Simulationsplattform unterstützt Entwicklung autonomer Fahrzeuge

Die Motion Research Group am Centre for Automotive Research der University of Waterloo (WatCAR) hat mit einem Projekt zu selbstfahrenden Fahrzeugen unter der Leitung der Professoren Krzysztof Czarnecki und Steven Waslander, entscheidend zur Forschung im Bereich der autonomen Fahrzeuge beigetragen.

Bei diesem Projekt mit dem Namen Autonomoose geht es um ein autonomes Drive-by-Wire-Fahrzeug im Rahmen von WatCAR. Zu den Zielen gehören eine Verbesserung des autonomen Fahrens unter extremen Wetterbedingungen und das Ausweichen vor Hindernissen in Notsituationen. „In unserem Team arbeiten zahlreiche Forscher an autonomen Fahrzeugen, und wir wollten eine reale Fahrzeugplattform, um neue Theorien und Algorithmen zu testen“, sagte Czarnecki. „Wir arbeiten an der Zukunft des Autofahrens und verfügen nun über eine Fahrzeugplattform auf dem Stand der Technik, mit der wir die Leistung unserer Theorien und Steuerungen unter realen Bedingungen testen können.“

Lincoln MKZ Hybrid als Fahrzeugplattform

Czarnecki und Waslander haben in den letzten zwei Jahren an diesem Projekt gearbeitet und leiten in diesem Zusammenhang die Forschung zur Planung und Navigation. Unlängst haben Sie John McPhee, einen Canada Research Chair und Professor für Systems Design Engineering an der University of Waterloo, hinzugezogen, um den Bewegungscontroller für das Fahrzeug zu verbessern und dabei die Aspekte Dynamik und Kontrolle zu betreuen. Das Forscherteam wählte als Fahrzeugplattform einen 2015er Lincoln MKZ Hybrid und setzte zur Unterstützung seiner Forschung die Software Maple und MapleSim von Maplesoft ein. Das Fahrzeug wurde mit allen für ein autonomes Fahren erforderlichen Sensoren und Aktuatoren ausgestattet. „Der Lincoln MKZ ist das bevorzugte Fahrzeug von AutonomouStuff, dem Unternehmen, das den MKZ zu einem Drive-by-Wire-Fahrzeug umgebaut hat“, erklärte McPhee. „Wir konnten anschließend unsere eigenen Sensoren – Lidar, Kameras usw. – und Steuersysteme hinzufügen, um es vollständig autonom zu machen.“

Gesteuert wird es durch die Betätigung des Gaspedals, des Bremspedals und des Lenkrads, um eine Referenzroute abzufahren, die von einer Higher-Level-Entscheidungsarchitektur vorgegeben wird. Um wirksame und robuste Controller zur Steuerung des Fahrzeugs zu entwickeln, musste seine reale Dynamik modelliert werden. Dabei waren zwei Modelle zu erstellen und zu identifizieren, und zwar ein Modell des Antriebsstrangs und ein weiteres der Längs- und Querdynamik. „Hochgenaue Fahrzeugmodelle erlauben es uns, Controller auf der Grundlage von Model-in-the-Loop-Simulationen des Fahrzeugverhaltens zu entwickeln“, erläuterte McPhee. „Außerdem liefern sie Informationen für die Entwicklung vereinfachter Modelle, die wir in modellprädiktiven Controllern zum Verfolgen der Fahrstrecke einsetzen.“

