Anschlussprojekte | Sonderprojekte

Förderbeginn 01.01.2021

Lernbasierte Prädiktive Regelung mit Sicherheitsgarantie für Autonome Fahrzeuge

PD Dr.-Ing. habil. Dirk Wollherr
Technische Universität München
Lehrstuhl für Steuerungs- und Regelungstechnik

Prof. Dr. Francesco Borrelli
University of California, Berkeley
Department of Mechanical Engineering


In den vergangenen Jahren hat sich die modellprädiktive Regelung als nützliche und erfolgreiche Regelungsmethode gezeigt, um Bewegungen für autonome Fahrzeuge zu planen. Umgebungsunsicherheit wird hier durch stochastische Nebenbedingungen berücksichtigt, was als stochastische modellprädiktive Regelung (SMPC) bezeichnet wird. Diese ermöglicht eine effiziente Planung von Fahrzeugtrajektorien, allerdings lässt SMPC auch eine kleine Kollisionswahrscheinlichkeit zu. Eine vor kurzem entwickelte sichere SMPC Methode behebt dieses Problem, indem Sicherheit über eine Rückfalltrajektorie garantiert wird, während die Effizienz der stochastischen modellprädiktiven Regelung aufrechterhalten bleibt.

Ziel des Forschungsvorhabens ist es, dieses sichere SMPC zu verbessern. Einerseits wird die Effizienz und Anwendbarkeit der bereits entwickelten Methode mit Ansätzen verbessert, die auf lernenden Algorithmen basieren. Andererseits ermöglicht ein Versuchsfahrzeug, dass die entwickelte modellprädiktive Regelung in Experimenten validiert wird.

Abschlussbericht
In den vergangenen Jahren hat sich die modellprädiktive Regelung als nützliche und erfolgreiche Regelungsmethode gezeigt, um Bewegungen für autonome Fahrzeuge zu planen. Im Rahmen des Projekts wurden zwei Methoden weiterentwickelt, die eine sichere Planung für Fahrzeuge ermöglicht.

Die erste Methode erlaubt eine allgemeine Absicherung von Regelungen. Hierfür wird ein fehlersicherer Backupregler verwendet, der immer dann aktiv wird, wenn die gewünschte Regelung Inputs anfordert, die zu zukünftigem unsicheren Verhalten führen würde. Dies erlaubt es, den gewünschten Regler so lange wie möglich zu benutzen, aber in sicherheitskritischen Szenarien die Sicherheitsgarantie des fehlersicheren Backupreglers zu haben. Dieses Regelungskonzept ist kompatibel mit prädiktionsbasieren und lernbasierten Reglern und anwendbar für autonome Fahrzeuge.

Die zweite Methode befasst sich mit dem Fall, dass getroffene Annahmen ungültig sind, beispielsweise wenn ein anderes Fahrzeug Verkehrsregeln missachtet. In solchen Fällen ist es oft nicht möglich, Sicherheit zu garantieren. Im Fall von Fahrzeugen ist das Ziel dann, die Kollisionswahrscheinlichkeit zu minimieren. Hierfür haben wir einen modellprädiktiven Regler entworfen, der die Wahrscheinlichkeit minimiert, dass Regelungsbedingungen verletzt werden.

Es stehen jetzt zwei mögliche nächste Schritte an. Einerseits wird eine Fahrzeugvalidierung genauere Erkenntnisse bringen, wo Verbesserungsmöglichkeiten für die beiden Methoden bestehen. Andererseits ist eine Kombination der beiden erarbeiteten Methoden für Fahrzeuge von Interesse. Dies erlaubt es, Sicherheit zu garantieren und effizient zu planen, wenn alle Annahmen eingehalten werden, und die Kollisionswahrscheinlichkeit zu minimieren, falls Annahmen verletzt werden.