WO2007060134A1

WO2007060134A1 - Verfahren und vorrichtung zum ermitteln eines modellparameters eines referenzfahrzeugmodells

Info

Publication number: WO2007060134A1
Application number: PCT/EP2006/068589
Authority: WO
Inventors: Urs Bauer; Kai Bretzigheimer; Christian Schulze
Original assignee: Continental Teves Ag & Co. Ohg
Priority date: 2005-11-22
Filing date: 2006-11-16
Publication date: 2007-05-31
Also published as: DE102006054425A1

Abstract

Es wird ein Verfahren zum Ermitteln eines Werts eines Modellparameters eines Fahrzeugreferenzmodells, mit dem ein Referenzwert einer ersten Fahrzustandsgröße ermittelt werden kann, vorgeschlagen. Das Verfahren zeichnet sich dadurch aus, dass ein Schätzwert (formula (1)) des Modellparameters in Abhängigkeit von wenigstens einer zweiten Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe (E) mittels eines künstlichen neuronalen Netzes (500) ermittelt wird, wobei das künstliche neuronale Netz (500) vor einer wiederholten Ermittlung des Schätzwerts (formula (1)) anhand eines Lernverfahrens derart angepasst wird, dass sich der Schätzwert (formula (1)) des Modellparameters dem tatsächlichen Wert des Modellparameters annähert. Nach einer wiederholten Ermittlung wird der Schätzwert (formula (1)) als Wert des Modellparameters gespeichert. Ferner wird eine Vorrichtung vorgeschlagen, die zur Durchführung des Verfahrens geeignet ist .

Description

Verfahren und Vorrichtung zum Ermitteln eines Modellparameters eines Referenzfahrzeugmodells

Technisches Gebiet

Die Erfindung betrifft ein Verfahren zum Ermitteln eines Werts eines Modellparameters eines Referenzfahrzeugmodells. Die Erfindung betrifft ferner eine Vorrichtung, die zur Durchführung des Verfahrens geeignet ist.

Hintergrund und Stand der Technik

Fahrdynamikregelsysteme, wie beispielsweise das bekannte ESP-System (ESP: Elektronisches Stabilitätsprogramm) stabilisieren das Fahrzeug, indem eine Regelabweichung zwischen einem Istwert einer Zustandsgröße des Fahrzeugs, der mittels eines Fahrzeugsensor gemessen wird, und einem Referenzwert der Fahrzustandsgröße durch eine Beeinflussung des Fahrverhaltens mittels eines Aktuators ausgeregelt wird. Der Referenzwert der Zustandsgröße wird üblicherweise anhand eines Fahrzeugmodells ermittelt. Die einsetzbaren Fahrzeugmodelle enthalten in der Regel mehrere Parameter, die an einen bestimmten Fahrzeugtyp angepasst werden müs- sen, damit das Modell das Referenzverhalten eines konkreten Fahrzeugs korrekt wiedergibt. Zur Parametrierung von Fahrzeugmodellen wird üblicherweise ein umfangreiches Fahrprogramm mit vorgegebenen Fahrmanövern durchgeführt, bei denen Messdaten aufgezeichnet werden, die nach Abschluss des Fahrprogramms zur Offline-Identifikation der Parameter heranzogen werden. Bei konstruktiven Veränderungen am Fahrzeug muss dieses Vorgehen in der Regel wiederholt werden, um die Modellparameter an die Veränderungen anzupassen. Die Parametrierung der Fahrzeugmodelle durch eine Offline- Identifikation anhand Messdaten, die bei Fahrversuchen aufgezeichnet werden, ist daher mit einem sehr hohen zeitli- chen Aufwand verbunden, was insbesondere angesichts immer kürzer werdender Entwicklungszeiten nachteilig ist.

Darstellung der Erfindung

Es ist eine Aufgabe der vorliegenden Erfindung, den Aufwand für die Ermittlung von Fahrzeugmodellparametern zu verringern .

Erfindungsgemäß wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 sowie durch eine Vorrichtung mit den Merkmalen des Patentanspruchs 15 gelöst.

Demgemäß wird ein Verfahren der eingangs genannten Art bereitgestellt, bei dem ein Schätzwert des Modellparameters in Abhängigkeit von wenigstens einer Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe mittels eines künstlichen neuronalen Netzes mehrmals ermittelt wird, wobei das künstliche neuronale Netz vor einer wiederholten Ermittlung des Schätzwerts anhand eines Lernverfah- rens derart angepasst wird, dass sich der Schätzwert des Modellparameters dem tatsächlichen Wert des Modellparameters annähert. Nach einer wiederholten Ermittlung wird der Schätzwert als Wert des Modellparameters gespeichert.

Ferner wird eine Vorrichtung zum Ermitteln eines Werts eines Referenzmodells eines Fahrzeugs vorgeschlagen. Die Vorrichtung umfasst ein künstliches neuronales Netz, das dazu ausgebildet ist, einen Schätzwert des Modellparameters in Abhängigkeit von wenigstens einer zweiten Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe mehrmals zu ermitteln, wobei das künstliche neuronale Netz vor einer wiederholten Ermittlung des Schätzwerts derart anpassbar ist, dass sich der Schätzwert des Modellparameters dem tatsächlichen Wert des Modellparameters annähert. Nach einer wiederholten Ermittlung ist der Schätzwert als Wert des Modellparameters in einem Speicher speicherbar.

Vorteilhaft wird ein künstliches neuronales Netz zum Schätzen der Parameter eines Fahrzeugreferenzmodells eingesetzt, das dazu trainiert wird, die Parameter möglichst realistisch zu bestimmen. Dazu wird das künstliche neuronale Netz mittels eines Lernverfahrens derart angepasst, dass sich der Schätzwert des Modellparameter bei einer wiederholten Berechnung an den tatsächlichen Wert des Parameters annähert. Künstliche neuronale Netze sind dazu in der Lage, komplexe Probleme, die von einer Vielzahl von Faktoren be- einflusst werden, zu lösen bzw. deren Lösung zu erlernen. Ein Vorteil der Verwendung eines künstlichen neuronalen Netzes zur Schätzung der Parameter eines Referenzmodells besteht daher darin, dass die Werte der Parameter ermittelt werden können, ohne dass zur Bestimmung der Modellparameter ein Fahrprogramm mit definierten Fahrmanövern durchgeführt werden muss, welche die maßgeblichen Faktoren in bestimmter Weise festlegen. Hierdurch ist die Bestimmung der Parameter einfacher und in kürzerer Zeit möglich.

