DE102016212097A1

DE102016212097A1 - Verfahren und Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs

Info

Publication number: DE102016212097A1
Application number: DE102016212097.2A
Authority: DE
Inventors: Kristof Van Ende; Jonas Kaste; Dennis Schaare
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2016-07-04
Filing date: 2016-07-04
Publication date: 2018-01-04

Abstract

Die Erfindung betrifft ein Verfahren und eine zugehörige Vorrichtung (1) zum Schätzen eines Lenkraddrehmoments (52) für eine mechanische Rückkopplung an einem Lenkrad (55) eines Kraftfahrzeugs (50), umfassend die folgenden Schritte: Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert (5-1 bis 5-5) mindestens einer Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs über geeignete Eingangsmittel (2), Schätzen des aktuellen Lenkraddrehmoments (52) mittels einer Steuerung (3), Ausgeben des geschätzten Lenkraddrehmoments (52) als Lenkraddrehmomentsignal (53), wobei das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes (4) durchgeführt wird, wobei zu jeder der mindestens einen Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs (50) in einer Eingangsschicht (20) des Neuronalen Netzes (4) ein Eingangsneuron (23-1, 23-2) zum Verarbeiten des mindestens einen aktuellen Messwerts (5-1 bis 5-5) vorgesehen ist, und wobei bereitgestellte Gewichtungen (12-1 bis 12-n), bereitgestellte Konstantgrößen (14) und bereitgestellte Übertragungsfunktionen (13) mindestens einer verborgenen Schicht (21) des Neuronalen Netzes (4) dazu verwendet werden, an einem Ausgabeneuron (24) einer Ausgangsschicht (22) des Neuronalen Netzes (4) einen Ausgabewert (25) für das geschätzte Lenkraddrehmoment (52) zu erzeugen, welcher zum Ausgeben bereitgestellt wird.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs.
Das Ansteigen des globalen Verkehrs stellt die Automobilhersteller vor große Herausforderungen. Ein Forschungsschwerpunkt der Entwicklungsabteilungen ist dabei die Lenkung von Kraftfahrzeugen. Hierbei könnten beispielsweise die derzeit üblichen elektromechanischen Lenkungen durch Steer-by-Wire-Lenkungen ersetzt werden. Bei einer solchen Steer-by-Wire-Lenkung sind das Lenkrad und die Lenkung mechanisch vollständig entkoppelt. Um dem Fahrer des Kraftfahrzeugs trotzdem ein bekanntes Lenkgefühl zu vermitteln, erfolgt eine künstliche Rückkopplung der Lenkung, beispielsweise durch Aufbringen eines künstlichen Drehmoments an dem Lenkrad.
Üblicherweise wird hierzu ein Torsionsmoment der Lenkung über einen Drehstabsensor erfasst und aus dem erfassten Torsionsmoment anschließend das Lenkraddrehmoment geschätzt. Fällt ein solcher Drehstabsensor aus, so muss das Lenkraddrehmoment auf andere Weise geschätzt werden. Hierzu werden verschiedene Zustandsgrößen des Kraftfahrzeugs herangezogen und unter Zuhilfenahme eines Modells aus diesen Zustandsgrößen ein Lenkraddrehmoment geschätzt. Um eine genaue Schätzung des Torsionsstabmomentes bzw. des Lenkraddrehmoments zu erzielen, ist hierfür allerdings ein detailliertes Modellwissen nötig, um Nichtlinearitäten, wie beispielsweise Elastizitäten und eine Reibung, korrekt abbilden zu können.
Aus der DE 10 2004 005 348 A1 sind ein System und ein Verfahren zur Steuerung einer Steer-By-Wire-Baugruppe zur Erzeugung eines einstellbaren Lenkgefühls für einen Fahrzeugführer durch Bereitstellung der Regelung des Reaktionsmoments am Lenkrad des Fahrzeugs bekannt. Das Verfahren beinhaltet eine quantitative Beschreibung des Lenkgefühls, die durch Etablierung einer Beziehung von Lenkrad-Reaktionsmoment und Lenkradwinkel, Radmoment und Fahrzeuggeschwindigkeit erhalten wird. Das System und Verfahren schließt Steer-By-Wire-Baugruppen-Kreislauf-Rückkopplungssteuerungen mit innerer Momentschleife, Lenkrad-Geschwindigkeits-Rückkopplungsschleife und Lenkrad-Winkelpositions-Rückkopplungsschleife ein, um die Bereitstellung des Lenkgefühls, des aktiven Lenkradrücklaufs mit verschiedenen Rotationsgeschwindigkeiten, des Lenkradstops gemäß der Radwinkelposition beim Parken und die Generierung des Richtungs-Referenzwinkels zu den Rädern zu implementieren.
Der Erfindung liegt das technische Problem zu Grunde, ein Verfahren und eine Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs zu schaffen, bei der das Schätzen vereinfacht und verbessert ist.
Die technische Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 und eine Vorrichtung mit den Merkmalen des Patentanspruchs 10 gelöst. Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.
