DE102023203125A1

DE102023203125A1 - Simulationsbasierte Parametervoreinstellung für dynamische Fahrfunktionen

Info

Publication number: DE102023203125A1
Application number: DE102023203125.6A
Authority: DE
Inventors: Ivan Rot; Jürgen Hermann; Rafael Kumschier; Markus Bartenschlager
Original assignee: Continental Automotive Technologies GmbH
Current assignee: Aumovio Germany De GmbH
Priority date: 2023-02-14
Filing date: 2023-04-04
Publication date: 2024-08-14

Abstract

Die Erfindung betrifft ein Verfahren zur Festlegung eines Satzes von Funktionsparametern eines Fahrzeugbremsensteuergeräts. Um die Anzahl an Testfahrten zu reduzieren werden für zumindest eine Teilmenge der Funktionsparameter verschiedene Werte ausgewählt und mittels einer Simulationsplattform für vorbestimmte Fahrmanöver und Umgebungseinstellungen fahrdynamische Messergebnisse simuliert, die mittels eines Objektivierungsalgorithmus mit zumindest einer Schlüsselkennzahl bewertet werden. Weiter wird ein Metamodel mittels der jeweiligen Werte mit zugehörigen Schlüsselkennzahlen angelernt, welches somit einen Zusammenhang zwischen der jeweiligen Teilmenge von Funktionsparametern und den Schlüsselkennzahlen angibt. Dieses Metamodell wird bei der eigentlichen Parameteroptimierung mittels eines Optimierungsalgorithmus zur Auffindung optimaler Parameterwerte genutzt.

