WO2021115567A1 - Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug - Google Patents

Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug Download PDF

Info

Publication number
WO2021115567A1
WO2021115567A1 PCT/EP2019/084388 EP2019084388W WO2021115567A1 WO 2021115567 A1 WO2021115567 A1 WO 2021115567A1 EP 2019084388 W EP2019084388 W EP 2019084388W WO 2021115567 A1 WO2021115567 A1 WO 2021115567A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
processor unit
discretization
trajectory
discretization points
Prior art date
Application number
PCT/EP2019/084388
Other languages
English (en)
French (fr)
Inventor
Kai Timon Busse
Original Assignee
Zf Friedrichshafen Ag
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 Zf Friedrichshafen Ag filed Critical Zf Friedrichshafen Ag
Priority to PCT/EP2019/084388 priority Critical patent/WO2021115567A1/de
Priority to CN201980101307.1A priority patent/CN114585548A/zh
Priority to US17/783,879 priority patent/US20230019462A1/en
Publication of WO2021115567A1 publication Critical patent/WO2021115567A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/181—Preparing for stopping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18154—Approaching an intersection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18159—Traversing an intersection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/55—External transmission of data to or from the vehicle using telemetry
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • B60W2720/103—Speed profile

Definitions

  • the invention relates to the determination of a trajectory for a first vehicle by means of model-based predictive control (in English: Model Predictive Control or MPC for short).
  • model-based predictive control in English: Model Predictive Control or MPC for short.
  • trajectory information about a second vehicle that is traveling in the area ahead of the first vehicle is used.
  • particular claims are made of a processor unit, a driver assistance system, a vehicle, a method and a computer program product.
  • An object of the present invention can be seen in providing an MPC control for a first motor vehicle, taking into account the behavior of a second motor vehicle which is driving in front of the first vehicle.
  • V2V communication can be understood to mean an exchange of information and data between vehicles.
  • the aim is to report critical and dangerous situations to the vehicles and / or their drivers at an early stage.
  • the V2V information can be integrated into an MPC-based driving strategy, the V2V information being used in the form of a clipping of the MPC solution space.
  • the present invention proposes identifying a communication strategy with other road users that allows integration into a model predictive control.
  • the proposed solution can in particular take place on the assumption that both the ego vehicle and the vehicle driving ahead follow a longitudinal driving strategy, whereby an interaction of several MPC solvers can take place.
  • the subject matter of the invention here is the exchange between the various vehicles with regard to the planned speed trajectories.
  • An MPC-based driving strategy is used as the basis for this.
  • a virtual driving horizon is generated in the ego vehicle. So-called hard secondary conditions can be introduced on this horizon, which restrict the solution space of the MPC solver. This is achieved in particular by specifying minimum arrival times or maximum arrival times at various so-called discretization points along the virtual horizon.
  • a processor unit for a first vehicle is provided.
  • the processor unit is set up to determine a trajectory for the first vehicle by means of model-based predictive control, specifically using trajectory information about a second vehicle that is traveling in the area ahead of the first vehicle.
  • the second vehicle is a leading vehicle with respect to FIG the first vehicle.
  • the feature “trajectory for the first vehicle” can be understood to mean a path which the first vehicle is to follow in the future, for example within the next few seconds.
  • a speed profile can be assigned to the path, the speed profile being able to specify a setpoint speed for the first vehicle for each waypoint or discretization point along the path. This assignment of path and speed results in the speed trajectory of the first vehicle.
  • the processor unit for the first vehicle is set up to select first discretization points from a total of possible discretization points that lie within a virtual driving horizon of a model-based predictive control of the first vehicle and to transmit them to a processor unit of the second vehicle, whereby the selected first discretization points are not behind the second vehicle.
  • the discretization points represent, in particular, waypoints within the virtual travel horizon, in particular in an area ahead of the vehicle.
  • the virtual travel horizon can in particular be understood as a prediction horizon of the model-based predictive control of the first vehicle.
  • those discretization points that are behind the second vehicle are sorted out by the processor unit of the first vehicle.
  • the discretization points can be sorted out over a distance between the first vehicle and the second vehicle.
  • the selected first discretization points are transmitted to the processor unit of the second vehicle.
  • the selected first discretization points lie in front of a rear end of the second vehicle.
  • the rear end of the second vehicle can form a rear end of the second vehicle.
  • the rear end of the second vehicle can, for example, be a bumper at the rear of the second vehicle.
  • the first discretization points can also lie in front of the rear end as well as a front end of the second vehicle, the front end of the second vehicle being a front end of the second vehicle can form.
  • the first discretization points can also lie between the rear end and the front end of the second vehicle.
  • the processor unit of the first vehicle After the processor unit of the first vehicle has selected the first discretization points, it can transmit the selected first discretization points to the processor unit of the second vehicle.
  • the processor unit of the first vehicle can include, for example, a correspondingly configured communication interface which, conversely, also enables data to be received, in particular from the processor unit of the second vehicle, as will be described in more detail below.
  • the processor unit of the first vehicle is set up to receive from the processor unit of the second vehicle for each second discretization point selected by the second processor unit from the first discretization points an arrival time of the second vehicle determined by the processor unit of the second vehicle at the relevant second discretization point, all selected second discretization points lying in front of the second vehicle.
  • the processor unit of the second vehicle can comprise a communication interface by means of which the selected first discretization points are received by the processor unit of the first vehicle and the aforementioned arrival times of the second vehicle at the second discretization points as well as information about the length of the second vehicle to the first processor input. unity can be transmitted.
  • the processor unit of the second vehicle selects those discretization points from the first discretization points which are in front of the second vehicle. For this purpose, the processor unit of the second vehicle can access information about the length of the second vehicle, with the length being able to be added to the rear end of the second vehicle, for example.
  • the processor unit of the second vehicle determines an arrival time of the second vehicle for each of the selected second discretization points, i.e. when the second vehicle arrives at the second discretization point in question. point arrives.
  • the length of the second vehicle and the second discretization points selected by the processor unit of the second vehicle, together with the associated arrival times, can be transmitted to the processor unit of the first vehicle.
  • the processor unit of the first vehicle is in turn set up to generate a trajectory data record for the first vehicle.
  • the trajectory data set contains the second discretization points selected by the second processor unit from the first discretization points and the arrival times of the second vehicle at the relevant second discretization points determined by the second processor unit.
  • the trajectory data record also contains zeroed value pairs, the zeroed value pairs each containing a first discretization point not in front of the second vehicle and the value zero seconds.
  • the determined arrival times of the second vehicle generated by the processor unit of the second vehicle at the second discretization points are thus reused for the trajectory data set of the first vehicle.
  • these values still have to be supplemented by those discretization points that lie between the vehicle in front and the ego vehicle so that an MPC algorithm is able to process them.
  • the processor unit of the first vehicle is set up to use model-based predictive control to determine a trajectory for the first vehicle by executing a corresponding MPC algorithm which contains a longitudinal dynamics model of the first vehicle and a cost function to be minimized, so that the cost function is minimized is, with the trajectory data record being taken into account as a secondary condition when determining the trajectory.
  • At least one secondary condition for the model-based predictive control can be determined from the trajectory data set, the secondary condition describing the driving behavior of the vehicle in front. The solution space of the model-based predictive control is curtailed by this secondary condition.
  • the processor unit of the first vehicle is thus set up to take the trajectory data set into account as a secondary condition when it (ie the processor unit of the first vehicle) executes an MPC algorithm and thereby a trajectory for the first Vehicle determined.
  • the trajectory data set which describes the trajectory of the vehicle driving in front, can be given to the MPC logic as a hard secondary condition.
  • a hard secondary condition can be understood as a secondary condition which must be strictly adhered to when determining the trajectory for the first vehicle.
  • the hard constraints can be introduced on the virtual travel horizon so that the solution space of the MPC solver is curtailed. As will be described in more detail below, this can be achieved, for example, by specifying minimum arrival times or maximum arrival times at the various discretization points along the virtual travel horizon.
  • the trajectory data record can be passed on to an MPC logic for planning an optimal travel trajectory for the first vehicle.
  • the MPC logic plans an optimal speed trajectory for the first vehicle for the route section ahead, taking into account the route topology, the traffic and other environmental information.
  • the reduced or trimmed solution space can now be used as a basis.
  • the speed trajectory for the first vehicle can be refined and thereby improved while considering the value pairs within the trajectory data record which describes the trajectory of the vehicle traveling ahead. In this way, an integrated optimization of various degrees of freedom is also possible, which leads to an overall optimal driving behavior.
  • the process described can be repeated in a predetermined cycle time. This makes it possible to ensure that the latest driving information from the second vehicle driving ahead is used at all times for planning the trajectory of the first vehicle.
  • the model-based predictive control (MPC) method makes it possible to find an optimal solution for a so-called “Driving Efficiency” function that provides an efficient driving style in every situation under given boundary conditions and restrictions.
  • the MPC method is based on a system model, in the present invention on a longitudinal dynamics model of the first vehicle, which describes the behavior of the system. Furthermore, the MPC method is based on a target function or a cost function that describes an optimization problem and determines which state variables are to be minimized.
  • the longitudinal dynamics model can map a drive train of the vehicle and include a vehicle model with vehicle parameters and drive train losses (partly approximated maps).
  • Knowledge of the route topographies ahead e.g. curves and gradients
  • knowledge of speed limits on the route ahead can also flow into the dynamic model of the drive train.
  • the MPC algorithm can include an MPC solver in the form of a software module.
  • the MPC solver can contain instructions or program code, whereby the processor unit is instructed to determine the trajectory of the vehicle in question as a function of the longitudinal dynamics model in particular of the first but also of the second vehicle in such a way that the cost function is minimized.
  • the processor unit can forward the optimized trajectory of the first vehicle to a software module (“target generator”).
  • target generator Using this software module, the processor unit can convert the mathematically optimal planning of all available degrees of freedom into actually usable component signals.
  • a speed trajectory of the first vehicle can be optimally planned for the next 5000m using the model-based predictive control .
  • the component software can then work with this value and adjust the desired speed.
  • a first term of the cost function contains electrical energy weighted with a first weighting factor and predicted according to the dynamic model, which is provided within a prediction horizon by a battery of the drive train of the first vehicle for driving the electrical machine.
  • the cost function can be used as the second Term contain a travel time weighted with a second weighting factor and predicted according to the longitudinal dynamics model, which the first vehicle needs to cover the entire distance predicted within the prediction horizon.
  • the processor unit can be set up to determine an input variable for the electrical machine by executing the MPC algorithm as a function of the first term and as a function of the second term, so that the cost function is minimized.
  • the state variables for the Driving Efficiency driving function can thus be, for example, the vehicle speed or the kinetic energy, the remaining energy in the battery and the driving time.
  • the optimization of energy consumption and travel time can, for example, take place on the basis of the gradient of the route ahead and restrictions for speed and drive power, as well as on the basis of the current system status.
  • the driving time can be minimized in addition to the total loss or energy consumption by means of the target function or the cost function of the Driving Efficiency driving strategy. This leads to the fact that, depending on the choice of weighting factors, a low speed is not always rated as optimal and so there is no longer the problem that the resulting speed is always at the lower limit of the permitted speed.
  • the electrical machine can be controlled by the processor unit based on the input variable that is determined by executing the MPC algorithm.
  • an optimal motor operating point of the electrical machine can be set by means of the input variable.
  • the optimal speed of the first vehicle can be adjusted directly.
  • the cost function can have exclusively linear and quadratic terms.
  • the overall problem has the form of a quadratic optimization with linear constraints and a convex problem results, which can be solved quickly and easily.
  • the target function or the cost function can be set up with a weighting (weighting factors), in which case, in particular, energy efficiency, travel time and travel comfort are calculated and weighted.
  • An energy-optimal speed trajectory can be calculated online on the processor unit for a horizon ahead, which can in particular form a component of a central control device of the first vehicle.
  • the setpoint speed of the first vehicle can also be recalculated cyclically on the basis of the current driving status and the route information ahead.
  • route data from an electronic map for a forecast horizon or prediction horizon (e.g. 400 m) in front of the first vehicle can be updated or updated, in particular cyclically.
  • the route data can contain, for example, incline information, curve information, and information about speed limits.
  • a curve curvature can be converted into a speed limit for the first vehicle using a maximum permissible transverse acceleration.
  • the first vehicle can be located, in particular via a GNSS signal for precise localization on the electronic map.
  • the arrival times of the second vehicle at the selected second discretization points determined by the processor unit of the second vehicle define minimum time periods before which the first vehicle must not reach the second discretization point in question.
  • a relevant minimum time period defines that the vehicle may not arrive at the waypoint or discretization point that is assigned to the minimum time period before the end of the minimum time period.
  • the processor unit can determine that the first vehicle is at a first point of discrimination (for example the current point of discretization) at a first point in time (for example at a current point in time) and at a second point in time (for example 5s later) 50m further away discretization point.
  • the processor unit of the second vehicle can now determine a first arrival time for the second vehicle at the first discretization point and a second arrival time for the second vehicle at the second discretization point.
  • the determined first arrival time can be 0 seconds, for example, and the determined second arrival time can be 5 seconds in the future.
  • These arrival times can be minimum arrival times, ie before the determined first minimum arrival time (or before the expiry of a correspondingly long minimum first time period up to the determined first arrival time) the first vehicle must not arrive at the first discretization point.
  • a determined minimum second arrival time the first vehicle must not arrive at the vehicle before the determined second minimum arrival time (or before the expiry of a correspondingly long minimum second period up to the determined first arrival time, e.g.
  • the MPC solver must not select a trajectory for the first vehicle according to which the first vehicle arrives at the relevant waypoint or discretization point at the same time or before the preceding second vehicle, as otherwise there would be a risk that the first vehicle would enter the second vehicle drives into it (collision). In other words, it is specified that the first vehicle should allow itself at least 5 seconds to get to the second waypoint, which is 50 m further away, in order to avoid a collision with the second vehicle.
  • the processor unit of the first vehicle is set up to select those first discretization points from the totality of possible discretization points whose distance from the first vehicle is greater than a distance between the first vehicle and the second vehicle.
  • the rear end of the second vehicle can be detected by a sensor of the first vehicle, for example by a radar sensor.
  • the rear end of the second vehicle can alternatively or additionally be determined by determining a position of the second vehicle, for example based on a satellite-supported position determination such as GPS. This position determination can be carried out by the second vehicle, for example by the processor unit of the second vehicle.
  • the pro- Processor unit of the first vehicle determine its position.
  • the processor unit of the first vehicle can be set up to access the determined position of the second vehicle and to determine a distance between the first and the second vehicle from the position of the second vehicle and the position of the first vehicle.
  • the processor unit of the first vehicle can be set up to receive information about the length of the second vehicle from the second processor unit of the second vehicle, from the first discretization points to select those third discretization points whose distance from the first vehicle is smaller than the sum of the length of the vehicle and the distance between the first vehicle and the second vehicle, and to assign the value zero to each of the third discretization points and to store it as further zeroed value pairs in the trajectory data set.
  • This embodiment makes it possible to delete all discretization points that are not in front of both vehicles. This embodiment enables a significant saving in computational effort than, for example, a method that uses "Filter and Replace / Remove". Computing time is very important when optimizing using model-based predictive control, since the quality of the solution found depends directly on the available computing capacity of the MPC solver.
  • the processor unit of the first vehicle is set up to receive a position and a switchover time from the processor unit of a light signal system which is in the area ahead of the first vehicle, the switchover time indicating when the light signal system is from a first alternating light signal (eg "green") changes to a second alternating light signal (eg "red").
  • the light signal system is, in particular, a traffic light system.
  • the traffic light system can be set up to give alternating light signals, for example “red”, “green” and optionally “yellow” or “red and yellow”.
  • the processor unit of the first vehicle is set up to add the position and the switchover time of the light signal system to the trajectory data record for the first drive. add stuff.
  • the processor unit of the second vehicle can comprise a communication interface, by means of which the position of the light signal system and the time of switchover can be transmitted to the first processor unit.
  • the changeover point in time of the light signal system received by the processor unit of the light signal system can, in particular, define a maximum period of time before the end of which the first vehicle must have reached the position at which the light signal system is located.
  • the maximum period defines that the vehicle may not arrive at the waypoint or discretization point that is assigned to the maximum period after the maximum period has expired.
  • the traffic light can, for example, be at a waypoint or discretization point 50 m away and still give the alternating light sign "green" for a maximum period of 20s.
  • the maximum period can be set to 20 seconds, for example. This means that the MPC solver is not allowed to determine or select a trajectory for the first vehicle according to which the first vehicle needs longer than 20s to drive to the traffic light, since otherwise there would be the risk of the first vehicle drives over the red light.
  • a driver assistance system for performing a driver assistance function of a first vehicle is provided, the driver assistance system being set up to
  • the driver assistance function includes an autonomous or a semi-autonomous driving function.
  • the autonomous driving function enables the vehicle to drive independently, ie without a vehicle occupant controlling the vehicle.
  • the driver has given control of the vehicle to the driver assistance system.
  • the autonomous driving function includes that the vehicle - in particular by means of the processor unit for determining the trajectory of the vehicle or the processor unit of the Driver assistance system - is set up to carry out, for example, steering, blinking, acceleration and braking maneuvers without human intervention and, in particular, to control exterior lights and signals such as blinkers of the vehicle assists a driver of the vehicle in controlling the vehicle, in particular in steering, blinking, acceleration and braking maneuvers, the driver still having control of the vehicle.
  • a first vehicle which comprises a processor unit according to the first aspect of the invention and a driver assistance system according to the second aspect of the invention.
  • the vehicle is in particular a motor vehicle, for example an automobile (for example a passenger vehicle weighing less than 3.5 t), motorcycle, scooter, moped, bicycle, e-bike, bus or truck (eg with a weight of more than 3.5 t), but also around a rail vehicle, a ship, an aircraft such as a helicopter or an airplane.
  • the invention can also be used in small, light electric motor vehicles for micromobility, these motor vehicles being used in particular in urban traffic and for the first and last mile in rural areas.
