DE19527323A1 - Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug - Google Patents
Schaltungsanordnung zum Steuern einer Einrichtung in einem KraftfahrzeugInfo
- Publication number
- DE19527323A1 DE19527323A1 DE19527323A DE19527323A DE19527323A1 DE 19527323 A1 DE19527323 A1 DE 19527323A1 DE 19527323 A DE19527323 A DE 19527323A DE 19527323 A DE19527323 A DE 19527323A DE 19527323 A1 DE19527323 A1 DE 19527323A1
- Authority
- DE
- Germany
- Prior art keywords
- fuzzy
- fuzzy system
- neural network
- circuit arrangement
- motor 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.)
- Ceased
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/0195—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the regulation being combined with other vehicle control systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/174—Using electrical or electronic regulation means to control braking characterised by using special control logic, e.g. fuzzy logic, neural computing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
-
- 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
- G05B13/0285—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 and fuzzy logic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
- B60G2600/18—Automatic control means
- B60G2600/187—Digital Controller Details and Signal Treatment
- B60G2600/1878—Neural Networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
- B60G2600/18—Automatic control means
- B60G2600/187—Digital Controller Details and Signal Treatment
- B60G2600/1879—Fuzzy Logic Control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2220/00—Monitoring, detecting driver behaviour; Signalling thereof; Counteracting thereof
- B60T2220/02—Driver type; Driving style; Driver adaptive features
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0014—Adaptive controllers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0057—Frequency analysis, spectral techniques or transforms
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0081—Fuzzy logic
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0084—Neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0087—Adaptive control, e.g. the control parameters adapted by learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/02—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used
- F16H61/0202—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric
- F16H61/0204—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal
- F16H61/0213—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal characterised by the method for generating shift signals
- F16H2061/0223—Generating of new shift maps, i.e. methods for determining shift points for a schedule by taking into account driveline and vehicle conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/02—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used
- F16H61/0202—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric
- F16H61/0204—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal
- F16H61/0213—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal characterised by the method for generating shift signals
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Feedback Control In General (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Description
Die Erfindung betrifft eine Schaltungsanordnung nach dem Oberbegriff von Anspruch 1.
In der Kraftfahrzeugtechnik nehmen neuerdings adaptive Systemkomponenten in den
Bereichen Fahrwerks- und Sicherheitstechnik sowie Antriebsmanagement an Bedeutung
zu. Die Einstellung bestimmter Einrichtungen oder Systeme im Fahrzeug - wie z. B. Au
tomatikgetriebe, aktive Dämpfung und Niveauregulierung, oder Lenkkraftverstärkung -
soll dabei an die jeweilige Fahrsituation angepaßt werden.
Ein bekanntes Steuersystem zum Schalten eines automatischen Getriebes unter Ver
wendung von Fuzzy-Logik-Methoden berücksichtigt bei der Auslegung von Schaltstrate
gien die Fahrleistung, den Verbrauch und den Aufwand und reagiert auch auf die Fahr
weise und den Fahrzustand (WO 93/23689). Es benötigt dazu eine größere Anzahl un
terschiedlicher Regelsätze von Fuzzy-Produktionsregeln, die das Wissen eines mensch
lichen Experten wiedergeben und die somit alle von dem Entwickler des Steuersystems
vorgegeben werden müssen. Dazu ist ein erheblicher Arbeitsaufwand erforderlich. Au
ßerdem ist das menschliche Expertenwissen auch hier mit Unsicherheiten behaftet.
Der Erfindung liegt die Aufgabe zugrunde, ein System zur Erkennung der jeweils aktuel
len Fahrsituation eines Kraftfahrzeugs zu schaffen, das in der Lage ist, maschinell zu
lernen und damit auch nichtlineare Steuervorschriften selbsttätig zu erarbeiten und zu
verbessern.
Diese Aufgabe wird erfindungsgemäß durch eine Schaltungsanordnung nach Anspruch
1 gelöst. Zweckmäßige Weiterbildungen der Erfindung sind in den Unteransprüchen nie
dergelegt.
Ein Vorteil der Erfindung ist, daß sie ein System zur Erkennung der aktuellen Fahrsitua
tion in einem Kraftfahrzeug zur Verfügung stellt. Das Klassifikationssystem liefert anhand
verschiedener, im Kraftfahrzeug laufend gemessener Sensordaten, Aussagen über den
aktuellen Fahrzustand in Bezug auf Fahrdynamik, Fahrmanöver und Fahrerverhalten.
Diese Informationen ermöglichen eine intelligente, zeitlich adaptive, fahrsituationsab
hängige Steuerung verschiedener Systeme im Kraftfahrzeug. Der zunehmende Einsatz
solcher adaptiven Komponenten in den Bereichen Fahrwerks- und Antriebssysteme
zeichnet sich schon derzeit ab und wird eine noch größere Bedeutung in zukünftigen
Fahrzeuggenerationen erhalten, da sich damit eine Erhöhung von Fahrsicherheit, -öko
nomie und -komfort erzielen läßt.
Weitere Beispiele für adaptive Fahrzeugsysteme, für die eine fahrsituationsabhängige
Steuerung vorteilhafterweise angewendet werden kann, sind Allradlenkungen, Hybrid
antriebe, sog. intelligente Geschwindigkeitsregelanlagen und Antischlupfregelungen.
Ausführungsbeispiele der Erfindung werden im folgenden anhand der Zeichnung erläu
tert. Es zeigen:
Fig. 1 eine Schaltungsanordnung gemäß der Erfindung im Überblick,
Fig. 2 eine zur Erläuterung einer in der Schaltungsanordnung nach Fig. 1 durchge
führten Fusion von Sensorsignalen dienende räumliche Darstellung eines Kraft
fahrzeugs,
Fig. 3 eine Darstellung von bei der Verarbeitung von Sensorsignalen verwendeter
Zeitfenster,
Fig. 4 Eingangszugehörigkeitsfunktionen eines Fuzzy-Systems in Fig. 1,
Fig. 5 Ausgangszugehörigkeitsfunktionen des Fuzzy-Systems in Fig. 1,
Fig. 6 eine in der Schaltungsanordnung nach Fig. 1 verwendete Fuzzy-Regelbasis,
Fig. 7 eine grafische Darstellung einer in Fig. 1 durchgeführten Fuzzifizierung,
Fig. 8 ein Regelneuron eines neuronalen Netzes in Fig. 1, und
Fig. 9 eine Darstellung einer Fuzzy-Neuro-Topologie der Schaltungsanordnung von
Fig. 1.
Eine Schaltungsanordnung 1 (im folgenden auch als Steuerung 1 bezeichnet) dient zum
Steuern einer der genannten Einrichtungen oder Aggregate in einem Kraftfahrzeug 2
(Fig. 1). Sie empfängt über in der Zeichnung nur angedeutete Signalleitungen 3 Sen
sordaten, die in dem Kraftfahrzeug 2 erfaßt werden. Die Sensordaten können direkt von
verschiedenen Sensoren oder indirekt - z. B. nach einer Verarbeitung in einem ABS-Ge
rät - übermittelt werden. Die Schaltungsanordnung 1 kann gedanklich in zwei Teilsy
steme A und B gegliedert werden, wie in Fig. 1 durch eine gestrichelte Trennlinie 4 an
gedeutet ist. Diese Teilsysteme oder Verarbeitungsblöcke A und B arbeiten im wesentli
chen unabhängig voneinander und werden durch einen Kernbaustein 6 - auch als
"Integriertes Neuro-Fuzzy-System" bezeichnet - miteinander gekoppelt. Die Ausgangssi
gnale des Verarbeitungsblockes A gelangen als Stell- oder Steuersignale zu einer zu
steuernden Einrichtung 5 (zum Beispiel zu einem automatischen Getriebe). Der Block A
weist folgende Komponenten auf: einen Signalspeicher 8, einen Vorverarbeitungsbau
stein oder -schaltung 9 und ein Fuzzy-System 10.
Die Wirkungsweise der Schaltungsanordnung 1 basiert auf der Verbindung des Kon
zepts einer Klassifikation mit einem Fuzzy-System mit dem Konzept eines neuronalen
Netzes in einem Neuro-Fuzzy-Gesamtsystem. Ein solches Neuro-Fuzzy-Erkennungs-
oder Klassifikationsverfahren gestattet beim Entwurf und der Entwicklung von Steuerung
die gemeinsame Nutzung der Eigenschaften von Fuzzy-Systemen und von neuronalen
Netzen in einem integrierten System. Zum einen kann damit vorhandenes Expertenwis
sen mit Hilfe linguistisch formulierter WENN-DANN-Regeln (in einer Fuzzy-Regelbasis)
und gewichtender Zugehörigkeitsfunktionen verarbeitet werden. Zum anderen kann die
Fähigkeit eines neuronalen Netzes genutzt werden, nichtlineare Zusammenhänge an
hand der verfügbaren, aufgenommenen Sensordaten zu erlernen. Die Kombination von
Expertenwissen und Prozeßdaten gestattet es, ein vollständiges Bild der Zusammen
hänge zu erstellen.
Als Eingangsgrößen für die Schaltungsanordnung 1 werden bis zu zwölf verschiedene
Sensorinformationen benutzt, die fortlaufend im Fahrzeug gemessen und im Signalspei
cher 8 abgelegt werden. Die Sensoren selbst sind nicht dargestellt, da sie allgemein be
kannt sind. Wichtige Sensorsignale sind z. B. die momentane Geschwindigkeit, die Stel
lung der Drosselklappe, der eingelegte Gang, die Querbeschleunigung und die Motor
drehzahl des Kraftfahrzeugs 2. Diese sog. primären Sensorsignale werden nach einer
Vorverarbeitung und einer teilweisen Fusion in der Schaltung 9 dem Fuzzy-System 10
zugeführt, das anhand der momentanen Eingangsdaten die aktuelle Situation einschätzt
oder klassifiziert, d. h. z. B. in eine der folgenden Kategorien einordnet: "Stop", "Stadtver
kehr", "Landstraße (gerade, kurvig, bergig, . . . )", "Autobahn" usw.