Description

Die Erfindung betrifft ein Verfahren zur Festlegung eines Satzes von Funktionsparametern eines Fahrzeugbremsensteuergeräts, ein entsprechendes Computerprogrammprodukt und ein Herstellungsverfahren.
Moderne Kraftfahrzeuge verfügen über Fahrdynamikregler, die primär zu einem sicheren Zustand in dynamischen Fahrsituationen beitragen. Ein Fahrdynamikregler enthält unterschiedliche Einzelfunktionen, die jeweils für bestimmte Fahrsituationen verantwortlich sind (beispielsweise Anti Blockier System (ABS) beim Bremsen oder Electronic Stability Control (ESC) bei dynamischen Kurvenfahrten) und das Fahrverhalten hinsichtlich Fahrsicherheit, Fahrkomfort oder Fahrleistung gezielt beeinflussen. Diese Funktionen verfügen über variable Parameter („Funktionsparameter“), die für jede Fahrzeugausführung individuell abgestimmt werden, sodass der Fahrdynamikregler bestmöglich arbeitet und die Anforderungen an das Fahrverhalten erfüllt werden. Lediglich für vereinzelte, spezielle Parameter ist es bisher möglich diese simulations- und rechnergestützt zu ermitteln. Diese Parameter werden anhand von objektiven Kriterien anhand des simulierten oder in Realität gemessenen Fahrverhaltens ermittelt (Bechtloff, Jakob Philipp: „Schätzung des Schwimmwinkels und fahrdynamischer Parameter zur Verbesserung modellbasierter Fahrdynamikregelungen“, 2017, Technische Universität Darmstadt, Darmstadt). Ein Beispiel dieser objektiv zu bestimmenden Parameter der Funktion stellen die Parameter des Einspurmodells innerhalb der ESC-Funktion dar. Darüber hinaus existieren Funktionsparameter, die anhand von geometrischen und technischen Daten des Fahrzeugs und des Bremssystems ohne realen Fahrversuch oder der Hinzunahme von Simulation appliziert werden können (sogenannte „Schreibtischbedatung“). Diese Parameter stellen beispielsweise die Fahrzeugmasse oder die Koordinaten des Fahrzeugschwerpunktes dar.
Der überwiegende Anteil der Funktionsparameter von fahrdynamischen Funktionen wird gegenwärtig weitestgehend im Fahrversuch mit vergleichsweise hohem Aufwand mit realen Fahrzeugen auf unterschiedlichen Teststrecken und Umgebungsbedingungen appliziert. Im Rahmen der Applikation dieser Parameter werden neben objektiven Kenngrößen insbesondere zusätzliche subjektive Bewertungskriterien des Fahrers herangezogen. Der Fahrer kann mit seiner Erfahrung das Gesamtfahrverhalten und den Gesamteindruck des Fahrzeugs und seiner Umgebung bewerten und die Parameter auf das gesamtheitliche Fahrverhalten, bestehend aus objektiven und subjektiven Kriterien, applizieren. Dabei muss der Fahrer physikalisch bedingte Kompromisse unterschiedlicher Kriterien (z.B. Sicherheit vs. Performance) berücksichtigen und individuell abstimmen.
Im Rahmen der Funktionsparameterapplikation auf Basis eines realen Fahrzeuges ergeben sich gleich mehrere Nachteile: Auf der einen Seite ist die klassische Applikation der Fahrdynamikparameter sehr zeit- und kostenaufwändig, da zunächst kostenintensive Prototypenfahrzeuge benötigt werden, die in kleinen Stückzahlen aufwändig hergestellt und messtechnisch ausgestattet werden müssen. Diese Fahrzeuge werden dann im Rahmen der Parameterapplikation auf unterschiedlichen Teststrecken, die unterschiedliche Umgebungsbedingungen erfüllen, transportiert und eingesetzt. Unterschiedliche Umgebungsbedingungen können beispielsweise verschiedene Reibwertkoeffizienten der Fahrbahn darstellen, für die spezifische Funktionsparameter zu applizieren sind. Die Verfügbarkeit der Fahrzeuge und die Abhängigkeit der Umgebungsbedingungen erfordern eine präzise Projektplanung und erhöhen den Aufwand (Zeit und Kosten) innerhalb eines Projektes. Hinzu kommen die zeitlichen und organisatorischen Aufwände seitens der Testfahrer. Auf der anderen Seite sind für die klassische Applikation reale Prototypenfahrzeuge zwingend erforderlich, da die Applikation der fahrrelevanten Parameter mit dem realen Fahrzeug stattfindet. Reale Fahrzeuge sind deshalb notwendig, da das komplexe Gesamtfahrverhalten, das Wechselspiel zwischen dem Fahrzeug und dem darin verbauten Fahrdynamikregler, gesamtheitlich und objektiv und subjektiv vom Applikationsingenieur bewertet wird. Gleichzeitig ermöglichen reale Fahrzeuge die Integration des erfahrenen Fahrers (Applikationsingenieurs), der den Einfluss der Parameter auf das resultierende dynamische Gesamtfahrverhalten subjektiv bewerten kann.
Die Aufgabe hinter dieser Erfindung liegt darin eine Methode zu entwickeln, welche es ermöglicht den Applikationsaufwand der Funktionsparameter signifikant zu reduzieren.
