DE102019214564A1 - System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs - Google Patents

System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs Download PDF

Info

Publication number
DE102019214564A1
DE102019214564A1 DE102019214564.7A DE102019214564A DE102019214564A1 DE 102019214564 A1 DE102019214564 A1 DE 102019214564A1 DE 102019214564 A DE102019214564 A DE 102019214564A DE 102019214564 A1 DE102019214564 A1 DE 102019214564A1
Authority
DE
Germany
Prior art keywords
neural
training
network
control
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019214564.7A
Other languages
English (en)
Inventor
Stefan Meuresch
Alexander Berens
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZF Friedrichshafen AG
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 DE102019214564.7A priority Critical patent/DE102019214564A1/de
Publication of DE102019214564A1 publication Critical patent/DE102019214564A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Es wird ein System und ein Verfahren zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs beschreiben, wobei das neuronale Reglernetz zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters für das adaptives Geschwindigkeitsregelsystem für ein Fahrzeug dient, wobei das System wenigstens ein neuronales Trainingsnetz umfasst, wobei das System dazu eingerichtet ist, das wenigstens eine neuronale Trainingsnetz zu trainieren, wobei dem wenigstens einen neuronalen Trainingsnetz als Eingabeinformationen zumindest zur Geschwindigkeitsregelung eines Fahrzeugs verwendbare Informationen zugeführt werden, wobei das wenigstens eine neuronale Trainingsnetz dazu eingerichtet ist, ein Trainingsmodell des Fahrzeugverhaltens des Fahrzeugs aus den zumindest zur Geschwindigkeitsregelung verwendbaren Fahrzeuginformationen zu ermitteln, wobei das System wenigstens ein Referenzmodell umfasst, wobei das wenigstens eine Referenzmodell dazu eingerichtet ist, als Ausgabe wenigstens einen Referenzparameter zu ermitteln, wobei das System dazu eingerichtet ist, das wenigstens eine neuronale Reglernetz zumindest auf Basis der Ausgabe des Referenzmodells und der Ausgabe des neuronalen Trainingsnetzes zu trainieren, um den wenigstens einen das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameter auszugeben.