In einer Ausführungsform des Verfahrens und der Vorrichtung ist es vorgesehen, dass der Schätzwert des Modellparameters als Wert eines Parameters in einem weiteren Fahrzeugmodell zugrunde gelegt wird, wobei mittels des weiteren Fahrzeugmodells der Wert wenigstens einer dritten Fahrzustandsgröße bestimmt wird und wobei die Anpassung des künstlichen neuronalen Netzes in Abhängigkeit von dem Ergebnis eines Ver- gleichs zwischen dem berechneten Wert und einem mithilfe von Fahrzeugsensoren ermittelten Wert der dritten Fahrzustandsgröße durchgeführt wird.

Eine direkte Messung des Modellparameters ist, wie eingangs dargestellt, in der Regel nicht möglich. Daher kann der tatsächliche Wert des Parameters auch nicht für das Training des künstlichen neuronalen Netzes verwendet werden. In der zuvor genannten Ausführungsform ist es daher vorteilhaft vorgesehen, dass die Anpassung anhand eines Vergleichs zwischen dem anhand des geschätzten Parameterwerts berechneten und einem mithilfe von Sensoren ermittelten Wert einer Fahrzustandsgröße erfolgt.

Das Referenzfahrzeugmodell und das weitere Fahrzeugmodell können im Allgemeinen verschieden voneinander sein, wobei das weitere Fahrzeugmodell so gewählt ist, dass es die Parameter des Referenzfahrzeugmodells umfasst. Da mittels des künstlichen neuronalen Netzes alle Parameter des weiteren Fahrzeugmodells bestimmt werden müssen, um das Lernverfah- ren durchführen zu können, ist es vorteilhaft, wenn das weitere Fahrzeugmodell einen möglichst geringen Parameter- überschuss gegenüber dem Referenzfahrzeugmodell aufweist.

Eine weitere Ausgestaltung des Verfahrens und der Vorrich- tung sieht daher vor, dass das Referenzfahrzeugmodell und das weitere Fahrzeugmodell identisch sind. Hierdurch wird vermieden, dass mit dem künstlichen neuronalen Netz Parameter des weiteren Fahrzeugmodells bestimmt werden müssen, die nicht in dem Referenzmodell enthalten sind, so dass die Anzahl der mittels des künstlichen neuro- nalen Netzes zu bestimmenden Parameter minimiert wird.

Eine Weiterbildung des Verfahrens und der Vorrichtung beinhaltet, dass es sich bei dem Lernverfahren um ein Verfahren zum überwachten Lernen handelt.

Das überwachte Lernen hat den Vorteil, dass das Training des künstlichen neuronalen Netzes sehr zielgerichtet ist und sehr rasch realistische Schätzwerte für die Modellparameter erhalten werden.

Eine Ausgestaltung des Verfahrens und der Vorrichtung zeichnet sich dadurch aus, dass es sich bei dem Lernverfahren um ein Backpropagation-Verfahren handelt.

Fahrzeugmodelle enthalten in der Regel Näherungen, die nur in einem bestimmten Fahrzustandsbereich gültig sind bzw. zu einer realistischen Beschreibung des Fahrzeugverhaltens führen. Das Training des künstlichen neuronalen Netzes kann daher besonders wirkungsvoll in dem Gültigkeitsbereich des weiteren Fahrzeugmodells durchgeführt werden. In einem Bereich, in dem das Fahrzeugmodell nicht gültig ist, könnte es wegen der dann bestehenden Ungenauigkeit des Modells zu fehlerhaften Anpassungen des künstlichen neuronalen Netzes kommen .

Eine Ausgestaltung des Verfahrens und der Vorrichtung ist daher dadurch gekennzeichnet, dass die Anpassung des künst- liehen neuronalen Netzes mittels des Lernverfahrens nur dann vorgenommen wird, wenn der mithilfe der Fahrzeugsensoren ermittelte Wert der dritten Fahrzustandsgröße in einem vorgegebenen beschränkten Bereich liegt.

Eine weitere Ausgestaltung des Verfahrens und der Vorrichtung zeichnet sich dadurch aus, dass der beschränkte Bereich einem Gültigkeitsbereich des weiteren Fahrzeugmodells entspricht .

Unter dem Gültigkeitsbereich des weiteren Fahrzeugmodells wird der Fahrzustandsbereich verstanden, in dem das Modell das Fahrverhalten des Fahrzeugs realistisch beschreibt.

Eine Weiterbildung des Verfahrens und der Vorrichtung sieht vor, dass mittels des künstlichen neuronalen Netzes Abweichungen des Schätzwerts des Modellparameters von einem vorgegebenen Ausgangswert ermittelt werden.

Bei dieser Weiterbildung wird der Schätzwert des Modellparameters vorteilhaft nicht direkt mittels des künstlichen neuronalen Netzes berechnet, sondern das künstliche neuronale Netz bestimmt Abweichungen des Parameterwerts von einem vorgegebenen Ausgangswert.

Anhand des Verfahrens und der Vorrichtung wird es ermöglicht, die Bestimmung des Werts des Modellparameters auch während des Normalbetriebs durchzuführen.

Bei einer Ausgestaltung des Verfahrens und der Vorrichtung ist es daher vorgesehen, dass der Schätzwert des Modellpa- rameters während eines Normalbetriebs des Kraftfahrzeugs ermittelt wird.

Eine weitere Ausgestaltung des Verfahrens und der Vorrich- tung zeichnet sich dadurch aus, dass sich der Wert des Parameters mit der Zeit verändert.

Bei dieser Ausgestaltung können insbesondere Werte von Parametern, die sich während des Betriebs des Fahrzeugs ver- ändern, stets aktualisiert werden. Beispiel für derartige Modellparameter sind Parameter, deren Wert sich bei einer Veränderung des Beladungszustands des Fahrzeugs oder aufgrund von Verschleiß verändert.

Eine Ausführungsform des Verfahrens und der Vorrichtung beinhaltet, dass der Modellparameter enthalten ist in der Gruppe, umfassend eine Masse des Fahrzeugs, Trägheitsmomente des Fahrzeugs und Schräglaufsteifigkeiten von Rädern des Fahrzeugs .

Die Werte der genannten Parameter verändern sich in der Regel während des Betriebs des Fahrzeugs beispielsweise aufgrund einer Veränderung des Beladungszustands des Fahrzeugs oder einer Abnutzung der Reifen bzw. bei einem Reifenwech- sei. Vorteilhaft können die veränderten Werte während des Normalbetriebs des Fahrzeugs ermittelt werden.

