Friction parameter based friction potential estimation
Final Report Abstract
Mit einer Ursachen-basierten Reibwertpotenzialschätzung lässt sich das Reibwertpotenzial nicht nur am Ort des Fahrzeuges selber, sondern auch auf der vor dem Fahrzeug liegenden Fahrstrecke näherungsweise ermitteln. Dies ist insbesondere für automatisiertes Fahren, ADAS und Fahrerinformationssysteme von großem Vorteil. Das Ziel des Projektes "Reibparameter basierte Reibwertpotenzialschätzung" bestand darin, zu untersuchen, wie genau und verlässlich das Reibwertpotenzial ohne zusätzliche, aufwändige Sensorik abgeschätzt werden kann. Der hierzu verwendete grundsätzliche methodische Ansatz bestimmt aus einfach verfügbaren Informationen (Wetterdienste, Standard-Fahrzeugsensorik und Betreiberinformationen/Kartendaten) sogenannte Reibwertparameter, aus denen sich dann mit Hilfe einer vorab ermittelten Datenbasis ein Reibwertpotenzialbereich abschätzen lässt. Im Rahmen des Forschungsprojektes wurden mit einem Versuchsfahrzeug eine Vielzahl von Messfahrten bei unterschiedlichen Wetterbedingungen durchgeführt, und es wurden mit ABS-Bremsmanövern Reibwertpotenziale an vorab definierten Messpunkten auf der Messstrecke gemessen. Mit der Fahrzeugsensorik und zusätzlicher Messtechnik wurde eine Vielzahl an Fahrzeugund Umgebungsgrößen aufgezeichnet. Zusätzlich wurde mit einem speziell angefertigten Messaufbau die Makro- und Mikrotextur an mehreren Messpunkten mit Asphaltoberfläche vermessen. Für die Bewertung der Reifenkontaktfläche auf unterschiedlichen Asphaltoberflächen wurden Silikonabdrücke angefertigt und analysiert. Die Fahrbahnverschmutzung wurde durch Kehren dokumentiert. Mit dieser Datenbasis wurde der Einfluss verschiedener Reibwertparameter auf das Reibwertpotenzial untersucht. Die gemessenen Reibwertpotenziale zeigen, dass der Zwischenschichtzustand, die Fahrbahnoberfläche und, allerdings in deutlich geringerem Maße, die Fahrgeschwindigkeit die Reibwertparameter mit dem größten Einfluss sind. Die Fahrgeschwindigkeit ist über die Fahrzeugsensorik bekannt. Der Fahrbahnoberflächentyp (Asphalt, Beton, Kopfsteinpflaster) kann aus digitalen Karten ermittelt werden. Für die Schätzung des Zwischenschichtzustandes werden Wetterdaten benötigt. Da die Standardsensorik heutiger Kraftfahrzeuge nicht alle hierfür notwendigen Wetterdaten liefert, wurden die Daten umliegender Wettermessstationen auf den Ort des Fahrzeuges interpoliert. Zur Bewertung des Interpolationsfehlers wurden die während der Messfahrten vom Fahrzeug über Zusatzsensorik aufgenommenen Wetterdaten mit den interpolierten Wetterdaten verglichen. Mit einem Umgebungsmodell, basierend auf den Kartendaten aus OpenStreetMap, konnte ein Zusammenhang zwischen den Interpolationsfehlern und der Umgebung nachgebildet werden. Zur Ableitung des Zwischenschichtzustandes aus den Wetterdaten wurden verschiedene Machine Learning Verfahren (bspw. Decision Tree, logistische Regression) mit Daten aus diesem und vorangegangenen Forschungsprojekten erprobt. Es zeigte sich, dass Convolutional Neural Networks und Recurrent Neural Networks, die die zeitlichen Verläufe der Wetterdaten aus den vergangenen 24 Stunden als Inputgrößen verwendeten, zu den besten Trefferquoten führten. Es konnte weiterhin gezeigt werden, dass sich die Spanne des geschätzten Reibwertpotenzialbereichs über die Kenntnis charakteristischer Werte zur Beschreibung der Mikro- und Makrotextur der Fahrbahnoberfläche teilweise recht deutlich reduzieren lässt. Die dafür notwendigen Messungen sind aber mit heutiger Technik noch sehr aufwendig. Da die untersuchte Ursachen-basierte Reibwertpotenzialschätzung von homogenen Fahrbahnoberflächen ausgeht, wurde außerdem eine Objekterkennung trainiert, mit der über die Bilder einer Fahrzeugkamera lokale Fahrspureffekte vor dem Fahrzeug erkannt werden konnten. So war es möglich, Situationen mit eingeschränkter Gültigkeit der Reibwertpotenzialschätzung zu erkennen.
