Neuer Algorithmus verbessert Zustandsschätzung bei Elektrofahrzeugen
Die präzise Echtzeit-Erfassung des Fahrzeugzustands ist eine entscheidende Voraussetzung für die Entwicklung intelligenter Fahrzeuge. Während moderne Fahrerassistenzsysteme und autonome Fahrfunktionen stetig an Bedeutung gewinnen, bleibt die zuverlässige Schätzung kritischer Fahrzeugparameter wie der Seitenrutschwinkelgeschwindigkeit, der Längsbeschleunigung und des Massenmittelpunkts eine technische Herausforderung. Besonders unter extremen Fahrsituationen – etwa bei hoher Geschwindigkeit auf glattem Untergrund – stoßen herkömmliche Modelle oft an ihre Grenzen. Ein Team chinesischer Forscher hat nun einen neuartigen Algorithmus vorgestellt, der die Genauigkeit solcher Schätzungen erheblich verbessert, indem er eine bisher häufig vernachlässigte Variable dynamisch berücksichtigt: die zeitlich variierende Seitenkraftsteifigkeit der Reifen.
Die Studie, verfasst von Fu Yuesheng, Professor Li Shaohua und Wang Guiyang von der Shijiazhuang Tiedao University, wurde im Januar 2024 in der Fachzeitschrift Mechanical Science and Technology for Aerospace Engineering veröffentlicht. Die Forscher stellen einen hybriden Schätzansatz vor, der zwei etablierte Methoden – die Fuzzy-Adaptive Erweiterte Kalman-Filterung (FAEKF) und die rekursive kleinste Quadrate mit Vergessungsfaktor (FFRLS) – in einer neuartigen, eingebetteten Architektur kombiniert. Der resultierende FAEKF+FFRLS-Algorithmus ermöglicht nicht nur eine genauere Schätzung der Fahrzeugzustände, sondern korrigiert gleichzeitig die zugrundeliegenden Modellparameter, wodurch eine kontinuierliche Anpassung an die tatsächlichen Fahrbedingungen möglich wird.
Der entscheidende Durchbruch liegt in der Behandlung der Reifenseitenkraftsteifigkeit. Traditionelle Modelle basieren oft auf vereinfachenden Annahmen, insbesondere auf linearen Reifenmodellen, die davon ausgehen, dass die Seitenkraftsteifigkeit konstant ist. Diese Annahme ist jedoch in der Realität nur bei moderaten Fahrsituationen gültig. Sobald ein Fahrzeug die physikalischen Grenzen seiner Haftung erreicht – beispielsweise beim schnellen Ausweichen oder in Kurven auf schneebedeckten Straßen – verhalten sich die Reifen hochgradig nichtlinear. Die Kraft, die ein Reifen bei einer bestimmten Seitenrutschwinkel erzeugt, nimmt nicht mehr proportional zu, sondern nähert sich einem Sättigungspunkt. Wenn ein Schätzalgorithmus weiterhin mit einem konstanten Steifigkeitswert arbeitet, führt dies zwangsläufig zu erheblichen Fehlern bei der Bestimmung des Fahrzeugzustands. Diese Fehler können sich negativ auf die Performance von Fahrstabilitätsprogrammen (ESP) oder autonomer Lenkung auswirken.
„Die meisten bestehenden Forschungsarbeiten konzentrieren sich darauf, die Algorithmen selbst anzupassen, um mit verrauschten Sensordaten oder sich änderndem Systemverhalten umzugehen“, erläutert Professor Li Shaohua, der leitende Wissenschaftler der Studie. „Doch sie übersehen häufig, dass die Parameter des Modells selbst, insbesondere die Reifeneigenschaften, sich ständig verändern. Unsere Arbeit adressiert genau dieses Defizit, indem wir die Seitenkraftsteifigkeit nicht als feste Größe, sondern als dynamischen Zustand behandeln, der in Echtzeit aktualisiert wird.“
Der FAEKF+FFRLS-Algorithmus funktioniert nach einem geschlossenen Regelprinzip, das Zustands- und Parameterschätzung miteinander verknüpft. Der Prozess beginnt mit dem FAEKF, der für die Schätzung der primären Fahrzeugzustände verantwortlich ist: der Längsgeschwindigkeit, der Giergeschwindigkeit (Yaw Rate) und des Massenmittelpunkts (Sideslip Angle). Der Standard-Extended Kalman Filter (EKF) ist ein weit verbreitetes Werkzeug zur Schätzung nichtlinearer Systeme. Er funktioniert, indem er den aktuellen Zustand eines Systems vorhersagt und diese Vorhersage mit tatsächlichen Messungen vergleicht, um eine korrigierte Schätzung zu erhalten. Ein kritischer Parameter dabei ist die Kovarianzmatrix des Messrauschens, die die Unsicherheit der Sensordaten beschreibt. In herkömmlichen EKF-Ansätzen wird dieser Wert oft als konstant angenommen, was bei wechselnden Umgebungsbedingungen – etwa wenn ein Sensor durch Schmutz oder Feuchtigkeit beeinträchtigt wird – zu einer verminderten Leistung führen kann.
