Neue Steuerungsstrategie für elektrische Fahrzeuge mit Einzelradantrieb
Die Entwicklung autonomer Fahrzeuge hat in den letzten Jahren enorme Fortschritte gemacht. Doch eine der größten Herausforderungen bleibt die Gewährleistung von Sicherheit und Präzision unter extremen Fahrbedingungen. Insbesondere bei Notmanövern wie dem Ausweichen vor Hindernissen kann die Balance zwischen exakter Spurführung und Fahrzeugstabilität kippen. Ein Forschungsteam der Tongji-Universität in Shanghai hat nun eine bahnbrechende, hierarchische Steuerungsarchitektur vorgestellt, die dieses Problem adressiert und die Leistungsfähigkeit von Elektrofahrzeugen mit vier unabhängigen Radantrieben (4WID-EV) erheblich verbessert.
Die Studie, geleitet von Dr. Shuping Chen, Professor Zhiguo Zhao und Kun Zhao vom Institut für Automobiltechnik der Tongji-Universität, wurde kürzlich in der renommierten Fachzeitschrift Journal of Tongji University (Natural Science) veröffentlicht. Ihre Arbeit stellt eine hochkomplexe, mehrschichtige Steuerungsstrategie vor, die Spurhaltung und Fahrzeugdynamik nahtlos integriert. Dieser Ansatz schließt eine entscheidende Lücke in den aktuellen Steuerungssystemen für autonome Fahrzeuge.
Während autonome Fahrzeuge von kontrollierten Umgebungen in komplexe, reale Szenarien übergehen, wird ihre Fähigkeit, plötzliche, hochriskante Situationen zu meistern, entscheidend. Ein typisches Beispiel ist das Ausweichen vor einem unerwarteten Hindernis. Traditionelle Steuerungssysteme priorisieren oft die Genauigkeit der Spurführung, manchmal auf Kosten der Fahrzeugstabilität. Dieser Kompromiss kann zu gefährlichen Situationen führen, darunter Kontrollverlust, Schleudern oder sogar Überschlag, besonders auf glatten Fahrbahnen oder bei hohen Geschwindigkeiten. Die neuartige Strategie des Tongji-Teams geht dieses Problem direkt an, indem sie Spurführung und Gierstabilität in einer einzigen, kohärenten Steuerungsarchitektur vereint.
Das Herzstück der Innovation ist ein zweistufiges Steuerungssystem. In der oberen Ebene setzen die Forscher eine lineare zeitvariable modellprädiktive Regelung (LTV MPC) ein. Diese fortschrittliche Methode ist dafür bekannt, das zukünftige Verhalten des Fahrzeugs vorherzusagen und die Steuerbefehle über einen endlichen Zeitraum unter Berücksichtigung verschiedener Systemeinschränkungen zu optimieren. Im Gegensatz zu vielen bestehenden Ansätzen, die auf vereinfachten Fahrzeugmodellen basieren, stützt sich das LTV-MPC-System des Tongji-Teams auf ein 8-Freiheitsgrade-(8-DOF-)Fahrzeugdynamikmodell. Dieses detailliertere Modell erfasst kritische Dynamiken wie Längs-, Quer-, Gier- und Wankbewegungen und bietet eine genauere Darstellung des Fahrzeugverhaltens, insbesondere bei aggressiven Manövern.
Ein wesentlicher Unterschied dieses oberen Reglers ist die Integration einer PID-basierten Geschwindigkeitsregelung direkt in den MPC-Optimierungsprozess. Durch diese Integration kann der Regler Änderungen der Längsgeschwindigkeit während der Vorhersagephase dynamisch berücksichtigen. In der realen Fahrpraxis ist die Fahrzeuggeschwindigkeit selten konstant, besonders bei Notmanövern, bei denen schnelle Beschleunigung oder Bremsung erfolgt. Indem die Längsgeschwindigkeitsregelung in das MPC-Framework eingebettet wird, kann das System einen Gesamtdrehmomentbefehl generieren, der von vornherein mit den Zielen der Quer- und Gierstabilität synchronisiert ist. Dieser ganzheitliche Ansatz stellt sicher, dass die Längs- und Querdynamik des Fahrzeugs nicht als getrennte Probleme behandelt werden, sondern gemeinsam optimiert werden, was zu einem insgesamt flüssigeren und stabileren Fahrverhalten führt.
