EP4463676A1 - Erkennen eines fahrbahnzustands basierend auf messdaten einer inertialsensorik eines fahrzeugs - Google Patents

Erkennen eines fahrbahnzustands basierend auf messdaten einer inertialsensorik eines fahrzeugs

Info

Publication number
EP4463676A1
EP4463676A1 EP23700262.1A EP23700262A EP4463676A1 EP 4463676 A1 EP4463676 A1 EP 4463676A1 EP 23700262 A EP23700262 A EP 23700262A EP 4463676 A1 EP4463676 A1 EP 4463676A1
Authority
EP
European Patent Office
Prior art keywords
data
noise
vehicle
measurement
values
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP23700262.1A
Other languages
English (en)
French (fr)
Inventor
Simon Weissenmayer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4463676A1 publication Critical patent/EP4463676A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level

Definitions

  • the invention relates to a method for detecting a roadway condition based on measurement data from an inertial sensor system of a vehicle. Furthermore, the invention relates to a control device and a computer program for executing such a method and a computer-readable medium on which such a computer program is stored.
  • Ultrasonic data provided by an ultrasonic sensor system installed in a vehicle can be evaluated in order to detect a roadway condition.
  • the ultrasound data can be used, for example, to identify whether a roadway on which the vehicle is currently moving is wet or dry.
  • ambient noise such as the noise of other vehicles, can interfere with such acoustic detection.
  • Embodiments of the present invention enable the detection of a roadway condition based on acceleration and/or yaw rate values, as for example from a standard in the vehicle built-in inertial sensors can be measured. This means that there is no need to retrofit an additional sensor for detecting the condition of the road, such as an ultrasonic sensor.
  • An inertial sensor also known as an inertial measuring unit or IMU for short, is inherently much more robust than an acoustic sensor when it comes to ambient noise or noise reflections, for example on crash barriers or tunnel walls, since it primarily measures structure-borne noise emitted by the vehicle's tires whose supporting structure is transferred. Disturbing influences caused by vehicle movements, which occur, for example, when braking, accelerating or steering, can usually be well estimated and therefore compensated accordingly.
  • IMU inertial measuring unit
  • a first aspect of the invention relates to a computer-implemented method for detecting a roadway condition based on measurement data from an inertial sensor system of a vehicle.
  • the method comprises at least the following steps: Receiving the measurement data, the measurement data indicating an acceleration and/or yaw rate of the vehicle measured by the inertial sensor system; determining noise values indicating an intensity of noise in the measurement data; and detecting the condition of the road as a function of the noise values.
  • the method can be executed automatically by a processor of a control device of the vehicle, for example.
  • the control unit can also be configured to run one or more driver assistance functions such as ABS or ESP based on the measurement data, with which the vehicle can be steered, accelerated and/or braked depending on the detected roadway condition, for example to stabilize the vehicle.
  • the vehicle can include a corresponding actuator, for example in the form of a steering actuator, a brake actuator, an engine control unit, an electric drive motor or a combination of at least two of these examples.
  • the measurement data from the control unit for detecting the condition of the road on the basis of the noise values and additionally used to stabilize the vehicle based on the measured acceleration(s) and/or yaw rate(s) of the vehicle.
  • the inertial sensor system can be installed in the vehicle, with the measurement data being generated and output by the inertial sensor system during operation of the vehicle and being able to be received in the control unit.
  • the inertial sensor system can be integrated into the control unit.
  • the vehicle may be an automobile, such as a car, truck, bus, or motorcycle.
  • a vehicle can also be understood as an autonomous, mobile robot.
  • “Road condition” can be understood to mean a condition of a lane on which the vehicle is currently moving.
  • the condition of the road can be recognized by assigning the noise values one of several predefined classes such as “wet”, “dry”, “slippery” or “grippy”, a value that quantifies wetness and/or dryness of the road, a value , which quantifies a risk of aquaplaning for the vehicle, or a combination of at least two of these examples is assigned. This assignment can take place, for example, using one or more characteristic curves or one or more characteristic diagrams that were determined in previous driving tests.
  • the characteristic curves or characteristic diagrams can be stored in the control device, for example in the form of one or more mathematical functions or one or more lookup tables.
  • the method described above and below is based on the knowledge that tire noises propagate as structure-borne noise from the tires to the inertial sensor system and can also be detected by them. Surprisingly, it could be observed in tests that the noise in the measurement data generated by the inertial sensors changes significantly depending on the road condition. In particular, it could be shown that the noise increases significantly when the vehicle changes from a dry roadway to a wet one, and decreases significantly in the opposite case. Such a change in the intensity of the noise thus enables conclusions to be drawn about a current roadway condition or a change between two roadway conditions, for example between “dry”, “wet” or “moist”. The effect can be used, for example, to calculate a coefficient of friction, which is an estimated friction between the wheels and the road surface, to calculate or correct, or to estimate a probability of aquaplaning.
  • a second aspect of the invention relates to a control device that includes a processor that is configured to execute the method described above and below.
  • the control unit can include hardware and/or software modules.
  • the control unit can include a memory and data communication interfaces for data communication with peripheral devices.
  • Features of the method can also be understood as features of the control unit and vice versa.
  • the computer program includes instructions which, when the computer program is executed by the processor, cause a processor to carry out the method described above and below.
  • the computer-readable medium can be volatile or non-volatile data storage.
  • the computer-readable medium can be a hard drive, USB storage device, RAM, ROM, EPROM, or flash memory.
  • the computer-readable medium can also be a data communication network such as the Internet or a data cloud (cloud) enabling a download of a program code.
  • the measurement data can include measurement values for at least two different measurement dimensions.
  • noise values can be determined from the measured values of each measurement dimension, which indicate an intensity of a noise associated with the measurement dimension.
  • the Road condition can then be recognized depending on the noise values of different measurement dimensions.
  • a “measurement dimension” can be understood, for example, as a longitudinal, lateral or vertical acceleration or a roll, pitch or yaw rate of the vehicle.
  • the noise in the measurement data is influenced to different extents by changes in the speed of the vehicle, depending on the measurement dimension.
  • Particularly suitable measurement dimensions are, for example, the vertical acceleration, the roll rate and the pitch rate. In principle, however, other common measuring dimensions are also suitable for the method.
  • the noise values can be determined in different predefined frequency ranges, in particular in three to eight different predefined frequency ranges.
  • the noise values can preferably be determined in three to four different predefined frequency ranges.
  • the frequency ranges can differ from one another in terms of their bandwidth and/or their limits.
  • a first, low frequency range can be between 100 Hz and 200 Hz
  • a second, medium frequency range between 200 Hz and 500 Hz
  • a third, high frequency range between 500 Hz and a maximum frequency of the inertial sensor system, with the maximum frequency being 1 kHz, for example can.
  • the wet hiss often affects rather high frequency ranges, while noise often affects rather lower frequency ranges. If the noise in the high frequency ranges is high compared to the noise in the low frequency ranges, then the noise can be attributed to the wet hiss of the wheels.
  • the measurement data and/or data based on the measurement data can be entered as input data into a smoothing filter in order to obtain output data which is smoothed compared to the input data, ie contains no noise or a significantly lower noise than the measurement data.
  • a difference can be formed between the input data and the output data.
  • the noise levels can then be determined from the difference.
  • a smoothing filter can be understood to mean a low-pass filter, for example a rectangular or Gaussian filter. This allows the noise to be filtered out of the measurement data with little computational effort.
  • the difference may be squared to get the noise values.
  • inaccuracies in determining the noise values can be reduced.
  • the measurement data can be received in several consecutive journals.
  • the noise values in a current journal can be determined from the measurement data of different time steps.
  • the noise values may be determined using one, two, or more than two previous journals each preceding the current journal.
  • the noise values can be determined from the measurement data of several consecutive time steps. It is conceivable, for example, that average noise values are determined from the measurement data of different time steps. In this way, measurement inaccuracies can be compensated for.
  • the time steps can be 0.1 milliseconds, 1 millisecond or 5 milliseconds, for example.
  • the measurement data of different time steps can be input into an edge filter in order to obtain filter data in which the noise is increased compared to the measurement data.
  • the noise values can be determined from the filter data.
  • Edge filter can be broadly understood to be a high-pass filter or edge operator configured to enhance changes in noise intensity.
  • the edge filter can be a Laplace filter, a Sobel operator or a Prewitt operator.
  • the use of a non-linear filter is also conceivable. In this way, the detection of the road condition can be further improved.
