12 13

AUTOMATISIERUNG AUTOMATISIERUNG

12 13

AUTOMATISIERUNG AUTOMATISIERUNG

12

AUTOMATISIERUNGAUTOMATISIERUNG

AUTOMATISIERTES FAHREN ALS MASSNAHME ZUR REDUKTION DES ENERGIEVERBRAUCHS IM REALBETRIEB FEV BERECHNET DEN EINFLUSS VON FAHRSTRATEGIEN HOCHAUTOMATISIERTER FAHRZEUGE UND ANWENDUNGSSPEZIFISCH OPTIMIERTEN ANTRIEBSSTRÄNGEN AUF DEN ENERGIEVERBRAUCH

Auch bei stark elektrifizierten oder sogar reinelektrischen Fahrzeugen besteht weiteres Potenzial, den Energieverbrauch im Realbetrieb zu senken. Die Automatisierung erweist sich dabei als eine attraktive Maßnahme. Hierzu hat FEV eine umfangreiche Studie angelegt und Einsparpotenziale für verschiedene Fahrzeugkonzepte berechnet und mögliche Umsetzungsstrategien zusammen mit AImotive beschrieben.

AUTOMATISIERUNG

01 SMART VEHICLE UND SMART MOBILITY

Bereits heute werden unterschied-liche Maßnahmen genutzt, um Verbrauchseinsparungen im Re-albetrieb zu erzielen: So leiten beispielsweise Eco-Fahr-Systeme den Fahrer zu einer ökonomischeren Fahr-weise an, oder aktuelle Verkehrs- und Routeninformationen werden genutzt, um die Streckenführung sowie die Be-triebsstrategie des Antriebsstrangs zu optimieren.

Der zunehmende Grad der Automatisie-rung und Vernetzung wird es ermöglichen, den Fahrer zunehmend aus dem Regel-kreis zu nehmen, wodurch die Prädizier-barkeit und damit die zu erwartenden Energieeinsparungen im Realbetrieb steigen. Die Potentiale setzen sich dabei aus zwei Teilen zusammen:

1Die anwendungsspezifische Aus-legung des Antriebsstrangs, die sich aus auf den konkreten Anwen-dungszweck optimierten Fahrzeugkon-zepten ergeben

2Die aus der Automatisierung resul-tierenden optimierten Fahrstrate-gien; d.h. aus der Anpassung des Fahrprofils und der Optimierung der Betriebsstrategie des Antriebs

Potentiale in der Antriebsstrang- und Komponentenauslegung durch anwendungs-spezifische DimensionierungEine aktuelle Umfrage von FEV zeigt: Für hochautomatisierte Fahrzeuge verlieren performanceorientierte Eigenscha� en wie Motorleistung oder Beschleunigungs-vermögen an Bedeutung, während die Komfortanforderungen aufgrund der sich ändernden Nutzung und Aktivität inner-halb des Fahrzeugs weiter an Wichtigkeit zunehmen.

Dadurch kann der Antriebsstrang mit der Auslegung seiner Komponenten für an-wendungsspezifische Fahrzeugkonzepte optimiert werden, was Energieeinsparpo-tentiale ermöglicht.

13

Prognostizierte Energieeinsparpotentiale im Realbetrieb

Im Rahmen der Studie hat FEV Einsparpo-tentiale für drei verschiedene Fahrzeug-konzepte berechnet. Hierbei wurde ein All-round- und ein dediziertes Stadtfahrzeug des SAE-Level 4 (Konzept 1 und 2) betrach-tet, die ihren Betrieb weitgehend im auto-nomen Fahrmodus darstellen können. Außerdem wurde ein Fahrzeug mit SAE Le-vel 3 Highway-Chauf-feur Funktion (Kon-zept 3) analysiert. In den Konzepten 1 und 3 kommt ein Plug-In-Hybrid An-triebsstrangkon-zept zur Anwendung während es sich bei Konzept 2 um ein batterieelektrisches Fahrzeug handelt. Auf Basis einer statistischen Analyse der 12.000 reale Fahrzyklen zugrunde liegen, wurde das Fahrprofil entsprechend dem Verhalten hochautomatisierter Fahrzeuge angenä-hert und die entsprechenden Potentiale berechnet. Dieser Simulation liegen fol-gende Prämissen zugrunde:

Stoppzeiten lassen sich mittels V2X-Konnektivität reduzieren Die Prädiktion des Verkehrsflusses mittels Sensorik

Einordnung der betrachteten Fahrzeugkonzepte

SAE Level

Anforderungsprofil Optimierungspotential

Allround City Highway Antrieb Fahrstrategie

2

3 Konzept 3PHEV +4 Konzept 1PHEV

Konzept 2BEV + ++

5 ++ ++

BEV: Battery Electric Vehicle, PHEV: Plug-In Hybrid Electric Vehicle

Kein signifikanter E� ekt

Signifikanter E� ekt+Sehr signifikanter E� ekt++

und Echtzeitkartendaten ermöglicht eine Glättung des Geschwindigkeitsprofils, der au� retenden Beschleunigungen und Maximalgeschwindigkeiten