Hier setzt die Fuzzy-Adaptive Komponente an. Statt feste Rauschparameter zu verwenden, implementiert der FAEKF einen Fuzzy-Logik-Controller, der die Kalman-Verstärkung in Echtzeit anpasst. Der Controller überwacht die Differenz zwischen der vorhergesagten und der tatsächlich gemessenen Querbeschleunigung – den sogenannten Schätzfehler. Basierend auf der Größe und Dynamik dieses Fehlers entscheidet der Fuzzy-Regler, ob das Filter vertrauensvoller auf die Messungen (höhere Verstärkung) oder stärker auf das Modell (niedrigere Verstärkung) setzen soll. Diese adaptive Anpassung erhöht die Robustheit des Filters gegenüber plötzlichen Änderungen der Messqualität und sorgt für stabilere Schätzungen unter variablen Bedingungen.
Parallel zur Zustandsschätzung läuft der FFRLS-Algorithmus, der sich speziell der Schätzung der Reifenseitenkraftsteifigkeit widmet. Anstatt auf komplexe und schwer messbare Größen wie den direkten Seitenrutschwinkel angewiesen zu sein, nutzt dieser Teil des Algorithmus eine indirekte Methode, die auf der Koppelung von Quer- und Gierbewegung basiert. Er analysiert die Beziehung zwischen der gemessenen Querbeschleunigung, der geschätzten Giergeschwindigkeit, dem Lenkwinkel und den bekannten Fahrzeugdynamik-Gleichungen. Durch diese Kombination kann die Seitenkraftsteifigkeit der Vorder- und Hinterachse separat geschätzt werden, ohne dass eine direkte Messung des Seitenrutschwinkels erforderlich ist – eine erhebliche praktische Vorteil, da dieser Wert mit herkömmlichen Sensoren nur sehr ungenau erfasst werden kann.
Die wahre Stärke des Ansatzes liegt in der nahtlosen Integration beider Algorithmen. Die geschätzten Zustände vom FAEKF – insbesondere die Längsgeschwindigkeit und die Giergeschwindigkeit – dienen als Eingangsgrößen für den FFRLS-Algorithmus. Dieser berechnet daraufhin einen aktualisierten Wert für die Reifenseitenkraftsteifigkeit. Dieser neu geschätzte Steifigkeitswert wird dann sofort wieder in das Fahrzeugmodell des FAEKF zurückgekoppelt. Dies bedeutet, dass die nächste Zustandsschätzung nicht mehr auf einem veralteten, konstanten Steifigkeitswert basiert, sondern auf einem Wert, der die aktuellen Reifeneigenschaften unter den vorherrschenden Fahrbedingungen widerspiegelt. Dieser kontinuierliche Kreislauf aus Schätzung, Aktualisierung und Rückkoppelung ermöglicht eine gegenseitige Korrektur und führt zu einer signifikant verbesserten Gesamtgenauigkeit.
Um die Leistungsfähigkeit des neuen Algorithmus zu überprüfen, führten die Forscher umfangreiche Simulationen durch, die eine realistische Fahrzeugdynamik nachbilden. Sie nutzten die Software Trucksim, um ein detailliertes Modell eines Pkw zu erstellen, und koppelten es mit MATLAB/Simulink, in dem der FAEKF+FFRLS-Algorithmus implementiert war. Die Tests konzentrierten sich auf die anspruchsvolle „Doppel-Spurwechsel“-Manöver, ein Standardtest zur Bewertung der Fahrstabilität. Drei unterschiedliche Szenarien wurden analysiert: eine langsame Fahrt (30 km/h) auf einer glatten Fahrbahn (Reibbeiwert μ = 0,3), eine schnelle Fahrt (80 km/h) auf einer trockenen, griffigen Fahrbahn (μ = 0,8) und die anspruchsvollste Kombination: hohe Geschwindigkeit auf glattem Untergrund (80 km/h, μ = 0,3).
