2024 | Book

Künstliche neuronale Netzwerke zur adaptiven Fahrdynamikregelung

Author: Jonas Kaste

Publisher: Springer Fachmedien Wiesbaden

Part of: Springer Professional "Business + Economics & Engineering + Technology" , Springer Professional "Engineering + Technology"

Table of Contents

About this book

In dem vorliegenden Buch wird der Einsatz eines hybriden Regelungskonzeptes für die Fahrdynamikregelung eines autonomen Versuchsträgers untersucht. Dabei wird ein modellbasierter, kaskadierter Querdynamikregler um ein künstliches neuronales Netzwerk (KNN) erweitert. Das KNN wird ohne „Vorwissen“ implementiert und aktiv im geschlossenen Regelkreis trainiert. Die Untersuchungen werden dabei sowohl in Simulationen, als auch in einem realen Versuchsträger durchgeführt. Die Versuche zeigen das Leistungsvermögen des hybriden Regelungskonzeptes. Bei geringer Fahrzeugdynamik ist eine präzise Fahrzeugführung auch ohne KNN möglich. Bei hoher Dynamik resultieren jedoch Abweichungen vom Sollkurs, die durch das iterativ lernende Netzwerk schrittweise reduziert werden. Durch die situationsabhängige Optimierung der Netzwerkgewichte wird der Einfluss des systematischen Fehlers des zu Grunde liegenden Modells kompensiert und die Regelgüte verbessert. Dieses Verhalten kann durch geeignete Auswahl der Designparameter des KNN für jedes der betrachteten Szenarien aufgezeigt werden. Die Anpassung der Netzwerkgewichte ermöglicht sowohl im Fehlerfall als auch bei hoher Fahrzeugdynamik und ungenauer Systemidentifikation eine Verbesserung der Regelgüte im Vergleich zum rein modellbasierten Basisregler.

Frontmatter

Kapitel 1. Motivation und Stand der Technik

Zusammenfassung

Das erste Kapitel beschreibt die Motivation der Arbeit, den Aufbau sowie den Stand der Technik. Dabei werden die Forschungsfrage und Ziele der Ausarbeitung erörtert und die Notwendigkeit in Relation zu aktuellen Trends und Prognosen zukünftiger Mobiltätskonzepte gesetzt. Des Weiteren wird die geschichtliche Entwicklung sowie der derzeitige Stand der Technik für die beiden Kernaspekte automatisches Fahren und künstliche neuronale Netzwerke dargestellt und auf existierende Ansätze zur Integration von neuronalen Netzwerken in die Fahrdynamikregelung eingegangen. Zudem wird die vorliegende Arbeit in Relation zu existierenden Arbeiten in diesem Themenfeld bewertet und Überschneidungen sowie neuartige Betrachtungen und Konzepte dargestellt.

Jonas Kaste

Kapitel 2. Fahrzeugtechnische Grundlagen

Zusammenfassung

Im zweiten Kapitel werden die fahrzeugtechnischen Grundlagen erläutert, die als Basis der modellierten Regelstrecke in der „closed-loop“-Simulation sowie der modellbasierten Anteile der Regelungsstrategie im späteren Fahrversuch dienen. Zunächst werden die Herausforderungen diskutiert, die sich für die Fahrdynamikregelung in Bezug auf die im Rahmen dieser Arbeit untersuchte laterale Regelung eines automatisch fahrenden Versuchsträgers bis in den physikalischen Grenzbereich ergeben und geeignete Modelle dargestellt. Dabei wird der Fokus auf das lineare Einspurmodell sowie geeignete Erweiterungen wie ein Wankmodell, Aktormodelle und nichtlineare Reifenmodelle gelegt.