Die Aufgabe wird gelöst durch ein Verfahren zur Festlegung eines Satzes von Funktionsparametern eines Fahrzeugbremsensteuergeräts, wobei für zumindest eine Teilmenge der Funktionsparameter verschiedene Werte ausgewählt werden und mittels einer Simulationsplattform für vorbestimmte Fahrmanöver und Umgebungseinstellungen fahrdynamische Messergebnisse simuliert werden, die mittels eines Objektivierungsalgorithmus mit zumindest einer Schlüsselkennzahl bewertet werden, und wobei ein Metamodel mittels der jeweiligen Werte mit zugehörigen Schlüsselkennzahlen angelernt wird, welches somit einen Zusammenhang zwischen der jeweiligen Teilmenge von Funktionsparametern und den Schlüsselkennzahlen angibt, wobei das Metamodell bei der eigentlichen Parameteroptimierung mittels eines Optimierungsalgorithmus zur Auffindung optimaler Parameterwerte genutzt wird.
Das erfindungsgemäße Verfahren, nachfolgend „SIPA“ (Simulation-based Pre-Adjustment) kann somit die wesentlichen Nachteile der klassischen Parameterapplikation, insbesondere den Aufwand und die Verfügbarkeit der Prototypenfahrzeuge für Fahrdynamikregler beseitigen. Durch den innerhalb der Methode verankerten simulationsgestützten Ansatz werden die Abhängigkeiten sowohl von den Umgebungsbedingungen als auch von den Prototypenfahrzeugen eliminiert. Die Umgebungsbedingungen und die Prototypenfahrzeuge werden in der Simulation gemäß den Anforderungen und den technischen Daten des Fahrzeugs digital nachmodelliert, sodass diese virtuellen Modelle in Verbindung mit einem ebenfalls virtuellen Fahrdynamikregler simuliert und die Funktionsparameter mithilfe des simulierten Fahrverhaltens in einer virtuellen Umgebung appliziert werden können.
In einer bevorzugten Ausführungsform der Erfindung führt der Objektivierungsalgorithmus die Bewertung anhand mehrerer Typen von Schlüsselkennzahlen durch und es wird für jeden Typ von Schlüsselkennzahl ein eigenes Metamodell angelernt, welches die jeweiligen Funktionsparameter mit dem entsprechenden Typ von Schlüsselkennzahl in Zusammenhang setzt.
In einer bevorzugten Ausführungsform der Erfindung wird das Auswählen der Werte für zumindest die Teilmenge der Funktionsparameter mittels einer Design of Experiments Einheit, insbesondere nach dem Latin-Hypercube-Sample Verfahren, durchgeführt.
In einer bevorzugten Ausführungsform der Erfindung wird zum Anlernen des Metamodells der Backpropagation Ansatz genutzt.
In einer bevorzugten Ausführungsform der Erfindung wird als Optimierungsalgorithmus ein genetischer Algorithmus genutzt.
In einer bevorzugten Ausführungsform der Erfindung berücksichtigt der Optimierungsalgorithmus die verschiedenen Metamodelle für die verschiedenen Typen von Schlüsselkennzahlen, insbesondere gewichtet.
In einer bevorzugten Ausführungsform der Erfindung wird zumindest ein weiteres Metamodell für eine weitere Teilmenge von Funktionsparametern für andere Fahrmanöver und/oder Umgebungseinstellungen angelernt. Dieses wird dann ebenfalls vom Optimierungsalgorithmus genutzt. Die Fahrmanöver mit ihren unterschiedlichen Umgebungsbedingungen können dabei gewichtet werden, um bestimmte Eigenschaften (zB Stabilität) auf bestimmten Umgebungsbedingungen (zB auf Schnee/niedriger Reibwert der Fahrbahn) zu bevorzugen.
In einer bevorzugten Ausführungsform der Erfindung weist die Teilmenge von Funktionsparametern allgemeingültige Parameter und umgebungs- und/oder manöverabhängige Parameter auf, wobei die weitere Teilmenge von Funktionsparametern dieselben allgemeingültigen Parameter und andere umgebungs- und/oder manöverabhängige Parameter aufweist.
In einer bevorzugten Ausführungsform der Erfindung wird die Gesamtmenge der Parameter des Satzes von Funktionsparametern des Fahrzeugbremsensteuergeräts in Teilmengen aufgeteilt, wobei die Auffindung optimaler Parameterwerte für die Teilmengen nacheinander erfolgt. Für jeden dieser Funktionsparametern der Teilmenge werden individuelle Fahrmanöver und Umgebungsbedingungen zugeordnet, in denen die Funktionsparameter einen Einfluss, insbesondere einen überdurchschnittlichen Einfluss, auf die fahrdynamischen Messergebnisse haben.
Die Aufgabe wird außerdem gelöst durch ein Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, eines der vorstehenden Verfahren auszuführen.
Die Aufgabe wird außerdem gelöst durch ein Herstellungsverfahren für eine Kraftfahrzeugbremsanlage umfassend ein Fahrzeugbremsensteuergerät, welches Programmcode zum Ausführen von Fahrzeugfunktionen umfasst, welcher Funktionsparameter enthält, wobei Werte für die Funktionsparameter in dem Steuergerät gespeichert werden, die mittels einem der vorstehenden Verfahren festgelegt wurden.