  • the first and last mile can be understood as all routes and paths that are in the first and last link in a mobility chain. This is, for example, the way from home to the train station or the route from the train station to the workplace. In other words, the invention can be used in all areas of transport such as automotive, aviation, nautical, astronautical, etc.
  • a method for determining a trajectory for a first vehicle by means of model-based predictive control using trajectory information about a second vehicle which is traveling in the area ahead of the first vehicle.
  • the procedure consists of the following steps
  • trajectory data record for the first vehicle by means of the processor unit of the first vehicle, the trajectory data record the second discretization points selected by the second processor unit from the first discretization points and the arrival times of the second vehicle to the relevant one determined by the second processor unit contains second discretization points, and the trajectory data record also contains zeroed value pairs, the zeroed value pairs each containing a first discretization point not in front of the second vehicle and the value zero seconds, and
  • Determination of a trajectory for the first vehicle by executing an MPC algorithm, which contains a longitudinal dynamics model of the first vehicle and a cost function to be minimized, by means of model-based predictive control, so that the cost function is minimized, with the determination the trajectory of the Trajectory data set is taken into account as a secondary condition and the trajectory is determined by means of the processor unit of the first vehicle.
  • a computer program product for determining a trajectory for a first vehicle by means of model-based predictive control using trajectory information about a second vehicle, the computer program product when it is executed on a processor unit of the first vehicle will guide the processor unit,
  • the trajectory data set contains the second discretization points selected by the second processor unit from the first discretization points and the arrival times of the second vehicle at the relevant second discretization points determined by the second processor unit, and the trajectory data set also contains zero pairs of values contains, the zeroed value pairs each containing a first discretization point not in front of the second vehicle and the value zero seconds, and
  • FIG. 1 shows a schematic representation of a first vehicle
  • FIG. 2 shows a plan view of a second vehicle which is traveling in front of the first vehicle according to FIG. 2 on a first section of a road
  • FIG. 3 shows vectors for a first discretization point between the first vehicle and the second vehicle from FIG. 2,
  • FIG. 4 vectors for a second discretization point in the area of the second vehicle from FIG. 2,
  • FIG. 5 shows vectors for a third discretization point in front of the second vehicle from FIGS. 2 and 4
  • FIG. 6 shows schematic representations of a pruning of the solution space and up to 8 a subsequent optimization by means of a model-based predictive control.
  • the first vehicle 1 shows a first vehicle 1.
  • the first vehicle 1 is a motor vehicle, for example a passenger vehicle.
  • the first vehicle 1 includes an M PC system 2 for determining a Trajectory for the first vehicle 1 by means of model-based predictive control using trajectory information about a second vehicle 18, which is shown in FIG. 2, the second vehicle 18 driving in front of the first vehicle 1.
  • the second vehicle 18 is also a motor vehicle, for example likewise a passenger vehicle.
  • the first motor vehicle 1 furthermore comprises a driver assistance system 16 with a processor unit 19 and with a communication interface 20.
  • the second vehicle 18 can have the same elements and functions as the first vehicle 1.
  • the MPC system 2 comprises a processor unit 3, a memory unit 4, a communication interface 5 and a detection unit 6 for detecting environmental data and status data relating to the first motor vehicle 1.
  • the first motor vehicle 1 furthermore comprises a drive train 7 which, for example, can comprise an electric machine 8 which can be operated as a motor and as a generator, a battery 9 and a transmission 10.
  • the electric machine 8 can drive wheels of the motor vehicle 1 via the transmission 10, which can have a constant transmission ratio, for example.
  • the battery 9 can provide the electrical energy required for this.
  • the battery 9 can be charged by the electric machine 8 when the electric machine 8 is operated in generator mode (recuperation).
  • the battery 9 can optionally also be charged at an external charging station.
  • the drive train of the motor vehicle 1 can also optionally have an internal combustion engine 17, which can drive the motor vehicle 1 as an alternative or in addition to the electrical machine 8.
  • the internal combustion engine 17 can also drive the electric machine 8 in order to charge the battery 9.
  • a computer program product 11 can be stored on the storage unit 4.
  • the computer program product 11 can be executed on the processor unit 3, for which purpose the processor unit 3 and the memory unit 4 are connected to one another by means of the communication interface 5.
  • the computer program product 11 When the computer program product 11 is executed on the processor unit 3, it instructs the processor unit 3 to fulfill the functions described in connection with the drawing or to carry out method steps.
  • the computer program product 11 contains an MPC algorithm 13.
  • the MPC algorithm 13 in turn contains a longitudinal dynamics module 14 of the drive train 7 of the first motor vehicle 1.
  • the MPC algorithm 13 also contains a cost function 15 to be minimized MPC algorithm 13 and thereby determines an optimal speed trajectory of the first motor vehicle 1 based on the longitudinal dynamics model 14, so that the cost function 15 is minimized.
  • an optimal speed and an optimal torque of the electrical machine 8 can also result for discretization points in the forecast horizon.
  • the processor unit 3 can determine an input variable for the electrical machine 8, so that the optimum speed and the optimum torque are set.
  • the processor unit 3 can control the electrical machine 8 based on the determined input variable. Furthermore, however, this can also be done by the driver assistance system 16.
  • the acquisition unit 6 can measure current state variables of the first motor vehicle 1, record corresponding data and feed them to the MPC algorithm 13. Furthermore, route data from an electronic map for a forecast horizon or prediction horizon (for example 400 m) in front of the motor vehicle 1 can be updated or updated, in particular cyclically.
  • the route data can contain, for example, incline information, curve information, and information about speed limits.
  • a curve curvature can be converted into a speed limit for the motor vehicle 1 via a maximum permissible transverse acceleration.
  • the first motor vehicle 1 can be located by means of the detection unit 6, in particular via a signal generated by a GNSS sensor 12 for precise localization on the electronic map.
  • the detection unit 6 can have a radar sensor 22, in particular for determining the position and / or speed of vehicles 18 traveling ahead (FIG. 2).
  • the processor unit 3 can access information from These elements can be accessed via the communication interface 5, for example. This information can flow into the longitudinal model 14 of the motor vehicle 1, in particular as restrictions or secondary conditions.
  • the greatly simplified two-dimensional (dimensions x, y) example according to FIG. 2 shows the first motor vehicle 1 on a road 21.
  • the first motor vehicle 1, supported by the driver assistance function described above, drives autonomously at a first speed v 1 in a first direction of travel x 1.
  • the second motor vehicle 18 is also located in front of the first motor vehicle 1 on the road 21.
  • the second motor vehicle 1 drives in front of the first motor vehicle 1 at a second speed v 2 in a second direction of travel x 2 .
  • the first route section 22 runs straight and the first direction of travel x 1 of the first motor vehicle 1 corresponds to the second direction of travel x 2 of the second motor vehicle 18.
  • this is purely exemplary and not mandatory.
  • the first speed v 1 of the first motor vehicle 1 can also differ from the second speed v 2 of the second motor vehicle 18 (v 1 ⁇ v 2 ).
  • the second motor vehicle 18 drives ahead of the first motor vehicle 1.
  • the first motor vehicle 1 follows the second motor vehicle 18.
  • the processor unit 3 of the first vehicle 1 generates a virtual travel horizon or a prediction horizon of the first vehicle 1.
  • the virtual travel horizon comprises a large number of possible discretization points P x , of which a first discretization point P 1 , a second discretization point P 2 and a third discretization point P 3 are shown in FIG.
  • the discretization points P x are waypoints P 1 , P 2 , P 3 in the area ahead of the first vehicle 1.
  • the n possible discretization points P x can be in an output data array can be stored as follows: For example, by means of the radar sensor 22, the distance d of a front end 23 of the first vehicle 1 can be determined to a rear or rear end 24 of the second vehicle 18, for example to a rear bumper of the second vehicle 18.
  • the processor unit 3 of the first vehicle 1 can use the communication interface 5 to access corresponding distance data from the radar sensor 22 access.
  • the distance d can be 20 m, purely by way of example, and can be specified as vector d.
  • the three discretization points P 1 , P 2 , P 3 can also be used as position vectors which extend, for example, from the front end 23 of the first vehicle 1 to the relevant discretization point P 1 , P 2 , P 3 .
  • the output data array can thus be represented as follows become:
  • the processor unit 3 subtracts the dis- dance vector d.
  • the first discretization point P 1 lies, for example, 15 m in front of the front end 23 of the first vehicle 1 and behind the rear end 24 of the second vehicle 18. As shown in FIG. 3, this results in a differential vector 1 ⁇ d, which has a negative value in relation to the forward direction x of the first vehicle 1 (negative vector component in the x direction; in this example with the value -5m).
  • the second discretization point P 2 is, for example, 21 m in front of the front end 23 of the first vehicle 1 and thus between the rear end 24 of the second vehicle 18 and a front end 25 of the second vehicle 18, which has a length I of 5 m, for example.
  • the length I of the second vehicle 18 can also be specified vectorially (length vector 1, which in the example shown has only one component in the x-direction). As shown by FIG. 4, this results in a difference vector d which is related has a positive value on the pre-alignment x of the first vehicle 1 (positive vector component in the x direction, in this example with the value + 1m).
  • the third discretization point P 3 lies 28m in front of the front end 23 of the first vehicle 1 and thus in front of the front end 25 of the second vehicle 18. How through As shown in FIG. 5, this results in a difference vector P which has a positive value in relation to the pre-alignment x of the first vehicle 1 (positive vector component in the x direction, in this example with the value + 8m).
  • the output data array can, as an alternative to the vector entries, have the aforementioned components of the position vectors P 1 , P 2 , P 3 in the x-direction (pre-alignment of the first vehicle 1):
  • the processor unit 3 also stores the component values of the difference vectors in the x direction in a discretization data array. which then both for example as follows:
  • the processor unit 3 subsequently deletes all negative entries in the discretization data array .
  • the processor unit 3 of the first vehicle selects first discretization points which are contained in the discretization data array relevant for the V2V communication, which is as follows represents:
  • FIG. 4 there is a difference vector l, which is related has a negative value on the pre-alignment x of the first vehicle 1 (negative vector component in the x direction; in this example with the value -4m).
  • FIG. 5 there is another difference vector which has a positive value in relation to the pre-direction x of the first vehicle 1 (positive vector component in the x direction; in this example with the value 3m).
  • the processor unit 3 'of the second vehicle 18 stores these differences in a doubly transformed discretization data array which has the following has the following entries:
  • the processor unit 3 'of the second vehicle 18 deletes all negative entries in the doubly transformed discretization data array (from choice of second discretization points), which results in a triple transformed discretization data array in the example shown, which is like represents:
  • the type of interpolation depends on the second vehicle 18 traveling in front. If the second vehicle 18 plans its trajectory using ACC, an interpolation using a polynomial fit is generally already available. This could be used directly to calculate the arrival time of the second vehicle at the third discretization point P 3 at a distance of 3 meters. Is it for example a vehicle of level 2 or higher (eg Al-based), a linear interpolation can advantageously be used.
  • the processor unit 3 ′ of the second vehicle 18 generates an arrival data array which contains selected pairs of values, each consisting of the discretization points of the triple transformed discretization data array and a planned arrival time of the second vehicle 18 the relevant discretization point of the triply transformed discretization data array exist.
  • the The planned arrival time of the second vehicle 18 at the third discretization point P 3 which is 3 m in front of the front end 25 of the second vehicle 2, is calculated and stored together with the third discretization point P 3 in the arrival data array.
  • the processor unit 3 of the first vehicle 1 uses the length I of the second vehicle 18 and the above-described distance d of the front end 23 of the first vehicle 1 to the rear end 24 of the second vehicle 18 to identify those discretization points which in front of the front
  • End 25 of the second vehicle 18 lie. This can be done in the same way as described in connection with the processor unit 3 'of the second vehicle 18 and illustrated by FIGS. 4 and 5 for the discretization points P 2 and P 3. This step can be omitted for the discretization point P 1 , which has already been sorted out beforehand by the processor unit 3 of the first vehicle 1.
  • the processor unit 3 of the first vehicle 1 also generates a trajectory data record in the form of a minimum arrival data array for the first journey tool 1. This contains, on the one hand, zeroed value pairs for all discretization points that lie behind the front end 25 of the second vehicle 18. In the example shown, the first discretization point P 1 and the second discretization point P 2 would each be assigned the value zero seconds (0s or “0” in the minimum arrival data array for the first vehicle 1).
  • the process purity 3 of the first vehicle 1 can define the value Os as a minimum period of time before which the first vehicle 1 may not arrive at the first discretization point P 1 and at the second discretization point P 2.
  • the value Os means that the first vehicle 1 may arrive at any future point in time at the first discretization point P 1 and at the second discretization point P 2 , since the trajectories of the first vehicle 1 and the second vehicle 18 are adjacent to them Do not meet discretization points P 1 , P 2.
  • the processor unit 3 of the first vehicle 1 also transfers the arrival times of the value pairs of the minimum arrival data array for the second vehicle 18 to the minimum arrival data array for the first vehicle 1, specifically for all discretization points that lie in front of the front end 25 of the second vehicle 18. In the example shown, this is only the third discrimination point P 3 .
  • the processor unit 1 of the first vehicle 1 defines the determined arrival time in 0.36 seconds as the minimum period before which the first vehicle 1 is not allowed to arrive at the third discretization point P 3. This ensures that the second vehicle 18 passes the third discretization point P 3 earlier than the first vehicle 1. In this way, a collision between the first vehicle 1 and the second vehicle 2 can be prevented.
  • the minimum arrival data array n for the first vehicle 1 can thus contain, for example, the following pairs of values: ⁇ [15, 0; 21.0; 28, 0.36],
  • the processor unit 3 By executing the MPC algorithm 13, the processor unit 3 subsequently determines a trajectory for the first vehicle by means of model-based predictive control.
  • the arrival data array is taken into account as a secondary condition. sighted.
  • the trajectory for the first vehicle 1 is determined in such a way that the cost function 15 is minimized.
  • a route topology, the traffic and other environmental information are also included in order to determine the optimal speed trajectory for the first vehicle 1 for the route section ahead.
  • a light signal system in the form of a traffic light 26, which can alternately display the alternating light signals “green” and “red”.
  • the processor unit 3 of the first vehicle 1 can access this position P 4 .
  • the traffic light 26 can comprise a processor unit 3 ′′ and a communication interface 5 ′′. By means of its communication point 5 ”, the processor unit 3” of the traffic light 26 can transmit its position P 4 and switching times to the processor unit 3 of the first vehicle 1, for example that the traffic light 26 changes from “green” to “red” in 20 seconds “Toggles.
  • the processor unit 3 of the first vehicle 1 can position the P 4 together with the switchover time as a pair of values in the arrival data array store for the first vehicle 1.
  • the switchover point in time of the light signal system 26 defines a maximum period of time as a further secondary condition, before which the first vehicle 1 must have reached the position P 4 of the light signal system 26.
  • the processor unit 3 of the first vehicle 1 can position the P 4 together with the switchover time as a pair of values in a new arrival data array Store x for the first vehicle 1, which, in contrast to the arrival data array, contains a maximum arrival time.
  • the processor unit 19 of the driver assistance system 16 uses the communication interface 20 to access the trajectory for the first motor vehicle 1 determined by the processor unit 3 of the MPC system 2 and performs the autonomous driving function of the first motor vehicle 1 using the trajectory for the first Motor vehicle 1 from.
  • the processor unit 3 of the MPC system 2 can also execute the autonomous driving function of the first motor vehicle 1 using the trajectory for the first motor vehicle 1.
  • the driver assistance system 16 is integrated into the MPC system 2 or the MPC system 2 forms the driver assistance system 16.
  • the longitudinal dynamics model 14 of the motor vehicle 1 can thus be expressed mathematically as follows:
  • v is the speed of the motor vehicle
  • F r is the rolling resistance force, which is an effect of deformation of the tire during rolling, and (the normal force be- tween wheel and the road), and thus the angle of inclination of the road off depends on the load of the wheels;
  • F gr is the slope resistance force, which is a longitudinal component of the
  • F d is the drag force of the motor vehicle
  • m eq is the equivalent mass of the motor vehicle
  • the equivalent mass includes in particular the inertia of the rotating parts of the drive train, which are exposed to the acceleration of the motor vehicle (engine, gearbox drive shafts, wheels).
  • the dynamics equation of the longitudinal dynamics model 14 can be linearized in that the speed is expressed by coordinate transformation using kinetic energy dewn.
  • the quadratic term for calculating the air resistance Fd is replaced by a linear term and, at the same time, the longitudinal dynamics model 14 of the motor vehicle 1 is no longer described as a function of time, as usual, but as a function of the path. This fits well with the optimization problem insofar as the forecast information of the electrical horizon is path-based.
  • the electrical energy consumption of the drive train 7 is usually described in the form of a characteristic map as a function of torque and engine speed.
  • the motor vehicle 1 has a fixed transmission ratio between the electrical machine 8 and the road on which the motor vehicle 1 is moving.
  • the speed of the electrical machine 8 can be converted directly into a speed of the motor vehicle 1 or even into a kinetic energy of the motor vehicle 1.
  • the electrical power of the electrical machine 8 can be converted into energy consumption per meter by dividing it by the corresponding speed.
  • FA Driving force which is provided by the electrical machine, is constantly translated by a transmission and is applied to a wheel of the motor vehicle
  • the cost function 15 has exclusively linear and quadratic terms.
  • the overall problem has the form of a quadratic optimization with linear constraints and a convex problem results, which can be solved quickly and easily.
  • the cost function 15 contains as a first term electrical energy Eßat weighted with a first weighting factor wsat and predicted according to the longitudinal dynamics model, which is provided by the battery 9 of the drive train 7 for driving the electrical machine 8 within a prediction horizon.
  • the cost function 15 contains as a further term a travel time T weighted with a second weighting factor WTime and predicted according to the longitudinal dynamics model 14, which the motor vehicle 1 needs to cover the predicted distance. This leads to the fact that, depending on the choice of weighting factors, a low speed is not always rated as optimal and so there is no longer the problem that the resulting speed is always at the lower limit of the permitted speed.
  • the energy consumption and travel time can be evaluated and weighted at the end of the horizon. These terms are then only active for the last point on the horizon.
  • the quadratic deviation of the Driving force per meter is weighted with a weighting factor Vienna and minimized in the cost function.
  • the torque MEM provided by the electrical machine 8 can also be used and weighted with the weighting factor WTem, so that the alternative term w Tem * results. Due to the constant ratio of the gear 10 the driving force and the torque are directly proportional to each other.
  • speed limits are hard limits that must not be exceeded. Slightly exceeding the speed limits is always permissible in reality and is more the norm, especially when passing from one speed zone to a second zone. In dynamic environments, where speed limits shift from one computing cycle to the next, it can happen that if the limits are very hard, no valid solution can be found for a speed curve.
  • a soft constraint is introduced into the cost function 15.
  • Varsiack weighted with a weighting factor Wsiack becomes active in a predetermined narrow range before the hard speed limit is reached. Solutions that are very close to this speed limit are rated worse, that is, solutions whose speed trajectory keep a certain distance from the hard limit.
  • the horizontal x-axis corresponds to the path S.
  • the discretization points of the predictive horizon are selected on this path.
  • the step profile in FIG. 6 is an illustration of a hard constraint that aligns with these points.
  • the constraint can have different dimensions.
  • the speed limit is treated as a secondary condition (the model-based predictive control must not find a solution in which the selected speed is above the speed limit).
  • the vertical y-axis corresponds to the speed and the step profile corresponds to the maximum permissible speed at the various discretization points.
  • Fig. 7 it is shown that the model-based predictive control as a result of the loading with the selected secondary conditions in the trimmed solution space (under the speed limit) seeks and finds an optimal solution (red speed profile).
  • this is transferred to the vehicle control system and implemented, which is shown by FIG. 8.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft die Ermittlung einer T rajektorie für ein erstes Fahrzeug (1 ) mittels modelbasierter prädiktiver Regelung (MPC). Dabei werden Trajektorie-Informationen über ein zweites Fahrzeug (18) verwendet, welches im Vorausbereich des ersten Fahrzeugs (1 ) fährt. Insbesondere werden Diskretisierungspunkte (P1, P2, P3) und Ankunftszeitpunkte der Fahrzeuge (1, 18) an den Diskretisierungspunkte (P1, P2, P3) genutzt, um eine Nebenbedingung für die modelbasierte prädiktive Regelung des ersten Fahrzeugs (1) zu generieren.

