EP3938856A1

EP3938856A1 - Steuerung eines autonomen oder teilautonomen fahrzeugs

Info

Publication number: EP3938856A1
Application number: EP20701699.9A
Authority: EP
Inventors: Clemens Markus Hruschka; Daniel Töpfer; Michael Schmidt
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2019-03-15
Filing date: 2020-01-15
Publication date: 2022-01-19
Also published as: DE102019212666A1; WO2020187462A1

Abstract

Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm mit Instruktionen und eine Vorrichtung zur Steuerung eines autonomen oder teilautonomen Fahrzeugs. Die Erfindung betrifft des Weiterein ein Kraftfahrzeug, das ein solches Verfahren oder eine solche Vorrichtung nutzt. In einem ersten Schritt wird zumindest eine durch das Fahrzeug zu fahrende Trajektorie geplant (10). Zudem werden zu erwartende Regelfehler für die zumindest eine zu fahrende Trajektorie bestimmt (11). Dabei werden zumindest ein Fahrzeugmodell und ein empirisch ermittelter Modellfehler einbezogen. Die Planung wird dann unter Berücksichtigung der zu erwartenden Regelfehler angepasst (12).

Description

Beschreibung

Steuerung eines autonomen oder teilautonomen Fahrzeugs

Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm mit Instruktionen und eine Vorrichtung zur Steuerung eines autonomen oder teilautonomen Fahrzeugs. Die Erfindung betrifft des Weiteren ein Kraftfahrzeug, das ein solches Verfahren oder eine solche Vorrichtung nutzt.

Im automatisierten Fahren oder bei Fahrerassistenzfunktionen werden bei der

Vorausplanung des Verhaltens u.a. zu fahrende Trajektorien ermittelt. Hierbei gilt es, für die Sicherheit und den Schutz beteiligter Verkehrsteilnehmer Unfälle bzw. Kollisionen zu vermeiden. Daher wird z.B. durch integrierte Fahrzeugsensorik und Car2X-Kommunikation das Umfeld des Fahrzeugs wahrgenommen, im automatisierten Fahren mittels

Objektprädiktion das Verhalten anderer Verkehrsteilnehmer bzw. im assistierten Fahren zusätzlich dazu das Fahrverhalten des eigenen Fahrzeuges abgeschätzt und auf Basis dieses Wissens eine eigene Fahrtrajektorie geplant. Eine Hauptanforderung an eine solche Trajektorie bzw. das geplante Manöver ist Kollisionsfreiheit, d.h. das Fahrzeug darf zu keinem Zeitpunkt mit einem anderen Verkehrsteilnehmer oder einem statischen Hindernis kollidieren. Die Umsetzung dieser Trajektorie bzw. des geplanten Manövers ist naturgemäß fehlerbehaftet, beispielsweise aufgrund von vereinfachenden Modellannahmen bei der Planung oder durch unvorhersehbare Umgebungseinflüsse, z.B. Wind oder Änderungen im Fahrbahn-Reifen-Kontakt. Zur Minimierung der Abweichung von realer zu geplanter

Trajektorie kommen Regler zur Fahrzeuglängsführung und zur Fahrzeugquerführung zum Einsatz.

Vor diesem Hintergrund beschreibt WO 2018/063428 A1 ein Verfahren zum Bewerten eines Fahrdynamikbetriebs eines autonomen Fahrzeugs. Bei dem Verfahren wird eine gewünschte Trajektorie für das Fahrzeug bestimmt und es werden entsprechende Fahrzeugsteuerbefehle generiert. Diese umfassen Befehle betreffend den Lenkwinkel, die Beschleunigung und das Bremsen. Im Ansprechen auf die Fahrzeugsteuerbefehle werden tatsächliche

Fahrzeugzustände und darauf basierend eine geschätzte Trajektorie bestimmt. Aus einer Differenz zwischen der gewünschten Trajektorie und der geschätzten Trajektorie wird ein Trajektorienfehler bestimmt. Dieser Trajektorienfehler wird über einen Zeithorizont überwacht, um das Vorliegen einer Störung feststellen zu können. US 2019/0064823 A1 beschreibt ein Verfahren zum Simulieren einer Bewegung eines autonomen Kraftfahrzeugs, das maschinelles Lernen mit einem physikalischen Modell kombiniert. Bei dem Verfahren wird ein Fahrszenario für eine nächste Bewegung für das Fahrzeug identifiziert, wobei das Fahrszenario durch einen Satz von vorbestimmten

Parametern dargestellt wird. Eine erste nächste Bewegung wird für das autonome Fahrzeug unter Verwendung eines physikalischen Modells berechnet, das dem Fahrszenario entspricht. Ein Vorhersagemodell für ein seitliches Rutschen wird auf den Satz

vorbestimmter Parameter angewendet, um das Rutschen des autonomen Fahrzeugs unter dem Fahrszenario vorherzusagen. Eine zweite nächste Bewegung des autonomen

Fahrzeugs wird basierend auf der ersten nächsten Bewegung und dem vorhergesagten Rutschen bestimmt. Das vorhergesagte Rutschen wird verwendet, um die erste nächste Bewegung so zu modifizieren, dass das Rutschen kompensiert wird. Planungs- und

Steuerungsdaten werden für die zweite nächste Bewegung generiert und das autonome Fahrzeug wird basierend auf den Planungs- und Steuerungsdaten gesteuert und gefahren.

Kollisionsvermeidungssysteme bieten ein großes Potenzial zur Reduzierung der Anzahl und der Opferzahl von Verkehrsunfällen. Während eine Kollisionsvermeidung durch

Bremsmanöver (CAB: Collision Avoidance by Braking / AEB: Autonomous Emergency Braking) für viele aktuelle Fahrzeuge verfügbar ist, werden Möglichkeiten der

Kollisionsvermeidung durch Ausweichmanöver (CAS: Collision Avoidance by Swerving) zwar untersucht, ein entsprechendes System ist bisher allerdings noch nicht verfügbar. Eine Hauptaufgabe bei der Implementierung einer sicheren Kollisionsvermeidung durch

Ausweichmanöver ist es, sicherzustellen, dass die Systemaktivierung eine bereits gefährliche Situation nicht noch verschlimmert. Dies kann aus unterschiedlichen Gründen der Fall sein, u.a. aufgrund von Regelfehlern. Durch solche Regelfehler kann die tatsächliche Fahrzeugtrajektorie von der eigentlich geplanten Trajektorie abweichen, auf Grundlage derer das Kollisionsvermeidungssystem ausgelöst wurde. Dies kann schlimmstenfalls zu einer Kollision führen.

