K?nstliche neuronale Netzwerke zur adaptiven Fahrdynamikregelung

In dem vorliegenden Buch wird der Einsatz eines hybriden Regelungskonzeptes fu?r die Fahrdynamikregelung eines autonomen Versuchstra?gers untersucht. Dabei wird ein modellbasierter, kaskadierter Querdynamikregler um ein ku?nstliches neuronales Netzwerk (KNN) erweitert. Das KNN wird ohne ?Vorwissen? implementiert und aktiv im geschlossenen Regelkreis trainiert. Die Untersuchungen werden dabei sowohl in Simulationen, als auch in einem realen Versuchstra?ger durchgefu?hrt. Die Versuche zeigen das Leistungsvermo?gen des hybriden Regelungskonzeptes. Bei geringer Fahrzeugdynamik ist eine pra?zise Fahrzeugfu?hrung auch ohne KNN mo?glich. Bei hoher Dynamik resultieren jedoch Abweichungen vom Sollkurs, die durch das iterativ lernende Netzwerk schrittweise reduziert werden. Durch die situationsabha?ngige Optimierung der Netzwerkgewichte wird der Einfluss des systematischen Fehlers des zu Grunde liegenden Modells kompensiert und die Regelgu?te verbessert. Dieses Verhalten kann durch geeignete Auswahl derDesignparameter des KNN fu?r jedes der betrachteten Szenarien aufgezeigt werden. Die Anpassung der Netzwerkgewichte ermo?glicht sowohl im Fehlerfall als auch bei hoher Fahrzeugdynamik und ungenauer Systemidentifikation eine Verbesserung der Regelgu?te im Vergleich zum rein modellbasierten Basisregler.