SIPA ermöglicht eine Applikation ausgewählter Funktionsparameter des Fahrdynamikreglers simulationsgestützt in virtueller Umgebung. Die Methode ist wie in 1 dargestellt unterteilt in einen „Vorverarbeitungs-Prozess“ und einen „Parameterapplikations-Prozess“ und baut auf einem auf existierenden Ansatz auf (Rot, Ivan: „Methode zur modellbasierten Kalibrierung der Schaltablaufsteuerung von Getriebesteuergeräten in virtueller Umgebung“, 2017, Technische Universität Darmstadt, Darmstadt)
Innerhalb des „Vorverarbeitungs-Prozess“ wird eine Simulationsplattform eingesetzt, die das Fahrzeug, die Fahrzeugumgebung (Straße, Streckenführung), den virtuellen Fahrer und den Fahrdynamikregler, auf dem die zu applizierende Funktionssoftware läuft, enthält. Die Umgebungsbedingungen und Fahrzeugeigenschaften können innerhalb der Simulationsplattform angepasst werden, sodass eine Applikationsabdeckung unter Berücksichtigung verschiedener Umgebungsbedingungen gewährleistet wird.
Die Simulationsplattform muss alle relevanten Fahrzeuggrößen und Fahrzustände abbilden. Aufgrund ihrer Komplexität benötigt die Simulationsumgebung viele Rechenressourcen. Dies wirkt sich negativ auf die Anwendbarkeit im nachfolgenden „Parameterapplikations-Prozess“ aus, da dieser eine hohe Anzahl an Simulationsdurchläufen (Iterationen) im Rahmen der Parameteroptimierung (Applikation) erfordert. Daher ist das Ziel des „Vorverarbeitungs-Prozess“ mit Hilfe der komplexen Simulations-Umgebung zunächst ein vereinfachtes sogenanntes Metamodell abzuleiten (im Folgenden „trainieren“ genannt), welches die relevanten Eigenschaften für die Parameterapplikation abbilden kann und in der Ausführung weniger Rechenressourcen benötigt. Dieses weniger komplexe und umfängliche Metamodell kann anschließend im „Parameteridentifikation-Prozess“ ressourcenschonend eingesetzt werden.
Für das Training des Metamodells wird das mit Hilfe der Simulationsumgebung simulierte Fahrverhalten ausgewertet und daraus gezielt Informationen extrahiert, die das Fahrverhalten umfänglich beschreiben. Zunächst wird über einen Design of Experiments (DoE) Ansatz ein Versuchsplan erstellt. Dieser Versuchsplan verstellt die zu optimierenden Funktionsparameter für jeden Versuch beispielsweise nach dem Latin-Hypercube-Sample Verfahren, sodass mit möglichst wenig Aufwand (Versuchen) ein möglichst hoher Informationsgewinn des Systems generiert wird. Die Versuche werden nacheinander mit Hilfe der Simulationsplattform für ein festgelegtes Fahrmanöver eingefahren und die generierten Messdaten anschließend anhand eines Objektivierungsalgorithmus, beispielsweise gemäß DE 10 2019 217 431 A1 , ausgewertet. Der Objektivierungsalgorithmus berechnet auf Basis der gemessenen Fahrverhaltensmessungen objektive Notenmodelle, die einer subjektiven Bewertung eines realen Fahrers für das betrachtete Fahrmanöver entsprechen. Neben der Berechnung der subjektiven Noten berechnet der Objektivierungsalgorithmus auch fahrmanöverindividuelle objektive Kriterien, die zur Bewertung der Fahrmanöver gemeinsam mit den subjektiven Notenmodellen angewendet werden. Die subjektiven Notenmodelle und die objektiven Kriterien sollen im Folgenden als KPIs (Key Performance Indicators - Schlüsselkennzahlen) zusammengefasst und bezeichnet werden.
Auf Basis der aus dem DoE bekannten Funktionsparametern und den aus den simulierten Fahrversuchen ermittelten KPIs wird im letzten Schritt des „Vorverarbeitungs-Prozess“ das Metamodell angelernt. Für das Anlernen des Metamodells können unterschiedliche Ansätze, wie beispielsweise der Backpropagation Algorithmus aus dem Bereich der Machine Learning Methoden, eingesetzt werden. Das Ziel des angelernten Metamodells ist es, einen mathematischen Zusammenhang zwischen den Funktionsparametern (Eingangsgröße des Metamodells P) und den KPIs (Ausgang des Metamodells y_KNN) effizient zu berechnen. Für die Berechnung jedes KPI wird ein eigenständiges Metamodell mit jeweils individuellen Modellparametern implementiert. Das Metamodell kann ein beliebiges mathematisches Modell darstellen, welches ein funktionales Verhalten eines Ausgangs in Abhängigkeit der Modelleingangsgrößen berechnen kann. Als Beispiel ist ein künstliches neuronales Netz (KNN) in Form eines Mehrlagigen Perzeptron (en. multilayer perceptron, MLP) mit einer verdeckten Schicht zu nennen, welches die genannten Eigenschaften erfüllt: $y_{K N N} = f_{K N N} (\sum_{e = 1}^{n} g_{e} \cdot p_{e} + b)$
mit