Description

MPC-basierte Traiektorie-Ermittlung für ein erstes Fahrzeug unter Verwendung von Traiektorie-lnformationen über ein zweites Fahrzeug
Die Erfindung betrifft die Ermittlung einer Trajektorie für ein erstes Fahrzeug mittels modelbasierter prädiktiver Regelung (Im Englischen: Model Predictive Control oder abgekürzt: MPC). Dabei werden insbesondere Trajektorie-Informationen über ein zweites Fahrzeug verwendet, welches im Vorausbereich des ersten Fahrzeugs fährt. Beansprucht werden in diesem Zusammenhang insbesondere eine Prozessoreinheit, ein Fahrerassistenzsystem, ein Fahrzeug, ein Verfahren sowie ein Computerpro- grammprodukt.
Es ist bekannt, bei Abstandsregeltempomaten (im Englischen: Adaptive Cruise Con- trol; abgekürzt: ACC) auch Effizienzkriterien bei der Planung von Geschwindig- keitstrajektorien zu berücksichtigen. Ein stark wachsender Ansatz hierbei ist die Trajektorien-Planung mit Hilfe eines sogenannten MPC-Solvers. Bei diesem Ansatz wird eine Vielzahl möglicher Trajektorien über einem virtuellen Horizont hinsichtlich Ihrer Gesamteffizienz bewertet. Hierbei können auch andere Verkehrsteilnehmer ei- nen Einfluss auf die Gesamteffizienz der letztendlich ausgewählten Trajektorie ausü- ben. Dies ist beispielsweise der Fall, wenn ein vorwegfahrendes Fahrzeug einen Bremsvorgang einleitet oder langsamer fährt und dadurch den Lösungsraum des MPC-Solvers des Ego-Fahrzeugs verkleinert, weswegen das Ego-Fahrzeug auf eine weniger optimale Trajektorie gezwungen wird. Ein grundlegendes Problem hierbei ist, dass dem Ego-Fahrzeug in der Regel nicht bekannt ist, wie sich ein vorwegfahrendes Fahrzeug verhalten wird.
Eine Aufgabe der vorliegenden Erfindung kann darin gesehen werden, eine MPC- Regelung für ein erstes Kraftfahrzeug bereitzustellen, wobei das Verhalten eines zweiten Kraftfahrzeugs berücksichtigt wird, welches vor dem ersten Fahrzeug fährt.
Die Aufgabe wird gelöst durch die Gegenstände der unabhängigen Patentansprüche. Vorteilhafte Ausführungsformen sind Gegenstand der Unteransprüche, der folgenden Beschreibung sowie der Figuren. Gemäß der vorliegenden Erfindung wird ein Austausch zwischen verschiedenen Fahrzeugen hinsichtlich ihrer geplanten Geschwindigkeitstrajektorien vorgeschlagen. Dabei kann insbesondere ein V2V-Kommunikationsprozess zur Verwendung von V2V-lnformationen in einer MPC-basierten longitudinalen Fahrstrategie zum Einsatz kommen. Unter einer V2V-Kommunikation kann ein Austausch von Informationen und Daten zwischen Fahrzeugen verstanden werden. Dabei wird das Ziel verfolgt, den Fahrzeugen und/oder deren Fahrern frühzeitig kritische und gefährliche Situatio- nen zu melden. Die V2V-lnformationen können in eine MPC-basierte Fahrstrategie integriert werden, wobei die V2V-lnformationen in Form einer Beschneidung des MPC-Lösungsraums genutzt wird. In Folge dessen wird eine verbesserte Auswahl ei- ner optimalen longitudinalen Geschwindigkeitstrajektorie ermöglicht.
Mit anderen Worten schlägt die vorliegende Erfindung vor, eine Kommunikationsstra- tegie mit anderen Verkehrsteilnehmern zu identifizieren, die eine Integration in eine modellprädiktive Regelung zulässt. Der Lösungsvorschlag kann insbesondere unter der Annahme erfolgen, dass sowohl das Ego-Fahrzeug als auch das vorwegfah- rende Fahrzeug einer longitudinalen Fahrstrategie folgen, wodurch eine Interaktion mehrerer MPC-Solver erfolgen kann. Gegenstand der Erfindung ist hierbei der Aus- tausch zwischen den verschiedenen Fahrzeugen hinsichtlich der geplanten Ge- schwindigkeitstrajektorien. Als Basis hierzu wird eine MPC-basierte Fahrstrategie herangezogen. Im Rahmen dieser Strategie wird im Ego-Fahrzeug ein virtueller Fahrthorizont generiert. Auf diesem Horizont können sogenannte harte Neben bedin- gungen eingeführt werden, welche den Lösungsraum des MPC-Solvers beschnei- den. Dies wird insbesondere durch die Angabe von minimalen Ankunftszeiten oder von maximalen Ankunftszeiten an verschiedenen sogenannten Diskretisierungspunk- ten entlang des virtuellen Horizonts erreicht.
In diesem Sinne wird gemäß einem ersten Aspekt der Erfindung eine Prozessorein- heit für ein erstes Fahrzeug bereitgestellt. Die Prozessoreinheit ist dazu eingerichtet, eine Trajektorie für das erste Fahrzeug mittels modelbasierter prädiktiver Regelung zu ermitteln, und zwar unter Verwendung von Trajektorie-lnformationen über ein zweites Fahrzeug, welches im Vorausbereich des ersten Fahrzeugs fährt. Bei dem zweiten Fahrzeug handelt es sich um ein vorwegfahrendes Fahrzeug in Bezug auf das erste Fahrzeug. Unter dem Merkmal „Trajektorie für das erste Fahrzeug“ kann ein Pfad verstanden werden, welchem das erste Fahrzeug zukünftig, z.B. innerhalb der nächsten Sekunden, folgen soll. Dem Pfad kann dabei ein Geschwindigkeitsprofil zugeordnet sein, wobei das Geschwindigkeitsprofil für jeden Wegpunkt bzw. Diskreti- sierungspunkt entlang des Pfades eine Sollgeschwindigkeit für das erste Fahrzeug vorgeben kann. Diese Zuordnung aus Pfad und Geschwindigkeit ergibt die Ge- schwindigkeitstrajektorie des ersten Fahrzeugs.
Die Prozessoreinheit für das erste Fahrzeug ist dazu eingerichtet, aus einer Gesamt- heit möglicher Diskretisierungspunkte, die innerhalb eines virtuellen Fahrthorizonts einer modelbasierten prädiktiven Regelung des ersten Fahrzeugs liegen, erste Dis- kretisierungspunkte auszuwählen und an eine Prozessoreinheit des zweiten Fahr- zeugs zu übermitteln, wobei die ausgewählten ersten Diskretisierungspunkte nicht hinter dem zweiten Fahrzeug liegen.
Die Diskretisierungspunkte stellen insbesondere Wegpunkte innerhalb des virtuellen Fahrthorizonts dar, insbesondere in einem Vorausbereich des Fahrzeugs. Unter dem virtuellen Fahrthorizont kann insbesondere ein Prädiktionshorizont der model basier- ten prädiktiven Regelung des ersten Fahrzeugs verstanden werden. In einem ersten Selektionsschritt werden diejenigen Diskretisierungspunkte, die hinter dem zweiten Fahrzeug liegen, durch die Prozessoreinheit des ersten Fahrzeugs aussortiert. Das Aussortieren der Diskretisierungspunkte kann über eine Distanz zwischen dem ers- ten Fahrzeug und dem zweiten Fahrzeug erfolgen. Die ausgewählten ersten Diskreti- sierungspunkte werden an die Prozessoreinheit des zweiten Fahrzeugs übermittelt.
Die ausgewählten ersten Diskretisierungspunkte liegen vor einem hinteren Ende des zweiten Fahrzeugs. Das hintere Ende des zweiten Fahrzeugs kann einen heckseiti- gen Abschluss des zweiten Fahrzeugs bilden. Das hintere Ende des zweiten Fahr- zeugs kann beispielsweise eine Stoßstange am Heck des zweiten Fahrzeugs sein. Die ersten Diskretisierungspunkte können weiterhin sowohl vor dem hinteren Ende als auch einem vorderen Ende des zweiten Fahrzeugs liegen, wobei das vordere Ende des zweiten Fahrzeugs einen bugseitigen bzw. frontseitigen Abschluss des zweiten Fahrzeugs bilden kann. Die ersten Diskretisierungspunkte können ferner zwi- schen dem hinteren Ende und dem vorderen Ende des zweiten Fahrzeugs liegen.
Nachdem die Prozessoreinheit des ersten Fahrzeugs die ersten Diskretisierungs- punkte ausgewählt hat, kann sie die ausgewählten ersten Diskretisierungspunkte an die Prozessoreinheit des zweiten Fahrzeugs übermitteln. Dazu kann die Prozesso- reinheit des ersten Fahrzeugs beispielsweise eine entsprechend eingerichtete Kom- munikationsschnittstelle umfassen, welche umgekehrt auch das Empfangen von Da- ten ermöglicht, insbesondere von der Prozessoreinheit des zweiten Fahrzeugs, wie im Folgenden näher beschrieben wird.
Die Prozessoreinheit des ersten Fahrzeugs ist dazu eingerichtet, von der Prozesso- reinheit des zweiten Fahrzeugs für von der zweiten Prozessoreinheit aus den ersten Diskretisierungspunkten ausgewählte zweite Diskretisierungspunkte jeweils eine von der Prozessoreinheit des zweiten Fahrzeugs ermittelte Ankunftszeit des zweiten Fahrzeugs an dem betreffenden zweiten Diskretisierungspunkt zu erhalten, wobei sämtliche ausgewählte zweite Diskretisierungspunkte vor dem zweiten Fahrzeug lie- gen.
Die Prozessoreinheit des zweiten Fahrzeugs kann eine Kommunikationsschnittstelle umfassen, mittels welcher die ausgewählten ersten Diskretisierungspunkte von der Prozessoreinheit des ersten Fahrzeugs empfangen und die vorstehend genannten Ankunftszeiten des zweiten Fahrzeugs an den zweiten Diskretisierungspunkten so- wie Informationen über die Länge des zweiten Fahrzeugs an die erste Prozessorein- heit übermittelt werden können. Die Prozessoreinheit des zweiten Fahrzeugs wählt aus den ersten Diskretisierungspunkten diejenigen Diskretisierungspunkte aus, die vor dem zweiten Fahrzeug liegen. Dazu kann die Prozessoreinheit des zweiten Fahr- zeugs auf Informationen über die Länge des zweiten Fahrzeugs zugreifen, wobei die Länge beispielsweise auf das hintere Ende des zweiten Fahrzeugs addiert werden kann. Weiterhin ermittelt die Prozessoreinheit des zweiten Fahrzeugs für jeden der ausgewählten zweiten Diskretisierungspunkte eine Ankunftszeit des zweiten Fahr- zeugs, also wann das zweite Fahrzeug an dem betreffenden zweiten Diskretisie- rungspunkt ankommt. Die Länge des zweiten Fahrzeugs sowie die durch die Prozes- soreinheit des zweiten Fahrzeugs ausgewählten zweiten Diskretisierungspunkte samt zugehöriger Ankunftszeiten können an die Prozessoreinheit des ersten Fahr- zeugs übermittelt werden.
Die Prozessoreinheit des ersten Fahrzeugs ist wiederum dazu eingerichtet, einen Trajektorie-Datensatz für das erste Fahrzeug zu generieren. Der Trajektorie-Daten- satz enthält die von der zweiten Prozessoreinheit aus den ersten Diskretisierungs- punkten ausgewählten zweiten Diskretisierungspunkte und die von der zweiten Pro- zessoreinheit ermittelten Ankunftszeiten des zweiten Fahrzeugs an den betreffenden zweiten Diskretisierungspunkten. Der Trajektorie-Datensatz enthält weiterhin genullte Wertepaare, wobei die genullten Wertepaare jeweils einen nicht vor dem zweiten Fahrzeug liegenden ersten Diskretisierungspunkt sowie den Wert null Sekunden ent- halten. Es werden somit die von der Prozessoreinheit des zweiten Fahrzeugs gene- rierten ermittelten Ankunftszeiten des zweiten Fahrzeugs an den zweiten Diskretisie- rungspunkten für den Trajektorie-Datensatz des ersten Fahrzeugs wiederverwendet. Diese Werte müssen aber noch um diejenigen Diskretisierungspunkte ergänzt wer- den, die zwischen dem vorausfahrenden und dem Ego Fahrzeug liegen, so dass ein MPC-Algorithmus in der Lage ist, sie zu verarbeiten.
Die Prozessoreinheit des ersten Fahrzeugs ist dazu eingerichtet, durch Ausführen ei- nes entsprechenden MPC-Algorithmus‘, welcher ein Längsdynamikmodell des ersten Fahrzeugs und eine zu minimierende Kostenfunktion enthält, mittels modelbasierter prädiktiver Regelung eine Trajektorie für das erste Fahrzeug zu ermitteln, sodass die Kostenfunktion minimiert wird, wobei bei der Ermittlung der Trajektorie der Trajekto- rie-Datensatz als Nebenbedingung berücksichtigt wird. Aus dem Trajektorie-Daten- satz kann wenigstens eine Nebenbedingung für die modellbasierte prädiktive Rege- lung ermittelt werden, wobei die Nebenbedingung das Fahrverhalten des vorausfah- renden Fahrzeugs beschreibt. Durch diese Nebenbedingung wird der Lösungsraum der modellbasierten prädiktiven Regelung beschnitten. Die Prozessoreinheit des ers- ten Fahrzeugs ist somit dazu eingerichtet, den Trajektorie-Datensatz als Nebenbe- dingung zu berücksichtigen, wenn sie (d.h. die Prozessoreinheit des ersten Fahr- zeugs) einen MPC-Algorithmus ausführt und dadurch eine Trajektorie für das erste Fahrzeug ermitelt. Der Trajektorie-Datensatz, welcher die Trajektorie des vorwegfah- renden Fahrzeugs beschreibt, kann der MPC-Logik als harte Nebenbedingung vor- gegeben werden. Unter einer harten Nebenbedingung kann eine Nebenbedingung verstanden werden, welche bei der Ermittlung der Trajektorie für das erste Fahrzeug zwingend eingehalten werden muss. Auf dem virtuellen Fahrthorizont können die harten Nebenbedingungen eingeführt werden, sodass der Lösungsraum des MPC- Solvers beschnitten wird. Dies kann - wie im Folgenden näher beschrieben wird - beispielsweise durch die Angabe von minimalen Ankunftszeiten oder von maximalen Ankunftszeiten an den verschiedenen Diskretisierungspunkten entlang des virtuellen Fahrthorizonts erreicht werden.
Mit anderen Worten kann der Trajektorie-Datensatz an eine MPC-Logik zur Planung einer optimalen Fahrttrajektorie des ersten Fahrzeugs weitergegeben werden. Die MPC-Logik plant unter Betrachtung der Routentopologie, des Verkehrs sowie weite- rer Umweltinformationen eine optimale Geschwindigkeitstrajektorie für das erste Fahrzeug für den vorausliegenden Streckenabschnitt. Bei der Identifizierung dieser Geschwindigkeitstrajektorie kann nun der verkleinerte bzw. beschnitene Lösungs- raum als Basis genutzt werden. Anders ausgedrückt kann die Geschwindig- keitstrajektorie für das erste Fahrzeug unter Betrachtung der Wertepaare innerhalb des Trajektorie-Datensatzes, welcher die Trajektorie des vorwegfahrenden Fahr- zeugs beschreibt, verfeinert und dadurch verbessert werden. Auf diese Weise ist auch eine integrierte Optimierung verschiedener Freiheitsgrade möglich, was zu ei- nem gesamtheitlich optimalen Fahrverhalten führt. Der beschriebene Vorgang kann in einer vorab festgelegten Taktzeit wiederholt werden. Dadurch kann sichergestellt werden, dass jederzeit die neuesten Fahrinformationen des vorwegfahrenden zwei- ten Fahrzeugs für die Planung der Trajektorie des ersten Fahrzeugs verwendet wer- den.