Die Ergebnisse waren überzeugend. In allen Fällen zeigte der FAEKF+FFRLS-Algorithmus eine deutlich bessere Leistung als der herkömmliche, nicht-adaptive EKF. Die Verbesserung war besonders unter extremen Bedingungen, also bei hoher Geschwindigkeit und niedrigem Reibwert, am ausgeprägtesten. In diesem Szenario, das die größte nichtlineare Reifenbeanspruchung darstellt, reduzierte der neue Algorithmus den relativen Fehler bei der Schätzung des Massenmittelpunkts von 41,0 % (Standard-EKF) auf nur noch 5,36 %. Die Schätzung der Giergeschwindigkeit verbesserte sich von einem Fehler von 10,09 % auf 3,88 %. Diese Zahlen unterstreichen die Fähigkeit des Algorithmus, selbst in kritischen Situationen, in denen herkömmliche Systeme versagen könnten, präzise und zuverlässige Daten zu liefern.
Die Forscher betonen, dass die praktische Anwendbarkeit ein zentrales Ziel ihrer Arbeit war. Der Algorithmus wurde speziell für verteilte elektrische Antriebe entwickelt, wie sie bei modernen Elektrofahrzeugen mit Radnabenmotoren vorkommen. Ein entscheidender Vorteil dieser Architektur ist, dass die Motordrehzahl und das Motormoment direkt gemessen werden können. Diese Daten ermöglichen eine sehr genaue Berechnung der Längskräfte an jedem einzelnen Rad, was die Genauigkeit des zugrundeliegenden Fahrzeugmodells erheblich steigert. Dieser Ansatz nutzt die inhärenten Vorteile der Elektrifizierung für verbesserte Fahrzeugkontrolle.
Die Implikationen dieser Forschung gehen weit über die reine Verbesserung der Zustandsschätzung hinaus. Eine präzise Kenntnis des Massenmittelpunkts ist die Grundlage für jedes moderne Fahrstabilitätsprogramm. Ein Algorithmus, der diesen Wert unter allen Bedingungen zuverlässig schätzen kann, könnte die Reaktionsfähigkeit und Effektivität solcher Systeme erheblich steigern, insbesondere in Situationen, in denen das Fahrzeug kurz vor dem Ausbrechen steht. Darüber hinaus könnte die in Echtzeit geschätzte Reifenseitenkraftsteifigkeit als Proxy für den aktuellen Reibwert der Fahrbahn dienen. Ein plötzlicher Rückgang der geschätzten Steifigkeit könnte auf eine vereiste oder nasse Fahrbahn hinweisen, was es dem Fahrzeug ermöglicht, proaktiv seine Fahrstrategie anzupassen, etwa durch eine automatische Geschwindigkeitsreduzierung oder eine veränderte Antriebskraftverteilung.
Die Arbeit hebt auch die Bedeutung interdisziplinärer Forschung hervor. Sie vereint Kenntnisse aus der Fahrzeugdynamik, der Regelungstechnik, der Fuzzy-Logik und der Signalverarbeitung. Diese Kombination ermöglicht es, Probleme zu lösen, die mit einem einzelnen Ansatz allein nicht effizient angegangen werden können. Die Veröffentlichung in einer renommierten Fachzeitschrift wie Mechanical Science and Technology for Aerospace Engineering unterstreicht die wissenschaftliche Stringenz der Arbeit.
Die Zukunftsperspektiven sind vielversprechend. Die Forscher planen, den Algorithmus in realen Fahrzeugen zu testen, um seine Leistung unter echten Straßenbedingungen mit all ihren Unwägbarkeiten – wie unvorhersehbarem Fahrverhalten, ungenauen Sensordaten und unmodellierten Dynamiken – zu validieren. Langfristig könnte der Ansatz erweitert werden, um weitere zeitlich variable Parameter wie die Fahrzeugmasse oder den Reibwert der Fahrbahn direkt zu schätzen. Die Integration von maschinellen Lernverfahren könnte das System in Zukunft sogar in die Lage versetzen, aus vergangenen Fahrsituationen zu lernen und seine Schätzgenauigkeit kontinuierlich zu verbessern.
In einer Zeit, in der Sicherheit und Autonomie im Verkehr immer wichtiger werden, stellt die Arbeit von Fu Yuesheng, Li Shaohua und Wang Guiyang einen bedeutenden Schritt nach vorn dar. Indem sie die dynamische Natur der Reifenphysik ernst nehmen und in ihre Modelle integrieren, legen sie den Grundstein für intelligentere, sicherere und reaktionsschnellere Fahrzeuge. Ihr Algorithmus ist mehr als nur eine technische Neuerung; er ist ein Paradigmenwechsel, der von statischen, vereinfachenden Annahmen hin zu dynamischen, realitätsnahen Modellen führt – ein entscheidender Schritt auf dem Weg zu einer neuen Generation intelligenter Mobilität.
Fu Yuesheng, Li Shaohua, Wang Guiyang, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220190