WO2021175423A1 - Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors - Google Patents

Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors Download PDF

Info

Publication number
WO2021175423A1
WO2021175423A1 PCT/EP2020/055771 EP2020055771W WO2021175423A1 WO 2021175423 A1 WO2021175423 A1 WO 2021175423A1 EP 2020055771 W EP2020055771 W EP 2020055771W WO 2021175423 A1 WO2021175423 A1 WO 2021175423A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
processor unit
trajectory
arrival time
account
Prior art date
Application number
PCT/EP2020/055771
Other languages
English (en)
French (fr)
Inventor
Valerie Engel
Andreas Wendzel
Michael Wechs
Maik DREHER
Lorenz Fischer
Oliver Schneider
Christian Baumann
Edgar Menezes
Felix SPURA
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 CN202080079801.5A priority Critical patent/CN114746316A/zh
Priority to US17/776,946 priority patent/US20220402476A1/en
Priority to PCT/EP2020/055771 priority patent/WO2021175423A1/de
Publication of WO2021175423A1 publication Critical patent/WO2021175423A1/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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0037—Mathematical models of vehicle sub-units
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W2300/00—Indexing codes relating to the type of vehicle
    • B60W2300/10—Buses
    • 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
    • B60W2300/00—Indexing codes relating to the type of vehicle
    • B60W2300/12—Trucks; Load 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
    • B60W2300/00—Indexing codes relating to the type of vehicle
    • B60W2300/12—Trucks; Load vehicles
    • B60W2300/125—Heavy duty trucks
    • 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
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • 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 model-based predictive control of a vehicle, taking into account at least one arrival time factor.
  • a processor unit a driver assistance system
  • vehicle a vehicle
  • method a computer program product
  • Model Predictive Control in English: Model Predictive Control or MPC for short
  • MPC Machine Control
  • a driving strategy is usually calculated in a model-based predictive control of a vehicle for a limited forecast horizon.
  • an arrival time of the vehicle at the destination cannot be predicted and a trajectory of the vehicle cannot be optimized accordingly.
  • fuel stops and vehicle charging stops are not taken into account.
  • An object of the present invention can be seen in providing an improved MPC control of a drive train of a motor vehicle.
  • the object is achieved by the subjects of the independent claims.
  • Advantageous embodiments are the subject matter of the subclaims, the following description and the figures.
  • the present invention provides energy efficient and time efficient route planning.
  • an optimization of a driving speed of a vehicle for an optimal energy consumption and / or an optimal driving time to a desired local destination is proposed.
  • further information and influences on the arrival of the vehicle at the desired local final destination, such as necessary break times are taken into account.
  • the optimization takes place for purely electric vehicles or plug-in hybrid vehicles, which means that the use of electric charging stations is not absolutely necessary and a further degree of freedom for the optimization problem arises.
  • the model predictive control of a vehicle is expanded according to the present invention by calculating the complete route and trajectory, taking into account arrival time factors that influence the travel time or the arrival time of the vehicle at a desired local destination.
  • arrival time factors are break times (private person, truck driver, bus driver), times for loading a truck, times for refueling / charging the battery, information about the availability of charging stations, traffic volume and traffic jams and weather conditions on the route.
  • the driving speed and energy consumption can also be calculated in advance, taking into account the specification of a desired arrival time or a desired range.
  • a processor unit for model-based predictive control of a vehicle, taking into account an arrival time factor.
  • the processor unit is set up to calculate a trajectory for the vehicle, taking into account at least one arrival time factor.
  • the trajectory includes or takes into account an entire route up to a specified destination at which the vehicle is to arrive.
  • the arrival time factor influences an arrival time of the vehicle at the specified destination.
  • the trajectory for the vehicle calculated in this way can be relatively coarse, with no gears being predefined for the vehicle, for example.
  • the specified destination is a position at which the vehicle should arrive. Starting from a starting position, the route leads to the destination.
  • the "entire route" comprises the entire route between start and finish.
  • the prediction horizon of the model-based predictive control is sliding and covers part of the entire route until the destination is reached.
  • the destination can be specified by a driver of the vehicle, for example by an input on a navigation device of the vehicle.
  • the goal can also be, for example can be specified by an external unit, for example by a command center of a vehicle fleet arranged outside the vehicle.
  • the trajectory for the vehicle can be generated, for example, by a route algorithm that can be embedded in a system for autonomous driving (common English term: Autonomous Driving System, or AD system for short).
  • the AD system typically includes a module for ambient perception with sensors and a planning module.
  • the planning module can comprise several levels, e.g. a navigation level on a larger scale (e.g. several km; the vehicle trajectory from start to destination can be selected or calculated here) and a navigation level on a smaller scale (e.g. in the 50 m to 100 m ahead) m, depending on the speed of the vehicle; a choice of course and speed in the immediate vicinity of the vehicle is possible here in order to determine how the vehicle should move in traffic).
  • the processor unit is also set up to optimize a section of the trajectory for the vehicle for a sliding prediction horizon by executing an MPC algorithm which contains a longitudinal dynamics model of a drive train of the vehicle and a cost function to be minimized, so that the cost function is minimized will.
  • the optimized trajectory for the sliding prediction horizon is finer than the speed trajectory for the entire route and can, in particular, specify gears for the vehicle.
  • the calculation of the vehicle trajectory for the entire route is therefore carried out separately from the MPC-based optimization of the vehicle trajectory within the sliding prediction horizon.
  • a new or updated section of the vehicle trajectory is optimized for the entire route for each new prediction horizon.
  • the processor unit can form the planning module (“top lever planning module”) described above, which plans the entire vehicle trajectory, taking into account the arrival time factors.
  • This planning module can then transfer parts of the entire vehicle trajectory to the MPC algorithm, by means of which an optimal trajectory of the vehicle within the prediction horizon is can be averaged.
  • the planning module can set a suitable point at the end of the section that is transferred to the MPC algorithm, which corresponds to the target time at the end of the section.
  • the processor unit can be set up to control the vehicle, in particular an electrical machine of the vehicle, based on the determined, optimized trajectory.
  • the processor unit can be set up to transmit the trajectory for the vehicle, which has been optimized by means of the MPC algorithm, to a target generator, which can in particular be implemented by a software module.
  • the processor unit can convert the mathematically optimal trajectory for the vehicle into actually usable component signals.
  • a speed trajectory of the vehicle can be optimally planned for the next 500m using the MPC control.
  • the target generator would use the manipulated variables or target variables from the trajectory that correspond to the current point in time.
  • the trajectory for the vehicle determined and optimized by the processor unit can in particular be used to provide an autonomous or at least partially autonomous driving function for the vehicle.
  • This driving function can be provided by a driver assistance system of the vehicle.
  • 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 is set up - in particular by means of the central processor unit - 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 the vehicle's blinkers.
  • the semi-autonomous driving function can be understood as a driving function that supports a driver of the vehicle in controlling the vehicle, in particular during steering, blinking, acceleration and braking maneuvers, the driver still having control of the vehicle.
  • the method of model-based predictive control (MPC) was chosen in order to find an optimal solution for a so-called “Driving Efficiency” function in every situation under given boundary conditions and restrictions.
  • the MPC method is based on a system model that 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 state variables for the Driving Efficiency driving function can in particular be 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 takes place in particular 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 target function or the cost function of the Driving Efficiency driving strategy can in particular contain two terms by which both energy consumption and driving time to the specified destination are minimized. This leads to the fact that, depending on the choice of weighting factors that can be assigned to the terms, a low speed is not always evaluated as optimal and it can thus be avoided that the resulting speed is always at the lower limit of the permitted speed.
  • the present invention also makes it possible that the driver's influence no longer has to be relevant for the energy consumption and the driving time of the motor vehicle, in that in particular an electrical machine for driving the vehicle can be controlled by the processor unit based on an input variable for the electrical machine, which is determined by executing the MPC algorithm.
  • an optimal engine operating point of the electrical machine can be set by means of the input variable.
  • an optimal adjustment of the optimal speed of the motor vehicle can take place.
  • the longitudinal dynamics model of the drive train can include a vehicle model with vehicle parameters and drive train losses (partly approximated maps).
  • knowledge of the route topographies e.g. curves and gradients
  • knowledge of speed limits on the route ahead can also flow into the longitudinal dynamics model of the drive train.
  • the cost function can only contain linear and quadratic terms. As a result, 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 for a horizon lying ahead on the processor unit, which can in particular form a component of a central control unit of the motor vehicle.
  • the setpoint speed of the motor vehicle can also be recalculated cyclically on the basis of the current driving state and the route information ahead.
  • route data from an electronic map for the sliding forecast horizon or prediction horizon (for example 500 m) in front of the vehicle can be updated or updated, in particular cyclically.
  • the route data can contain, for example, gradient information, curve information, and information about speed limits.
  • a curve curvature can be converted into a speed limit for the motor vehicle using a maximum permissible transverse acceleration.
  • the motor vehicle can be localized, in particular via a GNSS signal for precise localization on the electronic map.
  • the cost function of the MPC algorithm can be used to minimize, in particular, the travel time for the prediction horizon and to minimize the energy consumed.
  • the MPC algorithm can be supplied with additional constraints such as speed limits, physical limits for the torque and speeds of the electrical machine.
  • the MPC algorithm can also be supplied with control variables for optimization as input, in particular the speed of the vehicle (which can be proportional to the speed), the torque of the electrical machine and the battery charge state.
  • the MPC algorithm can deliver an optimal speed and an optimal torque for calculated points in the forecast horizon.
  • the MPC algorithm can be followed by a software module (“target generator”) which determines a currently relevant state and forwards it to power electronics.
  • the processor unit can be set up to take breaks for a driver of the vehicle into account as an arrival time factor when calculating the trajectory for the vehicle.
  • a break can be understood to mean that the vehicle is brought to a standstill, for example at a rest area or a parking lot, and that the vehicle is left at a standstill for a period of time (the break period).
  • Some of the breaks can be prescribed by law, for example for drivers of a truck or bus.
  • the breaks can be inserted before the start of the journey to the specified local final destination and / or during the journey to the specified local final destination and / or after the journey to the specified local final destination.
  • the location at which a break can be taken depends on the availability of parking spaces or rest areas along the motorway.
  • the time at which a break can be taken depends on how far the targeted parking space or rest area is from the current location of the vehicle and at what speed the vehicle can move to the targeted parking space or rest area or may.
  • the loading and unloading of a vehicle also plays a role in the speed planning for the vehicle in order to enable the vehicle to travel the entire route in the most energy-efficient and time-optimized manner possible.
  • the processor unit is set up in a further embodiment to take into account a time period for loading and / or unloading the vehicle, in particular a truck, as an arrival time factor when calculating the trajectory for the vehicle.
  • a period of time that the vehicle needs for refueling is also relevant. This includes the actual refueling process at a column, but also, for example, the times required to pay for the fuel and travel times from the actual route to a gas station and back to the actual route. Furthermore, a period of time for charging a battery is relevant, which provides electrical energy to drive the electric motor.
  • the processor unit is set up in a further embodiment to take into account a time period for refueling the vehicle and / or for charging a battery of the vehicle as an arrival time factor when calculating the trajectory for the vehicle.
  • information about the availability of corresponding charging stations for the battery can also be taken into account by the processor unit.
  • the processor unit can take into account traffic volume and / or congestion situations and / or weather conditions on the entire route to the specified destination as an arrival time factor as a secondary condition when determining the trajectory for the vehicle.
  • the processor unit carries out the advance calculation of driving speed and energy consumption, taking into account the specification of a desired arrival time. Alternatively or additionally, this can also be done taking into account the specification of a desired range.
  • the processor unit can be set up to take into account the availability of parking spaces at rest areas as an arrival time factor when calculating the trajectory for the vehicle.
  • the processor unit can be used to communicate with a depot (e.g. via Car2l) in order to reserve a time for loading and / or unloading the vehicle.
  • a depot e.g. via Car2l
  • the processor unit can be used to communicate with a depot (e.g. via Car2l) in order to reserve a time for loading and / or unloading the vehicle.
  • the drive train comprises an electrical machine and a battery.
  • the cost function can contain, as a first term, electrical energy weighted with a first weighting factor and predicted according to the longitudinal dynamics model, which is provided within the prediction horizon by a battery of the drive train to drive the electrical machine.
  • the cost function can contain, as a second term, a travel time weighted with a second weighting factor and predicted according to the longitudinal dynamics model, which the vehicle needs to cover the entire distance predicted within the prediction horizon.
  • the processor unit can do this 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.
  • This embodiment enables the target function or the cost function of a driving efficiency strategy to contain a further term in addition to the energy consumption, which also minimizes the driving time. This leads to the fact that, depending on the choice of weighting factors, a low speed is not always rated as optimal and thus there is no problem that the resulting speed is always at the lower limit of the permitted speed.
  • the cost function in one embodiment contains a final energy consumption value weighted with the first weighting factor, which the predicted electrical energy assumes at the end of the prediction horizon, and the cost function contains a final travel time value weighted with the second weighting factor, which the predicted travel time at the end of the prediction horizon.
  • the cost function can have a third term with a third weighting factor, the third term containing a value of a torque predicted according to the longitudinal dynamics model, which the electric machine provides for driving the motor vehicle, and the processor unit is set up to to determine the input variable for the electrical machine by executing the MPC algorithm as a function of the first term, as a function of the second term and as a function of the third term, so that the cost function is minimized.