Description

  • Hintergrund
  • Es werden ein System und ein Verfahren zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem (ACC) eines Fahrzeugs beschrieben. Insbesondere dient das neuronale Reglernetz zur Ermittlung eines das Fahrzeugverhalten des Fahrzeugs beeinflussenden Regelparameters für das adaptive Geschwindigkeitsregelsystem.
  • Herkömmlicherweise müssen zur Ermittlung eines das Fahrzeugverhalten des Fahrzeugs beeinflussenden Regelparameters für ein adaptives Geschwindigkeitsregelsystems (ACC) eine Vorsteuerung und ein Regler verwendet werden. Die Vorsteuerung basiert auf einem Fahrzeugmodell, das einen Regelparameter aus den momentan geschätzten Fahrwiderständen berechnet. Der Regler, beispielsweise ein PID-Regler, dient dazu, den verbleibenden Regelfehler zu kompensieren, der aus dem Modellfehler und externen Störeinflüssen resultiert.
  • Zugrundeliegende Aufgabe
  • Die Fahrzeugparameter für die Vorsteuerung und die Regelparameter sind nur mit hohem Aufwand zu bestimmen. Darüber hinaus kann nicht sichergestellt werden, dass sich das gewünschte Fahrzeugverhalten auf Basis der Vorsteuerung und des Reglers einregelt. Daher besteht ein Bedarf für ein System, mit dem der Parametrierungsaufwand zur Ermittlung eines Regelparameters für ein adaptives Geschwindigkeitsregelsystem reduziert werden kann.
  • Vorgeschlagene Lösung
  • Es wird ein System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs vorgeschlagen. Das neuronale Reglernetz dient zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters für das adaptive Geschwindigkeitsregelsystem für ein Fahrzeug. Das System umfasst wenigstens ein neuronales Trainingsnetz. Das System ist dazu eingerichtet ist, das wenigstens eine neuronale Trainingsnetz zu trainieren, wobei dem wenigstens einen neuronalen Trainingsnetz als Eingabeinformationen zumindest zur Geschwindigkeitsregelung eines Fahrzeugs verwendbare Informationen zugeführt werden. Das wenigstens eine neuronale Trainingsnetz ist dazu eingerichtet, ein Trainingsmodell des Fahrzeugverhaltens des Fahrzeugs aus den zumindest zur Geschwindigkeitsregelung verwendbaren Fahrzeuginformationen zu ermitteln.
  • Das System umfasst wenigstens ein Referenzmodell. Das wenigstens eine Referenzmodell ist dazu eingerichtet, als Ausgabe wenigstens einen Referenzparameter zu ermitteln.
  • Das System ist weiter dazu eingerichtet ist, das wenigstens eine neuronale Reglernetz zumindest auf Basis der Ausgabe des Referenzmodells und der Ausgabe des neuronalen Trainingsnetzes zu trainieren, um den wenigstens einen das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameter auszugeben.
  • Mit dem System zum Trainieren eines neuronalen Reglernetzes kann auf Basis der Eingabeinformationen über das Fahrzeugverhalten mit dem wenigstens einen neuronalen Trainingsnetz zunächst ein Trainingsmodell bzw. eine Regelstrecke identifiziert werden. Mit anderen Worten wird mit dem neuronalen Trainingsnetz ein Trainingsmodell von einem vorhandenen, regelungstechnischen Fahrzeugmodell erzeugt. Im Anschluss daran kann das von dem neuronalen Trainingsnetz ermittelte Trainingsmodell zusammen mit dem Referenzmodell zum Trainieren des neuronalen Reglernetzes verwendet werden. Dadurch kann der Parametrierungsaufwand erheblich reduziert werden. Es ist mit dem System möglich, das neuronale Reglernetz zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters vollautomatisiert zu trainieren.
  • Das System kann dazu eingerichtet sein, einen Modellfehler des Trainingsmodells zu ermitteln. Der ermittelte Modellfehler kann dem neuronalen Trainingsnetz als Eingabe in das Trainingsnetz zugeführt werden. Das System kann den Modellfehler zwischen der Ausgabe des vorhandenen Fahrzeugmodells und der Ausgabe des neuronalen Trainingsnetzes ermitteln.
  • Das System kann dazu eingerichtet sein, den Modellfehler des Trainingsmodells zu verringern. Das System kann in diesem Zusammenhang dazu eingerichtet sein, dem neuronalen Trainingsnetz den ermittelten Modellfehler über ein vorbestimmtes Lernverfahren zuzuführen. Ein derartiges Lernverfahren kann beispielsweise das Backpropagation-Verfahren (Fehlerrückführungsverfahren) sein. Das Backpropagation-Verfahren kann dazu dienen, einen Fehler zu minimieren. Das Einlernen eines künstlichen neuronalen Reglernetzes kann bei dem Backpropagation-Verfahren durch die Änderung der Gewichte erfolgen, da die Ausgabe des neuronalen Reglernetzes direkt von ihnen abhängig ist.
  • Das System kann dazu eingerichtet sein, das Training des wenigstens einen Trainingsmodells abzuschließen, wenn sich vorbestimmte Zustände des Modellfehlers einstellen. Das System kann das Training des wenigstens einen Trainingsmodells abschließen, wenn der Modellfehler wenigstens einen vorbestimmten Grenzwert unterschreitet. Alternativ kann das System das Training des wenigstens einen Trainingsmodels abzuschließen, wenn der Modellfehler nicht mehr weiter verringert.
