DE102021207315A1 - Method for determining an attitude angle, method for training an artificial neural network for determining an error in an estimated attitude angle and method for determining an error in an estimated attitude angle - Google Patents

Abstract

Ein Ausführungsbeispiel eines Verfahrens 100 zum Bestimmen eines Schwimmwinkels eines Fahrzeugs umfasst ein Empfangen 102 von Daten über einen Zustand des Fahrzeugs und ein Bestimmen 104 eines geschätzten Schwimmwinkels des Fahrzeugs unter Verwendung eines theoretischen Modells zur Schätzung des Schwimmwinkels basierend auf den Daten. Das Verfahren 100 umfasst ferner ein Bestimmen 106 eines Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks und ein Bestimmen 108 des Schwimmwinkels basierend auf dem geschätzten Schwimmwinkel und dem Fehler des geschätzten Schwimmwinkels.An exemplary embodiment of a method 100 for determining an attitude angle of a vehicle includes receiving 102 data about a state of the vehicle and determining 104 an estimated attitude angle of the vehicle using a theoretical model for estimating the attitude angle based on the data. The method 100 further includes determining 106 an error in the estimated side slip angle using a trained neural network and determining 108 the side slip angle based on the estimated side slip angle and the error in the estimated side slip angle.

Description

Ausführungsbeispiele der vorliegenden Erfindung beziehen sich auf Verfahren zum Bestimmen eines Schwimmwinkels eines Fahrzeugs, auf Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs und auf Verfahren zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs.Embodiments of the present invention relate to methods for determining an attitude angle of a vehicle, to methods for training an artificial neural network for determining an error in an estimated attitude angle of a vehicle, and to methods for determining an error in an estimated attitude angle of a vehicle.

Viele Fahrzeugsicherheitssysteme sind darauf ausgerichtet, die Stabilität und die Fahrdynamik von Fahrzeugen zu verbessern. Für die Beurteilung und Regelung der Fahrzeugstabilität wird oftmals angestrebt, den Schwimmwinkel des Fahrzeugs genau zu bestimmen. Der Schwimmwinkel eines Fahrzeugs gibt den Winkel zwischen der Längsachse und dem Geschwindigkeitsvektor des Fahrzeugs an. Große Schwimmwinkel können durch Seitenkräfte entstehen, die z.B. beim schnellen Durchfahren einer Kurve auf das Fahrzeug wirken und die Fahrdynamik signifikant beeinflussen.Many vehicle safety systems are designed to improve vehicle stability and driving dynamics. In order to assess and control vehicle stability, it is often attempted to precisely determine the sideslip angle of the vehicle. The sideslip angle of a vehicle indicates the angle between the longitudinal axis and the vehicle's velocity vector. Large sideslip angles can be caused by lateral forces that act on the vehicle, e.g. when driving through a curve at high speed, and have a significant impact on driving dynamics.

Die genaue Bestimmung des Schwimmwinkels kann über Messysteme, wie z.B. optische Sensoren, GPS-Sensoren oder Inertialsysteme erfolgen. Allerdings ist die direkte Messung des Schwimmwinkels oftmals kostspielig und/oder mit einem großen Aufwand verbunden und daher in der Serie nicht praktikabel umsetzbar.The side slip angle can be precisely determined using measuring systems such as optical sensors, GPS sensors or inertial systems. However, the direct measurement of the sideslip angle is often expensive and/or involves a great deal of effort and is therefore not practicable in series production.

Eine weitere Möglichkeit zur Bestimmung des Schwimmwinkels ist die Schätzung des Schwimmwinkels z.B. basierend auf theoretischen Modellen des Fahrzeugs. Die Modelle können die Kräfte, die auf das Fahrzeug wirken oder die Korrelationen zwischen Geschwindigkeiten, Beschleunigungen und der Gierrate des Fahrzeugs beschreiben.Another way to determine the side slip angle is to estimate the side slip angle, e.g. based on theoretical models of the vehicle. The models can describe the forces acting on the vehicle or the correlations between speeds, accelerations and the yaw rate of the vehicle.

Die Schätzgenauigkeit der Modelle kann stark von der richtigen Parametrierung und Modellierung der fahrdynamischen Effekte abhängen. Ferner ist für eine gute Schätzung des Schwimmwinkels die Qualität der Fahrzeugsignale, welche für die Modellierung verwendet werden, maßgeblich. Oftmals geht eine zu geringe Modellierungstiefe, ein Unwissen über relevante Parameter oder ein Rauschen in den Fahrzeugsignalen mit einem erhöhten Fehler des geschätzten Schwimmwinkels einher.The estimation accuracy of the models can depend heavily on the correct parameterization and modeling of the driving dynamics effects. Furthermore, the quality of the vehicle signals used for the modeling is decisive for a good estimation of the sideslip angle. Too little modeling depth, a lack of knowledge about relevant parameters or noise in the vehicle signals is often accompanied by an increased error in the estimated sideslip angle.

Daher kann es als Aufgabe der vorliegenden Erfindung betrachtet werden, ein verbessertes Konzept für die Bestimmung von Schwimmwinkeln und/oder für die Bestimmung von Fehlern von modellbasiert geschätzten Schwimmwinkeln eines Fahrzeugs zu schaffen. Ferner kann es eine Aufgabe sein, ein besseres Training für künstliche neuronale Netzwerke zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels zu ermöglichen.It can therefore be seen as an object of the present invention to create an improved concept for determining side slip angles and/or for determining errors in side slip angles of a vehicle estimated on the basis of models. Furthermore, it may be an object to enable better training for artificial neural networks for determining an error in an estimated attitude angle.

Diese Aufgabe kann mithilfe der unabhängigen und abhängigen Ansprüche der vorliegenden Offenbarung gelöst werden.This object can be solved with the help of the independent and dependent claims of the present disclosure.

Gemäß einem ersten Aspekt bezieht sich die vorliegende Erfindung auf ein Verfahren zum Bestimmen eines Schwimmwinkels eines Fahrzeugs. Das Verfahren umfasst ein Empfangen von Daten über einen Zustand des Fahrzeugs und ein Bestimmen eines geschätzten Schwimmwinkels des Fahrzeugs unter Verwendung eines theoretischen Modells zur Schätzung des Schwimmwinkels basierend auf den Daten. Das Verfahren umfasst ferner ein Bestimmen eines Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks und ein Bestimmen des Schwimmwinkels basierend auf dem geschätzten Schwimmwinkel und dem Fehler des geschätzten Schwimmwinkels. Mit dem vorgeschlagenen Verfahren kann der Schwimmwinkel des Fahrzeugs genauer oder mit einem kleineren Fehler bestimmt werden. Basierend auf den Fahrzeugdaten kann das theoretische Modell eine Basisschätzung für den Schwimmwinkel zur Verfügung stellen. Der aus der Basisschätzung geschätzte Schwimmwinkel kann einen Fehler aufweisen, der nicht gänzlich oder ausreichend vermieden werden kann. Dieser Fehler könnte mit dem trainierten NN (zumindest ausreichend genau) bestimmt und für eine genauere Bestimmung des Schwimmwinkels verwendet werden.According to a first aspect, the present invention relates to a method for determining an attitude angle of a vehicle. The method includes receiving data about a state of the vehicle and determining an estimated side slip angle of the vehicle using a theoretical model for estimating the side slip angle based on the data. The method further includes determining an error in the estimated attitude angle using a trained neural network and determining the attitude angle based on the estimated attitude angle and the error in the estimated attitude angle. With the proposed method, the sideslip angle of the vehicle can be determined more precisely or with a smaller error. Based on the vehicle data, the theoretical model can provide a baseline estimate for the sideslip angle. The sideslip angle estimated from the base estimate can have an error that cannot be completely or sufficiently avoided. This error could be determined with the trained NN (at least with sufficient accuracy) and used for a more precise determination of the sideslip angle.

In manchen Ausführungsbeispielen sind die Daten ferner Eingangsdaten des trainierten neuronalen Netzwerks. Für die Bestimmung des Fehlers des Schwimmwinkels kann das trainierte NN die Daten des Fahrzeugs verwenden und dadurch einen Fehler bestimmen, der auf das verwendete theoretische Modell abgestimmt ist.In some embodiments, the data is also input data of the trained neural network. The trained NN can use the data from the vehicle to determine the error in the sideslip angle and thereby determine an error that is matched to the theoretical model used.

In manchen Ausführungsbeispielen erfolgt das Bestimmen des Fehlers durch eine Rückkopplung des Fehlers (im vorangegangenen Zeitschritt) zum Eingang des trainierten neuronalen Netzwerks. Durch die (iterative) Rückkopplung des Fehlers kann das trainierte NN den Fehler des Schwimmwinkels mit einer höheren Genauigkeit bestimmen. Mit dem genaueren Fehler kann der Schwimmwinkel wiederum genauer ermittelt werden.In some exemplary embodiments, the error is determined by feeding back the error (in the previous time step) to the input of the trained neural network. Through the (ite (rative) feedback of the error, the trained NN can determine the error of the sideslip angle with a higher accuracy. With the more precise error, the sideslip angle can in turn be determined more precisely.

In manchen Ausführungsbeispielen umfasst das Verfahren ferner ein Bestimmen eines Nickwinkels des Fahrzeugs mittels des trainierten neuronalen Netzwerks basierend auf den Daten. Ein Schätzen des Nickwinkels basierend auf einem theoretischen Modell kann ungenau und ein Messen des Nickwinkels kann aufwändig und/oder kostspielig sein. Das trainierte NN kann den Nickwinkel effizient bestimmen. Der Nickwinkel kann für die Bestimmung des Schwimmwinkels verwendet werden.In some embodiments, the method further includes determining a pitch angle of the vehicle using the trained neural network based on the data. Estimating the pitch angle based on a theoretical model may be inaccurate and measuring the pitch angle may be laborious and/or expensive. The trained NN can efficiently determine the pitch angle. The pitch angle can be used to determine the sideslip angle.

In manchen Ausführungsbeispielen erfolgt das Bestimmen des Fehlers durch eine Rückkopplung des Nickwinkels zum Eingang des trainierten neuronalen Netzwerks. Durch die Rückkopplung des Nickwinkels kann der Fehler des geschätzten Schwimmwinkels genauer bestimmt werden, da dadurch zum Beispiel Korrekturwerte zu Gravitations- und Lageeffekten im Modell besser bestimmt werden können. Mit dem genaueren Fehler kann der Schwimmwinkel wiederum genauer ermittelt werden.In some exemplary embodiments, the error is determined by feedback of the pitch angle to the input of the trained neural network. The feedback of the pitch angle allows the error of the estimated side slip angle to be determined more precisely, since correction values for gravitational and attitude effects in the model, for example, can be better determined in this way. With the more precise error, the sideslip angle can in turn be determined more precisely.

