Präzise Echtzeit-Schätzung von Fahrzeugzustand und Reibwert dank neuem Algorithmus
In der Welt der Elektromobilität, wo Sicherheit, Leistung und intelligente Steuerungssysteme die nächste Generation von Fahrzeugen definieren, markiert eine bahnbrechende Entwicklung im Bereich der Zustandsschätzung einen entscheidenden Fortschritt. Forscher der Fakultät für Fahrzeug- und Verkehrstechnik an der Taiyuan University of Science and Technology haben einen neuartigen Algorithmus entwickelt, der in der Lage ist, kritische Fahrzeugzustände und die Reibung zwischen Reifen und Fahrbahn in Echtzeit präzise zu erfassen – eine essentielle Voraussetzung für die sichere und stabile Steuerung von elektrischen Fahrzeugen mit verteiltem Antrieb.
Mit dem technologischen Wandel hin zu fortschrittlicheren Fahrzeugarchitekturen, insbesondere solchen mit individuellem Radantrieb, steigt die Nachfrage nach genauen, zuverlässigen und kostengünstigen Sensortechnologien stetig. Herkömmliche Ansätze basieren häufig auf teuren Hardwarekomponenten wie hochwertigen Inertialsensoren oder direkten Messsystemen, die die Produktionskosten erhöhen und die Serientauglichkeit einschränken. Das Team um Yuan Yuan, Wang Hang, Zhao Pengju und Cheng Qingli hat jedoch eine innovative Lösung vorgestellt, die diese Einschränkungen umgeht. Ihre Methode nutzt fortschrittliche Filtertechniken, um hochpräzise Schätzungen allein auf Basis gängiger serienmäßiger Fahrzeugsensoren zu liefern – ohne zusätzliche teure Sensoren.
Die Bedeutung dieser Forschung liegt in ihrer direkten Anwendbarkeit. Für Automobilingenieure und Hersteller, die fortschrittliche Fahrerassistenzsysteme (ADAS) und Fahrdynamikregelsysteme (ESP, Torque Vectoring) effizient und kostengünstig in die Serienproduktion überführen möchten, stellt dieser Algorithmus eine überzeugende Alternative dar. Er ermöglicht die kontinuierliche Überwachung zentraler Parameter wie der Längs- und Quergeschwindigkeit, der Giergeschwindigkeit, des Schräglaufwinkels und – entscheidend – des Reibungskoeffizienten der Fahrbahn. All dies geschieht ausschließlich durch die Auswertung bereits vorhandener Fahrzeugdaten.
Eines der komplexesten Probleme bei der Zustandsschätzung ist die inhärente Nichtlinearität der Fahrzeugdynamik. Fahrzeuge verhalten sich als hochkomplexe, nichtlineare Systeme, besonders bei dynamischen Manövern wie Notausweichungen oder Kurvenfahrten auf glatten Oberflächen. Klassische Schätzverfahren wie der Erweiterte Kalman-Filter (EKF) linearisieren die Systemgleichungen, was zu Ungenauigkeiten führen kann, insbesondere wenn die Nichtlinearitäten stark ausgeprägt sind. In Extremfällen kann dies sogar zum Abbruch des Filters führen. Der Unscented Kalman-Filter (UKF) vermeidet die Linearisierung, leidet jedoch unter potenziellen Stabilitätsproblemen in hochdimensionalen Systemen, da die Kovarianzmatrix unter bestimmten Bedingungen nicht mehr positiv definit bleibt.
Die Forschergruppe hat diese Schwachstellen durch die Anwendung des Cubature-Kalman-Filters (CKF) adressiert. Dieser Filter verwendet eine sphärisch-radielle Integrationsregel, um die in der Bayes’schen Schätzung auftretenden Integrale numerisch zu berechnen. Im Vergleich zu EKF und UKF bietet der CKF eine höhere Genauigkeit, insbesondere bei stark nichtlinearen und hochdimensionalen Systemen. Um die Robustheit weiter zu steigern, integrierten die Forscher die Singulärwertzerlegung (SVD) in den Schritt der Kovarianzaktualisierung. Diese Kombination sorgt für eine verbesserte numerische Stabilität, selbst unter ungünstigen Bedingungen – ein häufiges Problem in realen Fahrzeugsteuergeräten mit begrenzter Rechenpräzision.
Das zentrale Innovationsmerkmal der Studie ist die zweischichtige, geschlossene Schätzkette. Anstatt Fahrzeugzustände und Straßenreibung als getrennte Probleme zu behandeln, entwarfen die Forscher eine wechselseitig gekoppelte Architektur. Der Schätzer für den Fahrzeugzustand liefert kontinuierlich Daten an den Reibungsschätzer, und umgekehrt. Dieser bidirektionale Informationsfluss ermöglicht eine gegenseitige Korrektur und Verfeinerung der Schätzungen, was zu einer schnelleren Konvergenz und einer höheren Widerstandsfähigkeit gegenüber Rauschen und Modellierungsfehlern führt.