  • the noise values can be determined by squaring the filter data.
  • the filter data can be entered as the input data to the smoothing filter (see above).
  • the noise values can be determined by taking the difference between the filter data and the output data, which result from suppressing or attenuating the noise in the filter data by means of the smoothing filter.
  • the noise that was amplified by means of the edge filter can be filtered out of the filter data with little computational effort.
  • the condition of the roadway can also be detected as a function of a current speed of the vehicle. Tests have shown that the noise varies not only depending on how wet the road is, but also depending on the speed of the vehicle. The evaluation of the noise values in combination with the current speed of the vehicle thus increases the reliability of the method.
  • At least one recognition value which indicates a degree of wetness of a roadway of the vehicle and/or a risk of aquaplaning for the vehicle, can be determined in order to recognize the state of the roadway.
  • “Recognition value” can be understood, for example, as a Boolean value or a value from a continuous range of values, for example a percentage value.
  • the recognition value can be read, for example, from a lookup table that assigns different recognition values to different noise values. Further values can optionally be assigned to the recognition values in the lookup table, for example possible values for a current speed of the vehicle or statistical values (see below).
  • statistical values can also be determined which indicate a variance with regard to the measurement data and/or the noise values.
  • the condition of the roadway can also be recognized as a function of the statistical values.
  • the statistical values can have been determined in tests, for example, and can be stored in the control unit in the form of one or more characteristic curves or one or more characteristic diagrams. In this way, the robustness of the method in relation to random interference can be increased.
  • FIG. 1 shows a vehicle with a control device according to an embodiment of the invention.
  • FIG. 2 shows the control unit from FIG. 1 in detail.
  • FIG. 3 shows a diagram that compares a time profile of a speed of the vehicle from FIG. 1 with a time profile of a noise measured by an inertial sensor system of the vehicle from FIG. 1 .
  • the vehicle 1 shows a vehicle 1 driving on a roadway 3 .
  • the vehicle 1 is equipped with an inertial sensor system 5 in the form of a 6D sensor that is configured to measure accelerations and yaw rates of the vehicle 1 with respect to an x, y, and z direction, respectively.
  • the vehicle 1 has a control unit 7 which is configured to receive and evaluate measurement data 9 generated by the inertial sensor system 5 .
  • the inertial sensor system 5 is arranged here, for example, outside of the control device 7 in the vehicle 1 . However, it is also possible for the inertial sensor system 5 to be integrated into the control device 7 .
  • the control unit 7 can, for example, execute a driver assistance function that is configured to steer, accelerate and/or brake the vehicle 1 based on the measurement data 9 . Details of the control unit 7 are shown in FIG.
  • the driver assistance function can include, for example, the detection of a roadway condition of roadway 3 in the method described below.
  • the measurement data 9 are received in the control unit 7 in a first step of the method.
  • the measurement data 9 can be received in several consecutive journals. For example, three measured values for the accelerations a x , a y , a z and three measured values for the yaw rates U) X , ÜJy, (Ü Z ) can be received in each journal.
  • a noise value determination module 10 uses the measurement data 9 to determine noise values 13 which indicate an intensity of noise in the measurement data 9 .
  • the noise values 13 can be determined for each of the six measurement dimensions mentioned above.
  • the noise values 13 can be determined from the intensities of the noise in different predefined frequency ranges.
  • the noise values 13 are evaluated in a detection module 14 in order to detect the road condition.
  • the detection module 14 can use the noise values 13 to determine, for example, a detection value 15 that indicates whether the roadway 3 is wet or dry.
  • vehicle 1 is driving straight into a wet section 17 of roadway 3 .
  • This is associated with a sudden increase in the intensity of the noise in the measurement data 9, which is recognized by the recognition module 14 as a change in the road condition from “dry” to “wet” (see also FIG. 3).
  • the recognition value 15 here indicates the road condition “wet”.
  • the identification value 15 can therefore be a wetness value which, as here, can indicate different discrete roadway conditions or different degrees of wetness of the roadway 3 . Additionally or alternatively, the detection module 14 can output a risk of aquaplaning, which indicates a risk of aquaplaning for the vehicle 1 , as the detection value 15 .
  • FIG. 3 shows an example of a longitudinal speed v x of the vehicle 1 over time.
  • the corresponding (filtered) noise values 13 plotted from the measurements of the accelerations a x , a y , a z and the measurements of the yaw rates U) X , ÜJy, (Ü Z.
  • Vehicle 1 brakes from 19 m/s to 15 m/s. 34 seconds is reached shortly before the vehicle 1 passes the wet section 17, which here is watered tiles, and remains largely stable.
  • the vehicle 1 accelerates, making it unstable.
  • the longitudinal speed change and the instability have a large influence on the longitudinal acceleration a x , the lateral acceleration a y and the yaw rate a> z and thus also their noise values 13.
  • the noise values 13 of the other dimensions are significantly more robust compared to the vehicle movements.
  • control unit 7 can optionally include a smoothing filter 18, into which the measurement data 9 in each journal are entered as input data 19 and which converts the input data 19 into output data 21 in which the noise is suppressed or at least greatly reduced is.
  • the noise values 13 can then be determined from the output data 21.
  • the noise values 13, w can be determined, for example, by using a calculation module 22 to calculate the quadratic deviations between the (raw) measurement data 9, z raw as the input data 19 and the filtered measurement values z fi
  • t can be calculated as the output data 21:
  • the smoothing filter 18 can optionally be preceded by an edge filter 23, into which the measurement data 9 in each journal are entered and which generates filter data 25 from the measurement data 9 of several successive time steps, for example from two, three or more than three successive journals, in which the Noise is significantly increased by differentiation compared to the measurement data 9.
  • the filter data 25 can then be fed into the smoothing filter 18 as the input data 19 to obtain the output data 21 .
  • the measurement data 9, z raw can be processed using a Laplace filter in such a way that a second derivative z A fe of the measurement data 9 using the measurement data 9, z raw fe of a current time step k, the measurement data 9, z ⁇ ⁇ one of the current journal k immediately preceding first time step and the measurement data 9, z raWife-2 of a second time step immediately preceding the first magazine: z A,fc - z raw,fc-2 - ⁇ z ra.w,kl + z raw,fc
  • the resulting filter data 25, z A can then be filtered with the smoothing filter 18 to output data 21, z A fi
  • noise values 13, w can be calculated in the calculation module 22 with:
  • the recognition value 15 can be used, for example, to better predict a friction value that indicates friction between the wheels of the vehicle 1 and the road surface 3 .
  • a friction value that indicates friction between the wheels of the vehicle 1 and the road surface 3 .
  • a coefficient of friction of at least 0.6 can be assumed. The consequence of this is that, for example, an ABS function builds up brake pressure more quickly and more than if roadway 3 is recognized as wet or if the ambient temperature is below 4°C.
  • the coefficient of friction can be well below 0.6 on a very wet roadway 3 and can become so small, in particular due to aquaplaning, that the vehicle 1 can only be controlled with difficulty.
  • the risk of aquaplaning is essentially proportional to the intensity of the noise, whereas the coefficient of friction is essentially inversely proportional to the intensity of the noise.
  • the braking forces can be adapted to the measured noise. It is possible for a number of detection values 15 to be calculated from a number of noise values 13 in each measurement step.
  • the recognition values 15 can be determined by evaluating noise levels in different measurement dimensions and/or frequency ranges, in particular in two to eight, preferably in three to four different frequency ranges.
  • All recognition values 15 of a measurement step can be merged with one another, for example, as follows.
  • the recognition value 15, Ht which is individual for each noise value 13, and the corresponding variance can be determined, for example, on the basis of Tests have been determined as a function of different vehicle speeds v or degrees of wetness H and have been stored in characteristic diagrams or characteristic curves in the control unit 7 and are thus calculated during vehicle operation from the respective characteristic diagram or the respective characteristic curve:
  • This weighted variance is the larger, the stronger the recognition values 15, fa from the weighted mean differ, as long as these differences are not due to a high variance, which is due to the known measurement noise is to be expected.
  • the total variance oj is large if all individual variances af are large due to the expected measurement noise. However, it is also large when the individual variances af are small due to the expected measurement noise, while the recognition values 15 differ greatly. However, the total variance oj can be small if one of the measured values deviates greatly, while a high variance was determined for this measured value due to the expected measurement noise.
  • the first measurement dimensions can first be fused with one another in a first fusion and the second measurement dimensions can be fused with one another in a second fusion. The results of both fusions can then be merged with one another.
  • the measurement data 9 and/or the noise values 13 can be entered into a machine learning algorithm, which has been trained with historical measurement data and/or historical noise values, in order to use the measurement data 9 and/or the noise values 13 to generate the recognition values 15 and/or or calculate fused detection values.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