Der LTV-MPC-Regler berechnet zwei primäre Steuerungsausgaben: den gewünschten Lenkwinkel der Vorderräder und ein zusätzliches Giermoment. Der Lenkwinkel wird verwendet, um das Fahrzeug auf der vorgesehenen Spur zu halten, während das zusätzliche Giermoment ein entscheidendes Element für die Aufrechterhaltung der Stabilität ist. Dieses Moment wird nicht durch mechanische Mittel erzeugt, sondern durch die intelligente Verteilung des Drehmoments auf die vier unabhängigen Räder – eine Fähigkeit, die nur bei 4WID-EVs verfügbar ist.
Hier kommt die untere Ebene des Steuerungssystems ins Spiel. Die zweite Stufe der Hierarchie ist für die Steuerungsverteilung verantwortlich, einen Prozess, bei dem bestimmt wird, wie das vom oberen Regler berechnete Gesamtdrehmoment und das zusätzliche Giermoment auf die vier Räder verteilt werden. Die Forscher der Tongji-Universität nutzen eine quadratische Programmierung (QP) zur Lösung dieses Verteilungsproblems. QP ist eine leistungsstarke Optimierungstechnik, die effizient die beste Lösung finden kann, während mehrere physikalische und operationale Einschränkungen eingehalten werden.
Die Optimierungsziele im QP-Problem sind vielfältig und spiegeln die komplexen Abwägungen bei der Fahrzeugsteuerung wider. Das erste Ziel ist die Minimierung des Drehmomentfolgefehlers, um sicherzustellen, dass das tatsächlich vom einzelnen Rad abgegebene Drehmoment eng dem Befehl der oberen Ebene entspricht. Das zweite Ziel ist die Minimierung der Reifenauslastung. Die Reifenauslastung ist ein Maß dafür, wie nah ein Reifen an seiner physikalischen Reibungsgrenze arbeitet. Indem diese Auslastung niedrig gehalten wird, bewahrt das Steuerungssystem eine Sicherheitsmarge, die es den Reifen ermöglicht, bei Bedarf zusätzliche Quer- oder Längskräfte zu erzeugen, was für die Aufrechterhaltung der Stabilität entscheidend ist. Das dritte Ziel ist die Minimierung des Energieverlusts durch Längsrutschen, was dazu beiträgt, übermäßiges Rutschen der Räder zu verhindern und die Energieeffizienz zu verbessern.
Der QP-Löser arbeitet unter mehreren kritischen Einschränkungen. Dazu gehören die maximalen und minimalen Drehmomentausgaben jedes Elektromotors, die durch die Hardwareeinschränkungen des Antriebsstrangs vorgegeben sind. Ebenso wichtig sind die Reibungseinschränkungen der Fahrbahn, die sicherstellen, dass die kombinierten Längs- und Querkräfte an jedem Reifen die verfügbare Reibungsellipse, eine fundamentale Grenze, die durch die Fahrbahnoberfläche und den Reifenzustand vorgegeben ist, nicht überschreiten. Der Regler verwendet ein kombiniertes Bürstenreifenmodell, um die nichtlineare Kopplung zwischen Längs- und Querkräfte des Reifens genau darzustellen, eine Funktion, die für eine realistische Simulation und Steuerung unter extremen Bedingungen unerlässlich ist.