  • the third term can contain a first value, weighted with the third weighting factor, of a torque predicted according to the longitudinal dynamics model, which the electric machine provides for driving the motor vehicle to a first waypoint within the prediction horizon.
  • the third term can contain a zero value of a torque weighted with the third weighting factor, which the electric machine provides for driving the motor vehicle to a zero waypoint which is immediately before the first waypoint.
  • the zeroth torque can in particular be a real - and not merely predicted - torque provided by the electrical machine. In the cost function, the zeroth value of the torque can be subtracted from the first value of the torque.
  • the third term can contain a first value, weighted with the third weighting factor, of a drive force predicted according to the longitudinal dynamics model, which the electric machine provides to drive the motor vehicle to a first waypoint within the prediction horizon.
  • the third term contains a zeroth value, weighted with the third weighting factor, of a driving force which the electric machine provides to drive the motor vehicle to a zeroth waypoint which is immediately before the first waypoint, with the zeroth value of the driving force in the cost function is subtracted from the first value of the driving force.
  • the waypoints which are taken into account by the MPC algorithm are, in particular, discrete waypoints which, for example, follow one another at a certain frequency.
  • the zeroth waypoint and the first waypoint represent discrete waypoints, with the first waypoint immediately following the zeroth waypoint.
  • the zeroth waypoint can be earlier than the prediction horizon.
  • the zeroth torque value can be measured or determined.
  • the first waypoint represents in particular the first waypoint within the prediction horizon.
  • the first torque value can be predicted for the first waypoint.
  • the zeroth torque value actually determined can thus be compared with the predicted first torque value.
  • torque gradients within the horizon that are too high are disadvantageous, so that in one embodiment they are already penalized in the objective function.
  • the square deviation of the driving force per meter can be weighted and minimized in the objective function.
  • the cost function can have a fourth term with a fourth weighting factor, the fourth term containing a gradient of the torque predicted according to the longitudinal dynamics model or an indicator value for a gradient of the torque predicted according to the longitudinal dynamics model.
  • the processor unit is thereby set up to machine the input variable for the electrical Ma by executing the MPC algorithm as a function of the first term, as a function of the second term, as a function of the third term and as a function of the fourth term determine so that the cost function is minimized.
  • the fourth term contains a quadratic deviation of the gradient of the torque multiplied by the fourth weighting factor and added up.
  • the cost function can contain a quadratic deviation, summed up with the fourth weighting factor, of a drive force which the electrical machine provides in order to move the motor vehicle one meter in the longitudinal direction.
  • the fourth term can contain a quadratic deviation of a driving force multiplied by the fourth weighting factor and added up, which the electric machine provides to move the motor vehicle one meter in the longitudinal direction.
  • Speed limits which can be set for example by traffic rules, are hard limits for optimization that should not be exceeded. In reality, it is always permissible to slightly exceed the speed limits and, above all, it is more the norm when passing from one speed zone to a second zone. In dynamic environments in which the speed limits shift from one computing cycle to the next, it can happen that no valid solutions are found in the case of very hard limits. solution for a speed curve can be found.
  • a so-called “soft constraint” can be introduced into the objective function.
  • a so-called “slip variable” or “slack variable” can become active in a predetermined narrow range before the hard speed limit is reached.
  • the cost function can contain a Slack variable weighted with a fifth weighting factor as the fifth term, the processor unit being set up to, by executing the MPC algorithm as a function of the first term, as a function of the second term, to determine the input variable for the electrical machine as a function of the third term, as a function of the fourth term and as a function of the fifth term, so that the cost function is minimized.
  • the tractive effort can be limited by restricting the electrical machine's map.
  • the battery is the limiting element for maximum recuperation.
  • a certain negative performance value should not be undershot.
  • a driver assistance system for a vehicle that is driven by means of an electric machine.
  • the driver assistance system is set up to access an input variable for the electrical machine by means of a communication interface, the input variable having been determined by a processor unit according to the first aspect of the invention.
  • the processor unit determines the input variable for the electrical machine by executing an MPC algorithm as a function of a first term and as a function of a second term of a cost function of the MPC algorithm.
  • the first term represents an electrical energy weighted with a first weighting factor and predicted according to the longitudinal dynamics model of the vehicle, which within a prediction horizon of the Battery is provided to drive the electric machine.
  • the second term represents a driving time weighted with a second weighting factor and predicted according to the longitudinal dynamics model, which the vehicle needs to cover the entire distance predicted within the prediction horizon.
  • the driver assistance system is set up to control the electrical machine based on the input variable.
  • a vehicle which comprises an electric machine, a battery and a driver assistance system according to the second aspect of the invention.
  • the vehicle is, in particular, a motor vehicle that is driven by a motor, for example an automobile (for example a passenger car with a weight of less than 3.5 t), motorcycle, scooter, moped, bicycle, e-bike or Pedelec (acronym for Pedal Electric Cycle), bus or truck (e.g. weighing more than 3.5 t), or a rail vehicle, a ship, an aircraft such as a helicopter or an airplane.
  • a motor vehicle for example an automobile (for example a passenger car with a weight of less than 3.5 t), motorcycle, scooter, moped, bicycle, e-bike or Pedelec (acronym for Pedal Electric Cycle), bus or truck (e.g. weighing more than 3.5 t), or a rail vehicle, a ship, an aircraft such as a helicopter or an airplane.
  • the invention can also be used in small, light electric micro-mobility vehicles, these vehicles being used in particular in urban traffic and for the first and last mile in rural areas.
  • the first and last mile can
  • the vehicle can, for example, belong to a vehicle fleet.
  • the vehicle can be controlled by a driver, possibly supported by a driver assistance system.
  • the vehicle can also be controlled remotely and / or (partially) autonomously, for example.
  • the vehicle can be an electric vehicle, a hybrid vehicle, or a plug-in hybrid vehicle.
  • An "electric vehicle” can be a vehicle be understood that is powered by electrical energy.
  • the electric vehicle can be supplied with drive energy in the form of electrical energy.
  • the electrical energy can be stored in a battery of the electric vehicle (Battery Electric Vehicle).
  • the electrical energy can in particular be supplied per manent from the outside, z. B. via a busbar, an overhead line or by induction.
  • a “hybrid vehicle” can be understood to mean an electric vehicle that can be driven by at least one electric motor and at least one internal combustion engine.
  • the hybrid vehicle can draw energy from a battery as well as from an additional fuel, such as diesel, gasoline or gas.
  • a “plug-in hybrid vehicle” can be understood to mean a hybrid vehicle whose battery can be charged both via an internal combustion engine and via a power grid that is located outside the plug-in hybrid vehicle and which has an electrical connection for the plug -in hybrid vehicle can be connected.
  • a plug-in hybrid vehicle can be viewed as a hybrid between a hybrid vehicle and an electric car.
  • a method for model-based predictive control of a vehicle taking into account an arrival time factor.
  • the procedure consists of the following steps:
  • a computer program product for model-based predictive control of a vehicle taking into account a Arrival time factor provided.
  • the computer program when it is executed on a processor unit, instructs the processor unit,
  • a trajectory for the vehicle taking into account at least one arrival time factor, the trajectory comprising an entire route to a specified destination at which the vehicle is to arrive, and the arrival time factor indicating an arrival time of the vehicle at the specified destination be influenced, and
  • an MPC algorithm ‘ which contains a longitudinal dynamics model of a drive train of the vehicle and a cost function to be minimized, to optimize a section of the trajectory for the vehicle for a sliding prediction horizon so that the cost function is minimized.
  • Fig. 1 is a side view of a vehicle with a drive train comprising an electric machine and a battery, and
  • Fig. 2 is a plan view of a road on which the vehicle of Fig. 1 can drive auto nom in order to get from a starting point to a destination point.
  • Fig. 1 shows a vehicle in the form of a motor vehicle 1, for example a passenger car (car) or a truck (truck).
  • the motor vehicle 1 comprises a system 2 for model-based predictive control of an electrical machine 8 of a drive train 7 of the motor vehicle 1, taking into account an arrival time Factor.
  • the system 2 comprises a processor unit 3, a memory unit 4, a communication interface 5 and a detection unit 6 for detecting status data relating to the motor vehicle 1.
  • the 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 gear ratio, for example.
  • the battery 9 can provide the necessary electrical energy.
  • 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 if the motor vehicle 1 is a plug-in hybrid vehicle.
  • the drive train of the motor vehicle 1 can also optionally have an internal combustion engine 21, which can drive the motor vehicle 1 as an alternative or in addition to the electric machine 8.
  • the internal combustion engine 21 can also be set up to 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 model 14 of the drive train 7 of the motor vehicle 1 and a cost function 15 to be minimized.
  • the processor unit 3 executes the MPC algorithm 13 and determines an optimized one Trajectory for the motor vehicle 1. A behavior of the motor vehicle 1 is predicted based on the longitudinal dynamics model 14, the cost function 15 being minimized.
  • the output of the optimization by the MPC algorithm 13 results, for example, in a speed matched to the optimized trajectory and an optimal torque of the electrical machine 8 for calculated points in the prediction horizon.
  • the processor unit 3 can determine an input variable for the electrical Ma machine 8 so that the optimal speed and the optimal torque are set.
  • the processor unit 3 can control the electrical machine 8 based on the determined input variable. However, this can also be done by a driver assistance system 16.
  • the detection unit 6 can measure current state variables of the motor vehicle 1, record corresponding data and feed them to the MPC algorithm 13.
  • route data from an electronic map for a forecast horizon or prediction horizon (e.g. 500 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 detection unit 6 can be used to locate the motor vehicle 1, in particular via a GNSS signal generated by a GNSS sensor 12 for precise localization on the electronic map.
  • the processor unit 3 can access this information via the communication interface 5, for example.
  • the vehicle 1 is located on a parking space 17 which is adjacent to a street 18 which leads to a depot 19.
  • the course of the road 18 is shown interrupted due to its length.
  • a driver of the vehicle 1 can specify to the driver assistance system 16 that it wants to get from the parking lot 17 (start) to the depot 19 (destination), for example.
  • the driver assistance system 16 can provide an autonomous driving function for the vehicle 1 so that the vehicle 1 drives autonomously from the parking lot 17 to the depot 19.
  • the processor unit 3 or the driver assistance system 16 can first generate the entire route 20 from the parking lot 17 to the depot 19 and, given discrete waypoints on this route, assign a speed of the vehicle 1.
  • the trajectory for the vehicle 1 is calculated in this way.
  • the processor unit 3 or the driver assistance system 16 can use the acquisition unit 6 and a planning module for this purpose, which can be implemented as software, for example.
  • the planning module can comprise several levels, e.g. a navigation level on a larger scale (e.g. several km; here the trajectory for vehicle 1 can be selected from start 17 to destination 19) and a navigation level on a smaller scale (e.g. in the 50m to 100m ahead , depending on the speed of the vehicle 1; a choice of course and speed in the vicinity of the vehicle 1 is possible here in order to determine how the vehicle 1 should move in traffic).
  • arrival time factors which influence an arrival time of the vehicle 1 at the specified destination 19 can be taken into account.
  • breaks for the driver (for example a private person, a truck driver or a bus driver) of the vehicle 1 are taken into account.
  • a period of time for loading the vehicle 1, in particular if it is a truck, as well as times for refueling and / or charging the battery 9 of the vehicle 1 can be taken into account.
  • information about the availability of a charging station 22 for the battery 9 of the vehicle 1, about available parking spaces 23 at rest areas 24 for trucks can be taken into account.
  • information about a traffic volume and traffic jams as well as weather conditions on route 20 can be taken into account.
  • the processor unit 3 of the vehicle 1 can also communicate with a processor unit 25 of the depot 19 (e.g. via a car2l communication) in order to reserve a point in time for loading and / or unloading that matches the calculated trajectory for the vehicle 1 can be. This enables a reduced waiting time and instead a use of the time for more energy-efficient driving.
  • the processor unit 3 executes the MPC algorithm 13 and optimizes it for a sliding (ie spatially or in the way shifting) prediction horizon a current section of the trajectory for the vehicle 1, so that the cost function is minimized.
  • the processor unit 3 can form the planning module (“top level” planning module) described above, which plans the entire route 20 and trajectory for the vehicle 1, taking into account the mentioned arrival time factors.
  • This planning module can then transfer sections or parts of the vehicle trajectory for the entire route to the MPC algorithm 13, by means of which an optimal trajectory of the vehicle 1 within the prediction horizon can be determined.
  • the processor unit 3 can also take into account an arrival time specified by the driver of the vehicle 1 at the specified destination 19 or a range specified by the driver of the vehicle 1 as a secondary condition when optimizing the trajectory for the vehicle 1.
  • An exemplary longitudinal dynamics model 14 of the motor vehicle 1 can be expressed mathematically as follows:
  • v is the speed of the motor vehicle
  • Fd is the drag force of the motor vehicle
  • meq is the equivalent mass of the motor vehicle
  • the equivalent mass includes in particular the inertia of the rotating parts of the drive train that are exposed to the acceleration of the motor vehicle (engine, transmission drive shafts, wheels).
  • the dynamics equation of the longitudinal dynamics model 14 is linearized by dekin expressing the speed through coordinate transformation using kinetic energy.
  • 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 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. This allows convert the speed of the electric machine 8 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 the corresponding speed. In order to be able to use a corresponding map of the electrical machine 8 for the optimization, it is approximated linearly: Your gy per meter > a £ * k i n + bi * F trac for all i.
  • the cost function 15 to be minimized can be expressed mathematically as follows:
  • FA Driving force which is provided by the electric machine, is constantly translated by a transmission and is applied to a wheel of the motor vehicle
  • the cost function 15 has only 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 the first term an electrical energy Eßat weighted with a first weighting factor Wßat and predicted according to the longitudinal dynamics model, which is provided within a prediction horizon by the battery 9 of the drive train 7 for driving the electric machine 8.
  • the cost function 15 contains a driving 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 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 An Driving force per meter is weighted with a weighting factor WTem 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 Ws lack 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.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