Insbesondere wird ein Verfahren zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs zur Verfügung gestellt, umfassend die folgenden Schritte: Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert mindestens einer Zustandsgröße des Kraftfahrzeugs über geeignete Eingangsmittel, Schätzen des aktuellen Lenkraddrehmoments mittels einer Steuerung, Ausgeben des geschätzten Lenkraddrehmoments als Lenkraddrehmomentsignal, wobei das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes durchgeführt wird, wobei zu jeder der mindestens einen Zustandsgröße des Kraftfahrzeugs in einer Eingangsschicht des Neuronalen Netzes ein Eingangsneuron zum Verarbeiten des mindestens einen aktuellen Messwerts vorgesehen ist, und wobei bereitgestellte Gewichtungen, bereitgestellte Konstantgrößen und bereitgestellte Übertragungsfunktionen mindestens einer verborgenen Schicht des Neuronalen Netzes dazu verwendet werden, an einem Ausgabeneuron einer Ausgangsschicht des Neuronalen Netzes einen Ausgabewert für das geschätzte Lenkraddrehmoment zu erzeugen, welcher zum Ausgeben bereitgestellt wird.
Ferner wird eine Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs geschaffen, umfassend: Eingangsmittel zum Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert einer Zustandsgröße des Kraftfahrzeugs, eine Steuerung zum Schätzen des aktuellen Lenkraddrehmoments und zum Ausgeben des geschätzten Lenkraddrehmoments als Lenkraddrehmomentsignal, wobei die Steuerung derart ausgebildet ist, das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes durchzuführen, wobei zu jeder der mindestens einen Zustandsgröße des Kraftfahrzeugs in einer Eingangsschicht des Neuronalen Netzes ein Eingangsneuron zum Verarbeiten des mindestens einen aktuellen Messwerts vorgesehen ist, und wobei bereitgestellte Gewichtungen, bereitgestellte Konstantgrößen und bereitgestellte Übertragungsfunktionen mindestens einer verborgenen Schicht des Neuronalen Netzes dazu verwendet werden, an einem Ausgabeneuron einer Ausgangsschicht des Neuronalen Netzes einen Ausgabewert für das geschätzte Lenkraddrehmoment zu erzeugen, welcher zum Ausgeben bereitgestellt wird.
Die Kernidee der Erfindung ist, ein Lenkraddrehmoment auf Grundlage von Zustandsgrößen des Kraftfahrzeugs, insbesondere Zustandsgrößen der Lenkung, zu schätzen und zum Schätzen ein künstliches Neuronales Netz zu verwenden. Das künstliche Neuronale Netz ist in der Lage, Korrelationen zwischen den Zustandsgrößen und dem Lenkradrehmoment, auch bei Vorliegen von Nichtlinearitäten, wie beispielsweise Elastizitäten und Reibung, verbessert zu modellieren, und gleichzeitig den notwendigen Rechenaufwand gering zu halten. Der Vorteil ist, dass über das System selber kein besonderes Modellwissen vorhanden sein muss und trotzdem eine zuverlässige Schätzung des Lenkraddrehmoments bereitgestellt werden kann, da sämtliche Korrelationen im Rahmen einer Lernphase des Neuronalen Netzes angelernt werden können.
Ein künstliches Neuronales Netz (fortan Neuronales Netz) orientiert sich hierbei an dem biologischen Original und erlaubt es, ein unbekanntes Systemverhalten aus vorhandenen Trainingsdaten anzulernen und anschließend das angelernte Systemverhalten auch auf unbekannte Eingangsdaten anzuwenden. Das Neuronale Netz besteht hierzu aus Schichten mit idealisierten Neuronen, welche gemäß einer Topologie des Netzes in unterschiedlicher Weise miteinander verbunden sind. Die erste Schicht des Neuronalen Netzes ist die Eingangsschicht, die Eingangswerte erfasst und überträgt. Die Anzahl der Neuronen in der Eingangsschicht entspricht hierbei der Anzahl an Eingangssignalen, welche verarbeitet werden sollen. Die letzte Schicht bildet die Ausgangsschicht, welche die gleiche Anzahl an Neuronen aufweist, wie Ausgabewerte bereit gestellt werden sollen. Für jeden zu schätzenden Wert muss somit ein Neuron in der Ausgangsschicht vorhanden sein. Zwischen Eingangsschicht und Ausgangsschicht befindet sich mindestens eine Zwischenschicht oder verborgene Schicht. Die Anzahl der verborgenen Schichten und die Anzahl der Neuronen in diesen Schichten ist abhängig von der konkreten Aufgabe, welche mit dem Neuronalen Netz gelöst werden soll.
Ein idealisiertes Neuron lässt sich definieren durch seine gewichteten Verbindungen, welche als Eingänge dienen, und eine Übertragungsfunktion, welche beschreibt, wie die Anregungen durch die Eingänge in dem Neuron verarbeitet werden. Ferner kann über jeweils eine Konstantgröße des Neurons eingestellt werden, wie die Eingänge in den angestrebten Referenzwert übertragen werden.