Der vollständige Funktionsablauf wird nun anhand des Datenflusses erläutert. Im Kraft
fahrzeug 2 werden verschiedene Sensor- und Steuersignale, wie z. B. über die momen
tane Geschwindigkeit, die Stellung der Drosselklappe, den eingelegten Gang, die Quer
beschleunigung oder die Motordrehzahl, während der Fahrt kontinuierlich aufgezeichnet
und in dem Signalspeicher 8 abgelegt. Diese Sensorsignale werden anschließend dem
Vorverarbeitungsbaustein 9 zugeführt. Hier erfolgt neben einer Vorfilterung und Glättung
der Sensorsignale eine Verarbeitung unter Berücksichtigung der zeitlichen Historie der
Signale. Außerdem wird eine zeitliche Datenkompression und, durch eine Zusammen
fassung oder Fusion verschiedener Sensorsignale, eine Dimensionsreduktion durchge
führt. Durch geeignete Fusion verschiedener Sensorinformationen werden hier z. B. acht
Sensorsignale zu vier verschiedenen Fusionssignalen verknüpft. Durch diese Vorverar
beitung erreicht man damit einerseits eine Herabsetzung der Abtastrate und andererseits
eine Reduzierung der Dimensionalität des Klassifikationsproblems.
Die vorverarbeiteten Sensorsignale werden anschließend dem Fuzzy-System 10 - im
folgenden auch als Fuzzy-Klassifikationssystem bezeichnet - zugeführt, das anhand der
momentanen Eingangsdaten die aktuelle Fahrsituation einschätzt, d. h. klassifiziert. In
dem beschriebenen Ausführungsbeispiel erfolgt eine Klassifizierung in fünf verschiedene
Fahrsituationsklassen. Da der Block (A) für sich das eigentliche Erkennungssystem bil
det, welches im Kraftfahrzeug 2 im Online-Betrieb zum Klassifizieren der Fahrsituation
eingesetzt wird, entspricht der beschriebene Datenfluß deshalb auch exakt dem Ablauf
der Verarbeitung im Fahrzeug während der Fahrt.
Das Teilsystem B dient zur Generierung und Optimierung des Fuzzy-Klassifikationssy
stems im Offline-Betrieb durch Einsatz eines neuronalen Netzes 12. Dieses Teilsystem
kommt nur während der Entwurfs- und Entwicklungsphase der erfindungsgemäßen
Schaltungsanordnung zum Einsatz und ist danach nicht Bestandteil des Online-Erken
nungssystems im Fahrzeug 2. Das Teilsystem B besteht aus einer Datenbank 13 mit Vi
deoaufzeichnungen von Meßfahrten, einem Referenzdatenspeicher 14 und dem neuro
nalen Netz 12, das vorliegend als Simulationsrechner realisiert ist. Die Kopplung beider
Teilsysteme A und B erfolgt durch das integrierte Neuro-Fuzzy-System 6.
Die Signale am Ausgang des neuronalen Netzes werden über eine Datenleitung 16 mit
negativem Vorzeichen auf ein Addierglied 17 rückgekoppelt und in diesem von den auf
einer Datenleitung 18 eintreffenden Ausgangssignalen des Referenzdatenspeichers 14
subtrahiert. Die Differenz wird einem Eingang des neuronalen Netzes 12 zugeführt. Ent
sprechend der hier gewählten fünf Fahrsituationsklassen sind die Datenleitungen 16 und
18 als Fünffachleitungen ausgebildet. Die von dem Vorverarbeitungsbaustein 9 geliefer
ten Sensordaten gelangen über ein (Vierfach-)Datenleitung 19 auf einen zweiten Ein
gang des neuronalen Netzes 12.
Die Arbeitsweise und das Zusammenspiel der beiden Verarbeitungsblöcke A und B läßt
sich anhand der Entwicklungsphase wie folgt beschreiben. Die Basis für die Schaltungs
anordnung 1 wird von einem Fuzzy-Klassifikationssystem gebildet, das in einem ersten
Schritt der Entwicklungsphase mit Hilfe von vorhandenen Informationen und existieren
dem Expertenwissen aufgestellt wird. Das Fuzzy-System 10 wird im ersten Schritt mit ei
ner die für die Klassifikationsaufgabe erforderlichen Struktur versehen, wie z. B. Anzahl
der Eingangs- und Ausgangsvariablen, Anzahl der Zugehörigkeitsfunktionen und einer
initialen Regelbasis. Das Fuzzy-System führt später die eigentliche Fahrsituationsklassi
fikation im Online-Betrieb im Fahrzeug 2 durch. Im einem zweiten Schritt wird das initiale
Fuzzy-System in dem Integriertes Neuro-Fuzzy-System 6 vollständig und ohne jeglichen
Verlust von Information in die Struktur eines neuronalen Netzes konvertiert. Dadurch
steht im Verarbeitungsblock B ein neuronales Netz 12 zur Verfügung, welches dasselbe
Klassifikationssystem repräsentiert, wie das Fuzzy-System und das identische Eingangs-
und Ausgangsverhalten aufweist. Diese Fuzzy-Neuro-Transformation realisiert die Über
setzung von der Repräsentation des Erkennungssystems innerhalb der Fuzzy-Domäne
in die Neuro-Domäne. Dabei handelt es sich um eine korrespondenzerhaltende bidirek
tionale Transformation, d. h. die Topologie des neuronalen Netzes kann zu jedem Zeit
punkt wieder in die Repräsentation als Fuzzy-System überführt werden.
Im Teilsystem B wird nun anschließend mit Hilfe des neuronalen 12 Netzes ein in dem
Fuzzy-System 10 enthaltener Fahrsituationsklassifikator trainiert und damit eine datenge
triebene Optimierung des Erkennungssystems durchgeführt. Dabei werden unterschied
liche Komponenten des Fuzzy-Klassifikators verändert, verworfen oder neu generiert.
Das Training des neuronalen Netzes 12 wird im Offline-Modus mit Trainingsdaten durch
geführt, die aus einem geeigneten Satz von Eingangsdaten und Ausgangsdaten des
Klassifikators bestehen. Als Eingangsdaten dienen die aufgezeichneten vorverarbeiteten
Sensordaten aus dem Fahrzeug 2, aus denen der Klassifikator die aktuelle Fahrsituation
bestimmt. Das Klassifikationsergebnis am Netzausgang (Klassifikatorausgangsvektor)
wird im Lernvorgang verglichen mit dem idealen Referenzausgangsvektor. Mit Hilfe eines
Fehlers e, der sich aus der Differenz von Klassifikatorausgangsvektors und Referenzaus
gangsvektors ergibt, wird das neuronale Netz nach dem bekannten Backpropagation-
Algorithmus trainiert (siehe zum Beispiel S Y. KUNG, Digital Neural Networks, Prentice
Hall, Englewood Cliffs, New Jersey, 1993, Seiten 24-40, insbesondere S. 39 und
R. ROJAS, Theorie der neuronalen Netze, Springer-Verlag Berlin Heidelberg, 1993, S.
149-172).
Ein hierbei durchgeführtes überwachtes ("supervised") Training des Klassifikators erfor
dert die Bereitstellung eines Referenzdatensatzes, der in Korrespondenz zu den wäh
rend einer Fahrt mit dem Kraftfahrzeug 2 aufgenommen Sensorsignalen zu jedem Zeit
punkt die tatsächliche aktuelle Fahrsituationsklasse angibt. Dazu wird bei verschiedenen
Meßfahrten parallel zur Messung und Speicherung der Sensordaten zusätzlich der
Fahrtverlauf mit einer Videokamera, die frontal an dem Kraftfahrzeug angebracht ist,
aufgezeichnet. Die Videoaufzeichnung wird zum Beispiel von einem Systementwickler
ausgewertet und - abhängig von der gewünschten Anzahl der Klassen - wird dann der
zeitliche Verlauf der Fahrsituationsklassen aufgestellt und als Referenzdatensatz (auch
als Zieldatensatz oder Target bezeichnet) abgelegt. Die Referenzdaten können aber
auch auf beliebige andere Art zur Verfügung gestellt werden. Beim Training kann so dem
neuronalen Netz 12 für jeden Lernschritt eine Sensordatenkombination als Eingangsvek
tor (aus 4 Eingangswerten bestehend) und die dazugehörige Angabe der Fahrsituati
onsklasse als Ausgangsvektor (5 Klassen) eingegeben werden. Das Training wird solan
ge ausgeführt, bis eine vorgegebene Fehlerschwelle e zwischen Netzausgang und Refe
renz unterschritten ist.
Nach Abschluß des Trainings und damit der Optimierung des Klassifikators wird das re
sultierende neuronale Netz wieder vollständig in die Fuzzy-Repräsentation des Teilsy
stems A zurückübersetzt. Das Teilsystem B, in dem das datengetriebenen Training
durchgeführt wurde, wird dann abgetrennt und ist nicht mehr Bestandteil des im Fahr
zeug implementierten Fahrsituationserkenners. Die sich durch das Training ergebenden
20 Änderungen der Komponenten des (Fuzzy-Klassifikators?) Fuzzy-Systems 10 - es sind dies die Form und Lage der Zugehörigkeitsfunktionen von Ein- und Ausgangssignalen und die Fuzzy-Regelbasis - können anschließend visualisiert und beurteilt werden. Nach anschließender Evaluierung in einem entsprechenden Simulationswerkzeug (wie zum Beispiel das auf dem Markt unter der Bezeichnung SieFuzzy erhältliche Siemens CAE- Entwicklungssystem) ist damit die Entwicklung der Steuerschaltung 1, welche sowohl auf Expertenwissen als auch auf gemessene Sensordaten zurückgreift, abgeschlossen und das Fuzzy-System 10 - hier auch als Fuzzy-Fahrsituationsklassifikationssystem mit Vor verarbeitung bezeichnet - kann im Fahrzeug 2 zum Steuern der vorgesehen Einrichtung 5 eingesetzt werden.