Die Erfindung betrifft die modellbasierte prädiktive Regelung eines Fahrzeugs unter Berücksichtigung eines Ankunftszeit-Faktors. Insbesondere wird eine Prozessoreinheit bereitgestellt, welche dazu eingerichtet ist, unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors eine Trajektorie für das Fahrzeug (1) zu berechnen, wobei die Trajektorie eine gesamte Route (20) bis zu einem vorgegebenen Ziel (19) umfasst, an dem das Fahrzeug (1) ankommen soll, und wobei der Ankunftszeit-Faktor eine Ankunftszeit des Fahrzeugs (1) an dem vorgegebenen Ziel (19) beeinflusst. Weiterhin ist die Prozessoreinheit dazu eingerichtet, durch Ausführen eines MPC-AIgorithmus', welcher ein Längsdynamikmodell eines Antriebsstrangs des Fahrzeugs (1) und eine zu minimierende Kostenfunktion enthält, für einen gleitenden Prädiktionshorizont einen Abschnitt der Trajektorie für das Fahrzeug (1) zu optimieren, sodass die Kostenfunktion minimiert wird.

Description

Modellbasierte prädiktive Regelung eines Fahrzeugs unter Berücksichtigung eines
Ankunftszeit-Faktors
Die Erfindung betrifft die modellbasierte prädiktive Regelung eines Fahrzeugs unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors. Beansprucht werden in die sem Zusammenhang insbesondere eine Prozessoreinheit, ein Fahrerassistenzsys tem, ein Fahrzeug, ein Verfahren sowie ein Computerprogrammprodukt.
Methoden der modellbasierten prädiktiven Regelung (im Englischen: Model Predic- tive Control oder abgekürzt: MPC) werden auf dem Gebiet der Trajektorie-Regelung, insbesondere im Bereich der Motor-Regelung in Kraftfahrzeugen eingesetzt. Auf grund online verfügbarer Strecken Informationen und einer benötigten Rechenzeit wird eine Fahrstrategie in einer modellbasierten prädiktiven Regelung eines Fahr zeugs üblicherweise für einen begrenzten Vorausschauhorizont berechnet. Dadurch kann eine Ankunftszeit des Fahrzeugs am Ziel nicht vorhergesagt und eine Trajekto- rie des Fahrzeugs auch nicht dahingehend optimiert werden. Weiterhin bleiben Tank stopps und Ladestopps des Fahrzeugs unberücksichtigt.
Eine Aufgabe der vorliegenden Erfindung kann darin gesehen werden, eine verbes serte MPC-Regelung eines Antriebsstrangs eines Kraftfahrzeugs bereitzustellen. Die Aufgabe wird gelöst durch die Gegenstände der unabhängigen Patentansprüche. Vorteilhafte Ausführungsformen sind Gegenstand der Unteransprüche, der folgenden Beschreibung sowie der Figuren.
Die vorliegende Erfindung stellt eine energieeffiziente und zeiteffiziente Routenpla nung zur Verfügung. Insbesondere wird eine Optimierung einer Fahrgeschwindigkeit eines Fahrzeugs für einen optimalen Energieverbrauch und/oder eine optimale Fahr zeit bis zu einem gewünschten örtlichen Ziel vorgeschlagen. Dabei werden zusätzlich zu einer Streckentopologie und einer Position von Tankmöglichkeiten und Lademög lichkeiten weitere Informationen und Einflüsse auf die Ankunft des Fahrzeugs an dem gewünschten örtlichen Endziel wie beispielsweise notwendige Pausenzeiten berück- sichtigt. Die Optimierung erfolgt für reine Elektrofahrzeuge oder Plug-In Hybridfahr zeuge, wodurch die Nutzung elektrischer Ladestationen nicht zwingend notwendig ist und ein weiterer Freiheitsgrad für das Optimierungsproblem entsteht.
Die modellprädiktive Regelung eines Fahrzeugs wird gemäß der vorliegenden Erfin dung durch die Berechnung der kompletten Strecke und Trajektorie unter Berück sichtigung von Ankunftszeit-Faktoren erweitert, welche die Fahrtzeit bzw. die An kunftszeit des Fahrzeugs an einem gewünschten örtlichen Ziel beeinflussen. Bei spiele für die Ankunftszeit-Faktoren sind Pausenzeiten (Privatperson, LKW-Fahrer, Busfahrer), Zeiten zum Beladen eines LKWs, Zeiten zum Tanken/Laden der Batterie, Information über Verfügbarkeit von Ladestationen, Verkehrsaufkommen und Stau und Wetterbedingungen auf der Strecke. Ebenfalls kann eine Vorausberechnung von Fahrgeschwindigkeit und Energieverbrauch unter Berücksichtigung der Vorgabe ei ner Wunschankunftszeit oder einer Wunsch-Reichweite erfolgen.
In diesem Sinne wird gemäß einem ersten Aspekt der Erfindung eine Prozessorein heit zur modellbasierten prädiktiven Regelung eines Fahrzeugs unter Berücksichti gung eines Ankunftszeit-Faktors bereitgestellt. Die Prozessoreinheit ist dazu einge richtet, unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors eine Trajekto rie für das Fahrzeug zu berechnen. Die Trajektorie umfasst bzw. berücksichtigt eine gesamte Route bis zu einem vorgegebenen Ziel, an dem das Fahrzeug ankommen soll. Der Ankunftszeit-Faktor beeinflusst eine Ankunftszeit des Fahrzeugs an dem vorgegebenen Ziel. Die auf diese Weise berechnete Trajektorie für das Fahrzeug kann relativ grob sein, wobei dem Fahrzeug z.B. noch keine Gänge vorgegeben wer den. Das vorgegebene Ziel ist eine Position, an der das Fahrzeug ankommen soll. Ausgehend von einer Startposition führt die Route zu dem Ziel. Die „gesamte Route“ umfasst den gesamten Streckenverlauf zwischen Start und Ziel. Der Prädiktionshori zont der modellbasierten prädiktiven Regelung hingegen ist gleitend und erfasst je weils einen Teil der gesamten Route, bis das Ziel erreicht ist. Das Ziel kann durch ei nen Fahrer des Fahrzeugs vorgegeben werden, beispielsweise durch eine Eingabe auf einem Navigationsgerät des Fahrzeugs. Das Ziel kann ferner beispielsweise durch eine externe Einheit vorgegeben werden, beispielsweise durch eine außerhalb des Fahrzeugs angeordnete Kommandozentrale einer Fahrzeugflotte.
Die Trajektorie für das Fahrzeug kann beispielsweise durch einen Routen -Algorith mus generiert werden, der in ein System für autonomes Fahren (englischsprachiger gängiger Fachausdruck: Autonomous Driving System oder kurz: AD-System) einge bettet sein kann. Das AD-System umfasst typischerweise ein Modul zur Umgebungs wahrnehmung mit Sensoren und ein Planungsmodul. Das Planungsmodul kann meh rere Ebenen umfassen, z.B. eine Navigationsebene im größeren Maßstab (z.B. meh rere km; hier kann die Fahrzeugtrajektorie von Start bis Ziel gewählt bzw. berechnet werden) und eine Navigationsebene im kleineren Maßstab (z.B. in den vorausliegen den 50 m bis 100 m, je nach Geschwindigkeit des Fahrzeugs; hier ist eine Wahl von Kurs und Geschwindigkeit im näheren Umfeld des Fahrzeugs möglich, um festzule gen, wie sich das Fahrzeug im Verkehr bewegen soll).
Die Prozessoreinheit ist weiterhin dazu eingerichtet, durch Ausführen eines MPC-AI- gorithmus', welcher ein Längsdynamikmodell eines Antriebsstrangs des Fahrzeugs und eine zu minimierende Kostenfunktion enthält, für einen gleitenden Prädiktionsho rizont einen Abschnitt der Trajektorie für das Fahrzeug zu optimieren, sodass die Kostenfunktion minimiert wird. Die optimierte Trajektorie für den gleitenden Prädikti onshorizont ist feiner als die Geschwindigkeitstrajektorie für die gesamte Route und kann dem Fahrzeug insbesondere Gänge vorgeben. Die Berechnung der Fahrzeug trajektorie für die gesamte Route erfolgt somit separat zu der MPC-basierten Opti mierung der Fahrzeugtrajektorie innerhalb des gleitenden Prädiktionshorizonts. Ins besondere wird für jeden neuen Prädiktionshorizont ein neues bzw. aktualisiertes Teilstück der Fahrzeugtrajektorie für die gesamte Route optimiert. Weiterhin kann die Prozessoreinheit das vorstehend beschriebene Planungsmodul („Top Lever-Pla nungsmodul) bilden, welches die gesamte Fahrzeugtrajektorie unter Berücksichti gung der Ankunftszeit-Faktoren plant. Dieses Planungsmodul kann dann Teilstücke der gesamten Fahrzeugtrajektorie an den MPC-Algorithmus übergeben, mittels wel chem eine optimale Trajektorie des Fahrzeugs innerhalb des Prädiktionshorizonts er- mittelt werden kann. Um die zeitliche Information zu berücksichtigen, kann das Pla nungsmodul am Ende des Teilstücks, das dem MPC-Algorithmus übergeben wird, ei nen geeigneten Punkt setzen, der dem Zielzeitpunkt am Ende des Teilstücks ent spricht.
Außerdem kann die Prozessoreinheit dazu eingerichtet sein, das Fahrzeug, insbe sondere eine elektrische Maschine des Fahrzeugs, basierend auf der ermittelten, op timierten Trajektorie zu steuern. Dabei kann die Prozessoreinheit dazu eingerichtet sein, die mittels des MPC-Algorithmus optimierte Trajektorie für das Fahrzeug an ei nen Target Generator zu übermitteln, der insbesondere durch ein Softwaremodul im plementiert sein kann. Mittels dieses Software-Moduls kann die Prozessoreinheit die mathematisch-optimale Trajektorie für das Fahrzeug in tatsächlich verwertbare Kom ponentensignale konvertieren. Als Beispiel kann durch die MPC-Regelung eine Ge schwind igkeitstrajektorie des Fahrzeugs für die nächsten 500m optimal geplant wer den. In diesem Fall würde der Target Generator aus der Trajektorie die Stellgrößen bzw. Sollgrößen verwenden, die dem aktuellen Zeitpunkt entsprechen.
Die durch die Prozessoreinheit ermittelte und optimierte Trajektorie für das Fahrzeug kann insbesondere genutzt werden, um eine autonome oder zumindest teilautonome Fahrfunktion für das Fahrzeug bereitzustellen. Diese Fahrfunktion kann durch ein Fahrerassistenzsystem des Fahrzeugs bereitgestellt werden. Die autonome Fahr funktion ermöglicht, dass das Fahrzeug selbstständig fährt, d.h. ohne, dass ein Fahr zeuginsasse 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 zentralen Prozessoreinheit - dazu eingerichtet ist, beispielsweise Lenk-, Blink-, Beschleunigungs- und Bremsmanöver ohne menschliches Eingreifen durchzuführen sowie insbesondere Außenlicht und Signalgebung wie Blinker des Fahrzeugs zu steuern. Unter der teilautonomen Fahr funktionen kann eine Fahrfunktionen verstanden werden, die einen Fahrer des Fahr zeugs bei der Steuerung des Fahrzeugs unterstützt, insbesondere bei Lenk-, Blink-, Beschleunigungs- und Bremsmanövern, wobei der Fahrer weiterhin die Kontrolle über das Fahrzeug hat. Um in jeder Situation unter gegebenen Randbedingungen und Beschränkungen eine optimale Lösung für eine sogenannte „Driving Efficiency“ Fahrfunktion zu finden, wel che eine effiziente Fahrweise bereitstellen soll, wurde die Methode der modellbasier ten prädiktiven Regelung (MPC) gewählt. Die MPC-Methode basiert auf einem Sys temmodell, welches das Verhalten des Systems beschreibt. Weiterhin basiert die MPC-Methode auf einer Zielfunktion bzw. auf einer Kostenfunktion, die ein Optimie rungsproblem beschreibt und bestimmt, welche Zustandsgrößen minimiert werden sollen. Die Zustandsgrößen für die Driving Efficiency Fahrfunktion können insbeson dere die Fahrzeuggeschwindigkeit bzw. die kinetische Energie, die verbleibende Energie in der Batterie und die Fahrzeit sein. Die Optimierung von Energieverbrauch und Fahrtzeit erfolgt insbesondere auf Basis der Steigung der vorausliegenden Stre cke und Beschränkungen für Geschwindigkeit und Antriebskraft, sowie auf Basis des aktuellen Systemzustands.
Die Zielfunktion bzw. die Kostenfunktion der Driving Efficiency Fahrstrategie kann insbesondere zwei Terme enthalten, durch welche sowohl ein Energieverbrauch als auch eine Fahrzeit bis zu dem vorgegebenen Ziel minimiert werden. Dies führt dazu, dass je nach Wahl von Gewichtungsfaktoren, die den Termen zugeordnet werden können, eine geringe Geschwindigkeit nicht immer als optimal bewertet wird und so vermieden werden kann, dass die resultierende Geschwindigkeit immer am unteren Rand der erlaubten Geschwindigkeit liegt.
