhand der Fig. 2 und 3 beschrieben, wobei insbesondere auf die sich aus dem besonderen Anwendungsfall der Geschwindigkeitsregelung ergebenden Besonderheiten eingegangen wird.

Wie in Fig. 2 zu erkennen, wird der das künstliche neuronale Netz 2 enthaltende Geschwindigkeitsregler 1 anhand von vor­ gegebenen Sollgeschwindigkeitsprofilen 11 trainiert, die ihm über das vorgeschaltete Differenzbildungsglied 4 in Form der Geschwindigkeits-Regeldifferenz v_d zugeführt werden, wofür dem Differenzbildungsglied 4 zusätzlich die momentane Fahr­ geschwindigkeit v_ist zugeführt wird, wie sie von einem zum Trainieren des Netzes verwendeten nichtlinearen Fahrzeuglängs­ dynamikmodell 10 abgegeben wird. Dieses Modell 10 generiert außerdem die weiteren eingangsseitigen Informationen für die Signalaufbereitungseinheit 3 und für das Netz 2 in Form simulierter Meßgrößenwerte für die Motordrehzahl n_M und die Getriebeübersetzung i_g, d. h. den vom Automatikgetriebe ge­ wählten Gang. Eingangsseitig sind dem Simulationsmodell 10 die Ausgangssignale des Netzes 2, d. h. das Antriebsstrang- Stellsignal dk und das Bremsanlagen-Stellsignal db, zugeführt.

In Fig. 3 ist die Realisierung dieses nichtlinearen Fahrzeug­ längsdynamikmodells 10 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 ein­ fachen 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 beinhaltet eine Antriebsstrangmodellierung, welche die Komponenten Motor, Drehmomentwandler sowie Automatik- und Differentialgetriebe einbezieht.

Das nichtlineare Motorverhalten wird durch ein abgelegtes Kennfeld 20 beschrieben, welches das vom Motor erzeugte Moment M_m in Abhängigkeit von der Motordrehzahl n_m und der Stellung dk des Gaspedals bzw. der Drosselklappe oder des Einspritzpumenhebels 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 den vom Wandlereingang (Pumpe) aufgenommenen Moment M_p dividiert durch das Motor­ trägheitsmoment bestimmt, woraus sich aus der zugehörigen Dif­ ferentialgleichung 21 die Motordrehzahl n_m ermitteln läßt. Unter Zuhilfenahme einer abgelegten Kennlinie fw₂ für die Ab­ hängigkeit des normierten Pumpenmomentes vom Verhältnis von Turbinen- zu Pumpendrehzahl läßt sich aus der Motordrehzahl n_m und der von einer automatikgetriebesimulierenden Einheit 26 erzeugten Turbinendrehzahlinformation n_t in einem nächsten Schritt 22 das von der Pumpe aufgenommene Drehmoment M_p berechnen. Aus der Kenntnis des Pumpenmomentes M_p, der Turbinendrehzahl n_t und der Motordrehzahl n_m ergibt sich unter Zuhilfenahme einer weiteren Drehmomentwandler-Kennlinie fw₁, die die Abhängigkeit des Verhältnisses von Turbinen- zu Pumpenmoment vom Verhältnis von Turbinen- zu Pumpendrehzahl beschreibt im nächsten Schritt 23 das Turbinenmoment M_t. Dieses Drehmoment M_t am Drehmomentwandlerausgang geht multi­ pliziert mit Getriebe- und Hinterachsfaktoren abzüglich des Bremsmomentes M_b und des externen Fahrwiderstandsmomentes M_ext in die Differentialgleichung 24 zur Beschreibung der dynamischen Verhältnisse zwischen den Antriebsrädern und dem Wandlerausgang ein, welche die Radwinkelbeschleunigung als Quotient des resultierenden Momentes durch die Summe der ver­ schiedenen Massenträgheitsmomentbeiträge darstellt. Die daraus resultierende Radwinkelgeschwindigkeit w_r wird von einer Einheit 25 um die Hinterachsübersetzung i_h modifiziert und so der automatikgetriebesimulierenden Einheit 26 als Eingangs­ information zugeführt. Im Fall einer starren Wandlerüberbrückung genügt anstelle der Lösung der Motor- und Antriebsrad-Differen­ tialgleichungen die Lösung einer einzigen Antriebsrad-Differen­ tialgleichung.