In manchen Ausführungsbeispielen umfasst das Verfahren ferner ein Bestimmen eines Rollwinkels des Fahrzeugs mittels des trainierten neuronalen Netzwerks basierend auf den Daten. Ein Schätzen des Rollwinkels basierend auf einem theoretischen Modell kann ungenau oder ein Messen des Rollwinkels kann aufwändig und/oder kostspielig sein. Das trainierte NN kann den Rollwinkel effizient bestimmen. Der Rollwinkel kann für die Bestimmung des Schwimmwinkels verwendet werden.In some embodiments, the method further includes determining a roll angle of the vehicle using the trained neural network based on the data. Estimating the roll angle based on a theoretical model may be inaccurate, or measuring the roll angle may be laborious and/or expensive. The trained NN can efficiently determine the roll angle. The roll angle can be used to determine the sideslip angle.

In manchen Ausführungsbeispielen erfolgt das Bestimmen des Fehlers durch eine Rückkopplung des Rollwinkels zum Eingang des trainierten neuronalen Netzwerks. In some exemplary embodiments, the error is determined by feedback of the roll angle to the input of the trained neural network.

Durch die Rückkopplung des Rollwinkels kann der Fehler des geschätzten Schwimmwinkels genauer bestimmt werden, da dadurch zum Beispiel Korrekturwerte zu Gravitations- und Lageeffekten im Modell besser bestimmt werden können. Mit dem genaueren Fehler kann der Schwimmwinkel wiederum genauer ermittelt werden.By feeding back the roll angle, the error in the estimated sideslip angle can be determined more precisely, since this allows correction values for gravitational and attitude effects to be better determined in the model, for example. With the more precise error, the sideslip angle can in turn be determined more precisely.

In manchen Ausführungsbeispielen basiert das theoretische Modell auf einem kinematischen oder dynamischen Fahrzeugmodell oder auf einem Kalman-Filter. Die genannten Modelle können eine gute Basis für eine initiale Schätzung des Schwimmwinkels darstellen. Das trainierte NN kann sich auf die initiale Schätzung beziehen und dadurch einfacher implementiert werden, da nur der Fehler des geschätzten Schwimmwinkels (und nicht der Schwimmwinkel als solches) durch das trainierte NN bestimmt wird. Zum Beispiel kann sich dadurch die notwendige Trainingsdatenmenge für das NN im Vergleich zu einer Bestimmung des Schwimmwinkels als solches reduzieren lassen.In some embodiments, the theoretical model is based on a kinematic or dynamic vehicle model or on a Kalman filter. The models mentioned can represent a good basis for an initial estimation of the sideslip angle. The trained NN can relate to the initial estimate and can therefore be implemented more easily, since only the error in the estimated side slip angle (and not the side slip angle as such) is determined by the trained NN. For example, the amount of training data required for the NN can be reduced in comparison to determining the sideslip angle as such.

In manchen Ausführungsbeispielen ist das trainierte neuronale Netzwerk ein Long Short-Term Memory Netzwerk oder ein nichtlineares autoregressives Netzwerk mit externen Eingängen. Die genannten NN weisen eine rekurrente Architektur auf. Ein initial bestimmter Fehler des geschätzten Schwimmwinkels kann rückgekoppelt und vom NN wieder verwendet werden, um darauf basierend (z.B. in der nächsten Iteration) den Fehler des geschätzten Schwimmwinkels genauer bestimmen zu können.In some embodiments, the trained neural network is a long short-term memory network or a nonlinear autoregressive network with external inputs. The NN mentioned have a recurrent architecture. An initially determined error in the estimated side slip angle can be fed back and used again by the NN in order to be able to determine the error in the estimated side slip angle more precisely (e.g. in the next iteration).

In manchen Ausführungsbeispielen umfassen die Daten zumindest Informationen über den Lenkwinkel, die Gierrate, die Fahrzeuglängsgeschwindigkeit, die Längsbeschleunigung oder die Querbeschleunigung des Fahrzeugs. Die Daten können zum Beispiel über die Sensoren des Fahrzeugs ermittelt und für die Bestimmung des geschätzten Schwimmwinkels und des Fehlers des geschätzten Schwimmwinkels verwendet werden.In some exemplary embodiments, the data include at least information about the steering angle, the yaw rate, the longitudinal vehicle speed, the longitudinal acceleration or the lateral acceleration of the vehicle. The data can be determined, for example, via the vehicle's sensors and used to determine the estimated side slip angle and the error in the estimated side slip angle.

Gemäß einem zweiten Aspekt bezieht sich die vorliegende Erfindung auf ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs. Das Verfahren umfasst ein Empfangen von Daten über einen Zustand des Fahrzeugs und ein Empfangen von gelabelten Daten, die einen wahren Wert des Fehlers des geschätzten Schwimmwinkels umfassen. Ferner umfasst das Verfahren ein Trainieren des künstlichen neuronalen Netzwerks basierend auf den Daten und den gelabelten Daten. Das NN kann durch überwachtes Lernen (engl. supervised learning) trainiert werden, um den Fehler des geschätzten Schwimmwinkels mit höherer Genauigkeit bestimmen zu können. Durch das überwachte Lernen und die Trainingsdaten können die zu trainierenden Parameter des NN angepasst und optimiert werden.According to a second aspect, the present invention relates to a method for training an artificial neural network for determining an error in an estimated sideslip angle of a vehicle. The method includes receiving data about a condition of the vehicle and receiving labeled data including a true value of the estimated sideslip angle error. The method also includes training the artificial neural network based on the data and the labeled data. The NN can be trained by supervised learning to determine the error of the estimated sideslip angle with higher accuracy. The parameters of the NN to be trained can be adjusted and optimized through the supervised learning and the training data.

In manchen Ausführungsbeispielen ist der Fehler des geschätzten Schwimmwinkels ein Fehler eines mittels eines theoretischen Modells geschätzten Schwimmwinkels. Der geschätzte Schwimmwinkel kann initial durch das theoretische Modell, wie z.B. ein Einspurmodell, zunächst ausreichend und einfach bestimmt werden. Das NN kann dahingehend trainiert werden, den Fehler bezüglich der Basisschätzung zu bestimmen.In some exemplary embodiments, the error in the estimated side slip angle is an error in a side slip angle estimated using a theoretical model. The estimated sideslip angle can initially be determined sufficiently and simply by the theoretical model, such as a single-track model. The NN can be trained to determine the error relative to the base estimate.

In manchen Ausführungsbeispielen ist der wahre Wert des Fehlers eine Differenz oder ein Verhältnis des mittels des theoretischen Modells geschätzten Schwimmwinkels und einem gemessen Schwimmwinkel. Der gemessene Schwimmwinkel kann ein wahrer (oder tatsächlicher) Wert des Schwimmwinkels sein (engl. ground truth data). Das NN kann dahingehend trainiert werden, dass sich der mittels des NN bestimmte Fehler sich dem wahren Wert des Fehlers annähert. Der wahre Wert des Fehlers kann z.B. additiv und/oder multiplikativ sein.In some exemplary embodiments, the true value of the error is a difference or a ratio of the side slip angle estimated using the theoretical model and a measured side slip angle. The measured side slip angle can be a true (or actual) value of the side slip angle (ground truth data). The NN can be trained such that the error determined using the NN approaches the true value of the error. For example, the true value of the error can be additive and/or multiplicative.

Gemäß einem dritten Aspekt bezieht sich die vorliegende Erfindung auf ein Verfahren zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs. Das Verfahren umfasst ein Empfangen von Daten über einen Zustand des Fahrzeugs und ein Bestimmen des Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks. Das Verfahren kann in Kombination mit einem theoretischen Modell verwendet werden, das den geschätzten Schwimmwinkel bestimmen kann. Der geschätzte Schwimmwinkel kann einen Fehler aufweisen, der bei der Schätzung mittels des theoretischen Modells nicht oder nicht ausreichend vermieden werden kann. Das trainierte NN kann den Fehler des geschätzten Schwimmwinkels in Bezug auf einen wahren (z.B. gemessen) Schwimmwinkel bestimmen. Basierend auf dem geschätzten Schwimmwinkel und dem mittels des NN bestimmten Fehler kann der tatsächliche Schwimmwinkel des Fahrzeugs mit höherer Genauigkeit bestimmt werden.According to a third aspect, the present invention relates to a method for determining an error in an estimated sideslip angle of a vehicle. The method includes receiving data about a condition of the vehicle and determining the error in the estimated sideslip angle using a trained neural network. The method can be used in combination with a theoretical model that can determine the estimated sideslip angle. The estimated sideslip angle can have an error that cannot be avoided or cannot be sufficiently avoided in the estimation using the theoretical model. The trained NN can determine the error of the estimated side slip angle in relation to a true (e.g. measured) side slip angle. Based on the estimated sideslip angle and the error determined using the NN, the actual sideslip angle of the vehicle can be determined with greater accuracy.

In manchen Ausführungsbeispielen ist das trainierte neuronale Netzwerk ein Long Short-Term Memory Netzwerk oder ein nichtlineares autoregressives Netzwerk mit externen Eingängen. Die genannten NN weisen eine rekurrente Architektur auf. Ein initial bestimmter Fehler des geschätzten Schwimmwinkels kann rückgekoppelt und wieder vom NN verwendet werden, um basierend darauf (z.B. in der nächsten Iteration) den Fehler des geschätzten Schwimmwinkels genauer zu bestimmen.In some embodiments, the trained neural network is a long short-term memory network or a nonlinear autoregressive network with external inputs. The NN mentioned have a recurrent architecture. An initially determined error in the estimated side slip angle can be fed back and used again by the NN to determine the error in the estimated side slip angle more precisely based on this (e.g. in the next iteration).

Einige Beispiele von Vorrichtungen und/oder Verfahren werden nachfolgend bezugnehmend auf die beiliegenden Figuren lediglich beispielhaft näher erläutert. Es zeigen:

• 1 ein Flussdiagramm für ein Ausführungsbeispiel eines Verfahrens zum Bestimmen eines Schwimmwinkels eines Fahrzeugs;
• 2 ein Flussdiagramm für ein weiteres Ausführungsbeispiel eines Verfahrens zum Bestimmen eines Schwimmwinkels eines Fahrzeugs;
• 3 ein Flussdiagramm zum Bestimmen des Fehlers des geschätzten Schwimmwinkels gemäß einem Beispiel;
• 4 ein Flussdiagramm zum Bestimmen des Fehlers des geschätzten Schwimmwinkels gemäß einem weiteren Beispiel;
• 5 ein Flussdiagramm zum Bestimmen des Fehlers des geschätzten Schwimmwinkels gemäß einem weiteren Beispiel;
• 6 ein Flussdiagramm für ein Ausführungsbeispiel eines Verfahrens zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs; und
• 7 ein Flussdiagramm für ein Ausführungsbeispiel eines Verfahrens zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs.