Eine Weiterbildung des Verfahrens und der Vorrichtung sieht vor, dass der Schätzwert in einem nicht-flüchtigen Speicher des Fahrzeugs gespeichert wird und dass der gespeicherte Wert aktualisiert wird, wenn sich der Schätzwert gegenüber dem gespeicherten Wert verändert. Die Verwendung eines nicht-flüchtigen Speichers hat den Vorteil, dass die gespeicherten Werte erhalten bleiben, wenn das Fahrzeug bzw. dessen Zündung abgeschaltet wird. Bei einem Zündungsneustart können damit die zuletzt gespeicherten Werte wieder ausgelesen werden. Wenn sich der Wert eines Parameters beispielsweise aufgrund eines veränderten Beladungszustands des Fahrzeugs gegenüber dem gespeicherten Wert verändert, wird der gespeicherte Wert vorteilhaft ak- tualisiert.

Darüber hinaus wird ein Verfahren zum Beeinflussen des Fahrzustands eines Kraftfahrzeugs bereitgestellt, bei dem der Fahrzustand in Abhängigkeit von einer Abweichung zwi- sehen einem Istwert einer ersten Fahrzustandsgröße und einem Referenzwert der ersten Fahrzustandsgröße beeinflusst wird. Der Referenzwert wird in einem wenigstens einen Modellparameter enthaltenden Referenzfahrzeugmodell ermittelt, und ein Wert des Modellparameters wird anhand eines Verfahrens der zuvor dargestellten Art bestimmt.

Zudem wird ein System zum Beeinflussen des Fahrzustands eines Kraftfahrzeugs bereitgestellt, das eine Regeleinrichtung umfasst, die dazu ausgebildet ist, in Abhängigkeit von einer Abweichung zwischen einem Istwert einer ersten Fahrzustandsgröße und einem Referenzwert der ersten Fahrzustandsgröße eine Stellgröße zur Ansteuerung eines den Fahrzustand beeinflussenden Aktuators zu bestimmen. Der Referenzwert ist dabei in einem wenigstens einen Modellparame- ter enthaltenden Referenzfahrzeugmodell ermittelbar, wobei das System eine Vorrichtung der zuvor beschriebenen Art zum Ermitteln eines Werts des Modellparameters umfasst. Ferner wird ein Computerprogrammprodukt bereitgestellt, das einen Algorithmus definiert, der ein Verfahren nach einem der Patentansprüche 1 bis 13 umfasst.

Die genannten und weitere Vorteile, Besonderheiten und zweckmäßige Ausgestaltung der Erfindung werden auch anhand der Ausführungsbeispiele deutlich, die im Folgenden unter

Bezugnahme auf die Figuren beschrieben werden.

Kurze Beschreibung der Figuren

Von den Figuren zeigt:

Fig. 1 ein schematisches Blockdiagramm eines Fahrdynamik- regelsystems,

Fig. 2 eine Veranschaulichung miteinander verbundener

Neuronen,

Fig. 3 eine schematisches Blockdiagramm zur Darstellung der grundsätzlichen Struktur eines Neurons,

Fig. 4a ein Diagramm, das eine Aktivierungsfunktion eines Neurons in einer Ausführungsform darstellt,

Fig. 4b ein Diagramm, das eine Aktivierungsfunktion eines Neurons in einer weiteren Ausführungsform darstellt,

Fig. 5 eine schematische Darstellung eines künstlichen neuronalen Netzes in einer ersten Ausführungsform, Fig. 6 eine schematische Darstellung eines künstlichen neuronalen Netzes in einer zweiten Ausführungsform,

Fig. 7 eine schematische Darstellung eines künstlichen neuronalen Netzes in einer dritten Ausführungsform,

Fig. 8 ein schematisches Blockdiagramm einer Einrichtung zum Schätzen von Modellparametern eines Fahrzeugmodells .

Darstellung von Ausführungsbeispielen

In Figur 1 ist schematisch eine grundsätzliche Struktur einer Fahrdynamikregelung für ein Fahrzeug 101 anhand eines Blockdiagramms des Regelkreises dargestellt. Bei dem Fahrzeug kann es sich beispielsweise um einen PKW oder einen LKW handeln. Bei der Regelgröße Y handelt es sich im Allgemeinen um eine geeignete Fahrzustandsgröße . Im Falle des dem Fachmann an sich bekannten ESP wird beispielsweise die Gierrate ψ und/oder der Schwimmwinkel ß als Regelgröße herangezogen. Der aktuelle Istwert Y_ιst der Regelgröße Y wird entweder mittels eines Sensors des Fahrzeugs 101 direkt gemessen oder aus den Messwerten von einem oder mehreren Sensoren abgeleitet. Aus der Differenz zwischen dem Istwert Y_ιst und einem Referenzwert Y_ref der Regelgröße Y wird die Regelabweichung AY = Y_ref-Y_ιst berechnet. Die Re- gelabweichung Δ7 stellt die Eingangsgröße einer Regeleinrichtung 102 dar, die in Abhängigkeit von der Regelabweichung ein Ausgangssignal berechnet. Die Regeleinrichtung 102 wird üblicherweise aktiviert, wenn die Regelabweichung Δ7 sowie gegebenenfalls weitere Großen vorgegebene Regelungseintrittsschwellenwerte überschreiten. Die Ausgangssignale der Regeleinrichtung 102 entsprechen einer Stellan- forderung, nach deren Maßgabe wenigstens ein Aktuator 103 angesteuert wird, mit dem das Fahrverhalten des Fahrzeugs 101 beeinflusst werden kann. Im Falle des ESP handelt es sich bei den Ausgangssignalen beispielsweise um eine Gier- momentenanforderung, die mittels des Aktuators 103 umge- setzt wird. Bei dem Aktuator 103 kann es sich beispielsweise um einen dem Fachmann bekannten Bremsenaktuator handeln, mit dem radindividuelle Bremsdrucke in den Radbremsen des Fahrzeugs 101 gezielt aufgebaut werden können. Gleichfalls kann ein Lenkungsaktuator verwendet werden, mit dem ein Lenkmoment in den Lenkstrang des Fahrzeugs 101 eingesteuert oder mit dem fahrerunabhangig ein Radeinschlagswinkel an lenkbaren Radern des Fahrzeugs 101 verändert werden kann. Der Lenkungsaktuator kann beispielsweise als eine so genannte Uberlagerungslenkung ausgeführt sein. Ferner kann zur Beeinflussung des Fahrverhaltens in dem Antriebsmotor des Fahrzeugs 101 oder in den Triebstrang eingegriffen werden. Darüber hinaus sind dem Fachmann weitere Aktuatoren