Der Artikel von J.v.d. Berg et al. :“LGG-MP: Optimized Path Planning for Robots with Motion Uncertainty and Imperfect State Information“ [1] beschreibt einen Ansatz zur

Bewegungsplanung für einen Roboter, der die Sensoren und die Steuerung berücksichtigt, die bei der Ausführung des Bewegungspfades verwendet werden. LGG-MP (Linear- Guadratic-Gaussian-Motion-Planning) basiert auf einer linear-quadratischen Steuerung mit Gaußschen Unsicherheitsmodellen und charakterisiert explizit im Voraus (d.h. vor der Ausführung) die a priori Wahrscheinlichkeitsverteilungen des Zustands des Roboters auf seinem Weg. Diese Verteilungen können verwendet werden, um die Qualität des Weges zu beurteilen, z.B. durch Berechnung der Wahrscheinlichkeit, dass Kollisionen vermieden werden. Die in dem Artikel beschriebene Lösung basiert allerdings auf einer spezifischen Reglerarchtitektur und ist ohne Anpassung nicht auf beliebige Regler übertragbar. Weiterhin wurde die Funktionalität dieses Verfahrens nur in Simulationen nachgewiesen, in denen benötigte Parameter exakt bekannt waren. Ein wichtiger Parameter ist dabei der

Modellfehler, welcher zusammen mit dem Messfehler und der Systemdynamik in die Fehlerrechnung eingeht. Es ist derzeit allerdings keine Methodik bekannt, den Modellfehler zuverlässig analytisch zu bestimmen.

Zur Abschätzung von Modellfehler-Kovarianzmatrizen für Kalman-Filter, die ein Bestandteil von LQG sind, existieren Ansätze, welche auf der Autokorrelation der Innovationssequenz des Kalman-Filters basieren. Diese Ansätze benötigen allerdings extrem lange Sequenzen von Messdaten. Für den Einsatz in der Fahrzeugquerführung ist dies nicht möglich bzw. nicht praktikabel, da z.B. Manöver mit hoher Querdynamik in der Regel nicht beliebig lang durchgeführt werden können. Weiterhin sind diese Ansätze in Kombination mit nichtlinearen Systemen wenig performant. Da für die Planung von Trajektorien insbesondere im querdynamischen Grenzbereich auf nichtlineare Modelle zurückgegriffen werden muss, sind die genannten Ansätze daher nicht praktikabel anwendbar.

Es ist eine Aufgabe der Erfindung, eine verbesserte Lösung für die Steuerung eines autonomen oder teilautonomen Fahrzeugs aufzuzeigen, die mit einer Vielzahl von

Zustandsraumreglern einsetzbar ist.

Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 , durch ein Computerprogramm mit Instruktionen gemäß Anspruch 8 sowie durch eine Vorrichtung mit den Merkmalen des Anspruchs 9 gelöst. Bevorzugte Ausgestaltungen der Erfindung sind Gegenstand der abhängigen Ansprüche.

Gemäß einem ersten Aspekt der Erfindung umfasst ein Verfahren zur Steuerung eines autonomen oder teilautonomen Fahrzeugs die Schritte:

- Planung zumindest einer zu fahrenden T rajektorie;

- Bestimmen zu erwartender Regelfehler für die zumindest eine zu fahrende Trajektorie, wobei zumindest ein Fahrzeugmodell und ein empirisch ermittelter Modellfehler einbezogen werden; und

- Anpassen der Planung unter Berücksichtigung der zu erwartenden Regelfehler. Gemäß einem weiteren Aspekt der Erfindung umfasst ein Computerprogramm Instruktionen, die bei Ausführung durch einen Computer den Computer zur Ausführung der folgenden Schritte zur Steuerung eines autonomen oder teilautonomen Fahrzeugs veranlassen:

- Planung zumindest einer zu fahrenden T rajektorie;

- Anpassen der Planung unter Berücksichtigung der zu erwartenden Regelfehler.

Der Begriff Computer ist dabei breit zu verstehen. Insbesondere umfasst er auch

Steuergeräte und andere prozessorbasierte Datenverarbeitungsvorrichtungen.

Das Computerprogramm kann beispielsweise für einen elektronischen Abruf bereitgestellt werden oder auf einem computerlesbaren Speichermedium gespeichert sein.

Gemäß einem weiteren Aspekt der Erfindung weist eine Vorrichtung zur Steuerung eines autonomen oder teilautonomen Fahrzeugs auf:

- ein Planungsmodul zur Planung zumindest einer zu fahrenden T rajektorie und zum

Anpassen der Planung unter Berücksichtigung zu erwartender Regelfehler für die zumindest eine zu fahrende Trajektorie; und

- ein Fehlermodul zum Bestimmen der zu erwartenden Regelfehler für die zumindest eine zu fahrende Trajektorie, wobei das Fehlermodul eingerichtet ist, zumindest ein

Fahrzeugmodell und einen empirisch ermittelten Modellfehler einzubeziehen.

Mit der beschriebenen Lösung lassen sich unter Verwendung der Modellfehler die zu erwartenden Restfehler des geregelten Systems zum Planungszeitpunkt abschätzen und in der Planung der zu fahrenden Trajektorie berücksichtigen. Die Nutzung empirisch ermittelter Modellfehler ermöglicht es dabei, die Prädiktion von Regelfehlern nicht nur in einer

Simulation, sondern auch in einer realen Anwendung zu verwenden. Die Prädiktion der Regelfehler erfolgt in einer generalisierten Weise, sodass sie nicht nur mit LQG-Reglern, sondern mit beliebigen Zustandsreglern eingesetzt werden kann.