Ein Verfahren zum Erkennen eines Fahrbahnzustands basierend auf Messdaten (9) einer Inertialsensorik (5) eines Fahrzeugs (1) umfasst: Empfangen der Messdaten (9), wobei die Messdaten (9) eine von der Inertialsensorik (5) gemessene Beschleunigung und/oder Drehrate des Fahrzeugs (1) anzeigen; Bestimmen von Rauschwerten (13), die eine Intensität eines Rauschens in den Messdaten (9) anzeigen; und Erkennen des Fahrbahnzustands in Abhängigkeit von den Rauschwerten (13).

Description

Erkennen eines Fahrbahnzustands basierend auf Messdaten einer Inertialsensorik eines Fahrzeugs
Gebiet der Erfindung
Die Erfindung betrifft ein Verfahren zum Erkennen eines Fahrbahnzustands basierend auf Messdaten einer Inertialsensorik eines Fahrzeugs. Des Weiteren betrifft die Erfindung ein Steuergerät und ein Computerprogramm zum Ausführen eines solchen Verfahrens und ein computerlesbares Medium, auf dem ein solches Computerprogramm gespeichert ist.
Stand der Technik
Zum Erkennen eines Fahrbahnzustands können beispielsweise Ultraschalldaten, die von einer in einem Fahrzeug verbauten Ultraschallsensorik bereitgestellt werden, ausgewertet werden. Anhand der Ultraschalldaten kann beispielsweise erkannt werden, ob eine Fahrbahn, auf der sich das Fahrzeug gerade fortbewegt, nass oder trocken ist. Allerdings können sich Umgebungsgeräusche wie etwa die Geräusche anderer Fahrzeuge störend auf eine derartige akustische Erkennung auswirken.
Offenbarung der Erfindung
Vor diesem Hintergrund werden nachstehend ein Verfahren zum Erkennen eines Fahrbahnzustands basierend auf Messdaten einer Inertialsensorik eines Fahrzeugs, ein entsprechendes Steuergerät, ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Medium gemäß den unabhängigen Ansprüchen vorgestellt. Vorteilhafte Weiterbildungen und Verbesserungen des hier vorgestellten Ansatzes ergeben sich aus der Beschreibung und sind in den abhängigen Ansprüchen beschrieben.
Vorteile der Erfindung
Ausführungsformen der vorliegenden Erfindung ermöglichen die Erkennung eines Fahrbahnzustands basierend auf Beschleunigungs- und/oder Drehratenwerten, wie sie beispielsweise von einer standardmäßig im Fahrzeug verbauten Inertialsensorik gemessen werden. Somit kann auf die Nachrüstung eines zusätzlichen Sensors für die Erkennung des Fahrbahnzustands, etwa eines Ultraschallsensors, verzichtet werden.
Ein Inertialsensor, auch inertiale Messeinheit oder kurz IMU genannt, ist im Vergleich zu einem akustischen Sensor prinzipbedingt deutlich robuster gegenüber Umgebungsgeräuschen oder Reflexionen von Geräuschen, beispielsweise an Leitplanken oder Tunnelwänden, da damit in erster Linie Körperschall gemessen wird, der von den Reifen des Fahrzeugs auf dessen tragende Struktur übertragen wird. Auch können Störeinflüsse durch Fahrzeugbewegungen, die beispielsweise beim Bremsen, Beschleunigen oder Lenken auftreten, in der Regel gut abgeschätzt werden und daher entsprechend kompensiert werden. Ein weiterer Vorteil ist, dass Inertialsensoren in vielen Fahrzeugen standardmäßig vorhanden sind, beispielsweise als Komponente eines im Fahrzeug verbauten Steuergeräts, insbesondere eines Steuergeräts, das konfiguriert ist, um die Fahrdynamik zu stabilisieren.
Ein erster Aspekt der Erfindung betrifft ein computerimplementiertes Verfahren zum Erkennen eines Fahrbahnzustands basierend auf Messdaten einer Inertialsensorik eines Fahrzeugs. Das Verfahren umfasst zumindest die folgenden Schritte: Empfangen der Messdaten, wobei die Messdaten eine von der Inertialsensorik gemessene Beschleunigung und/oder Drehrate des Fahrzeugs anzeigen; Bestimmen von Rauschwerten, die eine Intensität eines Rauschens in den Messdaten anzeigen; und Erkennen des Fahrbahnzustands in Abhängigkeit von den Rauschwerten.
Das Verfahren kann beispielsweise automatisch durch einen Prozessor eines Steuergeräts des Fahrzeugs ausgeführt werden. Das Steuergerät kann zusätzlich konfiguriert sein, um eine oder mehrere Fahrerassistenzfunktionen wie etwa ABS oder ESP basierend auf den Messdaten auszuführen, mit denen das Fahrzeug in Abhängigkeit vom erkannten Fahrbahnzustand gelenkt, beschleunigt und/oder abgebremst werden kann, etwa um das Fahrzeug zu stabilisieren. Hierzu kann das Fahrzeug eine entsprechende Aktorik umfassen, beispielsweise in Form eines Lenkaktors, eines Bremsaktors, eines Motorsteuergeräts, eines elektrischen Antriebsmotors oder einer Kombination aus mindestens zwei dieser Beispiele. Beispielsweise ist es möglich, dass die Messdaten vom Steuergerät zur Erkennung des Fahrbahnzustands anhand der Rauschwerte und zusätzlich zur Stabilisierung des Fahrzeugs anhand der gemessenen Beschleunigung(en) und/oder Drehrate(n) des Fahrzeugs genutzt werden.
Die Inertialsensorik kann im Fahrzeug verbaut sein, wobei die Messdaten während eines Betriebs des Fahrzeugs von der Inertialsensorik erzeugt und ausgegeben und im Steuergerät empfangen werden können. Beispielsweise kann die Inertialsensorik in das Steuergerät integriert sein.
Das Fahrzeug kann ein Kraftfahrzeug, etwa in Form eines Pkw, Lkw, Busses oder eines Motorrads, sein. Im weiteren Sinn kann unter einem Fahrzeug auch ein autonomer, mobiler Roboter verstanden werden.
Unter „Fahrbahnzustand“ kann ein Zustand einer Fahrbahn, auf der sich das Fahrzeug gerade fortbewegt, verstanden werden. Beispielsweise kann der Fahrbahnzustand dadurch erkannt werden, dass den Rauschwerten eine aus mehreren vorgegebenen Klassen wie etwa „nass“, „trocken“, „glatt“ oder „griffig“, ein Wert, der eine Nässe und/oder Trockenheit der Fahrbahn quantifiziert, ein Wert, der eine Aquaplaninggefahr für das Fahrzeug quantifiziert, oder eine Kombination aus mindestens zwei dieser Beispiele zugeordnet wird. Diese Zuordnung kann beispielsweise mithilfe einer oder mehrerer Kennlinien oder eines oder mehrerer Kennfelder erfolgen, die in vorangegangenen Fahrversuchen ermittelt wurden. Die Kennlinien bzw. die Kennfelder können im Steuergerät hinterlegt sein, beispielsweise in Form einer oder mehrerer mathematischer Funktionen oder einer oder mehrerer Lookup-Tabellen.
