Durch diverse Vorarbeiten am imes bestehen validierte Modelle unterschiedlicher Detailgrade sowie Zustands-beobachter, die eine echtzeitfähige Simulation und Schätzung fahrdynamischer Zustände im LKW ermöglichen. In einem nächsten Schritt sollen Ansätze erforscht werden, um gezielt fahrdynamische Systemzustände (z.B. Reifenkräfte, Knickwinkel, Gierraten etc.) bereits vor Fahrtantritt auf Basis der geplanten Route vorherzusagen. Damit kann perspektivisch der Verschleißzustand ausgewählter Fahrwerkskomponenten prädiziert und somit entsprechende Maßnahmen zur Verhinderung von sicherheitskritischen Situationen oder Ausfällen abgeleitet werden. Ansätze dieser Art sind u.a. als Condition Monitoring & Predictive Maintenance bekannt.  

Aufgaben

Für die Verbesserung von Fahrerassistenzsystemen bietet die frühzeitige Kenntnis des maximalen Reibwerts des Reifen-Fahrbahn-Kontakts ein erhebliches Potential. Im Rahmen des Projekts werden Verfahren zur Schätzung des maximalen Reibwerts anhand der im Fahrzeug verbauten Sensorik entwickelt. Primär werden dafür rein modell- oder datenbasierte Ansätze verwendet. Im Rahmen dieser Arbeit soll über die Kombination modell- und datenbasierter Ansätze ein hybrider Reibwertschätzer entwickelt werden, der die Vorteile beider Ansätze kombiniert und eine Verbesserung der bestehenden Verfahren der Reibwertschätzung ermöglicht. Datenbasis für die Durchführung der Arbeit sind Messungen experimenteller Versuchsfahrten durchgeführt mit einem Dacia Duster.

Aufgaben

Um fahrdynamisch relevante Zustände und Parameter der Quer- und Wankdynamik im LKW-Anhänger zu schätzen, wurde am imes ein fahrdynamisches Modell eines Sattelzuges entwickelt. Auf Basis dieses Modells wurde ein Unscented Kalman-Filter (UKF) implementiert und getestet. Ziel der Arbeit ist es, die Schätzung des Kalman-Filters zu verbessern, indem modellbasierte und datengetriebene Methoden kombiniert werden (hybride Methode). Im Fokus steht vor allem ein Ansatz, in dem die Kalmanverstärkung mit einem neuronalen Netz (z.B. einem rekurrenten neuronalem Netz, RNN) berechnet wird. Für die Arbeit steht ein Datensatz zur Verfügung, der mit einem Versuchsfahrzeug und unterschiedlichen Beladungszuständen erstellt wurde. Die Arbeit soll in MATLAB/Simulink durchgeführt werden.

Aufgaben

Im Fahrwerk und an Reifen von Personenkraftwagen oder Nutzfahrzeugen können eine Vielzahl von Schädigungsfällen auftreten (z.B. Schäden an Radlager, Feder, Dämpfer, Reifen,…). Häufig führen die Schadensfälle zu einem veränderten Fahrzeugverhalten (z.B. Vibrationen) gegenüber dem ursprünglichen Verhalten im „Gutfall“. Um diese Schadensfälle (Anomalien) automatisiert zu detektieren, können künstliche neuronale Netze (z.B. Autoencoder) eingesetzt werden. In dieser Arbeit sollen Methoden zur Anomaliedetektion untersucht werden, wobei für das Training nur Daten des „Gutfalls“ verwendet werden sollen, da häufig nur diese in der Praxis verfügbar sind. Ein Beispieldatensatz für die Anomalie der Reifenunwucht steht bereits zur Verfügung.

Aufgaben

Um bei der assistierten Fahrzeuglängsführung eine vorausschauende Fahrweise zu gewährleisten und dabei gleichzeitig den individuellen Fahrerwunsch im Zielkonflikt eines geringen Energiebedarfs und einer kurzen Fahrtdauer zu berücksichtigen, bietet es sich an Streckeninformationen des bevorstehenden Routenabschnittes (Longrange) sowie Fahrzeugführungspräferenzen des Fahrers zu berücksichtigen. Im Rahmen dieser Arbeit soll ein, auf dynamischer Programmierung (DP) basierendes, Verfahren zur Planung und Optimierung der Fahrzeuggeschwindigkeitstrajektorie echtzeitfähig umgesetzt und an einem Versuchsfahrzeug implementiert werden. 

Aufgaben