Für das Allround-PHEV Konzept mit SAE Level 4 Automatisierungsgrad wurden An-passungen an den Antriebskomponenten (inklusive Batterie) und eine Optimierung der Fahrstrategie vorgenommen. Die kom-

binierte Leistung wurde um etwa 20 kW reduziert und die Batteriekapazi-tät um 40 Prozent erhöht. Diese Maßnahmen senken, unter Be-rücksichtigung der Utility-Faktor-An-passung, den Kra� -sto� verbrauch um rund 43 Prozent, während gleichzei-tig der Verbrauch an elektrischer Ener-gie um 12 Prozent

steigt. Die Einsparungen verteilen sich dabei zu etwa gleichen Teilen auf die An-triebsoptimierungen sowie die optimierte Fahrstrategie. Im Vergleich dazu kann für das Fahr-zeug mit Highway-Chau� eur SAE Level 3 Funktion eine Einsparung von rund 7 Prozent an Kra� sto� und 3 Prozent an elektrischer Energie realisiert werden. Das geringere Potential von Konzept 3 gegenüber Konzept 1 geht auf zwei Fak-toren zurück: Die Optimierung der Fahr-

FÜR ZULIEFERER ERGIBT SICH DIECHANCE SICH IM MARKT ALS INNOVA-TIVER SYSTEM-LIEFERANT UND INTEGRATIONS-PARTNER FÜR AUTOMATISIE-RUNGS-LÖSUNGEN ZU POSITIONIEREN

14 15

AUTOMATISIERUNG AUTOMATISIERUNG

14 15

AUTOMATISIERUNG AUTOMATISIERUNG

1514

AUTOMATISIERUNGAUTOMATISIERUNG01 SMART VEHICLE UND SMART MOBILITY

strategie der Highway-Chau� eur Funktion erfolgt lediglich in einem eingeschränkten Anwendungsbereich. Außerdem können die Antriebskomponenten bei Konzepten mit niedrigerer Automatisierungsstufe nicht angepasst werden, da im manuellen Fahrbetrieb die gewohnte Performance für den Kunden abrufbar bleiben muss.Für das Stadtfahrzeug (Konzept 2) er-geben sich Einsparpotentiale von mehr als 10 Prozent. Das niedrigere Potential resultiert hier aus dem vergleichs-weise geringem Gewicht des klei-neren Fahrzeugs und dem reinelek-trischen Antrieb, welcher gerin-gere Freiheits-grade und somit Optimierungs-potentiale in der Betriebsstrategie gegenüber einem Hybridantrieb be-sitzt.

Notwendige Hardware und So� ware zur Realisierung der Potentiale

Die betrachteten Fahrzeugkonzepte erfor-dern umfangreiche Hard- und So� ware. Ein skalierbarer und kostene� izienter Ansatz für die Umgebungsmodellierung besteht aus einer Kombination bildge-bender Erkennungsverfahren mit wei-

teren Radarsensoren. Zusätzlich ist eine V2X-Konnektivität erforderlich, die Auf-schluss über den Verkehrsfluss gibt und mittels Vernetzung mit anderen Verkehr-steilnehmern die Fahrstrategie für einen erweiterten Horizont optimiert. Für die Lokalisierung und weitere Opti-mierung der Fahrstrategie sind hochauf-lösende (HD) Karten notwendig. Während frühere Generationen hochautomatisier-ter Fahrzeuge hauptsächlich auf LIDAR

basierte Karten zurückgegri� en haben, werden aktuell konven-tionelle Karten erweitert durch Meta-Informati-on (Fahrbahn-markierungen, Geschwindig-keitsbegren-zungen etc.) und „Landmarks“ (charakteris-tische Umge-

bungspunkte) bevorzugt. Dies wurde durch erhebliche Fortschritte in der bild-basierten Objekterkennung ermöglicht und reduziert die benötigte Datenmenge für HD Karten erheblich. In Zukun� ist zu erwarten, dass leistungsfähigere Algo-rithmen die Anzahl an „Landmarks“ und damit auch die Anforderungen an eine Da-tenverbindung weiter reduzieren werden. Dies wird jedoch mit einer Steigerung der erforderlichen on-board Rechenleistung einhergehen.

