Intelligente Fahrwerksregelung

Aktive Fahrwerkreglerentwicklung mit KI-basierten Deep-Learning-Algorithmen

Im der Ära des autonomen Fahrens steht der Insasse im Fokus von Forschung und Entwicklung. Aufgrund der geringeren Beteiligung des Insassen an den fahrbezogenen Vorgängen ist der Insasse empfindlicher für jegliche Unannehmlichkeiten während der Fahrt. Daraus ergibt sich die Forderung nach einer Verbesserung des Fahrer- und Insassenerlebnisses im Hinblick auf den Fahrkomfort. Aktive Fahrwerkssysteme spielen eine wichtige Rolle bei der Verbesserung der Fahrqualität, aufgrund ihrer Fähigkeit, mit Hilfe separater Aktuatoren unabhängige Kräfte auf das Fahrwerk auszuüben. Der Reglerentwicklungsprozess befasst sich mit verschiedenen Herausforderungen wie Modellierungskomplexität, physikalischen Randbedingungen für das System und Echtzeit-Implementierung.

Mit signifikanten Fortschritten in den Bereichen Computational Engineering und Künstliche Intelligenz (KI) entstehen Regelungsstrategien, die effizienter als traditionelle Ansätze sind. Die KI-basierten Methoden besitzen das Potenzial, mit komplexen unsicheren Modellen umzugehen, und erfordern für die Echtzeit-Implementierung eine moderate Rechenleistung. Die Studie konzentriert sich auf die Anwendung von Deep Learning-Ansätzen zur Synthese von Reglern, die durch die Steuerung der Aktuatorkraft eine Verbesserung der Fahrqualität ermöglichen. In diesem Prozess werden verschiedene analytische Fahrzeugmodelle und Deep-Learning-Algorithmen umfassend untersucht, um ihr Potenzial in Bezug auf Leistung, Robustheit und erforderliche Fahrzeugmessungen zu analysieren. In der Anfangsphase werden diese Strategien in einer Simulationsumgebung (Matlab/Simulink, Adams oder IPG CarMaker) validiert. Anschließend werden die Leistungen der intelligenten aktiven Fahrwerkregler an einem physikalischen Aufbau wie dem Viertelfahrzeug Prüfstand, der am Institut für Kraftfahrzeuge (ika) zur Verfügung steht, validiert.