KI-basierte Fahrwerksregelung KIFAHR

Kurzfassung

Für die Vertikaldynamikregelung von semi-aktiven Dämpfern werden neuartige Regelungsansätze benötigt, welche für den Zielkonflikt zwischen Komfort und Fahrsicherheit unter Berücksichtigung von verschiedenen Einflussfaktoren, wie veränderliche Beladungen, unterschiedlichste Fahrbahnoberflächen, Reifentypen, Reifendrücke und Wetterbedingungen einen besseren Kompromiss als Regler nach dem Stand der Technik realisieren. Die herkömmliche Umsetzung einer semi-aktiven Vertikaldynamikregelung beinhaltet in der Praxis sowie in den meisten wissenschaftlichen Veröffentlichungen das Zusammenführen folgender Komponenten: Ein parametrisiertes Synthesemodell (meist ein so genanntes Viertelfahrzeugmodell), ein Regelansatz, der darauf abzielt eine Zielgröße zu minimieren sowie eine Auswahl an Sensorsignalen als Eingänge des Reglers. Methoden des maschinellen Lernens bieten die Möglichkeit, das Regelgesetz aus gemessenen Daten und der Interaktion mit System oder Simulation automatisiert zu lernen. Für den Regler stellen Methoden des Reinforcement Learnings (RL) einen vielversprechenden Ansatz dar. In mehreren Veröffentlichungen wurde bereits die Leistungsfähigkeit von RL-basierten Methoden für die Anwendung auf regelungstechnische Probleme gezeigt. Entsprechende Ansätze wurden bisher nur vereinzelt an einer semi-aktiven Vertikaldynamikregelung erprobt. Ziel des Projekts war es, eine stärkere Automatisierung des Reglerauslegungsprozesses zu erreichen. Gleichzeitig soll das Potential von intelligenten Lernverfahren, insbesondere Reinforcement Learning, für die Regelung von semi-aktiven Dämpfern im Fahrwerksbereich bestimmt werden. Hierfür sollen auf der Basis von realen Messdaten und daraus abgeleiteten Systemmodellen intelligente Lernverfahren zur Auslegung des Reglers zum Einsatz kommen. Ziel ist es zudem, die Sicherheit des Systems im Betrieb mit einem Absicherungskonzept für die Umsetzung der gelernten Regler zu gewährleisten und damit die Praxistauglichkeit der entwickelten Konzepte am Versuchsträger in Prüfstandsversuchen und realen Versuchsfahrten zu demonstrieren. Das Versuchsfahrzeug AFM (AI for Mobility, einem straßenzugelassenen Versuchsfahrzeug mit Drive-By-Wire Kit) wurde mit den nötigen Sensoren und Aktuatoren sowie Rapid Control Prototyping (RCP) Systemen ausgerüstet. Durch umfangreiche Vermessung von sowohl Einzelkomponenten als auch dem gesamten Fahrzeug wurde eine umfassende Datenbasis für die Modellierung und das Lernen von Neuronalen Netzen geschaffen. Auf Basis dieser Messdaten wurden Komponentenmodelle und Modelle des gesamten Fahrzeugs erstellt. Bei der Modellierung des Dämpfers kamen sowohl datenbasierte Modellierungsmethoden basierend auf Neuronalen Netzen als auch physikalisch motivierte Methoden zum Einsatz. Darüber hinaus wurden Fahrzeugmodelle in unterschiedlicher Komplexität und Simulationsdauer je nach Einsatzzweck erstellt. Für das Training des Reglers, den Reglerexport und die Reglervalidierung wurden neue Software-Werkzeugketten entwickelt oder bestehende Werkzeugketten für den Anwendungszweck umfassend erweitert und angepasst. Zur Ausführung des gelernten Reglers wurde innerhalb des Projekts ein neues und leistungsstarkes Steuergerät für die Vertikaldynamikregelung entwickelt und eine vorkompilierte Reglerbibliothek bereitgestellt. Um die sichere Ausführung des Reglers gewährleisten zu können, wurde ein Absicherungskonzept entwickelt und im realen Fahrversuch erprobt. Die Performance des in Simulation gelernten Reglers wurden sowohl qualitativ im realen Fahrversuch als auch quantitativ durch Messungen an einem Vertikaldynamikprüfstand bestätigt. Insgesamt wurde mittels Methoden des Reinforcement Learnings ein Regelgesetz gelernt, welches qualitativ und quantitativ einen Regler auf dem Stand der Technik in den meisten Anregungsszenarien übertreffen kann. In dem Vorhaben wurden Methoden der künstlichen Intelligenz aus der Wissenschaft - insbesondere aus dem Bereich des Reinforcement Learnings (RL) - in die praktische Anwendung für die Regelung und Abstimmung von semi-aktiven Dämpfern straßengebundener Fahrzeuge transferiert. Die Automatisierung des Reglerauslegungsprozesses mittels RL und der Generierung von Systemmodellen aus Messdaten bietet den Projektpartner KW automotive hochmoderne Methoden, um aktuelle und künftige Anforderungen der Märkte effizient zu bedienen. Durch die Zusammenarbeit zwischen KW automotive und dem DLR-Institut für Systemdynamik und Regelungstechnik wurde darüber hinaus bei KW automotive Wissen im Bereich der KI eingeführt und in die Praxis umgesetzt. Die Firma KW wurde somit dazu befähigt, KI-Anwendungen nicht nur zu nutzen, sondern auch zu verstehen, in einem nächsten Schritt weiterzuentwickeln und in ihre Produkte zu integrieren. Durch die Erprobung des Reglers auf einem Prototypensystem wurde die Anwendbarkeit von RL-basierten Reglern in der Praxis gezeigt. Die KW automotive GmbH wird sich im Anschluss an das Kooperationsprojekt mit der Überführung des prototypischen Aufbaus in eine seriennahe Anwendung beschäftigen, um die beschriebenen Vorteile in Ihre Produkte einfließen zu lassen. Die Erfahrung aus vorangegangen Forschungsprojekten zeigt hier einen zeitlichen Horizont von 2-3 Jahren bis zur Einführung der neuen Technologien (Prototypen – Vorserie – Serie). Die entwickelten methodischen Ansätze werden im Anschluss an das Projekt innerhalb des beteiligten DLR-Instituts abstrahiert, optimiert und weiterentwickelt. Ziel des Instituts ist es weitere methodische Fortschritte im Bereich der KI-gestützten Regelungsmethoden in der Robotik, der Luft- und Raumfahrt sowie dem Automobil- und Schienenfahrzeugbereich zu erzielen.