Mathematisch lässt sich dieser Zusammenhang im einfachsten Fall (ohne Rückkoppelungen) durch die Beschreibung über eine Anregung n (l) / j des j-ten Neurons in der l-ten Schicht über eine gewichtete Summe seiner Eingänge ausdrücken, wobei die Eingänge jeweils den Ausgängen o_q von Neuronen der voranstehenden (l-1)-ten Schicht entsprechen:
wobei w jeweils die Gewichtungen bezeichnen und b die Konstantgröße des j-ten Neurons in der l-ten Schicht bezeichnet.
In Matrixdarstellung ergibt sich hieraus:
Der Ausgang des j-ten Neurons in der l-ten Schicht ergibt sich dann mittels der Übertragungsfunktion zu:
Die Konstantgrößen bilden einen weiteren Freiheitsgrad und haben einen positiven Einfluss auf die Fähigkeit des Neuronalen Netzes, Näherungen von Systemverhalten vornehmen zu können.
Die Gewichtungen der Eingänge und die Konstantgrößen werden im Rahmen einer Lernphase mittels eines Optimierungsverfahrens bestimmt. Hierzu werden die Gewichtungen der Eingänge und die Konstantgrößen der Neuronen auf Grundlage von bekannten Trainingsdaten für die Eingänge und zugehörigen bekannten Referenzausgabewerten solange verändert, bis eine Zielfunktion, beispielsweise eine Fehlerfunktion, optimiert ist.
Insbesondere können im Neuronalen Netz durch Anlernen entsprechender Zusammenhänge zwischen Eingangswerten und Ausgabewerten hierbei auch Nichtlinearitäten angelernt und anschließend abgebildet werden.
In einer Ausführungsform ist vorgesehen, dass die mindestens eine als Messwert erfasste und/oder empfangene Zustandsgröße des Kraftfahrzeugs mindestens eine der folgenden Zustandsgrößen umfasst: eine laterale Beschleunigung, eine Gierrate, eine Geschwindigkeit, einen Lenkwinkel und/oder eine Lenkwinkelrate. Generell weisen diese Zustandsgrößen eine hohe Korrelation zum Lenkraddrehmoment auf, so dass sich diese Zustandsgrößen besonders dazu eignen, als Eingangswerte für die Schätzung zu dienen. Es kann dabei vorgesehen sein, dass nur einzelne dieser Zustandsgrößen zum Schätzen verwendet werden. Es können aber auch mehrere, beispielsweise auch alle, dieser Zustandsgrößen berücksichtigt werden.
Die Zustandsgrößen können beispielsweise über entsprechende dafür in dem Kraftfahrzeug vorgesehene Sensoren erfasst und bereitgestellt werden. Ein solcher Sensor kann beispielsweise ein Inertialsystem sein, welches mit Hilfe einer trägen Masse translatorische und rotatorische Beschleunigungen erfasst und daraus entsprechende Zustandsgrößen des Kraftfahrzeugs ableitet.
Insbesondere kann hierzu auch vorgesehen sein, dass einzelne oder mehrere der Zustandsgrößen indirekt abgeleitet werden. Beispielsweise können entsprechende Zustandsgrößen mit Hilfe eines Differential Global Positioning Systems (DGPS) erzeugt werden.
In einer Ausführungsform ist vorgesehen, dass das Neuronale Netz genau eine verborgene Schicht aufweist. Dies hat den Vorteil, dass das Neuronale Netz besonders einfach ausgestaltet ist. Es hat sich gezeigt, dass auch eine solche einfache Ausgestaltung ausreichend zuverlässige Ergebnisse liefert. Durch das Berücksichtigen von lediglich einer einzigen verborgenen Schicht wird ein Rechenaufwand zum Berechnen des Ausgabewertes verringert.
In einer weiteren Ausführungsform ist vorgesehen, dass das Neuronale Netz ausschließlich eine Vorwärtskopplung aufweist. Dies dient ebenfalls dazu, einen Rechenaufwand zu vereinfachen, da Rückkopplungsschleifen nicht vorgesehen sind und somit das Berechnen nicht erschweren. Auch bei dieser Ausführungsform hat es sich gezeigt, dass eine solche einfache Ausgestaltung ausreichend zuverlässige Ergebnisse liefern kann.
Insbesondere ist bei einer Ausführungsform vorgesehen, dass die verborgene Schicht mindestens 10 Neuronen aufweist. Es hat sich gezeigt, dass mindestens 10 Neuronen in der verborgenen Schicht von Vorteil sind, wenn das Lenkraddrehmoment, auch bei sich mit der Zeit schnell ändernden Zustandsgrößen, ausreichend genau und zuverlässig geschätzt werden soll.
In einer Ausführungsform ist vorgesehen, dass als Übertragungsfunktionen Sigmoid-Funktionen bereitgestellt werden. Dies ermöglicht es, nichtlineare Zusammenhänge über das Neuronale Netz abzubilden.
In einer weiteren Ausführungsform ist vorgesehen, dass die erfassten und/oder empfangenen Messwerte vor einer Zuführung zu den Eingängen des Neuronalen Netzes jeweils standardisiert werden. Dies dient dazu, die Messwerte an den Eingängen des Neuronalen Netzes in ihrem Dynamikumfang vergleichbar zu machen. In der Regel sind die auftretenden Zustandsgrößen normalverteilt, so dass sich durch eine entsprechende Standardisierung erreichen lässt, dass der Mittelwert der Messwerte stets 0 und die Standardabweichung gleich 1 ist.