Um die Wirksamkeit ihrer vorgeschlagenen Steuerungsstrategie zu validieren, führte das Forschungsteam umfangreiche Simulationen mit einem hochpräzisen 14-Freiheitsgrade-(14-DOF-)Fahrzeugmodell durch. Dieses detaillierte Modell, das die individuelle Dynamik jedes Rads und die Federungsauslenkung einschließt, dient als „Anlage“ oder virtuelle Repräsentation des realen Fahrzeugs und bietet eine realistischere Testumgebung als das 8-DOF-Vorhersagemodell. Das primäre Test-Szenario war ein Doppelwechsel des Fahrstreifens, ein Standardmaßstab zur Bewertung der Notfallhandhabung und Stabilität eines Fahrzeugs. Dieses Manöver simuliert das schnelle Ausweichen, das erforderlich ist, um einem Hindernis auf der Straße auszuweichen, und stellt erhebliche Anforderungen an die Steuerungssysteme des Fahrzeugs.
Die Simulationsergebnisse waren überzeugend. Das Team testete den Regler über einen Geschwindigkeitsbereich von 36 km/h bis 90 km/h auf einer Fahrbahn mit hoher Reibung (µ = 0,85). Bei allen Geschwindigkeiten zeigte das Fahrzeug eine hervorragende Spurführung, wobei die maximale Querabweichung unter 0,28 Metern blieb. Wie erwartet nahm der Spurverfolgungsfehler mit der Geschwindigkeit leicht zu, bedingt durch die größeren dynamischen Kräfte, blieb jedoch innerhalb akzeptabler Grenzen. Noch wichtiger ist, dass die Giergeschwindigkeit und der Schräglaufwinkel des Fahrzeugs – die Schlüsselindikatoren für die Stabilität – während des gesamten Manövers innerhalb sicherer Grenzen blieben. Der Regler nutzte effektiv das zusätzliche Giermoment, das durch die Erzeugung einer Drehmomentdifferenz zwischen den linken und rechten Rädern entstand, um das Fahrzeug stabil und auf Kurs zu halten.
Die Robustheit der Steuerungsstrategie wurde weiterhin in Simulationen auf verschiedenen Fahrbahnoberflächen demonstriert. Das Team testete das System bei einer konstanten Geschwindigkeit von 50 km/h sowohl auf einer Fahrbahn mit hoher Reibung (µ = 0,8) als auch auf einer mit niedriger Reibung (µ = 0,3), was nasse oder vereiste Straßen darstellen könnte. Auf der Fahrbahn mit hoher Reibung verfolgte das Fahrzeug die Spur mit außergewöhnlicher Präzision. Auf der Fahrbahn mit niedriger Reibung war die Spurverfolgung, wie erwartet, herausfordernder, mit einer leichten Zunahme des Querfehlers und einer kleinen Verzögerung in der Reaktion. Dennoch betrug die maximale Querabweichung weniger als 0,12 Meter, und das Fahrzeug behielt die Stabilität bei, ohne Anzeichen eines Kontrollverlusts. Dieses Ergebnis ist besonders bedeutsam, da es die Fähigkeit des Reglers zeigt, sich an wechselnde Fahrbahnbedingungen anzupassen – eine entscheidende Fähigkeit für den Einsatz in der realen Welt.
Vielleicht die aussagekräftigste Validierung kam aus einem direkten Vergleich zwischen dem vorgeschlagenen stabilitätsorientierten Regler und einem einfacheren, nur auf die Spurführung ausgerichteten Regler. In einer Simulation bei 72 km/h auf einer Fahrbahn mit niedriger Reibung (µ = 0,4) war der Unterschied deutlich. Der stabilitätsorientierte Regler erreichte einen kleineren Querspurverfolgungsfehler und eine schnellere, genauere Geschwindigkeitsreaktion. Noch wichtiger ist, dass die Schräglaufwinkel und die Giergeschwindigkeit des Fahrzeugs signifikant kleiner und stabiler waren, wenn die koordinierte Steuerung aktiv war. Dies demonstriert, dass das zusätzliche Giermoment nicht nur ein theoretisches Konstrukt ist, sondern ein praktisches Werkzeug, das aktiv sowohl die Stabilität als auch die Spurgenauigkeit verbessert. Der Regler erreichte eine bessere Spur, indem er das Fahrzeug stabiler machte, und bewies damit effektiv, dass Stabilität und Genauigkeit keine konkurrierenden Ziele sind, sondern sich gegenseitig verstärken können.