Gemäß einem Aspekt der Erfindung wird die Planung angepasst, indem ein

Sicherheitsabstand zu anderen Verkehrsteilnehmern um einen Konfidenzbereich einer aus den Regelfehlern resultierenden Wahrscheinlichkeitsverteilung erweitert wird. Bei dieser Ausführungsform berechnet der Algorithmus zur Trajektorienplanung eines automatisch fahrenden Fahrzeuges oder eines Fahrerassistenzsystems auf Grundlage des zugrundeliegenden Systemmodells oder Fahrzeugmodells, des bekannten Messfehlers, der bekannten Regelungsstruktur und deren Parametern sowie auf Grundlage des ermittelten Modellfehlers online und zur Planungszeit die zu erwartenden Regelfehler. Die Planung wird dann an das Ergebnis der Berechnung angepasst, indem ein zusätzlicher

Sicherheitsabstand eingeplant wird. Die kontinuierliche Berücksichtigung des zu erwartenden Regelfehlers ermöglicht die Planung eines optimalen Manövers, welches die Reglerqualität zu jedem Betriebspunkt berücksichtigt.

Gemäß einem Aspekt der Erfindung wird die Planung angepasst, indem auf Grundlage der Regelfehler Kollisionswahrscheinlichkeiten berechnet und in der Planung minimiert werden. Auch bei dieser Ausführungsform berechnet der Algorithmus zur Trajektorienplanung eines automatisch fahrenden Fahrzeuges oder eines Fahrerassistenzsystems auf Grundlage des zugrundeliegenden Systemmodells oder Fahrzeugmodells, des bekannten Messfehlers, der bekannten Regelungsstruktur und deren Parametern sowie auf Grundlage des ermittelten Modellfehlers online und zur Planungszeit die zu erwartenden Regelfehler. Auf Grundlage der prädizierten Wahrscheinlichkeitsverteilung der Regelfehler wird in diesem Fall während der der Planung eine Kollisionswahrscheinlichkeit zwischen dem geregelten Fahrzeug und potentiellen Hindernissen berechnet und minimiert. Die kontinuierliche Berücksichtigung des zu erwartenden Regelfehlers ermöglicht auch hier die Planung eines optimalen Manövers, welches die Reglerqualität zu jedem Betriebspunkt berücksichtigt.

Gemäß einem Aspekt der Erfindung werden zwei oder mehr Trajektorien geplant und die Planung wird angepasst, indem die zwei oder mehr Trajektorien auf Grundlage der

Regelfehler bewertet werden und eine der zwei oder mehr Trajektorien ausgewählt wird. Bei dieser Ausführungsform berechnet eine Kontrollinstanz zu erwartende Regelfehler für geplante Manöver eines automatisch fahrenden Fahrzeuges oder eines

Fahrerassistenzsystems und bewertet die Sicherheit des Manövers, z.B. anhand des Konfidenzintervalls oder auf Grundlage von Kollisionswahrscheinlichkeiten. So kann z.B. aus mehreren Lösungskandidaten derjenige ausgewählt werden, der unter Berücksichtigung der zu erwartenden Regelfehler am sichersten ist. So können beispielsweise geplante Manöver freigegeben oder blockiert werden. Diese Ausführungsform benötigt weniger

Rechenkapazitäten, allerdings kann es gesehenen, dass keine der geplanten Lösungen nach Berücksichtung der Regelfehler valide bleibt. In diesem Fall ist eine Planung alternativer Trajektorien erforderlich. Gemäß einem Aspekt der Erfindung ist der empirisch ermittelte Modellfehler eine

Approximation von in Testfahrten ermittelten Fehlern. Der Modellfehler kann auf einfache Weise ermittelt werden, indem für das Fahrzeug bzw. den Fahrzeugtyp Testfahrten für verschiedene Manöver bei verschiedenen Geschwindigkeiten durchgeführt werden. Die Auswertung der Testfahrten liefert dann eine Approximation für den Modellfehler für möglichst viele Arbeitspunkte des geregelten Systems.

Gemäß einem Aspekt der Erfindung wird der empirisch ermittelte Modellfehler durch eine Datenerfassung im Fährbetrieb fortlaufend aktualisiert. Durch die durchgängige

Datenerfassung im Fahrzeug kann die Approximation des Modellfehlers kontinuierlich verbessert werden.

Gemäß einem Aspekt der Erfindung repräsentiert die zumindest eine zu fahrende Trajektorie ein Ausweichmanöver für eine Kollisionsvermeidung. Die erfindungsgemäße Lösung erlaubt es, das Risiko einer Kollision mit dem eigentlichen Hindernis und ggf. vorhandenem

Gegenverkehr besser abzuschätzen. Die Anwendung ist daher besonders vorteilhaft für die Fahrzeugquerführung durch ein Kollisionsvermeidungssystem, d.h. für ein Notausweichen zur Kollisionsvermeidung.

Besonders vorteilhaft wird ein erfindungsgemäßes Verfahren oder eine erfindungsgemäße Vorrichtung in einem autonomen oder teilautonomen Kraftfahrzeug eingesetzt. Durch die Berücksichtigung von Regelfehlern wird ein möglichst unfallfreies bzw. risikoarmes automatisiertes Fahren erreicht.

Weitere Merkmale der vorliegenden Erfindung werden aus der nachfolgenden Beschreibung und den angehängten Ansprüchen in Verbindung mit den Figuren ersichtlich.

Fig. 1 zeigt schematisch ein Verfahren zur Steuerung eines autonomen oder

teilautonomen Fahrzeugs;

Fig. 2 zeigt eine erste Ausführungsform einer Vorrichtung zur Steuerung eines

autonomen oder teilautonomen Fahrzeugs;

Fig. 3 zeigt eine zweite Ausführungsform einer Vorrichtung zur Steuerung eines

autonomen oder teilautonomen Fahrzeugs; Fig. 4 stellt schematisch ein Kraftfahrzeug dar, in dem eine erfindungsgemäße Lösung realisiert ist;

Fig. 5 veranschaulicht die im Einspurmodell verwendeten Größen; und Fig. 6-10 zeigen experimentelle Ergebnisse.

Zum besseren Verständnis der Prinzipien der vorliegenden Erfindung werden nachfolgend Ausführungsformen der Erfindung anhand der Figuren detaillierter erläutert. Es versteht sich, dass sich die Erfindung nicht auf diese Ausführungsformen beschränkt und dass die beschriebenen Merkmale auch kombiniert oder modifiziert werden können, ohne den

Schutzbereich der Erfindung zu verlassen, wie er in den angehängten Ansprüchen definiert ist.

