用于估计转向参量的方法和设备与流程

本发明涉及一种用于特别是与在行驶期间对动态车辆响应的预测相结合地估计车辆转向装置中的转向参量的方法和设备。

背景技术：

1、现代车辆越来越多地装备有电子控制系统，所述电子控制系统需要对转向装置的精确调节。在此，准确了解作用于转向机构的力和力矩对于行驶稳定性、车辆安全性以及驾驶员辅助系统起决定性作用。

2、特别是在基于模拟的开发过程和虚拟测试方法的情况下，需要尽可能接近真实性地估计转向参量，以便精确地分析各种驾驶条件和驾驶场景。可靠地计算这些参量需要全面考虑包括在车辆、行车道和外部影响之间的物理交互作用在内的车辆动力学。在此情况下， 不仅纵向动力学因素而且横向动力学因素都是重要的，因为所述纵向动力学因素和横向动力学因素对转向装置内的力关系有直接影响。

3、在车辆技术中，数据驱动式模型越来越多地被使用，以便映射复杂的动态关系。这样的模型通常基于大量的物理计算或数值模拟，所述物理计算或数值模拟可能与高计算耗费相关联。同时，对用于改善预测精度和用于减少计算时间的机器学习方法的兴趣增长。基于数据的和物理的方法的组合提供进一步改善转向参量估计的效率和精度的潜力。

4、鉴于这些挑战，存在对用于精确且高效地估计转向参量的经改善的方法的需求，所述方法使得能够接近真实性地映射车辆动力学并且能够被使用在包括模拟、控制系统和驾驶员辅助系统在内的各种应用中。

5、本发明的任务在于说明一种如下改善的方法和/或如下改善的设备。

6、该任务通过根据专利权利要求1的特征的方法来解决。该任务通过根据专利权利要求10的特征的设备来解决。

技术实现思路

1、根据第一方面，提出一种用于估计车辆或机器人的转向装置的转向参量的方法。该方法包括步骤：

2、提供基础模型，所述基础模型被结构化为编码器-解码器；

3、将参考输入输送给所述基础模型的编码器，其中所述参考输入包括所述车辆或机器人的物理和/或动态特性；

4、将轨迹输入输送给所述基础模型的解码器，其中所述轨迹输入包括所述车辆或机器人的模拟的轨迹；

5、通过所述基础模型处理所述参考输入和所述轨迹输入，其中所述编码器将所述车辆或机器人的物理和/或动态特性转变为表示空间中的潜在表示，并且所述解码器将所述轨迹输入与所述潜在表示进行组合；以及

6、通过所述基础模型针对给定轨迹基于参考输入估计所述车辆或机器人的转向参量。

7、可以理解，根据本发明的步骤以及其他可选步骤不一定必须按所表明的顺序被执行，而是也可以按其他顺序被执行。此外，可以设置其他中间步骤。各个步骤此外可以包括一个或多个子步骤，而不由此脱离根据本发明的方法的范围。

8、根据第二方面，提出一种用于估计车辆或机器人的转向装置的转向参量的设备。所述设备包括评估和计算装置，所述评估和计算装置被构造用于执行以下步骤：

9、提供基础模型，所述基础模型被结构化为编码器-解码器；

10、将参考输入输送给所述基础模型的编码器，其中所述参考输入包括所述车辆或机器人的物理和/或动态特性；

11、将轨迹输入输送给所述基础模型的解码器，其中所述轨迹输入包括所述车辆或机器人的模拟的轨迹；

12、通过所述基础模型处理所述参考输入和所述轨迹输入，其中所述编码器将所述车辆或机器人的物理和/或动态特性转变为表示空间中的潜在表示，并且所述解码器将所述轨迹输入与所述潜在表示进行组合；以及

13、通过所述基础模型针对给定轨迹基于参考输入估计所述车辆或机器人的转向参量。

14、针对该方法进行的陈述相应地适用于该设备。在此可以理解，按照方法表达的特征的语言变体可以根据常见语言实践针对设备被重新表达，而在这里不必明确地列出这种表述。

15、该方法优选地包括提供基础模型，所述基础模型被结构化为编码器-解码器。基础模型（foundation model）优选地表示经预训练的通用模型，该模型可以针对各种特定任务被适配。作为针对经典转向模拟的替代方案，该模型优选地使得能够高效地且基于数据地估计转向参量，而不需要完整的基于物理的模型。

16、基础模型的编码器优选地获得参考输入，所述参考输入包括车辆或机器人的物理和/或动态特性。代替如在经典的基于物理的模拟中使用的完整汽车模型或机器人模型，参考输入可以优选地直接包括与计算相关的参数。这优选地实现更灵活且更高效的建模，因为可以有针对性地纳入来自动力学（dynamik）的特定自由度或所推导出的参量、诸如齿条支撑力（rackforce（齿条力））。