  • Das neuronale Trainingsnetz kann als Ausgabe wenigstens einen Regelparameter ausgeben, der von einem Geschwindigkeitsregelsystem zur Regelung des Fahrzeugverhaltens verwendbar ist. Der wenigstens einen Regelparameter kann beispielsweise eine Fahrzeugbeschleunigung sein. Die Fahrzeugbeschleunigung kann positiv oder negativ sein. Insbesondere kann es sich bei dem Regelparameter um eine von dem Trainingsnetz geschätzte Fahrzeugbeschleunigung handeln.
  • Das System kann ferner dazu eingerichtet sein, als Eingabeinformationen eine oder mehrere der folgenden Informationen zu verwenden: Fahrbahnsteigung, Fahrzeuggeschwindigkeit, Fahrzeugbeschleunigung, Ist-Motormoment, Soll-Motormoment, Ist-Radmoment, Soll-Radmoment, Fahrzeugmasse, Gangübersetzung. Es kann sich dabei um gemessene oder geschätzte Werte handeln. Beispielsweise kann die Fahrzeugbeschleunigung ein gemessener Wert sein. Die Steuerung eines Fahrzeugs kann weitere Informationen bereitstellen, die das Fahrzeugverhalten ausdrücken können. Diese Informationen können insbesondere auf einem CAN-Bus des Fahrzeugs verfügbar sein. In Abhängigkeit der Verfügbarkeit der Informationen auf einem CAN-Bus des Fahrzeugs kann das System dazu eingerichtet sein, weitere Informationen als Eingabeinformationen für das neuronale Trainingsnetz zu verwenden.
  • Das System kann dazu eingerichtet sein, nach Abschluss des Trainings des wenigstens einen neuronalen Trainingsnetzes das neuronale Reglernetz zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters zu trainieren. Das neuronale Reglernetz kann zumindest auf Basis der Ausgabe des Referenzmodells und der Ausgabe des neuronalen Trainingsnetzes trainiert werden.
  • Das System kann dazu eingerichtet sein, dem neuronalen Reglernetz zum Trainieren des neuronalen Reglernetzes Eingabeinformationen zuzuführen, die von dem neuronalen Trainingsnetz bereitgestellt werden. Die Eingabeinformationen zum Trainieren des neuronalen Reglernetzes können von dem neuronalen Trainingsnetz aus Basis des Trainingsmodells erzeugt und in das neuronale Reglernetz eingegeben werden. Das System kann dementsprechend dazu eingerichtet sein, zum Trainieren des neuronalen Reglernetzes Eingabeinformationen verwenden, die von dem neuronalen Trainingsnetz erzeugt werden. Beispielsweise kann das neuronale Trainingsnetz auf Basis des Trainingsmodells eine oder mehrere der folgenden Eingabeinformationen zur Eingabe in das neuronale Reglernetz erzeugen: Fahrbahnsteigung, Fahrzeuggeschwindigkeit, Fahrzeugbeschleunigung, Ist-Motormoment, Soll-Motormoment, Ist-Radmoment, Soll-Radmoment, Fahrzeugmasse, Gangübersetzung.
  • Das System kann dazu eingerichtet sein, zum Trainieren des neuronalen Reglernetzes einen Regelfehler zwischen der Ausgabe des neuronalen Trainingsnetzes und dem wenigstens einen Referenzmodell zu ermitteln. Dieser von dem System ermittelte Regelfehler kann dem neuronalen Reglernetz zugeführt werden. Das neuronale Reglernetz kann auf Basis des ermittelten Regelfehlers und den beschriebenen Eingabeinformationen trainiert werden. Das System kann dazu eingerichtet sein, den Regelfehler zu minimieren. Das Training des wenigstens einen neuronalen Reglernetzes kann solange fortgeführt werden, bis der Regelfehler einen vorbestimmten Grenzwert unterschreitet oder sich nicht weiter verringert. Wenn einer dieser beiden Zustände eintritt, kann das Training des neuronalen Reglernetzes beendet werden.
  • Das Referenzmodell kann eine Übertragungsfunktion aufweisen. Die Übertragungsfunktion kann ein Referenzsystemverhalten abbilden. Das Referenzsystemverhalten kann das gewünschte Systemverhalten ausdrücken. Das Referenzmodell kann einen Referenzregelparameter ausgeben. Der Referenzregelparameter kann beispielsweise eine Referenzbeschleunigung sein.
  • Es wird ein Verfahren zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem für ein Fahrzeug vorgeschlagen, wobei das neuronale Reglernetz zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters für das adaptives Geschwindigkeitsregelsystem für ein Fahrzeug dient. Das Verfahren umfasst die folgenden Schritte:
    • Trainieren eines ein neuronalen Trainingsnetzes, wobei dem wenigstens einen neuronalen Trainingsnetz als Eingabeinformationen zumindest zur Geschwindigkeitsregelung eines Fahrzeugs verwendbare Fahrzeuginformationen zugeführt werden, wobei das wenigstens eine neuronale Trainingsnetz ein Trainingsmodell des Fahrzeugverhaltens des Fahrzeugs aus den Eingabeinformationen ermittelt,
    • Ermitteln wenigstens eines Referenzparameters als Ausgabe wenigstens eines Referenzmodells, und
    • Trainieren des wenigstens einen neuronalen Regelnetzes zumindest auf Basis der Ausgabe des Referenzmodells und der Ausgabe des neuronalen Trainingsnetzes, um den wenigstens einen das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameter auszugeben.