Fig. 1 zeigt schematisch ein Verfahren zur Steuerung eines autonomen oder teilautonomen Fahrzeugs. In einem ersten Schritt wird zumindest eine durch das Fahrzeug zu fahrende Trajektorie geplant 10. Die Trajektorie kann z.B. ein Ausweichmanöver für eine

Kollisionsvermeidung repräsentieren. Zudem werden zu erwartende Regelfehler für die zumindest eine zu fahrende Trajektorie bestimmt 11. Dabei werden zumindest ein

Fahrzeugmodell und ein empirisch ermittelter Modellfehler einbezogen. Beispielsweise kann der empirisch ermittelte Modellfehler eine Approximation von in Testfahrten ermittelten Fehlern sein. Dabei kann vorgesehen sein, dass der empirisch ermittelte Modellfehler durch eine Datenerfassung im Fährbetrieb fortlaufend aktualisiert wird. Die Planung wird schließlich unter Berücksichtigung der zu erwartenden Regelfehler angepasst 12. Die Planung kann z.B. angepasst werden 12, indem ein Sicherheitsabstand zu anderen Verkehrsteilnehmern um einen Konfidenzbereich einer aus den Regelfehlern resultierenden

Wahrscheinlichkeitsverteilung erweitert wird. Alternativ können auf Grundlage der

Regelfehler Kollisionswahrscheinlichkeiten berechnet und in der Planung minimiert werden. Eine weitere Möglichkeit besteht darin, dass zwei oder mehr T rajektorien geplant werden 10 und die Planung angepasst wird 12, indem die zwei oder mehr Trajektorien auf Grundlage der Regelfehler bewertet werden und eine der zwei oder mehr Trajektorien ausgewählt wird.

Fig. 2 zeigt eine vereinfachte schematische Darstellung einer ersten Ausführungsform einer Vorrichtung 20 zur Steuerung eines autonomen oder teilautonomen Fahrzeugs. Die

Vorrichtung 20 hat einen Eingang 21 , über den beispielsweise Umfelddaten einer Sensorik des Fahrzeugs empfangen werden können. Ein Planungsmodul 22 dient zur Planung zumindest einer zu fahrenden Trajektorie und zum Anpassen der Planung unter Berücksichtigung zu erwartender Regelfehler für die zumindest eine zu fahrende Trajektorie. Die Trajektorie kann z.B. ein Ausweichmanöver für eine Kollisionsvermeidung

repräsentieren. Die Planung kann z.B. angepasst werden, indem ein Sicherheitsabstand zu anderen Verkehrsteilnehmern um einen Konfidenzbereich einer aus den Regelfehlern resultierenden Wahrscheinlichkeitsverteilung erweitert wird. Alternativ können auf Grundlage der Regelfehler Kollisionswahrscheinlichkeiten berechnet und in der Planung minimiert werden. Eine weitere Möglichkeit besteht darin, dass zwei oder mehr Trajektorien geplant werden und die Planung angepasst wird, indem die zwei oder mehr Trajektorien auf

Grundlage der Regelfehler bewertet werden und eine der zwei oder mehr Trajektorien ausgewählt wird. Zum Bestimmen der zu erwartenden Regelfehler für die zumindest eine zu fahrende Trajektorie weist die Vorrichtung 20 ein Fehlermodul 23 auf. Das Fehlermodul 23 ist eingerichtet, beim Bestimmen der zu erwartenden Regelfehler zumindest ein

Fahrzeugmodell und einen empirisch ermittelten Modellfehler einzubeziehen. Beispielsweise kann der empirisch ermittelte Modellfehler eine Approximation von in Testfahrten ermittelten Fehlern sein. Dabei kann vorgesehen sein, dass der empirisch ermittelte Modellfehler durch eine Datenerfassung im Fährbetrieb fortlaufend aktualisiert wird. Die schließlich aus der Planung resultierende Trajektorie kann über einen Ausgang 26 der Vorrichtung 20 ausgegeben werden.

Das Planungsmodul 22 und das Fehlermodul 23 können von einer Kontrolleinheit 24 gesteuert werden. Über eine Benutzerschnittstelle 27 können gegebenenfalls Einstellungen des Planungsmoduls 22, des Fehlermoduls 23 oder der Kontrolleinheit 24 geändert werden. Die in der Vorrichtung 20 anfallenden Daten können bei Bedarf in einem Speicher 25 abgelegt werden, beispielsweise für eine spätere Auswertung oder für eine Nutzung durch die Komponenten der Vorrichtung 20. Das Planungsmodul 22, das Fehlermodul 23 sowie die Kontrolleinheit 24 können als dedizierte Hardware realisiert sein, beispielsweise als integrierte Schaltungen. Natürlich können sie aber auch teilweise oder vollständig kombiniert oder als Software implementiert werden, die auf einem geeigneten Prozessor läuft, beispielsweise auf einer GPU oder einer CPU. Der Eingang 21 und der Ausgang 26 können als getrennte Schnittstellen oder als eine kombinierte bidirektionale Schnittstelle

implementiert sein.

Fig. 3 zeigt eine vereinfachte schematische Darstellung einer zweiten Ausführungsform einer Vorrichtung 30 zur Steuerung eines autonomen oder teilautonomen Fahrzeugs. Die

Vorrichtung 30 weist einen Prozessor 32 und einen Speicher 31 auf. Beispielsweise handelt es sich bei der Vorrichtung 30 um einen Computer oder eine Workstation. Im Speicher 31 sind Instruktionen abgelegt, die die Vorrichtung 30 bei Ausführung durch den Prozessor 32 veranlassen, die Schritte gemäß einem der beschriebenen Verfahren auszuführen. Die im Speicher 31 abgelegten Instruktionen verkörpern somit ein durch den Prozessor 32 ausführbares Programm, welches das erfindungsgemäße Verfahren realisiert. Die

Vorrichtung 30 hat einen Eingang 33 zum Empfangen von Informationen. Vom Prozessor 32 generierte Daten werden über einen Ausgang 34 bereitgestellt. Darüber hinaus können sie im Speicher 31 abgelegt werden. Der Eingang 33 und der Ausgang 34 können zu einer bidirektionalen Schnittstelle zusammengefasst sein.

