Technische Hochschule Ingolstadt Forschungsbericht 2019

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