Die Implikationen dieser Forschung gehen über das akademische Interesse hinaus. Für die Automobilindustrie bietet diese Arbeit einen klaren Fahrplan für die Entwicklung von Steuerungssystemen der nächsten Generation. Da Plattformen mit vier unabhängigen Radantrieben, insbesondere bei Hochleistungs- und autonomen Fahrzeugen, immer verbreiteter werden, wird die Fähigkeit, das individuelle Radmoment für die Stabilität zu nutzen, ein entscheidender Wettbewerbsvorteil sein. Die Steuerungsstrategie des Tongji-Teams bietet einen praktischen und effektiven Weg, um dieses Potenzial auszuschöpfen.
Darüber hinaus setzt die Integration eines hochpräzisen Vorhersagemodells und eines mehrzieloptimierten Frameworks einen neuen Standard für das Design von Steuerungssystemen. Sie verlässt den traditionellen, getrennten Ansatz zur Fahrzeugsteuerung – bei dem Lenkung, Bremsung und Antrieb von separaten Systemen verwaltet werden – und bewegt sich hin zu einem ganzheitlichen, integrierten Ansatz. Dies ist für die Zukunft des autonomen Fahrens unerlässlich, bei dem das Fahrzeug als ein einziger, intelligenter Agent agieren muss, der in der Lage ist, komplexe, in Echtzeit getroffene Entscheidungen zu treffen, die mehrere, oft konkurrierende Ziele ausbalancieren.
Die Forschung unterstreicht auch die Bedeutung der Modellgenauigkeit. Indem sie ein 8-DOF-Modell für die Vorhersage und ein 14-DOF-Modell für die Simulation verwendeten, stellten die Forscher sicher, dass ihre Steuerungsstrategie unter realistischen Bedingungen getestet wurde. Diese Sorgfalt erhöht das Vertrauen, dass der Algorithmus auch bei der Implementierung auf einem realen Fahrzeug gut funktionieren wird – ein entscheidender Schritt im Entwicklungsprozess.
Ausblickend haben die Autoren mehrere vielversprechende Forschungsfelder identifiziert. Eines ist die Integration der Wankstabilität in das Steuerungsframework. Während die aktuelle Arbeit sich auf die Gierstabilität konzentriert, sind die Wankdynamiken eines Fahrzeugs ebenso wichtig, insbesondere bei Manövern mit hoher Querbeschleunigung. Ein Steuerungssystem, das Gier- und Wankbewegungen gleichzeitig steuern kann, würde ein noch höheres Maß an Sicherheit bieten. Ein weiterer Bereich ist die Entwicklung adaptiver Methoden zur Einstellung der Gewichtungsfaktoren in der QP-Optimierung. Diese Faktoren bestimmen die relative Wichtigkeit von Drehmomentnachführung, Reifenauslastung und Energieverlust. Ein adaptives System, das diese Gewichte in Echtzeit basierend auf den Fahrbedingungen anpassen kann, könnte die Leistung weiter optimieren.
Zusammenfassend stellt die Arbeit von Chen, Zhao und Zhao einen bedeutenden Fortschritt auf dem Gebiet der Fahrzeugdynamik und -steuerung dar. Ihre hierarchische, modellprädiktive Steuerungsstrategie für 4WID-EVs schließt erfolgreich die Lücke zwischen präziser Spurführung und robuster Fahrzeugstabilität. Durch rigorose Simulationen und eine gut durchdachte Steuerungsarchitektur haben sie ein System demonstriert, das unter einer Vielzahl von Geschwindigkeiten und Fahrbahnbedingungen zuverlässig funktioniert. Diese Forschung trägt nicht nur zum akademischen Wissen bei, sondern bietet auch eine praktische Lösung mit dem Potenzial, zukünftige autonome Fahrzeuge sicherer und leistungsfähiger zu machen.
Shuping Chen, Zhiguo Zhao, Kun Zhao, Institut für Automobiltechnik, Tongji-Universität, Journal of Tongji University (Natural Science), DOI:10.11908/j.issn.0253-374x.24713