Der Prozessor 32 kann eine oder mehrere Prozessoreinheiten umfassen, beispielsweise Mikroprozessoren, digitale Signalprozessoren oder Kombinationen daraus.

Die Speicher 25, 31 der beschriebenen Ausführungsformen können sowohl volatile als auch nichtvolatile Speicherbereiche aufweisen und unterschiedlichste Speichergeräte und

Speichermedien umfassen, beispielsweise Festplatten, optische Speichermedien oder Halbleiterspeicher.

Fig. 4 stellt schematisch ein Kraftfahrzeug 40 dar, in dem eine erfindungsgemäße Lösung realisiert ist. Das Kraftfahrzeug 40 weist ein Steuerungssystem 41 für den automatisierten oder hochautomatisierten Fährbetrieb auf. Eine erfindungsgemäße Vorrichtung 20 empfängt eine Reihe von Eingangsgrößen, z.B. Betriebsparameter des Kraftfahrzeugs 40 oder Umgebungsdaten von einer im Kraftfahrzeug 40 verbauten Umfeldsensorik 42, und bestimmt Ausgaben zu diesen Eingangsgrößen, z.B. eine zu fahrende Trajektorie. Die Ausgabe dient dann als Grundlage für die Generierung von Steuerbefehlen durch das Steuerungssystem 41. In Fig. 4 ist die Vorrichtung 20 eine eigenständige Komponente, sie kann aber auch im Steuerungssystem 41 integriert sein. Eine weitere Komponente des Kraftfahrzeugs 40 ist eine Datenübertragungseinheit 43, über die u.a. eine Verbindung zu einem Backend aufgebaut werden kann, z.B. um aktualisierte Software für die Vorrichtung 20 zu beziehen. Zur Speicherung von Daten ist ein Speicher 44 vorhanden. Der Datenaustausch zwischen den verschiedenen Komponenten des Kraftfahrzeugs 40 erfolgt über ein Netzwerk 45.

Nachfolgend sollen weitere Details des erfindungsgemäßen Ansatzes unter Bezugnahme auf die Figuren 5 bis 10 beschrieben werden. Zur Verallgemeinerung der in [1] beschriebenen Vorhersage von Regelfehlern wird ein allgemeines nichtlineares zeitdiskretes Systemmodell mit Zustand x, Regelung u und normalverteiltem Modellfehler w angesetzt: x_k+1 = F(x_k, u_k) + w_k , w_k ~ N(0, Q_k). (1)

Um eine linear-quadratische Gaußsche Fehlervorhersage anzuwenden, wird das System entlang einer vorgegebenen Trajektorie linearisiert. Dies führt zu dem folgenden

linearisierten lokalen System, das die Abweichung von der Trajektorie beschreibt: Dx_k+1 = A_kDx_k + B_kDu_k + w_k , (2)

Messungen werden mit einem normalverteilten Fehler m durchgeführt: y_k = Cx_k + m_k , m_k ~ N(0, R). (5)

Die Fehlerdynamik des geschlossenen Rückkopplungssystems wird unter Berücksichtigung des Regler-Feedbacks u_k = K(y_set - y_k) (6) berechnet, was zu Dx_k+1 = A_kDx_k - B_k K(CDx_k + m_k) (7) führt.

Um Abweichungen P_k für den erwarteten Systemfehler Dx_k unter Berücksichtigung des Modellfehlers w_k sowie des Messfehlers m_k zu propagieren, können die linearisierten Dynamik- und Regelmatrizen des Feedbacksystems wie folgt verwendet werden:

sssohl das hier beschriebene Verfahren als auch das in [1] beschriebene Verfahren basieren auf einer bekannten Modellfehlerkovarianz, die für ein bestimmtes Fahrzeug und die jeweiligen Modellparameter nicht ohne Weiteres verfügbar ist. Daher wird bei der vorliegenden Lösung der Modellfehler aus realen Fahrversuchen ermittelt. Das zu testende Fahrzeug ist mit einem Fahrzustandsbeobachter ausgestattet, der dem Regler Daten entsprechend Gleichung (5) zur Verfügung stellt, sowie mit einem leistungsstarken

Trägheitsnavigationssystem (IMU: Inertial Measurement Unit / GNSS: Global Navigation Satellite System), das hochpräzise Messungen zur Auswertung der tatsächlichen Regelung liefert. Die Qualität der Vorhersage der Fehlervarianz kann daher getestet werden, indem Gleichung (8) auf die Trajektorien der realen Fahrversuche angewendet wird.

Mittels einer Überprüfung, welcher Prozentsatz der tatsächlichen Fehlerproben e innerhalb einer nσ-Umgebung der berechneten Verteilung N (0 , P_k) liegt, wird eine empirische kumulative Dichtefunktion ecdf beispielhaft für y e R² ermittelt:

z.B. mit

Der Fehler wird im genannten Beispiel für die tatsächliche laterale Position y_ref des Fahrzeugs und den tatsächlichen Gierwinkel f _ref des Fahrzeugs in Bezug auf die für die Trajektorien eingestellten Werte ausgewertet und mit den jeweiligen vorhergesagten Standardabweichungen s verglichen. Beide Fehler werden separat bewertet, was effektiv zu einer Verdoppelung der Anzahl der verfügbaren Proben führt. Die Anzahl der

Beobachtungen n_s wird durch die Anzahl der Testfahrten und die Anzahl der Zeitschritte je Testfahrt bestimmt. Die Dichtefunktion ecdf kann dann mit einer als Referenz dienenden erwarteten kumulativen Dichtefunktion rcdf verglichen werden, die beobachtet werden würde, wenn die Fehler entsprechend N (0 , P_k) normalverteilt wären:

F_N bezeichnet dabei die kumulative Dichtefunktion einer Standard-Normalverteilung und bezeichnet die kumulative Dichtefunktion einer X²-Verteilung mit einem Freiheitsgrad. Die tatsächlichen Modellfehlerabweichungen können nun durch Lösen eines

Optimierungsproblems ermittelt werden, bei dem die Modellfehler Freiheitsgrade sind und die Abweichungen zwischen der erhaltenen kumulativen Dichtefunktion und der als Referenz dienenden kumulativen Dichtefunktion als Verlustfunktion verwendet werden:

mit

D_cdf(z) = rcdf(z ) - ecdf(z) . (15)

Das Integral wird mit einer Summe von über 5000 diskreten Werten für z approximiert. Der Bereich von z Î [0, 4] umfasst 99,99% der relevanten Wahrscheinlichkeitsmasse der als Referenz dienenden kumulativen Dichtefunktion.

