Neue Steuerstrategie für elektrische Vierrad-Antriebe verbessert Stabilität und Spurhaltung
In der Welt der autonomen Fahrzeugtechnologie gewinnt die Fähigkeit, unter extremen Bedingungen sicher und präzise zu agieren, zunehmend an Bedeutung. Mit dem Aufkommen von Elektrofahrzeugen mit unabhängig angetriebenen Rädern eröffnen sich neue Möglichkeiten, nicht nur die Effizienz und Leistung zu steigern, sondern auch die Fahrzeugdynamik auf ein neues Niveau zu heben. Ein Forscherteam der Tongji University in Shanghai hat nun eine bahnbrechende Steuerungsarchitektur vorgestellt, die die präzise Spurverfolgung mit einer hohen Stabilität unter kritischen Fahrsituationen verbindet – eine Kombination, die bisher oft als technisch widersprüchlich galt.
Die Arbeit, geleitet von Dr. Shuping Chen, Professor Zhiguo Zhao und Kun Zhao vom Institut für Automobiltechnik der Tongji University, stellt einen hierarchischen Kontrollansatz vor, der sowohl die Trajektorienverfolgung als auch die Gierstabilität in einem einzigen, integrierten Rahmen adressiert. Die Studie, veröffentlicht in der renommierten Fachzeitschrift Journal of Tongji University (Natural Science), demonstriert, wie moderne Regelungstechniken wie die lineare zeitvariante modellprädiktive Regelung (LTV MPC) und quadratische Programmierung (QP) zusammengeführt werden können, um das Fahrverhalten von vierradunabhängig angetriebenen Elektrofahrzeugen erheblich zu verbessern.
Autonome Fahrzeuge müssen in der Lage sein, komplexe Umgebungen zu interpretieren und in Bruchteilen von Sekunden Entscheidungen zu treffen, die die Sicherheit aller Verkehrsteilnehmer gewährleisten. Eines der kritischsten Szenarien ist die Notbremsung oder Ausweichmanöver bei Hindernissen. In solchen Momenten reicht eine bloße Minimierung der seitlichen Abweichung von der geplanten Route nicht aus. Stattdessen muss das Fahrzeug gleichzeitig die Kontrolle behalten, was bedeutet, dass es nicht in einen unkontrollierten Schleudergang oder gar eine Kippbewegung geraten darf. Genau hier setzt die Forschung der Tongji-Wissenschaftler an.
Der vorgeschlagene Kontrollansatz besteht aus zwei Ebenen: einer oberen und einer unteren Steuereinheit. Die obere Ebene ist für die strategische Planung verantwortlich. Hier kommt die LTV MPC-Technologie zum Einsatz, ein hochentwickeltes Verfahren, das die zukünftige Bewegung des Fahrzeugs über einen bestimmten Zeitraum vorhersagt und die optimalen Steuerbefehle berechnet. Im Gegensatz zu traditionellen Ansätzen, die oft auf stark vereinfachten Fahrzeugmodellen basieren, nutzt dieser Algorithmus ein 8-Freiheitsgrade-Fahrzeugmodell als Vorhersagemodell. Dieses Modell berücksichtigt nicht nur die Längs- und Querbewegung, sondern auch die Gier- und Wankbewegung sowie die Dynamik der einzelnen Räder. Dadurch kann das System realistischere und genauere Vorhersagen treffen, insbesondere bei kombinierten Beschleunigungs- und Kurvenfahrtmanövern.
Ein entscheidender Fortschritt dieser Studie ist die enge Integration der Geschwindigkeitsregelung in den prädiktiven Optimierungsprozess. Anstatt die Geschwindigkeit als eine separate, unabhängige Variable zu behandeln, wird ein PID-basiertes Geschwindigkeitsregelungssystem direkt in die MPC-Optimierung eingebettet. Dies ermöglicht es dem Controller, die gewünschte Längsgeschwindigkeit kontinuierlich zu überwachen und anzupassen, was besonders bei dynamischen Manövern wie einem plötzlichen Beschleunigen oder Abbremsen während eines Ausweichvorgangs von entscheidender Bedeutung ist. Durch die ständige Aktualisierung der prognostizierten Längsgeschwindigkeit im Optimierungszyklus bleibt das Fahrzeugverhalten stabil und vorhersehbar.