  • Ein Modellfehler des Trainingsmodells kann ermittelt und dem neuronalen Trainingsnetz zugeführt werden. Der Modellfehler des Trainingsmodells kann verringert werden, wobei der ermittelte Modellfehler dem neuronalen Trainingsnetz über ein vorbestimmtes Lernverfahren zugeführt werden kann.
  • Das Training des wenigstens einen Trainingsmodells kann abgeschlossen werden, wenn der Modellfehler wenigstens einen vorbestimmten Grenzwert unterschreitet oder sich der Modellfehler nicht mehr weiter verringert.
  • Nach Abschluss des Trainings des wenigstens einen neuronalen Trainingsnetzes kann das neuronale Reglernetz zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Parameter trainiert werden. Zum Trainieren des neuronalen Reglernetzes können von dem neuronalen Trainingsnetz Eingabeinformationen bereitgestellt werden, mit denen das neuronalen Reglernetz trainiert wird.
  • Zum Training des neuronalen Reglernetzes kann einen Regelfehler zwischen der Ausgabe des neuronalen Trainingsnetzes und dem wenigstens einen Referenzmodell ermittelt werden. Dieser Regelfehler kann dem neuronalen Reglernetz zugeführt werden.
  • Es werden ferner ein neuronales Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeug, eine Steuerung für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeug, die wenigstens einen solchen neuronalen Regler aufweist, und ein Fahrzeug mit einer solchen Steuerung vorgeschlagen.
  • Die oben beschriebenen Aspekte, Varianten und Implementierungsmöglichkeiten können unabhängig von den beschriebenen Kombinationen und unabhängig der beschriebenen Reihenfolge miteinander kombiniert werden. Somit sind in der vorliegenden Offenbarung auch Aspekte, Varianten und Implementierungsmöglichkeiten umfasst, die nicht explizit beschrieben sind.
  • Figurenliste
  • Weitere Ziele, Merkmale, Vorteile und Anwendungsmöglichkeiten ergeben sich aus der nachfolgenden Beschreibung von nicht einschränkend zu verstehenden Ausführungsbeispielen mit Bezug auf die zugehörigen Zeichnungen. Dabei zeigen alle beschriebenen und/oder bildlich dargestellten Merkmale für sich oder in beliebiger Kombination den hier offenbarten Gegenstand, auch unabhängig von ihrer Gruppierung in den Ansprüchen oder deren Rückbeziehungen. Die Abmessungen und Proportionen der in den Figuren gezeigten Komponenten sind hierbei ausdrücklich nicht maßstäblich.
    • 1 zeigt schematisch ein System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem für ein Fahrzeug.
    • 2 zeigt schematisch eine Steuerung für ein adaptives Geschwindigkeitsregelsystem.
  • Detaillierte Beschreibung der Zeichnungen
  • Vergleichbare bzw. gleiche und gleichwirkende Komponenten und Merkmale sind in den Figuren jeweils mit denselben Bezugszeichen versehen. Teilweise ist in den Figuren aus Übersichtsgründen auch auf Bezugszeichen einzelner Merkmale und Komponenten verzichtet worden, wobei diese Merkmale und Komponenten in anderen Figuren bereits mit Bezugszeichen versehen sind. Die Komponenten und Merkmale, die in Bezug auf die weiteren Figuren nicht erneut beschrieben sind, ähneln in ihrer Ausbildung und Funktion den entsprechenden Komponenten und Merkmalen gemäß den anderen Figuren.
  • 1 zeigt eine schematische Ansicht des Systems 100 zum Trainieren eines neuronalen Reglernetzes 10 zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Parameters. In 1 ist mit punktierten Linien der Trainingsbetrieb des Systems 100 dargestellt. Mit durchgezogenen Linien ist der eigentliche Regelbetrieb mit dem trainierten neuronalen Reglernetz 10dargestellt.
  • Das System 100 umfasst ein neuronales Trainingsnetz 12. Zunächst wird das neuronalen Trainingsnetz 12 trainiert, um ein Trainingsmodell eines vorhandenen regelungstechnischen Fahrzeugmodells 14 zu erstellen. Dazu werden dem neuronalen Trainingsnetz 12 Eingabeinformationen xveh, states zugeführt, die für ein Geschwindigkeitsregelsystem eines Fahrzeugs verfügbar sind. Bei den Eingabeinformationen xveh, states kann es sich um eine oder mehrere der folgenden Informationen handeln: Fahrbahnsteigung, Fahrzeuggeschwindigkeit, Fahrzeugbeschleunigung, Ist-Motormoment, Soll-Motormoment, Ist-Radmoment, Soll-Radmoment, Fahrzeugmasse, Gangübersetzung. Es handelt sich um gemessene oder andersartig ermittelte Fahrzeuginformationen, die „reale“ Fahrzustände eines Fahrzeugs angeben. Dementsprechend können auch die zusätzlich auf dem CAN-Bus eines Fahrzeugs vorhandenen Informationen als Eingabeinformationen zum Trainieren des neuronalen Trainingsnetzes 12 verwendet werden. Mit diesen Eingabeinformationen xveh, states kann das neuronale Trainingsnetz 12 ein Trainingsmodell bzw. eine Regelstrecke identifizieren, die das vorhandene regelungstechnische Fahrzeugmodell 14 abbilden soll.