20 Änderungen der Komponenten des (Fuzzy-Klassifikators?) Fuzzy-Systems 10 - es sind dies die Form und Lage der Zugehörigkeitsfunktionen von Ein- und Ausgangssignalen und die Fuzzy-Regelbasis - können anschließend visualisiert und beurteilt werden. Nach anschließender Evaluierung in einem entsprechenden Simulationswerkzeug (wie zum Beispiel das auf dem Markt unter der Bezeichnung SieFuzzy erhältliche Siemens CAE- Entwicklungssystem) ist damit die Entwicklung der Steuerschaltung 1, welche sowohl auf Expertenwissen als auch auf gemessene Sensordaten zurückgreift, abgeschlossen und das Fuzzy-System 10 - hier auch als Fuzzy-Fahrsituationsklassifikationssystem mit Vor verarbeitung bezeichnet - kann im Fahrzeug 2 zum Steuern der vorgesehen Einrichtung 5 eingesetzt werden.
Der Entwicklungsablaufs im Neuro-Fuzzy-System 6 wird in folgenden zusammenfassen
erläutert. Die einzelnen Entwicklungsschritte werden in den Verarbeitungsblöcken durch
geführt, die sich aus folgender Tabelle 1 ergeben.
Die im Fahrzeug aufgenommenen Sensordaten werden zuerst dem Vorverarbeitungs
baustein oder -stufe 9 zugeführt, in dem aus den verschiedenen Meßparametern die
eigentlichen Eingangssignale für das Fuzzy-Klassifikationsystem abgeleitet oder berech
net werden. In diesem Verarbeitungsschritt erfolgt zum einen eine Filterung und die Er
fassung der zeitlichen Vorgeschichte der Sensorsignale und zum anderen eine Fusion
der verschiedenen Meßparameter. Im Fahrzeug 2 werden folgende Sensorsignale wäh
rend der Fahrt aufgezeichnet:
nab: Abtriebsdrehzahl (proportional zur Fahrgeschwindigkeit)
bl: Bremslicht, Betätigung der Bremse
nmot: Motordrehzahl
a_quer Querbeschleunigung
m_diff: Momentenbilanz am Getriebeabtrieb, Betrag des Differenzmomentes (daraus kann eine Schlußfolgerung über Steigungen und Gefälle gezogen werden)
gang_ist: aktiver Gang
fahrer: Fuzzy-Klassifikation des Fahrstils
bl: Bremslicht, Betätigung der Bremse
nmot: Motordrehzahl
a_quer Querbeschleunigung
m_diff: Momentenbilanz am Getriebeabtrieb, Betrag des Differenzmomentes (daraus kann eine Schlußfolgerung über Steigungen und Gefälle gezogen werden)
gang_ist: aktiver Gang
fahrer: Fuzzy-Klassifikation des Fahrstils
Um die Anzahl der notwendigen Eingangsvariablen für das Fuzzy-Klassifikationssystem
zu reduzieren, bei gleichzeitiger Einbeziehung aller zur Verfügung stehenden Meßpara
meter, werden die genannten Sensordaten geeignet miteinander verknüpft und daraus
vier neue Signale abgeleitet. Ziel dieser Sensorsignalfusion ist die Beschreibung des
augenblicklichen dynamischen Fahrzustandes anhand der drei Raumachsen x, y, z
(Fig. 2), sowie anhand einer rein geschwindigkeitsabhängigen Komponente w. Die Zu
sammenfassung der Rohsignale und damit die Reduktion der Eingangsdimensionalität
des Problems erleichtert die Modellbildung und ermöglicht die Formulierung einer nach
vollziehbaren, übersichtlichen Regelbasis für den Fuzzy-Klassifikator Die vier Fuzzy-
Eingangsvariablen werden aus den acht Sensorsignalen über die folgenden Beziehun
gen berechnet:
x (t) = fx {gang_ist (t, t-1, t-2, t-3), nmot (t, t-1, t-2, t-3), bl(t)}
y (t) = fy {a_quer (t, t-1, t-2, t-3), nab (t, t-1, t-2, t-3), fahrer(t)}
z (t) = fz {m_diff (t, t-1, t-2, t-3), nab (t, t-1, t-2, t-3), fahrer(t)}
w (t) = fw {nab (t, t-1, t-2, t-3)}
y (t) = fy {a_quer (t, t-1, t-2, t-3), nab (t, t-1, t-2, t-3), fahrer(t)}
z (t) = fz {m_diff (t, t-1, t-2, t-3), nab (t, t-1, t-2, t-3), fahrer(t)}
w (t) = fw {nab (t, t-1, t-2, t-3)}
Die Fuzzy-Eingangsvariable x wird so z. B. aus den Sensordaten gang_ist, nmot und bl
abgeleitet. Die Bezeichnung gang_ist (t, t-1, t-2, t-3) bedeutet dabei, daß in diese Be
rechnung das aktuelle Zeitfenster t und zusätzlich die drei letzten zurückliegenden Zeit
fenster t-1, t-2, t-3 einfließen. Die Verarbeitung der unterschiedlichen Zeithistorien ist zur
Verdeutlichung in Fig. 3 dargestellt. Um eine Datenkompression durchzuführen, wird
ein Zeitfenster w(t) mit der Länge L über das Rohsignal geführt und es wird jeweils der
Mittelwert des im Fenster liegenden Signalabschnitts berechnet. Für das Sensorsignal
gang_ist würde dieser Mittelwert mit gang_ist(t) beschrieben werden.
Um neben den aktuellen Sensordaten zusätzlich auch die zeitliche Historie, also den zu
rückliegenden Signalverlauf, zu berücksichtigen, werden außerdem die Mittelwerte von
drei sich überlappenden, zurückliegenden Zeitfenstern w(t-1), w(t-2), w(t-3), jedoch mit
Unterschiedlichen Gewichtungen, mit einbezogen. Der aktuelle Wert für x(t) ergibt sich
also aus vier Zeitfenstern des Sensorsignals gang_ist, aus vier Zeitfenstern des Sensor
signals nmot und aus dem aktuellen Zeitfenster des Sensorsignals bl. Danach werden
die Zeitfenster um eine Fensterlänge L weitergesetzt.
Durch die Mittelwertbildung und das Springen der Fenster wird eine erhebliche Daten
kompression erreicht. In einem Ausführungsbeispiel wird eine Fensterlänge von L = 250
Abtastwerten und eine Überlappung von 50% verwendet. Bei einer Aufnahme der Meß
daten mit einer Abtastzeit von Tab = 40 ms ergibt sich damit ein neuer Wert für x(t) alle
10s. Durch die Fensterlänge kann die Reaktionszeit des Systems und der zeitliche Ab
stand zwischen zwei aufeinanderfolgenden Ausgaben des Fahrsituationsklassifikators
festgelegt werden.
Die Struktur des Fuzzy-Systems 10, das die Fahrsituationsklassifizierung durchführt, ist
für ein Ausführungsbeispiel in den Fig. 4, 5 und 6 wiedergegeben. Auf den Eingang
des Fuzzy-Systems werden in diesem Fall vier Eingangsparameter gelegt, die aus acht
verschiedenen, vorverarbeiteten Sensorsignalen abgeleitet werden. Fig. 4 zeigt eine
mögliche Verteilung der Eingangszugehörigkeitsfunktionen. Der Wertebereich jeder Ein
gangsvariablen ist in die vier Zugehörigkeitsfunktionen VL (Very Low), L (Low), H (High),
VH (Very High) aufgeteilt und die hereinkommenden scharfen Eingangssignale werden
entsprechend fuzzifiziert und mit linguistischen Bezeichnungen versehen. Um die späte
re Transformation des Fuzzy-Systems in korrespondierende Elemente einer neuronalen
Netztopologie zu ermöglichen, werden für die Zugehörigkeitsfunktionen Gaußfunktionen
verwendet. Die veränderlichen Parameter Mittelpunkt mi und Breite si der Gaußglocken
werden im neuronalen Netz durch entsprechende Gewichte repräsentiert.
Das Klassifikationssystem hat die Aufgabe, aus den jeweils anliegenden Eingangspara
metern eine Aussage über die aktuelle Fahrsituation zu treffen. Als Ausgangsgröße soll
in diesem Fall die Zuordnung zu einer von fünf verschiedenen Fahrsituationsklassen
erfolgen, welche wie nachfolgend beschrieben werden können:
Klasse 1: Sehr hohe Geschwindigkeit, kontinuierliche Fahrsituation, gerade Strecke, keine zu hohen Querbeschleunigungen, keine starken Steigungen oder Ge fälle (typisch für eine Bundesautobahn BAB)
Klasse 2: Hohe Geschwindigkeit, kontinuierliche Fahrsituation, gerade Strecke, keine zu hohen Querbeschleunigungen, keine starken Steigungen oder Gefälle (typ. Bundesstraße, Schnellstraße)
Klasse 3: Hohe/mittlere Geschwindigkeit, kontinuierliche oder unkontinuierliche Fahrsi tuation, mögliche große Querbeschleunigungen und/oder starke Steigungen oder Gefälle (Landstraße, kurvig, hügelig, Übergänge zwischen Klasse 1 und 2, etc.)
Klasse 4: Niedrige Geschwindigkeit, oft unkontinuierliche Fahrsituation, hohe Verkehrs dichte, mittlere/keine Querbeschleunigungen, mittlere/kaum Steigungen oder Gefälle (Innenstadt, Stop- und Go-Verkehr, äußerer Stadtbereich)
Klasse 5: Sehr niedrige Geschwindigkeit oder Halt (Ampel, Kreuzung, Parken, etc.)
Klasse 1: Sehr hohe Geschwindigkeit, kontinuierliche Fahrsituation, gerade Strecke, keine zu hohen Querbeschleunigungen, keine starken Steigungen oder Ge fälle (typisch für eine Bundesautobahn BAB)
Klasse 2: Hohe Geschwindigkeit, kontinuierliche Fahrsituation, gerade Strecke, keine zu hohen Querbeschleunigungen, keine starken Steigungen oder Gefälle (typ. Bundesstraße, Schnellstraße)
Klasse 3: Hohe/mittlere Geschwindigkeit, kontinuierliche oder unkontinuierliche Fahrsi tuation, mögliche große Querbeschleunigungen und/oder starke Steigungen oder Gefälle (Landstraße, kurvig, hügelig, Übergänge zwischen Klasse 1 und 2, etc.)