Dem vor- und nachstehend beschriebenen Verfahren liegt die Erkenntnis zugrunde, dass sich Reifengeräusche als Körperschall von den Reifen bis hin zur Inertialsensorik ausbreiten und von dieser mit erfasst werden können. Überraschenderweise konnte in Versuchen beobachtet werden, dass sich das Rauschen in den von der Inertialsensorik erzeugten Messdaten in Abhängigkeit vom Fahrbahnzustand deutlich verändert. Insbesondere konnte gezeigt werden, dass das Rauschen deutlich stärker wird, wenn das Fahrzeug von einer trockenen Fahrbahn auf eine nasse Fahrbahn wechselt, und im umgekehrten Fall deutlich schwächer wird. Eine derartige Änderung in der Intensität des Rauschens ermöglicht somit einen Rückschluss auf einen aktuellen Fahrbahnzustand oder eine Änderung zwischen zwei Fahrbahnzuständen, beispielsweise zwischen „trocken“, „nass“ oder „feucht“. Der Effekt kann beispielsweise genutzt werden, um einen Reibwert, der eine geschätzte Reibung zwischen den Rädern und der Fahrbahn anzeigt, zu berechnen oder zu korrigieren oder eine Wahrscheinlichkeit für Aquaplaning zu schätzen.
Ein zweiter Aspekt der Erfindung betrifft ein Steuergerät, das einen Prozessor umfasst, der konfiguriert ist, um das vor- und nachstehend beschriebene Verfahren auszuführen. Das Steuergerät kann Hardware- und/oder Softwaremodule umfassen. Zusätzlich zum Prozessor kann das Steuergerät einen Speicher und Datenkommunikationsschnittstellen zur Datenkommunikation mit Peripheriegeräten umfassen. Merkmale des Verfahrens können auch als Merkmale des Steuergeräts aufgefasst werden und umgekehrt.
Weitere Aspekte der Erfindung betreffen ein Computerprogramm und ein computerlesbares Medium, auf dem das Computerprogramm gespeichert ist.
Das Computerprogramm umfasst Befehle, die einen Prozessor bei Ausführung des Computerprogramms durch den Prozessor veranlassen, das vor- und nachstehend beschriebene Verfahren auszuführen.
Das computerlesbare Medium kann ein flüchtiger oder nicht flüchtiger Datenspeicher sein. Beispielsweise kann das computerlesbare Medium eine Festplatte, ein USB-Speichergerät, ein RAM, ROM, EPROM oder Flash-Speicher sein. Das computerlesbare Medium kann auch ein einen Download eines Programmcodes ermöglichendes Datenkommunikationsnetzwerk wie etwa das Internet oder eine Datenwolke (Cloud) sein.
Merkmale des vor- und nachstehend beschriebenen Verfahrens können auch als Merkmale des Computerprogramms und/oder des computerlesbaren Mediums aufgefasst werden und umgekehrt.
Mögliche Merkmale und Vorteile von Ausführungsformen der Erfindung können unter anderem, und ohne die Erfindung einzuschränken, als auf den nachstehend beschriebenen Ideen und Erkenntnissen beruhend angesehen werden.
Gemäß einer Ausführungsform können die Messdaten Messwerte für mindestens zwei verschiedene Messdimensionen umfassen. Dabei können aus den Messwerten einer jeden Messdimension Rauschwerte bestimmt werden, die eine Intensität eines der Messdimension zugeordneten Rauschens anzeigen. Der Fahrbahnzustand kann dann in Abhängigkeit von den Rauschwerten verschiedener Messdimensionen erkannt werden. Unter „Messdimension“ kann beispielsweise eine Längs-, Quer- oder Vertikalbeschleunigung oder eine Roll-, Nick- oder Gierrate des Fahrzeugs verstanden werden. In Versuchen konnte beobachtet werden, dass das Rauschen in den Messdaten je nach Messdimension verschieden stark durch Änderungen der Geschwindigkeit des Fahrzeugs beeinflusst wird. Anders ausgedrückt konnte festgestellt werden, dass es Messdimensionen gibt, die weniger stark von Änderungen der Geschwindigkeit des Fahrzeugs beeinflusst werden als andere Messdimensionen und die sich daher besonders zur Erkennung des Fahrbahnzustands anhand des Rauschens eignen. Besonders geeignete Messdimensionen sind beispielsweise die Vertikalbeschleunigung, die Rollrate und die Nickrate. Prinzipiell sind aber auch andere gängige Messdimensionen für das Verfahren geeignet.
Gemäß einer Ausführungsform können die Rauschwerte in verschiedenen vorgegebenen Frequenzbereichen, insbesondere in drei bis acht verschiedenen vorgegebenen Frequenzbereichen, bestimmt werden. Vorzugsweise können die Rauschwerte in drei bis vier verschiedenen vorgegebenen Frequenzbereichen bestimmt werden. Die Frequenzbereiche können sich in ihrer Bandbreite und/oder ihren Grenzen voneinander unterscheiden. Dadurch kann die Erkennungsgenauigkeit des Verfahrens verbessert werden. Beispielhaft kann ein erster, niedriger Frequenzbereich zwischen 100 Hz und 200 Hz, ein zweiter, mittlerer Frequenzbereich zwischen 200 Hz und 500 Hz und/oder ein dritter, hoher Frequenzbereich zwischen 500 Hz und einer Maximalfrequenz der Inertialsensorik liegen, wobei die Maximalfrequenz beispielsweise 1 kHz betragen kann. Das Nasszischen wirkt häufig auf eher hohe Frequenzbereiche, während Störgeräusche häufig auf eher niedrige Frequenzbereiche wirken. Ist das Rauschen in hohen Frequenzbereichen hoch gegenüber dem Rauschen in niedrigen Frequenzbereichen, dann kann das Rauschen dem Nasszischen der Räder zugeordnet werden.