In einer Ausführungsform ist vorgesehen, dass die Gewichtungen und die Konstantgrößen durch Ausführen einer Lernphase des Neuronalen Netzes bereitgestellt werden, wobei während einer Lernfahrt erfasste Testmesswerte der Zustandsgrößen des Kraftfahrzeugs als Trainingswerte für die Eingangsneuronen der Eingangsschicht des Neuronalen Netzes verwendet werden, und wobei während der Lernfahrt jeweils zugehörig am Lenkrad mittels eines Lenkraddrehmomentsensors erfasste Lenkraddrehmomente die zugehörigen Referenzausgabewerte bilden. Dies hat den Vorteil, dass das Neuronale Netz für ein beliebiges Kraftfahrzeug angelernt werden kann. So können Einflüsse und Effekte, welche sich von Kraftfahrzeug zu Kraftfahrzeug unterscheiden, beispielsweise eine leicht unterschiedliche Reibung der Lenkung etc., mit angelernt werden und anschließend beim Schätzen des Lenkraddrehmoments berücksichtigt werden.
In einer Ausführungsform ist vorgesehen, dass während der Lernphase zum Bestimmen von optimalen Werten für die Gewichtungen und die Konstantgrößen das Levenberg-Marquardt-Back-Propagation-(LMBP)-Verfahren verwendet wird. Das LMBP-Verfahren stellt eine Kombination des Gauss-Newton-Verfahrens mit dem Gradientenverfahren dar und ist ein überwachtes Lernverfahren, welches die Gewichtungen und die Konstantgrößen des Neuronalen Netzes durch Vergleichen der Eingangs- und Zielwerte vorhandener Testmesswerte (Trainingswerte) unter Einhaltung von Lernregeln über mehrere Durchläufe über eine Rückübertragung des Ausgangsfehlers anpasst. Anders ausgedrückt, wird eine Fehlerfunktion in einem Optimierungsverfahren durch Anpassen der Gewichtungen und der Konstantgrößen minimiert. Die auf diese Weise erlangten Gewichtungen und Konstantgrößen bilden dann die bereitgestellten Gewichtungen und die bereitgestellten Konstantgrößen für das Neuronale Netz und werden beim anschließenden Schätzen des Lenkraddrehmoments berücksichtigt.
Insbesondere ist in einer Ausführungsform vorgesehen, dass im Rahmen der Lernphase unterschiedliche Topologien und unterschiedliche, zufällig ausgewählte Startwerte für die Gewichtungen und die Konstantgrößen verwendet werden, wobei letztendlich die Topologie ausgewählt wird, welche nach Durchlaufen der Lernphase eine Fehlerfunktion minimiert. Topologie soll sich in diesem Fall auf die Anzahl der Neuronen in der oder den verborgenen Schicht(en) beziehen. Die gleiche verborgene Schicht mit drei Neuronen hat somit eine andere Topologie als mit fünf Neuronen. Dies bietet den Vorteil, dass auch unterschiedliche Topologien zum Einsatz kommen können und beim Optimieren während der Lernphase berücksichtigt werden, indem die Topologie mit dem besten Ergebnis gewählt wird.
Ferner bietet dies insbesondere einen Vorteil bei Verwendung des LMBP-Verfahrens, da das LMBP-Verfahren nicht garantieren kann, dass bei der Optimierung des Neuronalen Netzes ein globales Minimum erreicht wird. Deshalb kann der erreichbare Minimalfehler des Neuronalen Netzes von der Wahl der Startwerte abhängen. Durch eine zufällige Auswahl der Startwerte und unterschiedlicher Topologien kann somit insgesamt eine optimalere Lösung gefunden werden.
Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die Figuren näher erläutert. Hierbei zeigen:
1 eine schematische Darstellung einer Ausführungsform der Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs;
2 eine schematische Darstellung eines einzelnen idealisierten Neurons;
3 eine schematische Darstellung eines idealisierten Neuronalen Netzes;
4 eine schematische Darstellung zur Verdeutlichung der Lernphase;
5 eine schematische Darstellung zur Verdeutlichung des Schätzens des Lenkraddrehmoments;
6 ein schematisches Ablaufdiagramm einer Ausführungsform des Verfahrens zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs.