• Eingang: P: [p₁, ..., p_e]
• Offset: b
• Aktivierungsfunktion: f_KNN
• Gewicht: g
• Anzahl der Eingangsparameter: n

Nachdem die Metamodelle trainiert wurden, werden diese innerhalb des „Parameterapplikations-Prozess“ für die Berechnung der KPIs in Abhängigkeit der Funktionsparameter angewendet. Die Funktionsparameter P werden vom Optimierungsalgorithmus vorgegeben. In SIPA wird ein Optimierungsalgorithmus angewendet, der in der Lage ist, ein globales Optimum unter Berücksichtigung mehrerer zu optimierender (applizierender) Funktionsparameter für ein nichtlineares Systemverhalten zu finden. Beispielsweise erfüllt der genetische Algorithmus (GA) diese Eigenschaften und kann für die Applikation (Optimierung) der Funktionsparameter herangezogen werden [6]. Der Optimierungsalgorithmus hat die Aufgabe die Zielfunktion f_ZF(P) zu minimieren: $min ƒ_{Z F} (P), P \in ℝ^{D}$
mit $ƒ_{Z F} (P) = \sum_{e = 1}^{m} (\frac{y_{K N N_{e}} (P) \cdot w_{e}}{m})$
und Anzahl der KPIs: m. Je nach Anwendungsfall können auch andere, auch lokale, Optimierungsalgorithmen angewendet werden.
Die Zielfunktion ist abhängig von den KPIs, die von den Metamodellen berechnet werden (y_KNN). Innerhalb der Zielfunktion werden Gewichtungen (w) für jeden KPI definiert, die vom Anwender vorgegeben werden können um die Charakteristik des Fahrverhaltens gezielt zu beeinflussen. Beispielsweise kann die Gewichtung für einen fahrdynamisch stabilitätsrelevanten KPI so eingestellt werden, dass die Funktionsparameter bestimmte Werte annehmen und dadurch das Fahrzeug eine möglichst hohe Stabilität im betrachteten Fahrmanöver aufweist. Die Zielfunktion wird vom Optimierungsalgorithmus iterativ minimiert, bis eines oder mehrere definierte Optimalitätskriterien erfüllt sind. Ein Optimalitätskriterium kann beispielsweise als Konvergenz der Zielfunktion auf einen unbestimmten Wert bei fortschreitender Iteration definiert werden.
Bestimmte Funktionsparameter sind von bestimmten Fahrsituationen (beispielsweise der Fahrgeschwindigkeit) oder Umgebungsbedingungen (beispielsweise vom Reibwert µ des Fahrbahn-Reifen Kontaktes) abhängig. Andere Funktionsparameter hingegen sind allgemeingültig und auf keine bestimmte Situation bezogen. Innerhalb eines Fahrversuchs kann stets ein Fahr- und Umgebungsszenario definiert und simuliert bzw. gefahren werden. Die allgemeingültigen Parameter müssen jedoch für alle möglichen Fahr- und Umgebungsszenarien appliziert werden. In der Realität werden diese Parameter erfahrungsbasiert und iterativ eingestellt. In SIPA wird diese Gegebenheit durch den nachfolgenden Ansatz gelöst und gilt als expliziter Bestandteil dieser Erfindungsmeldung:
Zur Erläuterung des Ansatzes werden beispielhaft drei Umgebungen (alternativ Fahrzustände) A, B und C betrachtet. Für die Applikation existieren Parameter W, die für jede Umgebung gültig sind. Darüber hinaus existieren Parameter A, B und C die jeweils nur innerhalb der gleichnamigen Umgebung A, B und C gültig sind. Um einen umgebungsübergreifenden Parametersatz für W, A, B und C zu finden, der die geforderten Anforderungen an die Fahrdynamik erfüllt, werden im vorliegenden Ansatz zunächst für jede Umgebung individuell gemäß dem „Vorverarbeitungs-Prozess" Fahrversuche gefahren (simuliert) und anschließend Metamodelle mit den dazugehörigen Parametern trainiert (siehe 2). Somit enthält jedes Metamodell Informationen über eine bestimmte Umgebung, welches in Abhängigkeit der umgebungsunabhängigen und den spezifischen umgebungsabhängigen Parametern die KPIs berechnen kann. Eine allgemeingültige (umgebungsübergreifende) Applikation der betrachteten wird erreicht, indem innerhalb des nachfolgenden „Parameterapplikations-Prozess“ die angelernten Metamodelle parallel angewendet werden. Hierbei berechnet der GA in jedem Iterationsschritt den kompletten Eingangsparametersatz (A, B, C, W) der anschließend als Eingangsgrößen für die jeweiligen Metamodelle aufgeteilt wird (siehe 2 „Berechnung für einen KPI“). Anschließend wird der Ersatz-KPI $(y_{K N N . U m g}^{*})$
für alle betrachteten Umgebungen berechnet: $y_{K N N . U m g}^{*} (A, B, C, W) = \sum_{I = 1}^{K} \frac{y_{K N N . U m g_{i}} * w_{U m g_{i}}}{k}$
mit Anzahl der Umgebungen: k KPI-Wert innerhalb einer Umgebung: yy_KNN.Umg
Gewichtung einer Umgebung: w_Umg.