Gemäß einer Ausführungsform können die Messdaten und/oder auf den Messdaten basierende Daten als Eingabedaten in einen Glättungsfilter eingegeben werden, um Ausgabedaten zu erhalten, die gegenüber den Eingabedaten geglättet sind, d. h. kein Rauschen oder ein deutlich schwächeres Rauschen als die Messdaten enthalten. Dabei kann eine Differenz aus den Eingabedaten und den Ausgabedaten gebildet werden. Die Rauschwerte können dann aus der Differenz bestimmt werden. Unter einem Glättungsfilter kann ein Tiefpassfilter verstanden werden, beispielsweise ein Rechteck- oder Gauß-Filter. Dadurch kann das Rauschen mit geringem Rechenaufwand aus den Messdaten herausgefiltert werden.
Gemäß einer Ausführungsform kann die Differenz quadriert werden, um die Rauschwerte zu erhalten. Dadurch können Ungenauigkeiten bei der Bestimmung der Rauschwerte reduziert werden.
Gemäß einer Ausführungsform können die Messdaten in mehreren aufeinanderfolgenden Zeitschriften empfangen werden. Dabei können die Rauschwerte in einem aktuellen Zeitschrift aus den Messdaten verschiedener Zeitschritte bestimmt werden. Beispielsweise können die Rauschwerte unter Verwendung von einem, zwei oder mehr als zwei früheren Zeitschriften, die dem aktuellen Zeitschrift jeweils vorangehen, bestimmt werden. Beispielsweise können die Rauschwerte aus den Messdaten mehrerer aufeinanderfolgender Zeitschritte bestimmt werden. Denkbar ist beispielsweise, dass aus den Messdaten verschiedener Zeitschritte durchschnittliche Rauschwerte bestimmt werden. Auf diese Weise können Messungenauigkeiten kompensiert werden. Die Zeitschritte können beispielsweise jeweils 0,1 Millisekunde, 1 Millisekunde oder 5 Millisekunden betragen.
Gemäß einer Ausführungsform können die Messdaten verschiedener Zeitschritte in einen Kantenfilter eingegeben werden, um Filterdaten zu erhalten, in denen das Rauschen gegenüber den Messdaten verstärkt ist. Dabei können die Rauschwerte aus den Filterdaten bestimmt werden. Unter „Kantenfilter“ kann allgemein ein Hochpassfilter oder Kantenoperator verstanden werden, der konfiguriert ist, um Änderungen in der Intensität des Rauschens zu verstärken. Beispielsweise kann der Kantenfilter ein Laplace-Filter, ein Sobel-Operator oder ein Prewitt-Operator sein. Denkbar ist aber auch die Verwendung eines nichtlinearen Filters. Auf diese Weise kann die Erkennung des Fahrbahnzustands weiter verbessert werden.
Gemäß einer Ausführungsform können die Rauschwerte durch Quadrieren der Filterdaten bestimmt werden. Dadurch kann der Rechenaufwand beim Ausführen des Verfahrens reduziert werden. Gemäß einer Ausführungsform können die Filterdaten als die Eingabedaten in den Glättungsfilter eingegeben werden (siehe weiter oben). Anders ausgedrückt können die Rauschwerte durch Bilden der Differenz aus den Filterdaten und den Ausgabedaten, die durch Unterdrückung oder Abschwächung des Rauschens in den Filterdaten mittels des Glättungsfilters resultieren, bestimmt werden.
Dadurch kann das Rauschen, das mittels des Kantenfilters verstärkt wurde, mit geringem Rechenaufwand aus den Filterdaten herausgefiltert werden.
Gemäß einer Ausführungsform kann der Fahrbahnzustand zusätzlich in Abhängigkeit von einer aktuellen Geschwindigkeit des Fahrzeugs erkannt werden. In Versuchen konnte beobachtet werden, dass das Rauschen nicht nur in Abhängigkeit davon, wie nass die Fahrbahn ist, sondern auch in Abhängigkeit von der Geschwindigkeit des Fahrzeugs variiert. Die Auswertung der Rauschwerte in Kombination mit der aktuellen Geschwindigkeit des Fahrzeugs erhöht somit die Zuverlässigkeit des Verfahrens.
Gemäß einer Ausführungsform kann zum Erkennen des Fahrbahnzustands mindestens ein Erkennungswert, der einen Nässegrad einer Fahrbahn des Fahrzeugs und/oder eine Aquaplaninggefahr für das Fahrzeug anzeigt, bestimmt werden. Unter „Erkennungswert“ kann beispielsweise ein boolescher Wert oder ein Wert aus einem kontinuierlichen Wertebereich, beispielsweise ein Prozentwert, verstanden werden. Der Erkennungswert kann beispielsweise aus einer Lookup-Tabelle, die verschiedenen Rauschwerten verschiedene Erkennungswerte zuordnet, ausgelesen werden. Den Erkennungswerten können in der Lookup-Tabelle optional weitere Werte zugeordnet sein, beispielsweise mögliche Werte für eine aktuelle Geschwindigkeit des Fahrzeugs oder Statistikwerte (siehe weiter unten).
Gemäß einer Ausführungsform können zusätzlich Statistikwerte bestimmt werden, die eine Varianz bezüglich der Messdaten und/oder der Rauschwerte anzeigen. Dabei kann der Fahrbahnzustand zusätzlich in Abhängigkeit von den Statistikwerten erkannt werden. Die Statistikwerte können beispielsweise in Versuchen bestimmt worden sein und in Form einer oder mehrere Kennlinien oder eines oder mehrerer Kennfelder im Steuergerät hinterlegt sein. Auf diese Weise kann die Robustheit des Verfahrens gegenüber zufallsbedingten Störeinflüssen erhöht werden. Kurze Beschreibung der Zeichnungen
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, wobei weder die Zeichnungen noch die Beschreibung als die Erfindung einschränkend auszulegen sind.
Fig. 1 zeigt ein Fahrzeug mit einem Steuergerät gemäß einer Ausführungsform der Erfindung.
Fig. 2 zeigt das Steuergerät aus Fig. 1 im Detail.
Fig. 3 zeigt ein Diagramm, das einen zeitlichen Verlauf einer Geschwindigkeit des Fahrzeugs aus Fig. 1 einem zeitlichen Verlauf eines von einer Inertialsensorik des Fahrzeugs aus Fig. 1 gemessenen Rauschens gegenüberstellt.
Die Figuren sind lediglich schematisch und nicht maßstabsgetreu. Gleiche Bezugszeichen bezeichnen in den Figuren gleiche oder gleichwirkende Merkmale.
Ausführungsformen der Erfindung
Fig. 1 zeigt ein Fahrzeug 1 , das auf einer Fahrbahn 3 fährt. In diesem Beispiel ist das Fahrzeug 1 mit einer Inertialsensorik 5 in Form eines 6D-Sensors ausgestattet, der konfiguriert ist, um Beschleunigungen und Drehraten des Fahrzeugs 1 jeweils bezüglich einer x-, y- und z-Richtung zu messen.