Jonas Kaste

Kapitel 3. Theorie künstlicher neuronaler Netzwerke

Zusammenfassung

Das dritte Kapitel liefert eine Übersicht zu den theoretischen Grundlagen künstlicher neuronaler Netzwerke. Dabei wird zunächst auf die biologisch motivierte Abbildung abstrahierter Neuronenmodelle eingegangen und verschiedene, für die Arbeit relevante Modelle unterschiedlicher Komplexität dargestellt. Anschließend steht die Signalverarbeitung innerhalb des Netzwerks im Fokus. Ein Aspekt ist die Diskussion unterschiedlicher Aktivierungsfunktionen sowie deren Vor- und Nachteile. Darüber hinaus wird der Trainingsprozess, der das Erlernen von funktionalen Zusammenhängen ermöglicht, beschrieben. Zuletzt werden in der Literatur diskutierte Lösungsstrategien dargestellt, die auf Basis eines Gradientenabstiegs unterschiedliche Strategien zur Gewichtsanpassung innerhalb des neuronalen Netzwerkes bereitstellen und im Rahmen der Arbeit implementiert und mit Blick auf die adaptive Fahrdynamikregelung untersucht werden.

Jonas Kaste

Kapitel 4. Adaptive Fahrdynamikregelung

Zusammenfassung

Das vierte Kapitel betrachtet das herangezogene Regelungskonzept, welches um ein online trainiertes neuronales Netzwerk zum Ausgleich von Störungen, Fehlern und Modellunsicherheiten erweitert wird. Zunächst werden die Anforderungen an das Regelungskonzept dargestellt und die Gründe der hybriden Regelungsarchitektur erläutert. Für weite Teile der im Fahrversuch und Simulation durchgeführten Untersuchungen wird ein Inversionsregler zur lateralen Fahrdynamikregelung verwendet. Daher liegt der Fokus auf der verständlichen Darstellung der Reglerarchitektur des Basisreglers sowie dessen Erweiterung um ein künstliches neuronales Netzwerk. Darüber hinaus werden kurz die Annahmen zur Längsdynamikregelung dargestellt.

Jonas Kaste

Kapitel 5. Simulationen als Grundlage für Fahrversuche

Zusammenfassung

Im fünften Kapitel wird zunächst die betrachtete Simulationsumgebung erläutert und auf bisher vernachlässigte Komponenten wie Bahnplanung, „Map-Matching“ und Zustandsbeobachter eingegangen. Um eine spätere Eignung der in der Simulation gewonnenen Erkenntnisse für den Realversuch bewerten zu können, werden zunächst Simulationsergebnisse für die Basisregelarchitektur mit Daten aus dem Fahrversuch verglichen. Dazu werden bei identischer Trajektorie, Parametrierung und Geschwindigkeitsprofil, die Verläufe für Querbeschleunigung und Gierrate im linearen und nichtlinearen Operationsbereich bewertet, um eine Aussage über die Abbildegenauigkeit der Simulation gegenüber dem Realfahrzeug generieren zu können. Anschließend wird ein Szenario definiert, welches die Grundlage für initiale Untersuchungen des Basisreglers sowie der Erweiterung um ein neuronales Netzwerk darstellt.

Jonas Kaste

Kapitel 6. Effekte auf die Adaptionsgeschwindigkeit des KNN im geschlossenen Regelkreis

Zusammenfassung

Das sechste Kapitel analysiert im Rahmen des zuvor beschriebenen Szenarios die Einflüsse von unterschiedlichen Trainingsverfahren, Aktivierungsfunktionen und Netzwerkarchitekturen auf die Fahrzeugquerführung. Der Fokus liegt in diesem Abschnitt auf der Adaptionsgeschwindigkeit der Netzwerkgewichte und einer Abschätzung geeigneter Hyper- und Designparameter. Diese werden miteinander verglichen und sowohl für unterschiedliche Netzwerktopologien, als auch über eine statistische Mittelung gleicher Topologien mit unterschiedlicher Gewichtsinitialisierung auf reproduzierbare Trainingsergebnisse, Robustheit und Echtzeitfähigkeit bewertet.