Klasse 4: Niedrige Geschwindigkeit, oft unkontinuierliche Fahrsituation, hohe Verkehrs dichte, mittlere/keine Querbeschleunigungen, mittlere/kaum Steigungen oder Gefälle (Innenstadt, Stop- und Go-Verkehr, äußerer Stadtbereich)
Klasse 5: Sehr niedrige Geschwindigkeit oder Halt (Ampel, Kreuzung, Parken, etc.)
Die Struktur des Fuzzy-Systems ist derart ausgelegt, daß es für jeden der fünf verschie
denen Fahrsituationsklassen genau ein Ausgangssignal gibt (Fig. 5). Jeder Ausgang ist
mit nur zwei gaußförmigen Ausgangszugehörigkeitsfunktionen ausgestattet, eine davon
mit Zentrum bei dem Ausgangswert 0 (Zugehörigkeitsfunktion Low), die andere bei dem
Ausgangswert 1 (Zugehörigkeitsfunktion High). Für jeden Zeitschritt ergibt sich damit aus
der aktuellen Kombination der vier Eingangsvariablen als Ergebnis der Defuzzifizierung
ein fünfwertiger Ausgangsvektor [KL_1-Kl_2-KI_3-Kl_4-KL_5], der die momentanen
Bewertungen als Wert zwischen 0 und 1 für die fünf verschiedenen Fahrsituationsklas
sen wiedergibt. Wird als Klassifikationsergebnis z. B. ein Ausgangsvektor [0-1-0-0-0]
ausgegeben werden, so bedeutet dies, daß in diesem Fall die Fahrsituation zu 100% in
Klasse 2, und mit 0% in alle anderen Klassen eingestuft wurde. Bei einer Ausgabe [0.0-
0.0-0.1-0.2-0.7] dagegen wurde die aktuelle Situation in alle Klassen mit unterschied
licher Wertigkeit eingestuft, am stärksten jedoch in die Klassen 4 (mit 20%) und 5 (mit
70%).
Die Eingangs- und Ausgangsvariablen werden miteinander über die Fuzzy-Regelbasis
des Fuzzy-Systems 10 verknüpft. Dabei wird das vorhandene Expertenwissen lingui
stisch formuliert. In einem Ausführungsbeispiel wird die Regelbasis mit einer Systematik
angelegt, die aus Fig. 6 ersichtlich ist. Mit den vier Eingangsvariablen des Fuzzy-Sy
stems - hier bezeichnet mit x, y, z, w - werden alle sechs möglichen paarweisen Per
mutationen gebildet, d. h. xy, xz, xw, yz, yw, zw. Für jedes dieser Eingangspaare wird ei
ne Regelmatrix aufgespannt. Im Bild ist beispielhaft eine solche Regelmatrix für die Ein
gangskombination xz wiedergegeben. Da beide Eingangsvariablen x und z jeweils mit
den vier Zugehörigkeitsfunktionen VL, L, H, VH fuzzifiziert werden, ergibt sich hier für die
vollständige Regelbasis eine 4 × 4 - Matrix. Als die sechzehn Matrixelemente werden die
zur jeweiligen linguistischen Kombination der fuzzifizierten Eingangsvariablen gehörende
Ausgangszugehörigkeitsfunktion der entsprechenden Fuzzy-Regel eingetragen. Das im
Bild in der obersten Matrix gekennzeichnete Element steht also z. B. für die Regel:
Rxz,23: WENN x ist Low UND z ist High DANN Kl_1 ist High
Der Matrixeintrag, hier H für High, bezeichnet somit die Fuzzy-Konklusion für den Aus
gang Kl_1 (Klasse 1), die sich entsprechend der Regel aus der Und-Verknüpfung der
Teilprämissen x=Low und z=High ergibt. Die übrigen Elemente dieser Matrix ergeben
sich analog aus der Regelbasis für alle Und-Verknüpfungen von x und z. Wie angedeu
tet hat die Regelbasis in dieser Darstellung eine Tiefe von fünf für die fünf verschiede
nen Ausgangsvariablen Kl_1, Kl_2, Kl_3, Kl_4 und Kl_5. Jede Matrixebene beschreibt
also die Konklusionen der verschiedenen Regeln bezüglich einem einzigen Ausgang, die
oberste Matrix für den Ausgang Kl_1 und die unterste Matrix für den Ausgang Kl_5. Die
vollständige Fuzzy-Regel lautet für den oben beschriebenen Fall damit z. B.:
Rxz,23: WENN x ist Low UND z ist High DANN KLI ist High und Kl_2 ist Low
und Kl_3 ist Low und Kl_4 ist Low und Kl_5 ist Low.
Jede Regel trifft also immer für alle Ausgangsvariablen eine Aussage. Durch die syste
matische Aufstellung der Regeln erhält man für jede der sechs möglichen paarweisen
Permutationen jeweils 4 × 4 = 16 Regeln, daraus ergibt sich eine vollständige Regelbasis
mit 96 Regeln (6 Permutationen mit jeweils 16 Regeln).
Nachfolgend wir eine initiale Regelbasis wiedergegeben, die aus sieben Regeln Rule1
bis Rule7 besteht:
Rule1
IF (INPUT2_Y lS VL) AND (INPUT4_W IS VL) THEN
CLASS5 = HIGH
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule2
IF (INPUT2_Y iS VL) AND (INPUT4_W IS LOW) THEN
CLASS5 = LOW
CLASS4 = HlGH
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule3
IF IiNPUT2_Y IS LOW) AP (INPUT4_W IS VL) THEN CLASS5 = LOW
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule4
IF (INPUT2_Y IS LOW) AP (INPUT4_W IS LOW) THEN
CLASS5 = LOW
CLASS4 = HIGH
CLASS3=LOW
ClASS2 = LOW
CLASS1 = LOW
Rule5
IF (INPUT2_Y IS HlGH) AP (INPUT4_W IS VL) THEN
CLASS5 = LOW
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule6
IF (INPUT2_Y IS HIGH) AP (INPUT4_W IS LOW) THEN
CLASS5 = LOW
CLASS4 = HIGH
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule7
IF (INPUT2_Y IS VH) AP (INPUT4_W IS VL) THEN
CLASS5 = LOW
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule1
IF (INPUT2_Y lS VL) AND (INPUT4_W IS VL) THEN
CLASS5 = HIGH
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule2
IF (INPUT2_Y iS VL) AND (INPUT4_W IS LOW) THEN
CLASS5 = LOW
CLASS4 = HlGH
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule3
IF IiNPUT2_Y IS LOW) AP (INPUT4_W IS VL) THEN CLASS5 = LOW
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule4
IF (INPUT2_Y IS LOW) AP (INPUT4_W IS LOW) THEN
CLASS5 = LOW
CLASS4 = HIGH
CLASS3=LOW
ClASS2 = LOW
CLASS1 = LOW
Rule5
IF (INPUT2_Y IS HlGH) AP (INPUT4_W IS VL) THEN
CLASS5 = LOW
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule6
IF (INPUT2_Y IS HIGH) AP (INPUT4_W IS LOW) THEN
CLASS5 = LOW
CLASS4 = HIGH
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Rule7
IF (INPUT2_Y IS VH) AP (INPUT4_W IS VL) THEN
CLASS5 = LOW
CLASS4 = LOW
CLASS3 = LOW
CLASS2 = LOW
CLASS1 = LOW
Die Topologie des Neuro-Fuzzy-Systems 6 ergibt sich aus folgenden Überlegungen.
10 Nach dem Entwurf des initialen Fuzzy-Klassifikationssystems wird es vollständig und
verlustfrei in die Struktur eines neuronalen Netzes konvertiert, um die datengetriebene
Optimierung durchzuführen. Damit wird ein neuronales Netz generiert, welches dasselbe
Klassifikationssystem repräsentiert, wie das Fuzzy-System und das ein identisches Ein
gangs- und Ausgangsverhalten aufweist. Die Fuzzy-Neuro-Transformation ermöglicht die
Übersetzung von der Repräsentation oder Darstellung des Erkennungssystems als Fu
zzy-System in die Repräsentation als neuronales Netz. Dabei handelt es sich um eine
korrespondenzerhaltende bidirektionale Transformation, d. h. die Topologie des neurona
len Netzes kann nach Abschluß der Lernphase wieder in die Repräsentation als Fuzzy-
System überführt werden.
Zur funktionell äquivalenten Umsetzung eines Fuzzy-Modells in eine neuronale Topolo
gie werden die einzelnen Verarbeitungsstufen - Fuzzifizierung, Regelbasis und Defuzzi
fizierung - auf korrespondierende Teilstrukturen eines neuronalen Netzes abgebildet.
Eine wichtige Randbedingung ist hierbei die Verwendung von verfügbaren Neuro-Kom
ponenten und die Anwendbarkeit von bewährten (zum Beispiel aus dem erwähnten
Fachbuch bekannten) Lern- und Adaptionsalgorithmen. Trotz der Beschränkung auf
einfache Neuronentypen ermöglicht jedoch eine spezielle Netzstruktur die vollständige
Abbildung aller Operationen eines Fuzzy-Modells, welche im folgenden einzeln be
schrieben werde.
Die Umsetzung der Fuzzifizierung wird durch eine erste Schicht von Neuronen mit RBF-
ähnlichen Aktivierungsfunktionen (RBF = radiale Basisfunktion) realisiert. Für jede Zuge
hörigkeitsfunktion einer Eingangsvariablen existiert ein Neuron, an dessen Eingang je
weils nur zwei Signale aufsummiert werden: der aktuelle scharfe Eingangswert und der
Mittelpunkt der Zugehörigkeitsfunktion (Fig. 7). Der resultierende Wert wird anschlie
ßend über eine gaußförmige Aktivierungsfunktion gewichtet und ausgegeben. Am Aus
gang eines einzelnen Fuzzifizierungs-Neurons ergibt sich ein entsprechender Grad der
Zugehörigkeit µk(xi) zu
wobei xi das aktuelle Eingangssignal, mk den Mittelpunkt und σk die Breite der gauß
förmigen Eingangszugehörigkeitsfunktion k bezeichnet. Der Mittelpunktswert mk wird
über ein entsprechendes Gewicht und einen konstanten Eingang "bias" für das jeweilige
Neuron festgelegt. Über eine Gewichtung beider Eingänge mit l/σk wird die Breite der
Zugehörigkeitsfunktionen eingestellt.