Mit der Gewichtung w_Umg lassen sich die KPIs einzelner Umgebungen gezielt gewichten. Dies ermöglicht es optional das Fahrverhalten für eine bestimmte Umgebung unter Berücksichtigung des Gesamtfahrverhaltens zu bevorzugen.
Der Zielfunktionswert wird unter Berücksichtigung aller KPIs und KPI-Gewichtungen (w) wie folgt berechnet: $f_{Z F} (A, B, C, W) = \sum_{i = 1}^{m} \frac{y_{K N N . U m g_{i}}^{*} * w_{i}}{m}$
Die 2 stellt den Ansatz schematisch dar. Eine Funktion kann mehrere Dutzende oder hundert Funktionsparameter enthalten, die das Fahrverhalten beeinflussen und entsprechend an das individuelle Fahrzeug appliziert werden sollen. Diese Parameter bestimmen innerhalb einer Funktion das Fahrverhalten für insgesamt mehrere Fahrsituationen und Umgebungsbedingungen. Ein Versuch alle Parameter in einem Prozessschritt (Fahrmanöver) zu berücksichtigen erweist sich aus mathematischer, technischer und demnach praktischer Sicht als sehr komplex. Ein Metamodell anzulernen, welches mehrere hundert Parameter als Eingangsgröße aufweist, bedeutet die Erstellung von sehr vielen Messdaten, die zum Training des Metamodells herangezogen werden. Der Bedarf an Trainingsdaten für das Training eines Metamodells steigt exponentiell zur Anzahl seiner Eingangsgrößen. Dies führt zu sehr hohen Rechenressourcen, die in der Praxis zum jetzigen Zeitpunkt weitläufig nicht zur Verfügung stehen. Ein weiteres Problem resultiert aus der Tatsache, dass ein Fahrmanöver sehr umfangreich und umfassend durchgeführt werden müsste, um alle Fahrsituationen abzudecken, auf die die zu applizierenden Parameter Einfluss haben. Dies wird beispielhaft in 3 unter „Applikationsansatz ohne Applikationsstrategie“ veranschaulicht. Demnach müssten alle relevanten Funktionsparameter in einem komplexen Fahrmanöver in einem Applikationsschritt so eingestellt werden, dass sie die Anforderungen für alle Teilereignisse in diesem Fahrmanöver bestmöglich erfüllen. Jeder Parameter stellt mathematisch einen Freiheitsgrad dar, in dem der optimale Wert gefunden werden muss.
Dieses komplexe Problem wird im Rahmen dieser Erfindung durch Implementierung und Anwendung einer Applikationsstrategie gelöst, die eine besonders bevorzugte Variante des erfindungsgemäßen Verfahrens darstellt. Die Applikationsstrategie wird für die Applikation jeder Funktion individuell definiert und implementiert. Der wesentliche Ansatz der Applikationsstrategie ist die Aufteilung eines komplexen Problems in kleinere weniger komplexe Teilprobleme und Teilschritte. Dadurch wird ein praxisnaher und rechenressourcenschonender Prozess für die virtuelle Applikation der Funktionsparameter einer Funktion geschaffen.
Die Applikationsstrategie definiert individuell für jede Funktion einen Prozess, der eine Reihenfolge vorsieht, in der bestimmte Parameter (zusammenfassend als eine Parametergruppe) mit einem spezifisch für die Applikation dieser Parametergruppe definierten Fahrmanöver appliziert werden. Dieses Fahrmanöver kann sich in ein oder mehrere Fahrmanöver mit unterschiedlichen Umgebungen (Umgebungsbedingungen) untergliedern.
Nachdem die Funktionsparameter innerhalb des ersten Schrittes der definierten Reihenfolge appliziert wurden, wird in Abhängigkeit dieser dann applizierten Parameter die nächste Parametergruppe mit dem nächsten dazugehörigen Fahrmanöver appliziert. Diese Schritte werden sequenziell durchgeführt, bis alle geplanten Parametergruppen innerhalb der Applikationsstrategie appliziert wurden. Mit diesem Ansatz wird eine potenzielle Abhängigkeit der Parameter untereinander berücksichtigt. Ein Ziel der Applikationsstrategie ist es innerhalb eines Applikationsprozesses die Anzahl der Parameter in einer Parametergruppe so weit wie möglich zu reduzieren, um das Problem aus Sicht der Rechenressourcen und Findung eines geeigneten Parametersatzes (Applikation = Parameteroptimierung) so weit wie möglich zu reduzieren (mit anderen Worten das komplexe Problem in möglichst viele kleine Teilprobleme aufzuteilen).
In Figure 3 werden die wesentlichen Merkmale des Applikationsansatz mit Applikationsstrategie schematisch dargestellt
