Enhancing Vehicle Handling Behaviour through Overactuation

Abstract

Menschliches Fehlverhalten ist die Hauptursache für Verkehrsunfälle und resultiert häufig aus Fehleinschätzungen der Fahrsituation oder der Fahrzeugfähigkeiten. Fortschritte in der Fahrzeugaktuierung sowie cloud-vernetzte Fahrzeuge bieten vielversprechende Ansätze, um solche Fehler zu mindern, indem sie leistungsfähigere und intelligentere Fahrdynamikregelungen ermöglichen. Diese Dissertation untersucht, wie Überaktuierung das Fahrzeughandling beeinflusst, mit Auswirkungen auf Regler für das autonome Fahren, und wie vorausschauende Informationen über die Fahrumgebung, bereitgestellt durch Fahrzeugvernetzung, proaktive Fahrdynamikregelungsstrategien ermöglichen. Eine optimierungsbasierte Methode wird vorgestellt, die das unter stationären Bedingungen fahrdynamisch machbare Handling unter Berücksichtigung von Aktuatorkonfigurationen und deren Grenzen quantifiziert. Dadurch wird das erreichbare Fahrzeughandling durch Lenk- und Schwimmwinkelcharakteristiken definiert. Innerhalb dieser Bereiche werden Hinterradlenkung (RWS), Torque Vectoring (TV) mittels Einzelradmotoren sowie TV+RWS hinsichtlich ihres Einflusses auf den Fahrzeugleistungsbedarf, die Fahrstabilität, die Reibungspotenzialausnutzung und damit die maximale Normalbeschleunigung bewertet. Die Ergebnisse zeigen, dass die drei Aktuatorkonfigurationen die Charakteristiken wesentlich beeinflussen können, jedoch nur TV und TV+RWS eine gleichzeitige, unabhängige Beeinflussung beider Charakteristiken ermöglichen, wobei TV+RWS ein lineares Fahrzeughandling bis zur maximalen Normalbeschleunigung ermöglicht. Basierend auf dem mit TV+RWS machbaren weitgehend linearen Fahrezughandlings wird eine hierarchische Regelarchitektur für die autonome Pfadfolge vorgeschlagen. Durch das Aufzwingen eines linearen Fahrzeugverhaltens mittels TV+RWS wird ein vereinfachtes Prädiktionsmodell für die modellprädiktive Regelung möglich. Dies ermöglicht längere Prädiktionshorizonte und höhere Recheneffizienz, da Reifennichtlinearitäten und Überaktuierung im Prädiktionsmodell vermieden werden. Analysen und Simulationen zeigen, dass die Architektur nicht nur die Fahrzeugstabilität unter kritischen Bedingungen verbessert, sondern auch den Pfadfolgefehler gegenüber einem Basisfahrzeug reduziert. Im Kontext intelligenter Fahrzeugregelung wird das Potenzial eines cloudbasierten digitalen Zwillings untersucht, der Fahrzeug und Umgebung abbildet, zur Verbesserung der Fahrzeugdynamikregelung durch verfeinerte Fahrzeugmodelle, proaktive Regelungsstrategien und personalisierte Fahrdynamikregelungen in kritischen Fahrsituationen. Neben der theoretischen Diskussion wird ein Anwendungsfall zur Fahrzeugstabilität experimentell untersucht. Die Experimente zeigen, dass adaptive Geschwindigkeitsregelung und TV mithilfe von Informationen des digitalen Zwillings proaktiv die Fahrzeuggeschwindigkeit und die Antriebsmomentenverteilung anpassen können, um Fahrzeugstabilität und -handling zu verbessern. Die Machbarkeit einer Cloud-Regelung über 4G wird evaluiert, wobei das Potenzial zur Reduktion der Onboard-Rechenleistung gezeigt wird.

Human error is the leading cause of road accidents, often resulting from misjudgments of driving conditions or overestimating vehicle capabilities. Advances in vehicle actuation and cloud-connected vehicles offer promising solutions to mitigate such errors by enabling more capable and intelligent vehicle dynamic controllers. This thesis examines how overactuation impacts vehicle handling behaviour, with implications for autonomous vehicle control, and explores how predictive insights into the driving environment, facilitated through vehicle connectivity, enable enhanced proactive vehicle control strategies. An optimisation-based method is proposed to quantify the regions of feasible handling in steady-state conditions, considering actuator sets and limits, thereby defining the achievable vehicle handling behaviour through steering and vehicle sideslip characteristics. Within these regions, Rear-Wheel Steering (RWS), Torque Vectoring (TV) using individual wheel motors, and TV+RWS are evaluated in terms of their impact on power demand, vehicle stability, and friction potential utilisation, and thus maximum normal acceleration. Results indicate that while all three sets can substantially shape characteristics, only TV and TV+RWS provide control over both characteristics independently, with TV+RWS enabling linear steering and vehicle sideslip characteristics, i.e.\ a linear vehicle handling behaviour up to maximum normal acceleration. Exploiting the potential of TV+RWS to enable a largely linear vehicle handling behaviour, a multi-layer architecture is proposed for autonomous path tracking. Here, TV+RWS enforces a linear target vehicle behaviour over a wide range of operation, such that a simplified prediction model becomes feasible for model predictive control, allowing for longer preview horizons and improved computational efficiency by avoiding tyre nonlinearities or overactuation in the prediction model. Analysis and simulations indicate that the architecture not only improves vehicle stability in critical driving conditions but also reduces path tracking errors compared to a baseline vehicle. Towards intelligent vehicle control, the potential of a cloud-based digital twin, which integrates vehicle and environment, is examined to enhance vehicle dynamics control by providing improved vehicle models, enabling proactive control strategies, and supporting personalised vehicle dynamics control in challenging driving conditions. Beyond theoretical discussion, a use case for lateral vehicle stability control is experimentally examined. The experiments demonstrate that utilising information from the driving environment provided by the digital twin, adaptive cruise control, and TV can proactively adjust vehicle velocity and torque distribution to maintain or enhance vehicle stability and handling for drivers. The feasibility of cloud control over public 4G is evaluated, highlighting the potential to reduce onboard computational requirements.