Ein Regelneuron (Fig. 8) stellt sich wie folgt dar. Die Regelbasis des Fuzzy-Systems 10,
d. h. die Ausführung seines Inferenzteils, wird durch eine Schicht von Regelneuronen
realisiert, in denen alle vorhandenen Regeln simultan evaluiert werden. Die Anzahl der
Neuronen entspricht der vorhandenen Regelanzahl. In der realisierten Topologie können
Regeln des folgenden Typs abgebildet werden:
- - einfache Regeln mit nur einer Fuzzy-Variablen in der Prämisse
- - Regeln mit einem Prämissenteil, in dem mehrere Fuzzy-Variablen konjunktiv ver knüpft sind (UND-Regeln)
Der Konklusionsteil kann entweder eine oder mehrere Ausgangsvariablen enthalten. Die
UND-Verknüpfung zweier Fuzzy-Variablen im Prämissenteil wird im Fuzzy-Neuro-Netz
durch das Produkt dieser Variablen realisiert (vgl. Fig. 8). Um diese für die konjunktive
Verknüpfung erforderliche multiplikative Operation mit Standardneuronen ausführen zu
können, wird die Inferenz in der implementierten Topologie in zwei Stufen gebildet. Rea
lisiert man die gaußförmige Aktivierungsfunktion nicht in einer, sondern in zwei aufein
anderfolgenden Netzschichten, so kann gleichzeitig die Berechnung des Produkts auf
eine einfache Summation zurückgeführt werden. Damit ergibt sich am Ausgang der ein
zelnen Regelneuronen für die jeweilige Prämisse α der Regel j:
Die Berechnung der Gaußfunktion, die für die Ermittlung der Zugehörigkeiten notwendig
ist, wird nicht in der Fuzzifizierungsschicht allein, sondern in Kombination mit der darauf
folgenden Regelschicht ausgeführt. In den Neuronen der ersten Schicht wird eine qua
dratische Aktivierungsfunktion, f(x) = x² und in den Regelneuronen eine exponentielle
Aktivierungsfunktion verwendet, f(x) = exp(x). Folglich stehen die Werte für den Grad
der Zugehörigkeit µi nicht explizit nach der Fuzzifizierungsschicht zur Verfügung, son
dern gehen unmittelbar in die Berechnung der Konklusionen þj ein. Der Vorteil dieser
Anordnung liegt zum einen in der Vermeidung eines "Produkt-Neurons", für das ein ent
sprechender Adaptionsalgorithmus zusätzlich definiert werden müßte, zum anderen in
der Erhaltung der für die Korrespondenz zum Fuzzy-System notwendigen Netzstruktur.
Durch die multiplikative Verknüpfung der Teilprämissen, ausgeführt in den ersten beiden
verborgenen Schichten, wird die Prämisse der Regel verarbeitet. Der sich am Ausgang
des Regelneurons ergebende numerische Wert αj repräsentiert die Auswertung des
WENN-Teils einer Regel. Dieser Wert wird anschließend einem weiteren Neuron zuge
führt, das die Fuzzy-Variable des Ausgangssignals wiedergibt. Damit wird der Konklusi
onsteil der Regel abgebildet. Hier entspricht die Anzahl der Neuronen der Gesamtzahl
aller Ausgangszugehörigkeitsfunktionen. Diese Neuronen führen eine einfache Summa
tion aller Konklusionen der Regeln durch, die für eine bestimmte Fuzzy-Ausgangsvaria
ble "zünden", d. h. wirksam werden. Als Aktivierungsfunktion wird deshalb hier die Identi
tät f(x) = x benutzt.
Die Deffuzifizierung in dem Fuzzy-System 10 Für die Berechnung der Ausgangswerte
des Fuzzy-Systems wird eine Standard-Defuzzifizierungsmethode mit Maxdot-Inferenz
und anschließender Schwerpunktsberechnung über die Summe aller zündenden Aus
gangszugehörigkeitsfunktionen verwendet. Aus den verschiedenen Konklusionen
ergibt sich somit für einen Ausgangswert y
wobei mit Mk die einzelnen Momente und mit Ak die Flächen der jeweiligen Ausgangs
zugehörigkeitsfunktionen bezeichnet sind. Eine Defuzzifizierung nach der Flächen
schwerpunktsmethode (auch: Center of Sums) gestattet die Vorausberechnung der Flä
chen und Momente schon bei der Vorstrukturierung des Netzes und die einfache Reprä
sentation durch zwei numerische Werte während der Adaptionsphase. Es muß keine
explizite Auswertung der sich jeweils ergebenden Flächen der Ausgangszugehörigkeits
funktionen vorgenommen werden. In der Topologie sind Mk und Ak durch entspre
chende Gewichtsfaktoren realisiert. So erfolgt eine Skalierung der Einzelmomente und
-flächen mit dem α-Wert, der aus der Überlagerung aller zündenden Regeln resultiert.
Anschließend wird der Quotient aus der Summe aller Momente und der Summe aller
Flächen berechnet. Da die Division nicht in einem einzigen Neuron realisiert werden
kann, wird durch eine Logarithmierung und anschließende Exponentierung die Berech
nung auf eine Subtraktion zurückgeführt:
Damit ist die Berechnung des scharfen Ausgangswertes aus der Zusammenfassung der
Fuzzy-Variablen umgesetzt.
Ein schematischer Überblick über die vollständige realisierte neuronale Topologie für das
Neuro-Fuzzy-System 6 ist aus Fig. 9 ersichtlich. Die dargestellte Struktur basiert auf
dem Fuzzy-Klassifikationsystem mit den vier Eingangsvariablen x, y, z und w, den fünf
Ausgangsvariablen Klasse 1 - Klasse 5 und einer Regelbasis mit 96 Regeln. Zu erken
nen sind die drei wesentlichen Teilstrukturen für die Fuzzifizierung, die Regelbasis und
die Defuzzifizierung. Das Modell entspricht einem vorwärtsgetriebenen neuronalen Netz
mit acht Schichten, wobei allein drei Schichten für die funktionell äquivalente Umsetzung
der Defuzzifizierungsoperation verantwortlich sind. In der untersten Zeile von Fig. 9 sind
die in den einzelnen Schichten durchgeführten Operationen angedeutet.
Die Neuro-Fuzzy-Architektur repräsentiert eine vollständige Abbildung des zugrunde lie
genden Fuzzy-Modells. Die vier Eingangssignale IX, IY, IZ und IW werden in der zwei
ten und dritten Schicht fuzzifiziert. Dabei erfolgt die Festlegung der Anzahl, der Form und
Lage der Eingangszugehörigkeitsfunktionen und die Zuordnung zu den entsprechenden
Variablen in den Neuronen der zweiten Schicht. In diesem Fall werden die Eingänge je
weils mit den vier Zugehörigkeitsfunktionen SK, K, G, SG (sehr klein, klein, groß, sehr
groß) fuzzifiziert, wobei sich eine Schicht mit sechzehn Neuronen ergibt. Anschließend
werden in der dritten Schicht die einzelnen Regeln R₁ bis R₉₆ der Regelbasis umge
setzt. Für jede Regel existiert nun ein entsprechendes Regelneuron, an dessen Eingang
die passenden Teilprämissen anliegen. Diese Teilprämissen werden miteinander wie
beschrieben verknüpft, und es wird ein Regelaktivierungsgrad α berechnet, der zusätz
lich mit einem Regelgewicht wRule multipliziert wird. Dieser Regelaktivierungsgrad α wird
anschließend über die Teilkonklusionen den Zugehörigkeitsfunktionen der einzelnen
Ausgangsvariablen Klasse 1 - Klasse 5 zugeordnet. Die sich dadurch in Schicht 5 erge
benden Teilkonklusionen für eine Ausgangsgröße werden nachfolgend im Defuzzifizie
rungsteil zusammengefaßt. Zwischen den Schichten 5 und 6 erfolgt eine Gewichtung der
Konklusionen mit den zu einer Ausgangszugehörigkeitsfunktion gehörenden vorausbe
rechneten Flächen Ak und Momenten Mk. In den Schichten 6 und 7 wird schließlich die
Berechnung des Quotienten von Momenten und Flächen über die Logarithmierung und
Subtraktion der Argumente durchgeführt.
In der nachfolgenden Tabelle 2 sind für ein Ausführungsbeispiel die wichtigsten Parame
ter verschiedener Fuzzy-Systeme für die Fahrsituationserkennung und die entsprechen
den Klassifikationsergebnisse angegeben. Aufgeführt sind die Resultate für eine reprä
sentative Meßfahrt, die etwa zu gleichen Anteilen die fünf verschiedenen Fahrsituati
onsklassen enthält. Ausgewertet wurden Sensordaten für eine Fahrzeit von 32 min; bei
einer Abtastrate von 40 ms entspricht dies 48000 Abtastwerten.
Durch die Bildung von Zeitfenstern mit einer Fensterlänge von L = 250 Abtastwerten er
geben sich für die Fahrtdauer insgesamt 192 Klassifikationsausgaben (48000/250, eine
Klassifikationsausgabe alle 10 sec.). Von links nach rechts finden sich folgende Anga
ben in der Tabelle: Die Bezeichnung des jeweiligen Klassifikationssystems, Angaben
darüber, welche Parameter des Fuzzy-Systems im neuronalen Netz trainiert wurden (EZ
= Eingangszugehörigkeitsfunktionen, AZ = Ausgangszugehörigkeitsfunktionen, RG =
Regelgewichte, K = Konklusionen), die Größe der Fuzzy-Regelbasis, die Anzahl der Ein
gangszugehörigkeitsfunktionen, der mittlere quadratische Fehler zum Zieldatensatz und
das Klassifikationsergebnis als Absolutwert und prozentual (R/F/N - Richtig/Falsch/Nicht
klassifiziert).