Die Methode der modelbasierten prädiktiven Regelung (MPC) ermöglicht, in jeder Si- tuation unter gegebenen Randbedingungen und Beschränkungen eine optimale Lö- sung für eine sogenannte „Driving Efficiency“ Fahrfunktion zu finden, welche eine ef- fiziente Fahrweise bereitstellt. Die MPC-Methode basiert auf einem Systemmodell, in der vorliegenden Erfindung auf einem Längsdynamikmodell des ersten Fahrzeugs, welches das Verhalten des Systems beschreibt. Weiterhin basiert die MPC-Methode auf einer Zielfunktion bzw. auf einer Kostenfunktion, die ein Optimierungsproblem be- schreibt und bestimmt, welche Zustandsgrößen minimiert werden sollen.
Das Längsdynamikmodell kann einen Antriebsstrang des Fahrzeugs abbilden und ein Fahrzeugmodell mit Fahrzeugparametern und Antriebsstrangverlusten (z.T. ap- proximierte Kennfelder) umfassen. In das Längsdynamikmodell des Antriebsstrangs können weiterhin Kenntnisse über vorausliegende Streckentopografien (z.B. Kurven und Steigungen) einfließen. Weiterhin können auch Kenntnisse über Geschwindig- keitslimits auf der vorausliegenden Strecke in das Dynamikmodell des Antriebs- strangs einfließen. Der MPC-Algorithmus kann einen MPC-Solver in Form eines Soft- ware-Moduls umfassen. Der MPC-Solver kann Anweisungen oder Programmcode enthalten, wodurch die Prozessoreinheit angewiesen wird, in Abhängigkeit von dem Längsdynamikmodell insbesondere des ersten aber auch des zweiten Fahrzeugs die Trajektorie des betreffenden Fahrzeugs derart zu ermitteln, dass die Kostenfunktion minimiert wird.
Die Prozessoreinheit kann die optimierte Trajektorie des ersten Fahrzeugs an ein Softwaremodul („Target Generator“) weitergeben. Mittels dieses Software-Moduls kann die Prozessoreinheit die mathematisch-optimale Beplanung aller zur Verfügung stehenden Freiheitsgrade in tatsächlich verwertbare Komponentensignale konvertie- ren. Als Beispiel kann durch die modelbasierte prädiktive Regelung eine Geschwin- digkeitstrajektorie des ersten Fahrzeugs für die nächsten 5000m optimal geplant wer- den. In diesem Fall würde der Target Generator den ersten (=aktuell benötigten) Ge- schwindigkeitswert dieser Trajektorie beispielsweise in ein Bedarfsdrehmoment einer elektrischen Maschine des ersten Fahrzeugs „übersetzen“. Mit diesem Wert kann die Komponentensoftware dann arbeiten und die gewollte Geschwindigkeit einregeln.
Gemäß einer weiteren Ausführungsform enthält ein erster Term der Kostenfunktion eine mit einem ersten Gewichtungsfaktor gewichtete und gemäß dem Dynamikmo- dell prädizierte elektrische Energie, welche innerhalb eines Prädiktionshorizonts von einer Batterie des Antriebsstrangs des ersten Fahrzeugs zum Antrieb der elektri- schen Maschine bereitgestellt wird. Weiterhin kann die Kostenfunktion als zweiten Term eine mit einem zweiten Gewichtungsfaktor gewichtete und gemäß dem Längs- dynamikmodell prädizierte Fahrzeit enthalten, welche das erste Fahrzeug zum Zu- rücklegen der gesamten innerhalb des Prädiktionshorizonts prädizierten Wegstrecke benötigt. Die Prozessoreinheit kann dazu eingerichtet sein, durch Ausführen des MPC-Algorithmus‘ in Abhängigkeit von dem ersten Term und in Abhängigkeit von dem zweiten Term eine Eingangsgröße für die elektrische Maschine zu ermitteln, so- dass die Kostenfunktion minimiert wird.
Die Zustandsgrößen für die Driving Efficiency Fahrfunktion können somit beispiels- weise die Fahrzeuggeschwindigkeit bzw. die kinetische Energie, die verbleibende Energie in der Batterie und die Fahrzeit sein. Die Optimierung von Energieverbrauch und Fahrtzeit kann beispielsweise auf Basis der Steigung der vorausliegenden Stre- cke und Beschränkungen für Geschwindigkeit und Antriebskraft erfolgen, sowie auf Basis des aktuellen Systemzustands. Mittels der Zielfunktion bzw. mittels der Kosten- funktion der Driving Efficiency Fahrstrategie kann zusätzlich zum Gesamtverlust oder Energieverbrauch auch die Fahrzeit minimiert werden. Dies führt dazu, dass je nach Wahl der Gewichtungsfaktoren eine geringe Geschwindigkeit nicht immer als optimal bewertet wird und so nicht mehr das Problem besteht, dass die resultierende Ge- schwindigkeit immer am unteren Rand der erlaubten Geschwindigkeit liegt. Es wird ermöglicht, dass der Fahrereinfluss nicht länger relevant für den Energieverbrauch und die Fahrzeit des ersten Fahrzeugs ist, weil die elektrische Maschine durch die Prozessoreinheit basierend auf der Eingangsgröße gesteuert werden kann, die durch Ausführen des MPC-Algorithmus ermittelt wird. Mittels der Eingangsgröße kann ins- besondere ein optimaler Motorbetriebspunkt der elektrischen Maschine eingestellt werden. Dadurch kann eine direkte Einregelung der optimalen Geschwindigkeit des ersten Fahrzeugs erfolgen.
Die Kostenfunktion kann insbesondere ausschließlich lineare und quadratische Terme aufweisen. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit linearen Nebenbedingungen und es ergibt sich ein konvexes Prob- lem, welches gut und schnell gelöst werden kann. Die Zielfunktion bzw. die Kosten- funktion kann mit einer Gewichtung (Gewichtungsfaktoren) aufgestellt werden, wobei insbesondere eine Energieeffizienz, eine Fahrtzeit und ein Fahrkomfort berechnet und gewichtet werden. Eine energieoptimale Geschwindigkeitstrajektorie kann für ei- nen vorausliegenden Horizont auf der Prozessoreinheit online berechnet werden, die insbesondere ein Bestandteil eines Zentral-Steuergeräts des ersten Fahrzeugs bil- den kann. Durch Nutzung der MPC-Methode kann weiterhin eine zyklische Neube- rechnung der Soll-Geschwindigkeit des ersten Fahrzeugs auf Basis des aktuellen Fahrzustands und der vorausliegenden Streckeninformationen erfolgen.
Aktuelle Zustandsgrößen können gemessen, entsprechende Daten können aufge- nommen und dem MPC-Algorithmus zugeführt werden. So können Streckendaten aus einer elektronischen Karte für einen Vorausschau horizont bzw. Prädiktionshori- zont (z.B. 400 m) vor dem ersten Fahrzeug insbesondere zyklisch upgedated bzw. aktualisiert werden. Die Streckendaten können beispielsweise Steigungsinformatio- nen, Kurveninformationen, und Informationen über Geschwindigkeitslimits beinhal- ten. Des Weiteren kann eine Kurvenkrümmung über eine maximal zulässige Querbe- schleunigung in ein Geschwindigkeitslimit für das erste Fahrzeug umgerechnet wer- den. Außerdem kann eine Ortung des ersten Fahrzeugs erfolgen, insbesondere über ein GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte.
In einer Ausführungsform legen die von der Prozessoreinheit des zweiten Fahrzeugs ermittelte Ankunftszeiten des zweiten Fahrzeugs an den ausgewählten zweiten Dis- kretisierungspunkten minimale Zeiträume fest, vor deren Ablauf das erste Fahrzeug den betreffenden zweiten Diskretisierungspunkt nicht erreichen darf. Ein betreffender minimaler Zeitraum legt fest, dass das Fahrzeug nicht vor Ablauf des minimalen Zeit- raums an dem Wegpunkt bzw. Diskretisierungspunkt ankommen darf, welcher dem minimalen Zeitraum zugeordnet ist. Auf diese Weise wird der Lösungsraum für den Solver entsprechend der Umweltbedingungen eingeschränkt. In einem einfachen Beispiel kann die Prozessoreinheit ermitteln, dass sich das erste Fahrzeug zu einem ersten Zeitpunkt (beispielsweise zu einem aktuellen Zeitpunkt) an einem ersten Dis- kretisierungspunkt (beispielsweise der aktuelle Diskretisierungspunkt) befindet und zu einem zweiten Zeitpunkt (beispielsweise 5s später) an einem 50m weiter entfern- ten Diskretisierungspunkt. Die Prozessoreinheit des zweiten Fahrzeugs kann nun eine erste Ankunftszeit für das zweite Fahrzeug an dem ersten Diskretisierungspunkt und eine zweite Ankunfts- zeit des zweiten Fahrzeugs an dem zweiten Diskretisierungspunkt ermitteln. Die er- mittelte erste Ankunftszeit kann beispielsweise 0 Sekunden betragen, und die ermit- telte zweite Ankunftszeit kann 5 Sekunden in der Zukunft liegen. Diese Ankunftszei- ten können minimale Ankunftszeiten sein, d.h. vor der ermittelten ersten minimalen Ankunftszeit (bzw. vor Ablauf eines entsprechend langen minimalen ersten Zeitraums bis zur ermittelten ersten Ankunftszeit) darf das erste Fahrzeug nicht an dem ersten Diskretisierungspunkt ankommen. Auf ähnliche Weise darf - im Falle einer ermittel- ten minimalen zweiten Ankunftszeit - das erste Fahrzeug vor der ermittelten zweiten minimalen Ankunftszeit (bzw. vor Ablauf eines entsprechend langen minimalen zwei- ten Zeitraums bis zur ermittelten ersten Ankunftszeit, z.B. 5 Sekunden) nicht an dem zweiten Diskretisierungspunkt ankommen. Der MPC-Solver darf keine Trajektorie für das erste Fahrzeug wählen, gemäß welcher das erste Fahrzeug zeitgleich oder vor dem vorausfahrenden zweiten Fahrzeug an dem betreffenden Wegpunkt bzw. Dis- kretisierungspunkt ankommt, da sonst die Gefahr bestünde, dass das erste Fahrzeug in das zweite Fahrzeug hineinfährt (Kollision). In anderen Worten wird festgelegt, dass sich das erste Fahrzeug mindestens 5 Sekunden Zeit lassen soll, um bis zum 50 m weiter entfernten zweiten Wegpunkt zu gelangen, um eine Kollision mit dem zweiten Fahrzeug zu vermeiden.
In einer weiteren Ausführungsform ist die Prozessoreinheit des ersten Fahrzeugs dazu eingerichtet, aus der Gesamtheit möglicher Diskretisierungspunkte diejenigen ersten Diskretisierungspunkte auszuwählen, deren Abstand zu dem ersten Fahrzeug größer ist als eine Distanz zwischen dem ersten Fahrzeug und dem zweiten Fahr- zeug. Beispielsweise kann das hintere Ende des zweiten Fahrzeugs durch einen Sensor des ersten Fahrzeugs erkannt werden, z.B. durch einen Radar-Sensor. Das hintere Ende des zweiten Fahrzeugs kann alternativ oder zusätzlich durch die Be- stimmung einer Position des zweiten Fahrzeugs ermittelt werden, z.B. basierend auf einer satellitengestützten Positionsbestimmung wie GPS. Diese Positionsbestim- mung kann durch das zweite Fahrzeug durchgeführt werden, beispielsweise durch die Prozessoreinheit des zweiten Fahrzeugs. Auf ähnliche Weise kann auch die Pro- zessoreinheit des ersten Fahrzeugs dessen Position bestimmen. Die Prozessorein- heit des ersten Fahrzeugs kann dazu eingerichtet sein, auf die bestimmte Position des zweiten Fahrzeugs zuzugreifen sowie aus der Position des zweiten Fahrzeugs und der Position des ersten Fahrzeugs eine Distanz zwischen dem ersten und dem zweiten Fahrzeug zu ermitteln.
Weiterhin kann die Prozessoreinheit des ersten Fahrzeugs dazu eingerichtet sein, In- formationen über die Länge des zweiten Fahrzeugs von der zweiten Prozessoreinheit des zweiten Fahrzeugs zu empfangen, aus den ersten Diskretisierungspunkten dieje- nigen dritten Diskretisierungspunkte auszuwählen, deren Abstand zu dem ersten Fahrzeug kleiner ist als die Summe aus der Länge des Fahrzeugs und der Distanz zwischen dem ersten Fahrzeug und dem zweiten Fahrzeug, und jedem der dritten Diskretisierungspunkte jeweils den Wert null zuzuordnen und als weitere genullte Wertepaare in dem Trajektorie-Datensatz zu speichern. Diese Ausführungsform er- möglicht, dass alle Diskretisierungspunkte gelöscht werden, die nicht vor beiden Fahrzeugen liegen. Diese Ausführungsform ermöglicht eine deutliche Einsparung von Rechenaufwand als z.B. ein Verfahren, welches „Filter and Replace/Remove“ anwendet. Rechenzeit ist bei einer Optimierung per modellbasierter prädiktiver Rege- lung sehr wichtig, da die Qualität der gefundenen Lösung direkt von der verfügbaren Rechenkapazität des MPC-Solvers abhängt.
In einer weiteren Ausführungsform ist die Prozessoreinheit des ersten Fahrzeugs dazu eingerichtet, eine Position und einen Umschalt-Zeitpunkt von der Prozessorein- heit einer Lichtsignalanlage zu empfangen, welche im Vorausbereich des ersten Fahrzeugs liegt, wobei der Umschalt-Zeitpunkt angibt, wann die Lichtsignalanlage von einem ersten Wechsellichtzeichen (z.B. „grün“) auf ein zweites Wechsellichtzei- chen (z.B. „rot“) wechselt. Bei der Lichtsignalanlage handelt es sich insbesondere um eine Ampelanlage. Die Ampelanlage kann dazu eingerichtet sein, Wechsellichtzei- chen zu geben, z.B. „rot“, „grün“ und optional „gelb“ oder „rot und gelb“. Die Prozes- soreinheit des ersten Fahrzeugs ist dazu eingerichtet, die Position und den Um- schalt-Zeitpunkt der Lichtsignalanlage dem Trajektorie-Datensatz für das erste Fahr- zeug hinzuzufügen. Die Prozessoreinheit des zweiten Fahrzeugs kann eine Kommu- nikationsschnittstelle umfassen, mittels welcher die Position der Lichtsignalanlage und der Umschaltzeitpunkt an die erste Prozessoreinheit übermittelt werden können.
Der von der Prozessoreinheit der Lichtsignalanlage empfangene Umschalt-Zeitpunkt der Lichtsignalanlage kann insbesondere einen maximalen Zeitraum festlegen, vor dessen Ablauf das erste Fahrzeug die Position erreicht haben muss, an der sich die Lichtsignalanlage befindet. Der maximale Zeitraum legt fest, dass das Fahrzeug nicht nach Ablauf des maximalen Zeitraums an dem Wegpunkt bzw. Diskretisierungspunkt ankommen darf, welcher dem maximalen Zeitraum zugeordnet ist. Auf diese Weise wird der Lösungsraum für den Solver entsprechend der Umweltbedingungen einge- schränkt. Die Ampel kann beispielsweise an einem 50m entfernten Wegpunkt bzw. Diskretisierungspunkt stehen und noch für einen maximalen Zeitraum von 20s das Wechsellichtzeichen „grün“ geben. In diesem Fall kann der maximale Zeitraum bei- spielsweise auf 20 Sekunden festgelegt werden. Das bedeutet, dass der MPC-Solver keine Trajektorie für das erste Fahrzeug ermitteln und auswählen darf, gemäß wel- cher das erste Fahrzeug länger als 20s braucht, um bis zur Ampel zu fahren, da an- sonsten die Gefahr bestünde, dass das erste Fahrzeug über die rote Ampel fährt.
Gemäß einem zweiten Aspekt der Erfindung wird ein Fa hrerassistenzsystem zur Ausführung einer Fahrerassistenzfunktion eines ersten Fahrzeugs bereitgestellt, wo- bei das Fahrerassistenzsystem dazu eingerichtet ist,
- auf eine von einer Prozessoreinheit gemäß dem ersten Aspekt der Erfindung ermit- telte Trajektorie für das erste Fahrzeug zuzugreifen, und