Die Applikation der Funktionsparameter findet vollständig in virtueller Umgebung statt, sodass keine realen physikalischen Komponenten oder Systeme (weder Serien- noch Prototypenstand) benötigt werden. SIPA stellt einen generischen Ansatz dar und ist anwendbar/übertragbar für die Applikation aller vorhandenen und künftigen Funktionen im Zusammenhang mit dynamischen und quasistatischen Fahrzuständen.
Das besondere Merkmal der Methode SIPA ist, dass sich im Rahmen des virtuellen Applikationsprozesses die Fahreigenschaften durch gezielte Gewichtung der KPIs individuell berücksichtigen und die Funktionsparameter entsprechend der Gewichtung automatisiert appliziert werden können.
Darüber hinaus können innerhalb des Applikationsprozesses verschiedene Fahr- und Umgebungsbedingungen gleichzeitig berücksichtigt werden, sodass die applizierten Funktionsparameter für alle betrachteten Fahr- und Umgebungsbedingungen optimal ausgelegt werden.
Die Applikationsstrategie erlaubt die komplexe Applikation von vielen Funktionsparametern auf mehrere kleine Teilprobleme zu reduzieren, um insgesamt die Rechenressourcen und den Aufwand für die Findung geeigneter Parameterapplikations-Prozess zu reduzieren.
Die Methode stellt einen generischen Ansatz dar und lässt sich grundsätzlich auf die Applikation der Funktionsparameter aller quasistatischen und dynamischen Fahrfunktionen anwenden. Beispielsweise kann die Methode auf weitere (dynamische oder quasistatische) Fahrfunktionen mit entsprechender Anpassung der KPIs und der Applikationsstrategie angewendet werden. Als Beispiel ist die Applikation der Parameter der ABS- (Antiblockiersystem) oder ACC- (Adaptive Geschwindigkeitsregelung) Funktionen zu nennen.
Im nachfolgenden Ausführungsbeispiel wird SIPA für eine virtuelle Applikation für vier Funktionsparameter der Gierregelungsfunktion (Active Yaw Control Function) angewendet. Es wird somit eine exemplarische Parametergruppe mit einem dazugehörigen Fahrmanöver innerhalb der Applikationsstrategie betrachtet. Es wird ein Sinus-Dwell Fahrmanöver betrachtet, bei dem das Fahrzeug in insgesamt drei unabhängigen Umgebungen mit einem Fahrbahn-Reifen Reibwert von µ_A = 0,3, µ_B = 0,65 und µ_C = 1,0 bei sonst gleichen Bedingungen gezielt zum Übersteuern gebracht wird und die Gierregelungsfunktion das Fahrzeug in Folge des Übersteuerns in den stabilen Fahrzustand überführt. Um Einflüsse potenzieller anderer Regelungsfunktionen auszuschließen, werden alle anderen fahrdynamischen Funktionen deaktiviert, sodass ausschließlich die zu applizierende Regelungsfunktion für das Fahrzeug-Übersteuern aktiv ist und von den zu applizierenden Parametern beeinflusst wird.
Im ersten Schritt wird im „Vorverarbeitungs-Prozess“ ein Versuchsplan (DoE) erstellt und das Manöver mit unterschiedlichen Parameterkombinationen innerhalb der Simulationsplattform für jede Umgebung individuell und virtuell durchgeführt. Anschließend werden die Messignale anhand des Objektivierungsalgorithmus ausgewertet und die zur Beschreibung der Fahrdynamikqualität relevanten KPIs „Performance“, Stabilität", „Handling“ und „Komfort“ bestimmt. Im letzten Schritt des „Vorverarbeitungs-Prozess“ werden abschließend die Metamodelle für jede Umgebung und jeden KPI trainiert (in diesem Beispiel insgesamt 12 Metamodelle). Die Qualität der Metamodelle in diesem Beispiel wird in den dargestellt. Zum Qualitätsnachweis werden die mit Hilfe der antrainierten Metamodelle berechneten KPIs mit den KPIs verglichen, die direkt auf Basis der Messignale (kommend von der Simulationsplattform) anhand des Objektivierungsalgorithmus bestimmt wurden. Je näher die Punkte (ein Punkt entspricht der Auswertung eines Fahrmanövers) an der eingezeichneten Diagonalen liegen, desto höher ist die Vorhersagegenauigkeit des Metamodells. Die Qualität der betrachteten Metamodelle ist insgesamt als gut zu bezeichnen.
Im „Parameterapplikations-Prozess“ werden in diesem Beispiel zwei unterschiedliche Optimierungsvarianten durchgeführt. Die Optimierungsvariante 1 setzt ein stabiles Fahrverhalten in den Fokus, was im Falle eines Übersteuermanövers gleichbedeutend mit einem kleineren zulässigen Schwimmwinkel ist, welches das Fahrzeug während des Manövers aufbaut. Die in der Optimierung verwendeten Gewichtungen der KPIs für beide Optimierungsvarianten sind in Tabelle 1 dargestellt. Zur Vereinfachung werden die Gewichtungen der drei Umgebungen gleichgesetzt: w_UmgA = w_UmgB = w_UmgC. Tabelle 1