  • Am Punkt 16 kann ein Modellfehler zwischen der Ausgabe des Fahrzeugmodells 14 und dem Trainingsmodell des neuronalen Trainingsnetzes 12 ermittelt werden. Das neuronale Trainingsnetz 12 kann aus den Eingabeinformationen xveh, states eine Schätzgröße für eine Fahrzeugbeschleunigung aestmd ermitteln. Der Modellfehler kann der Differenz zwischen der Ausgabe aestmd, xveh_sts, estmd des neuronalen Trainingsnetzes 12 und der Ausgabe des Fahrzeugmodells 14 areal, xveh_sts sein. Der ermittelte Modellfehler wird wieder zurück zu dem neuronalen Trainingsnetz 12 geführt, um den Modellfehler zu minimieren. Dazu kann ein vorbestimmtes Lernverfahren wie Backpropagation (Fehlerrückführverfahren) verwendet werden. Das Training des neuronalen Trainingsnetzes 12 wird solange fortgesetzt, bis der Modellfehler einen vorbestimmten Grenzwert unterschreitet oder sich nicht mehr weiter verringert, d.h. bis der Modellfehler konstant bleibt.
  • Nach Abschluss des Trainings des neuronalen Trainingsnetzes wird das neuronale Reglernetz 12 mit dem Trainingsmodell des neuronalen Trainingsnetzes 12 trainiert. Dazu werden dem neuronalen Reglernetz 10 die Fahrzeugbeschleunigung aestmd und Eingabeinformationen xveh_sts, estmd, wie z.B. die Geschwindigkeit und das Antriebsmoment, von dem neuronalen Trainingsnetz 12 bzw. von dem Trainingsmodell des neuronalen Trainingsnetzes zugeführt. Die genannten Eingabeinformationen aestmd, xveh_sts, estmd werden von dem Trainingsmodell des neuronalen Trainingsnetzes 12 erzeugt.
  • Das System 100 weist ein Referenzmodell 18 zum Trainieren des neuronalen Reglernetzes 12 auf. Das Referenzmodell 18 umfasst eine Übertragungsfunktion, die das gewünschte Fahrzeugverhalten angibt. Anders ausgedrückt, kann das Referenzmodell 18 das Fahrzeugverhalten zwischen Ist-Beschleunigung und Soll-Beschleunigung angeben. Dem Referenzmodell 18 wird die Fahrzeugbeschleunigung aset zugeführt, die von dem Geschwindigkeitsregelsystem und/oder indirekt von einem Fahrer angefordert werden kann. Das Referenzmodell 18 gibt als Ausgang aveh, des aus.
  • Am Punkt 20 wird ein Regelfehler zwischen der Ausgabe des neuronalen Trainingsnetzes 12 und der Ausgabe des Referenzmodells 18 ermittelt. Der Regelfehler entspricht der Differenz der von dem neuronalen Trainingsnetz 12 ausgegebenen Fahrzeugbeschleunigung aestmd und der Ausgabe aveh, des des Referenzmodells 18. Der Regelfehler wird von dem System 100 wieder zurück zu dem neuronalen Reglernetz 10 geführt und in dieses eingegeben. Die Ausgabe des neuronalen Reglernetzes 10 wird dem neuronalen Trainingsnetz 12 zugeführt und von dem Trainingsmodell des neuronalen Trainingsnetzes 12 zur Erzeugung einer entsprechenden Ausgabe verarbeitet. Das Training des wenigstens einen neuronalen Reglernetzes 10 wird solange fortgeführt, bis der Regelfehler einen vorbestimmten Grenzwert unterschreitet oder sich nicht weiter verringert.
  • Im mit durchgezogenen Linien dargestellten Regelbetrieb wird die Ausgabe des neuronalen Reglernetzes 10 dem Fahrzeugmodell 14 zugeführt, das eine entsprechende Ausgabe erzeugt. Im Regelbetrieb werden dem neuronalen Reglernetz 10 die gewünschte Fahrzeugbeschleunigung aset und die Eingabeinformationen xveh, states zugeführt. Das trainierte neuronale Reglernetz 10 kann auf Basis der voranstehend beschriebenen Eingabeinformationen xveh, states und der gewünschten Fahrzeugbeschleunigung aset ein Soll-Moment für den Antriebsstrang ermitteln. Das Soll-Moment für den Antriebsstrang stellt einen das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameter dar. Das Soll-Moment für den Antriebstrang kann in Abhängigkeit der Eingabeinformationen ein Soll-Radmoment oder auch ein Soll-Motormoment sein.
  • 2 zeigt eine schematische Ansicht einer Steuerung 200 für ein adaptives Geschwindigkeitsregelsystem. Die Steuerung 200 umfasst das neuronale Reglernetz 10, das mit dem voranstehend beschriebenen System 100 trainiert wurde. Die Steuerung 200 kann Eingabeinformationen von einem CAN-Bus 202 eines Fahrzeugs abrufen bzw. empfangen. Darüber hinaus kann die Steuerung 200 auch von Steuerungen 204 weiterer Fahrzeugsysteme Eingabeinformationen erhalten. Die Steuerung 200 ist mit einem Antriebsstrang 206 des Fahrzeugs verbunden, um den Antriebsstrang 206 entsprechend ansteuern zu können. Die dem neuronalen Reglernetz 10 zugeführten Eingabeinformationen umfassen die gewünschte Fahrzeugbeschleunigung aset und mehrere weitere Parameter wie die Fahrbahnsteigung, Fahrzeuggeschwindigkeit, Ist-Motormoment, Soll-Motormoment, Ist-Radmoment, Soll-Radmoment. Auf Basis dieser Eingabeinformationen kann mit dem trainierten Reglernetzes 10 ein Soll-Moment für den Antriebsstrang 206 ermittelt werden.
  • Es versteht sich, dass die zuvor erläuterten beispielhaften Ausführungsformen nicht abschließend sind und den hier offenbarten Gegenstand nicht beschränken.