Zur Validierung ihres Ansatzes erstellten die Wissenschaftler eine umfassende Simulationsumgebung auf Basis der etablierten Carsim/Simulink-Ko-Simulationsplattform. Sie testeten den Algorithmus unter extremen Bedingungen, darunter Doppel-Spurwechsel-Manöver auf Oberflächen mit hoher Reibung (trockener Asphalt), niedriger Reibung (nass oder vereist) und sprunghaft wechselndem Reibwert (Split-μ-Oberflächen). Diese Szenarien simulieren reale Notfallsituationen, in denen das Fahrzeug abrupt von einer trockenen auf eine nasse Fahrbahn wechselt. Die Simulationen wurden bei Geschwindigkeiten von 30 km/h und 60 km/h durchgeführt, mit einem Abtastintervall von nur einer Millisekunde, um den Anforderungen an die Echtzeitverarbeitung gerecht zu werden.
Die Ergebnisse waren beeindruckend. In allen Testfällen verfolgten die geschätzten Längs- und Quergeschwindigkeiten die Referenzwerte mit einem Fehler von weniger als einem Prozent. Der Schräglaufwinkel, einer der schwierigsten Parameter zur direkten Messung und ein zentraler Indikator für die Fahrzeugstabilität, wurde mit hoher Genauigkeit geschätzt, selbst während transienter Spitzenbelastungen. Besonders bemerkenswert war die schnelle Konvergenz des Reibungskoeffizienten: Er stabilisierte sich innerhalb von 0,3 Sekunden auf glatten Oberflächen und innerhalb von 0,4 Sekunden auf trockenen Straßen – ein beeindruckend schnelles Reaktionsvermögen.
Simulationen allein reichen jedoch nicht aus, um die Tauglichkeit für den Einsatz im realen Fahrzeug zu beweisen. Die Forscher erkannten dies und gingen einen entscheidenden Schritt weiter: Sie implementierten den Algorithmus auf einer realen Fahrzeugtestplattform. Das auf Simulink basierende Schätzmodell wurde in eingebetteten C-Code umgewandelt und über eine Download-Schnittstelle auf ein elektronisches Steuergerät (ECU) übertragen. Die ECU kommunizierte über das CAN-Bus-Protokoll mit den serienmäßigen Sensoren des Fahrzeugs – Beschleunigungssensoren, Lenkwinkelsensor, Raddrehzahlsensoren und eine Inertialmesseinheit (IMU) für Giergeschwindigkeit und Längsgeschwindigkeit.
Die Tests im realen Fahrversuch wurden bei 50 km/h auf einer hochreibenden Oberfläche durchgeführt, gefolgt von Evaluierungen auf glatten und Split-μ-Oberflächen. Trotz realer Störungen wie Sensorrauschen, mechanischen Verzögerungen, Aufhängungsdynamik und variabler Reifen-Fahrbahn-Interaktion zeigte der Algorithmus eine bemerkenswerte Leistung. Die geschätzten Fahrzeugzustände lagen durchgängig innerhalb von fünf Prozent der tatsächlichen Werte. Die Schätzungen des Reibungskoeffizienten blieben innerhalb einer zehnprozentigen Fehlergrenze. Obwohl die Genauigkeit geringfügig unter den Simulationsergebnissen lag – ein Unterschied, der auf nicht modellierte Dynamiken und Systemträge zurückzuführen ist – stimmten die Trends und Reaktionscharakteristiken eng mit den simulierten Ergebnissen überein.
Besonders hervorzuheben ist die Fähigkeit des Algorithmus, abrupte Änderungen des Reibwertes zu erkennen, etwa beim Übergang von trockener zu nasser Fahrbahn. In solchen Fällen reagierte der Schätzer innerhalb einer Sekunde und demonstrierte damit hohe Sensitivität und Reaktionsgeschwindigkeit. Diese schnelle Erkennung ist für aktive Sicherheitssysteme wie das Elektronische Stabilitätsprogramm (ESP), das Drehmoment-Vectoring und die automatische Notbremsung unerlässlich, die innerhalb von Millisekunden auf wechselnde Grip-Verhältnisse reagieren müssen, um ein Ausbrechen oder Überschlagen zu verhindern.
Ein weiterer interessanter Befund war der Unterschied in der Schätzgenauigkeit zwischen Vorder- und Hinterreifen. Die Vorderreifen zeigten eine bessere Konvergenz und geringere Fehler bei der Reibungsschätzung. Dies ist wahrscheinlich darauf zurückzuführen, dass sie direkt am Lenkprozess beteiligt sind und daher mehr dynamische Informationen aus Lenkwinkel und seitlichen Kräften liefern. Diese Erkenntnis könnte zukünftige Entwicklungen beeinflussen und darauf hindeuten, dass Schätzstrategien mit Fokus auf die Vorderräder in bestimmten Steuerungsarchitekturen Vorteile bieten.