103 wie beispielsweise aktive Wankstabilisatoren bekannt, mit denen das Fahrverhalten beeinflusst werden kann und die bei der Fahrdynamikregelung eingesetzt werden können. Vorzugsweise werden mehrere der zuvor genannten Aktuatoren 103 eingesetzt, wobei das Fahrdynamikregelsystem beispielsweise über eine Verteileinrichtung verfugen kann, die aus der Stellanforderung der Regeleinrichtung 102 mehrere Teilan- forderungen bestimmt, nach deren Maßgabe jeweils ein Aktuator 103 angesteuert wird. Die Berechnung des Referenzwerts Y_ref der Regelgröße Y erfolgt in der Referenzwertberechnungseinrichtung 104 auf der Basis eines Referenzmodells des Fahrzeugs 101 anhand von Größen E , die den vom Fahrer gewünschten Fahrzustand des Fahrzeugs 101 angeben. Als Referenzfahrzeugmodell können verschiedene Modelle des Fahrzeugs 101 wie Einspurmodelle oder Zweispurmodelle in linearer oder nicht linearer Ausführungsform verwendet werden. Bei den Größen E handelt es sich beispielsweise um den von dem Fahrer an den lenkbaren Rädern eingestellten Radeinschlagswinkel, der mittels eines Lenkwinkelsensors erfasst werden kann, und der von dem Fahrer eingestellten Fahrzeuggeschwindigkeit, die beispielsweise mit Hilfe von Raddrehzahlsensoren feststellbar ist. Das dargestellte Fahrdynamikregelsystem ist dem Fachmann insoweit an sich bekannt. Im Hinblick auf eine Gierratenregelung und Regeleingriffe in das Bremssystem und die Motorsteuerung wird ein derartiges Fahrdynamikregelsystem beispielsweise in der Offenlegungsschrift DE 195 15 059 Al beschrieben .

Das Referenzfahrzeugmodell beschreibt das Verhalten des Fahrzeugs 101 anhand von Parametern, die an dieses Fahrzeug 101 angepasst werden müssen. Hierbei handelt es sich insbesondere um geometrische Parameter, die in einfacher Weise bestimmbar und im Wesentlichen nicht veränderlich sind. Diese Parameter können an einem Prototyp des Fahrzeugs 101 bestimmt und in einem nicht-flüchtigen Speicher 105 des Fahrdynamikregelsystems gespeichert werden, der mit der Re- ferenzwertberechnungseinrichtung 104 in Verbindung steht. Darüber hinaus enthält das Referenzfahrzeugmodell in der Regel jedoch auch Parameter, die nur in Fahrversuchen bestimmbar sind. Während des Betriebs des Fahrzeugs 101 kön- nen sich die Werte dieser Parameter zudem verändern. Beispiele für derartige Parameter sind die Masse des Fahrzeugs 101, Trägheitsmomente des Fahrzeugs 101 oder Schräglauf- steifigkeiten der Reifen des Fahrzeugs 101.

Schätzwerte der Parameter des verwendeten Referenzfahrzeugmodells werden mittels eines künstlichen neuronalen Netzes (KNN) 500 bestimmt, das anhand eines Lernverfahrens ange- passt wird, um die Schätzwerte möglichst gut an die korrek- ten Werte der Parameter anzunähern.

Ein KNN 500 besteht aus mehreren Neuronen 201 und gerichteten Verbindungen zwischen den Neuronen 201. Wie anhand von Figur 2 beispielhaft für sieben Neuronen 201 in zwei Schichten veranschaulicht, ist jeder Verbindung zwischen zwei Neuronen 20I₁ und 201_: eines KNN 500 ein Verstärkungsfaktor a_y zugeordnet. Der Verstärkungsfaktor a_y kann auch als Funktionswert einer Verstärkungsfunktion berechnet werden. Über die Verbindung werden Daten mit dem Verstärkungs- faktor a gewichtet von einem Neuron 20I₁ zu einem Neuron

20I₁, übertragen. Die Indizes der Neuronen 201 sind in Figur 2 ebenfalls angegeben.

Die Struktur eines Neurons 20I₁ ist in der Figur 3 schema- tisch veranschaulicht. Jedem Neuron 20I₁ ist eine Propagierungsfunktion zugeordnet, welche die Eingänge U₁,...,CL_N des Neurons 20I₁ zueinander in Beziehung setzt (Block 301) . Mit Hilfe der Propagierungsfunktion wird für ein Neuron 201i eine Eingangsgröße HeI₁ bestimmt, die auch als Netzeingabe bezeichnet wird. In einer Ausführungsform entspricht die Netzeingabe net_L der gewichteten Summe der Eingänge des Neurons 20I₁. Zudem ist jedem Neuron 20I₁ eine Aktivierungs- funktion f_actl zugeordnet, die auf die Netzeingabe angewendet wird und mit welcher der aktuelle Aktivierungsgrad ^ai

des Neurons 20I₁ bestimmt wird (Block 302). Beispiele für mögliche Aktivierungsfunktionen f_actι sind ei- ne Stufenfunktion, wie sie in Figur 4a dargestellt ist, und eine Funktion mit einem linearen Bereich und daran anschließenden konstanten Bereichen, wie sie in Figur 4b dargestellt ist. Weitere Beispiele für Aktivierungsfunktionen sind Sigmoidfunktionen, hyperbolische Tangensfunktionen o- der logistische Funktionen. Die Stelle, an der die Aktivierungsfunktion f_actι des Neurons 20I₁ die größte Steigung aufweist, wird als Schwellenwert des Neurons 20I₁ bezeichnet und beschreibt die Stelle, an der das Neuron 20I₁ besonders empfindlich ist. Darüber hinaus ist jedem Neuron 20I₁ eine Ausgabefunktion f_outι zugeordnet, die auf den Aktivierungsgrad a_t angewendet wird, um die Ausgabe O₁ des Neurons 20I₁ zu ermitteln (Block 303) . In der Regel kann die Ausgabefunktion f_outι als Identitätsfunktion angesetzt werden, da die Ausgabe O₁ mittels der Aktivierungsfunktion f_actι bereits hinreichend gut eingestellt werden kann.