In 1 ist eine schematische Darstellung einer Ausführungsform einer Vorrichtung 1 zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad 55 eines Kraftfahrzeugs 50 gezeigt. Die Vorrichtung 1 umfasst Eingangsmittel 2 zum Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert 5-1 bis 5-5 einer Zustandsgröße 51-1 bis 51-5 des Kraftfahrzeugs 50 und eine Steuerung 3. Die Steuerung 3 weist ein Neuronales Netz 4 auf. Das Neuronale Netz 4 kann beispielsweise als entsprechend ausgestalteter Programmcode auf einem Mikrocontroller oder einem Mikroprozessor der Steuerung 3 bereitgestellt werden. Die von den Eingangsmitteln 2 erfassten Messwerte 5-1 bis 5-5 der Zustandsgrößen 51-1 bis 51-5 des Kraftfahrzeugs 50 werden an eine Eingangsschicht 20 des Neuronalen Netzes 4 weitergeleitet und über entsprechend dafür vorgesehene Eingangsneuronen dem Neuronalen Netz 4 zugeführt. Eine Ausgangsschicht 22 des Neuronalen Netzes 4 weist ein Ausgangsneuron auf, an dem ein Ausgabewert für das von dem Neuronalen Netz 4 geschätzte aktuelle Lenkraddrehmoment 52 erzeugt wird. Dieses geschätzte aktuelle Lenkraddrehmoment 52 wird dann als Lenkraddrehmomentsignal 53 bereitgestellt, um beispielsweise einen dafür vorgesehenen Aktor 54 an dem Lenkrad 55 mit einem dem geschätzten aktuellen Lenkraddrehmoment 52 entsprechenden Lenkraddrehmoment zu beaufschlagen. Ein Fahrer des Kraftfahrzeugs 50 erhält dann beispielsweise bei einer reinen Steer-by-Wire-Lenkung eine mechanische Rückkopplung, welche der einer elektromechanischen Lenkung entspricht.
Es kann auch vorgesehen sein, dass der vom Neuronalen Netz 4 erzeugte Ausgabewert für das geschätzte aktuelle Lenkraddrehmoment 52 nur zum Absichern eines Messwertes, der an einem Drehstabsensor an der Lenkung erfasst wurde, verwendet wird. Der geschätzte aktuelle Ausgabewert würde dann lediglich als Rückfallebene dienen, auf die bei einem Ausfall des Drehstabsensors zurückgegriffen wird.
In 2 ist eine schematische Darstellung eines einzelnen idealisierten Neurons 10 gezeigt. Das idealisierte Neuron 10 umfasst Eingänge 11-1 bis 11-n, welche durch jeweils eine Gewichtung 12-1 bis 12-n gewichtet werden. Die gewichteten Eingangswerte werden einer Übertragungsfunktion 13 zugeführt. Ebenfalls wird der Übertragungsfunktion 13 eine Konstantgröße 14 zugeführt. Die Summe der gewichteten Eingangswerte und der Konstantgröße 14 wird auch als Anregung des Neurons 10 bezeichnet. Die Übertragungsfunktion 13 bildet die Anregung auf einen einzigen Ausgabewert 15 ab. Über die Gewichtungen 12-1 bis 12-n, die Konstantgröße 14 und die Wahl der Übertragungsfunktion 13 kann die Abhängigkeit des Ausgabewertes 15 von den Eingangswerten an den Eingängen 11-1 bis 11-n bestimmt werden.
In 3 ist eine schematische Darstellung eines idealisierten Neuronalen Netzes 4 dargestellt. Das idealisierte Neuronale Netz 4 umfasst in diesem vereinfachten Beispiel drei Schichten: eine Eingangsschicht 20, eine verborgene Schicht 21 und eine Ausgangsschicht 22. Die Eingangsschicht 20 weist zwei Eingangsneuronen 23-1, 23-2 auf, welche zum Erfassen bzw. Empfangen von Eingangswerten 26-1, 26-2 in das Neuronale Netz 4 dienen. Die Besonderheit der Eingangsneuronen 23-1, 23-2 ist, dass ihre Übertragungsfunktionen jeweils einer linearen Abbildung entsprechen, das heißt, die Eingangswerte 26-1, 26-2 werden einfach zur nachfolgenden Schicht weitergeleitet. Die verborgene Schicht 21, in der die eigentliche Verarbeitung der Eingangswerte 26-1, 26-2 stattfindet, weist in diesem Beispiel drei Neuronen 10-1, 10-2, 10-3 auf. Jedes der Neuronen 10-1, 10-2, 10-3 erhält von der vorgelagerten Schicht (Eingangsschicht 20) sämtliche Eingangswerte 26-1, 26-2 weitergeleitet, so dass an jedem der Neuronen 10-1, 10-2, 10-3 jeweils zwei Eingangswerte 26-1, 26-2 zur Verfügung stehen, welche den Ausgabewerten der Eingangsneuronen 23-1, 23-2 entsprechen.
Wie für das in 2 gezeigte idealisierte Neuron werden die Eingangswerte der Neuronen 10-1, 10-2, 10-3 in jedem der Neuronen 10-1, 10-2, 10-3 gewichtet und zusammen mit einer Konstantgröße für jedes der Neuronen 10-1, 10-2, 10-3 den Übertragungsfunktionen der Neuronen 10-1, 10-2, 10-3 zugeführt, welche diese auf den jeweiligen Ausgang der Neuronen 10-1, 10-2, 10-3 abbilden.
In der Ausgangsschicht 22 werden die Ausgangswerte der Neuronen 10-1, 10-2, 10-3 der verborgenen Schicht 21 in einem Ausgangsneuron 24 gewichtet und zusammen mit einer Konstantgröße für das Ausgangsneuron 24 aufsummiert und als Ausgabewert 25 ausgegeben.