Claims (20)

  1. System (100) zum Trainieren wenigstens eines neuronalen Reglernetzes (10) für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs, wobei das neuronale Reglernetz (10) zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters für das adaptives Geschwindigkeitsregelsystem dient, wobei das System (100) wenigstens ein neuronales Trainingsnetz (12) und wenigstens ein Referenzmodel (18) umfasst, wobei das System (100) dazu eingerichtet ist, das wenigstens eine neuronale Trainingsnetz (12) zu trainieren, wobei dem wenigstens einen neuronalen Trainingsnetz (12) als Eingabeinformationen (xveh, states) zumindest zur Geschwindigkeitsregelung eines Fahrzeugs verwendbare Informationen zugeführt werden, wobei das wenigstens eine neuronale Trainingsnetz (12) dazu eingerichtet ist, ein Trainingsmodell des Fahrzeugverhaltens aus den Eingabeinformationen (xveh, states) zu ermitteln, wobei das wenigstens eine Referenzmodell (18) dazu eingerichtet ist, als Ausgabe wenigstens einen Referenzparameter (aveh, des) zu ermitteln, wobei das System (100) dazu eingerichtet ist, das wenigstens eine neuronale Reglernetz (10) zumindest auf Basis der Ausgabe (aveh, des) des Referenzmodells (18) und der Ausgabe (aestmd, xveh_sts, estmd) des neuronalen Trainingsnetzes (12) zu trainieren, um den wenigstens einen das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameter zu ermitteln.
  2. System (100) nach Anspruch 1, wobei das System (100) dazu eingerichtet ist, einen Modellfehler des Trainingsmodells zu ermitteln und dem neuronalen Trainingsnetz (12) zuzuführen.
  3. System (100) nach Anspruch 2, wobei das System (100) dazu eingerichtet ist, den Modellfehler des Trainingsmodells zu verringern, wobei das System (100) weiter dazu eingerichtet ist, dem neuronalen Trainingsnetz (12) den ermittelten Modellfehler über ein vorbestimmtes Lernverfahren zuzuführen.
  4. System (100) nach Anspruch 3, wobei das System (100) dazu eingerichtet ist, das Training des wenigstens einen neuronalen Trainingsnetzes (12) abzuschließen, wenn der Modellfehler wenigstens einen vorbestimmten Grenzwert unterschreitet oder sich der Modellfehler nicht mehr weiter verringert.
  5. System (100) nach einem der Ansprüche 1 bis 4, wobei das neuronale Trainingsnetz (12) als Ausgabe wenigstens einen Regelparameter ausgibt, wobei der wenigstens eine Regelparameter insbesondere eine Fahrzeugbeschleunigung (aestmd) ist.
  6. System (100) nach einem der Ansprüche 1 bis 5, wobei das System (100) dazu eingerichtet ist, als Eingabeinformationen eine oder mehrere der folgenden Informationen zu verwenden: Fahrzeuggeschwindigkeit, Fahrzeugbeschleunigung, Ist-Motormoment, Soll-Motormoment, Ist-Radmoment, Soll-Radmoment, Fahrzeugmasse, Gangübersetzung.
  7. System (100) nach einem der Ansprüche 1 bis 6, wobei das System (100) dazu eingerichtet ist, nach Abschluss des Trainings des wenigstens einen neuronalen Trainingsnetzes (12) das neuronale Reglernetz (10) zur Ermittlung wenigstens eines das Fahrverhalten des Fahrzeugs beeinflussenden Parameter zu trainieren.
  8. System (100) nach Anspruch 7, wobei das System (100) dazu eingerichtet ist, dem neuronalen Reglernetzes (10) zum Trainieren des neuronalen Reglernetzes (10) Eingabeinformationen (aestmd, xveh_sts, estmd) zuzuführen, die von dem neuronalen Trainingsnetz (12) bereitgestellt werden.
  9. System (100) nach Anspruch 7 oder 8, wobei das System (100) dazu eingerichtet ist, zum Training des neuronalen Reglernetzes (10) einen Regelfehler zwischen der Ausgabe des neuronalen Trainingsnetzes (10) und dem wenigstens einen Referenzmodell (18) zu ermitteln und diesen Regelfehler dem neuronalen Reglernetz (10) zuzuführen.