Die vorliegende Erfindung ermöglicht weiterhin, dass der Fahrereinfluss nicht länger relevant für den Energieverbrauch und die Fahrzeit des Kraftfahrzeugs sein muss, in dem insbesondere eine elektrische Maschine zum Antrieb des Fahrzeugs durch die Prozessoreinheit basierend auf einer Eingangsgröße für die elektrische Maschine ge steuert werden kann, die durch Ausfuhren des MPC-Algorithmus ermittelt wird. Mit tels der Eingangsgröße kann insbesondere ein optimaler Motorbetriebspunkt der elektrischen Maschine eingestellt werden. Dadurch kann eine optimale Einregelung der optimalen Geschwindigkeit des Kraftfahrzeugs erfolgen. Das Längsdynamikmodell des Antriebsstrangs kann ein Fahrzeugmodell mit Fahr zeugparametern und Antriebsstrangverlusten (z.T. approximierte Kennfelder) umfas sen. In das Längsdynamikmodell des Antriebsstrangs können insbesondere Kennt nisse über vorausliegende Streckentopografien (z.B. Kurven und Steigungen) einflie ßen. Weiterhin können auch Kenntnisse über Geschwindigkeitslimits auf der voraus liegenden Strecke in das Längsdynamikmodell des Antriebsstrangs einfließen.
Die Kostenfunktion kann ausschließlich lineare und quadratische Terme umfassen. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit line aren Nebenbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann. Die Zielfunktion bzw. die Kostenfunktion kann mit einer Gewichtung (Gewichtungsfaktoren) aufgestellt werden, wobei insbesondere eine Energieeffizienz, eine Fahrtzeit und ein Fahrkomfort berechnet und gewichtet wer den. Eine energieoptimale Geschwindigkeitstrajektorie kann für einen vorausliegen den Horizont auf der Prozessoreinheit online berechnet werden, die insbesondere ein Bestandteil eines Zentral-Steuergeräts des Kraftfahrzeugs bilden kann. Durch Nutzung der MPC-Methode kann weiterhin eine zyklische Neuberechnung der Soll- Geschwindigkeit des Kraftfahrzeugs 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 den gleitenden Vorausschauhorizont bzw. Prädikti onshorizont (z.B. 500 m) vor dem 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 Kraftfahrzeug umgerechnet wer den. Außerdem kann eine Ortung des Kraftfahrzeugs erfolgen, insbesondere über ein GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte. Durch die Kostenfunktion des MPC-Algorithmus' kann eine Minimierung insbeson dere der Fahrzeit für den Prädiktionshorizont und eine Minimierung von verbrauchter Energie erfolgen. In einer Ausführungsform erfolgt weiterhin eine Minimierung von Drehmomentänderungen für den Prädiktionshorizont. Was den Input für die modell basierte prädiktive Regelung angeht, so können dem MPC-Algorithmus als weitere Nebenbedingungen z.B. Geschwindigkeitslimits, physikalische Grenzen für das Dreh moment und Drehzahlen der elektrischen Maschine zugeführt werden. Dem MPC- Algorithmus können weiterhin Steuergrößen für die Optimierung als Input zugeführt werden, insbesondere die Geschwindigkeit des Fahrzeugs (welche proportional zur Drehzahl sein kann), das Drehmoment der elektrischen Maschine und der Batteriela dezustand. Als Output der Optimierung kann der MPC-Algorithmus eine optimale Drehzahl und ein optimales Drehmoment für berechnete Punkte im Vorausschauhori zont liefern. Was die Umsetzung der MPC-Regelung im Fahrzeug angeht, so kann dem MPC-Algorithmus ein Softwaremodul („Target-Generator“) nachgeschaltet sein, welches einen aktuell relevanten Zustand ermittelt und an eine Leistungselektronik weitergibt.
Während das Fahrzeug zu dem vorgegebenen örtlichen Ziel bewegt wird (insbeson dere unterstützt durch eine teilautonome oder autonome Fahrfunktion), kann bzw. muss der Fahrer eine oder mehrere Pausen einlegen, um sich zu regenerieren. In diesem Sinne kann die Prozessoreinheit dazu eingerichtet sein, Pausenzeiträume ei nes Fahrers des Fahrzeugs als einen Ankunftszeit-Faktor bei der Berechnung der Trajektorie für das Fahrzeug zu berücksichtigen. Unter einer Pause kann verstanden werden, dass das Fahrzeug zum Stillstand gebracht wird, z.B. auf einem Rastplatz oder einem Parkplatz, und dass das Fahrzeug für einen Zeitraum (der Pausenzeit raum) im Stillstand belassen wird. Die Pausen können zum Teil gesetzlich vorgege ben sein, z.B. für Fahrer eines Lastkraftwagens oder eines Busses. Die Pausen kön nen vor Antritt der Fahrt zu dem vorgegebenen örtlichen Endziel und/oder während der Fahrt zu dem vorgegebenen örtlichen Endziel und/oder nach der Fahrt zu dem vorgegebenen örtlichen Endziel eingelegt werden. Wann und wo der Fahrer eine Pause macht, ist abhängig von dem gesamten Stre ckenverlauf bis zu dem vorgegebenen örtlichen Endziel. Wenn der Streckenverlauf beispielsweise eine Autobahn umfasst, so ist der Ort, an dem eine Pause eingelegt werden kann, von der Verfügbarkeit von Parkplätzen oder Rastplätzen entlang der Autobahn abhängig. Der Zeitpunkt, zu dem eine Pause eingelegt werden kann, ist in diesem Beispiel davon abhängig, wie weit der anvisierte Parkplatz oder Rastplatz von dem aktuellen Standort des Fahrzeugs entfernt ist und mit welcher Geschwindig keit sich das Fahrzeug bis zu dem anvisierten Parkplatz oder Rastplatz fortbewegen kann oder darf.
Auch das Beladen und Entladen eines Fahrzeugs spielt eine Rolle bei der Geschwin digkeitsplanung für das Fahrzeug, um eine möglichst energieeffiziente und zeitopti mierte Fahrt des Fahrzeugs auf der gesamten Strecke zu ermöglichen. In diesem Sinne ist die Prozessoreinheit in einer weiteren Ausführungsform dazu eingerichtet, einen Zeitraum zum Beladen und/oder Entladen des Fahrzeugs, insbesondere eines Lastkraftfahrwagens, als einen Ankunftszeit-Faktor bei der Berechnung der Trajekto- rie für das Fahrzeug zu berücksichtigen.
Wenn es sich um ein Hybridfahrzeug handelt, welches zusätzlich zu einem Elektro- Motor einen mit fossilen Brennstoffen betriebenen Verbrennungskraftmotor umfasst, so ist weiterhin ein Zeitraum relevant, welches das Fahrzeug zum Tanken benötigt. Dies schließt den eigentlichen Tankvorgang an einer Säule ein, aber auch beispiels weise notwendige Zeiten zum Bezahlen des getankten Kraftstoffs und Fahrtzeiten von der eigentlichen Route bis zu einer Tankstelle und wieder zurück zu der eigentli chen Route. Ferner ist ein Zeitraum zum Aufladen einer Batterie relevant, welche elektrische Energie zum Antrieb des Elektro-Motors bereitstellt. In diesem Sinne ist die Prozessoreinheit in einer weiteren Ausführungsform dazu eingerichtet, einen Zeit raum zum Tanken des Fahrzeugs und/oder zum Laden einer Batterie des Fahrzeugs als einen Ankunftszeit-Faktor bei der Berechnung der Trajektorie für das Fahrzeug zu berücksichtigen. Im Zusammenhang mit dem Aufladen der Batterie können ferner durch die Prozessoreinheit Informationen über die Verfügbarkeit entsprechender La destationen für die Batterie berücksichtigt werden. Außerdem kann die Prozessoreinheit ein Verkehrsaufkommen und/oder Stausituatio nen und/oder Wetterbedingungen, auf der gesamten Route bis zu dem vorgegebe nen Ziel als einen Ankunftszeit-Faktor als Nebenbedingung bei der Ermittlung der Trajektorie für das Fahrzeug berücksichtigen.
Weiterhin kann vorteilhaft vorgesehen sein, dass die Prozessoreinheit die Vorausbe rechnung von Fahrgeschwindigkeit und Energieverbrauch unter Berücksichtigung der Vorgabe einer Wunsch-Ankunftszeit durchführt. Alternativ oder zusätzlich kann dies auch unter Berücksichtigung der Vorgabe einer Wunsch-Reichweite erfolgen.
Außerdem können Informationen über verfügbare Parkplätze an Raststellen insbe sondere für LKW zur Geschwindigkeitsplanung und zur Routenplanung genutzt wer den. In diesem Sinne kann die Prozessoreinheit dazu eingerichtet sein, eine Verfüg barkeit von Parkplätzen an Raststellen als einen Ankunftszeit-Faktor bei der Berech nung der Trajektorie für das Fahrzeug zu berücksichtigen.
Zusätzlich kann mittels der Prozessoreinheit eine Kommunikation mit einem Betriebs hof erfolgen (z.B. über Car2l), um einen Zeitpunkt für eine Beladung und/oder eine Entladung des Fahrzeugs zu reservieren. Dadurch wird eine reduzierte Wartezeit er möglicht und stattdessen eine Nutzung der freigewordenen Zeit zum energieeffizien teren Fahren des Fahrzeugs.
In einer weiteren Ausführungsform umfasst der Antriebsstrang eine elektrische Ma schine und eine Batterie. Die Kostenfunktion kann als ersten Term eine mit einem ersten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell prädi- zierte elektrische Energie enthalten, welche innerhalb des Prädiktionshorizonts von einer Batterie des Antriebsstrangs zum Antrieb der elektrischen Maschine bereitge stellt wird. Die Kostenfunktion kann als zweiten Term eine mit einem zweiten Gewich tungsfaktor gewichtete und gemäß dem Längsdynamikmodell prädizierte Fahrzeit enthalten, welche das Fahrzeug zum Zurücklegen der gesamten innerhalb des Prä diktionshorizonts 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, sodass die Kostenfunktion minimiert wird. Diese Ausführungsform ermöglicht, dass die Zielfunktion bzw. die Kostenfunktion einer Dri- ving Efficiency Fahrstrategie neben dem Energieverbrauch einen weiteren Term ent hält, wodurch zusätzlich auch die Fahrzeit minimiert wird. Dies führt dazu, dass je nach Wahl der Gewichtungsfaktoren eine geringe Geschwindigkeit nicht immer als optimal bewertet wird und somit nicht das Problem besteht, dass die resultierende Geschwindigkeit immer am unteren Rand der erlaubten Geschwindigkeit liegt.
Energieverbrauch und Fahrzeit können jeweils am Ende des Horizonts ausgewertet und gewichtet werden. Dieser Term ist also nur für den letzten Punkt des Horizonts aktiv. In diesem Sinne enthält die Kostenfunktion in einer Ausführungsform einen mit dem ersten Gewichtungsfaktor gewichteten Energieverbrauchsendwert, den die prä- dizierte elektrische Energie am Ende des Prädiktionshorizonts annimmt, und die Kos tenfunktion enthält einen mit dem zweiten Gewichtungsfaktor gewichteten Fahrzeit endwert, den die prädizierte Fahrzeit am Ende des Prädiktionshorizonts annimmt.
Um ein komfortables Fahren sicher zu stellen, können zusätzlich Terme zur Bestra fung von Momentensprüngen eingeführt werden. In diesem Sinne kann die Kosten funktion einen dritten Term mit einem dritten Gewichtungsfaktor aufweisen, wobei der dritte Term einen gemäß dem Längsdynamikmodell prädizierten Wert eines Drehmo ments enthält, welches die elektrische Maschine zum Antrieb des Kraftfahrzeugs be reitstellt, und wobei die Prozessoreinheit dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term und in Abhängigkeit von dem dritten Term die Eingangsgröße für die elektrische Maschine zu ermitteln, sodass die Kostenfunktion minimiert wird.
Für den ersten Punkt im Horizont kann die Abweichung zum zuletzt gestellten Mo ment negativ bewertet werden, um sicher zu stellen, dass es einen nahtlosen und ruckfreien Übergang beim Umschalten zwischen alter und neuer Trajektorie gibt. In diesem Sinne kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewich teten ersten Wert eines gemäß dem Längsdynamikmodell prädizierten Drehmoments enthalten, welches die elektrische Maschine zum Antrieb des Kraftfahrzeugs zu ei nem ersten Wegpunkt innerhalb des Prädiktionshorizonts bereitstellt. Dabei kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten nullten Wert eines Drehmoments enthalten, welches die elektrische Maschine zum Antrieb des Kraft fahrzeugs zu einem nullten Wegpunkt bereitstellt, der unmittelbar vor dem ersten Wegpunkt liegt. Bei dem nullten Drehmoment kann es sich insbesondere um ein real - und nicht bloß prädiziert - von der elektrischen Maschine bereitgestelltes Drehmo ment handeln. In der Kostenfunktion kann der nullte Wert des Drehmoments von dem ersten Wert des Drehmoments abgezogen werden.