In einer Lernphase kann das Neuronale Netz 4 auf die Lösung eines bestimmten Problems spezialisiert werden. Hierzu werden bekannte Eingangswerte 26-1, 26-2 in das Neuronale Netz 4 eingegeben und mit einem zu diesen bekannten Eingangswerte 26-1, 26-2 gehörigen bekannten Referenzwert oder Zielwert verglichen. Ein Optimierungsverfahren passt nun schrittweise die Gewichtungen und die Konstantgrößen der einzelnen Neuronen 10-1, 10-2, 10-3, 24 derart an, dass ein Fehlerkriterium, beispielsweise ein mittlerer quadratischer Fehler zwischen dem Referenzwert und dem Ausgabewert 25 des Neuronalen Netzes 4 minimiert wird. Ist eine minimale Lösung gefunden, so werden diese Gewichtungen und Konstantgrößen fixiert und das Neuronale Netz 4 kann dazu verwendet werden, auf Grundlage von unbekannten Eingangswerten 26-1, 26-2 einen Ausgabewert 25 zu schätzen.
Eine schematische Darstellung zur Verdeutlichung der Lernphase ist in 4 gezeigt. Die Testmesswerte 31-1 bis 31-5 können beispielsweise hier die folgenden Zustandsgrößen sein: eine laterale Beschleunigung, eine Gierrate, eine Geschwindigkeit, einen Lenkwinkel und/oder eine Lenkwinkelrate des Kraftfahrzeugs sein. Die Zustandsgrößen bzw. die Testmesswerte 31-1 bis 31-5 werden beispielsweise im Rahmen einer Testfahrt von dafür vorgesehenen Sensoren erfasst und zeitabhängig für einen bestimmten Zeitraum aufgezeichnet. Parallel dazu wird ein Referenzwert 27 über die Zeit erfasst. Dieser Referenzwert 27 ist ein direkt am Lenkrad gemessenes Lenkraddrehmoment. Handelt es sich bei der Lenkung um eine elektromechanische Lenkung, so wird hierzu beispielsweise ein entsprechender mit dem Lenkrad gekoppelter Drehmomentsensor verwendet. Handelt es sich hingegen um eine Steer-by-Wire-Lenkung, so kann der Referenzwert beispielsweise an einem bereits vorhandenen und zur Rückkopplung verwendeten Momentgeber (Aktor) am Lenkrad erfasst werden.
Ferner wird ein Ausgabewert 25 definiert, welcher dem geschätzten Lenkraddrehmoment entspricht.
In einem ersten Schritt der Lernphase wird beispielsweise eine Topologie des Neuronalen Netzes 4 zufällig gewählt. Liegt nur eine verborgene Schicht vor, kann dies beispielsweise eine Anzahl von Neuronen in der verborgenen Schicht sein. Ebenfalls zufällig werden jeweils die Gewichtungen und die Konstantgrößen für die Neuronen gewählt.
Im nächsten Schritt werden die Testmesswerte 31-1 bis 31-5 in das Neuronale Netz 4 eingespeist und der Ausgabewert 25 berechnet. Genauer gesagt werden die zeitabhängigen Testmesswerte 31-1 bis 31-5 in das Neuronale Netz 4 eingespeist und entsprechend auch ein zugehöriger, ebenfalls zeitabhängiger Ausgabewert 25 vom Neuronalen Netz 4 berechnet.
Der Ausgabewert 25 wird anschließend mit dem Referenzwert 27 verglichen. Hieraus wird ein Optimierungskriterium 28 ermittelt. Ein solches Optimierungskriterium 28 kann beispielsweise eine Fehlerfunktion 29, beispielsweise der mittlere quadratische Fehler zwischen Ausgabewert 25 und Referenzwert 27 sein. Das Optimierungskriterium 28 ist ebenfalls eine Funktion der Zeit. Das Optimierungskriterium 28 kann dann über die Zeit gebündelt werden, beispielsweise durch Summenbildung. Anschließend werden die Gewichtungen und die Konstantgrößen der Neuronen des Neuronalen Netzes 4 mit Hilfe von Optimierungsverfahren, beispielsweise dem LMBP-Verfahren, derart angepasst, dass das Optimierungskriterium 28 verbessert wird, beispielsweise indem ein mittlerer quadratischer Fehler minimiert wird. Diese Optimierung 30 wird solange wiederholt, bis das Optimierungskriterium 28 erfüllt ist, beispielsweise ein mittlerer quadratischer Fehler einen vorgegebenen Wert unterschritten hat.
Die schlussendlich vorliegenden Gewichtungen und Konstantgrößen werden dann zum nachfolgenden Schätzen des Lenkraddrehmoments bereitgestellt.
Wurde mit unterschiedlichen Topologien des Neuronalen Netzes 4 gestartet, so wird die Topologie mit dem besten Ergebnis gewählt.
