Technische Hochschule Ingolstadt Forschungsbericht 2019
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Prädiktive Streckendaten<br />
Car2X, Online Dienste und<br />
Informationen<br />
Fahrzeugumgebung,<br />
Short-Range<br />
Institute<br />
35<br />
Fahrerabhängige Leistungsprädiktion<br />
Aufgrund steigender Nachfrage an Effizienz sowie an Sicherheits- und Komfortthemen,<br />
gewinnen vorausschauende Funktionen in der Automobilindustrie<br />
an Bedeutung. So unterstützen heute bereits prädiktive Algorithmen<br />
den Fahrer durch vernetzte digitale Funktionen (u.a. Navigation und Connect<br />
Diensten), effiziente Ausrollvorgänge (z. B. PEA), Sicherheitsthemen, Reichweitenmanagement,<br />
z. B. bei Battery Electric Vehicles (BEVs), optimale<br />
Betriebsstrategien, z. B. bei Hybrid Electric Vehicles (HEVs) und viele weitere<br />
Anwendungen im modernen Fahrzeug.<br />
Durch fahrerindividuelle Einflüsse und teils störbehaftete Daten sind<br />
allgemeingültige Vorhersagen schwierig und können auch missverständlich<br />
auf den Fahrer wirken. Beispielsweise wird dem Fahrer eine größere Reichweite<br />
bei einem BEV vorhergesagt, als die tatsächlich erreichbare, oder die<br />
Betriebsstrategie eines HEVs ist nicht auf die fahrerindividuelle Fahrweise<br />
abgestimmt. Aus diesem Grund ist es unerlässlich, das fahrerindividuelle<br />
Verhalten und dessen Einflüsse für eine möglichst komfortable, verbrauchsarme<br />
und verlässliche Fahrzeugführung zu bestimmen.<br />
Im Forschungsprojekt „Fahrerabhängige Leistungsprädiktion“ steht der<br />
Fahrer in Interaktion mit dem Fahrzeug und der Fahrumgebung, siehe Abbildung<br />
links. Interessant hierbei sind die fahrerspezifischen Einflussgrößen,<br />
welche die Fahrleistung direkt oder indirekt beeinflussen. Um die Prädiktion<br />
auf einen Long-Range-Horizont umzusetzen, müssen alle Fahrumgebungsparameter<br />
prädiktiv, beispielsweise durch moderne Navigationsgeräte, vorhanden<br />
sein. Unter Fahrumgebung werden unterschiedliche Merkmale, wie<br />
gesetzliche Geschwindigkeitsbegrenzung, Kurvenkrümmung, Verkehrsdichte,<br />
Stau, Ampeln, etc. verstanden. Sollte der Fahrer kein Navigationsziel gewählt<br />
haben, ist das Endziel sowie die Routenwahl auf Basis von Wahrscheinlichkeitsverteilungen<br />
abschätzbar.<br />
Das Kooperationsprojekt mit dem Partner AUDI AG ist datengetrieben<br />
und wendet verschiedene Maschine Learning Technologien an. Zur Datengenerierung<br />
wurde eine Android-Smartphone-App entwickelt, welche über die<br />
Fahrzeug-OBD-II-Schnittstelle und das GPS- und Beschleunigungsmodul des<br />
Smartphones Daten bezieht und diese an einen Server sendet. Hierbei handelt<br />
es sich um naturalistische Daten unterschiedlicher Fahrer sowie verschiedene<br />
Fahrzeuge in wechselnder Fahrumgebung. Bis dato wurden über 35.000 km<br />
Fahrstrecke mit einer Abtastfrequenz von 10 Hz in Deutschland, Österreich,<br />
Dänemark, Norwegen und Schweden geloggt, siehe Abbildung rechts. Durch<br />
unterschiedliche Data-Preprocessing-Stufen sind diese mit Fahrumgebungsdaten<br />
von Kartenherstellern, wie OpenStreetMap und HERE, angereichert.<br />
Die Entwicklung der prädiktiven Algorithmen folgt auf Basis dieser<br />
naturalistischen Datengrundlage, um eine verbesserte reale fahrerabhängige<br />
Leistungsprädiktion zu schätzen. Die resultierenden Ergebnisse zeigen<br />
Verbesserungen der Leistungsprädiktion im Vergleich zu allgemeingültigen<br />
Aussagen, u. a. mit online Geschwindigkeitsdaten. Zudem lassen die Algorithmen<br />
eine Fahrerklassifizierung bzw. eine Fahrstilerkennung zu.<br />
Prof. Dr.-Ing. Christian Endisch<br />
Fachgebiet Elektromobilität und lernfähige<br />
Systeme<br />
Johannes Ziegmann, M.Sc.<br />
Wissenschaftlicher Mitarbeiter<br />
Projektnehmer/Fördermittelgeber<br />
Fahrumgebung<br />
Vorausschauende Antriebsfunktionen des Egofahrzeug<br />
(Predictive Powertrain)<br />
Fahrer<br />
Vorausschauende Antriebsfunktionen – Fahrumgebung,<br />
Fahrer, Fahrzeug. Quelle: Joh. Ziegmann<br />
Gemessene naturalistische Fahrzeug- und<br />
Fahrumgebungsdaten von über 35 000 km Fahrstrecke.<br />
Quelle: Joh. Ziegmann<br />
Driver-Dependent Predictive Powertrain Parameters<br />
The constant increase in vehicle efficiency as well as<br />
comfort and safety is causing the automobile industry to<br />
focus more on predictive driver-dependent functions. To<br />
ensure that the range management in battery electric vehicles<br />
remains robust and reliable, for example, a method<br />
of performance prediction that considers the individual<br />
driver is absolutely necessary. Whereas ego vehicle parameters<br />
simply need to coordinate model and system,<br />
the demands for driver-dependent predictive contexts<br />
face further complications. These will include the chosen<br />
route, the driver’s motivation, time management, style of<br />
driving and other unknown variables.<br />
This research project relies, therefore, on various machine<br />
learning technologies placed through differing sets of environmental<br />
driving parameters in order to show how a driver’s<br />
performance can depend on the driving environment.<br />
To accomplish this, real natural driving data were recorded<br />
Referenzen:<br />
J. Ziegmann, F. Denk, U. Vögele und C. Endisch, „Stochastic Driver Velocity Prediction with<br />
Environmental Features on Naturalistic Driving Data“, IEEE 21th ITSC 2018.<br />
J. Ziegmann, M. Schmid, C. Endisch. „Sensitivity Analysis for Driver Energy Prediction with<br />
Environmental Features and Naturalistic Data“, IEEE 22nd INES 2018.<br />
and predictive algorithms were derived from them. The results<br />
of the algorithms clearly demonstrated improved driver-dependent<br />
prediction. Driver classification and driving<br />
style recognition are furthermore possible. This cooperative<br />
research project was underwritten by AUDI AG.