Umfassende Simulationsplattform

Das Team entschied sich für MapleSim, das Modellierungs- und Simulationswerkzeug von Maplesoft, sowie Maple als Werkzeug für symbolische Berechnungen. MapleSim bietet eine umfassende Simulationsplattform zum Entwickeln und Testen der Fahrzeugmodelle, unterstützt durch Maple, dessen Rechengeschwindigkeit dem Team geholfen hat, die benötigten Berechnungen in kurzer Zeit durchzuführen. Das Team brauchte schnelle Simulationen und modellbasierte Controller, um eine Steuerung der Bewegung des Fahrzeugs in Echtzeit zu erreichen und um Sensoren zu testen. Außerdem war eine leistungsfähige Simulationsumgebung wichtig, um Navigationsalgorithmen zu analysieren. Mit MapleSim erstellte das Team hochgenaue MapleSim-Modelle des Autonomoose, die anschließend mit einem Vier-Stempel-Prüfstand, einem Rollenprüfstand und bei Fahrversuchen auf der Prüfstrecke in Waterloo sowie auf den Landebahnen des Flughafens Waterloo validiert wurden. Der optimierte Simulationscode wurde anschließend aus MapleSim exportiert und zur Simulation der Fahrzeugbewegungen in virtuellen Umgebungen verwendet, die mit Unreal Engine 4 und anderer VR-Software erzeugt worden waren.

Modell des Antriebsstrangs

Zweck des Modells des Antriebsstrangs war es, ein Mapping der Eingangswerte der Steuerung (Positionen von Gas- und Bremspedal) und der Fahrzeugzustände (Raddrehzahlen, Fahrzeuggeschwindigkeit usw.) zum an den Rädern einwirkenden Drehmoment zu erhalten. Ein hochgenaues Modell des hybriden Antriebsstrangs des Lincoln MKZ schloss sowohl die Architektur des Steuermoduls für den Antriebsstrang des Fahrzeugs als auch die Dynamik der Systeme des Antriebsstrangs ein. Um ein solches Modell zu erstellen, musste das Team die Werte hinter zahlreichen CAN-Bus-Signalen ermitteln, zum Beispiel angeforderte Drehmomente, gemessene Drehmomente und Drehzahlen der Verbrennungs- und Elektromotoren. CAN ist ein Fahrzeugbus-Standard, über den Mikrocontroller und Geräte miteinander in Anwendungen ohne Host-Computer kommunizieren können.

Modell der Fahrzeugdynamik

Zweck des Modells der Fahrzeugdynamik war es, zu bestimmen, wie das Fahrzeug auf Eingaben über das Lenkrad sowie das über den Antriebsstrang zu den Rädern übertragene Drehmoment reagiert. Ein hochgenaues Modell der Fahrzeugdynamik des Lincoln MKZ berücksichtigte die Trägheit bei dessen Gier-, Neigungs- und Rollbewegungen sowie die kinematischen und dynamischen Parameter des Fahrwerks. „Viele dieser Parameter können durch Messungen mit unseren eigenen Geräten bestimmt werden, aber das halbaktive Fahrwerk des Lincoln MKZ bringt zusätzliche Komplexität in das Modell ein“, sagte McPhee.

Um eine Echtzeitsteuerung der Fahrzeugbewegung zu erreichen, setzte das Team die Funktionen zur Modellvereinfachung in MapleSim ein. Auf diese Weise konnten einfachere, steuerungsorientierte Modelle des Autonomoose erstellt werden, die in den modellprädiktiven Controllern eingebettet sind. Im Wesentlichen sagen diese Modelle die Reaktion des Fahrzeugs auf Eingaben in einem bestimmten Horizont voraus. So können die Eingaben im nächsten Schritt optimiert werden“, so McPhee. „Die symbolische Berechnung wurde dazu eingesetzt, präzise Gradienten, Lagrangesche Funktionen und Hessematrizen zu erhalten, um die Konvergenzrate unserer Optimierungsmethoden zu erhöhen. Zum Schluss wurden die modellprädiktiven Controller am hochgenauen Modell getestet, um zu gewährleisten, dass die Controller am realen Fahrzeug sicher und optimal funktionieren.“