17、基础模型的解码器优选地获得轨迹输入，所述轨迹输入描述车辆或机器人的模拟的轨迹。轨迹优选地表示时间相关运动曲线，所述时间相关运动曲线表示对象在空间中的位置和定向。通过解码器处理该输入，模型优选地能够预测从预先给定的运动中得出的行驶动力学响应。

18、该方法优选地包括通过所述基础模型处理所述参考输入和所述轨迹输入，其中所述编码器将所述车辆或机器人的物理和/或动态特性转变为潜在表示。潜在表示（latenterepräsentation）优选地是输入数据在压缩特征空间中的抽象表示，所述抽象表示实现高效的进一步处理。该表示优选地用作用于解码器的基础，所述解码器将所述轨迹输入与所推导出的物理和动态信息进行组合。这具有技术优点：不必明确地计算所有物理方程，而是模型可以对相关参量进行数据驱动式和经优化的预测。

19、该方法优选地包括通过所述基础模型针对给定轨迹基于参考输入估计所述车辆或机器人的转向参量。转向参量优选地可以是齿条力，其中也可以考虑其他所推导出的动态参量。优选地，该模型可以映射车辆或机器人的完整六自由度系统，或者根据应用，考虑较少的自由度。由此，该方法能够灵活地被适配于不同的要求，并且使得能够以可变的模型复杂度可扩展地计算转向参量。

20、在另一方面中提出，通过经结构化的训练方法来优化基础模型，其中训练数据有针对性地被划分为不同的类别。在此，优选地将具有特别有代表性的车辆动力学的操纵、特别是正弦扫频操纵单独保留，以便使用所述操纵作为用于训练的参考输入。其余数据优选地用作标签和轨迹输入，使得构成由轨迹输入和对应的参考输入组成的对用于训练。在训练过程中被称为“操纵混合（maneuver mix）”的该方法论实现高效模型适配，其方式是模型学习：从参考输入中采集车辆或机器人的相关物理和动态特性，并且与轨迹输入组合地使用所述相关物理和动态特性用于精确地估计转向参量。

21、通过比较各种建模方案来评价模型性能，其中特别是对比了混合结构、基于物理的单轨模型（einspurmodell）（esm）和基础模型。基于物理的单轨模型（esm）以1,885,123的均方误差（mse）和683的平均绝对误差（mae）显示相对低的精度，这在复杂的车辆动力学的情况下暗示系统性偏差。可解释提升机（explainable boosting machine，ebm）形式的混合结构以40,401的mse和125的mae已经实现明显改善的误差降低。本基础模型（bvt）在经测试的方案的情况下以30,683的mse和123的mae实现最佳性能，这暗示在转向参量的估计方面的更高精确度。这些结果表明，本数据驱动式基础模型与经结构化的训练策略相组合地实现与纯基于物理的模型或其他混合方法相比更准确的预测。

22、在另一方面中提出，所述转向参量包括齿条力和/或从所述车辆的动力学中推导出的参量、特别是针对预先给定的轨迹的齿条支撑力。

23、齿条力优选地描述作用于转向装置的齿条的力，所述力从行车道力、驾驶员输入和/或转向系统自身中得出。通过考虑这些参量，可以优选地对对转向系统的响应力进行建模，这对于转向控制和辅助系统是重要的。附加地，还可以采集从动力学中推导出的参量、特别是针对预先给定的轨迹的齿条支撑力。齿条支撑力优选地表示从齿条与壳体之间的接触中得出并且受行驶动力学和转向输入影响的所得到的力。纳入该所推导出的参量优选地使得能够在切合实际的驾驶条件下更精确地评价转向机构。该操作方式的技术优点优选地在于对转向力的经改善的建模，所述经改善的建模允许有针对性地优化车辆稳定性和驾驶感觉。

24、在另一方面中提出，所述基础模型描述所述车辆的高达6自由度系统。

25、基础模型优选地描述车辆的高达6自由度系统，由此使得能够详细地映射车辆或机器人运动。6自由度系统优选地采集沿纵轴、横轴和竖轴的平移运动以及绕这些轴的旋转，由此能够对车辆或机器人的所有重要动态效应进行建模。这特别是对于精确地计算齿条力是有利的，因为转向装置处的力和力矩并非孤立地被考虑，而是在车辆运动的整个上下文中被确定。优选地，基础模型的架构可以被设计为使得所述架构可应用于用于进行齿条力估计的模型，由此实现在转向调节算法或驾驶员辅助系统中的直接实现。由于考虑少于六个的自由度的可能性，该模型优选地能够灵活地被适配于特定用例，例如用于简化的模拟或实时计算。

26、在另一方面中提出，所述参考输入包括纵向加速度和/或横向加速度和/或车辆速度和/或转向角和/或转向角速度和/或齿条速度和/或电动机转矩和/或手转矩和/或齿条力。