- eine Fahrerassistenzfunktion des ersten Fahrzeugs unter Verwendung der Trajekto- rie für das erste Fahrzeug auszuführen.
Die Fahrerassistenzfunktion beinhaltet eine autonome oder eine teilautonome Fahr- funktion, Die autonome Fahrfunktion ermöglicht, dass das Fahrzeug selbstständig fährt, d.h. ohne, dass ein Fahrzeuginsasse das Fahrzeug steuert. Der Fahrer hat die Kontrolle über das Fahrzeug an das Fahrerassistenzsystem abgegeben. So umfasst die autonome Fahrfunktion, dass das Fahrzeug - insbesondere mittels der Prozesso- reinheit zur Ermittlung der Trajektorie des Fahrzeugs oder der Prozessoreinheit des Fahrerassistenzsystems - dazu eingerichtet ist, beispielsweise Lenk-, Blink-, Be- schleunigungs- und Bremsmanöver ohne menschliches Eingreifen durchzuführen so- wie insbesondere Außenlicht und Signalgebung wie Blinker des Fahrzeugs zu steu- ern. Unter der teilautonomen Fahrfunktionen kann eine Fahrfunktionen verstanden werden, die einen Fahrer des Fahrzeugs bei der Steuerung des Fahrzeugs unter- stützt, insbesondere bei Lenk-, Blink-, Beschleunigungs- und Bremsmanövern, wobei der Fahrer weiterhin die Kontrolle über das Fahrzeug hat.
Gemäß einem dritten Aspekt der Erfindung wird ein erstes Fahrzeug bereitgestellt, das eine Prozessoreinheit gemäß dem ersten Aspekt der Erfindung und ein Fahrer- assistenzsystem gemäß dem zweiten Aspekt der Erfindung umfasst. Bei dem Fahr- zeug handelt es sich insbesondere um ein Kraftfahrzeug, beispielsweise um ein Au- tomobil (z.B. ein Personenkraftfahrwagen mit einem Gewicht von weniger als 3,5 t), Motorrad, Motorroller, Moped, Fahrrad, E-Bike, Bus oder Lastkraftwagen (z.B. mit ei- nem Gewicht von über 3,5 t), oder aber auch um ein Schienenfahrzeug, ein Schiff, ein Luftfahrzeug wie Helikopter oder Flugzeug. Auch in kleinen, leichten elektrischen Kraftfahrzeugen der Mikromobilität kann die Erfindung eingesetzt werden, wobei diese Kraftfahrzeuge insbesondere im städtischen Verkehr und für die erste und letzte Meile im ländlichen Raum genutzt werden. Unter der ersten und letzten Meile können alle Strecken und Wege verstanden werden, die sich im ersten und letzten Glied einer Mobilitätskette befinden. Das ist zum Beispiel der Weg von Zuhause zum Bahnhof oder die Strecke vom Bahnhof zum Arbeitsplatz. Mit anderen Worten ist die Erfindung in allen Bereichen des T ransportwesens wie Automotive, Aviation, Nautik, Astronautik etc. einsetzbar.
Gemäß einem vierten Aspekt der Erfindung wird ein Verfahren zur Ermittlung einer Trajektorie für ein erstes Fahrzeug mittels modelbasierter prädiktiver Regelung unter Verwendung von Trajektorie-Informationen über ein zweites Fahrzeug bereitgestellt, welches im Vorausbereich des ersten Fahrzeugs fährt. Das Verfahren umfasst die folgenden Schritte
- Auswählen erster Diskretisierungspunkte aus einer Gesamtheit möglicher Diskreti- sierungspunkte, die innerhalb eines virtuellen Fahrthorizonts einer modelbasierten prädiktiven Regelung des ersten Fahrzeugs liegen, wobei das Auswahlen mittels ei- ner Prozessoreinheit des ersten Fahrzeugs erfolgt, und wobei die ausgewählten ers- ten Diskretisierungspunkte vor einem hinteren Ende des zweiten Fahrzeugs liegen,
- Übermitteln der ausgewählten ersten Diskretisierungspunkte an eine Prozessorein- heit des zweiten Fahrzeugs mittels der Prozessoreinheit des ersten Fahrzeugs,
- Auswählen zweiter Diskretisierungspunkte aus den ersten Diskretisierungspunkte mittels der Prozessoreinheit des zweiten Fahrzeugs, wobei sämtliche ausgewählte zweite Diskretisierungspunkte vor dem zweiten Fahrzeug liegen,
- Generieren ausgewählter Wertepaare mittels der Prozessoreinheit des zweiten Fahrzeugs, wobei die ausgewählten Wertepaare jeweils einen der ausgewählten zweiten Diskretisierungspunkt und eine von der Prozessoreinheit des zweiten Fahr- zeugs ermittelte Ankunftszeit des zweiten Fahrzeugs an dem ausgewählten zweiten Diskretisierungspunkt enthalten,
- Auswählen zweiter Diskretisierungspunkte aus den ersten Diskretisierungspunkten mittels der Prozessoreinheit des zweiten Fahrzeugs, sodass sämtliche ausgewählte zweite Diskretisierungspunkte vor dem zweiten Fahrzeug liegen,
- Ermitteln einer Ankunftszeit des zweiten Fahrzeugs an jedem der ausgewählten zweiten Diskretisierungspunkte mittels der Prozessoreinheit des zweiten Fahrzeugs,
- Übermitteln der Ankunftszeit des zweiten Fahrzeugs an jedem der ausgewählten zweiten Diskretisierungspunkte mittels der Prozessoreinheit des zweiten Fahrzeugs,
- Generieren eines Trajektorie-Datensatzes für das erste Fahrzeug mittels der Pro- zessoreinheit des ersten Fahrzeugs, wobei der Trajektorie-Datensatz die von der zweiten Prozessoreinheit aus den ersten Diskretisierungspunkten ausgewählten zweiten Diskretisierungspunkte und die von der zweiten Prozessoreinheit ermittelten Ankunftszeiten des zweiten Fahrzeugs an den betreffenden zweiten Diskretisierungs- punkten enthält, und wobei der Trajektorie-Datensatz weiterhin genullte Wertepaare enthält, wobei die genullten Wertepaare jeweils einen nicht vor dem zweiten Fahr- zeug liegenden ersten Diskretisierungspunkt sowie den Wert null Sekunden enthal- ten, und
- Ermitteln einer Trajektorie für das erste Fahrzeug durch Ausführen eines MPC-AI- gorithmus', welcher ein Längsdynamikmodell des ersten Fahrzeugs und eine zu mini- mierende Kostenfunktion enthält, mittels modelbasierter prädiktiver Regelung, so- dass die Kostenfunktion minimiert wird, wobei bei der Ermittlung der Trajektorie der Trajektorie-Datensatz als Nebenbedingung berücksichtigt wird und wobei das Ermit- teln der Trajektorie mittels der Prozessoreinheit des ersten Fahrzeugs erfolgt.
Gemäß einem fünften Aspekt der Erfindung wird ein Computerprogrammprodukt zur Ermittlung einer Trajektorie für ein erstes Fahrzeug mittels modelbasierter prädiktiver Regelung unter Verwendung von Trajektorie-Informationen über ein zweites Fahr- zeug bereitgestellt, wobei das Computerprogrammprodukt, wenn es auf einer Pro- zessoreinheit des ersten Fahrzeugs ausgeführt wird, die Prozessoreinheit anleitet,
- aus einer Gesamtheit möglicher Diskretisierungspunkte, die innerhalb eines virtuel- len Fahrthorizonts einer modelbasierten prädiktiven Regelung des ersten Fahrzeugs liegen, erste Diskretisierungspunkte auszuwählen und an eine Prozessoreinheit des zweiten Fahrzeugs zu übermitteln, welches im Vorausbereich des ersten Fahrzeugs fährt, wobei die ausgewählten ersten Diskretisierungspunkte vor einem hinteren Ende des zweiten Fahrzeugs liegen,
- von der Prozessoreinheit des zweiten Fahrzeugs für von der zweiten Prozessorein- heit aus den ersten Diskretisierungspunkten ausgewählte zweite Diskretisierungs- punkte jeweils eine von der Prozessoreinheit des zweiten Fahrzeugs ermittelte An- kunftszeit des zweiten Fahrzeugs an dem betreffenden zweiten Diskretisierungspunkt zu erhalten, wobei sämtliche ausgewählte zweite Diskretisierungspunkte vor dem zweiten Fahrzeug liegen,
- einen Trajektorie-Datensatz für das erste Fahrzeug zu generieren, wobei der
Trajektorie-Datensatz die von der zweiten Prozessoreinheit aus den ersten Diskreti- sierungspunkten ausgewählten zweiten Diskretisierungspunkte und die von der zwei- ten Prozessoreinheit ermittelten Ankunftszeiten des zweiten Fahrzeugs an den be- treffenden zweiten Diskretisierungspunkten enthält, und wobei der Trajektorie-Daten- satz weiterhin genullte Wertepaare enthält, wobei die genullten Wertepaare jeweils einen nicht vor dem zweiten Fahrzeug liegenden ersten Diskretisierungspunkt sowie den Wert null Sekunden enthalten, und
- durch Ausführen eines MPC-Algorithmus‘, welcher ein Längsdynamikmodell des ersten Fahrzeugs und eine zu minimierende Kostenfunktion enthält, mittels modelba- sierter prädiktiver Regelung eine Trajektorie für das erste Fahrzeug zu ermitteln, so- dass die Kostenfunktion minimiert wird, wobei bei der Ermittlung der Trajektorie der Trajektorie-Datensatz als Nebenbedingung berücksichtigt wird. Die Ausführungen im Zusammenhang mit der Prozessoreinheit gemäß dem ersten Aspekt der Erfindung gelten sinngemäß auch für das Fahrerassistenzsystem gemäß dem zweiten Aspekt der Erfindung, für das erste Fahrzeug gemäß dem dritten As- pekt der Erfindung, für das Verfahren gemäß dem vierten Aspekt der Erfindung und für das Computerprogrammprodukt gemäß dem fünften Aspekt der Erfindung.
Im Folgenden werden Ausführungsbeispiele der Erfindung anhand der schemati- schen Zeichnung näher erläutert, wobei gleiche oder ähnliche Elemente mit dem glei- chen Bezugszeichen versehen sind. Hierbei zeigt
Fig. 1 eine schematische Darstellung eines ersten Fahrzeugs,
Fig. 2 eine Draufsicht auf ein zweites Fahrzeug, welches vor dem ersten Fahrzeug nach Fig. 2 auf einem ersten Streckenabschnitt einer Straße fährt,
Fig. 3 Vektoren zu einem ersten Diskretisierungspunkt zwischen dem ersten Fahr- zeug und dem zweiten Fahrzeug aus Fig. 2,
Fig. 4 Vektoren zu einem zweiten Diskretisierungspunkt im Bereich des zweiten Fahrzeugs aus Fig. 2,
Fig. 5 Vektoren zu einem dritten Diskretisierungspunkt vor dem zweiten Fahrzeug aus Fig, 2 und
Fig. 6 schematische Darstellungen einer Beschneidung des Lösungsraums und bis 8 eine anschließende Optimierung mittels einer modellbasierten prädiktiven Regelung.
Fig. 1 zeigt ein erstes Fahrzeug 1. In dem gezeigten Ausführungsbeispiel handelt es sich bei dem ersten Fahrzeug 1 um ein Kraftfahrzeug, z.B. um einen Personenkraft- fahrwagen. Das erste Fahrzeug 1 umfasst ein M PC -System 2 zur Ermittlung einer Trajektorie für das erste Fahrzeug 1 mittels modelbasierter prädiktiver Regelung un- ter Verwendung von Trajektorie-Informationen überein zweites Fahrzeug 18, das in Fig. 2 dargestellt ist, wobei das zweite Fahrzeug 18 vor dem ersten Fahrzeug 1 fährt. Auch bei dem zweiten Fahrzeug 18 handelt es sich in dem gezeigten Ausführungs- beispiel um ein Kraftfahrzeug, z.B. ebenfalls um einen Personenkraftfahrwagen. Das erste Kraftfahrzeug 1 umfasst weiterhin ein Fahrerassistenzsystem 16 mit einer Pro- zessoreinheit 19 und mit einer Kommunikationsschnittstelle 20. Das zweite Fahrzeug 18 kann die gleichen Elemente und Funktionen aufweisen wie das erste Fahrzeug 1.
Das MPC-System 2 umfasst in dem gezeigten Au sf üh rungsbeispiel eine Prozesso- reinheit 3, eine Speichereinheit 4, eine Kommunikations-Schnittstelle 5 und eine Er- fassungseinheit 6 zur Erfassung von das erste Kraftfahrzeug 1 betreffenden Umge- bungsdaten und Zustandsdaten. Das erste Kraftfahrzeug 1 umfasst weiterhin einen Antriebsstrang 7, der beispielsweise eine elektrische Maschine 8, die als Motor und als Generator betrieben werden kann, eine Batterie 9 und ein Getriebe 10 umfassen kann. Die elektrische Maschine 8 kann im Motorbetrieb Räder des Kraftfahrzeugs 1 über das Getriebe 10 antreiben, das beispielsweise eine konstante Übersetzung auf- weisen kann. Die dazu notwendige elektrische Energie kann die Batterie 9 bereitstel- len. Die Batterie 9 kann durch die elektrische Maschine 8 aufgeladen werden, wenn die elektrische Maschine 8 im Generatorbetrieb betrieben wird (Rekuperation). Die Batterie 9 kann optional auch an einer externen Ladestation aufgeladen werden. Ebenfalls kann der Antriebsstrang des Kraftfahrzeugs 1 optional einen Verbren- nungskraftmotor 17 aufweisen, welcher alternativ oder zusätzlich zu der elektrischen Maschine 8 das Kraftfahrzeug 1 antreiben kann. Der Verbrennungskraftmotor 17 kann auch die elektrische Maschine 8 antreiben, um die Batterie 9 aufzuladen.
Auf der Speichereinheit 4 kann ein Computerprogrammprodukt 11 gespeichert sein. Das Computerprogrammprodukt 11 kann auf der Prozessoreinheit 3 ausgeführt wer- den, wozu die Prozessoreinheit 3 und die Speichereinheit 4 mittels der Kommunikati- ons-Schnittstelle 5 miteinander verbunden sind. Wenn das Computerprogrammpro- dukt 11 auf der Prozessoreinheit 3 ausgeführt wird, leitet es die Prozessoreinheit 3 an, die im Zusammenhang mit der Zeichnung beschriebenen Funktionen zu erfüllen bzw. Verfahrensschritte auszuführen. Das Computerprogrammprodukt 11 enthält einen MPC-Algorithmus 13. Der MPC-Al- gorithmus 13 wiederum enthält ein Längsdynamikmodeil 14 des Antriebsstrangs 7 des ersten Kraftfahrzeugs 1. Weiterhin enthält der MPC-Algorithmus 13 eine zu mini- mierende Kostenfunktion 15. Die Prozessoreinheit 3 führt den MPC-Algorithmus 13 aus und ermittelt dabei eine optimale Geschwindigkeitstrajektorie des ersten Kraft- fahrzeugs 1 basierend auf dem Längsdynamikmodell 14, sodass die Kostenfunktion 15 minimiert wird.
Als Output der Optimierung durch den MPC-Algorithmus 13 können sich weiterhin eine optimale Drehzahl und ein optimales Drehmoment der elektrischen Maschine 8 für Diskretisierungspunkte im Vorausschauhorizont ergeben. Die Prozessoreinheit 3 kann dazu eine Eingangsgröße für die elektrische Maschine 8 ermitteln, sodass sich die optimale Drehzahl und das optimale Drehmoment einstellen. Die Prozessorein- heit 3 kann die elektrische Maschine 8 basierend auf der ermittelten Eingangsgröße steuern. Weiterhin kann dies jedoch auch durch das Fahrerassistenzsystem 16 erfol- gen.
