Maschinelle Lernalgorithmen

Maschinelle Lernalgorithmen in mobilen Anwendungen zur Prädiktion unbekannter Zustände

Ein Schwerpunkt in der automobilen Forschung ist die Entwicklung und Funktionserweiterung von Fahrdynamikregelsysteme (wie ESP, ABS, ASR, …). Diese stabilisieren unter anderem durch geeignete Ansteuerung von Aktoren (z.B. Bremsen einzelner Räder)das Fahrzeug in kritischen Fahrmanövern. Eine präzise Detektion des aktuellen Fahrzustandes ist hierfür unabdingbar. Gewährleistet wird dies durch eine Vielzahl unterschiedlichster Messsignale (Sensor-, Bussignale). Die Messung der benötigten Größen stellt mitunter eine Herausforderung dar, sowohl aus Machbarkeitssicht als auch unter ökonomischen Aspekten. Eine im Fokus der Wissenschaft befindliche Strategie um dieser  Problematik zu begegnen ist das Schätzen der benötigten Messgrößen. Zur Schätzung der Größen werden bereits verfügbare Signale genutzt, aus welchen die fehlenden Größen prädiziert werden. Die physikalischen Zusammenhänge bzw. Modelle, inwieweit sich fehlende Messgrößen durch bekannte Messgrößen schätzen lassen, sind mitunter nicht bekannt.

Klassische Regelsysteme basieren bisher oft auf einem modellbasierten Ansatz oder folgen einer definierten Logik. Diese Regelansätze sind allerdings nur eingeschränkt in der Lage unbekannte Zusammenhänge zu erlernen oder zu schätzen. Die Schätzung der fehlenden Größen stellt vielmehr ein eigenständiges Modell dar, welches aus vorhandenen Daten unbekannte Zielgrößen prädiziert. Dieses Erlernen und Erkennen von Mustern aus vorhandenen Daten wird als maschinelles Lernen bezeichnet und bietet die Möglichkeit einen „virtuellen Sensor“ in das reale System zu integrieren. Dieser simulierte Sensor kann einen „Hardware“-Sensor ersetzen, falls die reale Integration im Fahrzeug mit hohem Aufwand oder hohen Kosten verbunden ist.

Für die Integration des virtuellen Sensors muss der zugrundeliegende Algorithmus lediglich anhand eines Prototyps antrainiert werden, damit dieser Gesetzmäßigkeiten erkennen kann. Die dafür genutzten Trainingsdaten werden aus realen Sensordaten gewonnen. Nach dem Training und der Validierung des Modells kann auf den physikalischen Sensor verzichtet werden und der Maschinelle Lernalgorithmus übernimmt die Rolle des Sensors.

Projektbetreuer am Lehrstuhl für Mechatronik:

Beteiligte Lehrstühle/Abteilungen an der UDE:

Zugehörigkeit zu Profilschwerpunkten der Fakultät für Ingenieurwissenschaften an der UDE:

Link zur Fakultät (Profilschwerpunkte): www.uni-due.de/iw/de/forschung/psp