Ferner weist das Fahrzeug 1 ein Steuergerät 7 auf, das konfiguriert ist, um von der Inertialsensorik 5 erzeugte Messdaten 9 zu empfangen und auszuwerten.
Die Inertialsensorik 5 ist hier beispielhaft außerhalb des Steuergeräts 7 im Fahrzeug 1 angeordnet. Es ist jedoch auch möglich, dass die Inertialsensorik 5 in das Steuergerät 7 integriert ist.
Das Steuergerät 7 kann beispielsweise eine Fahrerassistenzfunktion ausführen, die konfiguriert ist, um das Fahrzeug 1 basierend auf den Messdaten 9 zu lenken, zu beschleunigen und/oder abzubremsen. Details des Steuergeräts 7 sind in Fig. 2 gezeigt. Die Fahrerassistenzfunktion kann beispielsweise die Erkennung eines Fahrbahnzustands der Fahrbahn 3 im nachstehend beschriebenen Verfahren umfassen.
Wie in Fig. 2 zu sehen, werden die Messdaten 9 in einem ersten Schritt des Verfahrens im Steuergerät 7 empfangen. Die Messdaten 9 können in mehreren aufeinanderfolgenden Zeitschriften empfangen werden. Beispielsweise können in jedem Zeitschrift drei Messwerte für die Beschleunigungen ax, ay, az und drei Messwerte für die Drehraten U)X, ÜJy, (ÜZ empfangen werden.
In einem zweiten Schritt bestimmt ein Rauschwertbestimmungsmodul 10 aus den Messdaten 9 Rauschwerte 13, die eine Intensität eines Rauschens in den Messdaten 9 anzeigen. Beispielsweise können die Rauschwerte 13 für jede der sechs vorgenannten Messdimensionen bestimmt werden.
Zusätzlich oder alternativ können die Rauschwerte 13 aus den Intensitäten des Rauschens in verschiedenen vorgegebenen Frequenzbereichen bestimmt werden.
In einem dritten Schritt werden die Rauschwerte 13 in einem Erkennungsmodul 14 ausgewertet, um den Fahrbahnzustand zu erkennen. Das Erkennungsmodul 14 kann anhand der Rauschwerte 13 beispielsweise einen Erkennungswert 15 bestimmen, der anzeigt, ob die Fahrbahn 3 nass oder trocken ist. In dem in Fig. 1 gezeigten Beispiel fährt das Fahrzeug 1 gerade in einen nassen Abschnitt 17 der Fahrbahn 3 hinein. Dies ist mit einem plötzlichen Anstieg der Intensität des Rauschens in den Messdaten 9 verbunden, der vom Erkennungsmodul 14 als ein Wechsel des Fahrbahnzustands von „trocken“ zu „nass“ erkannt wird (siehe auch Fig. 3). Dementsprechend zeigt der Erkennungswert 15 hier den Fahrbahnzustand „nass“ an.
Der Erkennungswert 15 kann also ein Nässewert sein, der wie hier verschiedene diskrete Fahrbahnzustände oder aber verschiedene Nässegrade der Fahrbahn 3 anzeigen kann. Zusätzlich oder alternativ kann das Erkennungsmodul 14 einen Aquaplaninggefahrwert, der eine Aquaplaninggefahr für das Fahrzeug 1 anzeigt, als den Erkennungswert 15 ausgeben.
Fig. 3 zeigt beispielhaft einen zeitlichen Verlauf einer Längsgeschwindigkeit vx des Fahrzeugs 1. Darunter sind die entsprechenden (gefilterten) Rauschwerte 13 aus den Messungen der Beschleunigungen ax, ay, az und den Messungen der Drehraten U)X, ÜJy, (ÜZ aufgetragen. Das Fahrzeug 1 bremst von 19 m/s auf 15 m/s ab. Kurz vor Sekunde 34 erreicht das Fahrzeug 1 den nassen Abschnitt 17, bei dem es sich hier um bewässerte Kacheln handelt, und bleibt dabei weitgehend stabil. Kurz vor Sekunde 38 beschleunigt das Fahrzeug 1 , wodurch es instabil wird. Die Längsgeschwindigkeitsänderung und die Instabilität haben großen Einfluss auf die Längsbeschleunigung ax, die Querbeschleunigung ay und die Gierrate a>z und damit auch auf deren Rauschwerte 13. Wie in Fig. 3 gut zu erkennen, sind die Rauschwerte 13 der übrigen Dimensionen deutlich robuster gegenüber den Fahrzeugbewegungen.
Wie in Fig. 2 zu sehen, kann das Steuergerät 7 optional einen Glättungsfilter 18 umfassen, in den die Messdaten 9 in jedem Zeitschrift als Eingabedaten 19 eingegeben werden und der die Eingabedaten 19 in Ausgabedaten 21 umwandelt, in denen das Rauschen unterdrückt oder zumindest stark abgeschwächt ist. Die Rauschwerte 13 können dann aus den Ausgabedaten 21 bestimmt werden.
Die Rauschwerte 13, w können beispielsweise dadurch bestimmt werden, dass in einem Berechnungsmodul 22 die quadratischen Abweichungen zwischen den (rohen) Messdaten 9, zraw als den Eingabedaten 19 und den gefilterten Messwerten zfi|t als den Ausgabedaten 21 berechnet werden:
W = Oraw - Zfilt)2
Dem Glättungsfilter 18 kann optional ein Kantenfilter 23 vorgeschaltet sein, in den die Messdaten 9 in jedem Zeitschrift eingegeben werden und der aus den Messdaten 9 mehrerer aufeinanderfolgender Zeitschritte, beispielsweise von zwei, drei oder mehr als drei aufeinanderfolgenden Zeitschriften, Filterdaten 25 erzeugt, in denen das Rauschen durch Differenzierung gegenüber den Messdaten 9 deutlich verstärkt ist. Die Filterdaten 25 können dann als die Eingabedaten 19 in den Glättungsfilter 18 eingegeben werden, um die Ausgabedaten 21 zu erhalten.
Zum Beispiel können die Messdaten 9, zraw mithilfe eines Laplace-Filters in der Weise verarbeitet werden, dass eine zweite Ableitung zA fe der Messdaten 9 unter Verwendung der Messdaten 9, zraw fe eines aktuellen Zeitschritts k, der Messdaten 9, z^ ^ eines dem aktuellen Zeitschrift k unmittelbar vorangehenden ersten Zeitschritts und der Messdaten 9, zraWife-2 eines dem ersten Zeitschrift unmittelbar vorangehenden zweiten Zeitschritts approximiert wird: zA,fc — zraw,fc-2 — ^zra.w,k-l + zraw,fc
Die resultierenden Filterdaten 25, zA können anschließend mit dem Glättungsfilter 18 gefiltert werden, um die Ausgabedaten 21 , zA fi|t zu erhalten.
Schließlich können die Rauschwerte 13, w im Berechnungsmodul 22 berechnet werden mit:
Je öfter die Ableitung vorgenommen und damit das Rauschen verstärkt wird und je größer die Filterzeitkonstante gewählt wird, umso geringer ist die Abweichung von zA fi|t von null bezogen auf zA. Um Rechenzeit zu sparen, können die Rauschwerte 13, w daher auch direkt durch Quadrieren der Ableitung zA im Berechnungsmodul 22 berechnet werden: w = (zA)2