Die Erfassungseinheit 6 kann aktuelle Zustandsgrößen des ersten Kraftfahrzeugs 1 messen, entsprechende Daten aufnehmen und dem MPC-Algorithmus 13 zuführen. Weiterhin können Streckendaten aus einer elektronischen Karte für einen Voraus- schauhorizont bzw. Prädiktionshorizont (z.B. 400 m) vor dem Kraftfahrzeug 1 insbe- sondere zyklisch upgedated bzw. aktualisiert werden. Die Streckendaten können bei- spielsweise Steigungsinformationen, Kurven Informationen, und Informationen über Geschwindigkeitslimits beinhalten. Des Weiteren kann eine Kurvenkrümmung über eine maximal zulässige Querbeschleunigung in ein Geschwindigkeitslimit für das Kraftfahrzeug 1 umgerechnet werden. Außerdem kann mittels der Erfassungseinheit 6 eine Ortung des ersten Kraftfahrzeugs 1 erfolgen, insbesondere über ein von ei- nem GNSS-Sensor 12 generiertes Signal zur genauen Lokalisierung auf der elektro- nischen Karte. Ferner kann die Erfassungseinheit 6 insbesondere zur Ermittlung der Position und/oder Geschwindigkeit von vorausfahrenden Fahrzeugen 18 (Fig. 2) ei- nen Radar-Sensor 22 aufweisen. Die Prozessoreinheit 3 kann auf Informationen der genannten Elemente beispielsweise über die Kommunikations-Schnittstelle 5 zugrei- fen. Diese Informationen können in das Längsmodell 14 des Kraftfahrzeugs 1 einflie- ßen, insbesondere als Beschränkungen oder Nebenbedingungen.
Das stark vereinfachte zweidimensionale (Dimensionen x, y) Beispiel nach Fig. 2 zeigt das erste Kraftfahrzeug 1 auf einer Straße 21. Das erste Kraftfahrzeug 1 fährt unterstützt durch die vorstehend beschriebene Fahrerassistenzfunktion autonom mit einer ersten Geschwindigkeit v1 in einer ersten Fahrtrichtung x1. Das zweite Kraft- fahrzeug 18 befindet sich vor dem ersten Kraftfahrzeug 1 ebenfalls auf der Straße 21. Das zweite Kraftfahrzeug 1 fährt vor dem ersten Kraftfahrzeug 1 mit einer zweiten Geschwindigkeit v2 in einer zweiten Fahrtrichtung x2. In dem gezeigten Ausführungs- beispiel verläuft der erste Streckenabschnitt 22 gerade und die erste Fahrtrichtung x1 des ersten Kraftfahrzeugs 1 entspricht der zweiten Fahrtrichtung x2 des zweiten Kraftfahrzeugs 18. Dies ist jedoch rein beispielhaft und nicht zwingend. Die erste Ge- schwindigkeit v1 des ersten Kraftfahrzeugs 1 kann der zweiten Geschwindigkeit v2 des zweiten Kraftfahrzeugs 18 entsprechen (v1 = v2), was jedoch ebenfalls rein bei- spielhaft und nicht zwingend ist. Die erste Geschwindigkeit v1 des ersten Kraftfahr- zeugs 1 kann auch von der zweiten Geschwindigkeit v2 des zweiten Kraftfahrzeugs 18 abweichen (v1 ≠ v2). Das zweite Kraftfahrzeug 18 fährt dem ersten Kraftfahrzeug 1 voraus. Das erste Kraftfahrzeug 1 folgt dem zweiten Kraftfahrzeug 18.
Die Prozessoreinheit 3 des ersten Fahrzeugs 1 generiert einen virtuellen Fahrthori- zont bzw. einen Prädiktionshorizont des ersten Fahrzeugs 1 . Der virtuelle Fahrthori- zont umfasst eine Vielzahl möglicher Diskretisierungspunkte Px, von denen in Fig. 2 ein erster Diskretisierungspunkt P1, ein zweiter Diskretisierungspunkt P2 und ein drit- ter Diskretisierungspunkt P3 dargestellt sind. Bei den Diskretisierungspunkten Px han- delt es sich um Wegpunkte P1, P2, P3 im Vorausbereich des ersten Fahrzeugs 1. Die n möglichen Diskretisierungspunkte Px können in einem Ausgangs-Datenarray
Figure imgf000020_0002
wie folgt hinterlegt werden:
Figure imgf000020_0001
Beispielsweise mittels des Radarsensors 22 kann kontinuierlich oder zu diskreten, kurz aufeinanderfolgenden Zeitpunkten der Abstand d eines vorderen Endes 23 des
Figure imgf000021_0006
ersten Fahrzeugs 1 zu einem heckseitigen bzw. hinteren Ende 24 des zweiten Fahr- zeug 18 ermittelt werden, beispielsweise zu einer heckseitigen Stoßstange des zwei- ten Fahrzeugs 18. Die Prozessoreinheit 3 des ersten Fahrzeugs 1 kann mittels der Kommunikationsschnittstelle 5 auf entsprechende Abstandsdaten des Radarsensors 22 zugreifen. Der Abstand d kann rein beispielhaft 20m betragen und als Vektor d angegeben werden. Ebenso können die drei Diskretisierungspunkte P1, P2, P3 als Ortsvektoren
Figure imgf000021_0002
angegeben werden, die sich beispielsweise von dem vorde- ren Ende 23 des ersten Fahrzeugs 1 bis zu dem betreffenden Diskretisierungspunkt P1, P2, P3 erstrecken. Der Ausgangs-Datenarray kann somit wie folgt dargestellt
Figure imgf000021_0004
werden:
Figure imgf000021_0003
Figure imgf000021_0001
Die Prozessoreinheit 3 subtrahiert von jedem der Ortsvektoren den Dis-
Figure imgf000021_0005
tanzvektor d. Der erste Diskretisierungspunkt P1 liegt beispielsweise 15m vor dem vorderen Ende 23 des ersten Fahrzeugs 1 und hinter dem hinteren Ende 24 des zweiten Fahrzeugs 18. Wie durch Fig. 3 gezeigt ergibt sich dadurch ein Differenzvek- tor
Figure imgf000021_0007
1\ d, welcher bezogen auf die Vorausrichtung x des ersten Fahrzeugs 1 einen negativen Wert aufweist (negative Vektor-Komponente in x Richtung; in diesem Bei- spiel mit dem Wert -5m). Der zweite Diskretisierungspunkt P2 liegt beispielsweise 21m vor dem vorderen Ende 23 des ersten Fahrzeugs 1 und damit zwischen dem hinteren Ende 24 des zweiten Fahrzeugs 18 und einem vorderen Ende 25 des zwei- ten Fahrzeugs 18, das beispielhaft eine Länge I von 5m aufweist. Auch die Länge I des zweiten Fahrzeugs 18 kann vektoriell angegeben werden (Längen vektor l, der im gezeigten Beispiel lediglich eine Komponente in der x-Richtung aufweist). Wie durch Fig. 4 gezeigt ergibt sich dadurch ein Differenzvekto d, welcher bezogen
Figure imgf000021_0008
auf die Vorausrichtung xdes ersten Fahrzeugs 1 einen positiven Wert aufweist (posi- tive Vektor-Komponente in x Richtung, in diesem Beispiel mit dem Wert +1m). Der dritte Diskretisierungspunkt P3 liegt 28m vor dem vorderen Ende 23 des ersten Fahr- zeugs 1 und damit vor dem vorderen Ende 25 des zweiten Fahrzeugs 18. Wie durch Fig. 5 gezeigt ergibt sich dadurch ein Differenzvektor P
Figure imgf000022_0002
welcher bezogen auf die Vorausrichtung x des ersten Fahrzeugs 1 einen positiven Wert aufweist (positive Vektor-Komponente in x Richtung, in diesem Beispiel mit dem Wert + 8m).
Der Ausgangs-Datenarray
Figure imgf000022_0001
kann alternativ zu den vektoriellen Einträgen, die vor- stehend genannten Komponenten der Ortsvektoren P1, P2, P3 in der x-Richtung auf- weisen (Vorausrichtung des ersten Fahrzeugs 1):
Figure imgf000022_0003
Die Prozessoreinheit 3 speichert weiterhin die Komponentenwerte der Differenzvek- toren in x-Richtung in einem Diskretisierungs-Datenarray . der sich dann bei-
Figure imgf000022_0004
spielsweise wie folgt darstellt:
Figure imgf000022_0005
Im Folgenden löscht die Prozessoreinheit 3 alle negativen Einträge des Diskretisie- rungs-Datenarrays
Figure imgf000022_0007
. Auf diese Weise wählt die Prozessoreinheit 3 des ersten Fahrzeugs erste Diskretisierungspunkte aus, die in dem für die V2V-Kommunikation relevanten Diskretisierungs-Datenarray enthalten sind, der sich wie folgt
Figure imgf000022_0008
darstellt:
Figure imgf000022_0006
Die Prozessoreinheit 3 übermittelt diesen einfach transformierten Diskretisierungs- Datenarray
Figure imgf000022_0009
i = [1; 8] mittels der Kommunikationsschnittstelle 5 über eine Kommunikationsschnittstelle 5‘ des zweiten Fahrzeugs 18 an deren Prozessoreinheit
3‘.
Die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 subtrahiert von jedem Wert des einfach transformierten Diskretisierungs-Datenarrays J = [1; 8] die Länge I =
Figure imgf000022_0010
5m des zweiten Fahrzeugs 18. Dies ist vektoriell durch Fig. 4 und Fig. 5 dargestellt.
Wie durch Fig. 4 gezeigt ergibt sich ein Differenzvektor l, welcher bezogen
Figure imgf000022_0011
auf die Vorausrichtung x des ersten Fahrzeugs 1 einen negativen Wert aufweist (ne- gative Vektor-Komponente in x Richtung; in diesem Beispiel mit dem Wert -4m). Wie durch Fig. 5 gezeigt ergibt sich ein weiterer Differenzvektor
Figure imgf000023_0003
welcher bezo- gen auf die Vorausrichtung x des ersten Fahrzeugs 1 einen positiven Wert aufweist (positive Vektor-Komponente in x Richtung; in diesem Beispiel mit dem Wert 3m). Die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 speichert diese Differenzen in ei- nem zweifach transformierten Diskretisierungs-Datenarray der die folgen-
Figure imgf000023_0004
den Einträge aufweist:
Figure imgf000023_0001
Im Folgenden löscht die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 alle negativen Einträge des zweifach transformierten Diskretisierungs-Datenarrays (Aus-
Figure imgf000023_0005
wahl zweiter Diskretisierungspunkte), wodurch sich in dem gezeigten Beispiel ein dreifach transformierter Diskretisierungs-Datenarray ergibt, der wie sich wie
Figure imgf000023_0006
folgt darstellt:
Figure imgf000023_0002
Auf diese Weise wird der einfach transformierten Diskretisierungs-Datenarrays
Figure imgf000023_0007
- [1; 8] in einen für die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 rele- vanten Diskretisierungs-Datenarray
Figure imgf000023_0008
transformiert.
Die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 berechnet im Folgenden eine ge- plante Ankunftszeit des zweiten Fahrzeugs 18 an jedem Diskretisierungspunkt des dreifach transformierten Diskretisierungs-Datenarrays = [3] durch Interpola-
Figure imgf000023_0009
tion, in dem vorliegenden Beispiel somit lediglich für den einzigen Eintrag „3“ (Meter). Bei der Art der Interpolation kommt es auf das vorausfahrende zweite Fahrzeug 18 an. Plant das zweite Fahrzeug 18 seine Trajektorie per ACC, so liegt in der Regel schon eine Interpolation per Polynom-Fit vor. Diese könnte zur Berechnung der An- kunftszeit des zweiten Fahrzeugs an dem dritten Diskretisierungspunkt P3 in 3 Me- tern Entfernung direkt weiterverwendet werden. Handelt es sich beispielsweise um ein Fahrzeug des Levels 2 oder höher (z.B. Al-basiert), so kann vorteilhaft eine line- are Interpolation zum Einsatz kommen.
Im Folgenden generiert die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 einen An- kunfts-Datenarray
Figure imgf000024_0002
welcher ausgewählte Wertepaare enthält, die jeweils aus den Diskretisierungspunkten des dreifach transformierten Diskretisierungs-Da- tenarrays und einer geplanten Ankunftszeit des zweiten Fahrzeugs 18 an
Figure imgf000024_0003
dem betreffenden Diskretisierungspunkt des dreifach transformierten Diskretisie- rungs-Datenarrays bestehen. In dem gezeigten Beispiel wird lediglich die
Figure imgf000024_0004
geplante Ankunftszeit des zweiten Fahrzeugs 18 an dem dritten Diskretisierungs- punkt P3, der 3m vor dem vorderen Ende 25 des zweiten Fahrzeugs 2 liegt, berech- net und gemeinsam mit dem dritten Diskretisierungspunkt P3 in dem Ankunfts-Daten- array gespeichert. Wenn sich das zweite Fahrzeug 18 beispielsweise mit
Figure imgf000024_0005
einer konstanten Geschwindigkeit von 30 Kilometern pro Stunde fortbewegt, so kann die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 eine geplante Ankunftszeit t3 = 0,36 s des zweiten Fahrzeugs 18 an dem 3m entfernten Diskretisierungspunkt P3 be- rechnen.
Der Ankunfts-Datenarray stellt sich in dem gezeigten Ausführungsbeispiel
Figure imgf000024_0006
somit wie folgt dar:
Figure imgf000024_0001
Die Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 übermittelt diesen Ankunfts-Da- tenarray
Figure imgf000024_0007
t = [28; 0,36] sowie die Länge I des zweiten Fahrzeugs 18 mittels der Kommunikationsschnittstelle 5‘ des zweiten Fahrzeugs 18 über die Kommunikati- onsschnittstelle 5‘ des ersten Fahrzeugs 1 an deren Prozessoreinheit 3.
Die Prozessoreinheit 3 des ersten Fahrzeugs 1 identifiziert im Folgenden mit Hilfe der Länge I des zweiten Fahrzeugs 18 und mit Hilfe des oben beschriebenen Ab- stands d des vorderen Endes 23 des ersten Fahrzeugs 1 zu dem hinteren Ende 24 des zweiten Fahrzeugs 18 diejenigen Diskretisierungspunkte, die vor dem vorderen
Ende 25 des zweiten Fahrzeugs 18 liegen. Dies kann auf die gleiche Weise erfolgen, wie dies im Zusammenhang mit der Prozessoreinheit 3‘ des zweiten Fahrzeugs 18 beschrieben und durch Fig. 4 und 5 für die Diskretisierungspunkte P2 und P3 illustriert ist. Für den Diskretisierungspunkt P1, der bereits zuvor von der Prozessoreinheit 3 des ersten Fahrzeugs 1 aussortiert wurde, kann dieser Schritt entfallen.
Die Prozessoreinheit 3 des ersten Fahrzeugs 1 generiert weiterhin einen Trajektorie- Datensatz in Form eines minimalen Ankunfts-Datenarrays für das erste Fahr-
Figure imgf000025_0001
zeug 1. Darin befinden sich zum einen genullte Wertepaare für alle Diskretisierungs- punkte, die hinter dem vorderen Ende 25 des zweiten Fahrzeugs 18 liegen. In dem gezeigten Beispiel würde dem ersten Diskretisierungspunkt P1 und dem zweiten Dis- kretisierungspunkt P2 jeweils der Wert null Sekunden zugeordnet werden (0s bzw. „0“ im minimalen Ankunfts-Datenarray für das erste Fahrzeug 1 ). Die Prozesso-
Figure imgf000025_0002
reinheit 3 des ersten Fahrzeugs 1 kann den Wert Os als einen minimalen Zeitraum festlegen, vor dem das erste Fahrzeug 1 nicht an dem ersten dem ersten Diskretisie- rungspunkt P1 und an dem zweiten Diskretisierungspunkt P2 ankommen darf. Der Wert Os bedeutet, dass das erste Fahrzeug 1 zu einem beliebigen zukünftigen Zeit- punkt an dem ersten Diskretisierungspunkt P1 und an dem zweiten Diskretisierungs- punkt P2 ankommen darf, da sich die Trajektorien des ersten Fahrzeugs 1 und des zweiten Fahrzeugs 18 an diesen Diskretisierungspunkten P1, P2 nicht treffen.
Die Prozessoreinheit 3 des ersten Fahrzeugs 1 überträgt weiterhin die Ankunftszei- ten der Wertepaare des minimalen Ankunfts-Datenarrays für das zweite Fahrzeug 18 in den minimalen Ankunfts-Datenarray für das erste Fahrzeug
Figure imgf000025_0003
1 , und zwar für alle Diskretisierungspunkte, die vor dem vorderen Ende 25 des zwei- ten Fahrzeugs 18 liegen. In dem gezeigten Beispiel ist dies lediglich der dritte Diskre- tisierungspunkt P3. Die Prozessoreinheit 1 des ersten Fahrzeugs 1 legt auch hier den ermittelten Ankunftszeitpunkt in 0,36 Sekunden als den minimalen Zeitraum fest, vor dem das erste Fahrzeug 1 nicht an dem dritten Diskretisierungspunkt P3 ankommen darf. Somit wird sichergestellt, dass das zweite Fahrzeug 18 den dritten Diskretisie- rungspunkt P3 früher passiert als das erste Fahrzeug 1. Auf diese Weise kann eine Kollision des ersten Fahrzeugs 1 mit dem zweiten Fahrzeug 2 verhindert werden. Der minimalen Ankunfts-Datenarray