Some examples of devices and/or methods are explained in more detail below with reference to the accompanying figures, merely by way of example. Show it:

• 1 a flowchart for an exemplary embodiment of a method for determining an attitude angle of a vehicle;
• 2 a flowchart for a further exemplary embodiment of a method for determining an attitude angle of a vehicle;
• 3 FIG. 14 is a flowchart for determining the error in the estimated slip angle, according to an example; FIG.
• 4 Figure 12 shows a flowchart for determining the error in the estimated slip angle according to another example;
• 5 Figure 12 shows a flowchart for determining the error in the estimated slip angle according to another example;
• 6 a flowchart for an embodiment of a method for training an artificial neural network for determining an error in an estimated sideslip angle of a vehicle; and
• 7 a flowchart for an embodiment of a method for determining an error in an estimated sideslip angle of a vehicle.

Verschiedene Ausführungsbeispiele werden nun ausführlicher und unter Bezugnahme der beiliegenden Figuren beschrieben.Various exemplary embodiments will now be described in more detail and with reference to the accompanying figures.

Obwohl Ausführungsbeispiele auf verschiedene Weise modifiziert und abgeändert werden können, sind Ausführungsbeispiele in den Figuren als Beispiele dargestellt und werden hierin ausführlich beschrieben. Es sei jedoch klargestellt, dass nicht beabsichtigt ist, Ausführungsbeispiele auf die jeweils offenbarten Formen zu beschränken, sondern dass Ausführungsbeispiele vielmehr sämtliche funktionale und/oder strukturelle Modifikationen, Äquivalente und Alternativen, die im Bereich der Erfindung liegen, abdecken sollen.Although example embodiments can be modified and altered in various ways, example embodiments are illustrated in the figures and are described in detail herein. It should be understood, however, that example embodiments are not intended to be limited to the precise forms disclosed, but rather that example embodiments are intended to cover all functional and/or structural modifications, equivalents, and alternatives falling within the scope of the invention.

Ansätze zur Schätzung des Schwimmwinkels mit verfügbaren Fahrzeugsignalen können auf Fahrzeugmodellen (z.B. Einspurmodell, Zweispurmodell) optional in Kombination mit einem Korrekturschritt (z.B. Kalman-Filter) basieren. Anhand der Modelle und der verfügbaren Fahrzeugsignale kann der Schwimmwinkel prädiziert werden.Approaches for estimating the sideslip angle with available vehicle signals can be based on vehicle models (e.g. one-lane model, two-lane model), optionally in combination with a correction step (e.g. Kalman filter). The sideslip angle can be predicted using the models and the available vehicle signals.

Die Schätzgenauigkeit der Ansätze kann auf der korrekten Parametrierung der Modelle, der Abbildung aller relevanten fahrdynamischen Effekte, sowie auf einer hohen Qualität der in das Modell eingespeisten Signale beruhen. Ist zum Beispiel einer dieser Punkte nicht erfüllt (z.B. aufgrund ungenauer, nicht bekannter Parameter, aufgrund einer zu geringen Modellierungstiefe oder aufgrund von rausch-, bias- oder verzugsbehafteten Signalen), kann der Schwimmwinkel oftmals nicht mehr in der notwendigen Genauigkeit geschätzt werden. Diese Form der Schätzung kann im Folgenden als Basisschätzung bezeichnet sein oder im Zusammenhang mit einem theoretischen Modell beschrieben sein.The estimation accuracy of the approaches can be based on the correct parameterization of the models, the mapping of all relevant driving dynamics effects, and on a high quality of the signals fed into the model. If, for example, one of these points is not fulfilled (e.g. due to imprecise, unknown parameters, due to insufficient modeling depth or due to signals affected by noise, bias or delay), the sideslip angle can often no longer be estimated with the necessary accuracy. This form of estimation can be referred to below as basic estimation or can be described in connection with a theoretical model.

1 zeigt ein Flussdiagramm für ein Ausführungsbeispiel eines Verfahrens 100 zum Bestimmen eines Schwimmwinkels eines Fahrzeugs. Das Verfahren 100 umfasst ein Empfangen 102 von Daten über einen Zustand des Fahrzeugs und ein Bestimmen 104 eines geschätzten Schwimmwinkels des Fahrzeugs unter Verwendung eines theoretischen Modells zur Schätzung des Schwimmwinkels basierend auf den Daten. Das Verfahren 100 umfasst ferner ein Bestimmen 106 eines Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks und ein Bestimmen 108 des Schwimmwinkels basierend auf dem geschätzten Schwimmwinkel und dem Fehler des geschätzten Schwimmwinkels. 1 FIG. 1 shows a flowchart for an exemplary embodiment of a method 100 for determining an attitude angle of a vehicle. The method 100 includes receiving 102 data about a state of the vehicle and determining 104 an estimated side slip angle of the vehicle using a theoretical model for estimating the side slip angle based on the data. The method 100 further includes determining 106 an error in the estimated side slip angle using a trained neural network and determining 108 the side slip angle based on the estimated side slip angle and the error in the estimated side slip angle.

Die Daten über den Zustand des Fahrzeugs können z.B. Sensorsignale des Fahrzeugs sein und Informationen für die Schätzung des Schwimmwinkel umfassen. Die Schätzung des Schwimmwinkels kann initial mit dem theoretischen Modell, wie z.B. einem Einspur- oder Zweispurmodell erfolgen. Der mittels des theoretischen Modells geschätzte Schwimmwinkel kann einen Fehler oder eine Ungenauigkeit aufweisen. Der Fehler des geschätzten Schwimmwinkels kann für die Fahrzeugstabilität und -dynamik wesentlich sein und möglicherweise nicht vernachlässigt werden. Um einen tatsächlichen (wahren) Schwimmwinkel des Fahrzeugs (annährend) genau bestimmen zu können, kann der Fehler des geschätzten Schwimmwinkel mittels des trainierten NN bestimmt werden. Der Schwimmwinkel, der unter Verwendung des trainierten neuronalen Netzwerks bestimmt wird, kann (annährend) gleich dem tatsächlichen (z.B. gemessenen) Schwimmwinkel sein. Beispielsweise kann der mittels des NN bestimmte Fehler des geschätzten Schwimmwinkels ein Korrekturwert sein, um den Fehler in der Basisschätzung zu kompensieren oder zu reduzieren. Das vorgeschlagene Verfahren zum Bestimmen des Schwimmwinkels kann ein hybrides Konzept darstellen, dass vorteilhafte Aspekte von theoretischen Modellen und der künstlichen Intelligenz (KI) kombinieren kann. Beispielsweise kann das theoretische Modell effizient einen guten Anfangswert für den Schwimmwinkel zur Verfügung stellen, der durch das künstliche NN weiter optimiert werden kann. Das trainierte NN kann Fehler bestimmen, die z.B. nicht durch Simulationen, Modelle oder Messungen mit ausreichender Genauigkeit und/oder mit weniger Aufwand bestimmt werden können. Im Vergleich zu einer rein theoretischen Modellierung und/oder einem reinen KI-Modell kann die Bestimmung des Schwimmwinkels gemäß dem vorgeschlagenen Konzept einfacher, mit weniger Kosten, mit weniger Aufwand und/oder mit höherer Genauigkeit erfolgen.The data on the condition of the vehicle can be, for example, sensor signals from the vehicle and can include information for estimating the sideslip angle. The side slip angle can initially be estimated using the theoretical model, such as a one-lane or two-lane model. The sideslip angle estimated using the theoretical model may contain an error or an inaccuracy. Estimated slip angle error can be significant to vehicle stability and dynamics and may not be neglected. In order to be able to (approximately) precisely determine an actual (true) side slip angle of the vehicle, the error in the estimated side slip angle can be determined using the trained NN. The side slip angle determined using the trained neural network may (approximately) equal the actual (e.g. measured) side slip angle. For example, the error in the estimated side slip angle determined using the NN can be a correction value in order to compensate for or reduce the error in the base estimate. The proposed method for determining the sideslip angle can represent a hybrid concept that can combine advantageous aspects of theoretical models and artificial intelligence (AI). For example, the theoretical model can efficiently provide a good initial value for the sideslip angle, which can be further optimized by the artificial sea level. The trained NN can determine errors that cannot be determined, for example, by simulations, models or measurements with sufficient accuracy and/or with less effort. In comparison to purely theoretical modeling and/or a purely AI model, the determination of the sideslip angle according to the proposed concept can be carried out more simply, at lower cost, with less effort and/or with greater accuracy.

Das trainierte NN kann zur Bestimmung des Fehlers des Schwimmwinkels verwendet werden. Das trainierte NN kann eine beliebige Architektur aufweisen, die sich eignet, um den Fehler des geschätzten Schwimmwinkels bestimmen zu können. Beispielsweise kann das trainierte NN ein Vorwärtsmodell (engl. feedforward neural network) oder eine rekurrentes Modell (engl. recurrent neural network, RNN) aufweisen. Der Fehler des geschätzten Schwimmwinkels kann direkt über eine Ausgabeschicht (engl. output layer) ausgegeben werden. Gemäß einem anderen Beispiel kann das NN einen Zwischenwert ausgeben, der weiterverwendet werden kann, um den Fehler des geschätzten Schwimmwinkels zu bestimmen. Zum Beispiel kann die Eingabeschicht (engl. input layer) des trainierten NN auf die Daten über das Fahrzeug abgestimmt sein. Optional kann das trainierte NN weitere Eingabeparameter, wie z.B. Informationen über den Fahrzeugtyp, über die Reifen, über die Straßenbedingungen oder weitere Parameter (wie z.B. Umgebungsparameter) aufnehmen, die einen Einfluss auf den Fehler des geschätzten Schwimmwinkels haben können.The trained NN can be used to determine the slip angle error. The trained NN can have any architecture suitable for determining the error in the estimated sideslip angle. For example, the trained NN can have a feedforward neural network model or a recurrent neural network (RNN) model. The error in the estimated side slip angle can be output directly via an output layer. According to another example, the NN can output an intermediate value that can be further used to determine the error of the estimated side slip angle. For example, the input layer of the trained NN can be matched to the data about the vehicle. Optionally, the trained NN can include additional input parameters, such as information about the vehicle type, the tires, the road conditions or other parameters (such as environmental parameters), which can have an impact on the error of the estimated sideslip angle.