Die Topologie des KNN 500 sieht mehrere Schichten von Neuronen 201 vor, bei denen es sich insbesondere um eine Eingangsschicht 501 und eine Ausgangsschicht 502 handelt. Die Neuronen 201 der Eingangschicht 501 nehmen die Eingangssignale / des KNN 500 an und leiten sie zur Ausgangsschicht 502 weiter. Die Ausgaben der Neuronen 201 der Ausgangsschicht 502 entsprechen den Ausgangssignalen O des KNN 500. Eine beispielhafte Topologie eines KNN 500, das aus einer Eingangsschicht 501 und einer Ausgangsschicht 502 besteht, ist in Figur 5 beispielhaft dargestellt. Das KNN 500 kann auch über eine oder mehrere Zwischenschichten 601 mit Zwischenneuronen verfügen, wobei eine Zwischenschicht 601 auch als verdeckte Schicht und die Zwischenneuronen auch als verdeckte Neuronen bezeichnet werden. In Figur 6 ist beispielhaft eine Topologie des KNN 500 mit zwei Zwischen- schichten 601i und 6OI2 dargestellt. Bei den in den Figuren 5 und 6 dargestellten KNN 500 handelt es sich um so genannte Feed-Forward-Netze, bei denen die Verbindungen zwischen den Neuronen 201 ausschließlich von einer Schicht in eine in Richtung der Ausgangsschicht 502 nachfolgende Schicht verlaufen. Es ist jedoch auch möglich, dass Verbindung von Neuronen 201 einer Schicht zu Neuronen 201 einer vorangehenden Schicht verlaufen, was auch als Rückkopplung bezeichnet wird. In Figur 7 ist ein KNN 500 mit einer beispielhaft eingezeichneten Rückkopplung dargestellt. Gleich- falls können auch so genannte laterale Rückkopplungen bestehen, bei denen Verbindungen zwischen den Neuronen einer Schicht bestehen. Zudem kann ein Neuron 201 auch auf sich selbst rückgekoppelt werden. Ferner muss ein Neuron 201 in einer bestimmten Schicht nicht ausschließlich mit Neuronen 201 einer Nachbarschicht verbunden sein, sondern es können vielmehr auch Verbindungen zu Neuronen 201 anderer Schichten bestehen, wie dies in Figur 7 ebenfalls beispielhaft dargestellt ist.

Bei den Eingangssignalen / des KNN 500, das zur Bestimmung der Schätzwerte der Modellparameter eingesetzt wird, handelt es sich um Fahrzustandsgrößen, die mithilfe von Sensoren des Fahrzeugs 101 gemessen oder aus den Messwerten von Fahrzeugsensoren bestimmt werden, und/oder um eine oder mehrere der Größen E , die von dem Fahrer des Fahrzeugs 101 eingestellt werden. Bei den als Eingangssignalen / genutzten Fahrzustandsgrößen kann es sich beispielsweise um die Gierrate, die Gierbeschleunigung, die Querbeschleunigung, der Schwimmwinkel die Schwimmwinkelgeschwindigkeit und/oder die Schräglaufwinkel des Fahrzeugs 101 handeln, wobei diese Aufzählung beispielhaft und in keiner Weise beschränkend gemeint ist. Die Gierrate kann dabei mittels eines Gierratensensors gemessen werden, aus dessen Signalen auch die Gierbeschleunigung berechnet werden kann. Die Querbeschleunigung kann mittels eines Querbeschleunigungssensors gemessen werden. Schwimmwinkel, Schwimmwinkelgeschwindigkeit und Schräglaufwinkel können aus den Signalen von Sensoren, wie etwa dem Gierratensensor und/oder dem Querbeschleunigungs- sensor abgeleitet werden. Für jedes Eingangssignal / ist vorzugsweise ein Eingangsneuron in der Eingangsschicht 501 des verwendeten KNN 500 vorhanden, welches das entsprechen- de Eingangssignal entgegennimmt. Die Ausgangssignale O des KNN 500 umfassen die Schätzwerte der Modellparameter des Referenzfahrzeugmodells, das innerhalb der Referenzwertbe- rechnungseinrichtung 104 des Fahrdynamikregelsystems des Fahrzeugs 101 zur Bestimmung der Referenzwerte Y_ref der Re- gelgröße Y herangezogen wird. Für jedes Ausgangssignal O, d.h. für jeden zu schätzenden Parameter, ist vorzugsweise ein Ausgangsneuron in der Ausgangsschicht 502 vorgesehen, dessen Ausgabe dem Schätzwert des Parameters entspricht. Darüber hinaus kann das verwendete KNN 500 grundsätzlich beliebig ausgestaltet sein. Insbesondere können die Propa- gierungs-, Aktivierungs- und Ausgabefunktionen der Neuronen 201 grundsätzlich beliebig gewählt werden. Ferner kann auch die Topologie des KNN 500 grundsätzlich beliebig gestaltet sein. In einer vorteilhaften Ausführungsform handelt es sich bei dem verwendeten KNN 500 um ein dem Fachmann an sich bekanntes Elman- oder Jordan-Netz. Das verwendete KNN 500 ist Bestandteil einer Einrichtung zum Schätzen der Modellparameter, die in Figur 8 schematisch anhand eines Blockdiagramms veranschaulicht ist. Wie zuvor bereits beschrieben, nimmt der Fahrer Einfluss auf den Fahrzustand des Fahrzeugs 101, indem er bestimmte Größen E , wie etwa den Radeinschlagswinkel der lenkbaren Räder des Fahrzeugs 101 oder die Fahrzeuggeschwindigkeit einstellt. Hierdurch stellt sich ein Fahrzustand ein, der durch Fahrzustandsgrößen beschrieben werden kann. Mess- o- der Schätzwerte X₁ (i = \,...,N ) der Fahrzustandsgrößen werden mit Sensoren des Fahrzeugs 101 gemessen oder aus Messwerten von Sensoren abgeleitet. Die Werte X₁ der Fahrzustandsgrößen sowie die von dem Fahrer vorgegebenen Größen E werden dem KNN 500 als Eingangssignale O zugeführt. In dem KNN 500 werden Schätzwerte p_} (j = \,...,M) der Parameter eines Fahrzeugmodells berechnet. Bei dem Fahrzeugmodell kann es sich um das in der Referenzwertberechnungseinheit 104 verwendete Referenzfahrzeugmodell oder ein anderes Fahrzeugmodell handeln. In jedem Falle sollte das Fahrzeugmodell je- doch so gewählt werden, dass es die zu bestimmenden Parameter des Referenzmodells enthält. Die in dem KNN 500 ermittelten Schätzwerte p_} werden in einer Begrenzungseinrichtung 802 auf physikalisch sinnvolle bzw. mögliche Werte begrenzt. Hierdurch werden Schätzwerte p erhalten, die phy- sikalisch plausibel sind.

