Deep Learning für automatisiertes Fahren auf der Rennstrecke – rAIcing

Ziel des Projekts war die Entwicklung, Implementierung und Evaluierung einer Funktion zur Schätzung und Prädiktion des Straßenreibwerts sowie einer echtzeitfähigen Energie-Strategie (ES) für elektrische, autonome Rennfahrzeuge. Die vorliegenden Erkenntnisse sollen im Reallabor „Rennstrecke“, in dem in einer sicheren Umgebung herausfordernde Situationen gezielt erzeugt werden können, ausgearbeitet werden. Mit den vorliegenden Erkenntnissen können die Fahrzeugsicherheit sowie die Antriebsstrangeffizienz erhöht werden.

Zunächst erfolgte die Auswahl geeigneter Methoden aus den Bereichen der Schätz- und Optimierungsverfahren sowie des maschinellen Lernens. Alleinstellungsmerkmal des Projekts ist dabei der Einsatz der Algorithmen auf dem Rennfahrzeug „DevBot“ der Roborace-Rennserie sowie auf einem entwickelten Hardware-in-the-Loop-Simulator. Bei der Integration auf den Fahrzeugsteuergeräten wurde ein besonderes Augenmerk auf die Echtzeitfähigkeit sowie die funktionale Absicherung gelegt.

Zur Umsetzung der ES wurden drei ineinandergreifende Module entwickelt. Diese sind eine globale Renntrajektorien-Optimierung inkl. Antriebsstrangbeschränkungen, ein ES-Kernmodul zur iterativen Neuplanung der Strategie bis Rennend, sowie eine Geschwindigkeits-Optimierung zur Umsetzung der Trajektorien. Zur Umsetzung der Reibwertschätzung wurden maschinelle Lernalgorithmen ausgearbeitet, die das fahrdynamische Potenzial des Fahrzeugs ohne eine detaillierte physikalische Modellierung erkennen und prädizieren können. Damit kann die Problematik der Modellunsicherheit und -ungenauigkeit von physikalischen Modellen umgangen werden.