  10. System (100) nach einem der Ansprüche 1 bis 9, wobei das Referenzmodell (18) eine Übertragungsfunktion aufweist, die ein Referenzsystemverhalten abbildet.
  11. Verfahren zum Trainieren wenigstens eines neuronalen Reglernetzes (10) für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeug, wobei das neuronale Reglernetz (10) zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameters für das adaptives Geschwindigkeitsregelsystem dient, wobei das Verfahren die folgenden Schritte umfasst: Trainieren eines neuronalen Trainingsnetzes (12), wobei dem wenigstens einen neuronalen Trainingsnetz (12) als Eingabeinformationen (xveh, states) zumindest zur Geschwindigkeitsregelung eines Fahrzeugs verwendbare Informationen zugeführt werden, wobei das wenigstens eine neuronale Trainingsnetz (12) ein Trainingsmodell des Fahrzeugverhaltens aus den Eingabeinformationen (xveh, states) ermittelt, Ermitteln wenigstens eines Referenzparameters als Ausgabe wenigstens eines Referenzmodells (18), und Trainieren des wenigstens einen neuronalen Regelnetzes (10) zumindest auf Basis der Ausgabe (aveh, des) des Referenzmodells (18) und der Ausgabe (aestmd, xveh_sts, estmd) des neuronalen Trainingsnetzes (12), um den wenigstens einen das Fahrverhalten des Fahrzeugs beeinflussenden Regelparameter auszugeben.
  12. Verfahren nach Anspruch 11, wobei ein Modellfehler des Trainingsmodells (12) ermittelt und dem neuronalen Trainingsnetz (12) zugeführt wird.
  13. Verfahren nach Anspruch 12, wobei der Modellfehler des Trainingsmodells verringert wird, wobei dem neuronalen Trainingsnetz (12) der ermittelte Modellfehler über ein vorbestimmtes Lernverfahren zugeführt wird.
  14. Verfahren nach Anspruch 13, wobei das Training des wenigstens einen neuronalen Trainingsnetzes (12) abgeschlossen wird, wenn der Modellfehler wenigstens einen vorbestimmten Grenzwert unterschreitet oder sich der Modellfehler nicht mehr weiter verringert.
  15. Verfahren nach einem der Ansprüche 11 bis 14, wobei nach Abschluss des Trainings des wenigstens einen neuronalen Trainingsnetzes (12) das neuronale Reglernetz (10) zur Ermittlung eines das Fahrverhalten des Fahrzeugs beeinflussenden Parameters trainiert wird.
  16. Verfahren nach Anspruch 15, wobei von dem neuronalen Trainingsnetz (12) Eingabeinformationen (aestmd, xveh_sts, estmd) bereitgestellt werden, mit denen das neuronalen Reglernetz (10) trainiert wird.
  17. Verfahren nach Anspruch 15 oder 16, wobei zum Trainieren des neuronalen Reglernetzes (10) ein Regelfehler zwischen der Ausgabe des neuronalen Trainingsnetzes (12) und dem wenigstens einen Referenzmodell (18) ermittelt und dieser Regelfehler dem neuronalen Reglernetz (10) zugeführt wird.
  18. Neuronales Reglernetzes (10) für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeug, wobei das neuronale Reglernetzes (10) mit einem System (100) nach einem der Ansprüche 1 bis 10 und/oder mit einem Verfahren nach einem der Ansprüche 11 bis 17 trainiert wurde.
  19. Steuerung (200) für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeug, wobei Steuerung (200) zumindest ein neuronales Reglernetzes (10) nach Anspruch 18 aufweist oder mit zumindest einem Reglernetz nach Anspruch 18 verbindbar ist.
  20. Fahrzeug mit einer Steuerung (200) nach Anspruch 19 für ein adaptives Geschwindigkeitsregelsystem.
DE102019214564.7A 2019-09-24 2019-09-24 System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs Pending DE102019214564A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019214564.7A DE102019214564A1 (de) 2019-09-24 2019-09-24 System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019214564.7A DE102019214564A1 (de) 2019-09-24 2019-09-24 System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs

Publications (1)

Publication Number Publication Date
DE102019214564A1 true DE102019214564A1 (de) 2021-03-25

Family

ID=74846343

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019214564.7A Pending DE102019214564A1 (de) 2019-09-24 2019-09-24 System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs

Country Status (1)

Country Link
DE (1) DE102019214564A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488799A (zh) * 2022-01-11 2022-05-13 吉林大学 汽车自适应巡航***控制器参数优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030233335A1 (en) * 2002-06-17 2003-12-18 Mims Aj Student neural network

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030233335A1 (en) * 2002-06-17 2003-12-18 Mims Aj Student neural network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OHNO, H.: Analysis and modeling of human driving behaviors using adaptive cruise control. In: 2000 26th Annual Conference of the IEEE Industrial Electronics Society. IECON 2000. 2000 IEEE International Conference on Industrial Electronics, Control and Instrumentation. 21st Century Technologies. IEEE, 2000. S. 2803-2808 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488799A (zh) * 2022-01-11 2022-05-13 吉林大学 汽车自适应巡航***控制器参数优化方法
CN114488799B (zh) * 2022-01-11 2024-02-23 吉林大学 汽车自适应巡航***控制器参数优化方法

Similar Documents

Publication Publication Date Title
DE102011085345B4 (de) Fahrzeugdynamiksteuerplattform zwischen Anwendung und gesteuertem Objekt
DE10212582B4 (de) Verfahren und Vorrichtung zur Regelung der Fahrdynamik
DE102005013807B4 (de) Verfahren zum Regeln eines Fahrzeugs und integriertes Fahrzeugregelungssystem
EP2233332A2 (de) Verfahren zur Ansteuerung von den Wankwinkel eines Kraftfahrzeugs beeinflussenden Aktoren
DE102007017245A1 (de) Verfahren und Vorrichtung zur Wankstabilisierung eines Kraftfahrzeugs
WO2007057192A1 (de) Verfahren zur ermittlung eines antriebsmoment-korrekturfaktors zum abgleich von zusammenwirkenden antriebsmomenten verschiedener antriebseinrichtungen
DE102017200713A1 (de) Verfahren zum Erkennen einer Steuerungssituation eines Fahrzeugs mit einem automatischen Steuerungssystem
DE102014003635B3 (de) Verfahren zum Kontrollieren eines Anfahrvorgangs
DE102008021532B4 (de) Vorrichtung und Verfahren zur Fahrzeugsteuerung
DE102019214564A1 (de) System zum Trainieren wenigstens eines neuronalen Reglernetzes für ein adaptives Geschwindigkeitsregelsystem eines Fahrzeugs
DE102017212650B4 (de) Steuersystem in einem vierradangetriebenen Kraftfahrzeug sowie Verfahren zur Steuerung
DE102016201205A1 (de) Fahrerassistenzsystem für ein Kraftfahrzeug zur Regelung der Längsdynamik
DE102020213857A1 (de) Verfahren zur Durchführung von Regelvorgängen in einem Fahrzeug
EP2440439B1 (de) Verfahren zur erzeugung eines auf die fahrzeugräder eines fahrzeugs wirkenden differenzmoments
DE102007048903B4 (de) Verfahren zum Betreiben einer Niveauregulierung eines Straßenkraftfahrzeugs
DE102006033631A1 (de) Verfahren zur Stabilisierung eines Fahrzeugs unter Berücksichtigung der Fahrzeugquerdynamik
DE10138620A1 (de) Adaptives Fahrtregelungssystem und ACC-Beschleunigungsschnittstelle
DE112014004383T5 (de) Schätzen eines Parameters zum Berechnen mindestens einer auf ein Fahrzeug einwirkenden Kraft
DE102022109371A1 (de) Fahrzeugbetätigungsanweisungen zur beeinflussung eines transienten fahrverhaltens
EP1980428B1 (de) Verfahren und Vorrichtung zur Wankstabilisierung eines Kraftfahrzeugs
DE102020200209A1 (de) Verfahren und Vorrichtung zum Regeln eines Abstands eines Ego-Fahrzeug zu einem vorausfahrenden Fahrzeug
DE102019220507A1 (de) Verfahren zur bilateralen Abstandsregelung
DE102019218965A1 (de) Verfahren zum Erkennen eines Beschleunigungswunsches basierend auf einem von einem Fahrer vorgegebenen Sollwert bezüglich eines Antriebsmoments eines Fahrzeugs
DE102004041072B4 (de) Verfahren zur Fahrzeugsteuerung
DE102020205702B3 (de) Fahrdynamikregelung eines Fahrzeugs mittels Dämpfern

Legal Events

Date Code Title Description
R163 Identified publications notified