Die obere Steuerebene berechnet nicht nur den gewünschten Lenkwinkel für die Vorderräder, sondern auch ein zusätzliches Giermoment. Dieses Moment ist der Schlüssel zur Stabilitätskontrolle. Während herkömmliche Fahrzeuge auf Brems- oder Lenkmanöver angewiesen sind, um das Fahrzeug zu stabilisieren, nutzt ein vierradunabhängig angetriebenes Elektrofahrzeug die Möglichkeit, unterschiedliche Drehmomente an die linken und rechten Räder zu liefern. Diese Technik, bekannt als Drehmomentvektorierung, erzeugt ein gezieltes Giermoment, das das Fahrzeug aktiv stabilisiert, ohne dass große Lenkbewegungen erforderlich sind. Dies führt zu einem sanfteren und sichereren Fahrverhalten, insbesondere auf rutschigen Fahrbahnen.
Die untere Steuerebene übernimmt die Umsetzung dieser strategischen Befehle. Ihre Aufgabe besteht darin, das vom oberen Controller berechnete Gesamtdrehmoment und das gewünschte Giermoment optimal auf die vier einzelnen Räder zu verteilen. Dies geschieht mithilfe eines quadratischen Programmierungs-(QP-)Algorithmus, der eine mathematische Optimierung durchführt, um die bestmögliche Verteilung unter Berücksichtigung mehrerer Ziele und Beschränkungen zu finden.
Die primären Optimierungsziele sind vielfältig. Erstens soll der Fehler zwischen dem geforderten und dem tatsächlich am Rad erzeugten Drehmoment minimiert werden, um eine präzise Steuerung zu gewährleisten. Zweitens wird die Reifenauslastung berücksichtigt. Diese wird als Verhältnis der tatsächlich wirkenden Reifenkräfte zur maximal verfügbaren Reibungskraft definiert. Eine niedrige Reifenauslastung bedeutet, dass noch ausreichend Reibungsreserve für seitliche Kräfte vorhanden ist, was die Stabilität erhöht und das Risiko eines Ausbrechens verringert. Drittens zielt der Algorithmus darauf ab, den Energieverlust durch Längsrutschen zu minimieren, was nicht nur die Reichweite des Fahrzeugs verbessert, sondern auch die thermische Belastung der Reifen reduziert.
Um sicherzustellen, dass die berechneten Lösungen auch in der realen Welt umsetzbar sind, berücksichtigt der QP-Algorithmus strenge physikalische Beschränkungen. Dazu gehören die maximalen Spitzenmomente, die die einzelnen Radmotoren liefern können, sowie die Grenzen der Straßenhaftung, die durch den Reibungskoeffizienten bestimmt werden. Diese Beschränkungen verhindern, dass der Controller unrealistische Befehle ausgibt, die zu einem Motorausfall oder zum Durchdrehen der Räder führen könnten.
Die Wirksamkeit dieser komplexen Steuerungsstrategie wurde durch umfangreiche Simulationen mit einem hochpräzisen 14-Freiheitsgrade-Fahrzeugmodell validiert. Dieses detaillierte Simulationsmodell, das als „Pflanzenmodell“ (plant model) bezeichnet wird, bildet die tatsächliche Dynamik eines Fahrzeugs viel realistischer ab als das vereinfachte 8-Freiheitsgrade-Modell. Es berücksichtigt unter anderem die Aufhängungsdynamik, Feder- und Dämpfereffekte sowie die komplexen nichtlinearen Kräfte, die zwischen Reifen und Fahrbahn entstehen. Insbesondere wurde ein sogenanntes „Brush Tire Model“ verwendet, das die Kopplung zwischen Längs- und Querkräften bei hohen Schlupfwerten realistisch nachbildet – ein entscheidender Faktor für die Genauigkeit der Simulation unter Grenzbedingungen.
Das zentrale Testmanöver war der sogenannte „Double Lane Change“ (Doppelte Spurwechsel), ein Standardtest für die Notfallausweichfähigkeit. In verschiedenen Szenarien wurde das Fahrzeug mit unterschiedlichen Geschwindigkeiten (36 km/h, 72 km/h und 90 km/h) über eine nasse oder trockene Fahrbahn geführt. Zusätzlich wurden Tests unter extrem niedrigen Reibungskoeffizienten (μ = 0.3, was einer vereisten Straße entspricht) durchgeführt, um die Robustheit des Systems zu prüfen.
Die Ergebnisse waren beeindruckend. In allen Fällen zeigte das Fahrzeug mit der neuen Steuerung eine exzellente Spurverfolgung. Selbst bei einer hohen Geschwindigkeit von 90 km/h blieb die maximale seitliche Abweichung von der gewünschten Spur unter 0.28 Metern, was weit innerhalb der akzeptablen Sicherheitsgrenzen liegt. Noch bemerkenswerter war jedoch die Stabilität des Fahrzeugs. In den Szenarien mit niedriger Reibung, in denen ein herkömmliches Fahrzeug leicht ins Schleudern geraten wäre, blieb das mit der neuen Steuerung ausgestattete Fahrzeug vollständig kontrolliert. Die Giergeschwindigkeit und die Schrägstellung des Fahrzeugs (Sideslip Angle) wurden effektiv begrenzt und blieben innerhalb des stabilen Betriebsbereichs.