Es ist zu erwarten, dass die Modellfehler für verschiedene Betriebspunkte des Fahrzeugs variieren. Daher wird davon ausgegangen, dass der Modellfehler vom spezifischen

Systemzustand zu jedem Zeitpunkt abhängig ist. Die Hauptfehlerquelle in den

Bewegungsgleichungen eines nichtlinearen Einspurmodells sind die Reifenkräfte, die in den beiden Kern-Differentialgleichungen (23) und (25) (siehe weiter unten) verwendet werden.

Die Fehler ergeben sich dabei aus variierenden Reibungskoeffizienten oder Ungenauigkeiten in den Reifenmodellen und deren Parametern. Aus diesem Grund kann davon ausgegangen werden, dass die Varianzmatrix des Modellfehlers hauptsächlich durch die Varianz der Gierrate und der Quergeschwindigkeit, wie in Gleichung (16) angegeben, definiert ist. Um den durch die Modellierung des realen Systems verursachten Fehler widerzuspiegeln, ist es daher notwendig, den Modellfehler so zu definieren, dass er sich direkt auf den wahren Zustand des Systems auswirkt, wie er durch Gleichung (1) beschrieben wird.

Da das Einspurmodell das Wanken des Fahrwerks und damit auch die Verschiebung der Normalkräfte zwischen Straße und Reifen bei Kurvenfahrten vernachlässigt, kann davon ausgegangen werden, dass der Modellfehler von der Querbeschleunigung a_y abhängig ist. Die Längsgeschwindigkeit des Fahrzeugs hat einen wesentlichen Einfluss auf die

Systemdynamik, so dass davon auszugehen ist, dass die Fehler auch in v_x variieren. Daher werden diese beiden Elemente der Kovarianzmatrix des Modellfehlers Q gemäß Gleichung (17) modelliert. Dabei wird z.B. eine exponentielle Funktion verwendet, um widerzuspiegeln, dass die Größe der Fehler bei größerer Querbeschleunigung zunimmt, wobei auch andere Funktionsansätze zum Einsatz kommen können. Die Funktionsparameter in Gleichung (17) können für verschiedene Fahrzeuggeschwindigkeiten im Rahmen von Testfahrten abgeschätzt werden:

Das daraus resultierende Problem der optimalen Regelung ist nichtlinear und Schätzungen für tatsächliche Modellfehler sind nicht verfügbar. Daher ist es sinnvoll, dieses Problem durch den Einsatz einer globalen Suchmethode zu lösen, wie z.B. der Partikelschwarmoptimierung.

In der Dissertation von H. F. Meyer:“ Echtzeitoptimierung für Ausweichtrajektorien mittels der Sensitivitätsanalyse eines parametergestörten nichtlinearen Optimierungsproblems“ [2] wird vorgeschlagen, einen auf einer optimalen Steuerung zur Kollisionsvermeidung durch Ausweichen basierenden Ansatz zu verwenden. Dies ermöglicht die Generierung von Trajektorien auf der Grundlage eines beliebigen Fahrzeug- oder Bewegungsmodells. Dabei werden komplexere Modelle bevorzugt, da sie realistischere Trajektorien erzeugen. Diesem Ansatz zum Teil folgend wird vorliegend gemäß Gleichung (18) ein einfaches Problem der optimalen Steuerung implementiert, um Manöver für Testfahrten zu generieren. Dazu wird das nichtlineare Einspurmodell mit Systemzuständen gemäß Gleichung (19) und

zusätzlichen Zwischenvariablen verwendet:

- Fahrzeugpose im Manöver-Koordinatensystem [x,y,z beginnend mit [0,0,0],

- Längsgeschwindigkeit v_x und Quergeschwindigkeit v_y im Fahrzeug-Koordinatensystem,

- Gierrate w,

- Lenkwinkel d am Vorderrad.

Die im Einspurmodell verwendeten Größen werden in Fig. 5 veranschaulicht. F_{s, *} ist die resultierende Reifenseitenkraft am Vorder- und Hinterreifen, die mit einer vereinfachten Version der .magischen Formel· von Pacjeka [3] modelliert wurde, und a_* ist der jeweilige Seitenschlupf: u_opt = arg min(y_set - y_fc)² (18) x = [x,y,v_x,v_y,f ,w,d]^T (19)

U = d (20)

F_s,*(a_*) = D_* sin(C_* arctan(a_*ß_*)) (26)

mit den folgenden Randbedingungen: x₀ = [0,0, v₀, 0,0, 0,0]^T (29) vy,end 0 (30) f_end 0 (31) w_end 0 (32)

Das durch die Gleichungen (21) bis (25) gegebene zeitkontinuierliche System wird mittels eines Runge-Kutta-Integrators vierter Ordnung in das zeitdiskrete System gemäß Gleichung (1) transformiert. Die Modellparameter des Testfahrzeuges sind in der folgenden Tabelle I angegeben:

Tabelle I - Modellparameter

Unter der vereinfachenden Annahme, dass das Ausweichmanöver auf einer geraden Straße durchgeführt wird und die relative Ausrichtung f₀ des Fahrzeugs in Bezug auf die

Straßenrichtung Null ist, stellen die Randbedingungen (30) bis (32) sicher, dass der Endzustand des Fahrzeugs sicher ist, da die ursprüngliche Ausrichtung erzwungen wird. Die Randbedingung (33) ermöglicht die Begrenzung der maximalen Querbeschleunigung a_y auf einen vorgegebenen Wert a_{y, max}, um ausgehend von der gleichen Startgeschwindigkeit v₀ unterschiedliche Manöver für denselben gewünschten seitlichen Versatz y_set zu generieren.