Der Fehler des geschätzten Schwimmwinkels kann sich auf einen gemessenen Schwimmwinkel beziehen. Beispielsweise kann ein gemessener Schwimmwinkel, der z.B. optisch oder mit einem Laser-, Radar- oder einem beliebigen Inertialsystem (genau) gemessen wurde, als tatsächlicher (wahrer) Schwimmwinkel des Fahrzeugs betrachtet werden. Der Fehler des geschätzten Schwimmwinkels kann aufgrund einer nicht ausreichenden Modellierung, aufgrund von ungenauen oder fehlerbehafteten Daten (z.B. Signalrauschen, unbekannte Parameter) oder aufgrund unbekannter Wechselwirkungen mit der Umgebung vorliegen. Das trainierte NN könnte diese Ungenauigkeiten (zumindest ausreichend genau) bestimmen.The error in the estimated attitude angle may be related to a measured attitude angle. For example, a measured side slip angle, which was (precisely) measured, for example, optically or with a laser, radar or any inertial system, can be regarded as the actual (true) side slip angle of the vehicle. The error in the estimated sideslip angle can be due to insufficient modelling, imprecise or erroneous data (e.g. signal rough cal, unknown parameters) or due to unknown interactions with the environment. The trained NN could determine these inaccuracies (at least with sufficient accuracy).

Zum Beispiel kann sich der Fehler auf eine Differenz des geschätzten Schwimmwinkels und des tatsächlichen Schwimmwinkels beziehen (additiver, absoluter Fehler). In manchen Beispielen kann der Fehler auf einem Verhältnis (multiplikativer, relativer Fehler) oder einer anderen geeigneten Funktion zwischen dem geschätzten Schwimmwinkel und dem tatsächlichen Schwimmwinkel basieren.For example, the error may relate to a difference between the estimated attitude angle and the actual attitude angle (additive, absolute error). In some examples, the error may be based on a ratio (multiplicative, relative error) or other suitable function between the estimated attitude angle and the actual attitude angle.

Der geschätzte Schwimmwinkel kann mittels des theoretischen Modells geschätzt werden kann. Das theoretische Modell kann ein beliebiges Modell sein, das sich eignet, um einen Schwimmwinkel initial ausreichend genau zu schätzen. Zum Beispiel kann das theoretische (oder mathematische) Modell ein Fahrzeugmodell sein, das kein neuronales Netzwerk aufweist. Das theoretische Modell könnte Methoden der künstlichen Intelligenz nicht oder lediglich ergänzend verwenden.The estimated sideslip angle can be estimated using the theoretical model. The theoretical model can be any model that is suitable for initially estimating an sideslip angle with sufficient accuracy. For example, the theoretical (or mathematical) model can be a vehicle model that does not include a neural network. The theoretical model could not use methods of artificial intelligence or could only use them as a supplement.

Beispielsweise können die Daten über Sensorsignale, CAN-Signale oder beliebige Signale, die eine Information über den Zustand des Fahrzeugs umfassen, bestimmt werden. Der Zustand des Fahrzeugs kann z.B. eine Orientierung, Richtung, Position, Geschwindigkeit oder Beschleunigung des Fahrzeugs betreffen. Gemäß einem Beispiel können die Daten zumindest Informationen über den Lenkwinkel, die Gierrate, die Fahrzeuglängsgeschwindigkeit, die Längsbeschleunigung oder die Querbeschleunigung des Fahrzeugs umfassen. Das theoretische Modell kann die Daten verwenden, um den Schwimmwinkel des Fahrzeugs zu schätzen.For example, the data can be determined via sensor signals, CAN signals or any signals that contain information about the state of the vehicle. The state of the vehicle may relate to, for example, an orientation, direction, position, speed, or acceleration of the vehicle. According to one example, the data can include at least information about the steering angle, the yaw rate, the vehicle longitudinal speed, the longitudinal acceleration or the lateral acceleration of the vehicle. The theoretical model can use the data to estimate the vehicle's sideslip angle.

Der Schwimmwinkel des Fahrzeugs, der mittels des vorgeschlagenen Verfahrens bestimmt werden kann, kann z.B. für die Bestimmung der Fahrzeugstabilität oder Fahrdynamik, für die Steuerung des Fahrzeugs oder für sicherheitsrelevante Funktionen (z.B. Fahrdynamikregelsysteme) des Fahrzeugs verwendet werden. Das Fahrzeug kann ein Kraftrad (z.B. Motorroller, Motorrad), ein Personenkraftwagen (PKW), ein Lastkraftwagen (LKW), ein Flugzeug oder jede Art von Fahrzeug sein, dessen Schwimmwinkel über ein theoretisches Modell geschätzt und ein Fehler des geschätzten Schwimmwinkels über ein künstliches NN bestimmt werden kann.The sideslip angle of the vehicle, which can be determined using the proposed method, can be used, for example, to determine vehicle stability or vehicle dynamics, to control the vehicle or for safety-related functions (e.g. vehicle dynamics control systems) of the vehicle. The vehicle may be a motorcycle (e.g. scooter, motorbike), passenger car (PKW), truck (HGV), aircraft or any type of vehicle whose side slip angle is estimated using a theoretical model and an error in the estimated side slip angle using an artificial NN can be determined.

Weitere Einzelheiten und optionale Aspekte des Verfahrens 100 sind in Verbindung mit dem vorgeschlagenen Konzept oder einem oder mehreren der im Folgenden beschriebenen Beispiele (z.B. 2-7) beschrieben.Further details and optional aspects of the method 100 are described in connection with the proposed concept or one or more of the examples described below (e.g 2-7 ) described.

2 zeigt ein Flussdiagramm für ein weiteres Ausführungsbeispiel eines Verfahrens 200 zum Bestimmen eines Schwimmwinkels eines Fahrzeugs. Das Verfahren 200 kann ähnlich wie das Verfahren 100, das in Verbindung mit 1 beschrieben wurde, implementiert sein. 2 kann ein Grundprinzip zum Verfahren zur Bestimmung des Schwimmwinkels zur Laufzeit (Zeitpunkt k) darstellen. In 2 ist der geschätzte Schwimmwinkel mit ${\beta }_k^{-}$

bezeichnet, das mittels eines theoretischen Modells unter Verwendung von Daten u_k geschätzt wird (Basisschätzung). 2 FIG. 1 shows a flowchart for a further exemplary embodiment of a method 200 for determining an attitude angle of a vehicle. Method 200 may be similar to method 100 described in connection with 1 has been described to be implemented. 2 can represent a basic principle for the method for determining the sideslip angle at runtime (time k). In 2 is the estimated sideslip angle with ${\beta }_k^{-}$

denoted, which is estimated by means of a theoretical model using data u _k (base estimation).

Das theoretische Modell kann zum Beispiel Informationen über den Radlenkwinkel δ_f/r (bezüglich der Vorderachse/Hinterachse), die Gierrate ψ̇, die Fahrzeuglängsgeschwindigkeit v_x, die Fahrzeuglängsbeschleunigung a_x und/oder die Fahrzeugquerbeschleunigung a_y im Fahrzeugschwerpunkt über die Daten u_k aufnehmen. Die genannten Größen können eine (echte) Teilmenge der Daten u_k bilden. Die Daten u_k können weitere Informationen über den Zustand des Fahrzeugs umfassen.The theoretical model can, for example, record information about the wheel steering angle δ _f/r (regarding the front axle/rear axle), the yaw rate ψ̇, the longitudinal vehicle speed v _x , the vehicle longitudinal acceleration a _x and/or the vehicle lateral acceleration a _y in the vehicle’s center of gravity via the data u _k . The quantities mentioned can form a (real) subset of the data u _k . The data u _k can include further information about the condition of the vehicle.

Zum Beispiel kann das theoretische Modell auf einem kinematischen oder dynamischen Fahrzeugmodell oder auf einem Kalman-Filter basieren.For example, the theoretical model can be based on a kinematic or dynamic vehicle model or on a Kalman filter.

Beim kinematischen Fahrzeugmodell kann beispielsweise der Schwimmwinkel über die Arkustangens-Beziehung $${\beta }_k^{-}={\text{tan}}^{-1}\left(\frac{\text{tan}\left({\delta }_{ƒ}\right)l_r+\text{tan}\left({\delta }_r\right)l_{ƒ}}{l_{ƒ}+l_r}\right)$$

geschätzt werden. Beim linearen Einspurmodell kann die Basisschätzung mit $${\beta }_k^{-}=\frac{-m{a}_y+c_{ƒ}\text{cos}\left({\delta }_{ƒ}\right)\left({\delta }_{ƒ}-l_{ƒ}\dot{\psi }/v_x\right)+C_r\text{cos}\left({\delta }_r\right)\left({\delta }_r+l_r\dot{\psi }/v_x\right)}{C_{ƒ}\text{cos}\left({\delta }_{ƒ}\right)+C_r\text{cos}\left({\delta }_r\right)}$$

erfolgen. Für die genannten Bespiele von theoretischen Modellen bezeichnet m die Fahrzeugmasse, C_f/r die Quersteifigkeit (engl. cornering stiffness) der Reifen für die Vorder-/Hinterachse und l_ƒ/r den Abstand von Schwerpunkt zur Vorder-/Hinterachse.In the case of the kinematic vehicle model, for example, the sideslip angle can be calculated using the arctangent relationship $${\beta }_k^{-}={\text{tan}}^{-1}\left(\frac{\text{tan}\left({\delta }_{ƒ}\right)l_{\mathrm{right}}+\text{tan}\left({\delta }_{\mathrm{right}}\right)l_{ƒ}}{l_{ƒ}+l_{\mathrm{right}}}\right)$$

to be appreciated. With the linear single-track model, the base estimate can be $${\beta }_k^{-}=\frac{-m{a}_y+c_{ƒ}\text{cos}\left({\delta }_{ƒ}\right)\left({\delta }_{ƒ}-l_{ƒ}\dot{\psi }/v_x\right)+C_{\mathrm{right}}\text{cos}\left({\delta }_{\mathrm{right}}\right)\left({\delta }_{\mathrm{right}}+l_{\mathrm{right}}\dot{\psi }/v_x\right)}{C_{ƒ}\text{cos}\left({\delta }_{ƒ}\right)+C_{\mathrm{right}}\text{cos}\left({\delta }_{\mathrm{right}}\right)}$$

take place. For the examples of theoretical models mentioned, m denotes the vehicle mass, C _for/r the cornering stiffness of the tires for the front/rear axle and l _ƒ/r the distance from the center of gravity to the front/rear axle.