Aus ingenieurtechnischer Sicht sind die Implikationen dieser Forschung weitreichend. Durch die präzise Schätzung von Zustand und Reibung ohne teure Hardware eröffnet der Algorithmus die Möglichkeit für kostengünstigere, skalierbarere und breiter einsetzbare Fahrdynamikregelsysteme. Er steht im Einklang mit dem Trend der Automobilindustrie hin zu softwaredefinierten Fahrzeugen, bei denen Intelligenz zunehmend aus Algorithmen und nicht aus zusätzlicher Hardware resultiert.
Darüber hinaus stellt die Verwendung des SVD-optimierten CKF einen bedeutenden Fortschritt in der Filtertheorie für automotive Anwendungen dar. Im Gegensatz zu traditionellen Kalman-Ansätzen, die unter numerischer Instabilität leiden, stellt diese Methode sicher, dass die Kovarianzmatrizen positiv semi-definit bleiben, was Filterdivergenz verhindert – ein häufiger Fehlermodus in eingebetteten Systemen mit endlicher Rechengenauigkeit. Diese Zuverlässigkeit macht sie besonders für sicherheitskritische Anwendungen geeignet, bei denen konsistente Leistung unverzichtbar ist.
Die Studie unterstreicht auch die Bedeutung der Modellgenauigkeit. Das verwendete 3-DOF-Fahrzeugmodell erfasst die Bewegungen in Längs-, Quer- und Gierachse, bleibt dabei aber rechnerisch effizient genug für die Echtzeitausführung. Es integriert realistische Reifenkraftberechnungen auf Basis des Dugoff-Reifenmodells, das kombinierte Schlupfeffekte und lastabhängige Reibungseigenschaften berücksichtigt. Diese Balance zwischen Genauigkeit und Effizienz ist entscheidend für die Implementierung in Serienfahrzeugen, wo Rechenleistung und Speicherplatz begrenzt sind.
Ausblickend könnte diese Technologie als Grundbaustein für die nächste Generation autonomer Fahrsysteme dienen. Exakte Kenntnis des Fahrzeugzustands und der Fahrbahnbedingungen ist essenziell für die Pfadplanung, Trajektorienoptimierung und Risikobewertung in selbstfahrenden Autos. Durch die Bereitstellung einer kostengünstigen und hochgenauen Lösung könnte dieser Algorithmus die Einführung autonomer Funktionen in Fahrzeuge für den Massenmarkt beschleunigen.
Zudem könnte die Methodik ähnliche Ansätze in anderen Bereichen inspirieren, wie zum Beispiel in der Offroad-Fahrzeugtechnik, im Nutzfahrzeugbau oder sogar in der Robotik, wo Geländeschätzung und Bewegungsregelung ebenso kritisch sind. Die Prinzipien der gemeinsamen Zustands- und Parameter-Schätzung mit numerischer Stabilisierung könnten auf verschiedene nichtlineare dynamische Systeme übertragen werden.
Für Automobilhersteller sind die wirtschaftlichen Vorteile klar ersichtlich. Die Reduzierung der Abhängigkeit von teuren Sensoren senkt die Materialkosten und macht fortschrittliche Sicherheitsfunktionen für alle Fahrzeugsegmente zugänglicher. Gleichzeitig verbessert die höhere Schätzgenauigkeit die Gesamtleistung des Fahrzeugs, was zu besserem Handling, erhöhter Sicherheit und größerer Kundenzufriedenheit führt.
Der Erfolg dieses Projekts unterstreicht auch die wachsende Rolle chinesischer Hochschulen bei der Entwicklung der Automobiltechnik. Die Taiyuan University of Science and Technology, die international vielleicht nicht so bekannt ist wie andere Institutionen, leistet hier praxisnahe Forschung, die reale industrielle Herausforderungen adressiert. Gefördert durch das Technologietransfer-Programm der Provinz Shanxi, ist diese Arbeit ein Beispiel dafür, wie gezielte Forschungsförderung zu messbarem technologischem Fortschritt führen kann.
Zusammenfassend lässt sich sagen, dass die Entwicklung dieses SVD-basierten Cubature-Kalman-Filters für die gemeinsame Schätzung von Fahrzeugzustand und Reibungskoeffizient einen Meilenstein in der Evolution intelligenter Fahrzeugsteuerungssysteme darstellt. Sie schließt die Lücke zwischen theoretischen Fortschritten in der Filtertechnik und praktischen Anwendungen in der Automobilindustrie und liefert eine Lösung, die nicht nur technisch überlegen, sondern auch kommerziell realisierbar ist.
Die nachgewiesene Leistung des Algorithmus in Simulation und realer Fahrzeugerprobung demonstriert seine Reife für die Integration in Serienfahrzeuge. Während die Automobilindustrie ihren Wandel hin zur Elektrifizierung, Automatisierung und Digitalisierung fortsetzt, werden Innovationen wie diese eine zentrale Rolle dabei spielen, die Mobilität der Zukunft sicherer, intelligenter und effizienter zu gestalten.
Yuan Yuan, Wang Hang, Zhao Pengju, Cheng Qingli, Fakultät für Fahrzeug- und Verkehrstechnik, Taiyuan University of Science and Technology. Veröffentlicht in Journal of Taiyuan University of Technology. DOI: 10.16355/j.tyut.1007-9432.20230830