In der Recheneinrichtung 803 werden dann Schätzwerte X₁(P,) der Fahrzustandsgrößen anhand des gewählten Fahrzeugmodells berechnet, wofür der Recheneinrichtung 803 vorzugsweise auch die von dem Fahrer eingestellten Größen E zugeführt werden. Für die Parameter des Fahrzeugmodells werden die begrenzten Schätzwerte p der Berechnung zugrunde gelegt. Die derart berechneten Schätzwerte X₁(P_j) der Fahrzustands- größen werden dann in der Vergleichseinrichtung 804 mit den aus den Messungen gewonnen Werten X₁ der Fahrzustandsgrößen verglichen. In einer Ausführungsform werden bei dem Ver- gleich die Differenzen Ax₁

bestimmt. In anderen Ausführungsbeispielen können dem Vergleich jedoch auch andere mathematische Verknüpfungen, wie beispielsweise eine Quotientenbildung, zugrunde gelegt werden. Das Ergebnis des Vergleichs wird einer Adaptionseinrichtung 805 zugeführt, die das KNN 500 in Abhängigkeit von dem Ergebnis des Vergleichs anhand eines Lernverfahrens adaptiert. Das Training des KNN 500 anhand des Lernverfahrens erfolgt in aufeinanderfolgenden Zyklen, wobei in jedem Zyklus zunächst Schätzwerte p_j der Parameter p_} berechnet und dann eine Anpas- sung des KNN 500 vorgenommen wird.

Grundsätzlich kann ein Lernverfahren zum bestärkenden oder zum überwachten Lernen eingesetzt werden. Beim bestärkenden Lernen erfolgt die Anpassung des KNN 500 in Abhängigkeit davon, ob im Wesentlichen korrekte Schätzwerte der Modellparameter ermittelt worden sind oder nicht. Die Ermittlung im Wesentlichen korrekter Schätzwerte kann dabei beispielsweise dann festgestellt werden, wenn die Differenzen Ax₁ kleiner als vorgegebene Schwellenwerte sind. Beim überwach- ten Lernen erfolgt die Anpassung des KNN 500 in Abhängigkeit von der Güte der Schätzwerte. Die Güte der Schätzwerte wird anhand eines vorgegebenen Gütekriteriums bzw. einer Gütefunktion bestimmt. Da die tatsächlichen Werte der zu bestimmenden Parameter hier nicht anhand von Messungen be- stimmt werden können, wird die Güte der Schätzung anhand eines Gütekriteriums ermittelt, das auf das Ergebnis des Vergleichs zwischen den mithilfe der Sensoren ermittelten Werte X₁ und den in der Recheneinrichtung 804 berechneten Werten X₁(P_j) der herangezogenen Fahrzustandsgrößen angewendet wird. Das Gütekriterium kann grundsätzlich beliebig gewählt werden. Dabei ist jedoch zu beachten, dass die Schätzgüte von dem verwendeten Gütekriterium abhängt.

Bei einem Lernverfahren werden bestimmte Parameter bzw. Größen des KNN 500 verändert. Grundsätzlich können etwa die Verstärkungsfaktoren der Verbindung zwischen den Neuronen 201, die Aktivierungs-, Propagierungs- oder Ausgabefunktion eines oder mehrere Neuronen 201 oder der Schwellenwert eines oder mehrere Neuronen 201 angepasst werden. Im Hinblick auf die möglichen Lernverfahren besteht grundsätzlich keine Beschränkung. Es kann grundsätzlich jedes Lernverfahren ge- nutzt werden, das für das gewählte KNN 500 anwendbar ist. In einer Ausführungsform, insbesondere bei Verwendung eines Elman- oder Jordan-Netzes, kann beispielsweise ein dem Fachmann an sich bekanntes Backpropagation-Verfahren als Lernverfahren eingesetzt werden, bei dem die Gewichte zwi- sehen den Neuronen 201 des KNN 500 anhand eines Gradientabstiegsverfahrens angepasst werden. Ein derartiges Verfahren basiert auf einer zu minimierenden Fehlerfunktion, die im Falle des Backpropagation-Verfahrens das zuvor genannte Gütekriterium des Backpropagation-Verfahrens dar- stellt. Als Fehlerfunktion kann beispielsweise die Summe der quadrierten Differenzen Ax₁ verwendet werden.

Fahrzeugmodelle enthalten üblicherweise Näherungen, die nur in einem bestimmten Fahrzustandsbereich Gültigkeit besit- zen. Die Anpassung des KNN 500 wird daher in einer Ausführungsform nur dann vorgenommen, wenn ein derartiger Fahrzustand vorliegt. Dies wird in der Aktivierungseinrichtung 806 des in Figur 8 gezeigten Systems anhand einer Aktivierungslogik ermittelt, die insbesondere prüft, ob einige o- der alle Werte X₁ der Fahrzustandsgrößen in einem vorgegebenen Bereich liegen, der dem Gültigkeitsbereich des Fahr- zeugmodells entspricht. Ist dies der Fall, sendet die Aktivierungseinrichtung 806 ein Aktivierungssignal an die Adaptionseinrichtung 805, die daraufhin Anpassungen des KNN 500 vornimmt .

Mittels des KNN 500 werden vorzugsweise taktweise neue Schätzwerte p_} der Parameter berechnet, die aufgrund der Anpassung des KNN 800 zunehmend realistischer werden. Hierdurch erlernt das KNN 500 die Bestimmung von realistischen Schätzwerten p_} der Modellparameter. Wenn die Abweichung zwischen dem aus den Messwerten gewonnenen Werte X₁ und den mittels des Fahrzeugmodells berechneten Werten x_t(p ) der Fahrzustandsgrößen ausreichend gering ist, insbesondere, wenn die Differenz Ax₁ kleiner als ein Schwellenwert ist, werden die Schätzwerte p in dem Speicher 105 des Fahrdy- namikregelsystems gespeichert. Die Bestimmung der Schätzwerte P_J kann nach der Speicherung fortgesetzt werden, um die Werte weiter zu verbessern. Die gespeicherten Werte werden dabei regelmäßig aktualisiert.

