RoCCl - Road Condition Cloud

• Applicants: Professor Dr.-Ing. Roman Henze; Dr.-Ing. Mark Wielitzka, since 3/2021
• Subject Area: Automation, Mechatronics, Control Systems, Intelligent Technical Systems, Robotics ; Traffic and Transport Systems, Intelligent and Automated Traffic
• Term: from 2018 to 2021
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 392112193

• Final Report Year: 2021

Final Report Abstract

Das Ziel des Forschungsvorhabens war die Entwicklung und Untersuchung einer zeitlich veränderbaren Karte des aktuellen Fahrbahnzustandes. Die im Forschungsvorhaben entwickelte Karte enthält Fahrdynamik-Informationen der einzelnen Verkehrsteilnehmer und weiterführende Informationen wie die Bilddaten einer Kamera. Weiterhin berücksichtigt die entwickelte Karte eine zeitliche Veränderung der in der Karte verwendeten Informationen. Das Forschungsvorhaben bestand insgesamt aus fünf Arbeitspaketen. Im ersten Arbeitspaket wurden die Fahrbahnreibwertsensitivität und Reibwertadaption von heute in Serie befindlichen Fahrerassistenzsystemen untersucht. Im zweiten Arbeitspaket wurde eine nichtlineare Beobachterstruktur zur Schätzung des Fahrbahnreibwertes durch Informationen der Fahrdynamik unter Angabe der Wahrscheinlichkeit einer korrekten Schätzung realisiert. Im dritten Arbeitspaket wurden die relevanten Informationen der Cloud ausgewählt und notwendige Datentransferraten bestimmt. Im vierten Arbeitspaket wurde die zeitlich veränderbare Karte (RoCCl) entwickelt. Das fünfte Arbeitspaket umfasste eine Reihe von Messfahrten zur Validierung der entwickelten Module und den Aufbau einer Simulationsumgebung. Durch die untersuchten Reibwertadaptionen wurde die Funktionsweise der ausgewählten Fahrerassistenzsysteme auf einer nassen, schnee- und eisbedeckten Fahrbahn verbessert, indem auch auf niedrigen Fahrbahnreibwerten Kollisionen oder ein Abkommen von der Fahrbahn verhindert werden. Die entwickelten Unscented Kalman-Filter (UKF) und Cubature Kalman-Filter (CKF) schätzen den Fahrbahnreibwert robust im Fahrversuch und besitzen den besten ermittelten Kompromiss zwischen Genauigkeit, Stabilität und Rechenzeit. Als relevante CAN-Bus-Informationen wurden die kombinierte Beschleunigung, Umgebungstemperatur, relative Luftfeuchtigkeit und Regenmenge bestimmt. Diese wurden um externe Wetter- und Bilddaten erweitert, um den Fahrbahnreibwert robuster zu schätzen. Zudem wurde eine innovative bildbasierte Anregungsüberwachung entwickelt, um die im zweiten Arbeitspaket erarbeitete nichtlineare Beobachterstruktur zu initialisieren. Die im Forschungsvorhaben entwickelte Simulationsumgebung ermöglicht die Erstellung und Bewertung von örtlich- und zeitlich veränderlichen Fahrbahnzustandskarten aus der Fusion von Informationen verschiedener Verkehrsteilnehmer und Umgebungsinformationen. In dieser Simulationsumgebung können eine Vielzahl von Fahrzeugen und Anzahl an Informationen dieser Fahrzeuge als auch experimentelle Messdaten abgebildet und verwendet werden. Abschließend wurden für die entwickelten Methoden der beschriebenen Arbeitspakete verschiedene Messfahrten in und außerhalb von Europa mit unterschiedlichen Versuchsfahrzeugen zur Identifikation und Validierung der entwickelten Modelle durchgeführt. Die zuvor beschriebenen Ergebnisse sind wirtschaftlich verwertbar, da die Kenntnis des Fahrbahnreibwertes eine Schlüsseltechnologie für das Automatisierte Fahren darstellt. Diese Ergebnisse wurden als Vorarbeiten für ein Forschungsvorhaben und zwei industrielle Kooperationen verwendet.

Publications

• Classification of Road Surface and Weather-Related Condition Using Deep Convolutional Neural Networks. Proceedings of the 26th IAVSD Symposium on Dynamics of Vehicles on Roads and Tracks (2019)
  Busch, A.; Fink, D.; Laves, M.-H. et al.
  
• Credibility of State and Friction Coefficient Estimation in Vehicle Dynamics using UKF, 2019 IEEE 58th Conference on Decision and Control (CDC). IEEE, 2019
  Wielitzka, M.; Ortmaier, T.
  
• Resource Efficient Classification of Road Conditions through CNN Pruning. Proceedings of the 21st IFAC World Congress (2020)
  Fink, D.; Busch, A.; Wielitzka, M. et al.
  
• Zustands- und Reibwertschätzung in der Fahrdynamik. Berichte des TEWIS Verlags, Dissertation (2020)
  Wielitzka, M.
  
• Accuracy requirements for the road friction estimation of a friction-adaptive Automatic Emergency Steer Assist (ESA), WKM-Symposium, 2021
  Ahrenhold, T.; Busch, A.; Iatropoulos, J.; Henze, R.; Kücükay, F.
  
• Fahrbahnzustandskarten aus der cloudbasierten Informationsfusion von Kamera- und Fahrdynamikinformationen, VDI Mechatronik Tagung 2021
  Busch, A.; Ahrenhold, T.; Henze, R.; Ortmaier, T.; Wielitzka, M.
  
• Klassifikation von Fahrbahnzuständen mittels Datenfusion, Schriftenreihe des Institut für Fahrzeugtechnik TU Braunschweig, Dissertation (2021)
  Jarisa, W.
  
• Reibwertadaptives Lane Keeping Assist (LKA) System in Testszenarien des Euro NCAP Testprotokolls und statistisch relevanten Fahrsituationen des Realverkehrs, 35. VDI Tagung Fahrerassistenzsysteme und Automatisiertes Fahren, 2022
  Ahrenhold, T.; Iatropoulos, J.; Pethe, C.; Henze, R.; Kücükay, F.