Alternativ kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten ersten Wert einer gemäß dem Längsdynamikmodell prädizierten Antriebskraft enthal ten, welche die elektrische Maschine zum Antrieb des Kraftfahrzeugs zu einem ers ten Wegpunkt innerhalb des Prädiktionshorizonts bereitstellt. Der dritte Term enthält dabei einen mit dem dritten Gewichtungsfaktor gewichteten nullten Wert einer An triebskraft, welche die elektrische Maschine zum Antrieb des Kraftfahrzeugs zu ei nem nullten Wegpunkt bereitstellt, der unmittelbar vor dem ersten Wegpunkt liegt, wobei in der Kostenfunktion der nullte Wert der Antriebskraft von dem ersten Wert der Antriebskraft abgezogen wird.
Bei den Wegpunkten, welche durch den MPC-Algorithmus berücksichtigt werden, handelt es sich insbesondere um diskrete Wegpunkte, die beispielsweise in einer be stimmten Frequenz aufeinanderfolgen. In diesem Sinne stellen der nullte Wegpunkt und der erste Wegpunkt diskrete Wegpunkte dar, wobei der erste Wegpunkt unmittel bar auf den nullten Wegpunkt folgt. Der nullte Wegpunkt kann zeitlich vor dem Prä diktionshorizont liegen. Für den nullten Wegpunkt kann der nullte Drehmomentwert gemessen oder ermittelt werden. Der erste Wegpunkt stellt insbesondere den ersten Wegpunkt innerhalb des Prädiktionshorizonts dar. Für den ersten Wegpunkt kann das erste Drehmomentwert prädiziert werden. Somit kann der real ermittelte nullte Drehmomentwert mit dem prädizierten ersten Drehmomentwert verglichen werden. Zusätzlich sind zu hohe Drehmomentgradienten innerhalb des Horizonts unvorteil haft, so dass diese in einer Ausführungsform bereits in der Zielfunktion bestraft wer den. Dafür kann die quadratische Abweichung der Antriebskraft je Meter gewichtet und in der Zielfunktion minimiert werden. In diesem Sinne kann die Kostenfunktion einen vierten Term mit einem vierten Gewichtungsfaktor aufweisen, wobei der vierte Term einen gemäß dem Längsdynamikmodell prädizierten Gradienten des Drehmo ments oder einen Indikatorwert für einen gemäß dem Längsdynamikmodell prädizier ten Gradienten des Drehmoments enthält. Die Prozessoreinheit ist dabei dazu einge richtet, durch Ausführen des MPC-Algorithmus' in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term, in Abhängigkeit von dem dritten Term und in Abhängigkeit von dem vierten Term die Eingangsgröße für die elektrische Ma schine zu ermitteln, sodass die Kostenfunktion minimiert wird.
In einer Ausführungsform enthält der vierte Term eine mit dem vierten Gewichtungs faktor multiplizierte und aufsummierte quadratische Abweichung des Gradienten des Drehmoments. Weiterhin kann die Kostenfunktion eine mit dem vierten Gewichtungs faktor aufsummierte quadratische Abweichung einer Antriebskraft enthalten, welche die elektrische Maschine bereitstellt, um das Kraftfahrzeug einen Meter in Längsrich tung fortzubewegen. In diesem Sinne kann der vierte Term eine mit dem vierten Ge wichtungsfaktor multiplizierte und aufsummierte quadratische Abweichung einer An triebskraft enthalten, welche die elektrische Maschine bereitstellt, um das Kraftfahr zeug einen Meter in Längsrichtung fortzubewegen.
Geschwindigkeitslimits, die beispielsweise durch eine Verkehrsstraßenordnung fest gelegt sein können, sind für die Optimierung harte Grenzen, die nicht überschritten werden sollen. Eine leichte Überschreitung der Geschwindigkeitsgrenzen ist in der Realität immer zulässig und vor allem bei Übergängen von einer Geschwindigkeits zone in eine zweite Zone eher der Normalfall. In dynamischen Umgebungen, in de nen sich von einem Rechenzyklus zum nächsten Rechenzyklus Geschwindigkeitsli mits verschieben, kann es passieren, dass bei ganz harten Grenzen keine gültige Lö- sung für einen Geschwindigkeitsverlauf mehr gefunden werden kann. Um die Stabili tät des Rechenalgorithmus' zu erhöhen, kann eine sogenannte „Soft Constraint“ in die Zielfunktion eingeführt werden. Insbesondere kann eine sogenannte „Schlupf-Va riable“ bzw. „Slack-Variable“ in einem vorgegebenen schmalen Bereich aktiv werden, bevor das harte Geschwindigkeitslimit erreicht wird. Lösungen, die sehr nah an die sem Geschwindigkeitslimit liegen, können dabei schlechter bewertet werden, also Lösungen deren Geschwindigkeitstrajektorie einen gewissen Abstand zur harten Grenze einhalten. In diesem Sinne kann die Kostenfunktion als fünften Term eine mit einem fünften Gewichtungsfaktor gewichtete Slack-Variable enthalten, wobei die Pro zessoreinheit dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus' in Abhän gigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term, in Abhängig keit von dem dritten Term, in Abhängigkeit von dem vierten Term und in Abhängigkeit von dem fünften Term die Eingangsgröße für die elektrische Maschine zu ermitteln, sodass die Kostenfunktion minimiert wird.
Um die physikalischen Grenzen der Antriebsstrangkomponenten zu respektieren, kann die Zugkraft durch Beschränkung des Kennfelds der elektrischen Maschine limi tiert werden. Beispielsweise ist für die maximale Rekuperation die Batterie das limi tierende Element. Um diese nicht zu schädigen, sollte ein bestimmter negativer Leis tungswert nicht unterschritten werden.
Gemäß einem zweiten Aspekt der Erfindung wird ein Fahrerassistenzsystem für ein Fahrzeug bereitgestellt, das mittels einer elektrischen Maschine angetrieben wird.
Das Fahrerassistenzsystem ist dazu eingerichtet, mittels einer Kommunikations- Schnittstelle auf eine Eingangsgröße für die elektrische Maschine zuzugreifen, wobei die Eingangsgröße von einer Prozessoreinheit gemäß dem ersten Aspekt der Erfin dung ermittelt worden ist. Die Prozessoreinheit ermittelt dabei die Eingangsgröße für die elektrische Maschine durch Ausführen eines MPC-Algorithmus' in Abhängigkeit von einem ersten Term und in Abhängigkeit von einem zweiten Term einer Kosten funktion des MPC-Algorithmus'. Der erste Term repräsentiert eine mit einem ersten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell des Fahrzeugs prädizierte elektrische Energie, welche innerhalb eines Prädiktionshorizonts von der Batterie zum Antrieb der elektrischen Maschine bereitgestellt wird. Der zweite Term repräsentiert eine mit einem zweiten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell prädizierte Fahrzeit, welche das Fahrzeug zum Zurücklegen der gesamten innerhalb des Prädiktionshorizonts prädizierten Wegstrecke benötigt. Weiterhin ist das Fahrerassistenzsystem dazu eingerichtet, die elektrische Maschine basierend auf der Eingangsgröße zu steuern.
Gemäß einem dritten Aspekt der Erfindung wird ein Fahrzeug bereitgestellt, das eine elektrische Maschine, eine Batterie und ein Fahrerassistenzsystem gemäß dem zweiten Aspekt der Erfindung umfasst.
Bei dem Fahrzeug handelt es sich insbesondere um ein Kraftfahrzeug, das von ei nem Motor angetrieben wird, beispielsweise ein Automobil (z.B. ein Personenkraft fahrwagen mit einem Gewicht von weniger als 3,5 t), Motorrad, Motorroller, Moped, Fahrrad, E-Bike bzw. Pedelec (Akronym für Pedal Electric Cycle), Bus oder Lastkraft wagen (z.B. mit einem Gewicht von über 3,5 t), oder aber auch um ein Schienenfahr zeug, ein Schiff, ein Luftfahrzeug wie Helikopter oder Flugzeug. Auch in kleinen, leichten elektrischen Fahrzeugen der Mikromobilität kann die Erfindung eingesetzt werden, wobei diese Fahrzeuge insbesondere im städtischen Verkehr und für die erste und letzte Meile im ländlichen Raum genutzt werden. Unter der ersten und letz ten 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 Zu hause zum Bahnhof oder die Strecke vom Bahnhof zum Arbeitsplatz. Mit anderen Worten ist die Erfindung in allen Bereichen des Transportwesens wie Automotive, Aviation, Nautik, Astronautik etc. einsetzbar. Das Fahrzeug kann beispielsweise zu einer Fahrzeugflotte gehören. Das Fahrzeug kann durch einen Fahrer gesteuert wer den, möglicherweise unterstützt durch ein Fahrerassistenzsystem. Das Fahrzeug kann jedoch auch beispielsweise ferngesteuert und/oder (teil-)autonom gesteuert werden.
Bei dem Fahrzeug kann es sich um ein Elektrofahrzeug, ein Hybridfahrzeug oder ein Plug-in-Hybridfahrzeug handeln. Unter einem „Elektrofahrzeug“ kann ein Fahrzeug verstanden werden, das mit elektrischer Energie angetrieben wird. Dem Elektrofahr zeug kann Antriebsenergie in Form von elektrischer Energie zugeführt werden. Die elektrische Energie kann in einer Batterie des Elektrofahrzeugs gespeichert werden (Battery Electric Vehicle). Alternativ kann die elektrische Energie insbesondere per manent von außen zugeführt werden, z. B. über eine Stromschiene, eine Oberleitung oder durch Induktion. Unter einem „Hybridfahrzeug“ kann ein Elektrofahrzeug ver standen werden, das von mindestens einem Elektromotor und mindestens einem Verbrennungskraftmotor angetrieben werden kann. Dabei kann das Hybridfahrzeug Energie sowohl aus einer Batterie als auch aus einem zusätzlich mitgeführten Kraft stoff beziehen, z.B. Diesel, Benzin oder Gas. Unter einem „Plug-in-Hybridfahrzeug“ kann ein Hybridfahrzeug verstanden werden, dessen Batterie sowohl über einen Ver brennungskraftmotor als auch durch ein Stromnetz geladen werden kann, welches sich außerhalb des Plug-in-Hybridfahrzeugs befindet und welches mit einem elektri schen Anschluss des Plug-in-Hybridfahrzeugs verbunden werden kann. Ein Plug-in- Hybridfahrzeug kann als eine Mischform zwischen einem Hybridfahrzeug und einem Elektroauto angesehen werden.
Gemäß einem vierten Aspekt der Erfindung wird ein Verfahren zur modellbasierten prädiktiven Regelung eines Fahrzeugs unter Berücksichtigung eines Ankunftszeit- Faktors bereitgestellt. Das Verfahren umfasst die folgenden Schritte:
- Berechnen einer Trajektorie für das Fahrzeug unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors, wobei die Trajektorie eine gesamte Route bis zu einem vorgegebenen Ziel umfasst, an dem das Fahrzeug ankommen soll, und wobei der Ankunftszeit-Faktor eine Ankunftszeit des Fahrzeugs an dem vorgegebenen Ziel be einflusst, und
- Optimieren eines Abschnitts der Trajektorie für das Fahrzeug für einen gleitenden Prädiktionshorizont durch Ausführen eines MPC-Algorithmus‘, weicher ein Längsdy namikmodell eines Antriebsstrangs des Fahrzeugs und eine zu minimierende Kos tenfunktion enthält, sodass die Kostenfunktion minimiert wird.
Gemäß einem fünften Aspekt der Erfindung wird ein Computerprogrammprodukt zur modellbasierten prädiktiven Regelung eines Fahrzeugs unter Berücksichtigung eines Ankunftszeit-Faktors bereitgestellt. Das Computerprogramm leitet, wenn es auf einer Prozessoreinheit ausgeführt wird, die Prozessoreinheit an,
- unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors eine Trajektorie für das Fahrzeug zu berechnen, wobei die Trajektorie eine gesamte Route bis zu einem vorgegebenen Ziel umfasst, an dem das Fahrzeug ankommen soll, und wobei der Ankunftszeit-Faktor eine Ankunftszeit des Fahrzeugs an dem vorgegebenen Ziel be einflusst, und