Jonas Kaste

Kapitel 7. Langzeitstabilität des neuronalen Netzwerkes im geschlossenen Regelkreis

Zusammenfassung

Im siebten Kapitel werden die bisherigen Erkenntnisse unter der Randbedingung eines robusten Langzeitbetriebes untersucht. Dabei wird die Eignung neuronaler Netzwerke zur iterativen Verbesserung der Führungsgenauigkeit für das zuvor betrachtete Szenario bewertet und geeignete Schritte zur Stabilisierung und Überwachung des Netzwerks im Rahmen der Anwendung im geschlossenen Regelkreis diskutiert. Der Fokus liegt auf geeigneter Vorverarbeitung der Daten sowie Regularisierung der Netzwerkgewichte und Implementierung von Fehlerschranken.

Jonas Kaste

Kapitel 8. Generalisierbarkeit bisheriger Erkenntnisse

Zusammenfassung

Im achten Kapitel sollen die gewonnenen Erkenntnisse bezüglich geeigneter Trainingsverfahren, Netzwerktopologie und Stabilisierungsmetriken simulativ für eine breitere Auswahl unterschiedlicher Szenarien erfolgen. Dabei werden sowohl die Streckengeometrie als auch die Systemdynamik variiert, um aufzuzeigen, dass ein stabiler Betrieb des neuronalen Netzwerkes in variablen, komplexen Umgebungsbedingungen möglich ist. Ein weiterer Aspekt der untersucht wird, ist die sukzessive Annäherung an die physikalischen Grenzen der zu Grunde liegenden Reifenmodelle, um das Verhalten des Netzwerkes mit Berücksichtigung implementierter Stabilisierungsmetriken, in grenzbereichsnahen Szenarien, bewerten zu können. Zuletzt werden die evaluierten Parameter bezüglich der Konvergenzgeschwindigkeit beim Aufschalten einer externen Störung untersucht und die Möglichkeit einer echtzeitfähigen Adaption an unvorhergesehene Systemzustände diskutiert.

Jonas Kaste

Kapitel 9. Auswertung der Fahrversuche

Zusammenfassung

Im neunten Kapitel werden die Erkenntnisse, die im Rahmen der Simulationen gewonnen wurden, im Realfahrversuch umgesetzt und der Einfluss der bereits analysierten Netzwerkparameter unter den komplexen Randbedingungen realer Umgebungseinflüsse untersucht. Dabei wird die um neuronale Netzwerke erweiterte Fahrdynamikregelung bis in den physikalischen Grenzbereich auf Hoch- und Niedrigreibwert sowie für unterschiedliche Trajektorien und unter den Gesichtspunkten eines robusten Langzeitbetriebs sowie schneller Fahrzeugstabilisierung im Falle synthetischer Störungen evaluiert. Dies geschieht unter dem Gesichtspunkt echtzeitfähiger Anpassung der Netzwerkgewichte auf nicht speziell für die Ausführung neuronaler Netzwerke entwickelter Hardware.

Jonas Kaste

Kapitel 10. Zusammenfassung und Ausblick

Zusammenfassung

In dieser Arbeit wurde die Kombination eines modellbasierten Regelungskonzeptes und eines lernenden, künstlichen neuronalen Netzwerkes zur Querführung eines autonomen Versuchsträgers untersucht. Dabei wird das Netzwerk nicht wie üblich mit großen Datenmengen vortrainiert, sondern ausschließlich im geschlossenen Regelkreis optimiert. Die primäre Intention liegt dabei insbesondere in der effizienten Nutzung vorhandener Ressourcen sowie der Symbiose einer modellfreien und einer modellbasierten Systemkomponente. Im zehnten und letzten Abschnitt werden die gewonnenen Ergebnisse der Arbeit zusammengefasst und final diskutiert. Zum Abschluss erfolgt ein Ausblick auf mögliche Anknüpfungspunkte für folgende Arbeiten.

Jonas Kaste

Backmatter

Title: Künstliche neuronale Netzwerke zur adaptiven Fahrdynamikregelung
Author: Jonas Kaste
Publisher: Springer Fachmedien Wiesbaden
Electronic ISBN: 978-3-658-43109-9
Print ISBN: 978-3-658-43108-2
DOI: https://doi.org/10.1007/978-3-658-43109-9