Gegenüber der ursprünglichen Arbeit von H. F. Meyer 2] bestehen zwei wesentliche Unterschiede. Zum einen ist der Regelhorizont auf T = 3 s mit fester Schrittweite Dt = 50 ms festgelegt, was zu n = 60 diskreten Zeitschritten führt. Zum anderen wird das resultierende Problem online mit einem sequentiellen quadratischen Programmieralgorithmus (SQP) gelöst, anstatt Updates erster Ordnung für vorbereitete optimale Lösungen durchzuführen. Der verwendete Regler kombiniert einen Feedforward-Ansatz mit einem Zustandsraum- Feedback-Ansatz auf der lateralen Position y und dem Gierwinkel f des Fahrzeugs, der einige der Nichtlinearitäten des Modells berücksichtigt:

Der Einfachheit halber ist die Regelung auf eine Querregelung beschränkt. Dabei wird eine lineare Interpolation für die Parameter des Reglers genutzt, die von a_y und v_x abhängig sind Die Taktzeit des Reglers beträgt 10 ms. Die in Gleichung (38) verwendeten Parameter sind in den folgenden Tabellen II bis IV angegeben.

Tabelle II - Feste Reglerverstärkung

Tabelle III - Adaptive Reglerparameter 1

Tabelle IV - Adaptive Reglerparameter 2

Der Feedforward-Ansatz basiert auf einer teilweisen Umkehrung des Fahrzeugmodells in d und a_y und geht davon aus, dass der verbleibende Zustand w stabil ist. Die Feedforward- Regelung S_ff,k ist identisch mit den Lenkwinkel der Referenztrajektorie, wenn der

Regelfehler exakt Null ist. Daher wird nur die Feedback-Reglung bei der Vorhersage von Regelfehlern berücksichtigt, da sie auf diejenigen Abweichungen von der vorgegebenen Trajektorie reagiert, die zur Berechnung des linearisierten Systems aus Gleichung (2) verwendet wurde.

Das Testfahrzeug ist mit einer elektronischen Servolenkung zur Verarbeitung von

Steueranweisungen und einem Out-of-the-Box-Beobachter ausgestattet, der Informationen von Fahrzeugsensoren zu einer Schätzung des Fahrzeugzustands fusioniert, die zur Regelung verwendet wird. Zusätzlich wird für Referenzmessungen ein auf IMU/DGPS (DGPS: Differential Global Positioning System) basierendes Messsystem für die

Fahrzeugdynamik verwendet.

Die oben beschriebene Methode zur Generierung von Trajektorien wurde verwendet, um ausgehend von unterschiedlichen Geschwindigkeiten v_start Ausweichmanöver

durchzuführen. Auch die laterale Zielposition y_set und die maximal zulässige

Querbeschleunigung a_{y, max} wurden variiert, um Schätzungen des Modellfehlers für eine große Anzahl von Betriebspunkten zu erhalten. Die Lenkrate d wurde begrenzt auf d_max = 0,33 rad/s.

Die Tests wurden durch Permutation der in Tabelle V angegebenen Parameter erzeugt. Für einige niedrigere Geschwindigkeiten konnten dabei nicht alle Maximalwerte für die

Querbeschleunigung getestet werden. Jeder Test wurde dreimal durchgeführt.

Tabelle V - Parameterkatalog für Manöver

Aus einem Vergleich der von der Regelung verwendeten geschätzten Fahrzeugzustände mit den entsprechenden Referenzmessungen ergab sich die folgende Messvarianz R

Mit dem weiter oben beschriebenen Verfahren wurden auf Basis der durch die Testfahrten gewonnenen Daten die Modellfehlerparameter p₁ bis p₄ unabhängig voneinander für jede der fünf in Tabelle V aufgeführten Startgeschwindigkeiten v_start sowie unabhängig von v über den gesamten Geschwindigkeitsbereich berechnet. Dazu wurde die Partikelschwarmoptimierung der MATLAB Global Search Toolbox genutzt. Die Ergebnisse sind in den Tabellen VI und VII aufgeführt.

Tabelle VI - Fehlerparameter für die Varianz der Gierrate

Tabelle VII - Fehlerparameter für die Varianz der Quergeschwindigkeit

Eine Möglichkeit, diese Ergebnisse zu überprüfen, besteht darin, die Verlustfunktion (14) und insbesondere (15) der Optimierung zu betrachten. Fig. 6 zeigt Dcdf(z ) für alle sechs

Ergebnisse. Wie man der Abbildung entnehmen kann, funktioniert die Approximation der kumulativen Dichtefunktion besser, wenn die Fehlerparameter in Bezug auf v gewählt werden, anstatt p über alle Geschwindigkeiten konstant zu wählen, da der verbleibende Fehler D_cdf in diesem Fall im Vergleich zu allen Ergebnissen der größte ist. Zudem zeigen alle Lösungen positive Fehler im Intervall z e [0; 1], d.h. die Wahrscheinlichkeitsmasse innerhalb der 1s-Umgebung der tatsächlichen Fehlerverteilung ist größer, als dies bei einer Normalverteilung der Fall wäre. Dies bedeutet, dass die Varianz für die beobachteten Fehlerproben überschätzen wird. Andererseits sind im Intervall z Î [1,3; 3] für fast alle Lösungen negative Fehler zu finden, d.h. die tatsächliche Fehlerverteilung enthält in diesem Intervall eine geringere Wahrscheinlichkeitsmasse als eine Normalverteilung. Dies bedeutet, dass die Varianz für die beobachteten Fehlerproben unterschätzt wird. Der Hauptgrund dafür ist die Modellannahme, dass die Fehler normalverteilt sind, da dies in realen Anwendungen selten der Fall ist. Dies führt zu einer echten Fehlerverteilung, die sich leicht von der vorhergesagten Fehlerverteilung unterscheidet. Dennoch ist eine gute Annäherung mit einem maximalen Fehler von 7% für die geschwindigkeitsspezifische Fehlervorhersage zu erkennen. Da die Wahrscheinlichkeitsmasse innerhalb der vorhergesagten 1s-Umgebung tatsächlich größer ist, als sie sein sollte, führt die Einhaltung eines zusätzlichen 1s- Abstandes von Hindernissen in einer geringeren Kollisionswahrscheinlichkeit, als dies für einen normalverteilten Zustand mit etwa 31 ,7% zu erwarten wäre.

