KI-basierte Vertikaldynamikregelung
Unsere Werkzeugkette für sichere Fahrdynamik unterstützt die Entwicklung, das Training und die Validierung fortschrittlicher und KI-basierter Fahrdynamikregelungsalgorithmen sowie deren nahtlose Überführung in reale Systeme.
Werkzeugkette für sichere Fahrzeugdynamik
Mit dem Fokus auf industrielle Anforderungen entwickeln wir innovative Methoden für das Design Kl-basierter Regler, um die Entwicklung von Fahrwerksregelungsfunktionen für komplexe mechatronische Systeme zu beschleunigen. Dabei besteht eine hohe Nachfrage nach effizienten Werkzeugketten für Regler, die auf Reinforcement Learning (RL, verstärkendes Lernen) basieren, um die Kosten im Entwicklungsprozess angesichts großer Variantenvielfalt zu reduzieren.
Um diesen Anforderungen gerecht zu werden, haben wir eine modulare Werkzeugkette basierend auf Industriestandards für das simulationsgetriebene Training von RL-Fahrdynamikreglern entwickelt. Diese Werkzeugkette wurde erfolgreich zur semiaktiven Vertikaldynamikregelung im DLR-Forschungsfahrzeug „AI for Mobility" (AFM) integriert. In diesem Zusammenhang wurden dynamische Modelle des AFM entwickelt, die es ermöglichten, einen Agenten als Vertikaldynamikregler mittels Reinforcement Learning zu synthetisieren. Anschließend wurde der Kl-basierte Regler in ein Fahrdynamikmodell für Software-in-the-Loop (SIL)-Tests integriert. Dieser Validierungsschritt mit funktionalen Softwaretests trägt dazu bei, den sicheren Betrieb des Reglers sicherzustellen. Sowohl auf dem Prüfstand als auch bei realen Fahrtests zeigte der Kl-basierte Regler verbesserte Komfort- und Sicherheitseigenschaften im Vergleich zu einem aktuellen Benchmark-Regler.
Die Werkzeugkette zur Kl-basierten Regler-Synthese wurde erfolgreich in Industrie-Transferprojekten mit OEMs und Tier-1-Zulieferern angewendet. Dabei unterstützte sie kleine, mittlere und große Unternehmen bei der Einführung von KI für mechatronische Produkte und der Nutzung modellbasierter Entwicklung mit Validierung und Verifikation durch industrieweite Standardwerkzeuge wie Modelica und das Functional Mock-up Interface (FMI). Darüber hinaus arbeiten wir im ITEA-Projekt OpenSCALING mit Tier-1-Automobilzulieferern und Softwareanbietern zusammen. Unser Fokus liegt nun auf der Weiterentwicklung der Werkzeugketten sowie der Verbesserung von Modellierungs- und Schnittstellenstandards wie Modelica, FMI und eFMI für physikalisch erweiterte neuronale gewöhnliche Differentialgleichungen (hybride Modellierung) mit nahtloser Integration in Umgebungen des maschinellen Lernens.