Die Basisschätzung kann alternativ oder zusätzlich einen Kalman-Filter verwenden. In Kombination mit einem der oben genannten oder anderen theoretischen Modellen kann der Kalman-Filter einen weiteren Korrekturschritt ermöglichen, um den geschätzten Schwimmwinkel initial genauer schätzen zu können.The base estimate can alternatively or additionally use a Kalman filter. In combination with one of the above or other theoretical models, the Kalman filter can enable a further correction step in order to be able to initially estimate the estimated sideslip angle more precisely.

In 2 ist der Fehler des geschätzten Schwimmwinkels mit ${\Delta }_k^{-}$

bezeichnet, der mittels eines trainierten NN bestimmt wird (KI-Korrektur). Der Fehler ${\Delta }_k^{-}$

kann ein Korrekturwert für die genaue Bestimmung des Schwimmwinkels des Fahrzeugs sein. Wie in 2 beispielhaft gezeigt, können die Daten u_k ferner Eingangsdaten des trainierten neuronalen Netzwerks sein. Das trainierte NN kann die Eingangsdaten u_k empfangen, um den Fehler ${\Delta }_k^{-}$

in Bezug auf den geschätzten Schwimmwinkel (und das verwendete theoretische Modell) genauer bestimmen zu können. Durch die Eingangsdaten u_k kann das trainierte NN zum Beispiel ermitteln, dass ein Fehler in der Basisschätzung durch einen Fehler in den Daten u_k (z.B. Rauschen, Offset) begründet ist.In 2 is the error of the estimated sideslip angle with ${\Delta }_k^{-}$

referred to, which is determined by means of a trained NN (KI correction). The mistake ${\Delta }_k^{-}$

can be a correction value for the precise determination of the sideslip angle of the vehicle. As in 2 shown by way of example, the data u _k can also be input data of the trained neural network. The trained NN can receive the input data u _k to avoid the error ${\Delta }_k^{-}$

in relation to the estimated sideslip angle (and the theoretical model used) to be able to determine more precisely. The trained NN can use the input data u _k to determine, for example, that an error in the base estimate is due to an error in the data u _k (eg noise, offset).

Das Verfahren 200 kann den Schwimmwinkel ${\beta }_k^{+}$

des Fahrzeugs durch eine Kombination des geschätzten Schwimmwinkels ${\beta }_k^{-}$

und des Fehlers ${\Delta }_k^{-}$

bestimmen. Gemäß dem vorgeschlagenen Konzept kann der Schwimmwinkel ${\beta }_k^{+}$

im Vergleich zu konventionellen Methoden zur Schwimmwinkelbestimmung eine kleinere Abweichung von einem tatsächlichen (oder wahren) Schwimmwinkel β_k des Fahrzeugs haben $\left({\beta }_k^{+}\approx {\beta }_k\right).$

Wie oben im Zusammenhang mit 1 beschrieben, kann der tatsächliche Schwimmwinkel β_k beispielsweise über eine Messung bestimmt werden.The method 200 may determine the sideslip angle ${\beta }_k^{+}$

of the vehicle by a combination of the estimated sideslip angle ${\beta }_k^{-}$

and the error ${\Delta }_k^{-}$

determine. According to the proposed concept, the sideslip angle ${\beta }_k^{+}$

have a smaller deviation from an actual (or true) side slip angle β _k of the vehicle compared to conventional methods for determining the sideslip angle $\left({\beta }_k^{+}\approx {\beta }_k\right).$

As related to above 1 described, the actual sideslip angle β _k can be determined, for example, via a measurement.

Ausführungen zu den 1 und 2 können sich jeweils auf einen hybriden Ansatz beziehen. Durch eine Kombination einer modellbasierten Basisschätzung mit einem durch Methoden der künstlichen Intelligenz bestimmten Korrekturterm können die genannten Fehlerquellen kompensiert und eine robustere und performantere Schwimmwinkelschätzung erreicht werden. Zu diesem Zweck kann auf Basis der verfügbaren Fahrzeugsignale (u_k) zunächst eine Basisschätzung $\left({\beta }_k^{-}\right)$

des Schwimmwinkels bestimmt werden. Diese Basisschätzung kann z.B. von einem durch ein Referenzsystem ermittelten tatsächlichen Schwimmwinkel abgezogen werden. Die sich ergebende Differenz $\left({\Delta }_k^{-}\right)$

kann durch verschiedene künstliche neuronale Netzwerkstrukturen aus den verfügbaren Fahrzeugsignalen (u_k) gelernt werden (z.B. mittels überwachten Lernens). Während der Laufzeit ergibt sich der korrigierte geschätzte Schwimmwinkel dann z.B. als Summe $\left({\beta }_k^{+}={\beta }_k^{-}+{\Delta }_k^{-}\right).$

comments on the 1 and 2 can each refer to a hybrid approach. By combining a model-based base estimation with a correction term determined by methods of artificial intelligence, the sources of error mentioned can be compensated and a more robust and high-performance side slip angle estimation can be achieved. For this purpose, based on the available vehicle signals (u _k ), a basic estimate can first be made $\left({\beta }_k^{-}\right)$

of the sideslip angle can be determined. This basic estimate can be subtracted, for example, from an actual sideslip angle determined by a reference system. The resulting difference $\left({\Delta }_k^{-}\right)$

can be learned from the available vehicle signals ( _uk ) by various artificial neural network structures (e.g. by means of supervised learning). During the running time, the corrected, estimated sideslip angle is then obtained, for example, as a sum $\left({\beta }_k^{+}={\beta }_k^{-}+{\Delta }_k^{-}\right).$

Weitere Einzelheiten und optionale Aspekte des Verfahrens 200 sind in Verbindung mit dem vorgeschlagenen Konzept oder einem oder mehreren der vorher oder im Folgenden beschriebenen Beispiele beschrieben. Im Folgenden wird in Verbindung mit den 3 bis 5 beispielhaft das Bestimmen des Fehlers des geschätzten Schwimmwinkels näher beschrieben.Further details and optional aspects of the method 200 are described in connection with the proposed concept or one or more examples described previously or below. The following is in connection with the 3 until 5 the determination of the error in the estimated side slip angle is described in more detail as an example.

3 zeigt ein Flussdiagramm zum Bestimmen 306 des Fehlers des geschätzten Schwimmwinkels gemäß einem Beispiel. Das Bestimmen 306 des Fehlers kann ähnlich wie das Bestimmen des Fehlers 106, das in Verbindung mit 1 oder 2 beschrieben wurde, erfolgen. Zum Beispiel kann das trainierte NN ein Vorwärtsmodell oder ein Long Short-Term Memory (LSTM) Netzwerk sein, das die Daten u_k als Eingangsdaten empfängt und darauf basierend den Fehler ${\Delta }_k^{-}$

bestimmt. Durch das Vorwärtsmodell könnte der Fehler ${\Delta }_k^{-}$

des Schwimmwinkels durch ein einfach zu implementierendes künstliches NN bestimmt werden. Im Vergleich zum Vorwärtsmodell könnte das LSTM Netzwerk den Fehler ${\Delta }_k^{-}$

genauer bestimmen, da das LSTM Netzwerk eine rekurrente Form aufweist und („Langzeit“-) Abhängigkeiten zu vorher bestimmten Fehlern (z.B. ${\Delta }_{k-1}^{-})$

von Schwimmwinkeln einbeziehen kann. 3 bezieht sich auf ein Vorwärtsmodell oder LSTM Netzwerk, das z.B. durch überwachtes Lernen trainiert wurde, und die Eingangsdaten u_k aufnehmen und die Zielwerte ${\beta }_k-{\beta }_k^{-}$

ausgeben kann. 3 12 shows a flow chart for determining 306 the error of the estimated slip angle according to an example. Determining 306 the error may be similar to determining error 106 described in connection with 1 or 2 has been described, take place. For example, the trained NN can be a forward model or a Long Short-Term Memory (LSTM) network that receives the data u _k as input data and calculates the error based on that ${\Delta }_k^{-}$

definitely. Through the forward model, the error could ${\Delta }_k^{-}$

of the sideslip angle can be determined by an easy-to-implement artificial NN. Compared to the forward model, the LSTM network might have the error ${\Delta }_k^{-}$

more precisely, since the LSTM network has a recurrent form and ("long-term") dependencies on previously determined errors (e.g ${\Delta }_{k-1}^{-})$

of swimming angles can include. 3 refers to a forward model or LSTM network, trained eg by supervised learning, taking the input data u _k and the target values ${\beta }_k-{\beta }_k^{-}$

can spend.

4 zeigt ein Flussdiagramm zum Bestimmen 406 des Fehlers des geschätzten Schwimmwinkels gemäß einem weiteren Beispiel. Das Bestimmen 406 des Fehlers kann ähnlich wie das Bestimmen des Fehlers 106, 306, das in Verbindung mit den 1 bis 3 beschrieben wurde, erfolgen. Das Bestimmen des Fehlers 406 kann zusätzlich durch eine Rückkopplung des Fehlers zum Eingang des trainierten neuronalen Netzwerks erfolgen. Zum Beispiel kann das trainierte NN ein nichtlineares autoregressives Netzwerk mit externen Eingängen (engl. nonlinear autoregressive network with exogenous inputs, NARX) sein. Das NARX Netzwerk kann zusätzlich zu den Daten u_k die Fehler ${\Delta }_k^{-}$

als Eingangsdaten empfangen. Das NARX Netzwerk könnte zum Beispiel den Fehler ${\Delta }_k^{-}$

in einen nächsten Iterationsschritt (k+1) als Eingangsdaten erneut verwenden, um den Fehler ${\Delta }_{k+1}^{-}$

im nächsten Iterationsschritt genauer bestimmen zu können. 4 bezieht sich auf ein NARX Netzwerk, das z.B. durch überwachtes Lernen trainiert wurde, und die Eingangsdaten u_k und ${\Delta }_k^{-}$

aufnehmen und die Zielwerte ${\beta }_k-{\beta }_k^{-}$

ausgeben kann. 4 FIG. 4 shows a flow chart for determining 406 the error of the estimated slip angle according to another example. Determining 406 the error may be similar to determining the error 106, 306 described in connection with the 1 until 3 has been described, take place. The error 406 can also be determined by feeding back the error to the input of the trained neural network. For example, the trained NN can be a nonlinear autoregressive network with exogenous inputs (NARX). The NARX network can in addition to the data u _k the errors ${\Delta }_k^{-}$

received as input data. For example, the NARX network could be the bug ${\Delta }_k^{-}$

in a next iteration step (k+1) as input data again to eliminate the error ${\Delta }_{k+1}^{-}$

can be determined more precisely in the next iteration step. 4 refers to a NARX network, which was trained eg by supervised learning, and the input data u _k and ${\Delta }_k^{-}$

record and the target values ${\beta }_k-{\beta }_k^{-}$

can spend.