Das initiale Fuzzy-System, das allein mit Expertenwissen aufgestellt wurde, klassifiziert
die momentane Fahrsituation korrekt in 106 von 192 Fällen (55%), falsch in 11(6%)
und macht keine Aussage in 75 Fällen (39%). Das manuell optimierte System erreicht
bezüglich der richtig klassifizierten Situationen einen Anteil von 74%. Für die trainierten
Erkennungssysteme ergeben sich unterschiedliche Resultate, abhängig von den im neu
ronalen Netz freigegebenen Parametern. Dabei wurden die verfügbaren Beispieldaten
jeweils aufgeteilt in Trainingsmenge und Generalisierungsmenge im Verhältnis 7 : 3. Die
Ergebnisse zeigen, daß sich, bei reduziertem Entwicklungsaufwand, durch die datenge
triebene Optimierung eine erhebliche Steigerung der Erkennungsrate erreichen läßt. So
wird z. B. mit einer reduzierten Regelbasis von 85 Regeln ein Klassifikationsergebnis von
94% "richtig", 2% "falsch" und 4% "nicht klassifiziert" erreicht.
Claims (6)
1. Schaltungsanordnung (1) zum Steuern einer Einrichtung in einem Kraftfahrzeug (2),
mit einem Fuzzy-System (10), in dem Sensorsignale ausgewertet und Stellsignale für
die Einrichtung erzeugt werden, wobei eine Erkennung der Fahrsituation durchgeführt
wird, dadurch gekennzeichnet,
- - daß das Fuzzy-System (10) mit einem neuronalen Netz (12) verbunden ist, in dem die Sensorsignale und Referenzdaten aus einer Aufzeichnung von Fahrdaten des Kraftfahrzeugs (2) ausgewertet werden und durch welches das Fuzzy-System opti miert wird, und
- - daß durch das Fuzzy-System (10) während des Fahrbetriebs die jeweilige Fahrsitua tion klassifizierende Signale erzeugt werden, die zu einer fahrsituationsabhängigen Steuerung der Einrichtung verwendet werden.
2. Schaltungsanordnung nach Anspruch 1, dadurch gekennzeichnet, daß die Sensor
signale und/oder Steuersignale in einem Signalspeicher (8) gespeichert und in einer
Vorverarbeitungsschaltung (9) gefiltert, geglättet und durch Verknüpfung in ihrer An
zahl verringert werden.
3. Schaltungsanordnung nach Anspruch 1, dadurch gekennzeichnet, daß sie eine Da
tenbank (13) mit Videoaufzeichnungen von Meßfahrten aufweist und daß die darin
enthaltenen Daten über einen Referenzdatenspeicher (14) dem neuronalen Netz (12)
zugeführt werden.
4. Schaltungsanordnung nach Anspruch 1, dadurch gekennzeichnet, daß durch das
neuronale Netz (12) die Form und die Lage der Zugehörigkeitsfunktionen von Ein- und
Ausgangsdaten sowie die Regelbasis des Fuzzy-Systems (10) adaptiert werden.
5. Schaltungsanordnung nach Anspruch 1, dadurch gekennzeichnet, daß das Ein
gangs- und das Ausgangsverhalten des Fuzzy-Systems (10) und des neuronalen
Netzes (12) funktionell äquivalent sind.
6. Schaltungsanordnung nach Anspruch 1, dadurch gekennzeichnet, daß das Fuzzy-
System (10) und das neuronale Netz (12) je ein Klassifikationssystem enthalten, die
durch eine korrespondenzerhaltende bidirektionale Transformation ineinander
überführbar sind.
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19527323A DE19527323A1 (de) | 1995-07-26 | 1995-07-26 | Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug |
DE59605074T DE59605074D1 (de) | 1995-07-26 | 1996-06-24 | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug |
PCT/DE1996/001113 WO1997005408A1 (de) | 1995-07-26 | 1996-06-24 | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug |
KR1019980700510A KR19990035850A (ko) | 1995-07-26 | 1996-06-24 | 자동차 주행 기어 또는 구동 장치 제어용 회로 장치 |
JP9507069A JPH11515070A (ja) | 1995-07-26 | 1996-06-24 | 自動車における走行機構又は駆動システムの制御のための回路装置 |
EP96918606A EP0870132B1 (de) | 1995-07-26 | 1996-06-24 | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug |
US09/013,298 US6208981B1 (en) | 1995-07-26 | 1998-01-26 | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19527323A DE19527323A1 (de) | 1995-07-26 | 1995-07-26 | Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19527323A1 true DE19527323A1 (de) | 1997-01-30 |
Family
ID=7767848
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19527323A Ceased DE19527323A1 (de) | 1995-07-26 | 1995-07-26 | Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug |
DE59605074T Expired - Fee Related DE59605074D1 (de) | 1995-07-26 | 1996-06-24 | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE59605074T Expired - Fee Related DE59605074D1 (de) | 1995-07-26 | 1996-06-24 | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug |
Country Status (6)
Country | Link |
---|---|
US (1) | US6208981B1 (de) |
EP (1) | EP0870132B1 (de) |
JP (1) | JPH11515070A (de) |
KR (1) | KR19990035850A (de) |
DE (2) | DE19527323A1 (de) |
WO (1) | WO1997005408A1 (de) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19704841A1 (de) * | 1997-02-08 | 1998-08-13 | Itt Mfg Enterprises Inc | Verfahren und Vorrichtung zur Regelung der Längsdynamik eines Fahrzeugs |
EP0870953A1 (de) * | 1997-04-07 | 1998-10-14 | Ford Global Technologies, Inc. | Lernfähige mit geschlossenem Regelungskreis Fuzzylogik Drucksteuerung für ein automatisches Getriebe |
DE19754162A1 (de) * | 1997-09-19 | 1999-03-25 | Itt Mfg Enterprises Inc | Verfahren und Anordnung zur systematischen Bewertung des dynamischen Verhaltens eines Regelsystems |
DE19828924C1 (de) * | 1998-06-29 | 1999-06-02 | Siemens Ag | Schaltungsanordnung zum Steuern eines Fahrwerks- oder Antriebssystems in einem Kraftfahrzeug |
DE10010681A1 (de) * | 2000-03-04 | 2001-09-06 | Heinz J Theuerkauf | Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte |
DE10013463A1 (de) * | 2000-03-18 | 2001-09-20 | Volkswagen Ag | Diagnosesystem für ein Multiplex-Bordnetz eines Kraftfahrzeugs |
DE10044567A1 (de) * | 2000-09-08 | 2002-04-04 | Audi Ag | Sicherheitssystem für ein Kraftfahrzeug |
DE10119270A1 (de) * | 2001-04-20 | 2002-10-24 | Zahnradfabrik Friedrichshafen | Messanordnung für Fahrzeugdaten |
WO2005006091A1 (de) * | 2003-07-09 | 2005-01-20 | Peter-Michael Ludwig | Steuergerät und netzwerk für eine mehrzahl von vorrichtungen |
FR2857912A1 (fr) * | 2003-07-23 | 2005-01-28 | Gie Psa Peugeot Citroen | Procede de reglage d'organes reglables d'un vehicule automobile pour adapter son comportement, systeme et support d'enregistrement pour mettre en oeuvre ce procede |
DE10354322A1 (de) * | 2003-11-20 | 2005-06-23 | Bayerische Motoren Werke Ag | Verfahren und System zur Ermittlung der Fahrsituation |
DE102004011015A1 (de) * | 2004-03-02 | 2005-09-15 | Brose Fahrzeugteile Gmbh & Co. Kg, Coburg | Verfahren zum Überwachen der Verstellbewegung eines von einer Antriebseinrichtung angetriebenen Bauteils |
DE102004030782A1 (de) * | 2004-06-25 | 2006-01-19 | Fev Motorentechnik Gmbh | Fahrzeug-Steuergerät mit einem neuronalen Netz |
EP1643269A1 (de) | 2004-09-29 | 2006-04-05 | Robert Bosch Gmbh | Fahrerassistenzsystem mit Fuzzy-Logic |
DE102005005140A1 (de) * | 2005-02-04 | 2006-08-10 | Daimlerchrysler Ag | Verfahren zur Schätzwertermittlung für eine Fahrzeugumgebungszustandsgröße |
DE19749583B4 (de) * | 1997-11-10 | 2007-05-24 | Volkswagen Ag | Verfahren und Einrichtung zur Beobachtung bzw. Überwachung eines Objektraumes von einem Kraftfahrzeug aus |
DE102007033590A1 (de) * | 2007-07-19 | 2009-01-22 | Zf Friedrichshafen Ag | Verfahren zum Betreiben einer datenverarbeitenden Einrichtung |
DE102012223984A1 (de) * | 2012-12-20 | 2014-06-26 | Continental Aktiengesellschaft | Verfahren und Vorrichtung zur Beeinflussung der Fahrdynamik eines Kraftfahrzeuges mit einem mittels aktiven Stellgliedern veränderbaren Fahrwerk |
DE10212320B4 (de) * | 2001-03-22 | 2017-01-12 | Schaeffler Technologies AG & Co. KG | Verfahren zum Steuern und/oder Regeln eines automatisierten Getriebes eines Fahrzeuges |
WO2018087321A1 (de) * | 2016-11-11 | 2018-05-17 | Automotive Safety Technologies Gmbh | Verfahren und system zum betreiben eines kraftfahrzeugs |
WO2018114808A1 (de) * | 2016-12-21 | 2018-06-28 | Audi Ag | Prädiktion von verkehrssituationen |
WO2018233935A1 (de) * | 2017-06-19 | 2018-12-27 | Zf Friedrichshafen Ag | Vorrichtung und verfahren zur ansteuerung eines fahrzeugmoduls in abhängigkeit eines zustandssignals |
