Neue ACC-Strategie für Elektrofahrzeuge
Ein Durchbruch in der Entwicklung intelligenter Fahrerassistenzsysteme für Elektrofahrzeuge ist Forschern der Shanghai University of Engineering Science gelungen. Das Team um Hu Shengli, Zhang Huanhuan, Jiang Zhongshun und Chang Xiaoyu hat eine neuartige, mehrschichtige Steuerungsstrategie für adaptive Tempomaten (ACC) in verteilten Elektrofahrzeugen vorgestellt, die die Sicherheit, Effizienz und Fahrkomfort auf bisher unerreichte Weise verbessert. Ihre umfassende Studie, die in der angesehenen Fachzeitschrift Mechanical Science and Technology for Aerospace Engineering veröffentlicht wurde, beschreibt einen ganzheitlichen Ansatz, der kritische Schwachstellen bestehender ACC-Systeme adressiert, insbesondere in komplexen Fahrsituationen wie Steigungen und Kurven. Diese Arbeit stellt einen bedeutenden Meilenstein dar, der die Zukunft der intelligenten Mobilität maßgeblich beeinflussen könnte.
Die Evolution des adaptiven Tempomats ist untrennbar mit dem Fortschritt hin zu vollständig autonomen Fahrzeugen verbunden. Aus einem einfachen System zur Geschwindigkeitsregelung hat sich der ACC zu einer hochkomplexen Technologie entwickelt, die in der Lage ist, einen sicheren Abstand zum Vorderfahrzeug zu halten, im Stau vollständig anzuhalten und anschließend wieder anzufahren. Das Herzstück der meisten modernen ACC-Systeme ist das Konzept des „Zeitabstands“ (Time Headway), der die Zeit beschreibt, die ein nachfolgendes Fahrzeug benötigt, um die Stelle zu erreichen, an der sich das Vorderfahrzeug gerade befindet. Traditionell wurde dieser Wert als konstant angenommen, doch der Branchentrend hat sich hin zu variablen Zeitabstandsmodellen (VTH) verschoben. Diese können den Abstand basierend auf der relativen Geschwindigkeit und Beschleunigung dynamisch anpassen, was zu einem natürlicheren und sichereren Fahrerlebnis führt. Zahlreiche Regelungstheorien wurden bereits angewandt, darunter PID, Fuzzy-Logik und neuronale Netze. In den letzten Jahren hat sich die modellprädiktive Regelung (Model Predictive Control, MPC) zunehmend durchgesetzt, da sie in der Lage ist, mehrere, oft widersprüchliche, Ziele – wie Sicherheit, Komfort und Kraftstoffeffizienz – innerhalb eines einzigen Optimierungsrahmens zu verarbeiten. Das Forschungsteam der Shanghai University of Engineering Science hat auf dieser Grundlage aufgebaut und zwei entscheidende Lücken in bestehenden Systemen identifiziert, die ihre neue Strategie schließen soll: die ungenaue Abstandserfassung auf unebenen und kurvigen Straßen sowie die rechentechnische Ineffizienz von MPC-Algorithmen bei langen Vorhersagehorizonten.