- durch Ausführen eines MPC-Algorithmus‘, welcher ein Längsdynamikmodell eines Antriebsstrangs des Fahrzeugs und eine zu minimierende Kostenfunktion enthält, für einen gleitenden Prädiktionshorizont einen Abschnitt der Trajektorie für das Fahrzeug zu optimieren, sodass die Kostenfunktion minimiert 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 Fahrzeug gemäß dem dritten Aspekt 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 Seitenansicht eines Fahrzeugs mit einem Antriebsstrang, der eine elekt rische Maschine und eine Batterie umfasst, und
Fig. 2 eine Draufsicht auf eine Straße, auf welcher das Fahrzeug nach Fig. 1 auto nom fahren kann, um von einem Startpunkt zu einem Zielpunkt zu gelangen.
Fig. 1 zeigt ein Fahrzeug in Form eines Kraftfahrzeugs 1 , z.B. ein Personenkraftfahr wagen (PKW) oder ein Lastkraftwagen (LKW). Das Kraftahrzeug 1 umfasst ein Sys tem 2 zur modellbasierten prädiktiven Regelung einer elektrischen Maschine 8 eines Antriebstrangs 7 des Kraftfahrzeugs 1 unter Berücksichtigung eines Ankunftszeit- Faktors. Das System 2 umfasst in dem gezeigten Ausführungsbeispiel eine Prozes soreinheit 3, eine Speichereinheit 4, eine Kommunikations-Schnittstelle 5 und eine Erfassungseinheit 6 zur Erfassung von das Kraftfahrzeug 1 betreffenden Zustands daten. Das Kraftfahrzeug 1 umfasst weiterhin einen Antriebsstrang 7, der beispiels weise 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 aufweisen kann. Die dazu notwen dige elektrische Energie kann die Batterie 9 bereitstellen. 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, wenn es sich bei dem Kraftfahrzeug 1 um ein Plug-in-Hybrid-Fahrzeug ist. Ebenfalls kann der Antriebsstrang des Kraft fahrzeugs 1 optional einen Verbrennungskraftmotor 21 aufweisen, welcher alternativ oder zusätzlich zu der elektrischen Maschine 8 das Kraftfahrzeug 1 antreiben kann. Der Verbrennungskraftmotor 21 kann auch dazu eingerichtet sein, 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-AI- gorithmus 13 wiederum enthält ein Längsdynamikmodell 14 des Antriebsstrangs 7 des Kraftfahrzeugs 1 und eine zu minimierende Kostenfunktion 15. Die Prozessorein heit 3 führt den MPC-Algorithmus 13 aus und ermittelt eine optimierte Trajektorie für das Kraftfahrzeug 1 . Dabei wird ein Verhalten des Kraftfahrzeugs 1 basierend auf dem Längsdynamikmodell 14 prädiziert, wobei die Kostenfunktion 15 minimiert wird. Als Output der Optimierung durch den MPC-Algorithmus 13 ergeben sich beispiels weise eine auf die optimierte Trajektorie abgestimmte Drehzahl und ein optimales Drehmoment der elektrischen Maschine 8 für berechnete Punkte im Prädiktionshori zont. Die Prozessoreinheit 3 kann dazu eine Eingangsgröße für die elektrische Ma schine 8 ermitteln, sodass sich die optimale Drehzahl und das optimale Drehmoment einstellen. Die Prozessoreinheit 3 kann die elektrische Maschine 8 basierend auf der ermittelten Eingangsgröße steuern. Weiterhin kann dies jedoch auch durch ein Fah rerassistenzsystem 16 erfolgen.
Die Erfassungseinheit 6 kann aktuelle Zustandsgrößen des Kraftfahrzeugs 1 mes sen, entsprechende Daten aufnehmen und dem MPC-Algorithmus 13 zuführen. So können Streckendaten aus einer elektronischen Karte für einen Vorausschauhorizont bzw. Prädiktionshorizont (z.B. 500 m) vor dem Kraftfahrzeug 1 insbesondere zyklisch upgedated bzw. aktualisiert werden. Die Streckendaten können beispielsweise Stei gungsinformationen, Kurveninformationen, und Informationen über Geschwindig keitslimits 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 Kraftfahrzeugs 1 erfolgen, insbesondere über ein von einem GNSS-Sensor 12 generiertes GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte.
Die Prozessoreinheit 3 kann auf diese Informationen beispielsweise über die Kom munikations-Schnittstelle 5 zugreifen.
Das Fahrzeug 1 befindet sich in dem durch Fig. 2 gezeigten Beispiel auf einem Park platz 17, der an eine Straße 18 angrenzt, die zu einem Betriebshof 19 führt. Der Ver lauf der Straße 18 ist aufgrund deren Länge unterbrochen dargestellt. Ein Fahrer des Fahrzeugs 1 kann dem Fahrerassistenzsystem 16 vorgeben, dass es beispielsweise von dem Parkplatz 17 (Start) zu dem Betriebshof 19 (Ziel) gelangen will. Das Fahrer assistenzsystem 16 kann eine autonome Fahrfunktion für das Fahrzeug 1 bereitstel len, sodass das Fahrzeug 1 autonom von dem Parkplatz 17 zu dem Betriebshof 19 fährt. Dazu kann die Prozessoreinheit 3 oder das Fahrerassistenzsystem 16 zunächst die gesamte Route 20 von dem Parkplatz 17 zu dem Betriebshof 19 generieren und da bei diskreten Wegpunkten dieser Route eine Geschwindigkeit des Fahrzeugs 1 zu ordnen. Auf diese Weise wird die Trajektorie für das Fahrzeug 1 berechnet. Die Pro zessoreinheit 3 oder das Fahrerassistenzsystem 16 können dazu die Erfassungsein heit 6 und ein Planungsmodul nutzen, das beispielsweise als Software implementiert sein kann. Das Planungsmodul kann mehrere Ebenen umfassen, z.B. eine Navigati onsebene im größeren Maßstab (z.B. mehrere km; hier kann die Trajektorie für das Fahrzeug 1 von Start 17 bis Ziel 19 gewählt werden) und eine Navigationsebene im kleineren Maßstab (z.B. in den vorausliegenden 50m bis 100m, je nach Geschwin digkeit des Fahrzeugs 1 ; hier ist eine Wahl von Kurs und Geschwindigkeit im nähe ren Umfeld des Fahrzeugs 1 möglich, um festzulegen, wie sich das Fahrzeug 1 im Verkehr bewegen soll).
Bei der Ermittlung bzw. Berechnung der Trajektorie für das Fahrzeug 1 können An kunftszeit-Faktoren, welche eine Ankunftszeit des Fahrzeugs 1 an dem vorgegebe nen Ziel 19 beeinflussen, berücksichtigt werden. Insbesondere werden Pausenzeit räume des Fahrers (z.B. eine Privatperson, ein LKW-Fahrer oder ein Busfahrer) des Fahrzeugs 1 berücksichtigt. Weiterhin können ein Zeitraum zum Beladen des Fahr zeugs 1 , insbesondere wenn es sich um einen LKW handelt, sowie Zeiten zum Tan ken und/oder Laden der Batterie 9 des Fahrzeugs 1 berücksichtigt werden. Ferner können Informationen über die Verfügbarkeit einer Ladestation 22 für die Batterie 9 des Fahrzeugs 1 , über verfügbare Parkplätze 23 an Raststellen 24 für LKW berück sichtigt werden. Außerdem können Informationen über ein Verkehrsaufkommen und Staus sowie Wetterbedingungen auf der Strecke 20 berücksichtigt werden. Die Pro zessoreinheit 3 des Fahrzeugs 1 kann weiterhin mit einer Prozessoreinheit 25 des Betriebshofs 19 kommunizieren (z.B. über eine Car2l-Kommunikation), um einen Zeitpunkt für eine Be- und/oder Entladung zu reservieren, die auf die berechnete Trajektorie für das Fahrzeug 1 abgestimmt sein kann. Dadurch wird eine reduzierte Wartezeit und stattdessen eine Nutzung der zeit zum energieeffizienteren Fahren er möglicht. Wenn das Fahrzeug 1 autonom startet, um ausgehend von dem Parkplatz 19 über die Straße 18 zu dem Betriebshof 19 zu gelangen, führt die Prozessoreinheit 3 den MPC-Algorithmus 13 aus und optimiert für einen gleitenden (d.h. sich räumlich bzw. im Weg verschiebenden) Prädiktionshorizont jeweils einen aktuellen Abschnitt der Trajektorie für das Fahrzeug 1 , sodass die Kostenfunktion minimiert wird. Beispiels weise kann die Prozessoreinheit 3 das vorstehend beschriebene Planungsmodul („Top Level“-Planungsmodul) bilden, welches die gesamte Route 20 und Trajektorie für das Fahrzeug 1 unter Berücksichtigung der genannten Ankunftszeit-Faktoren plant. Dieses Planungsmodul kann dann Abschnitte bzw. Teilstücke der Fahrzeug- trajektorie für die gesamte Route an den MPC-Algorithmus 13 übergeben, mittels welchem eine optimale Trajektorie des Fahrzeugs 1 innerhalb des Prädiktionshori zonts ermittelt werden kann. Die Prozessoreinheit 3 kann weiterhin eine von dem Fahrer des Fahrzeugs 1 vorgegebene Ankunftszeit an dem vorgegebenen Ziel 19 o- der eine von dem Fahrer des Fahrzeugs 1 vorgegebene Reichweite als Nebenbedin gung bei der Optimierung der Trajektorie für das Fahrzeug 1 berücksichtigen.
Ein beispielhaftes Längsdynamikmodell 14 des Kraftfahrzeugs 1 kann mathematisch wie folgt ausgedrückt werden:
Figure imgf000022_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 imgf000023_0001
und Koordinatentransformation zur Eliminierung des quadratischen Geschwindig keits-Terms im Luftwiderstand mit ekin = * meq * v(t)2 folgt
Figure imgf000023_0002
Figure imgf000023_0003
Damit das Problem durch den MPC-Algorithmus 13 schnell und einfach lösbar ist, wird die Dynamikgleichung des Längsdynamikmodells 14 linearisiert, indem die Ge schwindigkeit durch Koordinatentransformation durch kinetische Energie dekin ausge drückt wird. Dadurch wird der quadratische Term zur Berechnung des Luftwider stands Fd durch einen linearen Term ersetzt und gleichzeitig ist das Längsdynamik modell 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 müssen. 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 entsprechendes Kennfeld der elektrischen Maschine 8 für die Opti mierung verwenden zu können, wird es linear approximiert: Euer gyperMeter > a£ * kin + bi * Ftrac für alle i.
Die zu minimierende Kostenfunktion 15 kann mathematisch wie folgt ausgedrückt werden:
Figure imgf000024_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
WTem 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 VafSlack Slack-Variable
Die Kostenfunktion 15 besitzt ausschließlich lineare und quadratische Terme.
Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit line aren Nebenbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann.
Die Kostenfunktion 15 enthält als ersten Term eine mit einem ersten Gewichtungs faktor Wßat gewichtete und gemäß dem Längsdynamikmodell prädizierte elektrische Energie Eßat, welche innerhalb eines Prädiktionshorizonts von der Batterie 9 des An triebsstrangs 7 zum Antrieb der elektrischen Maschine 8 bereitgestellt wird.
Die Kostenfunktion 15 enthält als zweiten Term eine mit einem zweiten Gewichtungs faktor WTime gewichtete und gemäß dem Längsdynamikmodell 14 prädizierte Fahrzeit T, welche das Kraftfahrzeug 1 benötigt, um die prädizierte Wegstrecke zurückzule gen. Dies führt dazu, dass je nach Wahl der Gewichtungsfaktoren eine geringe Ge schwindigkeit nicht immer als optimal bewertet wird und so nicht mehr das Problem besteht, dass die resultierende Geschwindigkeit immer am unteren Rand der erlaub ten 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 imgf000025_0001
triebskraft je Meter wird mit einem Gewichtungsfaktor WTem 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 imgf000026_0001
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
(FA(S I) - FA(S0)) . Alternativ zu der Antriebskraft FA kann auch hier das durch die elektrische Maschine 8 bereitgestellte Drehmoment MEM genutzt werden, sodass sich der alternative Term
Figure imgf000026_0002
- MEM(S0 )) ergibt. Für den ersten Punkt im Prädiktionshorizont wird die Abweichung zum zuletzt gestellten Moment negativ bewertet und mit einem Gewichtungsfaktor WTemStart 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 Geschwindigkeitsgrenzen 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 Ws lack 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. Bezuqszeichen Fahrzeug System Prozessoreinheit Speichereinheit Kommunikations-Schnittstelle Erfassungseinheit Antriebsstrang elektrische Maschine Batterie Getriebe Computerprogrammprodukt GNSS-Sensor MPC-Algorithmus Längsdynamikmodell Kostenfunktion Fahrerassistenzsystem Parkplatz Straße Betriebshof gesamte Route Verbrennungskraftmotor Ladestation für die Batterie des Fahrzeugs LKW-Parkplatz Raststelle Prozessoreinheit des Betriebshofs