Figure imgf000025_0004
n für das erste Fahrzeug 1 kann somit bei- spielsweise die folgenden Wertepaare enthalten: ~~ [15, 0; 21, 0; 28, 0,36],
Figure imgf000026_0001
Durch Ausführen des MPC-Algorithmus‘ 13 ermittelt die Prozessoreinheit 3 im Fol- genden mittels modelbasierter prädiktiver Regelung eine Trajektorie für das erste Fahrzeug. Dabei wird der Ankunfts-Datenarray als Nebenbedingung berück-
Figure imgf000026_0002
sichtigt. Die Ermittlung der Trajektorie für das erste Fahrzeug 1 erfolgt derart, dass die Kostenfunktion 15 minimiert wird. Weiterhin werden insbesondere eine Routento- pologie, der Verkehr sowie weitere Umweltinformationen miteinbezogen, um die opti- male Geschwindigkeitstrajektorie für das erste Fahrzeug 1 für den vorausliegenden Streckenabschnitt zu ermitteln.
An einem vierten Diskretisierungspunkt im Vorausbereich des ersten Fahrzeugs 1, z.B. auf einer 40m vor dem ersten Fahrzeug 1 gelegenen Position P4, befindet sich eine Lichtsignalanlage in Form einer Ampel 26, die beispielsweise abwechselnd die Wechsellichtzeichen „grün“ und „rot“ anzeigen kann. Die Prozessoreinheit 3 des ers- ten Fahrzeugs 1 kann auf diese Position P4 zugreifen. Beispielsweise kann die Am- pel 26 eine Prozessoreinheit 3“ und eine Kommunikationsschnittstelle 5“ umfassen. Mittels ihrer Kommunikationsstelle 5“ kann die Prozessoreinheit 3“ der Ampel 26 de- ren Position P4 und Umschalt-Zeitpunkte an die Prozessoreinheit 3 des ersten Fahr- zeugs 1 übermitteln, z.B. dass die Ampel 26 in 20 Sekunden von „grün“ auf „rot“ um- schaltet. Die Prozessoreinheit 3 des ersten Fahrzeugs 1 kann die Position P4 zusam- men mit dem Umschaltzeitpunkt als Wertepaar in dem Ankunfts-Datenarray
Figure imgf000026_0003
für das erste Fahrzeug 1 speichern. Dabei legt der Umschalt-Zeitpunkt der Lichtsig- nalanlage 26 als weitere Nebenbedingung einen maximalen Zeitraum fest, vor des- sen Ablauf das erste Fahrzeug 1 die Position P4 der Lichtsignalanlage 26 erreicht ha- ben muss. Alternativ kann die Prozessoreinheit 3 des ersten Fahrzeugs 1 die Posi- tion P4 zusammen mit dem Umschaltzeitpunkt als Wertepaar in einem neuen An- kunfts-Datenarray
Figure imgf000026_0004
x für das erste Fahrzeug 1 speichern, welcher im Gegen- satz zu dem Ankunfts-Datenarray eine maximale Ankunftszeit enthält.
Figure imgf000026_0005
Die Prozessoreinheit 19 des Fahrerassistenzsystems 16 greift mittels der Kommuni- kationsschnittstelle 20 auf die von der Prozessoreinheit 3 des MPC-Systems 2 ermit- telte Trajektorie für das erste Kraftfahrzeug 1 zu und führt die autonome Fahrfunktion des ersten Kraftfahrzeugs 1 unter Verwendung der Trajektorie für das erste Kraftfahr- zeug 1 aus. Alternativ kann auch die Prozessoreinheit 3 des MPC-Systems 2 die au- tonome Fahrfunktion des ersten Kraftfahrzeugs 1 unter Verwendung der Trajektorie für das erste Kraftfahrzeug 1 ausführen. In diesem Falle ist das Fahrerassistenzsys- tem 16 in das MPC-System 2 integriert bzw. das MPC-System 2 bildet das Fahreras- sistenzsystem 16.
Im Folgenden werden mögliche Ausführungsformen des Längsdynamikmodells 14 und der Kostenfunktion 15 näher beschrieben, welche Bestandteile des MPC-Algo- rithmus' 13 zur Ermittlung der Trajektorie für das erste Kraftfahrzeug 1 sind.
So kann das Längsdynamikmodell 14 des Kraftfahrzeugs 1 mathematisch wie folgt ausgedrückt werden:
Figure imgf000027_0001
Hierbei sind: v die Geschwindigkeit des Kraftfahrzeugs;
Ftrac Traktionskraft, die durch den Motor oder die Bremsen auf die Räder des Kraftfahrzeugs ausgeübt wird,
Fr die Rollwiderstandskraft, welche ein Effekt der Verformung der Reifen beim Rollen ist und von der Belastung der Räder (der Normalkraft zwi- schen Rad und Straße) und damit vom Neigungswinkel der Straße ab- hängt;
Fgr die Steigungswiderstandskraft, welche eine Längskomponente der
Schwerkraft beschreibt, die auf das Kraftfahrzeug im Bergauf- oder Berg- abfahrbetrieb wirkt, abhängig von der Neigung der Fahrbahn;
Fd die Luftwiderstandskraft des Kraftfahrzeugs; und meq die äquivalente Masse des Kraftfahrzeugs; die äquivalente Masse beinhal- tet insbesondere die Trägheit der Drehteile des Antriebsstrangs, welche der Beschleunigung des Kraftfahrzeugs ausgesetzt sind (Motor, Getriebe- antriebswellen, Räder).
Durch Umwandlung von Zeitabhängigkeit in Wegabhängigkeit
Figure imgf000028_0002
und Koordinatentransformation zur Eliminierung des quadratischen Geschwindig- keits-Terms im Luftwiderstand mit e folgt
Figure imgf000028_0003
Figure imgf000028_0001
Damit das Problem durch den MPC-Algorithmus 13 schnell und einfach lösbar ist, kann die Dynamikgleichung des Längsdynamikmodells 14 linearisiert werden, indem die Geschwindigkeit durch Koordinatentransformation durch kinetische Energie dewn ausgedrückt wird. Dadurch wird der quadratische Term zur Berechnung des Luftwi- derstands Fd durch einen linearen Term ersetzt und gleichzeitig ist das Längsdyna- mikmodell 14 des Kraftfahrzeugs 1 nicht mehr wie üblich in Abhängigkeit von der Zeit beschrieben, sondern in Abhängigkeit von dem Weg. Dies passt insofern gut zum Optimierungsproblem, da die Vorausschauinformationen des elektrischen Horizonts wegbasiert vorliegen.
Neben der kinetischen Energie gibt es zwei weitere Zustandsgrößen, welche im Sinne eines einfachen Optimierungsproblems ebenfalls linear und wegabhängig be- schrieben werden können. Zum einen ist der elektrische Energieverbrauch des An- triebsstrangs 7 üblicherweise in Form eines Kennfeldes in Abhängigkeit von Drehmo- ment und Motordrehzahl beschrieben. In dem gezeigten Ausführungsbeispiel weist das Kraftfahrzeug 1 eine feste Übersetzung zwischen der elektrischen Maschine 8 und der Straße auf, auf welcher sich das Kraftfahrzeug 1 bewegt. Dadurch lässt sich die Drehzahl der elektrischen Maschine 8 direkt in eine Geschwindigkeit des Kraft- fahrzeugs 1 oder eben in eine kinetische Energie des Kraftfahrzeugs 1 umrechnen. Weiterhin lässt sich die elektrische Leistung der elektrischen Maschine 8 durch Tei- len durch die entsprechende Geschwindigkeit in Energieverbrauch pro Meter um- rechnen. Um ein d em entsp rechend es Kennfeld für die Optimierung verwenden zu können, wird es linear approximiert: E r ≥ ai * ekin +bi * Ftrac für alle i.
Figure imgf000028_0004
Die zu minimierende Kostenfunktion 15 kann mathematisch beispielsweise wie folgt ausgedrückt werden:
Figure imgf000029_0001
Hierbei ist:
WBat Gewichtungsfaktor für den Energieverbrauch der Batterie
Eßat Energieverbrauch der Batterie
S Wegstrecke
SE-I Wegstrecke einen Zeitschritt vor Ende des Prädiktionshorizonts
FA Antriebskraft, welche durch die elektrische Maschine bereitgestellt wird, durch ein Getriebe konstant übersetzt wird und an einem Rad des Kraft- fahrzeugs anliegt
Wiem Gewichtungsfaktor für Drehmomentgradienten
WTemstart Gewichtungsfaktor für Momentensprünge
T Zeit, welche das Fahrzeug benötigt, um die gesamte innerhalb des Prä- diktionshorizonts prädizierte Wegstrecke zurückzulegen WTime Gewichtungsfaktor für die Zeit T
SE Wegstrecke zum Ende des Horizonts wsiack Gewichtungsfaktor für die Slack-Variable
Varsiack Slack-Variable
Die Kostenfunktion 15 besitzt in dem gezeigten Ausführungsbeispiel ausschließlich lineare und quadratische Terme. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit linearen Nebenbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann. Die Kostenfunktion 15 enthält als einen ersten Term eine mit einem ersten Gewich- tungsfaktor wsat gewichtete und gemäß dem Längsdynamikmodell prädizierte elektri- sche Energie Eßat, welche innerhalb eines Prädiktionshorizonts von der Batterie 9 des Äntriebsstrangs 7 zum Antrieb der elektrischen Maschine 8 bereitgestellt wird.
Die Kostenfunktion 15 enthält als weiteren Term eine mit einem zweiten Gewich- tungsfaktor WTime gewichtete und gemäß dem Längsdynamikmodell 14 prädizierte Fahrzeit T, welche das Kraftfahrzeug 1 benötigt, um die prädizierte Wegstrecke zu- rückzulegen. Dies führt dazu, dass je nach Wahl der Gewichtungsfaktoren eine ge- ringe Geschwindigkeit nicht immer als optimal bewertet wird und so nicht mehr das Problem besteht, dass die resultierende Geschwindigkeit immer am unteren Rand der erlaubten Geschwindigkeit liegt.
Der Energieverbrauch und die Fahrzeit können jeweils am Ende des Horizonts aus- gewertet und gewichtet werden. Diese Terme sind dann also nur für den letzten Punkt des Horizonts aktiv.
Zu hohe Drehmomentgradienten innerhalb des Horizonts sind unvorteilhaft. Daher werden Drehmomentgradienten bereits in der Kostenfunktion 15 bestraft, nämlich durch den Term wTem . Die quadratische Abweichung der An-
Figure imgf000030_0001
triebskraft je Meter wird mit einem Gewichtungsfaktor Wien gewichtet und in der Kos- tenfunktion minimiert. Alternativ zu der Antriebskraft FA je Meter kann auch das durch die elektrische Maschine 8 bereitgestellte Drehmoment MEM genutzt und mit dem Ge- wichtungsfaktor WTem gewichtet werden, sodass sich der alternative Term wTem * ergibt. Durch die konstante Übersetzung des Getriebes 10
Figure imgf000030_0002
sind die Antriebskraft und das Drehmoment direkt proportional zueinander.
Um ein komfortables Fahren sicher zu stellen, wird in der Kostenfunktion 15 ein wei- terer Term zur Bestrafung von Momentensprüngen eingeführt, nämlich wTemStart *
Figure imgf000030_0003
2- Alternativ zu der Antriebskraft FA kann auch hier das durch die elektrische Maschine 8 bereitgestellte Drehmoment MEM genutzt werden, sodass sich der alternative Term wTemStart 2 ergibt. Für den ersten Punkt
Figure imgf000030_0004
im Prädiktionshorizont wird die Abweichung zum zuletzt gestellten Moment negativ bewertet und mit einem Gewichtungsfaktor Wiemstart gewichtet, um sicher zu stellen, dass es einen nahtlosen und ruckfreien Übergang beim Umschalten zwischen alter und neuer Trajektorie gibt.
Geschwindigkeitslimits sind für die Optimierung harte Grenzen, die nicht überschrit- ten werden dürfen. Eine leichte Überschreitung der Geschwind ig keitsgrenzen ist in der Realität immer zulässig und vor allem bei Übergängen von einer Geschwindig- keitszone in eine zweite Zone eher der Normalfall. In dynamischen Umgebungen, wo sich von einem Rechenzyklus zum nächsten Rechenzyklus Geschwindigkeitslimits verschieben, kann es passieren, dass bei ganz harten Grenzen keine gültige Lösung für einen Geschwindigkeitsverlauf mehr gefunden werden kann. Um die Stabilität des Rechenalgorithmus zu erhöhen, wird eine weiche Beschränkung („soft constraint“) in die Kostenfunktion 15 eingeführt. Dabei wird eine mit einem Gewichtungsfaktor Wsiack gewichtete Slack-Variable Varsiack in einem vorgegebenen schmalen Bereich aktiv, bevor das harte Geschwindigkeitslimit erreicht wird. Lösungen, die sehr nah an diesem Geschwindigkeitslimit liegen, werden schlechter bewertet, also Lösungen de- ren Geschwindigkeitstrajektorie einen gewissen Abstand zur harten Grenze einhal- ten.
In Fig. 6 bis 8 entspricht die horizontale x-Achse dem Weg s. Auf diesem Weg wer- den die Diskretisierungspunkte des prädiktiven Horizonts gewählt. Das Stufenprofil in Fig. 6 ist eine Darstellung einer harten Nebenbedingung, die sich an diesen Punkten ausrichtet. Die Nebenbedingung kann verschiedene Dimensionen haben. Als Bei- spiel kann angenommen werden, dass das Geschwindigkeitslimit als Neben bedin- gung behandelt wird (die modellbasierte prädiktive Regelung darf keine Lösung fin- den, bei der die gewählte Geschwindigkeit über dem Geschwindigkeitslimit liegt). In diesem Fall entspricht die vertikale y-Achse der Geschwindigkeit und das Stufenprofil der maximal zulässigen Geschwindigkeit an den verschiedenen Diskretisierungs- punkten.
In Fig. 7 ist dargestellt, dass die modellbasierte prädiktive Regelung in Folge der Be- datung mit den gewählten Nebenbedingungen im beschnittenen Lösungsraum (unter dem Geschwindigkeitslimit) eine optimale Lösung sucht und findet (rotes Geschwin- digkeitsprofil). Dieses wird im dritten Schritt an die Fahrzeugreglung übergeben und umgesetzt, was durch Fig. 8 gezeigt ist.
Bezugszeichen d Abstand zwischen dem ersten und dem zweiten Fahrzeug d Abstandsvektor
I Länge zweites Fahrzeug
Ϊ Längenvektor zweites Fahrzeug P1 erster Diskretisierungspunkt P2 zweiter Diskretisierungspunkt P3 dritter Diskretisierungspunkt
PA Position der Lichtsignalanlage
Figure imgf000033_0001
P^ d Differenzvektor erster Diskretisierungspunkt - Abstandsvektor
Figure imgf000033_0002
d Differenzvektor zweiter Diskretisierungspunkt - Abstandsvektor
Figure imgf000033_0003
Differenzvektor dritter Diskretisierungspunkt - Abstandsvektor Ortsvektor erster Diskretisierungspunkt
% Ortsvektor zweiter Diskretisierungspunkt
K Ortsvektor dritter Diskretisierungspunkt v1 Geschwindigkeit des ersten Fahrzeugs x1 Fahrtrichtung des ersten Fahrzeugs v2 Geschwindigkeit des zweiten Fahrzeugs
Figure imgf000033_0004
x2 Fahrtrichtung des zweiten Fahrzeugs
1 erstes Fahrzeugs
2 MPC-System
3 Prozessoreinheit des ersten Fahrzeugs
3‘ Prozessoreinheit des zweiten Fahrzeugs
3“ Prozessoreinheit der Lichtsignalanlage
4 Speichereinheit
5 Kommunikationsschnittstelle des ersten Fahrzeugs
5' Kommunikationsschnittstelle des zweiten Fahrzeugs
5“ Kommunikationsschnittstelle der Lichtsignalanlage
6 Erfassungseinheit
7 Antriebsstrang 8 elektrische Maschine 9 Batterie 10 Getriebe 11 Computerprogrammprodukt 12 GNSS-Sensor 13 MPC-Algorithmus 14 Längsdynamikmodell 15 Kostenfunktion 16 Fahrerassistenzsystem 17 Verbrennungskraftmotor 18 zweites Fahrzeug 19 Prozessoreinheit des Fahrerassistenzsystems 20 Kommunikationsschnittstelle des Fahrerassistenzsystems 21 Straße 22 Radarsensor 23 vorderes Ende des ersten Fahrzeugs 24 hinteres Ende des zweiten Fahrzeugs 25 vorderes Ende des zweiten Fahrzeugs 26 Lichtsignalanlage