Das zuvor dargestellte Verfahren kann mit einem Prototypen des Fahrzeugs 101 durchgeführt werden, um die Werte der in dem gewählten Referenzfahrzeugmodell enthaltenen Parameter vor dem Start der Serienproduktion des Fahrzeugs 101 zu ermitteln. In diesem Fall werden die optimierten Schätzwerte P_J der Parameter bei der Produktion des Fahrzeugs 101 in dem Speicher 105 des Fahrdynamikregelsystems hinterlegt. Die Parameterschätzung kann zudem im Normalbetrieb des Fahrzeugs 101 fortgesetzt werden. Dafür wird das Fahrzeug 101 mit der dargestellten Parameterschätzeinrichtung ausgestattet, welche das Parameterschätzverfahren während des Betriebs des Fahrzeugs 101 durchführt. Wenn die Abweichung zwischen dem aus den Messwerten gewonnenen Werte X₁ und den mittels des Fahrzeugmodells berechneten Werten X₁(P_j) der Fahrzustandsgrößen ausreichend gering ist bzw. sich verringert, werden die Schätzwerte p_} in dem Speicher 105 gespeichert bzw. die bereits gespeicherten Werte aktuali- siert. Da es sich um einen nicht-flüchtigen Speicher 105 wie etwa ein EEPROM handelt, dessen Daten bei unterbrochener Energiezufuhr nicht gelöscht werden, können die zuletzt gespeicherten Schätzwerte p_} nach einem Zündungsneustart übernommen werden.

Mittels der Parameterschätzeinrichtung können, wie zuvor dargestellt, direkt Schätzwerte p_} für die Parameter des Referenzfahrzeugmodells ermittelt werden. Gleichfalls ist es jedoch auch möglich, Abweichungen von vorgegebenen Aus- gangswerten zu ermitteln. Dies ist insbesondere im Normalbetrieb des Fahrzeugs 101 vorteilhaft, da auf diese Weise die bei Herstellung in dem Speicher 105 abgelegten Parameterwerte an veränderte Bedingungen angepasst werden können. Solange bis sich aufgrund des Parameterschätzverfahrens veränderte Parameterwerte ergeben, können die Ausgangswerte verwendet werden. Mittels des KNN 500 können die Schätzwerte p ermittelt und nachfolgend die Abweichungen von den Ausgangswerten bestimmt werden. Das KNN 500 kann jedoch auch so konfiguriert werden, dass es Schätzwerte für die Abweichung liefert. Vorteilhaft kann dabei durch eine geeignete Konfiguration des KNN 500 eine prozentual ausge- drückte relative Abweichung gegenüber den Ausgangswerten ermittelt werden.

Ein Beispiel für ein oftmals in Fahrdynamikregelsystemen als Referenzfahrzeugmodell verwendetes Modell ist das lineare Einspurmodell des Fahrzeugs 101. Für ein lineares Einspurmodell gelten die folgenden Modellgleichungen:

mit

b_t=^- K = Z₀ =^■ mv J J,

Hierbei bezeichnet ψ die Gierrate des Fahrzeugs 101, ß dessen Schwimmwinkel, v die Fahrzeuggeschwindigkeit und δ den Radeinschlagswinkel der lenkbaren Räder des Fahrzeugs 101. Ferner enthält das Modell folgende Parameter:

m '. Masse des Fahrzeugs

J_z : Trägheitsmoment des Fahrzeugs bezüglich seiner Hochachse (Gierachse)

/_v : in Fahrzeuglängsrichtung gemessener Abstand zwischen dem Fahrzeugschwerpunkt und der Vorderachse l_h '. in Fahrzeuglängsrichtung gemessener Abstand zwischen dem Fahrzeugschwerpunkt und der Vorderachse

C -. Seitensteifigkeit der Vorderreifen c_h '. Seitensteifigkeit der Hinterreifen

Die Fahrzeuggeschwindigkeit v ist im Einspurmodell vereinfacht ebenfalls als Parameter modelliert, obwohl es sich bei ihr um eine Zustandsgröße handelt. Daher wird der Wert der Fahrzeuggeschwindigkeit v nicht geschätzt. Die übrigen, zuvor aufgeführten Parameter des Modells sind jedoch von Interesse und werden daher geschätzt. Dabei kann angenommen werden, dass sich die Schwerpunktlage des Fahrzeugs 101 nicht wesentlich verändert, so dass die beiden Parameter l_v und l_h als konstant angenommen werden können. Sie müssen daher nicht zwingend geschätzt werden. Die übrigen Fahrzeugmodellparameter m , J_z , c_v und c_h sind nicht in einfacher Weise ermittelbar und können sich bei einer Ver- änderung des Beladungszustands des Fahrzeugs 101, durch Verschleiß der Reifen oder nach einem Reifenwechsel verändert und werden daher mittels des KNN 500 geschätzt.

Das lineare Einspurmodell bildet das Fahrzeugverhalten in einem linearen Fahrbereich realistisch ab. Falls auch in der Recheneinheit 804 das lineare Einspurmodell verwendet wird, wird die Anpassung des KNN 500 daher in diesem linearen Fahrbereich vorgenommen. Der Bereich ist dadurch gekennzeichnet, dass die Querbeschleunigung kleiner als etwa 0,4 g oder 4 m/s² ist (g bezeichnet die Erdbeschleunigung) . Daher wird in der Aktivierungseinrichtung 806 geprüft, ob der mittels eines Querbeschleunigungssensors gemessene Wert der Querbeschleunigung kleiner als dieser Wert ist. Ist dies der Fall, wird die Adaptionseinrichtung 805 aktiviert.

Bei Benutzung der Online-Parameteridentifikation durch ein KNN 500 ergibt sich eine Vereinfachung der Applikation des Referenzfahrzeugmodells. Es muss nicht mehr ein umfangreiches, fest definiertes Fahrmanöverprogramm abgefahren werden, um aus den dabei aufgezeichneten Messsignalen hinterher die Parameter des Referenzfahrzeugmodells zu berechnen. Bei dem Online-Identifikationsverfahren auf der Basis von KNN 500 reicht es aus, die Parameter online während des Fahrens zu bestimmen bzw. zu lernen. Dabei empfiehlt es sich aber dennoch, zur Parametrierung ein bestimmtes eventuell abgekürztes Fahrmanöverprogramm abzufahren.

Ferner ergibt sich als Vorteil der Erfindung, dass über die gesamte Lebensdauer des Fahrzeugs 101 die Parameter durch die Parameterschätzung immer optimal an eventuell aufgetretenen Parameterveränderungen angepasst sind, die beispiels- weise durch eine Veränderung des Beladungszustands oder durch Alterung bzw. Verschleiß verursacht werden kann. Somit stehen in dem Fahrdynamikregelsystem über die gesamte Lebensdauer des Fahrzeugs 101 die optimalen Parameter zur Verfügung.