WO2018233934A1 (de) * | 2017-06-19 | 2018-12-27 | Zf Friedrichshafen Ag | Vorrichtung und verfahren zum ansteuern eines fahrzeugmoduls |
DE102017215852A1 (de) * | 2017-09-08 | 2019-03-14 | Zf Friedrichshafen Ag | Vorrichtungen und Verfahren für ein Fahrzeug |
DE102017220788A1 (de) * | 2017-11-21 | 2019-05-23 | Robert Bosch Gmbh | Verfahren zum Trainieren eines zentralen Künstlichen-Intelligenz-Moduls |
CN110045757A (zh) * | 2019-04-26 | 2019-07-23 | 西安科技大学 | 一种大采高液压支架模糊自适应智能供液控制方法 |
DE102006051091B4 (de) | 2006-06-26 | 2021-10-28 | Volkswagen Ag | Verfahren zur Objekterkennung von Fahrzeugen mittels Nahbereichsdetektion |
WO2022078649A1 (de) * | 2020-10-14 | 2022-04-21 | Robert Bosch Gmbh | Verfahren zur steuerung eines drehmoments zumindest eines rades |
DE102018119467B4 (de) | 2017-08-14 | 2023-08-03 | GM Global Technology Operations LLC | Verfahren zum durchführen eines autonomen betriebs eines fahrzeugs durch tiefes räumlich-zeitliches lernen |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI973420A (fi) * | 1997-08-20 | 1999-02-21 | Tamrock Oy | Menetelmä kaivosajoneuvon kuljettaman kuorman painon määrittelemiseksi |
US6678640B2 (en) * | 1998-06-10 | 2004-01-13 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus for parameter estimation, parameter estimation control and learning control |
US6711556B1 (en) * | 1999-09-30 | 2004-03-23 | Ford Global Technologies, Llc | Fuzzy logic controller optimization |
KR100330041B1 (ko) * | 1999-11-29 | 2002-03-27 | 류정열 | 뉴럴 네트워크를 이용한 자동차 진동의 액티브 제어장치 |
DE10002665A1 (de) * | 2000-01-21 | 2001-07-26 | Voith Turbo Kg | Verfahren zur Optimierung Getriebemanagementes in einem Antriebsstrang für Fahrzeuge |
EP1211636A1 (de) * | 2000-11-29 | 2002-06-05 | STMicroelectronics S.r.l. | Filtereinrichtung und Verfahren zur Reduzierung von Geräusch in elektrischen Signalen, insbesondere akustische Signale und Bilder |
DE10208205B4 (de) * | 2001-02-27 | 2015-04-02 | Schaeffler Technologies AG & Co. KG | Verfahren zur Steuerung/Regelung optimaler Einkuppel-Verläufe beim Anfahren und Wiedereinkupplen nach Gangwechseln |
US7089154B2 (en) * | 2001-08-09 | 2006-08-08 | Rovsing Dynamics A/S | Automatic machinery fault diagnostic method and apparatus |
FR2853295B1 (fr) * | 2003-04-01 | 2006-03-31 | Renault Sa | Procede de commande d'une direction assistee electrique pour vehicule automobile |
DE102004049558A1 (de) * | 2004-10-12 | 2006-04-27 | Volkswagen Ag | Verfahren und Vorrichtung zur Steuerung einer Kraftfahrzeugbeleuchtung |
US20060259287A1 (en) * | 2005-04-08 | 2006-11-16 | Jacquelin Frederic F | Vehicle chassis and power train set up tool for track trajectory and speed optimization |
US8498796B2 (en) * | 2007-02-12 | 2013-07-30 | Deere & Company | Perception model for trajectory following autonomous and human augmented speed control |
US7895135B2 (en) * | 2007-02-12 | 2011-02-22 | Deere & Company | Human perception model for speed control performance |
US7769512B2 (en) * | 2007-02-12 | 2010-08-03 | Deere & Company | Vehicle steering control method and performance |
US8195364B2 (en) * | 2007-02-12 | 2012-06-05 | Deere & Company | Perception model for trajectory following autonomous and human augmented steering control |
FR2946920A1 (fr) * | 2009-06-17 | 2010-12-24 | Renault Sas | Procede de commande d'un dispositif anti-roulis pour vehicule automobile |
AU2014277761B2 (en) * | 2010-12-07 | 2016-10-06 | Vnomics Corp. | System and method for measuring and reducing vehicle fuel waste |
AU2011338504B2 (en) * | 2010-12-07 | 2015-01-22 | Vnomics Corp. | System and method for measuring and reducing vehicle fuel waste |
WO2015187679A1 (en) | 2014-06-02 | 2015-12-10 | Vnomics Corp | Systems and methods for measuring and reducing vehicle fuel waste |
CN104049535B (zh) * | 2014-06-04 | 2016-08-31 | 江苏大学 | 汽车ass和eps集成***神经网络逆控制器及构造方法 |
WO2016018936A1 (en) | 2014-07-28 | 2016-02-04 | Econolite Group, Inc. | Self-configuring traffic signal controller |
DE102017218811A1 (de) * | 2017-10-20 | 2019-04-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines Aktorregelungssystems, Computerprogramm und maschinenlesbares Speichermedium |
US11042156B2 (en) * | 2018-05-14 | 2021-06-22 | Honda Motor Co., Ltd. | System and method for learning and executing naturalistic driving behavior |
CN108859648B (zh) * | 2018-08-16 | 2020-02-18 | 辽宁工业大学 | 一种悬架减震器阻尼控制切换加权系数确定方法 |
US11561540B2 (en) * | 2019-02-26 | 2023-01-24 | Intel Corporation | Augmenting autonomous driving with remote viewer recommendation |
JP6744598B1 (ja) * | 2019-10-18 | 2020-08-19 | トヨタ自動車株式会社 | 車両用制御システム、車両用制御装置、および車両用学習装置 |
JP6809587B1 (ja) * | 2019-10-18 | 2021-01-06 | トヨタ自動車株式会社 | 車両用制御装置 |
JP6744597B1 (ja) * | 2019-10-18 | 2020-08-19 | トヨタ自動車株式会社 | 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置 |
JP6809588B1 (ja) * | 2019-10-18 | 2021-01-06 | トヨタ自動車株式会社 | 車両用制御システム、車両用制御装置、および車両用学習装置 |
DE102019219734B4 (de) | 2019-12-16 | 2024-08-01 | Robert Bosch Gmbh | Verfahren zum Betreiben eines Auswertungssystems für Messdaten aus mehreren Domänen |
US11250648B2 (en) * | 2019-12-18 | 2022-02-15 | Micron Technology, Inc. | Predictive maintenance of automotive transmission |
DE112021007044T5 (de) * | 2021-02-09 | 2024-03-21 | Mitsubishi Electric Corporation | Steuerungsberechnungsvorrichtung und Steuerungsberechnungsverfahren |
CN113324026A (zh) * | 2021-06-10 | 2021-08-31 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4209150A1 (de) * | 1991-03-22 | 1992-09-24 | Hitachi Ltd | Konzentriertes steuersystem fuer kraftfahrzeuge |
WO1993023689A1 (de) * | 1992-05-11 | 1993-11-25 | Zf Friedrichshafen Ag | Steuersystem zum schalten eines automatischen getriebes |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07107421B2 (ja) * | 1988-07-06 | 1995-11-15 | 日産自動車株式会社 | 車両の変速制御装置 |
JPH06123706A (ja) * | 1992-10-09 | 1994-05-06 | Meidensha Corp | 材料成分判定装置 |
DE4337164B4 (de) * | 1992-11-05 | 2006-04-20 | Volkswagen Ag | Steuerungseinrichtung zur selbsttätigen Schaltung eines Automatikgetriebes |
US5618243A (en) * | 1993-07-20 | 1997-04-08 | Mitsubisi Jidosha Kogyo Kabushiki Kaisha | Speed change control method for an automotive automatic transmission |
JP3265752B2 (ja) * | 1993-09-29 | 2002-03-18 | アイシン・エィ・ダブリュ株式会社 | 自動変速機の制御装置 |
US5821412A (en) * | 1994-08-09 | 1998-10-13 | Ford Global Technologies, Inc. | Apparatus and method for processing engine measurements |
WO1996007559A1 (de) * | 1994-09-09 | 1996-03-14 | Siemens Aktiengesellschaft | In einem kraftfahrzeug zu verwendendes steuergerät, das ein fuzzylogiksystem enthält |
US5687082A (en) * | 1995-08-22 | 1997-11-11 | The Ohio State University | Methods and apparatus for performing combustion analysis in an internal combustion engine utilizing ignition voltage analysis |
US5993194A (en) * | 1996-06-21 | 1999-11-30 | Lemelson; Jerome H. | Automatically optimized combustion control |
-
1995
- 1995-07-26 DE DE19527323A patent/DE19527323A1/de not_active Ceased
-
1996
- 1996-06-24 WO PCT/DE1996/001113 patent/WO1997005408A1/de not_active Application Discontinuation
- 1996-06-24 KR KR1019980700510A patent/KR19990035850A/ko not_active Application Discontinuation
- 1996-06-24 EP EP96918606A patent/EP0870132B1/de not_active Expired - Lifetime
- 1996-06-24 JP JP9507069A patent/JPH11515070A/ja not_active Ceased
- 1996-06-24 DE DE59605074T patent/DE59605074D1/de not_active Expired - Fee Related
-
1998
- 1998-01-26 US US09/013,298 patent/US6208981B1/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4209150A1 (de) * | 1991-03-22 | 1992-09-24 | Hitachi Ltd | Konzentriertes steuersystem fuer kraftfahrzeuge |
WO1993023689A1 (de) * | 1992-05-11 | 1993-11-25 | Zf Friedrichshafen Ag | Steuersystem zum schalten eines automatischen getriebes |
Non-Patent Citations (1)
Title |
---|
KAHLER " Neuronale Netze: absolut konkurenzfähig in der Mustererkennung" in DE-Z.: Elektronik 10/1991 S.98-104 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6357839B1 (en) | 1997-02-08 | 2002-03-19 | Continential Teves Ag & Co. | Method and device for regulating the longitudinal dynamics of a vehicle |