Die Modellierung des Automatikgetriebes erfolgt anhand von Schaltkennlinien für den Wechsel der Getriebeübersetzung in Ab­ hängigkeit von der Fahrzeuggeschwindigkeit und der Drosselklappen­ stellung. Übersteigt bei einem Gangneubestimmungszyklus die Differenzgeschwindigkeit eine zum aktuellen Wertepaar von Drossel­ klappenstellung und eingelegtem Gang gehörende Referenzgeschwin­ digkeit, so wird ein Hochschalten des Getriebes simuliert. Analog dazu wird ein Wechsel in einen niedrigen Gang simuliert, wenn die Geschwindigkeit unter einen bestimmten anderen, zum aktuellen Wertepaar von Drosselklappenstellung und eingelegtem Gang gehörigen Grenzwert absinkt. Aus dem gewählten Gang ergibt sich dann jeweils ausgangsseitig die Turbinendrehzahl n_t sowie die momentane Getriebeübersetzung i_g, die als Eingangsinformation der Einheit 24 zur Lösung der Antriebs­ raddifferentialgleichung zugeführt wird.

Die ermittelte Getriebeübersetzung i_g wird außerdem ebenso wie die momentane Motordrehzahl n_m und die sich aus der be­ rechneten Radwinkelgeschwindigkeit w_r ergebende, momentane Fahrgeschwindigkeit v_ist als Ausgangsinformation des nicht­ linearen Fahrzeuglängsdynamikmodells 10 der Eingangsseite des Reglers 1 zur Signalaufbereitungseinrichtung 3 und zum Trainieren des künstlichen neuronalen Netzes (2) zugeführt, wie wieder in Fig. 2 zu erkennen. Das Training des Netzes gemäß Fig. 2 beinhaltet zur Bewertung des künstlichen neuronalen Netzes 2 ein Gütefunktional G, welches sich als Summe aus einem verlaufsoptimalen Anteil, der proportional zur vierten Potenz der Geschwindigkeits-Regeldifferenz v_d ist, und einem die Stellenergie minimierenden Anteil, der proportional zum Quadrat der Zeitableitung des vom Netz abgegebenen Antriebs­ strang-Stellsignals dk ist, ergibt, wozu der gütefunktional­ bestimmenden Einheit 12 die benötigten Eingangsinformationen zugeführt sind. Ein günstiger Wert für c₃ beträgt 10 000, für den Parameter c₄ ist der Wert 0,024 vorteilhaft. Der verlaufs­ optimale Anteil wirkt sich vorteilhaft auf den Fahrkomfort aus, da der Regler dadurch bei kleinen Geschwindigkeitsdifferenzen weich und bei höheren Geschwindigkeitsabweichungen verstärkt eingreift. Das Ergebnis der Auswertung durch die das Gütefunktional G bestimmende Einheit 12 stellt die Information 13 zur Anpassung der einzelnen Gewichtswerte zwischen den Neuronen im künstlichen neuronalen Netz dar. Bei dem Lernvorgang nach der Methode von Hrycej wird dabei für die Neuronen einer versteckten Schicht die logistische Aktivierungsfunktion, d. h. die Fermi-Funktion, benutzt, wobei durch das Training der jeweilige Schwellenwert dieser Funktion und die Gewichte zwischen den einzelnen Neuronen gelernt werden. Den Ausgangsneuronen ist eine lineare Aktivierungs­ funktion und den Eingangsneuronen das jeweilige Eingangssignal zugeordnet. Mit diesen Aktivierungsfunktionen wird eine Reglerempfindlichkeit über den gesamten Auswertebereich bereit­ gestellt, wobei die Netzausgangssignale auf geeignete Wertbereiche begrenzt und auf die Stellgliedwertebereiche skaliert werden.

Als Lernvorgabe sind für das Training Sollgeschwindigkeitsprofile 11 vorgesehen, welche rampenförmige Geschwindigkeitsänderungen mit dazwischenliegenden, stückweise konstanten Geschwindigkeits­ abschnitten beinhalten. Dies dient dem Ziel, mit dem neuronalen Training durch Anbieten eines möglichst breiten Spektrums an Betriebszuständen einen möglichst universell ein­ setzbaren Regler zu generieren. Dabei wird insbesondere beachtet, daß ein großer Geschwindigkeitsbereich mit besonderer Betonung des kritischen Bereiches sehr kleiner Geschwindigkeiten abgedeckt wird, daß unterschiedliche Sollbeschleunigungs- und -verzögerungswerte vorgegeben werden, daß ein ausgewogenes Ver­ hältnis der Anzahl von Beschleunigungs- und Verzögerungsvorgängen besteht, daß stationäre Fahrzustände, d. h. Abschnitte konstanter Sollgeschwindigkeit, vorhanden sind und daß die Ge­ schwindigkeitsdifferenzen zwischen Phasen mit konstantem Soll­ geschwindigkeitsverlauf unterschiedlich groß sind. Ein voll­ ständiger Trainingsvorgang für den Geschwindigkeitsregler 1 mit künstlichem neuronalem Netz beinhaltet die Vorgabe mehrerer Sollgeschwindigkeitsprofile und Anfangsbedingungen, wozu mehrere simulierte Fahrmanöver mit jeweils unterschiedlichem Verlauf der Sollgeschwindigkeit ausgewertet werden.