Gewichtungen w

Optimierung Performance Stabilität Handling Komfort

1 0,1 0,7 0,1 0,1

2 0,1 0,1 0,1 0,7
Die erzielten Optimierungsergebnisse für alle drei Umgebungen werden in den nachfolgenden normiert dargestellt. Die Ergebnisse veranschaulichen, dass die Vorgaben des Anwenders über die Gewichtungen im Allgemeinen erwartungsgemäß umgesetzt wurden. Im Beispiel für Optimierung 1 wurde der Fokus auf ein stabiles Fahrverhalten gelegt. Die umgebungsabhängigen und umgebungsunabhängigen Parameter wurden in der Hinsicht appliziert, sodass in allen drei Umgebungen eine sehr hohe Stabilität erreicht wird (normierte Note 1 bedeutet, dass unter den gegebenen Bedingungen die maximal mögliche KPI Note erreicht wird).
Im bereits dargestellten Beispiel wurden bereits Applikationsergebnisse für die Gierregelungsfunktion (AYC Function) für zwei unterschiedliche dynamische Fahrzeugcharakteristiken erläutert. Wie in der Beschreibung der Methode bereits erwähnt, lässt sich die Methode auf andere beliebige fahrdynamische Funktionen anwenden. Für die Anwendung der Methode an einer anderen Funktion ist es notwendig, zunächst die zu applizierenden Parameter der Funktion zu definieren und die relevanten dynamischen Fahrmanöver in der Simulation zu implementieren. Anschließend kann die Methode äquivalent zum gezeigten Beispiel auf das neue Applikationsproblem angewendet werden. Ein weiteres Beispiel ist die Applikation von Parametern der ABS-Funktion (Antiblockiersystem), bei der beispielsweise die bremsweg- und stabilitätsbeeinflussenden Parameter beim Geradeausbremsen oder beim sogenannten Mü-Split Bremsen (Bremsen auf parallel unterschiedlichen Reibwerten) appliziert werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102019217431 A1 [0021]

Claims

Verfahren zur Festlegung eines Satzes von Funktionsparametern eines Fahrzeugbremsensteuergeräts, wobei für zumindest eine Teilmenge der Funktionsparameter verschiedene Werte ausgewählt werden und mittels einer Simulationsplattform für vorbestimmte Fahrmanöver und Umgebungseinstellungen fahrdynamische Messergebnisse simuliert werden, die mittels eines Objektivierungsalgorithmus mit zumindest einer Schlüsselkennzahl bewertet werden, und wobei ein Metamodel mittels der jeweiligen Werte mit zugehörigen Schlüsselkennzahlen angelernt wird, welches somit einen Zusammenhang zwischen der jeweiligen Teilmenge von Funktionsparametern und den Schlüsselkennzahlen angibt, wobei das Metamodell bei der eigentlichen Parameteroptimierung mittels eines Optimierungsalgorithmus zur Auffindung optimaler Parameterwerte genutzt wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Objektivierungsalgorithmus die Bewertung anhand mehrerer Typen von Schlüsselkennzahlen durchführt und für jeden Typ von Schlüsselkennzahl ein eigenes Metamodell angelernt wird, welches die jeweiligen Funktionsparameter mit dem entsprechenden Typ von Schlüsselkennzahl in Zusammenhang setzt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Auswählen der Werte für zumindest die Teilmenge der Funktionsparameter mittels einer Design of Experiments Einheit, insbesondere nach dem Latin-Hypercube-Sample Verfahren, durchgeführt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Anlernen des Metamodells der Backpropagation Ansatz genutzt wird
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Optimierungsalgorithmus ein genetischer Algorithmus genutzt wird
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Optimierungsalgorithmus die verschiedenen Metamodelle für die verschiedenen Typen von Schlüsselkennzahlen, insbesondere gewichtet berücksichtigt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zumindest ein weiteres Metamodell für eine weitere Teilmenge von Funktionsparametern für andere Fahrmanöver und/oder Umgebungseinstellungen angelernt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Teilmenge von Funktionsparametern allgemeingültige Parameter und umgebungs- und/oder manöverabhängige Parameter aufweist, wobei die weitere Teilmenge von Funktionsparametern dieselben allgemeingültigen Parameter und andere umgebungs- und/oder manöverabhängige Parameter aufweist.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Gesamtmenge der Parameter des Satzes von Funktionsparametern des Fahrzeugbremsensteuergeräts in Teilmengen aufgeteilt wird, wobei die Auffindung optimaler Parameterwerte für die Teilmengen nacheinander erfolgt.
Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, eines der vorstehenden Verfahren auszuführen.
Herstellungsverfahren für eine Kraftfahrzeugbremsanlage umfassend ein Fahrzeugbremsensteuergerät, welches Programmcode zum Ausführen von Fahrzeugfunktionen umfasst, welcher Funktionsparameter enthält, dadurch gekennzeichnet, dass Werte für die Funktionsparameter in dem Steuergerät gespeichert werden, die mittels einem der Verfahren nach Anspruch 1 bis 9 festgelegt wurden.