DE19704841A1 (de) * | 1997-02-08 | 1998-08-13 | Itt Mfg Enterprises Inc | Verfahren und Vorrichtung zur Regelung der Längsdynamik eines Fahrzeugs |
EP0870953A1 (de) * | 1997-04-07 | 1998-10-14 | Ford Global Technologies, Inc. | Lernfähige mit geschlossenem Regelungskreis Fuzzylogik Drucksteuerung für ein automatisches Getriebe |
DE19754162A1 (de) * | 1997-09-19 | 1999-03-25 | Itt Mfg Enterprises Inc | Verfahren und Anordnung zur systematischen Bewertung des dynamischen Verhaltens eines Regelsystems |
DE19749583B4 (de) * | 1997-11-10 | 2007-05-24 | Volkswagen Ag | Verfahren und Einrichtung zur Beobachtung bzw. Überwachung eines Objektraumes von einem Kraftfahrzeug aus |
DE19828924C1 (de) * | 1998-06-29 | 1999-06-02 | Siemens Ag | Schaltungsanordnung zum Steuern eines Fahrwerks- oder Antriebssystems in einem Kraftfahrzeug |
WO2000000759A1 (de) * | 1998-06-29 | 2000-01-06 | Siemens Aktiengesellschaft | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug |
DE10010681A1 (de) * | 2000-03-04 | 2001-09-06 | Heinz J Theuerkauf | Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte |
DE10013463A1 (de) * | 2000-03-18 | 2001-09-20 | Volkswagen Ag | Diagnosesystem für ein Multiplex-Bordnetz eines Kraftfahrzeugs |
DE10044567B4 (de) * | 2000-09-08 | 2006-05-18 | Audi Ag | Sicherheitssystem für ein Kraftfahrzeug |
DE10044567A1 (de) * | 2000-09-08 | 2002-04-04 | Audi Ag | Sicherheitssystem für ein Kraftfahrzeug |
DE10212320B4 (de) * | 2001-03-22 | 2017-01-12 | Schaeffler Technologies AG & Co. KG | Verfahren zum Steuern und/oder Regeln eines automatisierten Getriebes eines Fahrzeuges |
DE10119270A1 (de) * | 2001-04-20 | 2002-10-24 | Zahnradfabrik Friedrichshafen | Messanordnung für Fahrzeugdaten |
WO2005006091A1 (de) * | 2003-07-09 | 2005-01-20 | Peter-Michael Ludwig | Steuergerät und netzwerk für eine mehrzahl von vorrichtungen |
FR2857912A1 (fr) * | 2003-07-23 | 2005-01-28 | Gie Psa Peugeot Citroen | Procede de reglage d'organes reglables d'un vehicule automobile pour adapter son comportement, systeme et support d'enregistrement pour mettre en oeuvre ce procede |
DE10354322A1 (de) * | 2003-11-20 | 2005-06-23 | Bayerische Motoren Werke Ag | Verfahren und System zur Ermittlung der Fahrsituation |
DE10354322B4 (de) | 2003-11-20 | 2022-06-09 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zur Ermittlung der Fahrsituation |
US7386389B2 (en) | 2003-11-20 | 2008-06-10 | Beyerische Motoren Werke Aktiengesellschaft | Method and system for determining the driving situation |
DE102004011015A1 (de) * | 2004-03-02 | 2005-09-15 | Brose Fahrzeugteile Gmbh & Co. Kg, Coburg | Verfahren zum Überwachen der Verstellbewegung eines von einer Antriebseinrichtung angetriebenen Bauteils |
US8068958B2 (en) | 2004-03-02 | 2011-11-29 | Brose Fahrzeugteile Gmbh & Co Kg, Coburg | Method for monitoring the adjustment movement of a component driven by a drive device |
DE102004030782A1 (de) * | 2004-06-25 | 2006-01-19 | Fev Motorentechnik Gmbh | Fahrzeug-Steuergerät mit einem neuronalen Netz |
EP1643269A1 (de) | 2004-09-29 | 2006-04-05 | Robert Bosch Gmbh | Fahrerassistenzsystem mit Fuzzy-Logic |
DE102005005140A1 (de) * | 2005-02-04 | 2006-08-10 | Daimlerchrysler Ag | Verfahren zur Schätzwertermittlung für eine Fahrzeugumgebungszustandsgröße |
DE102006051091B4 (de) | 2006-06-26 | 2021-10-28 | Volkswagen Ag | Verfahren zur Objekterkennung von Fahrzeugen mittels Nahbereichsdetektion |
DE102007033590A1 (de) * | 2007-07-19 | 2009-01-22 | Zf Friedrichshafen Ag | Verfahren zum Betreiben einer datenverarbeitenden Einrichtung |
DE102012223984A1 (de) * | 2012-12-20 | 2014-06-26 | Continental Aktiengesellschaft | Verfahren und Vorrichtung zur Beeinflussung der Fahrdynamik eines Kraftfahrzeuges mit einem mittels aktiven Stellgliedern veränderbaren Fahrwerk |
WO2018087321A1 (de) * | 2016-11-11 | 2018-05-17 | Automotive Safety Technologies Gmbh | Verfahren und system zum betreiben eines kraftfahrzeugs |
WO2018114808A1 (de) * | 2016-12-21 | 2018-06-28 | Audi Ag | Prädiktion von verkehrssituationen |
WO2018233934A1 (de) * | 2017-06-19 | 2018-12-27 | Zf Friedrichshafen Ag | Vorrichtung und verfahren zum ansteuern eines fahrzeugmoduls |
WO2018233935A1 (de) * | 2017-06-19 | 2018-12-27 | Zf Friedrichshafen Ag | Vorrichtung und verfahren zur ansteuerung eines fahrzeugmoduls in abhängigkeit eines zustandssignals |
DE102018119467B4 (de) | 2017-08-14 | 2023-08-03 | GM Global Technology Operations LLC | Verfahren zum durchführen eines autonomen betriebs eines fahrzeugs durch tiefes räumlich-zeitliches lernen |
DE102017215852A1 (de) * | 2017-09-08 | 2019-03-14 | Zf Friedrichshafen Ag | Vorrichtungen und Verfahren für ein Fahrzeug |
DE102017220788A1 (de) * | 2017-11-21 | 2019-05-23 | Robert Bosch Gmbh | Verfahren zum Trainieren eines zentralen Künstlichen-Intelligenz-Moduls |
CN110045757A (zh) * | 2019-04-26 | 2019-07-23 | 西安科技大学 | 一种大采高液压支架模糊自适应智能供液控制方法 |
CN110045757B (zh) * | 2019-04-26 | 2022-03-18 | 西安科技大学 | 一种大采高液压支架模糊自适应智能供液控制方法 |
WO2022078649A1 (de) * | 2020-10-14 | 2022-04-21 | Robert Bosch Gmbh | Verfahren zur steuerung eines drehmoments zumindest eines rades |
Also Published As
Publication number | Publication date |
---|---|
WO1997005408A1 (de) | 1997-02-13 |
KR19990035850A (ko) | 1999-05-25 |
EP0870132A1 (de) | 1998-10-14 |
EP0870132B1 (de) | 2000-04-26 |
US6208981B1 (en) | 2001-03-27 |
DE59605074D1 (de) | 2000-05-31 |
JPH11515070A (ja) | 1999-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0870132B1 (de) | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug | |
DE10354322B4 (de) | Verfahren und System zur Ermittlung der Fahrsituation | |
DE10350392B4 (de) | Verfahren zum Steuern bzw. Regeln eines elektronischen Fahrzeug-Lenksystems | |
EP0813987B1 (de) | Verfahren zur Abstandsregelung für ein Kraftfahrzeug | |
DE69121751T2 (de) | Steuerungssystem für ein unbemanntes Trägerfahrzeug | |
DE102008031826A1 (de) | Fahrerinformationsanordnung zur Verbesserung des Kraftstoffverbrauchs eines Hybridfahrzeugs | |
DE102019209736A1 (de) | Verfahren zur Bewertung möglicher Trajektorien | |
AT3030U1 (de) | Verfahren zur analyse und zur beeinflussung des fahrverhaltens von kraftfahrzeugen | |
DE102019216836A1 (de) | Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug | |
DE10261727A1 (de) | Steuersystem in Fuzzy-Logik für ein Rad eines Kraftfahrzeugs und Verfahren zum Implementieren einer Fuzzy-Logikeinheit für derartiges Rad eines Kraftfahrzeuges | |
EP4212980A1 (de) | Fahrassistenzeinrichtung und verfahren zum durchführen einer wenigstens teilautomatischen fahrzeugfunktion in abhängigkeit von einer zu bewertenden fahrstrecke | |
DE102017200580A1 (de) | Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge | |
DE4204047C2 (de) | Verfahren und Vorrichtung zur Positionierung eines Stellers in einem Kraftfahrzeug | |
DE19539022C2 (de) | Verfahren und Vorrichtung zum Steuern eines Automatikgetriebes in Abhängigkeit von der Steigung der Straße | |
DE19523111A1 (de) | Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug | |
EP4107590A1 (de) | Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, verfahren zur optimierung eines verkehrsflusses in einer region, computerprogrammprodukt sowie kraftfahrzeug | |
DE102019214931A1 (de) | Steuerung eines Fahrzeugs | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
WO2021191120A1 (de) | VERFAHREN ZUR BESTIMMUNG EINES WERTES EINER REGLERGRÖßE | |
WO2022184363A1 (de) | Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug | |
DE4425957C1 (de) | Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges | |
DE10358494A1 (de) | Fahrassistenzvorrichtung und Verfahren zur prädiktiven Steuerung eines Fahrzeugs | |
DE102019128115B4 (de) | Fahrzeugmodell für Längsdynamik | |
DE4242218A1 (de) | Verfahren zur Steuerung einer die Fahrdynamik bzw. den Fahrzustand eines Fahrzeugs beeinflussenden Größe | |
DE10358499A1 (de) | Fahrassistenzvorrichtung und Verfahren zur prädiktiven Steuerung eines Fahrzeugs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8131 | Rejection |