Die erste und grundlegendste Herausforderung, die von den Forschern adressiert wurde, ist die inhärente Ungenauigkeit von Radarsensoren in bergigen und kurvigen Gebieten. Diese Sensoren messen die direkte, geradlinige Distanz zwischen zwei Fahrzeugen, was nicht der tatsächlichen Wegstrecke entlang der Fahrbahn entspricht. Auf einer Steigung ist die sichtbare Distanz des Sensors kürzer als die tatsächliche Distanz, die ein Fahrzeug zurücklegen muss. Ebenso ist die Sehnenlänge, die ein Sensor auf einer Kurve misst, kürzer als die Bogenlänge der Straße. Diese Diskrepanz kann dazu führen, dass ein ACC-System fälschlicherweise glaubt, es sei dem Vorderfahrzeug näher, als es tatsächlich ist. Dies kann zu unnötigen und unangenehmen Bremsmanövern führen oder im schlimmsten Fall dazu, dass das System die sichere Distanz unterschreitet, wenn es sich zu sehr nähert. Um dies zu korrigieren, haben die Forscher eine ausgeklügelte Abstandskompensationsstrategie entwickelt. Für das Fahren auf Steigungen haben sie ein Modell entwickelt, das die wahre Distanz berechnet, indem die Messung des Sensors auf die horizontale Ebene projiziert wird. Dies fügt effektiv die fehlende horizontale Komponente der Steigung hinzu. Für das Kurvenfahren haben sie geometrische Prinzipien verwendet, die auf der Position des Fahrzeugs und dem bekannten oder geschätzten Radius der Kurve basieren, um die geradlinige Sensordaten in die korrekte Bogenlänge umzuwandeln. Diese Echtzeitkorrektur stellt sicher, dass das ACC-System immer mit einem genauen Verständnis der tatsächlichen Distanz zum vorausfahrenden Fahrzeug arbeitet – ein entscheidender Faktor für Sicherheit und ein sicheres, flüssiges Fahrverhalten. Die Wirksamkeit dieser Strategie wurde durch Simulationen nachgewiesen, bei denen das kompensierte Abstandssignal vom Rohsensordaten abwich, als das Vorderfahrzeug eine Steigung betrat, und sich dann wieder annäherte, sobald das nachfolgende Fahrzeug ebenfalls die Steigung erklomm, was die Genauigkeit und Reaktionsfähigkeit des Modells beweist.
Mit einem zuverlässigen Abstandssignal etabliert, wandten sich die Forscher dem Kern des ACC-Systems zu: dem oberen Regler, der für die Berechnung des optimalen Beschleunigungs- oder Bremsbefehls verantwortlich ist. Sie wählten MPC als Grundlage für diesen Regler, eine naheliegende Wahl für das Mehrzielproblem, Sicherheit (Minimierung von Abstands- und Geschwindigkeitsabweichungen), Komfort (Begrenzung von harten Beschleunigungen und Rucken) und Energieeffizienz (Minimierung des Energieverbrauchs) zu balancieren. Ein bekanntes Manko von MPC ist jedoch der Kompromiss zwischen Vorhersagehorizont und Rechenaufwand. Ein längerer Horizont ermöglicht es dem Regler, zukünftige Ereignisse besser vorherzusehen, was zu einer flüssigeren und optimaleren Regelung führt. Ein längerer Horizont bedeutet jedoch auch mehr Berechnungen, was die elektronische Steuereinheit (ECU) des Fahrzeugs belasten und die Echtzeitleistung des Systems beeinträchtigen kann. Um dies zu überwinden, führten die Forscher eine „Methode mit variabler Schrittweite“ ein. Dieser innovative Ansatz teilt den Vorhersagehorizont in zwei unterschiedliche Teile auf. Im kurzfristigen Bereich, wo eine sofortige und präzise Regelung am kritischsten ist, wird eine kurze Zeitschrittweite verwendet, die eine hohe Auflösung und Genauigkeit bietet. Im langfristigen Bereich, wo die genaue Timing eines Manövers weniger wichtig ist als der allgemeine Trend, wird eine längere Zeitschrittweite eingesetzt, die die Anzahl der erforderlichen Berechnungen drastisch reduziert. Diese hybride Methode ermöglicht es dem System, einen langen Vorhersagehorizont für eine überlegene Planung beizubehalten, während die Rechenlast überschaubar bleibt. Dies gewährleistet sowohl hohe Präzision als auch Echtzeitfähigkeit. Dieser Fortschritt ist besonders wichtig für Elektrofahrzeuge, bei denen die Energieeffizienz von größter Bedeutung ist, da ein genauer vorhergesagtes und flüssigeres Fahrprofil direkt in einen reduzierten Energieverbrauch und eine verlängerte Reichweite umgesetzt wird.