Claims

Patentansprüche
1. Prozessoreinheit (3) zur modellbasierten prädiktiven Regelung eines Fahrzeugs
(1 ) unter Berücksichtigung eines Ankunftszeit-Faktors, wobei die Prozessoreinheit (3) dazu eingerichtet ist,
- unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors eine Trajektorie für das Fahrzeug (1 ) zu berechnen, wobei die Trajektorie eine gesamte Route (20) bis zu einem vorgegebenen Ziel (19) umfasst, an dem das Fahrzeug (1) ankommen soll, und wobei der Ankunftszeit-Faktor eine Ankunftszeit des Fahrzeugs (1) an dem vor gegebenen Ziel (19) beeinflusst, und
- durch Ausführen eines MPC-Algorithmus' (13), weicher ein Längsdynamikmodell (14) eines Antriebsstrangs (7) des Fahrzeugs (1 ) und eine zu minimierende Kosten funktion (15) enthält, für einen gleitenden Prädiktionshorizont einen Abschnitt der Trajektorie für das Fahrzeug (1 ) zu optimieren, sodass die Kostenfunktion (15) mini miert wird.
2. Prozessoreinheit (3) nach Anspruch 1 , wobei die Prozessoreinheit (3) dazu einge richtet ist, Pausenzeiträume eines Fahrers des Fahrzeugs (1 ) als einen Ankunftszeit- Faktor bei der Berechnung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
3. Prozessoreinheit (3) nach Anspruch 1 oder 2, wobei die Prozessoreinheit (3) dazu eingerichtet ist, einen Zeitraum zum Beladen und/oder Entladen des Fahrzeugs (1 ), insbesondere eines Lastkraftfahrwagens, als einen Ankunftszeit-Faktor bei der Be rechnung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
4. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist, einen Zeitraum zum Tanken des Fahrzeugs (1 ) und/oder zum Laden einer Batterie (9) des Fahrzeugs (1 ) als einen Ankunftszeit-Fak tor bei der Berechnung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
5. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist, auf der gesamten Route (20) verfügbare Ladesta tionen (22) für das Fahrzeug (1 ) als einen Ankunftszeit-Faktor bei der Berechnung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
6. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist,
- ein Verkehrsaufkommen und/oder
- Stausituationen und/oder
- Wetterbedingungen auf der gesamten Route (20) bis zu dem vorgegebenen Ziel (19) als einen Ankunfts zeit-Faktor bei der Berechnung der Trajektorie für das Fahrzeug (1 ) zu berücksichti gen.
7. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist, eine von dem Fahrer des Fahrzeugs (1 ) vorgege bene Ankunftszeit an dem vorgegebenen Ziel (19) als Nebenbedingung bei der Opti mierung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
8. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist, eine von dem Fahrer des Fahrzeugs (1 ) vorgege bene Reichweite des Fahrzeugs (1 ) als Nebenbedingung bei der Optimierung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
9. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist, eine Verfügbarkeit von Parkplätzen (23) an Rast stellen (24) als einen Ankunftszeit-Faktor bei der Berechnung der Trajektorie für das Fahrzeug (1 ) zu berücksichtigen.
10. Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei die Prozes soreinheit (3) dazu eingerichtet ist, mit einer Prozessoreinheit (25) eines Betriebshofs (19) zu kommunizieren, um einen Zeitpunkt für eine Beladung und/oder Entladung des Fahrzeugs (1 ) zu reservieren.
11 . Prozessoreinheit (3) nach einem der vorstehenden Ansprüche, wobei
- der Antriebsstrang (7) eine elektrische Maschine (8) und eine Batterie (9) umfasst,
- die Kostenfunktion (15) als ersten Term eine mit einem ersten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell (14) prädizierte elektrische Energie enthält, welche innerhalb des Prädiktionshorizonts von der Batterie (9) zum Antrieb der elektrischen Maschine (8) bereitgestellt wird,
- die Kostenfunktion (15) als zweiten Term eine mit einem zweiten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell (14) prädizierte Fahrzeit enthält, welche das Fahrzeug (1 ) zum Zurücklegen der gesamten innerhalb des Prädiktions horizonts prädizierten Wegstrecke benötigt, und
- die Prozessoreinheit (3) dazu eingerichtet ist, durch Ausführen des MPC-Algorith- mus' (13) in Abhängigkeit von dem ersten Term und in Abhängigkeit von dem zwei ten Term eine Eingangsgröße für die elektrische Maschine (8) zu ermitteln, sodass die Kostenfunktion minimiert wird.
12. Fahrerassistenzsystem (16) für ein Fahrzeug (1 ), das mittels einer elektrischen Maschine (8) angetrieben wird, wobei das Fahrerassistenzsystem (16) dazu einge richtet ist,
- mittels einer Kommunikations-Schnittstelle auf eine Eingangsgröße für die elektri sche Maschine (8) zuzugreifen, wobei die Eingangsgröße von einer Prozessoreinheit (3) nach Anspruch 11 ermittelt worden ist, und
- die elektrische Maschine (8) basierend auf der Eingangsgröße zu steuern.
13. Fahrzeug (3) umfassend eine elektrische Maschine (8), eine Batterie (9) und ein Fahrerassistenzsystem (16) nach Anspruch 12.
14. Verfahren zur modellbasierten prädiktiven Regelung eines Fahrzeugs (1 ) unter Berücksichtigung eines Ankunftszeit-Faktors, das Verfahren umfassend die Schritte - Berechnen einer Trajektorie für das Fahrzeug (1 ) unter Berücksichtigung wenigs tens eines Ankunftszeit-Faktors, wobei die Trajektorie eine gesamte Route (20) bis zu einem vorgegebenen Ziel (19) umfasst, an dem das Fahrzeug (1) ankommen soll, und wobei der Ankunftszeit-Faktor eine Ankunftszeit des Fahrzeugs (1) an dem vor gegebenen Ziel (19) beeinflusst, und
- Optimieren eines Abschnitts der Trajektorie für das Fahrzeug (1 ) für einen gleiten den Prädiktionshorizont durch Ausführen eines MPC-Algorithmus' (13), weicher ein Längsdynamikmodell (14) eines Antriebsstrangs (7) des Fahrzeugs (1) und eine zu minimierende Kostenfunktion (15) enthält, sodass die Kostenfunktion (15) minimiert wird.
15. Computerprogrammprodukt (11) zur modellbasierten prädiktiven Regelung eines Fahrzeugs (1) unter Berücksichtigung eines Ankunftszeit-Faktors, wobei das Compu terprogrammprodukt (11 ), wenn es auf einer Prozessoreinheit (3) ausgeführt wird, die Prozessoreinheit (3) anleitet,
- unter Berücksichtigung wenigstens eines Ankunftszeit-Faktors eine Trajektorie für das Fahrzeug (1) zu berechnen, wobei die Trajektorie eine gesamte Route (20) bis zu einem vorgegebenen Ziel (19) umfasst, an dem das Fahrzeug (1) ankommen soll, und wobei der Ankunftszeit-Faktor eine Ankunftszeit des Fahrzeugs (1) an dem vor gegebenen Ziel (19) beeinflusst, und
- durch Ausführen eines MPC-Algorithmus' (13), weicher ein Längsdynamikmodell (14) eines Antriebsstrangs (7) des Fahrzeugs (1) und eine zu minimierende Kosten funktion (15) enthält, für einen gleitenden Prädiktionshorizont einen Abschnitt der Trajektorie für das Fahrzeug (1) zu optimieren, sodass die Kostenfunktion (15) mini miert wird.
PCT/EP2020/055771 2020-03-05 2020-03-05 Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors WO2021175423A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080079801.5A CN114746316A (zh) 2020-03-05 2020-03-05 在考虑到到达时间因素的情况下对交通工具的基于模型的预测控制
US17/776,946 US20220402476A1 (en) 2020-03-05 2020-03-05 Model-Based Predictive Control of a Vehicle Taking into Account a Time of Arrival Factor
PCT/EP2020/055771 WO2021175423A1 (de) 2020-03-05 2020-03-05 Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2020/055771 WO2021175423A1 (de) 2020-03-05 2020-03-05 Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors

Publications (1)

Publication Number Publication Date
WO2021175423A1 true WO2021175423A1 (de) 2021-09-10

Family

ID=69903102

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/055771 WO2021175423A1 (de) 2020-03-05 2020-03-05 Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors

Country Status (3)

Country Link
US (1) US20220402476A1 (de)
CN (1) CN114746316A (de)
WO (1) WO2021175423A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114063126A (zh) * 2021-11-15 2022-02-18 广州一链通互联网科技有限公司 一种电子围栏系统及建立电子围栏精准轨迹模型的方法
EP4194296A1 (de) * 2021-12-09 2023-06-14 Vitesco Technologies GmbH Verfahren zum prädiktiven betreiben eines kraftfahrzeugs

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11794751B2 (en) * 2021-02-26 2023-10-24 GM Global Technology Operations LLC Pro-active trajectory tracking control for automated driving during elevation transitions
CN115309171B (zh) * 2022-10-12 2022-12-20 维飒科技(西安)有限公司 轨道机器人的行为轨迹控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015004792A1 (de) * 2015-04-14 2015-12-03 Daimler Ag System zum Einstellen und Visualisieren von energieverbrauchsrelevanten Parametern bei mehreren fahrzeugseitigen elektrischen Verbrauchern
DE102014008429A1 (de) * 2014-06-06 2015-12-17 Man Truck & Bus Ag Verfahren und Vorrichtung zur Ermittlung freier Abstellplätze auf LKW-Parkplätzen und Mitteilung an LKW-Fahrer
DE102014013618A1 (de) * 2014-09-19 2016-03-24 Thomas Wöhrl Verfahren zur Abwicklung eines Belade- bzw. Entladevorganges eines Lastkraftwagens sowie Verwendung eines Smartphones
DE112015000924B4 (de) * 2014-03-25 2019-01-24 Scania Cv Ab Zielabhängiger Geschwindigkeitsregler
DE102018209997A1 (de) * 2018-06-20 2019-12-24 Volkswagen Aktiengesellschaft Verfahren zum Ermitteln einer Richtgeschwindigkeit für ein elektrisch betriebenes Fahrzeug

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112015000924B4 (de) * 2014-03-25 2019-01-24 Scania Cv Ab Zielabhängiger Geschwindigkeitsregler
DE102014008429A1 (de) * 2014-06-06 2015-12-17 Man Truck & Bus Ag Verfahren und Vorrichtung zur Ermittlung freier Abstellplätze auf LKW-Parkplätzen und Mitteilung an LKW-Fahrer
DE102014013618A1 (de) * 2014-09-19 2016-03-24 Thomas Wöhrl Verfahren zur Abwicklung eines Belade- bzw. Entladevorganges eines Lastkraftwagens sowie Verwendung eines Smartphones
DE102015004792A1 (de) * 2015-04-14 2015-12-03 Daimler Ag System zum Einstellen und Visualisieren von energieverbrauchsrelevanten Parametern bei mehreren fahrzeugseitigen elektrischen Verbrauchern
DE102018209997A1 (de) * 2018-06-20 2019-12-24 Volkswagen Aktiengesellschaft Verfahren zum Ermitteln einer Richtgeschwindigkeit für ein elektrisch betriebenes Fahrzeug

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GIANVITO DIFILIPPO ET AL: "A Cloud Optimizer for Eco Route Planning of Heavy Duty Vehicles", 2018 IEEE CONFERENCE ON DECISION AND CONTROL (CDC), 1 December 2018 (2018-12-01), pages 7142 - 7147, XP055738100, ISBN: 978-1-5386-1395-5, DOI: 10.1109/CDC.2018.8619149 *
JOHANNESSON LARS ET AL: "Predictive energy management of hybrid long-haul trucks", CONTROL ENGINEERING PRACTICE, PERGAMON PRESS, OXFORD, GB, vol. 41, 21 May 2015 (2015-05-21), pages 83 - 97, XP029225361, ISSN: 0967-0661, DOI: 10.1016/J.CONENGPRAC.2015.04.014 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114063126A (zh) * 2021-11-15 2022-02-18 广州一链通互联网科技有限公司 一种电子围栏系统及建立电子围栏精准轨迹模型的方法
CN114063126B (zh) * 2021-11-15 2022-07-29 广州一链通互联网科技有限公司 一种电子围栏系统及建立电子围栏精准轨迹模型的方法
EP4194296A1 (de) * 2021-12-09 2023-06-14 Vitesco Technologies GmbH Verfahren zum prädiktiven betreiben eines kraftfahrzeugs

Also Published As

Publication number Publication date
CN114746316A (zh) 2022-07-12
US20220402476A1 (en) 2022-12-22

Similar Documents

Publication Publication Date Title
EP3266645B1 (de) Verfahren zum betreiben eines elektrisch angetriebenen oder auch elektrisch antreibbaren fahrzeugs sowie fahrzeug
WO2021175423A1 (de) Modellbasierte prädiktive regelung eines fahrzeugs unter berücksichtigung eines ankunftszeit-faktors
DE102011018182B4 (de) Selbstlernendes durch eine Satellitennavigation unterstütztes Hybridfahrzeug-Steuersystem
DE10226143B4 (de) Verfahren zum Steuern eines Hybridantriebs bei einem Kraftfahrzeug
DE112012005806B4 (de) Verzögerungsfaktorschätzvorrichtung und Fahrunterstützungsvorrichtung
DE19637210A1 (de) Antriebsstrangsteuerung für ein Kraftfahrzeug
DE19637209A1 (de) Verfahren zum Steuern des Antriebsstrangs eines Kraftfahrzeugs und integrierte Antriebsstrangsteuerung
DE102017213088A1 (de) Energiemanagement eines Brennstoffzellenfahrzeugs
WO2021115567A1 (de) Mpc-basierte trajektorie-ermittlung für ein erstes fahrzeug unter verwendung von trajektorie-informationen über ein zweites fahrzeug
EP3495193B1 (de) Verfahren zum betreiben eines kraftfahrzeugs
WO2021121554A1 (de) Fahrereingriffe berücksichtigende autonome fahrfunktion für ein kraftfahrzeug
WO2021093954A1 (de) Modelbasierte prädiktive regelung eines kraftfahrzeugs
WO2021089150A1 (de) Autonome fahrfunktion eines kraftfahrzeugs unter berücksichtigung von im umfeld des ego-fahrzeugs befindlichen fahrzeugen
DE102020202803A1 (de) Modellbasierte prädiktive Regelung eines Fahrzeugs unter Berücksichtigung eines Ankunftszeit-Faktors
DE102020216251B4 (de) Modellbasierte prädiktive Regelung eines Kraftfahrzeugs
WO2008092757A1 (de) Verfahren für die steuerung eines fahrzeugs mit hybridantrieb
WO2021078390A1 (de) Modelbasierte prädiktive regelung einer antriebsmaschine eines antriebstrangs eines kraftfahrzeugs sowie zumindest einer die energieeffizienz des kraftfahrzeugs beeinflussende fahrzeugkomponente
WO2021121555A1 (de) Mpc-basierte autonome fahrfunktion eines kraftfahrzeugs
WO2021078391A1 (de) Modelbasierte prädiktive regelung einer elektrischen maschine eines antriebstrangs eines kraftfahrzeugs
WO2018130502A1 (de) Verfahren zur optimierung einer schaltstrategie
DE102020216250B4 (de) Modellbasierte prädiktive Regelung eines Kraftfahrzeugs unter Berücksichtigung von Querverkehr
WO2021093953A1 (de) Modelbasierte prädiktive regelung mehrerer komponenten eines kraftfahrzeugs
WO2021098956A1 (de) Ermittlung einer trajektorie für ein erstes fahrzeug unter berücksichtigung des fahrverhaltens eines zweiten fahrzeugs
DE102019219806A1 (de) Fahrereingriffe berücksichtigende autonome Fahrfunktion für ein Kraftfahrzeug
DE102019217854A1 (de) Ermittlung einer Trajektorie für ein erstes Fahrzeug unter Berücksichtigung des Fahrverhaltens eines zweiten Fahrzeugs

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: 20712856

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: 20712856

Country of ref document: EP

Kind code of ref document: A1