27、车辆或机器人速度优选地用作用于确定运动状态的参量，这对于计算转向响应是必要的。转向角和转向角速度优选地采集通过驾驶员或辅助系统进行的直接输入，并且实现对转向轮回转的动态分析。齿条速度优选地描述齿条在转向系统内的相对运动，并且给出关于转向机构中的惯性和摩擦效应的消息。电动机转矩优选地与电或机电转向系统相关，因为所述电动机转矩反映转向电动机的辅助性能。手转矩优选地描述从驾驶员到方向盘的直接力传递，并且用作用于转向感觉的指标。齿条力优选地表示作用于齿条的所得到的力，并且对于在各种行驶情形下确定转向响应是决定性的。

28、在另一方面中提出，所述轨迹输入包括车辆速度和/或转向角。

29、轨迹输入优选地包括车辆速度和/或转向角，由此模型获得车辆运动的精确表示。车辆速度优选地描述车辆沿着其运动方向的瞬时速度，并且是车辆动力学的核心参量。转向角优选地说明前轮相对于车辆纵轴的旋转位置，并且决定性地影响驾驶行为，特别是在转弯行驶和转向响应方面。通过考虑这些输入参量，该模型优选地能够解释切合实际的轨迹走向，并且提供所述轨迹走向用于在解码器中进一步处理。该结构的技术优点优选地在于降低计算耗费，因为已经可以从这两个基本参数中推导出转向响应，而不需要其他复杂的输入数据。

30、解码器优选地接收轨迹输入和/或由编码器提供的车辆动力学表示，以便预测车辆响应、特别是齿条力。解码器优选地是编码器-解码器架构内的模型组成部分，并且将时间相关输入值与车辆动力学的所学习到的表示进行组合。由编码器提供的车辆动力学表示优选地将各种物理参数汇总在潜在向量空间中，使得解码器能够实施车辆响应的估计。齿条力优选地表示对齿条的所得到的力，并且优选地用于对转向机构进行建模。通过将动态车辆数据与轨迹关联，该模型优选地能够在转向响应的预测中实现高精度。

31、在另一方面中提出，解码器接收轨迹输入和/或由编码器提供的车辆动力学表示，以便预测车辆响应、特别是齿条力。

32、编码器和/或解码器的多头层（multi-head-layer）的数量优选地可以在训练之前被适配，以便使模型架构最优地与待处理的输入协调。该变换器架构（transformer-architektu）中的多头注意力机制优选地利用堆叠式自注意力层（gestapelte self-attention-layer），所述堆叠式自注意力层使得能够处理时间相关输入。该过程优选地从表示时间序列数据的输入矩阵开始，并且通过线性变换将所述输入矩阵投影到查询矩阵、键矩阵和值矩阵。这些矩阵优选地包括时间序列长度，并且将每个时间步嵌入到九维表示（neundimensionale repräsentation）中。自注意力权重优选地通过在查询矩阵与经转置的键矩阵之间的矩阵乘法被计算，接着是softmax操作，所述softmax操作产生在时间步上的概率分布。经归一化的注意力权重优选地被使用，以便创建值的加权和，使得每个时间步都能够接纳来自所有其他时间步的信息。

33、在另一方面中提出，所述编码器和/或解码器的多头层的数量在训练之前被适配。

34、使用变换器架构优选地带来以下优点：来自编码器的交叉注意力桥以向量v和k的形式将车辆动力学表示转交给解码器。在解码器中，交叉注意力（cross-attention）优选地不仅利用车辆动力学表示而且利用给定轨迹的表示，以便以高精度预测齿条力。多头层的数量优选地可以根据实验被适配，以便保证最优模型性能，其中在模型bvt的分析中，特定层配置已经被识别为特别有效率的。这种适配可能性的技术优点优选地在于，该模型可以灵活地根据不同的数据量和用例被优化，而不需要网络的手动重新结构化。通过将编码器-解码器模型与可适配的多头层进行组合，该系统优选地能够保证对复杂车辆动力学的可扩展且高效的处理。

35、在另一方面中，还要求保护一种控制设备，所述控制设备包括在具有自主驾驶功能的车辆和/或机器人系统和/或工业机器中，并且本方法在其方面之一中可在所述控制设备上被执行。

36、在另一方面中，要求保护一种具有程序代码的计算机程序，用于当在计算机上执行计算机程序时在其方面之一中执行本方法的至少部分。换句话说，提供一种计算机程序（产品），所述计算机程序（产品）包括指令，在通过计算机执行程序时，所述指令促使所述计算机在其方面之一中执行该方法和/或该方法的步骤。

37、在另一方面中，提出一种具有计算机程序的程序代码的计算机可读数据载体，用于当在计算机上执行计算机程序时在其方面之一中执行本方法的至少部分。换句话说，本发明涉及一种计算机可读（存储）介质，所述计算机可读（存储）介质包括指令，在通过计算机执行时，所述指令促使所述计算机在其方面之一中执行该方法和/或该方法的步骤。

38、所描述的设计方案和改进方案可以任意地被相互组合。

39、本发明的其他可能设计方案、改进方案和实现方式还包括先前或在下文中关于实施例描述的本发明特征的未明确提到的组合。