Es zeigt sich, daß sich mit der Regeleinrichtung nach Fig. 1 unter Verwendung des Geschwindigkeitsreglers 1 mit dem wie oben beschriebenen strukturierten und trainierten künstlichen neuronalen Netz 2 eine sehr zuverlässige Einregelung einer Kraftfahrzeug-Sollgeschwindigkeit insbesondere auch im sehr niedrigen Geschwindigkeitsbereich erzielen läßt. Es versteht sich, daß neben den bereits oben angeführten Varianten weitere Modifikationen der Regeleinrichtung nach den Fig. 1 bis 3 im Rahmen der Erfindung realisierbar sind. Auf eine Modifikation wird nachfolgend unter Bezugnahme auf Fig. 5 eingegangen.

In Fig. 5 ist schematisch ein künstliches neuronales Netz 2′ vom Typ eines vorwärtsverarbeitenden Mehrschicht-Perceptrons dargestellt, das sich alternativ zu dem oben zu Fig. 4 be­ schriebenen Netz 2 in der oben beschriebenen Regeleinrichtung verwenden läßt. Wie das dortige Netz 2 besitzt auch dieses Netz 2′ eine Eingangsschicht 30 aus fünf Neuronen für fünf Eingangssignale v_ist, v_d, V_dm, i_g, n_m sowie eine versteckte Schicht 31 mit zehn Neuronen. Im Gegensatz zum obigen Netz 2 beinhaltet das neuronale Netz 2′ von Fig. 5 nur ein Neuron in der Ausgangsschicht 32, dessen Ausgangssignal sowohl zur Ansteuerung des Antriebsstrang-Stellgliedes, d. h. der Dros­ selklappe, als auch des Bremsanlagen-Stellgliedes dient. Hierbei wird das Ausgangssignal in Abhängigkeit eines Schwellwertes einerseits an das Antriebsstrang-Stellglied und andererseits an das Bremsanlagen-Stellglied weitergeleitet. Wird beispielsweise der Schwellwert auf Null festgelegt, so werden positive Aus­ gangssignale als Stellsignal dk für den Antriebsstrang und negative Ausgangssignale als Stellsignal db zur Ansteuerung der Bremse verwendet, wie dies schematisch durch das Schaubild in Fig. 5 rechts wiedergegeben ist. Das Neuronausgangssignal wird hierbei betragsmäßig auf das Intervall zwischen Null und Eins begrenzt und je nach Vorzeichen zur Anpassung an die beiden Stellglieder mit unterschiedlichen Skalierungsfaktoren multipliziert. Das so strukturierte neuronale Netz 2′ kann analog zum oben beschriebenen Netz 2 trainiert und im Geschwindig­ keitsregler der obigen Regeleinrichtung verwendet werden. Die vorzeichenabhängige Funktionsaufteilung des einzigen Aus­ gangssignals dieses Netzes 2′ stellt automatisch sicher, daß stets entweder nur das Stellglied für den Antriebsstrang oder nur dasjenige für die Bremsanlage aktiviert wird.

Claims (12)

1. Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges, mit

• - einem Geschwindigkeitsregler (1), der ein künstliches neuronales Netz (2) beinhaltet, dem eingangsseitig Daten über die momentane Regeldifferenz (v_d) zwischen Soll-Fahr­ geschwindigkeit (v_soll) und momentaner Fahrgeschwindigkeit (v_ist) sowie den momentanen Fahrzustand zugeführt werden und das ausgangsseitig wenigstens ein Stellsignal (dk) für den Antriebsstrang des Kraftfahrzeuges abgibt,

dadurch gekennzeichnet, daß

• - dem künstlichen neuronalen Netz (2) zusätzlich Informationen über den zeitlichen Verlauf von Fahrzustand und/oder der Regeldifferenz (v_d) zugeführt werden und
• - das neuronale Netz (2) anhand eines nichtlinearen Fahr­ zeuglängsdynamikmodells unter Bewertung der abgegebenen Stellsignale mittels eines vorgegebenen Gütefunktionals (G) trainiert wird.

2. Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges, mit

• - einem Geschwindigkeitsregler (1), der ein künstliches neu­ ronales Netz (2) beinhaltet, dem eingangsseitig Daten über die momentane Regeldifferenz (v_d) zwischen Soll-Fahrgeschwindigkeit (v_soll) und momentaner Fahrgeschwindigkeit (v_ist) sowie den momentanen Fahrzustand zugeführt werden und das ausgangsseitig wenigstens ein Stellsignal (dk) für den Antriebsstrang des Kraftfahrzeuges abgibt,

dadurch gekennzeichnet, daß das neuronale Netz (2) anhand eines nichtlinearen Fahr­ zeuglängsdynamikmodells unter Bewertung der abgegebenen Stellsignale mittels eines vorgegebenen Gütefunktionals (G) trainiert wird, wobei das nichtlineare Fahrzeuglängs­ dynamikmodell eine Antriebsstrangmodellierung mit folgenden Komponenten beinhaltet:

• - kennfeldbasierte Bestimmung (20) des Motormomentes (M_m) in Abhängigkeit von der Motordrehzahl (n_m) und der Drossel­ klappenstellung (ks),
• - kennlinienbasierte Drehmomentwandlersimulation (22, 23) 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
• - kennlinienbasierte Automatikgetriebesimulation (26) zur Bestimmung von Turbinendrehzahl (n_t) und Getriebeübersetzung (i_g) in Abhängigkeit von der Drosselklappenstellung (ks) und der momentanen Fahrgeschwindigkeit (v_ist), wobei zur Bestimmung der letzteren das berechnete Antriebsmoment um ein Bremsmoment (M_b) und ein externes Fahrwiderstands­ moment (M_ext) reduziert wird.

3. Einrichtung nach Anspruch 1 oder 2, weiter dadurch gekennzeichnet, daß das künstliche neuronale Netz (2) vom Typ eines vorwärtsver­ arbeitenden Mehrschicht-Perceptrons ist, das aus einer Anzahl von Eingangsgrößen entsprechenden Neuronenanzahl in einer Ein­ gangsschicht (30), mindestens einer versteckten Schicht (31) und einer höchstens so großen Anzahl von Neuronen in einer Ausgangsschicht (32) wie die Anzahl anzusteuernder Stellglieder aufgebaut ist und unter Eingabe vorgegebener Sollgeschwindigkeitsprofile (11) und Anfangsbedingungen trainiert wird, und dem als Daten über den momentanen Fahrzustand wenigstens einer der momentanen Werte der Größen Fahrgeschwindigkeit (v_ist), Motordrehzahl (m_m) und Getriebeübersetzung (i_g) zugeführt werden.

4. Einrichtung nach einem der Ansprüche 1 bis 3, weiter dadurch gekennzeichnet, daß das Gütefunktional (G) die Summe aus einem Anteil, der proportional zum Quadrat der Zeitableitung des abgegebenen Stellsignals (dk) für den Antriebsstrang und einem Anteil, der sich als Polynom mit geradzahligen Potenzen der Regeldifferenz (v_d) ausdrücken läßt, ist.

5. Einrichtung nach Anspruch 4, weiter dadurch gekennzeichnet, daß der Anteil der Regeldifferenz (v_d) am Gütefunktional (G) pro­ portional zur vierten Potenz der Regeldifferenz (v_d) ist.

6. Einrichtung nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, daß das künstliche neuronale Netz (2) zusätzlich ein Stellsignal (db) für die Bremsanlage des Fahrzeugs abgibt.

7. Einrichtung nach einem der Ansprüche 1 bis 5, weiter dadurch gekennzeichnet, daß das künstliche neuronale Netz (2) zusätzlich ein Stellsignal (db) für die Bremsanlage des Fahrzeugs abgibt und die Ausgangsschicht (32) des künstlichen neuronalen Netzes (2′) aus einem einzelnen Neuron besteht, dessen Ausgangssignal in jedem Zeitpunkt entweder das Stellsignal (dk) für den Antriebsstrang oder das Stellsignal (db) für die Bremsanlage bildet.

8. Einrichtung nach Anspruch 7, weiter dadurch gekennzeichnet, daß das Ausgangssignal des einzelnen Neurons der Ausgangsschicht (32) des künstlichen neuronalen Netzes (2′) vorzeichenabhängig einerseits das Stellsignal (dk) für den Antriebsstrang und andererseits das Stellsignal (db) für die Bremsanlage bildet.

9. Einrichtung nach einem der Ansprüche 1 bis 8, weiter dadurch gekennzeichnet, daß dem künstlichen neuronalen Netz (2) die Information über die Geschwindigkeits-Regeldifferenz (v_d) in Form einer Funktion zu­ geführt wird, die bei verschwindender Regeldifferenz (v_d=0) ein absolutes Maximum aufweist.

10. Einrichtung nach Anspruch 9, weiter dadurch gekennzeichnet, daß dem künstlichen neuronalen Netz (2) die Information über die Geschwindigkeits-Regeldifferenz (v_d) in Form einer zu dem Ausdruck 1+c₁exp(-c₂v_d²) proportionalen Größe zugeführt wird, wobei c₁, c₂ frei wählbare Konstanten sind.