Der Erkennungswert 15 kann beispielsweise genutzt werden, um einen Reibwert, der eine Reibung zwischen den Rädern des Fahrzeugs 1 und der Fahrbahn 3 anzeigt, besser zu prognostizieren. Ist beispielsweise die Umgebungstemperatur größer als 4 °C und wird die Fahrbahn 3 als trocken erkannt, so kann von einem Reibwert von mindestens 0,6 ausgegangen werden. Dies hat zur Folge, dass beispielsweise eine ABS-Funktion schneller und mehr Bremsdruck aufbaut, als wenn die Fahrbahn 3 als nass erkannt wird oder die Umgebungstemperatur unter 4 °C liegt.
Bei sehr hohen Geschwindigkeiten kann der Reibwert bei sehr nasser Fahrbahn 3 deutlich unter 0,6 liegen und insbesondere durch Aquaplaning so klein werden, dass das Fahrzeug 1 nur noch schwer zu kontrollieren ist. Die Aquaplaninggefahr ist im Wesentlichen proportional zur Intensität des Rauschens, wohingegen der Reibwert im Wesentlichen antiproportional zur Intensität des Rauschens ist. Die Bremskräfte können demnach an das gemessene Rauschen angepasst werden. Es ist möglich, dass in jedem Messschritt mehrere Erkennungswerte 15 aus mehreren Rauschwerten 13 berechnet werden. Zum Beispiel können die Erkennungswerte 15 durch die Auswertung von Rauschpegeln in unterschiedlichen Messdimensionen und/oder Frequenzbereichen, insbesondere in zwei bis acht, vorzugsweise in drei bis vier unterschiedlichen Frequenzbereichen, bestimmt werden.
Alle Erkenn ungswerte 15 eines Messschritts können beispielsweise wie folgt miteinander fusioniert werden.
Bei der Fusion kann eine individuelle Varianz jeder einzelnen Messung berücksichtigt werden. Der für jeden Rauschwert 13 individuelle Erkennungswert 15, Ht und die korrespondierende Varianz können beispielsweise anhand von Versuchen in Abhängigkeit von unterschiedlichen Fahrzeuggeschwindigkeiten v oder Nässegraden H bestimmt und in Kennfeldern oder Kennlinien im Steuergerät 7 hinterlegt worden sein und so während des Fahrzeugbetriebs aus dem jeweiligen Kennfeld oder der jeweiligen Kennlinie berechnet werden:
Für die spätere Berechnung des gewichteten Mittelwerts S eines Sensors, d. h. einer Messdimension, kann zunächst die Varianz des Sensors aus der reziproken Summe dessen reziproker Varianzen berechnet werden:
Je geringer die individuelle Standardabweichung o-j ist, desto stärker wird der Erkennungswert 15 bei der Berechnung des sensorindividuellen Erkennungswerts 15 gewichtet:
Störungen wirken sich auf die Messungen eines Messschritts eines Sensors häufig unterschiedlich stark aus und führen so zu besonders großen Unterschieden in den Erkennungswerten 15, eines Sensors. Alle Erkennungswerte 15, von Sensoren, die von Störungen beeinflusst sind, sollten daher ein geringeres Gewicht bei der Berechnung eines fusionierten Erkennungswerts über mehrere Sensoren hinweg haben. Störungen, die sich auf die Messungen eines Messschritts unterschiedlich stark auswirken, sollten zu einem entsprechend größeren Wert für die Varianz des fusionierten Erkennungswerts führen. Messungen, bei denen aufgrund von Messrauschen erfahrungsgemäß eine hohe Varianz zu erwarten ist, sollten bei der Berechnung der Varianz des fusionierten Erkennungswerts schwächer gewichtet werden. Aus diesem Grund kann in einem weiteren Schritt aus den Abweichungen der Erkennungswerte 15, vom gewichteten Mittelwert p.s und der Varianz eine gewichtete sensorindividuelle Varianz berechnet werden:
Diese gewichtete Varianz ist umso größer, je stärker die Erkennungswerte 15, fa vom gewichteten Mittelwert abweichen, solange diese Unterschiede nicht auf eine hohe Varianz zurückzuführen sind, die aufgrund des bekannten Messrauschens zu erwarten ist.
Anschließend wird eine Gesamtvarianz aus den beiden zuvor berechneten Varianzen berechnet:
Die Gesamtvarianz oj ist groß, wenn alle individuellen Varianzen af aufgrund des erwarteten Messrauschens groß sind. Sie ist aber auch dann groß, wenn die individuellen Varianzen af aufgrund des erwarteten Messrauschens klein sind, während sich die Erkennungswerte 15, stark unterscheiden. Allerdings kann die Gesamtvarianz oj klein sein, wenn einer der Messwerte stark abweicht, während für diesen Messwert eine hohe Varianz aufgrund des erwarteten Messrauschens bestimmt wurde.
Störungen durch Fahrzeugbewegungen wie z. B. Beschleunigen, Bremsen oder Lenken wirken sich auf die Rauschwerte 13 der Messdimensionen Längsbeschleunigung, Querbeschleunigung und Gierrate, nachfolgend erste Messdimensionen genannt, stärker aus als auf diejenigen der Messdimensionen Vertikalbeschleunigung, Roll- und Nickrate, nachfolgend zweite Messdimensionen genannt Um möglichst robust gegenüber Störungen zu sein, können zunächst in einer ersten Fusion die ersten Messdimensionen miteinander und in einer zweiten Fusion die zweiten Messdimensionen miteinander fusioniert werden. Anschließend können die Ergebnisse beider Fusionen miteinander fusioniert werden.
Alternativ können die Messdaten 9 und/oder die Rauschwerte 13 in einen Machine-Learning-Algorithmus eingegeben werden, der mit historischen Messdaten und/oder historischen Rauschwerten trainiert wurde, um aus den Messdaten 9 und/oder den Rauschwerten 13 die Erkenn ungswerte 15 und/oder fusionierte Erkenn ungswerte zu berechnen.
Abschließend wird darauf hingewiesen, dass Begriffe wie „aufweisend“, „umfassend“ usw. keine anderen Elemente oder Schritte ausschließen und unbestimmte Artikel wie „ein“ oder „eine“ keine Vielzahl ausschließen. Bezugszeichen in den Ansprüchen sind nicht als Einschränkung anzusehen.