Optional kann das Bestimmen des Fehlers des geschätzten Schwimmwinkels unter Verwendung von weiteren Größen des Fahrzeugs, die sich zur Bestimmung des Fehlers des Schwimmwinkels eignen, erfolgen.Optionally, the error in the estimated side slip angle can be determined using other variables of the vehicle that are suitable for determining the error in the side slip angle.

Zum Beispiel umfasst das Verfahren zum Bestimmen des Schwimmwinkels ferner ein Bestimmen eines Nickwinkels θ des Fahrzeugs mittels des trainierten neuronalen Netzwerks basierend auf den Daten u_k. Alternativ oder zusätzlich könnte das Verfahren zum Bestimmen des Schwimmwinkels ferner ein Bestimmen eines Rollwinkels <p des Fahrzeugs mittels des trainierten neuronalen Netzwerks basierend auf den Daten u_k umfassen. Allgemein kann die Bestimmung des Nickwinkels und/oder des Rollwinkels mit konventionellen Methoden aufwändig, kostspielig oder nicht ausreichend genau sein. Das trainierte NN könnte den Nickwinkel und/oder den Rollwinkel einfacher und genauer bestimmen. Ferner könnte durch die Bestimmung des Nickwinkels und/oder Rollwinkels der Fehler des geschätzten Schwimmwinkels genauer bestimmt werden.For example, the method for determining the sideslip angle further includes determining a pitch angle θ of the vehicle using the trained neural network based on the data u _k . Alternatively or additionally, the method for determining the sideslip angle could also include determining a roll angle φ of the vehicle using the trained neural network based on the data u _k . In general, determining the pitch angle and/or the roll angle using conventional methods can be complex, expensive or not sufficiently accurate. The trained NN could more easily and accurately determine the pitch angle and/or the roll angle. Furthermore, the error in the estimated sideslip angle could be determined more precisely by determining the pitch angle and/or roll angle.

5 zeigt ein Flussdiagramm zum Bestimmen 506 des Fehlers des geschätzten Schwimmwinkels gemäß einem weiteren Beispiel. Das Bestimmen 506 des Fehlers kann ähnlich wie das Bestimmen des Fehlers, das in Verbindung mit 1-4 beschrieben wurde, erfolgen. Das Bestimmen des Fehlers 506 kann durch eine Rückkopplung des Nickwinkels ${\theta }_k^{-}$

zum Eingang des trainierten neuronalen Netzwerks erfolgen. Alternativ oder optional kann das Bestimmen des Fehlers 506 durch eine Rückkopplung des Rollwinkels ${\phi }_k^{-}$

zum Eingang des trainierten neuronalen Netzwerks erfolgen. Ähnlich wie in Verbindung mit 4 beschrieben, kann das trainierte NN z.B. ein NARX Netzwerk sein. Das in 5 gezeigte NARX Netzwerk kann optional zu den Daten u_k und die rückgekoppelten Fehler ${\Delta }_k^{-}$

zusätzlich den Fahrzeugnickwinkel ${\theta }_k^{-}$

und/oder den Fahrzeugrollwinkel ${\phi }_k^{-}$

als Eingangsdaten empfangen. Das NARX Netzwerk könnte zum Beispiel den ausgegebenen Fahrzeugnickwinkel ${\theta }_k^{-}$

und/oder den ausgegebenen Fahrzeugrollwinkel ${\phi }_k^{-}$

in einen nächsten Iterationsschritt (k+1) als Eingangsdaten verwenden, um im nächsten Iterationsschritt den Schwimmwinkelfehler ${\Delta }_{k+1}^{-}$

optional den Fahrzeugnickwinkel ${\theta }_{k+1}^{-}$

und optional den Fahrzeugrollwinkel ${\phi }_{k+1}^{-}$

genauer bestimmen zu können. Im Vergleich zu herkömmlichen Methoden zur Bestimmung von Nick- und Rollwinkeln, könnten die mittels des trainierten NN ermittelten Fahrzeugnickwinkel ${\theta }_k^{-}$

und/oder Fahrzeugrollwinkel ${\phi }_k^{-}$

einen kleineren Fehler aufweisen und annähernd so groß sein wie die tatsächlichen (z.B. gemessenen) Winkel $\left({\phi }_k^{-},{\theta }_k^{-}\approx {\phi }_k,{\theta }_k\right)$

5 bezieht sich auf ein NARX Netzwerk, das z.B. durch überwachtes Lernen trainiert wurde, und die Eingangsdaten $u_k,{\Delta }_k^{-},{\phi }_k^{-},{\theta }_k^{-}$

aufnehmen und die Zielwerte ${\beta }_k,{\beta }_k^{-},{\phi }_k{\theta }_k$

ausgeben kann. 5 FIG. 5 shows a flow chart for determining 506 the error of the estimated slip angle according to another example. Determining 506 the error may be similar to determining the error described in connection with 1-4 has been described, take place. Determining the error 506 can be done through pitch angle feedback ${\theta }_k^{-}$

to the input of the trained neural network. Alternatively or optionally, the error 506 can be determined by feedback of the roll angle ${\phi }_k^{-}$

to the input of the trained neural network. Similar to in connection with 4 described, the trained NN can be a NARX network, for example. This in 5 NARX network shown can be optional to the data u _k and the feedback error ${\Delta }_k^{-}$

additionally the vehicle pitch angle ${\theta }_k^{-}$

and/or vehicle roll angle ${\phi }_k^{-}$

received as input data. For example, the NARX network could output vehicle pitch angle ${\theta }_k^{-}$

and/or the reported vehicle roll angle ${\phi }_k^{-}$

in a next iteration step (k+1) as input data in order to calculate the side slip angle error in the next iteration step ${\Delta }_{k+1}^{-}$

optionally the vehicle pitch angle ${\theta }_{k+1}^{-}$

and optionally the vehicle roll angle ${\phi }_{k+1}^{-}$

to be able to determine more precisely. Compared to conventional methods for determining pitch and roll angles, the vehicle pitch angles determined using the trained NN ${\theta }_k^{-}$

and/or vehicle roll angle ${\phi }_k^{-}$

have a smaller error and be approximately as large as the actual (e.g. measured) angles $\left({\phi }_k^{-},{\theta }_k^{-}\approx {\phi }_k,{\theta }_k\right)$

5 refers to a NARX network trained eg by supervised learning and the input data ${\mathrm{and}}_k,{\Delta }_k^{-},{\phi }_k^{-},{\theta }_k^{-}$

record and the target values ${\beta }_k,{\beta }_k^{-},{\phi }_k{\theta }_k$

can spend.

NARX Netzwerke oder andere rekurrente Netzwerke könnten den Fehler des Schwimmwinkels mit einer höheren Genauigkeit bestimmen. Dies kann dadurch begründet sein, dass in manchen theoretischen Modellen die Schwimmwinkelbestimmung auf einer Differentialgleichung basiert, die sich auf eine rekurrente Form des Schwimmwinkels (und damit auch des Fehlers des Schwimmwinkels) bezieht. Dieser Aspekt könnte durch künstliche NN mit Rückkopplung besser beschrieben werden.NARX networks or other recurrent networks could determine the slip angle error with a higher accuracy. This may be due to the fact that in some theoretical models the determination of the sideslip angle is based on a differential equation that refers to a recurrent form of the sideslip angle (and thus also the error in the sideslip angle). This aspect could be better described by artificial NN with feedback.

Die in den 3 bis 5 gezeigten Fehler ${\Delta }_k^{-}$

beziehen sich auf eine Differenz zwischen dem tatsächlichen Schwimmwinkel β_k und dem geschätzten Schwimmwinkel ${\beta }_k^{-}$

$\left({\Delta }_k^{-}\approx {\beta }_k-{\beta }_k^{-}\right).$

Gemäß einem anderen Beispiel kann sich der Fehler ${\Delta }_k^{-}$

auf ein Verhältnis (z.B. ${\Delta }_k^{-}\approx {\beta }_k/{\beta }_k^{-}\text{ oder }{\beta }_k^{+}\approx {\beta }_k^{-}{\Delta }_k^{-}$

) zwischen dem tatsächlichen Schwimmwinkel β_k und dem geschätzten Schwimmwinkel ${\beta }_k^{-}$

beziehen. Allgemein ist der Fehler des geschätzten Schwimmwinkels nicht auf die genannten Beispiele von additiven und multiplikativen Fehlern beschränkt. Gemäß einem anderen Bespiel könnte der Fehler eine Kombination von den genannten Funktionen umfassen oder andere Funktionen aufweisen, um die Abweichung des geschätzten Schwimmwinkels von dem tatsächlichen Winkel geeignet zu beschreiben.The in the 3 until 5 shown error ${\Delta }_k^{-}$

relate to a difference between the actual side slip angle β _k and the estimated side slip angle ${\beta }_k^{-}$

$\left({\Delta }_k^{-}\approx {\beta }_k-{\beta }_k^{-}\right).$

According to another example, the error ${\Delta }_k^{-}$

on a relationship (e.g ${\Delta }_k^{-}\approx {\beta }_k/{\beta }_k^{-}\text{or}{\beta }_k^{+}\approx {\beta }_k^{-}{\Delta }_k^{-}$

) between the actual side slip angle β _k and the estimated side slip angle ${\beta }_k^{-}$

relate. In general, the error in the estimated sideslip angle is not limited to the examples of additive and multiplicative errors mentioned. According to another example, the error could be a combination of the above Functions include or have other functions to describe the deviation of the estimated side slip angle from the actual angle appropriate.

Weitere Einzelheiten und optionale Aspekte des Verfahrens 200 sind in Verbindung mit dem vorgeschlagenen Konzept oder einem oder mehreren der vorher oder im Folgenden beschriebenen Beispiele beschrieben.Further details and optional aspects of the method 200 are described in connection with the proposed concept or one or more examples described previously or below.

In den nachfolgenden Ausführungen wird weiter auf das Training eines künstlichen NN zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels Bezug genommen. Es ist zu verstehen, dass das trainierte NN, welches in Verbindung mit den 1 bis 5 beschrieben wurde, das nachfolgende NN sein kann, das gemäß dem vorgeschlagenen Verfahren zum Trainieren eines NN, trainiert wurde.In the following explanations, reference is also made to the training of an artificial NN to determine an error in an estimated side slip angle. It is to be understood that the trained NN, which is used in conjunction with the 1 until 5 has been described, which can be subsequent NN trained according to the proposed method for training a NN.

