Optimierung und Applikation des Lenkungs-Feedbacks in der Fahrsimulation unter Anwendung von künstlicher Intelligenz

Inhaltsverzeichnis

1. Frontmatter

2. Kapitel 1. Einleitung

   Andreas Dieing

   Zusammenfassung

   Die Zahl der zugelassenen PKW in Deutschland am 1. Januar 2024 beträgt 46,1 Millionen mit einem durchschnittlichen Alter von ca. 10 Jahren [1]. Im Jahr 2023 wurden 2,8 Millionen neu zugelassen, wobei der Zuwachs von Sport Utility Vehicles (SUV) und Fahrzeugen der Kompaktklasse bei 10 % liegt [2]. Um den ansteigenden Bedarf an Produkten, gesetzlichen Anforderungen und Sicherheitsaspekten gerecht zu werden, versuchen die Produkthersteller (Original Equipment Manufacturer, OEMs) durch Frontloading und Simultanous Engineering den Entwicklungs- bzw. den Produktentstehungs-prozess zu optimieren [3].

3. Kapitel 2. Stand der Technik und Grundlagen

   Andreas Dieing

   Zusammenfassung

   Im folgenden Kapitel werden die zum Verständnis notwendigen Grundlagen vermittelt. Ausgehend von statistischen Metriken und digitalen Filtermethoden in Kapitel 2.1 sind in Kapitel 2.2 aktuelle und zukünftige Lenksysteme im Fahrzeug aufgeführt. In Kapitel 2.3 wird auf die menschliche Wahrnehmung und die subjektive Bewertung des Lenkgefühls eingegangen.

4. Kapitel 3. Methodik

   Andreas Dieing

   Zusammenfassung

   In diesem Kapitel wird der Aufbau des kompletten Lenkungs-Feedback-Systems bzw. das Simulationsmodell der Lenkung erläutert. Ausgehend von einem minimalistischen Lenkungssystem wird dieses modular um charakteristische Modellbausteine ergänzt, die signifikante Einflussgrößen im On-Center-Bereich wie Reibung, Winkelfehler durch Gelenke und Lagerungen sowie Charakteristika der Hilfskraftunterstützung und Rückstellung in die Mittellage enthalten. Anschließend wird die Methodik um einen komplementären Ansatz durch neuronale Netze erweitert und das physikalische Grundmodell zu einem hybriden Lenkungsmodell ergänzt.

5. Kapitel 4. Umsetzung und Optimierung

   Andreas Dieing

   Zusammenfassung

   Dieses Kapitel beschreibt die Vorgehensweise zur Einteilung der Training- und Testdatensätze, die Konfigurationsauswahl sowie Parameterstudien für die Optimierung des hybriden Software-Lenkungsmodells mit den Ansätzen aus Kapitel 3.3. Beginnend mit der Datenvorverarbeitung erfolgt anschließend die Erweiterung des Lenkungs-Grundmodells mit optimierten neuronalen Netzen einschließlich Anpassung von Hyperparametern sowie der Vergleich der benötigten Rechenleistung zur Laufzeit.

6. Kapitel 5. Ergebnisse und Diskussion

   Andreas Dieing

   Zusammenfassung

   Im Folgenden werden die erzielten Resultate der entwickelten Gütefunktion für die in Kapitel 3 und 4 erstellten Softwaremodelle der Lenkung aufgezeigt. Es erfolgt eine Erweiterung mit Kraft- und Weganregung im physikalischen Lenkungs-Grundmodell sowie eine Überprüfung mit einem unbekannten Testdatensatz außerhalb des On-Center-Bereichs. Die abschließende Verifizierung und Validierung des selektierten hybriden Lenkungsmodells der „Performance“-Variante erfolgt durch eine Probandenstudie im Stuttgarter Fahrsimulator mit dem Fahrzeug-Mockup und Force-Feedback-Lenksystem.

7. Kapitel 6. Schlussfolgerung und Ausblick

   Andreas Dieing

   Zusammenfassung

   Im Rahmen der vorliegenden Arbeit wird eine Methode zur Optimierung des haptischen Lenkgefühls mit der Kombination aus physikalischem Softwaremodell der Lenkung und neuronalen Netzwerken für die Anwendung in Fahrsimulatoren mit Force-Feedback-System vorgestellt. Basierend auf Messdaten eines Fahrzeuges der mittleren Kompaktklasse wird ein vereinfachtes physikalisches Lenkungsmodell mit erweitertem dynamischen Lund-Grenoble-Reibmodell entwickelt. Ausgehend von diesem werden mehrere neuronale Netzwerkkonfigurationen untersucht und verglichen.

8. Backmatter