Claims

Patentansprüche

1. Verfahren zum Ermitteln eines Werts eines Modellparameters eines Referenzfahrzeugmodells, d a du r c h g e k e n n z e i c h n e t, dass ein Schätzwert (P_j) des Modellparameters in Abhängigkeit von wenigstens einer zweiten Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe (E) mittels eines künstlichen neuronalen Netzes (500) mehrmals ermittelt wird, wobei das künstliche neuronale Netz (500) vor einer wiederholten Ermittlung des Schätzwerts (p.) anhand eines Lernverfahrens derart an- gepasst wird, dass sich der Schätzwert (P_j) des Modellparameters dem tatsächlichen Wert des Modellparameters annähert, und wobei der Schätzwert (p_j) nach einer wiederholten Ermittlung als Wert des Modellparameters gespeichert wird.

2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, dass der Schätzwert (P_j) des Modellparameters als Wert eines Parameters in einem weiteren Fahrzeugmodell zugrunde gelegt wird, wobei mittels des weiteren Fahrzeugmodells der Wert wenigstens einer dritten Fahrzustandsgröße bestimmt wird, und wobei die Anpassung des künstlichen neuronalen Netzes (500) in Abhängigkeit von dem Ergebnis eines Vergleichs zwischen dem berechneten Wert und einem mithilfe von Fahrzeugsensoren ermittelten Wert der dritten Fahrzustandsgröße durchgeführt wird.

3. Verfahren nach Anspruch 1 oder 2, d a d u r c h g e k e n n z e i c h n e t, dass das Referenzfahrzeugmodell und das weitere Fahrzeugmodell identisch sind.

4. Verfahren nach einem der vorangegangenen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass es sich bei dem Lernverfahren um ein Verfahren zum überwachten Lernen handelt.

5. Verfahren nach Anspruch 4, d a d u r c h g e k e n n z e i c h n e t, dass es sich bei dem Lernverfahren um ein Backpropaga- tion-Verfahren handelt.

6. Verfahren nach einem der vorangegangenen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Anpassung des künstlichen neuronalen Netzes (500) mittels des Lernverfahrens nur dann vorgenommen wird, wenn der mithilfe der Fahrzeugsensoren ermittelte Wert der dritten Fahrzustandsgröße in einem vorgegebenen beschränkten Bereich liegt.

7. Verfahren nach Anspruch 6, d a d u r c h g e k e n n z e i c h n e t, dass der beschränkte Bereich einem Gültigkeitsbereich des weiteren Fahrzeugmodells entspricht.

8. Verfahren nach einem der vorangegangenen Ansprüche, d a du r c h g e k e n n z e i c h n e t, dass mittels des künstlichen neuronalen Netzes (500) Abweichungen des Schätzwerts (p_j) des Modellparameters von einem Ausgangswert ermittelt werden.

9. Verfahren nach einem der vorangegangenen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass sich der tatsächliche Wert des Modellparameters mit der Zeit verändert.

10. Verfahren nach einem der vorangegangenen Ansprüche d a d u r c h g e k e n n z e i c h n e t, dass der Modellparameter enthalten ist in der Gruppe, umfassend eine Masse des Fahrzeugs, Trägheitsmomente des Fahrzeugs und Schräglaufsteifigkeiten von Rädern des Fahrzeugs.

11. Verfahren nach einem der vorangegangenen Ansprüche d a du r c h g e k e n n z e i c h n e t, dass der Schätzwert (P_j) des Modellparameters während eines Normalbetriebs des Kraftfahrzeugs (101) ermittelt wird.

12. Verfahren nach einem der vorangegangenen Ansprüche d a du r c h g e k e n n z e i c h n e t, dass Schätzwert (p.) in einem nicht-flüchtigen Speicher (105) des Fahrzeugs (101) gespeichert wird, und dass der gespeicherte Wert aktualisiert wird, wenn sich der Schätzwert (P_j) gegenüber dem gespeicherten Wert verändert.

13. Verfahren zum Beeinflussen des Fahrzustands eines Kraftfahrzeugs (101), bei dem der Fahrzustand in Abhängigkeit von einer Abweichung (AY) zwischen einem Istwert (Y₁₁₁₁) einer ersten Fahrzustandsgröße (Y) und einem Referenzwert (Y_ref) der ersten Fahrzustandsgröße (Y) be- einflusst wird, wobei der Referenzwert (Y_ref) in einem wenigstens einen Modellparameter enthaltenden Referenzfahrzeugmodell ermittelt wird, d a du r c h g e k e n n z e i c h n e t, dass ein Wert des Modellparameters anhand eines Verfahrens nach einem der vorangegangenen Ansprüche bestimmt wird.

14. Computerprogrammprodukt, d a d u r c h g e k e n n z e i c h n e t, dass es einen Algorithmus definiert, der ein Verfahren nach einem der vorangegangenen Ansprüche umfasst.

15. Vorrichtung zum Ermitteln eines Werts eines Modellparameters eines Referenzfahrzeugmodells, d a du r c h g e k e n n z e i c h n e t, dass ein künstliches neuronales Netz (500) vorgesehen ist, das dazu ausgebildet ist, einen Schätzwert (p_j) des Modellparameters in Abhängigkeit von wenigstens einer zweiten Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe (E) mehrmals zu ermitteln, wobei das künstliche neuronale Netz (500) vor einer wiederholten Ermittlung des Schätzwerts (p_j) derart anpassbar ist, dass sich der Schätzwert (p_j) des Modellparameters ( P_j ) dem tatsächlichen Wert des Modellparameters ( P_j ) annähert, und wobei der Schätzwert (p_j) nach einer wiederholten Ermittlung als Wert des Modellparameters in einem Speicher (105) speicherbar ist.

16. System zum Beeinflussen des Fahrzustands eines Kraftfahrzeugs (101), umfassend eine Regeleinrichtung (102), die dazu ausgebildet ist, in Abhängigkeit von einer Abweichung ( Δ7 ) zwischen einem Istwert (Y_ιst) einer ersten Fahrzustandsgröße (Y) und einem Referenzwert (Y_ref) der ersten Fahrzustandsgröße (Y) eine Stellgröße zur Ansteuerung eines den Fahrzustand beeinflussenden Aktua- tors (103) zu bestimmen, wobei der Referenzwert ( Y_ref ) in einem wenigstens einen Modellparameter enthaltenden Referenzfahrzeugmodell ermittelbar ist, d a du r c h g e k e n n z e i c h n e t, dass es eine Vorrichtung nach Anspruch 15 zum Ermitteln eines Werts des Modellparameters umfasst.