6 zeigt ein Flussdiagramm für ein Ausführungsbeispiel eines Verfahrens 600 zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs. Das Verfahren umfasst ein Empfangen 602 von Daten über einen Zustand des Fahrzeugs und ein Empfangen 604 von gelabelten Daten, die einen wahren Wert des Fehlers des geschätzten Schwimmwinkels umfassen. Ferner umfasst das Verfahren ein Trainieren 606 des künstlichen neuronalen Netzwerks basierend auf den Daten und den gelabelten Daten. 6 FIG. 6 shows a flow chart for an embodiment of a method 600 for training an artificial neural network for determining an error of an estimated sideslip angle of a vehicle. The method includes receiving 602 data about a condition of the vehicle and receiving 604 labeled data including a true value of the error of the estimated sideslip angle. Furthermore, the method includes training 606 the artificial neural network based on the data and the labeled data.

Das vorgeschlagene Verfahren 600 kann ein künstliches NN, welches einen Fehler des geschätzten Schwimmwinkels bestimmen kann, trainieren. Unter Verwendung der Daten und den gelabelten Daten kann das künstliche NN mit überwachtem Lernen trainiert werden. Während dem überwachten Lernen kann das künstliche NN lernbare Parameter (engl. weight, bias) anpassen. Dadurch kann das NN den Fehler des geschätzten Schwimmwinkels genauer bestimmen. Nach dem überwachten Lernen kann der Fehler des geschätzten Schwimmwinkels sich dem wahren Wert des Fehlers des geschätzten Schwimmwinkels weiter annähern.The proposed method 600 can train an artificial NN, which can determine an error in the estimated attitude angle. Using the data and the labeled data, the artificial NN can be trained with supervised learning. During supervised learning, the artificial NN can adjust learnable parameters (weight, bias). This enables the NN to determine the error in the estimated side slip angle more precisely. After the supervised learning, the estimated slip angle error may further approximate the true value of the estimated slip angle error.

Der Fehler des geschätzten Schwimmwinkels kann ein Fehler eines mittels eines theoretischen Modells geschätzten Schwimmwinkels sein. Weitere Ausführungen zum Fehler des geschätzten Schwimmwinkels und dem theoretischen Modell können sich auf die vorhergehenden Beispiele im Zusammenhang mit den 1 bis 5 beziehen.The error in the estimated side slip angle can be an error in a side slip angle estimated using a theoretical model. Further explanations on the error of the estimated side slip angle and the theoretical model can refer to the previous examples in connection with the 1 until 5 relate.

Der wahre Wert des Fehlers kann eine Differenz oder ein Verhältnis des mittels des theoretischen Modells geschätzten Schwimmwinkels und einem gemessen Schwimmwinkel sein. Der gemessene Schwimmwinkel kann der tatsächliche (wahre) Schwimmwinkel des Fahrzeugs sein. Die gelabelten Daten (oder Trainingsdaten) können den wahren Wert des Fehlers umfassen. Der wahre Wert des Fehlers basierend auf der Differenz zwischen dem geschätzten und dem tatsächlichen Schwimmwinkel kann einen Absolutwert angeben. Der wahre Wert des Fehlers basierend auf dem Verhältnis (z.B. Quotient) zwischen dem geschätzten und dem tatsächlichen Schwimmwinkel kann einen Relativwert angeben. Gegenüber dem Absolutwert könnte der Relativwert den Fehler des geschätzten Schwimmwinkels genauer angeben, wenn z.B. die Basisschätzung (basierend auf dem theoretischen Modell) für (nach dem Absolutbetrag) größere Schwimmwinkel ungenauer wird. Um bei der Erstellung der Trainingsdaten eine Division durch Null zu vermeiden, kann der multiplikative Korrekturterm zum Beispiel nur gelernt werden, wenn der Absolutbetrag des geschätzten Schwimmwinkels über einem bestimmten Schwellwert liegt.The true value of the error can be a difference or a ratio of the side slip angle estimated using the theoretical model and a measured side slip angle. The measured attitude angle can be the actual (true) attitude angle of the vehicle. The labeled data (or training data) may include the true value of the error. The true value of the error based on the difference between the estimated and actual sideslip angles may indicate an absolute value. The true value of the error based on the ratio (e.g. quotient) between the estimated and actual side slip angle can indicate a relative value. Compared to the absolute value, the relative value could indicate the error of the estimated sideslip angle more precisely if, for example, the base estimate (based on the theoretical model) becomes less precise for larger sideslip angles (according to the absolute value). In order to avoid dividing by zero when creating the training data, the multiplicative correction term can only be learned, for example, if the absolute value of the estimated sideslip angle is above a specific threshold value.

Weitere Einzelheiten und optionale Aspekte des Verfahrens 600 sind in Verbindung mit dem vorgeschlagenen Konzept oder einem oder mehreren der vorher oder im Folgenden beschriebenen Beispiele beschrieben.Further details and optional aspects of the method 600 are described in connection with the proposed concept or one or more examples described previously or below.

7 zeigt ein Flussdiagramm für ein Ausführungsbeispiel eines Verfahrens 700 zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs. Das Verfahren 700 umfasst ein Empfangen 702 von Daten über einen Zustand des Fahrzeugs und ein Bestimmen 704 des Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks. Zum Bespiel kann das trainierte neuronale Netzwerk ein Long Short-Term Memory Netzwerk oder ein nichtlineares autoregressives Netzwerk mit externen Eingängen sein. 7 FIG. 7 shows a flowchart for an exemplary embodiment of a method 700 for determining an error in an estimated side slip angle of a vehicle. The method 700 includes receiving 702 data about a state of the vehicle and determining 704 the error in the estimated sideslip angle using a trained neural network. For example, the trained neural network can be a long short-term memory network or a nonlinear autoregressive network with external inputs.

Das Verfahren 700 zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs kann zum Beispiel für Hybrid-Konzepte, welche Aspekte von theoretischen Modellen und KI-Modellen kombinieren (vgl. 1-2), verwendet werden. Das Verfahren 700 könnte verwendet werden, um die Genauigkeit von theoretischen Modellen quantitativ bewerten zu können.The method 700 for determining an error in an estimated sideslip angle of a vehicle can be used, for example, for hybrid concepts that combine aspects of theoretical models and AI models (cf. 1-2 ), be used. The method 700 could be used to quantitatively assess the accuracy of theoretical models.

Weitere Einzelheiten und optionale Aspekte des Verfahrens 700 sind in Verbindung mit dem vorgeschlagenen Konzept oder einem oder mehreren der vorher (z.B. 1-6) oder im Folgenden beschriebenen Beispiele beschrieben.Further details and optional aspects of the method 700 are described in connection with the proposed concept or one or more of the previous (e.g 1-6 ) or examples described below.

Die Aspekte und Merkmale, die zusammen mit einem oder mehreren der vorher detaillierten Beispiele und Figuren beschrieben sind, können auch mit einem oder mehreren der anderen Beispiele kombiniert werden, um ein gleiches Merkmal des anderen Beispiels zu ersetzen oder um das Merkmal in das andere Beispiel zusätzlich einzuführen.The aspects and features described together with one or more of the previously detailed examples and figures can also be combined with one or more of the other examples to replace a same feature of the other example or to add the feature to the other example to introduce

Aspekte, die im Zusammenhang mit einem Verfahren beschrieben wurden, sind auch als eine Beschreibung eines entsprechenden Blocks, eines entsprechenden Elements, einer Eigenschaft oder eines funktionalen Merkmals einer entsprechenden Vorrichtung oder eines entsprechenden Systems zu verstehen.Aspects described in the context of a method are also to be understood as a description of a corresponding block, element, property, or functional feature of a corresponding device or system.

Beispiele können weiterhin ein Computerprogramm mit einem Programmcode zum Ausführen eines oder mehrerer der obigen Verfahren sein oder sich darauf beziehen, wenn das Computerprogramm auf einem Computer oder Prozessor ausgeführt wird. Schritte, Operationen oder Prozesse von verschiedenen, oben beschriebenen Verfahren können durch programmierte Computer oder Prozessoren ausgeführt werden. Beispiele können auch Programmspeichervorrichtungen, z. B. Digitaldatenspeichermedien, abdecken, die maschinen-, prozessor- oder computerlesbar sind und maschinenausführbare, prozessorausführbare oder computerausführbare Programme von Anweisungen codieren. Die Anweisungen führen einige oder alle der Schritte der oben beschriebenen Verfahren aus oder verursachen deren Ausführung. Die Programmspeichervorrichtungen können z. B. Digitalspeicher, magnetische Speichermedien wie beispielsweise Magnetplatten und Magnetbänder, Festplattenlaufwerke oder optisch lesbare Digitaldatenspeichermedien umfassen oder sein. Weitere Beispiele können auch Computer, Prozessoren oder Steuereinheiten, die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind, oder (feld-)programmierbare Logik-Arrays ((F)PLAs = (Field) Programmable Logic Arrays) oder (feld-)programmierbare Gate-Arrays ((F)PGA = (Field) Programmable Gate Arrays), die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind, abdecken.Examples may further include or relate to a computer program having program code for performing one or more of the above methods when the computer program is executed on a computer or processor. Steps, operations, or processes of various methods described above may be performed by programmed computers or processors. Examples may also include program storage devices, e.g. digital data storage media that are machine, processor, or computer readable and that encode machine, processor, or computer executable programs of instructions. The instructions perform or cause performance of some or all of the steps of the methods described above. The program storage devices may e.g. B. include or be digital storage, magnetic storage media such as magnetic disks and magnetic tapes, hard drives or optically readable digital data storage media. Other examples may also include computers, processors, or controllers programmed to perform the steps of the methods described above, or (Field) Programmable Logic Arrays ((F)PLAs) or (Field) Programmable Gate Arrays ((F)PGA = (Field) Programmable Gate Arrays) programmed to perform the steps of the methods described above.

Ein Blockdiagramm kann zum Beispiel ein grobes Schaltdiagramm darstellen, das die Grundsätze der Offenbarung implementiert. Auf ähnliche Weise können ein Flussdiagramm, ein Ablaufdiagramm, ein Zustandsübergangsdiagramm, ein Pseudocode und dergleichen verschiedene Prozesse, Operationen oder Schritte repräsentieren, die zum Beispiel im Wesentlichen in computerlesbarem Medium dargestellt und so durch einen Computer oder Prozessor ausgeführt werden, ungeachtet dessen, ob ein solcher Computer oder Prozessor explizit gezeigt ist. In der Beschreibung oder in den Patentansprüchen offenbarte Verfahren können durch ein Bauelement implementiert werden, das ein Mittel zum Ausführen eines jeden der jeweiligen Schritte dieser Verfahren aufweist.For example, a block diagram may represent a high level circuit diagram that implements the principles of the disclosure. Similarly, a flowchart, flowchart, state transition diagram, pseudocode, and the like may represent various processes, operations, or steps, embodied, for example, substantially on a computer-readable medium and so executed by a computer or processor, whether or not one Computer or processor is explicitly shown. Methods disclosed in the specification or claims may be implemented by a device having means for performing each of the respective steps of those methods.