Das Team hat eine ausgezeichnete Kontrolle in Längsrichtung erreicht und arbeitet gerade an der Lösung einiger Probleme bei der Kontrolle in Querrichtung, damit das Fahrzeug auf der Straße sicher andere Fahrzeuge und bewegliche Hindernisse umfahren kann, während es die vorgegebene Route verfolgt. „Das erfordert ein sehr gutes Verständnis der Dynamik von Fahrzeug und Reifen, wobei uns unsere Tests mit dem MapleSim-Modell und am Fahrzeug selbst sehr geholfen haben“, sagte McPhee. „Bei jüngsten Fahrversuchen mit unserem Longitudinal-Controller konnten wir die Fahrgeschwindigkeit des Autonomoose wesentlich erhöhen. So konnten wir bis zur zulässigen Geschwindigkeitsgrenze auf unserer Versuchsstrecke gehen. Das ist ein bedeutende Errungenschaft unseres Forscherteams.“

Unbekannte Zustände schätzen

Das Team möchte außerdem eine Zustands- und Parameterschätzung mit gleitendem Horizont (Moving-Horizon Estimation, MHE) unbekannter Fahrzeugzustände, zum Beispiel der Fahrbahnreibung, erreichen. Diese Funktion liefert den Controllern wichtige Informationen, um deren Leistung zu verbessern. „Ein dynamisches System lässt sich nur steuern, wenn man seine aktuellen Zustände kennt. Daher setzte das Team ein Modell in Kombination mit Messungen ein, um die unbekannten Zustände zu schätzen“, so McPhee.  „MHE ist eine wichtige Ergänzung unserer modellprädiktiven Controller, und wir nutzen dieselben Funktionen zur symbolischen Berechnung, um neue Parameterschätzungen mit gleitendem Horizont zu entwickeln“, fügte er hinzu.

Einige der Ideen und Daten aus diesem Projekt werden in anderen Forschungsprojekten zum Maschinenlernen in McPhees Gruppe eingesetzt, z.B. bei der optimalen Steuerung von Exoskeletten und Robotern zur Rehabilitation von Schlaganfallpatienten. Wie der Autonomoose benötigen auch diese Hilfseinrichtungen modellbasierte Controller mit hoher Leistung, die wegen der Vorteile von Werkzeugen wie MapleSim und Maple in Echtzeit ausgeführt werden können.

Maschinelles Lernen und modellbasierte Simulation kombiniert

Autonome Fahrzeuge werden langsam Wirklichkeit und Partnerschaften zwischen Industrie und Bildungseinrichtungen bieten die Möglichkeit, bei ihrer Entwicklung eine führende Rolle einzunehmen. Einen besonders wichtigen Beitrag dazu leisten akademische Forschungsgruppen wie WatCAR und Technologieunternehmen wie Maplesoft. „Wir stehen vor der einzigartigen Gelegenheit, die besten Fähigkeiten des Maschinenlernens mit der modellbasierten Simulation und Steuerung zu kombinieren“, sagte McPhee. „Tatsächlich haben wir genau das bei unserem Longitudinal-Controller für den Moose getan. Er arbeitet mit einer Kombination aus neuronalen Netzwerken und physikbasierten Modellen, um den Antriebsstrang des Fahrzeugs darzustellen. Eine Differenzierung dieser Modelle mit Hilfe symbolischer Berechnungen gibt uns modellbasierte Controller an die Hand, die nahezu optimal und in Echtzeit arbeiten. Ihre Leistung hat sich bereits im Moose gezeigt. Künftige Forschung zur Integration von Maschinenlernen und modellbasierter Steuerung wird zu Durchbrüchen bei der Leistung autonomer Fahrzeuge führen.“

0
RSS Feed

Hat Ihnen der Artikel gefallen?
Abonnieren Sie doch unseren Newsletter und verpassen Sie keinen Artikel mehr.

Mit einem * gekennzeichnete Felder sind Pflichtfelder!

CAPTCHA
Diese Frage stellt fest, ob du ein Mensch bist.

Neuen Kommentar schreiben

Entdecken Sie die Printmagazine des WIN-Verlags