Sichere und robuste Lernalgorithmen für die Regelung von autonomen Fahrzeugen

In den letzten Jahren wurde eine große Bandbreite verschiedener Algorithmen für die Längs- und Querregelung autonomer Fahrzeuge vorgestellt. Lineare Geschwindigkeits- und Querführungsregler werden bereits in Serienfahrzeugen eingesetzt, darüberhinaus wurden verschiedene Konzepte zur Berücksichtigung der Nichtlinearitäten auf Versuchsträgern erprobt. Diese basieren üblicherweise auf Exakter Linearisierung oder Modellprädiktiver Regelung. Eine der Hauptschwierigkeiten bei der Umsetzung dieser Konzepte ist die hohe Abhängigkeit der Regelqualität von der Güte des zugrunde liegenden Modells. Dieses wird meist durch eine Kombination aus Prüfstandsdaten, Konstruktionsdaten und einer Vielzahl an speziellen Fahrversuchen und einer anschließenden nichtlinearen Systemidentifikation ermittelt. Es ist daher ein Herausforderung, wechselnde Einflüsse, wie z.B. Wetter und Reifenabnutzung systematisch im Entwurf zu berücksichtigen.

Eine Alternative zum manuellen Verbessern der Fahrdynamikmodelle stellen Verfahren des maschinellen Lernens dar. Eine Analyse des menschlichen Fahrverhaltens ergibt, dass dieser bereits vorhandenes Wissen nutzt um die üblichen Fahraufgaben schnell erlernen zu können (beispielsweise den groben Zusammenhang zwischen Lenkradwinkel und Kurvenfahrt, insbesondere die Richtung). Je näher sich das Fahrzeug an der physikalischen Grenze befindet, desto eher verlässt der Mensch sich auf empirisch gemachte Erfahrungen. Fahrzeugspezifische Eigenschaften erfordern es, dass diese für jedes Auto erneut erlangt werden müssen. Ein professioneller Fahrer schafft es, diese nichtlineare Dynamik sehr schnell und effizient zu erlernen. Ebenfalls kann er bewerten, wie sicher sein aktueller Fahrstil ist und diese Information zur Steuerung des Lernprozesses nutzen.