Es versteht sich, dass die Offenbarung mehrerer, in der Beschreibung oder den Ansprüchen offenbarter Schritte, Prozesse, Operationen oder Funktionen nicht als in der bestimmten Reihenfolge befindlich ausgelegt werden soll, sofern dies nicht explizit oder implizit anderweitig, z. B. aus technischen Gründen, angegeben ist. Daher werden diese durch die Offenbarung von mehreren Schritten oder Funktionen nicht auf eine bestimmte Reihenfolge begrenzt, es sei denn, dass diese Schritte oder Funktionen aus technischen Gründen nicht austauschbar sind. Ferner kann bei einigen Beispielen ein einzelner Schritt, Funktion, Prozess oder Operation mehrere Teilschritte, -funktionen, -prozesse oder -operationen einschließen und/oder in dieselben aufgebrochen werden. Solche Teilschritte können eingeschlossen sein und Teil der Offenbarung dieses Einzelschritts sein, sofern sie nicht explizit ausgeschlossen sind.It should be understood that the disclosure of a plurality of steps, processes, operations or functions disclosed in the specification or claims should not be construed as being in the particular order unless otherwise expressly or implicitly stated, e.g. B. for technical reasons. Therefore, the disclosure of multiple steps or functions is not limited to a specific order, unless those steps or functions are not interchangeable for technical reasons. Further, in some examples, a single step, function, process, or operation may include and/or be broken into multiple sub-steps, functions, processes, or operations. Such sub-steps may be included and form part of the disclosure of that sub-step unless explicitly excluded.

Die folgenden Ansprüche werden hiermit in die detaillierte Beschreibung aufgenommen, wobei jeder Anspruch als getrenntes Beispiel für sich stehen kann. Ferner ist zu beachten, dass - obwohl ein abhängiger Anspruch sich in den Ansprüchen auf eine bestimmte Kombination mit einem oder mehreren anderen Ansprüchen bezieht - andere Beispiele auch eine Kombination des abhängigen Anspruchs mit dem Gegenstand jedes anderen abhängigen oder unabhängigen Anspruchs umfassen können. Solche Kombinationen werden hiermit explizit vorgeschlagen, sofern nicht im Einzelfall angegeben ist, dass eine bestimmte Kombination nicht beabsichtigt ist. Ferner sollen auch Merkmale eines Anspruchs für jeden anderen unabhängigen Anspruch eingeschlossen sein, selbst wenn dieser Anspruch nicht direkt als abhängig von diesem anderen unabhängigen Anspruch definiert ist.The following claims are hereby incorporated into the Detailed Description, with each claim being able to stand on its own as a separate example. It should also be noted that although a dependent claim in the claims refers to a specific combination with one or more other claims, other examples may also include a combination of the dependent claim with the subject-matter of any other dependent or independent claim. Such combinations are hereby explicitly proposed, unless it is stated in individual cases that a specific combination is not intended. Furthermore, features of a claim are also intended to be included for any other independent claim, even if that claim is not directly defined as dependent on that other independent claim.

BezugszeichenlisteReference List

100100

Verfahren zum Bestimmen eines Schwimmwinkels eines FahrzeugsMethod for determining a sideslip angle of a vehicle

102102

Empfangen von Datenreceiving data

104104

Bestimmen eines geschätzten SchwimmwinkelsDetermining an estimated sideslip angle

106, 306, 406, 506106, 306, 406, 506

Bestimmen eines Fehlers des geschätzten Schwimmwinkelsdetermining an error in the estimated slip angle

108108

Bestimmen des SchwimmwinkelsDetermining the sideslip angle

600600

Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels eines FahrzeugsMethod for training an artificial neural network for determining an error in an estimated side slip angle of a vehicle

602602

Empfangen von Datenreceiving data

604604

Empfangen von gelabelten DatenReceiving labeled data

606606

Trainieren des künstlichen neuronalen NetzwerksTraining the artificial neural network

700700

Verfahren zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines FahrzeugsMethod for determining an error in an estimated side slip angle of a vehicle

702702

Empfangen von Datenreceiving data

704704

Bestimmen des Fehlers des geschätzten SchwimmwinkelsDetermining the error in the estimated side slip angle

Claims (15)

Ein Verfahren (100) zum Bestimmen eines Schwimmwinkels eines Fahrzeugs, umfassend: Empfangen (102) von Daten über einen Zustand des Fahrzeugs; Bestimmen (104) eines geschätzten Schwimmwinkels des Fahrzeugs unter Verwendung eines theoretischen Modells zur Schätzung des Schwimmwinkels basierend auf den Daten; Bestimmen (106) eines Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks; und Bestimmen (108) des Schwimmwinkels basierend auf dem geschätzten Schwimmwinkel und dem Fehler des geschätzten Schwimmwinkels.A method (100) for determining an attitude angle of a vehicle, comprising: receiving (102) data about a condition of the vehicle; determining (104) an estimated attitude angle of the vehicle using a theoretical attitude angle estimation model based on the data; determining (106) an error in the estimated attitude angle using a trained neural network; and determining (108) the attitude angle based on the estimated attitude angle and the error of the estimated attitude angle. Das Verfahren (100) nach Anspruch 1, wobei die Daten ferner Eingangsdaten des trainierten neuronalen Netzwerks sind.The method (100) after claim 1 , wherein the data is also input data of the trained neural network. Das Verfahren (100) nach Anspruch 1 oder 2, wobei das Bestimmen (106) des Fehlers durch eine Rückkopplung des Fehlers zum Eingang des trainierten neuronalen Netzwerks erfolgt.The method (100) after claim 1 or 2 , wherein the error is determined (106) by feedback of the error to the input of the trained neural network. Das Verfahren (100) nach einem der vorhergehenden Ansprüche, ferner umfassend: Bestimmen eines Nickwinkels des Fahrzeugs mittels des trainierten neuronalen Netzwerks basierend auf den Daten.The method (100) of any preceding claim, further comprising: determining a pitch angle of the vehicle using the trained neural network based on the data. Das Verfahren (100) nach Anspruch 4, wobei das Bestimmen (106) des Fehlers durch eine Rückkopplung des Nickwinkels zum Eingang des trainierten neuronalen Netzwerks erfolgt.The method (100) after claim 4 , wherein the error is determined (106) by feedback of the pitch angle to the input of the trained neural network. Das Verfahren (100) nach einem der vorhergehenden Ansprüche, ferner umfassend: Bestimmen eines Rollwinkels des Fahrzeugs mittels des trainierten neuronalen Netzwerks basierend auf den Daten.The method (100) of any preceding claim, further comprising: determining a roll angle of the vehicle using the trained neural network based on the data. Das Verfahren (100) nach Anspruch 6, wobei das Bestimmen (106) des Fehlers durch eine Rückkopplung des Rollwinkels zum Eingang des trainierten neuronalen Netzwerks erfolgt.The method (100) after claim 6 , wherein the error is determined (106) by feedback of the roll angle to the input of the trained neural network. Das Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei das theoretische Modell auf einem kinematischen oder dynamischen Fahrzeugmodell oder auf einem Kalman-Filter basiert.The method (100) according to any one of the preceding claims, wherein the theoretical model is based on a kinematic or dynamic vehicle model or on a Kalman filter. Das Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei das trainierte neuronale Netzwerk ein Long Short-Term Memory Netzwerk oder ein nichtlineares autoregressives Netzwerk mit externen Eingängen ist.The method (100) of any preceding claim, wherein the trained neural network is a long short-term memory network or a nonlinear autoregressive network with external inputs. Das Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei die Daten zumindest Informationen über den Lenkwinkel, die Gierrate, die Fahrzeuglängsgeschwindigkeit, die Längsbeschleunigung oder die Querbeschleunigung des Fahrzeugs umfassen.The method (100) according to any one of the preceding claims, wherein the data comprises at least information about the steering angle, the yaw rate, the vehicle longitudinal speed, the longitudinal acceleration or the lateral acceleration of the vehicle. Ein Verfahren (600) zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs, umfassend: Empfangen (602) von Daten über einen Zustand des Fahrzeugs; Empfangen (604) von gelabelten Daten, die einen wahren Wert des Fehlers des geschätzten Schwimmwinkels umfassen; und Trainieren (606) des künstlichen neuronalen Netzwerks basierend auf den Daten und den gelabelten Daten.A method (600) for training an artificial neural network to determine an error in an estimated attitude angle of a vehicle, comprising: receiving (602) data about a condition of the vehicle; receiving (604) labeled data comprising a true value of the estimated slip angle error; and Training (606) the artificial neural network based on the data and the labeled data. Das Verfahren (600) nach Anspruch 11, wobei der Fehler des geschätzten Schwimmwinkels ein Fehler eines mittels eines theoretischen Modells geschätzten Schwimmwinkels ist.The method (600) after claim 11 , wherein the error in the estimated side slip angle is an error in a side slip angle estimated by means of a theoretical model. Das Verfahren (600) nach Anspruch 12, wobei der wahre Wert des Fehlers eine Differenz oder ein Verhältnis des mittels des theoretischen Modells geschätzten Schwimmwinkels und einem gemessen Schwimmwinkel ist.The method (600) after claim 12 , where the true value of the error is a difference or a ratio of the side slip angle estimated by means of the theoretical model and a measured side slip angle. Ein Verfahren (700) zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels eines Fahrzeugs, umfassend: Empfangen (702) von Daten über einen Zustand des Fahrzeugs; und Bestimmen (704) des Fehlers des geschätzten Schwimmwinkels mittels eines trainierten neuronalen Netzwerks.A method (700) for determining an error in an estimated side slip angle of a vehicle, comprising: receiving (702) data about a condition of the vehicle; and determining (704) the error in the estimated attitude angle using a trained neural network. Das Verfahren (700) nach 14, wobei das trainierte neuronale Netzwerk ein Long Short-Term Memory Netzwerk oder ein nichtlineares autoregressives Netzwerk mit externen Eingängen ist.The method (700) of 14, wherein the trained neural network is a long short-term memory network or a nonlinear autoregressive network with external inputs.

Images