Ein direkter Vergleich mit einem Kontrollsystem, das nur auf die Spurverfolgung abzielt und die Stabilität vernachlässigt, unterstrich den entscheidenden Vorteil des integrierten Ansatzes. Das System der Tongji University reduzierte die seitliche Abweichung um bis zu 35 Prozent und verbesserte die Übereinstimmung des Fahrzeugkurses um über 40 Prozent. Dies beweist, dass die bewusste Berücksichtigung der Stabilität nicht nur die Sicherheit erhöht, sondern auch die präzise Spurverfolgung verbessert.
Ein weiterer Vorteil der Drehmomentvektorierung ist die Reduzierung des Lenkaufwands. Da das Fahrzeug durch die gezielte Verteilung des Antriebsmoments stabilisiert wird, sind kleinere Lenkwinkel erforderlich, um das gleiche Ausweichmanöver durchzuführen. Dies entlastet die Reifen, verbessert den Fahrkomfort und reduziert den Verschleiß. Diese Wirkung war besonders auf rutschigem Untergrund ausgeprägt, wo große Lenkbewegungen schnell die physikalischen Grenzen der Reifenhaftung überschreiten würden.
Die LTV-MPC-Technologie bietet zudem eine hohe Anpassungsfähigkeit. Da das System die Fahrzeugdynamik in jedem Zeitschritt um den aktuellen Betriebspunkt linearisiert, kann es dynamisch auf Änderungen der Geschwindigkeit, der Massenverteilung und der Straßenbedingungen reagieren. Dies macht es robuster gegenüber Unsicherheiten und Störungen als herkömmliche, feste Regler.
Die praktische Umsetzbarkeit dieser Forschung ist hoch. Die meisten modernen vierradunabhängig angetriebenen Elektrofahrzeuge verfügen bereits über die notwendige Hardware: individuelle Radmotoren, schnelle Kommunikationsnetzwerke (wie CAN-FD oder Automotive Ethernet) und hochpräzise Sensoren für Geschwindigkeit, Beschleunigung und Lenkwinkel. Die Rechenleistung, die für die LTV-MPC- und QP-Berechnungen erforderlich ist, kann mit heutigen automotive-grade Prozessoren bewältigt werden, insbesondere wenn, wie in dieser Studie, kurze Vorhersagehorizonte verwendet werden.
Die modulare Struktur des Kontrollsystems erlaubt zudem eine flexible Anpassung. Die Gewichtungsmatrizen in der MPC-Kostenfunktion können angepasst werden, um je nach Fahrmodus (z. B. Eco, Comfort, Sport) unterschiedliche Schwerpunkte zu setzen. Ähnlich kann die QP-Formulierung so angepasst werden, dass sie entweder die Energieeffizienz oder die maximale Traktion priorisiert.
Die Ergebnisse dieser Forschung haben weitreichende Implikationen für die Zukunft der Automobilindustrie. Mit der zunehmenden Bedeutung von automatisierten Fahrfunktionen und der Verschärfung von Sicherheitsstandards durch Organisationen wie Euro NCAP oder IIHS, wird die Fähigkeit eines Fahrzeugs, sicher ein Hindernis zu umfahren, zu einem entscheidenden Wettbewerbsfaktor. Hersteller, die solche fortschrittlichen Steuerstrategien in ihre Fahrzeuge integrieren, können nicht nur die Sicherheit erhöhen, sondern auch ein überlegenes Fahrerlebnis bieten.
Die Arbeit von Chen, Zhao und Zhao ist ein Paradebeispiel dafür, wie akademische Forschung direkt zur Lösung realer technischer Herausforderungen beitragen kann. Sie verbindet tiefgehendes theoretisches Wissen aus der Regelungstechnik mit praktischer Ingenieurskunst, um ein System zu entwickeln, das nicht nur auf dem Papier gut funktioniert, sondern auch unter den härtesten realen Bedingungen überzeugt. Sie ebnet den Weg für zukünftige Entwicklungen, die beispielsweise die Roll- und Wankdynamik noch enger integrieren oder adaptive Algorithmen nutzen, um die Steuerung in Echtzeit zu optimieren.
Shuping Chen, Zhiguo Zhao, Kun Zhao, School of Automotive Studies, Tongji University. Journal of Tongji University (Natural Science), DOI: 10.11908/j.issn.0253-374x.24713