Insbesondere ist vorgesehen, dass das Neuronale Netz 4 lediglich eine verborgene Schicht aufweist. Dies hat den Vorteil, dass ein Rechenaufwand, sowohl während der Lernphase als auch während des späteren Schätzens, verringert ist.
Ferner ist vorteilhafter Weise vorgesehen, dass die verborgene Schicht mindestens 10 Neuronen aufweist. Es hat sich gezeigt, dass ein solches Neuronales Netz 4 bereits einen zuverlässigen Schätzwert für das Lenkraddrehmoment liefert.
5 zeigt eine schematische Darstellung zur Verdeutlichung des Schätzens des Lenkraddrehmoments mittels des Neuronalen Netzes 4. Das Neuronale Netz 4 wurde entsprechend der Beschreibung von 4 angelernt, so dass die Topologie, die Gewichtungen und die Konstantgrößen fest vorgegeben sind. Dem fixierten Neuronalen Netz 4 werden die Messwerte 5-1 bis 5-5 zugeführt. Auf Grundlage der Messwerte 5-1 bis 5-5 schätzt das Neuronale Netz 4 einen Ausgabewert 25, welcher anschließend als Lenkraddrehmomentsignal 52 bereitgestellt wird.
6 zeigt ein schematisches Ablaufdiagramm einer Ausführungsform des Verfahrens zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs. Nach dem Start 100 des Verfahrens werden in einem ersten Verfahrensschritt 101 mindestens ein aktueller Messwert von mindestens einer Zustandsgröße des Kraftfahrzeugs über geeignete Eingangsmittel empfangen und/oder erfasst.
Im nächsten Verfahrensschritt 102 wird auf Grundlage des mindestens einen erfassten Messwertes der Zustandsgröße des Kraftfahrzeugs ein aktueller Lenkraddrehmoment mittels eines Neuronalen Netzes geschätzt.
Insbesondere kann hierbei ein Neuronales Netz vorgesehen sein, das lediglich eine einzige verborgene Schicht aufweist. Eine solche vereinfachte Topologie verringert den notwendigen Rechenaufwand.
Ferner ist vorteilhafterweise vorgesehen, dass die verborgene Schicht des Neuronalen Netzes mindestens 10 Neuronen aufweist. Dies ermöglicht eine zuverlässige Schätzung des Lenkraddrehmoments auch bei schneller Änderung der Eingangswerte.
Für die Neuronen der verborgenen Schicht ist insbesondere vorgesehen, dass diese eine Übertragungsfunktion in Form einer Sigmoid-Funktion aufweisen. Dies erlaubt es, besonders gut Nichtlinearitäten zwischen den Eingangswerten und dem Ausgabewert abzubilden.
Im letzten Verfahrensschritt 103 wird das geschätzte Lenkraddrehmoment als Lenkraddrehmomentsignal bereitgestellt. Anschließend ist das Verfahren beendet 104. Das Verfahren kann anschließend erneut durchgeführt werden, so dass stets ein aktuelles geschätztes Lenkraddrehmoment zur Verfügung gestellt wird.
Insbesondere kann ferner vorgesehen sein, dass vor Durchführen der Verfahrensschritte 101 bis 103 einmalig im Verfahrensschritt 105 eine Lernphase zum Anlernen des Neuronalen Netzes durchgeführt wird.
Bezugszeichenliste

1: Vorrichtung
2: Eingangsmittel
3: Steuerung
4: Neuronales Netz
5-1: Messwert
5-2: Messwert
5-3: Messwert
5-4: Messwert
5-5: Messwert
10: Neuron
10-1: Neuron
10-2: Neuron
10-3: Neuron
11-1: Eingang
11-2: Eingang
11-n: Eingang
12-1: Gewichtung
12-2: Gewichtung
12-n: Gewichtung
13: Übertragungsfunktion
14: Konstantgröße
15: Ausgabewert
20: Eingangsschicht
21: verborgene Schicht
22: Ausgangsschicht
23-1: Eingangsneuron
23-2: Eingangsneuron
24: Ausgangsneuron
25: Ausgabewert
26-1: Eingangswert
26-2: Eingangswert
26-3: Eingangswert
26-4: Eingangswert
26-5: Eingangswert
27: Referenzwert
28: Optimierungskriterium
29: Fehlerfunktion
30: Optimierung
31-1: Testmesswert
31-2: Testmesswert
31-3: Testmesswert
31-4: Testmesswert
31-5: Testmesswert
50: Kraftfahrzeug
51-1: Zustandsgröße
51-2: Zustandsgröße
51-3: Zustandsgröße
51-4: Zustandsgröße
51-5: Zustandsgröße
52: Lenkraddrehmoment
53: Lenkraddrehmomentsignal
54: Aktor
55: Lenkrad
100–105: Verfahrensschritte

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 102004005348 A1 [0004]

Claims