Der obere MPC-Regler gibt einen einzigen, gewünschten Beschleunigungsbefehl aus. Die letzte und ebenso entscheidende Komponente des Systems ist der untere Regler, der diesen hochrangigen Befehl in konkrete Aktionen für die Aktuatoren des Fahrzeugs – die Motoren und Bremsen – umwandelt. Bei einem verteilten Elektrofahrzeug, das über einen separaten Motor an jedem Rad verfügt, bietet dies eine einzigartige Möglichkeit zur Optimierung. Die Forscher entwarfen ein unteres Steuersystem, das ein inverses Längsdynamikmodell, ein inverses Antriebssystemmodell und ein inverses Bremssystemmodell umfasst. Dies ermöglicht es dem Regler, das für die gewünschte Beschleunigung erforderliche Gesamtdrehmoment präzise zu berechnen. Ein Schlüsselelement ist die Brems-/Antriebs-Umschaltlogik, die die Rekuperationsbremse mit den Elektromotoren priorisiert. Erst wenn die Bremskapazität des Motors nicht ausreicht, werden die herkömmlichen hydraulischen Bremsen aktiviert, was die Energiegewinnung maximiert und die Effizienz weiter erhöht.
Der innovativste Aspekt der unteren Regelung ist die Drehmomentverteilungsstrategie. Anstatt das Gesamtdrehmoment einfach gleichmäßig auf die vier Räder aufzuteilen, haben die Forscher einen Algorithmus entwickelt, der die Verteilung optimiert, um die Gesamtfahreffizienz des Fahrzeugs zu maximieren. Diese Strategie basiert auf dem Prinzip, dass Elektromotoren je nach ihrem Betriebspunkt – speziell ihrem Drehmoment und ihrer Drehzahl – unterschiedlich effizient sind. Der Algorithmus berechnet kontinuierlich die optimale Drehmomentaufteilung für die Vorder- und Hinterachse sowie sogar zwischen den linken und rechten Rädern derselben Achse, um sicherzustellen, dass jeder Motor in seinem effizientesten Bereich arbeitet. Diese Optimierung unterliegt physikalischen Grenzen, wie dem maximalen Drehmoment, das jeder Motor erzeugen kann, und dem Reifengriff auf der Straße, um Sicherheit und Stabilität zu gewährleisten. Das Team testete diese Strategie in zwei primären Fahrszenarien: Geradeausfahren und Kurvenfahrt.
Im Geradeausfahrszenario waren die Simulationsergebnisse eindeutig. Wenn das Fahrzeug mit konstanter Geschwindigkeit fuhr, erreichte die optimierte Drehmomentverteilungsstrategie eine messbar höhere Gesamtantriebseffizienz im Vergleich zu einer einfachen Gleichverteilungsstrategie. Dieser Unterschied, der in Prozenten gesehen klein erscheinen mag, repräsentiert eine spürbare Einsparung an Energie über die Lebensdauer des Fahrzeugs. Die Bedeutung dieser Erkenntnis liegt darin, dass selbst in der einfachsten Fahrbedingung eine intelligente Steuerstrategie zusätzliche Effizienz aus dem Antriebsstrang herausholen kann. Im Kurvenszenario waren die Ergebnisse ebenso überzeugend. Der Algorithmus konnte die Stabilität des Fahrzeugs erfolgreich aufrechterhalten, indem er die Prinzipien der Ackermann-Lenkgeometrie beibehielt und sicherstellte, dass die inneren und äußeren Räder entsprechende Geschwindigkeiten erhielten. Noch wichtiger ist, dass trotz der zusätzlichen Komplexität des Kurvenfahrens die optimierte Drehmomentverteilung erneut die Gleichverteilungsmethode übertraf. Die Simulation zeigte, dass die Gesamtantriebseffizienz während des gesamten Manövers, einschließlich der Beschleunigung aus der Kurve heraus, konstant höher blieb.
