Knstliche neuronale Netzwerke zur adaptiven Fahrdynamikregelung

In dem vorliegenden Buch wird der Einsatz eines hybriden Regelungskonzeptes fr die Fahrdynamikregelung eines autonomen Versuchstrgers untersucht. Dabei wird ein modellbasierter, kaskadierter Querdynamikregler um ein knstliches 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 Versuchstrger durchgefhrt. Die Versuche zeigen das Leistungsvermgen des hybriden Regelungskonzeptes. Bei geringer Fahrzeugdynamik ist eine przise Fahrzeugfhrung auch ohne KNN mglich. Bei hoher Dynamik resultieren jedoch Abweichungen vom Sollkurs, die durch das iterativ lernende Netzwerk schrittweise reduziert werden. Durch die situationsabhngige Optimierung der Netzwerkgewichte wird der Einfluss des systematischen Fehlers des zu Grunde liegenden Modells kompensiert und die Regelgte verbessert. Dieses Verhalten kann durch geeignete Auswahl derDesignparameter des KNN fr jedes der betrachteten Szenarien aufgezeigt werden. Die Anpassung der Netzwerkgewichte ermglicht sowohl im Fehlerfall als auch bei hoher Fahrzeugdynamik und ungenauer Systemidentifikation eine Verbesserung der Regelgte im Vergleich zum rein modellbasierten Basisregler.