Verfahren zum Schätzen eines Lenkraddrehmoments (52) für eine mechanische Rückkopplung an einem Lenkrad (55) eines Kraftfahrzeugs (50), umfassend die folgenden Schritte: Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert (5-1 bis 5-5) mindestens einer Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs über geeignete Eingangsmittel (2), Schätzen des aktuellen Lenkraddrehmoments (52) mittels einer Steuerung (3), Ausgeben des geschätzten Lenkraddrehmoments (52) als Lenkraddrehmomentsignal (53), dadurch gekennzeichnet, dass das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes (4) durchgeführt wird, wobei zu jeder der mindestens einen Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs (50) in einer Eingangsschicht (20) des Neuronalen Netzes (4) ein Eingangsneuron (23-1, 23-2) zum Verarbeiten des mindestens einen aktuellen Messwerts (5-1 bis 5-5) vorgesehen ist, und wobei bereitgestellte Gewichtungen (12-1 bis 12-n), bereitgestellte Konstantgrößen (14) und bereitgestellte Übertragungsfunktionen (13) mindestens einer verborgenen Schicht (21) des Neuronalen Netzes (4) dazu verwendet werden, an einem Ausgabeneuron (24) einer Ausgangsschicht (22) des Neuronalen Netzes (4) einen Ausgabewert (25) für das geschätzte Lenkraddrehmoment (52) zu erzeugen, welcher zum Ausgeben bereitgestellt wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die mindestens eine als Messwert (5-1 bis 5-5) erfasste und/oder empfangene Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs (50) mindestens eine der folgenden Zustandsgrößen (51-1 bis 51-5) umfasst: eine laterale Beschleunigung, eine Gierrate, eine Geschwindigkeit, einen Lenkwinkel und/oder eine Lenkwinkelrate.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Neuronale Netz (4) genau eine verborgene Schicht (21) aufweist.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die verborgene Schicht (21) mindestens 10 Neuronen (10, 10-1 bis 10-3) aufweist.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass als Übertragungsfunktionen (13) Sigmoid-Funktionen bereitgestellt werden.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die erfassten und/oder empfangenen Messwerte (5-1 bis 5-5) vor einer Zuführung zu den Eingängen (11-1, 11-n) des Neuronalen Netzes (4) jeweils standardisiert werden.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Gewichtungen (12-1, 12-n) und die Konstantgrößen (14) durch Ausführen einer Lernphase des Neuronalen Netzes (4) bereitgestellt werden, wobei während einer Lernfahrt erfasste Testmesswerte (31-1 bis 31-5) der Zustandsgrößen (51-1 bis 51-5) des Kraftfahrzeugs (50) als Trainingswerte für die Eingangsneuronen (23-1, 23-2) der Eingangsschicht (20) des Neuronalen Netzes (4) verwendet werden, und wobei während der Lernfahrt jeweils zugehörig am Lenkrad (55) mittels eines Lenkraddrehmomentsensors erfasste Lenkraddrehmomente (52) die zugehörigen Referenzausgabewerte (27) bilden.
Verfahren Anspruch 7, dadurch gekennzeichnet, dass während der Lernphase zum Bestimmen von optimalen Werten für die Gewichtungen (12-1, 12-n) und die Konstantgrößen (14) das Levenberg-Marquardt-Back-Propagation-(LMBP)-Verfahren verwendet wird.
Verfahren nach einem der Ansprüche 7 oder 8, dadurch gekennzeichnet, dass im Rahmen der Lernphase unterschiedliche Topologien und unterschiedliche, zufällig ausgewählte Startwerte für die Gewichtungen (12-1, 12-n) und die Konstantgrößen (14) verwendet werden, wobei letztendlich die Topologie ausgewählt wird, welche nach Durchlaufen der Lernphase eine Fehlerfunktion (29) minimiert.
Vorrichtung (1) zum Schätzen eines Lenkraddrehmoments (52) für eine mechanische Rückkopplung an einem Lenkrad (55) eines Kraftfahrzeugs (50), umfassend: Eingangsmittel (2) zum Empfangen und/oder Erfassen von mindestens einem aktuellen Messwert (5-1 bis 5-5) einer Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs (50), eine Steuerung (3) zum Schätzen des aktuellen Lenkraddrehmoments (52) und zum Ausgeben des geschätzten Lenkraddrehmoments (52) als Lenkraddrehmomentsignal (53), dadurch gekennzeichnet, dass die Steuerung (3) derart ausgebildet ist, das Schätzen mit Hilfe eines künstlichen Neuronalen Netzes (4) durchzuführen, wobei zu jeder der mindestens einen Zustandsgröße (51-1 bis 51-5) des Kraftfahrzeugs (50) in einer Eingangsschicht (20) des Neuronalen Netzes (4) ein Eingangsneuron (23-1, 23-2) zum Verarbeiten des mindestens einen aktuellen Messwerts (5-1 bis 5-5) vorgesehen ist, und wobei bereitgestellte Gewichtungen (12-1, 12-n), bereitgestellte Konstantgrößen (14) und bereitgestellte Übertragungsfunktionen (13) mindestens einer verborgenen Schicht (21) des Neuronalen Netzes (4) dazu verwendet werden, an einem Ausgabeneuron (24) einer Ausgangsschicht (22) des Neuronalen Netzes (4) einen Ausgabewert (25) für das geschätzte Lenkraddrehmoment (52) zu erzeugen, welcher zum Ausgeben bereitgestellt wird.