Claims

Ansprüche
1 . Verfahren zum Erkennen eines Fahrbahnzustands basierend auf Messdaten (9) einer Inertialsensorik (5) eines Fahrzeugs (1), wobei das Verfahren umfasst:
Empfangen der Messdaten (9), wobei die Messdaten (9) eine von der Inertialsensorik (5) gemessene Beschleunigung und/oder Drehrate des Fahrzeugs (1) anzeigen;
Bestimmen von Rauschwerten (13), die eine Intensität eines Rauschens in den Messdaten (9) anzeigen; und
Erkennen des Fahrbahnzustands in Abhängigkeit von den Rauschwerten (13).
2. Verfahren nach Anspruch 1 , wobei die Messdaten (9) Messwerte für mindestens zwei verschiedene Messdimensionen (ax, ay, az, OJX, a>y, OJZ) umfassen; wobei aus den Messwerten einer jeden Messdimension
(ax, ay, az, a>x, a>y, a>z) Rauschwerte (13) bestimmt werden, die eine Intensität eines der Messdimension (ax, ay, az, a>x, a>y, a>z) zugeordneten Rauschens anzeigen; wobei der Fahrbahnzustand in Abhängigkeit von den Rauschwerten (13) verschiedener Messdimensionen (ax, ay, az, a>x, a>y, a>z) erkannt wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Rauschwerte (13) in verschiedenen vorgegebenen Frequenzbereichen, insbesondere in drei bis acht verschiedenen vorgegebenen Frequenzbereichen, bestimmt werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Messdaten (9) und/oder auf den Messdaten (9) basierende Daten (25) als Eingabedaten (19) in einen Glättungsfilter (18) eingegeben werden, um Ausgabedaten (21) zu erhalten, die gegenüber den Eingabedaten (19) geglättet sind; wobei eine Differenz aus den Eingabedaten (19) und den Ausgabedaten (21) gebildet wird; wobei die Rauschwerte (13) aus der Differenz bestimmt werden.
5. Verfahren nach Anspruch 4, wobei die Rauschwerte (13) durch Quadrieren der Differenz bestimmt werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Messdaten (9) in mehreren aufeinanderfolgenden Zeitschriften empfangen werden und die Rauschwerte (13) in einem aktuellen Zeitschrift aus den Messdaten (9) verschiedener Zeitschritte bestimmt werden.
7. Verfahren nach Anspruch 6, wobei die Messdaten (9) verschiedener Zeitschritte in einen Kantenfilter (23) eingegeben werden, um Filterdaten (25) zu erhalten, in denen das Rauschen gegenüber den Messdaten (9) verstärkt ist; wobei die Rauschwerte (13) aus den Filterdaten (25) bestimmt werden.
8. Verfahren nach Anspruch 7, wobei die Rauschwerte (13) durch Quadrieren der Filterdaten (25) bestimmt werden.
9. Verfahren nach Anspruch 7 rückbezogen auf Anspruch 4, wobei die Filterdaten (25) als die Eingabedaten (19) in den Glättungsfilter (18) eingegeben werden.
10. Verfahren nach einem der vorhergehenden Ansprüche, wobei zum Erkennen des Fahrbahnzustands mindestens ein Erkennungswert (15), der einen Nässegrad einer Fahrbahn (3) des Fahrzeugs und/oder eine Aquaplaninggefahr für das Fahrzeug (1) anzeigt, bestimmt wird.
11 . Verfahren nach einem der vorhergehenden Ansprüche, wobei der Fahrbahnzustand zusätzlich in Abhängigkeit von einer aktuellen Geschwindigkeit (vx) des Fahrzeugs (1) erkannt wird.
12. Verfahren nach einem der vorhergehenden Ansprüche, wobei zusätzlich Statistikwerte bestimmt werden, die eine Varianz bezüglich der Messdaten (9) und/oder der Rauschwerte (13) anzeigen; wobei der Fahrbahnzustand zusätzlich in Abhängigkeit von den Statistikwerten erkannt wird. Steuergerät (7), umfassend einen Prozessor, der konfiguriert ist, um das Verfahren nach einem der vorhergehenden Ansprüche auszuführen. Computerprogramm, umfassend Befehle, die einen Prozessor bei Ausführung des Computerprogramms durch den Prozessor veranlassen, das Verfahren nach einem der Ansprüche 1 bis 12 auszuführen. Computerlesbares Medium, auf dem das Computerprogramm nach Anspruch 14 gespeichert ist.
EP23700262.1A 2022-01-10 2023-01-03 Erkennen eines fahrbahnzustands basierend auf messdaten einer inertialsensorik eines fahrzeugs Withdrawn EP4463676A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022200159.1A DE102022200159A1 (de) 2022-01-10 2022-01-10 Erkennen eines Fahrbahnzustands basierend auf Messdaten einer Inertialsensorik eines Fahrzeugs
PCT/EP2023/050042 WO2023131597A1 (de) 2022-01-10 2023-01-03 Erkennen eines fahrbahnzustands basierend auf messdaten einer inertialsensorik eines fahrzeugs

Publications (1)

Publication Number Publication Date
EP4463676A1 true EP4463676A1 (de) 2024-11-20

Family

ID=84981531

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23700262.1A Withdrawn EP4463676A1 (de) 2022-01-10 2023-01-03 Erkennen eines fahrbahnzustands basierend auf messdaten einer inertialsensorik eines fahrzeugs

Country Status (5)

Country Link
US (1) US20250069447A1 (de)
EP (1) EP4463676A1 (de)
CN (1) CN118742787A (de)
DE (1) DE102022200159A1 (de)
WO (1) WO2023131597A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023135744A1 (de) * 2023-12-19 2025-06-26 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Ermittlung von Schätzwerten für Messwerte von Umgebungsparametern und Fahrzeug

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4213221C2 (de) * 1992-04-22 2001-05-17 Porsche Ag Verfahren zur Erfassung der Benetzung einer Fahrbahnoberfläche
JP5657917B2 (ja) * 2010-05-19 2015-01-21 株式会社ブリヂストン 路面状態推定方法
JP5837341B2 (ja) * 2011-06-24 2015-12-24 株式会社ブリヂストン 路面状態判定方法とその装置
US9772361B2 (en) * 2011-12-26 2017-09-26 The University Of Tokyo Measuring method and measuring apparatus to detect charge potential between tire and road surface
JP6408854B2 (ja) * 2014-10-14 2018-10-17 株式会社ブリヂストン 路面状態予測方法
JP6614073B2 (ja) * 2016-09-06 2019-12-04 株式会社デンソー 路面状態推定装置
US11321976B2 (en) * 2019-11-06 2022-05-03 Schrader Electronics Limited Adaptively configuring a tire mounted sensor (TMS) with a vehicle-provided parameter

Also Published As

Publication number Publication date
US20250069447A1 (en) 2025-02-27
CN118742787A (zh) 2024-10-01
DE102022200159A1 (de) 2023-07-13
WO2023131597A1 (de) 2023-07-13

Similar Documents

Publication Publication Date Title
DE102016203545B4 (de) Verfahren zur Bestimmung von Fahrbahngriffigkeitsklassen
DE112009005281B4 (de) Verfahren und Vorrichtung zum Schätzen einer Drehcharakteristik eines Fahrzeugs
DE112013000718B4 (de) Fahrzeugsteuervorrichtung
DE102004019320A1 (de) System zum Reproduzieren des dynamischen Verhaltens eines Fahrzeugs
DE102018132911B4 (de) Verfahren zur Massenschätzung eines Fahrzeugsystems
EP2324323B1 (de) Verfahren zur bestimmung eines radstandes eines fahrzeuges und fahrzeugregelungssystem zur benutzung einer derartigen verfahrens
DE10306829B4 (de) Ermittlung von Fahrzeug-Geschwindigkeiten mit Hilfe von lineare Parameter und Verstärkung variierenden Planungs-Theorien
EP3687875B1 (de) Verfahren zur ermittlung der lage des schwerpunkts eines fahrzeugs
DE10149190A1 (de) Vorrichtung und Verfahren zur Wankregelung für ein Fahrzeug
DE102014200987B4 (de) Verfahren zur Ermittlung der Lage des Schwerpunkts eines Fahrzeugs
DE19844090A1 (de) Verfahren und Vorrichtung zur Erfassung des Reibungskoeffizienten einer Strasse
DE102008007775A1 (de) Verfahren und Vorrichtung zur Bestimmung der Änderung der Aufstandfläche eines Reifens
DE102012217772A1 (de) Verfahren zur Bestimmung des maximalen Kraftschlussbeiwerts
WO2008077670A1 (de) Verfahren und vorrichtung zum ermitteln einer reibkennzahl
DE102005060219A1 (de) Verfahren und Vorrichtung zur Abschätzung des Reibkoeffizienten zwischen Straße und Reifen eines Kraftfahrzeuges
DE112017003866B4 (de) Ein System zur Verwendung in einem Fahrzeug
EP3148856B1 (de) Verfahren zur einstellung einer schlupfschwelle und fahrdynamik-regeleinrichtung
EP1470978B1 (de) Verfahren und Vorrichtung zur Erkennung eines Fahrzustands
WO2019211169A1 (de) VERFAHREN UND VORRICHTUNG ZUM ERKENNEN EINES STRAßENZUSTANDS
EP4463676A1 (de) Erkennen eines fahrbahnzustands basierend auf messdaten einer inertialsensorik eines fahrzeugs
DE102011083266B4 (de) Untersteuerungs-Einschätzung für Fahrzeuge
DE102024201309B3 (de) Schätzen einer Reifenschräglaufsteifigkeit
DE102004035577A1 (de) Stabilisierungsvorrichtung und Verfahren zur Fahrstabilisierung eines Fahrzeugs durch Anwendung einer Spektralanalyse
DE102014206475A1 (de) Verfahren zur Lenkwinkelbestimmung für ein Fahrzeug
DE102020115196B4 (de) Automatische bremsvorrichtung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240812

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20250225