Eine weitere Möglichkeit, die Ergebnisse zu überprüfen, besteht darin, die Manöver zusammen mit dem Konfidenzintervall für die laterale Position des Fahrzeugs zu

visualisieren. Fig. 7 zeigt die vorgegebene Trajektorie des Fahrzeugs für eine

Startgeschwindigkeit von v₀ = 30 km/h und eine laterale Zielposition y_set = 1 ,5 m für einen Maximalwert der zulässigen Querbeschleunigung von a_{y, max} = 1 ,5 m/s². Fig. 8 zeigt die Situation für einen Maximalwert der zulässigen Querbeschleunigung von a_{y, max} = 3,8 m/s² bei ansonsten gleichen Parametern. Die tatsächliche Trajektorie des Fahrzeugs liegt in y gut innerhalb der 1s-Umgebung. Zudem ist erkennbar, dass das Konfidenzintervall für das Manöver mit der höheren Querbeschleunigung größer ist.

Fig. 8 zeigt ein Manöver beginnend bei v₀ = 76 km/h mit einer lateralen Zielposition y_set = 2,5 m. Der Maximalwert der zulässigen Querbeschleunigung ist a_{y, max} = 3,0 m/s². Fig. 10 zeigt das Manöver für einen Maximalwert der zulässigen Querbeschleunigung von a_{y, max} = 8,0 m/s² bei ansonsten gleichen Parametern. Der tatsächliche Fehler liegt in diesen Fällen an einigen Stellen außerhalb des festgelegten Konfidenzintervalls. Dies entspricht gut der 1s-Umgebung einer normalverteilten Variablen, die ca. 68% der Wahrscheinlichkeitsmasse umfasst. Wie schon zuvor ist das Konfidenzintervall für das Manöver mit der höheren Querbeschleunigung größer, was sich in den tatsächlichen Fehlern gut widerspiegelt.

Referenzen

[1] J.v.d. Berg et al. :“LQG-MP: Optimized Path Planning for Robots with Motion

Uncertainty and Imperfect State Information”, The International Journal of Robotics Research, Vol. 30 (2011), S. 895-913

[2] H. F. Meyer:“ Echtzeitoptimierung für Ausweichtrajektorien mittels der

Sensitivitätsanalyse eines parametergestörten nichtlinearen Optimierungsproblems”, Universität Bremen, 2016 (http://nbn-resolving.de/urn:nbn:de:gbv:46-00105176-17)

[3] H. B. Pacejka et al.:“The magic Formula Tyre Model”, Vehicle System Dynamics, Vol. 21 (1992), S. 1-18

Bezugszeichenliste

Planung zumindest einer zu fahrenden Trajektorie

Bestimmen zu erwartender Regelfehler für die zumindest eine zu fahrende

T rajektorie

Anpassen der Planung unter Berücksichtigung der zu erwartenden Regelfehler

Vorrichtung

Eingang

Planungsmodul

Fehlermodul

Kontrolleinheit

Speicher

Ausgang

Benutzerschnittstelle

Vorrichtung

Speicher

Prozessor

Eingang

Ausgang

Kraftfahrzeug

Steuerungssystem

Umfeldsensorik

Datenübertragungseinheit

Speicher

Netzwerk

Claims

Patentansprüche

1. Verfahren zur Steuerung eines autonomen oder teilautonomen Fahrzeugs (40), mit den Schritten:

- Planung (10) zumindest einer zu fahrenden Trajektorie;

- Bestimmen (11) zu erwartender Regelfehler für die zumindest eine zu fahrende Trajektorie, wobei zumindest ein Fahrzeugmodell und ein empirisch ermittelter Modellfehler einbezogen werden; und

- Anpassen (12) der Planung unter Berücksichtigung der zu erwartenden Regelfehler.

2. Verfahren gemäß Anspruch 1 , wobei die Planung angepasst wird (12), indem ein

Sicherheitsabstand zu anderen Verkehrsteilnehmern um einen Konfidenzbereich einer aus den Regelfehlern resultierenden Wahrscheinlichkeitsverteilung erweitert wird.

3. Verfahren gemäß Anspruch 1 , wobei die Planung angepasst wird (12), indem auf

Grundlage der Regelfehler Kollisionswahrscheinlichkeiten berechnet und in der Planung minimiert werden.

4. Verfahren gemäß Anspruch 1 , wobei zwei oder mehr Trajektorien geplant werden (10) und die Planung angepasst wird (12), indem die zwei oder mehr Trajektorien auf Grundlage der Regelfehler bewertet werden und eine der zwei oder mehr Trajektorien ausgewählt wird.

5. Verfahren gemäß einem der vorherigen Ansprüche, wobei der empirisch ermittelte Modellfehler eine Approximation von in Testfahrten ermittelten Fehlern ist.

6. Verfahren gemäß einem der vorherigen Ansprüche, wobei der empirisch ermittelte Modellfehler durch eine Datenerfassung im Fährbetrieb fortlaufend aktualisiert wird.

7. Verfahren gemäß einem der vorherigen Ansprüche, wobei die zumindest eine zu

fahrende Trajektorie ein Ausweichmanöver für eine Kollisionsvermeidung repräsentiert.

8. Computerprogramm mit Instruktionen, die bei Ausführung durch einen Computer den Computer zur Ausführung der Schritte eines Verfahrens gemäß einem der Ansprüche 1 bis 7 zur Steuerung eines autonomen oder teilautonomen Fahrzeugs (40)

veranlassen.

9. Vorrichtung (20) zur Steuerung eines autonomen oder teilautonomen Fahrzeugs (40), mit:

- einem Planungsmodul (22) zur Planung (10) zumindest einer zu fahrenden

Trajektorie und zum Anpassen (12) der Planung unter Berücksichtigung zu erwartender Regelfehler für die zumindest eine zu fahrende Trajektorie; und

- einem Fehlermodul (23) zum Bestimmen (11) der zu erwartenden Regelfehler für die zumindest eine zu fahrende Trajektorie, wobei das Fehlermodul (23) eingerichtet ist, zumindest ein Fahrzeugmodell und einen empirisch ermittelten Modellfehler einzubeziehen.

10. Kraftfahrzeug (40), dadurch gekennzeichnet, dass das Kraftfahrzeug (40) eine

Vorrichtung (20) gemäß Anspruch 9 aufweist oder eingerichtet ist, ein Verfahren gemäß einem der Ansprüche 1 bis 8 auszuführen.