Die umfassende Natur dieser Forschung wurde durch eine Reihe rigoroser Simulationen in der CarSim/Simulink-Umgebung, einem Standardwerkzeug in der Automobilindustrie für virtuelle Fahrzeugtests, validiert. Drei unterschiedliche und anspruchsvolle Fahrszenarien wurden verwendet, um das gesamte ACC-System zu testen. Das erste war ein „Stop-and-Go“-Szenario auf einer geraden Straße, das starken Verkehr simuliert. Die Ergebnisse zeigten, dass das System flüssig beschleunigen und bremsen konnte, einen sicheren Abstand hielt und dabei keine harten Bremsmanöver oder ruckartige Bewegungen aufwies. Das zweite Szenario beinhaltete das Folgen eines Vorderfahrzeugs auf einer 10-prozentigen Steigung. Als das Vorderfahrzeug die Steigung betrat, korrigierte die Abstandskompensationsstrategie sofort das Abstandssignal und verhinderte, dass das nachfolgende Fahrzeug zu nahe kam. Das System verwaltete dann die erhöhte Leistungsanforderung zum Klettern nahtlos und zeigte eine hervorragende Verfolgungsleistung. Das dritte Szenario war eine komplexe Strecke mit Linkskurven und Rechtskurven mit unterschiedlichen Radien. Das System bewältigte die Übergänge von geraden zu kurvigen Abschnitten nahtlos, wobei die Drehmomentverteilungsstrategie sich in Echtzeit an die sich ändernde Dynamik anpasste. Während aller Szenarien blieb die Beschleunigung des Fahrzeugs innerhalb komfortabler Grenzen, was die Konzentration des Systems auf die Fahrqualität bestätigte.
Die Implikationen dieser Forschung sind weitreichend. Für Automobilhersteller bietet diese Steuerstrategie eine sofort implementierbare Lösung zur Verbesserung der Leistung ihrer nächsten Generation von Elektrofahrzeugen. Die Kombination aus verbesserter Sicherheit auf Steigungen und Kurven, überlegener Energieeffizienz durch optimierte Drehmomentverteilung und einem flüssigeren, komfortableren Fahrerlebnis adressiert direkt die wichtigsten Anliegen der Verbraucher. Für das breitere Feld der intelligenten Verkehrssysteme stellt diese Arbeit einen bedeutenden Schritt hin zu zuverlässigeren und leistungsfähigeren autonomen Fahrsystemen dar. Indem sichergestellt wird, dass das Fahrzeug eine genaue Wahrnehmung seiner Umgebung hat und in der Lage ist, rechentechnisch effiziente, optimale Entscheidungen zu treffen, hilft diese Technologie dabei, die Grundlage für höhere Automatisierungsstufen zu schaffen. Der Erfolg der Methode mit variabler Schrittweite könnte auch ähnliche Ansätze in anderen Fahrzeugregelsystemen inspirieren, wie zum Beispiel Spurhalteassistent oder prädiktives Energiemanagement.
Zusammenfassend haben die Forscher der Shanghai University of Engineering Science eine umfassende und äußerst effektive Lösung für die Herausforderungen des adaptiven Tempomats in verteilten Elektrofahrzeugen vorgelegt. Indem sie die Probleme der Sensorungenauigkeit, der rechentechnischen Ineffizienz und einer suboptimalen Aktuatorregelung mit einer Reihe miteinander verbundener, intelligenter Strategien angehen, haben sie ein System geschaffen, das mehr ist als die Summe seiner Teile. Ihre Arbeit demonstriert ein tiefes Verständnis sowohl der theoretischen Grundlagen der Regelungstechnik als auch der praktischen Realitäten der Fahrzeugdynamik. Während sich die Automobilindustrie weiterhin rasant in Richtung Elektrifizierung und Automatisierung bewegt, ist diese Forschung nicht nur eine akademische Übung; sie ist die wesentliche Ingenieursleistung, die das Fahrerlebnis der Zukunft prägen wird. Diese neue ACC-Strategie steht als ein Beweis für die Kraft der Innovation, um sicherere, effizientere und angenehmere Mobilität zu schaffen.
Hu Shengli, Zhang Huanhuan, Jiang Zhongshun, Chang Xiaoyu, Shanghai University of Engineering Science, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220211