Predictive driver model for speed control in the presence of road obstacles

Abstract

Seit einigen Jahren vollzieht sich in der Fahrzeugindustrie ein Umbruch hin zur Automatisierung von Fahraufgaben sowohl in Quer- als auch in Längsrichtung. Der Trend zum teil- oder vollautonomen Fahren wird immer deutlicher. Damit einher geht das Potenzial, die Verkehrssicherheit und den Komfort der Insassen deutlich zu erhöhen. Die Automatisierung verschiedener Fahraufgaben ist eng mit der Fahrermodellierung verknüpft, da menschliches Fahrverhalten sowohl aus Komfort- als auch aus Sicherheitsgründen erwünscht ist. Diese Arbeit soll dazu beitragen, indem der Frage nachgegangen wird, wie ein Fahrer bzw. eine Fahrerin die Fahrzeuggeschwindigkeit beim Überfahren eines Fahrbahnhindernisses wählt und wie dies mit einem Fahrermodell dargestellt werden kann, insbesondere im Hinblick auf das Verzögern des Fahrzeugs in Annäherung an das Hindernis, das Überfahren des Hindernisses und das Beschleunigen des Fahrzeuges beim Verlassen desselben. Auf dem Gebiet des Hindernisüberfahrens wurde in Bezug auf die Fahrwerksabstimmung (passive, semi- und aktive Radaufhängung) bereits viel geforscht, allerdings oft unter der Annahme einer konstanten Fahrzeuggeschwindigkeit. In dieser Arbeit hingegen soll nun untersucht werden, wie Straßenhindernisse nur durch eine Geschwindigkeitsplanung „optimal“ überwunden werden können. Zu diesem Zweck wurde ein Fahrermodell auf der Grundlage einer modellprädiktiven Regelung (MPC) entwickelt. Das Fahrermodell kann eine Geschwindigkeits- bzw. Beschleunigungstrajektorie unter Berücksichtigung von Straßeninformationen, wie z.B. Hindernissen und gesetzlich vorgegebenen Maximalgeschwindigkeiten, generieren. Basierend auf einem Gütefunktional, welches einen Kompromiss aus einem komfortablen und jedoch zügigen Überfahren des Hindernisses ermöglichen soll, und einem internen Fahrzeugmodell plant der Regler für einen Vorschauhorizont die optimalen Trajektorien. Der MPC wird weiterhin dazu genutzt, um unterschiedliche Fahrertypen und -stile abzubilden und menschliche Reaktionszeiten in den Planungshorizont einfließen zu lassen. Es wird gezeigt, dass das Fahrermodell gängige Straßenhindernisse im Stadtverkehr robust überfahren kann. Zur Darstellung des Einflusses des internen Fahrzeugmodells in der Trajektoriengenerierung des Fahrermodells werden ein Viertel- und ein Halbfahrzeugmodell gegenübergestellt.

For some years now, the automotive industry has been undergoing a change toward the automation of driving tasks in both lateral and longitudinal directions. The trend toward partially or fully autonomous driving is obvious. This is accompanied by the potential to significantly increase road safety and passenger comfort. The automation of various driving tasks is closely related to driver modeling, as human driving behavior is desirable for both comfort and safety reasons. This work aims to contribute by addressing the question of how a driver chooses the speed of the vehicle when driving over a road obstacle, and how this can be represented with a driver model, particularly with respect to the deceleration of the vehicle when approaching the obstacle, passing the obstacle, and the acceleration of the vehicle when departing the obstacle. Much research effort has been done in the field of obstacle crossing with respect to suspension tuning (passive, semi-active and active suspension), but most often under the assumption of constant vehicle speed. In this work, however, the aim is now to investigate how road obstacles can be overcome in a "optimal" fashion by speed planning only. For this purpose, a model predictive control (MPC) based on a quarter-car and a half-car model has been developed. The driver model can generate a speed and acceleration trajectory considering road information such as obstacles and legal speed limits. Based on a cost function, which should enable a compromise of comfortable but quick crossing of the obstacle, and an internal vehicle model, the controller plans the optimal trajectories for a preview horizon. The MPC is further utilized to represent different driving types and styles and to incorporate human reaction times into the planning horizon. It is shown that the driver model can robustly negotiate typical obstacles in urban roads. To illustrate the influence of the internal vehicle model in the trajectory generation of the driver model, a quarter- and half-car model are compared.