Claims

Patentansprüche
1. Prozessoreinheit (3) zur Ermittlung einer Trajektorie für ein erstes Fahrzeug (1 ) mittels modelbasierter prädiktiver Regelung unter Verwendung von Trajektorie-Infor- mationen über ein zweites Fahrzeug (18), wobei die Prozessoreinheit (3) für das erste Fahrzeug (1 ) dazu eingerichtet ist,
- aus einer Gesamtheit möglicher Diskretisierungspunkte (P1, P2, P3), die innerhalb eines virtuellen Fahrthorizonts einer modelbasierten prädiktiven Regelung des ersten Fahrzeugs (1) liegen, erste Diskretisierungspunkte (P2, P3) auszuwählen und an eine Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) zu übermitteln, welches im Voraus- bereich des ersten Fahrzeugs (1 ) fährt, wobei die ausgewählten ersten Diskretisie- rungspunkte (P2, P3) vor einem hinteren Ende (24) des zweiten Fahrzeugs (18) lie- gen,
- von der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) für von der zweiten Pro- zessoreinheit (3‘) aus den ersten Diskretisierungspunkten (P2, P3) ausgewählte zweite Diskretisierungspunkte (P3) jeweils eine von der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) ermittelte Ankunftszeit des zweiten Fahrzeugs (18) an dem betreffenden zweiten Diskretisierungspunkt (P3) zu erhalten, wobei sämtliche ausge- wählte zweite Diskretisierungspunkte (P3) vor dem zweiten Fahrzeug (18) liegen,
- einen Trajektorie-Datensatz für das erste Fahrzeug (1) zu generieren, wobei der Trajektorie-Datensatz die von der zweiten Prozessoreinheit (3‘) aus den ersten Dis- kretisierungspunkten (P2, P3) ausgewählten zweiten Diskretisierungspunkte (P3) und die von der zweiten Prozessoreinheit (3‘) ermittelten Ankunftszeiten des zweiten Fahrzeugs (18) an den betreffenden zweiten Diskretisierungspunkten (P3) enthält, und wobei der Trajektorie-Datensatz weiterhin genullte Wertepaare enthält, wobei die genullten Wertepaare jeweils einen nicht vor dem zweiten Fahrzeug liegenden ersten Diskretisierungspunkt (P1, P2) sowie den Wert null Sekunden enthalten, und
- durch Ausführen eines MPC-Algorithmus' (13), welcher ein Längsdynamikmodell (14) des ersten Fahrzeugs (1) und eine zu minimierende Kostenfunktion (15) enthält, mittels modelbasierter prädiktiver Regelung eine Trajektorie für das erste Fahrzeug (1) zu ermitteln, sodass die Kostenfunktion (15) minimiert wird, wobei bei der Ermitt- lung der Trajektorie der Trajektorie-Datensatz als Nebenbedingung berücksichtigt wird.
2. Prozessoreinheit (3) nach Anspruch 1 , wobei die von der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) ermittelten Ankunftszeiten des zweiten Fahrzeugs (18) an den ausgewählten zweiten Diskretisierungspunkten (P3) minimale Zeiträume festle- gen, vor deren Ablauf das erste Fahrzeug (1) den betreffenden zweiten Diskretisie- rungspunkt (P3) nicht erreichen darf.
3. Prozessoreinheit (3) nach Anspruch 1 , wobei die Prozessoreinheit (3) für das erste Fahrzeug (1) dazu eingerichtet ist, aus der Gesamtheit möglicher Diskretisierungs- punkte (P1, P2, P3) diejenigen ersten Diskretisierungspunkte (P2, P3) auszuwählen, deren Abstand zu dem ersten Fahrzeug (1) größer ist als eine Distanz (d) zwischen dem ersten Fahrzeug (1) dem zweiten Fahrzeug (18).
4. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes- soreinheit (3) für das erste Fahrzeug (1 ) dazu eingerichtet ist,
- Informationen über die Länge (I) des zweiten Fahrzeugs (18) von der zweiten Pro- zessoreinheit (3‘) des zweiten Fahrzeugs (18) zu empfangen,
- aus den ersten Diskretisierungspunkten (P1, P2, P3) diejenigen dritten Diskretisie- rungspunkte (P1, P2) auszu wählen, deren Abstand zu dem ersten Fahrzeug (1) klei- ner ist als die Summe aus der Länge (I) des zweiten Fahrzeugs (18) und der Distanz (d) zwischen dem ersten Fahrzeug (1 ) und dem zweiten Fahrzeug (18),
- jedem der dritten Diskretisierungspunkte (P1, P2) jeweils den Wert null Sekunden zuzuordnen und als weitere genullte Wertepaare in dem Trajektorie-Datensatz zu speichern.
5. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes- soreinheit (3) dazu eingerichtet ist,
- eine Position ( P4) und einen Umschait-Zeitpunkt von der Prozessoreinheit (3“) einer Lichtsignalanlage (26) zu empfangen, welche im Vorausbereich des ersten Fahr- zeugs (1) liegt und welche dazu eingerichtet ist, Wechsellichtzeichen (g, r) zu geben, wobei der Umschait-Zeitpunkt angibt, wann die Lichtsignalanlage (26) von einem ers- ten Wechsellichtzeichen (g) auf ein zweites Wechsellichtzeichen (r) wechselt, und
- dem Trajektorie-Datensatz für das erste Fahrzeug (1) die Position (P4) und den Um- schait-Zeitpunkt der Lichtsignalanlage (26) hinzuzufügen.
6. Prozessoreinheit (3) nach Anspruch 5, wobei der von der Prozessoreinheit (3“) der Lichtsignalanlage (26) empfangene Umschalt-Zeitpunkt der Lichtsignalanlage (26) ei- nen maximalen Zeitraum festlegt, vor dessen Ablauf das erste Fahrzeug (1) die Posi- tion (P4) der Lichtsignalanlage (26) erreicht haben muss.
7. Fahrerassistenzsystem (16) zur Ausführung einer Fahrerassistenzfunktion eines ersten Fahrzeugs (1 ), wobei das Fahrerassistenzsystem (16) dazu eingerichtet ist,
- auf eine von einer Prozessoreinheit (3) gemäß einem der vorstehenden Ansprüche ermittelte Trajektorie für das erste Fahrzeug (1) zuzugreifen, und
- eine Fahrerassistenzfunktion des ersten Fahrzeugs (1) unter Verwendung der Trajektorie für das erste Fahrzeug (1) auszuführen.
8. Erstes Fahrzeug (1 ) umfassend eine Prozessoreinheit (3) nach einem der Ansprü- che 1 bis 6 und ein Fahrerassistenzsystem (16) nach Anspruch 7.
9. Verfahren zur Ermittlung einer Trajektorie für ein erstes Fahrzeug (1) mittels mo- delbasierter prädiktiver Regelung unter Verwendung von Trajektorie-lnformationen über ein zweites Fahrzeug (18), welches im Vorausbereich des ersten Fahrzeugs (1) fährt, das Verfahren umfassend die Schritte
- Auswählen erster Diskretisierungspunkte (P2, P3) aus einer Gesamtheit möglicher Diskretisierungspunkte (P1, P2, P3), die innerhalb eines virtuellen Fahrthorizonts einer modelbasierten prädiktiven Regelung des ersten Fahrzeugs (1) liegen, wobei das Auswählen mittels einer Prozessoreinheit (3) des ersten Fahrzeugs (1 ) erfolgt, und wobei die ausgewählten ersten Diskretisierungspunkte (P2, P3) vor einem hinteren Ende (24) des zweiten Fahrzeugs (18) liegen,
- Übermitteln der ausgewählten ersten Diskretisierungspunkte (P2, P3) an eine Pro- zessoreinheit (3‘) des zweiten Fahrzeugs (18) mittels der Prozessoreinheit (3) des ersten Fahrzeugs (1 ),
- Auswählen zweiter Diskretisierungspunkte (P3) aus den ersten Diskretisierungs- punkten (P2, P3) mittels der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18), so- dass sämtliche ausgewählte zweite Diskretisierungspunkte (P3) vor dem zweiten Fahrzeug (18) liegen, - Ermitteln einer Ankunftszeit des zweiten Fahrzeugs (18) an jedem der ausgewähl- ten zweiten Diskretisierungspunkte (P3) mittels der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18),
- Übermitteln der Ankunftszeit des zweiten Fahrzeugs (18) an jedem der ausgewähl- ten zweiten Diskretisierungspunkte (P3) mittels der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18),
- Generieren eines Trajektorie-Datensatzes für das erste Fahrzeug (1) mittels der Prozessoreinheit (3) des ersten Fahrzeugs (1 ), wobei der Trajektorie-Datensatz die von der zweiten Prozessoreinheit (3‘) aus den ersten Diskretisierungspunkten (P2, P3) ausgewählten zweiten Diskretisierungspunkte (P3) und die von der zweiten Pro- zessoreinheit (3‘) ermittelten Ankunftszeiten des zweiten Fahrzeugs (18) an den be- treffenden zweiten Diskretisierungspunkten (P3) enthält, und wobei derTrajektorie- Datensatz weiterhin genullte Wertepaare enthält, wobei die genullten Wertepaare je- weils einen nicht vor dem zweiten Fahrzeug (18) liegenden ersten Diskretisierungs- punkt (P1, P2) sowie den Wert null Sekunden enthalten, und
- Ermitteln einer Trajektorie für das erste Fahrzeug (1) durch Ausführen eines MPC- Algorithmus' (13), weicher ein Längsdynamikmodell (14) des ersten Fahrzeugs (1) und eine zu minimierende Kostenfunktion (15) enthält, mittels modelbasierter prädik- tiver Regelung, sodass die Kostenfunktion (15) minimiert wird, wobei bei der Ermitt- lung der Trajektorie der Trajektorie-Datensatz als Nebenbedingung berücksichtigt wird und wobei das Ermitteln der Trajektorie mittels der Prozessoreinheit (3) des ers- ten Fahrzeugs (1 ) erfolgt.
10. Computerprogrammprodukt (11 ) zur Ermittlung einer Trajektorie für ein erstes Fahrzeug (1 ) mittels modelbasierter prädiktiver Regelung unter Verwendung von Trajektorie-lnformationen über ein zweites Fahrzeug (18), wobei das Computerpro- grammprodukt (11 ), wenn es auf einer Prozessoreinheit (3) des ersten Fahrzeugs (1 ) ausgeführt wird, die Prozessoreinheit (3) anleitet,
- aus einer Gesamtheit möglicher Diskretisierungspunkte (P1, P2, P3), die innerhalb eines virtuellen Fahrthorizonts einer modelbasierten prädiktiven Regelung des ersten Fahrzeugs (1) liegen, erste Diskretisierungspunkte (P2, P3) auszuwählen und an eine Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) zu übermitteln, welches im Voraus- bereich des ersten Fahrzeugs (1) fährt, wobei die ausgewählten ersten Diskretisie- rungspunkte (P2, P3) vor einem hinteren Ende (24) des zweiten Fahrzeugs (18) lie- gen,
- von der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) für von der zweiten Pro- zessoreinheit (3‘) aus den ersten Diskretisierungspunkten (P2, P3) ausgewählte zweite Diskretisierungspunkte (P3) jeweils eine von der Prozessoreinheit (3‘) des zweiten Fahrzeugs (18) ermittelte Ankunftszeit des zweiten Fahrzeugs (18) an dem betreffenden zweiten Diskretisierungspunkt (P3) zu erhalten, wobei sämtliche ausge- wählte zweite Diskretisierungspunkte (P3) vor dem zweiten Fahrzeug (18) liegen,
- einen Trajektorie-Datensatz für das erste Fahrzeug (1) zu generieren, wobei der Trajektorie-Datensatz die von der zweiten Prozessoreinheit (3‘) aus den ersten Dis- kretisierungspunkten (P2, P3) ausgewählten zweiten Diskretisierungspunkte (P3) und die von der zweiten Prozessoreinheit (3‘) ermittelten Ankunftszeiten des zweiten Fahrzeugs (18) an den betreffenden zweiten Diskretisierungspunkten (P3) enthält, und wobei der Trajektorie-Datensatz weiterhin genullte Wertepaare enthält, wobei die genullten Wertepaare jeweils einen nicht vor dem zweiten Fahrzeug liegenden ersten Diskretisierungspunkt (P1, P2) sowie den Wert null Sekunden enthalten, und
- durch Ausführen eines MPC-Algorithmus' (13), welcher ein Längsdynamikmodell (14) des ersten Fahrzeugs (1) und eine zu minimierende Kostenfunktion (15) enthält, mittels modelbasierter prädiktiver Regelung eine Trajektorie für das erste Fahrzeug (1 ) zu ermitteln, sodass die Kostenfunktion (15) minimiert wird, wobei bei der Ermitt- lung der Trajektorie der Trajektorie-Datensatz als Nebenbedingung berücksichtigt wird.
PCT/EP2019/084388 2019-12-10 2019-12-10 Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug WO2021115567A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/EP2019/084388 WO2021115567A1 (de) 2019-12-10 2019-12-10 Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug
CN201980101307.1A CN114585548A (zh) 2019-12-10 2019-12-10 在使用关于第二交通工具的轨迹信息的情况下基于mpc确定第一交通工具的轨迹
US17/783,879 US20230019462A1 (en) 2019-12-10 2019-12-10 MPC-Based Trajectory Tracking of a First Vehicle Using Trajectory Information on a Second Vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/084388 WO2021115567A1 (de) 2019-12-10 2019-12-10 Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug

Publications (1)

Publication Number Publication Date
WO2021115567A1 true WO2021115567A1 (de) 2021-06-17

Family

ID=69061266

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/084388 WO2021115567A1 (de) 2019-12-10 2019-12-10 Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug

Country Status (3)

Country Link
US (1) US20230019462A1 (de)
CN (1) CN114585548A (de)
WO (1) WO2021115567A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253741A (zh) * 2021-06-29 2021-08-13 浙江华睿科技有限公司 一种agv叉车的控制方法、装置及计算机可读介质
WO2023057014A1 (de) * 2021-10-04 2023-04-13 Continental Autonomous Mobility Germany GmbH Verfahren zur planung einer trajektorie eines fahrmanövers eines kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie fahrzeug
DE102022202371A1 (de) 2022-03-10 2023-09-14 Zf Friedrichshafen Ag Trajektorieabstimmung zweier hintereinanderfahrender Fahrzeuge

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116061973B (zh) * 2023-03-15 2023-07-07 安徽蔚来智驾科技有限公司 车辆轨迹预测方法、控制装置、可读存储介质及车辆

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190071096A1 (en) * 2017-09-06 2019-03-07 IFP Energies Nouvelles Method for determining a speed to be reached for a first vehicle preceded by a second vehicle, in particular for an autonomous vehicle
WO2019185714A1 (en) * 2018-03-30 2019-10-03 Jaguar Land Rover Limited Vehicle control method and apparatus

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11110922B2 (en) * 2018-11-05 2021-09-07 Zoox, Inc. Vehicle trajectory modification for following
US11353878B2 (en) * 2019-03-26 2022-06-07 Baidu Usa Llc Soft-boundary based path optimization for complex scenes for autonomous driving vehicles

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190071096A1 (en) * 2017-09-06 2019-03-07 IFP Energies Nouvelles Method for determining a speed to be reached for a first vehicle preceded by a second vehicle, in particular for an autonomous vehicle
WO2019185714A1 (en) * 2018-03-30 2019-10-03 Jaguar Land Rover Limited Vehicle control method and apparatus

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HOMCHAUDHURI BAISRAVAN ET AL: "A Control Strategy for Driver Specific Driver Assistant System to Improve Fuel Economy of Connected Vehicles in Urban Roads", 2019 AMERICAN CONTROL CONFERENCE (ACC), AMERICAN AUTOMATIC CONTROL COUNCIL, 10 July 2019 (2019-07-10), pages 5557 - 5562, XP033605384 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253741A (zh) * 2021-06-29 2021-08-13 浙江华睿科技有限公司 一种agv叉车的控制方法、装置及计算机可读介质
WO2023057014A1 (de) * 2021-10-04 2023-04-13 Continental Autonomous Mobility Germany GmbH Verfahren zur planung einer trajektorie eines fahrmanövers eines kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie fahrzeug
DE102022202371A1 (de) 2022-03-10 2023-09-14 Zf Friedrichshafen Ag Trajektorieabstimmung zweier hintereinanderfahrender Fahrzeuge

Also Published As

Publication number Publication date
CN114585548A (zh) 2022-06-03
US20230019462A1 (en) 2023-01-19

Similar Documents

Publication Publication Date Title
WO2021115567A1 (de) Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug
DE60211380T2 (de) Integriertes fahrzeugbewegungssteuersystem
DE102016123648A1 (de) Fahrzeugbeschleunigungsbestimmung
DE102016123594A1 (de) Fahrzeugkurvenbestimmung
DE112012005806T5 (de) Verzögerungsfaktorschätzvorrichtung und Fahrunterstützungsvorrichtung.
WO2021175423A1 (de) Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors
WO2021093954A1 (de) Modelbasierte prädiktive regelung eines kraftfahrzeugs
DE102020129369A1 (de) Verbesserter fahrzeugbetrieb
DE102021110868A1 (de) Fahrzeugsteuerungssysteme und -verfahren
WO2021089150A1 (de) Autonome fahrfunktion eines kraftfahrzeugs unter berücksichtigung von im umfeld des ego-fahrzeugs befindlichen fahrzeugen
WO2021121554A1 (de) Fahrereingriffe berücksichtigende autonome fahrfunktion für ein kraftfahrzeug
DE102020203742A1 (de) Modellbasierte prädiktive Regelung eines Kraftfahrzeugs
WO2021121555A1 (de) Mpc-basierte autonome fahrfunktion eines kraftfahrzeugs
DE102016012414A1 (de) Verfahren zum Steuern eines Antriebsstrangs eines Kraftfahrzeugs
DE102020202803A1 (de) Modellbasierte prädiktive Regelung eines Fahrzeugs unter Berücksichtigung eines Ankunftszeit-Faktors
WO2021078391A1 (de) Modelbasierte prädiktive regelung einer elektrischen maschine eines antriebstrangs eines kraftfahrzeugs
DE102020216251A1 (de) Modellbasierte prädiktive Regelung eines Kraftfahrzeugs
DE102018100268A1 (de) STRECKENAUSWAHLVERFAHREN UND -SYSTEM FÜR EIN FAHRZEUG, DAS EINEN REGENERATIVEN STOßDÄMPFER AUFWEIST
DE102019219233A1 (de) MPC-basierte Trajektorie-Ermittlung für ein erstes Fahrzeug unter Verwendung von Trajektorie-Informationen über ein zweites Fahrzeug
DE102020216250B4 (de) Modellbasierte prädiktive Regelung eines Kraftfahrzeugs unter Berücksichtigung von Querverkehr
WO2021098956A1 (de) Ermittlung einer trajektorie für ein erstes fahrzeug unter berücksichtigung des fahrverhaltens eines zweiten fahrzeugs
CH718944A2 (de) Modellbasierte prädiktive Regelung eines Elektro-Kraftfahrzeugs.
DE102019217854A1 (de) Ermittlung einer Trajektorie für ein erstes Fahrzeug unter Berücksichtigung des Fahrverhaltens eines zweiten Fahrzeugs
WO2021093953A1 (de) Modelbasierte prädiktive regelung mehrerer komponenten eines kraftfahrzeugs
DE102019216457A1 (de) Autonome Fahrfunktion eines Kraftfahrzeugs

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19828985

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19828985

Country of ref document: EP

Kind code of ref document: A1