Hochautomatisierte Fahrzeuge müssen zudem eine besondere Entscheidungs-fähigkeit besitzen. Aktuelle So� ware Kits, beispielsweise des So� ware-Anbieters AImotive, tre� en Fahrstrategieentschei-dungen in einer „Motion Engine“. Diese besteht aus verschiedenen Modulen, darunter Fremdobjektverfolgung und Prädiktion, Fahrbahnberechnung, Fahr-profilerstellung, Trajektorienplanung und Befehlserstellung. Die Fremdobjektverfolgung und Prädik-tion erfolgt durch die Detektion, Lokali-sierung und Nachverfolgung über meh-rere Zeitintervalle, die mit verschiedenen klassischen statistischen Methoden und künstlicher Intelligenz gepaart werden. Da die Genauigkeit der Prädiktion direkte Auswirkungen auf die Bewegungsplanung hat, entscheidet die Kalibrierung dieser Parameter direkt über die Einsparpoten-tiale des Antriebs.Bei der Trajektorienplanung wird das aktuelle Szenario mittels heuristischer und vordefinierter Regeln dynamisch adaptiert. Auch auf dieser Ebene lassen sich Funktionen zur E� izienzsteigerung einbetten, was zu optimierten Geschwin-digkeits-, Beschleunigungs- und Lenk-profilen für ein determiniertes Manöver führt. Als Konsequenz der Optimierung neuraler Netze (NN) umfasst dies auch eine Trajektorienglättung.Das essenzielle Training der „Motion En-gine“ wird in einer Simulationsumgebung durchgeführt, die auf einem Fahrzeugmo-dell und realen physikalischen Dynamiken basiert. Die NN der Motion Engine können

durch Adaptierung des Modells für spe-zifische Fahrzeuge, Antriebsstränge und Funktionen optimiert werden. So können sogar bestehende Betriebsstrategien durch relativ einfache Adaptierung direkt in die Künstliche Intelligenz eingebettet werden.

Gesteigerter Energiebedarf des Bordnetzes durch automatisiertes Fahren

Mit der zunehmenden Sensorik und Daten-verarbeitung steigt auch der Energiever-brauch im Fahrzeug. Die Bordnetzlast kann bei Ansätzen mit mehreren Kameras oder LIDAR-Sensoren auf 1 kW und mehr anstei-gen. Für die Zukun� besteht hingegen die Chance durch neue Chip-Architekturen den Energieverbrauch signifikant zu senken.

MIT DER AUTOMATI-SIERUNG UND KON-NEKTIVITÄT NIMMT DIE PRÄDIZIERBAR-KEIT UND DAMIT DIE ZU ERWARTENDE ENERGIEEINSPARUNG HOCHAUTOMATISIER-TER FAHRZEUGE IM REALBETRIEB ZU

Herausforderungen und Chancen für OEM und Zulieferer

Für Automobilhersteller liegt die Heraus-forderung in der Auswahl erforderlicher Technologien sowie in der hohen Anzahl der zu generierenden Testcases, um mit einer e� izienten Hard- und So� wareaus-stattung die Grundlage zur Realisierung der Potentiale zu scha� en. Auch in der Verifikation der funktionalen Sicherheit von selbstlernenden automatisierten Sys-temen besteht eine weitere Herausforde-rung. Mit zunehmendem Vernetzungsgrad entstehen zudem weitere Angri� svekto-ren, die durch geeignete IT-Sicherheits-mechanismen geschützt werden müssen. Für Zulieferer ergibt sich die Chance, diese

Übersicht der Simulationsergebnisse (links) und Verteilung des Einsparpotentials beim Allround-PHEV

Trends früh zu erkennen und sich im Markt entsprechend als innovativer Systemliefe-rant und Integrationspartner für Automa-tisierungslösungen zu positionieren. So können durch die Zusammenführung von So� ware- und Hardware-Komponenten neue systemische Lösungen entstehen, die die Komplexität in Entwicklungspro-jekten verringern und Synergien in der Validierung scha� en.

Von:Denis Heckmann (FEV Consulting),

heckmann@fev.com

S. Tarnutzer (FEV North America)starnutzer@fev.com

A. Takacs (AImotive)

Funktionale Beschreibung des AImotive So� ware-Kits (© AImotive)

Einordnung der betrachteten FahrzeugkonzepteGe

schw

indi

gkei

t / k

m/h

0

0 500 1000 1500

40

20

120

100

80

60

Zeit / s

Gesc

hwin

digk

eit /

km

/h

0

0 600400 1000

40

20

120

100

80

60

Zeit / s

Optimierte Fahrstrategie für Konzept 1 (SAE L4)Ausgangsbasis

Optimierte Fahrstrategie für Konzept 3 (SAE L3)Ausgangsbasis

-12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12

50

40

30

20

10

0

Siehe Detailabbildung

rechts

Reduktion Stromverbrauch [%]

Stro

mve

rbra

uch

[%]

Kra�

sto

� ver

brau

ch [%

]

ReduktionKra� sto� verbrauch [%] 100 %

100 %

Basis (L0/L1)

OptimierungAntrieb

OptimierungFahrstrategie

Konzept 1(Allround L4)

-21 %

20 % 112 %

-22 %

-8 %

57 %

57 %

Konzept 1 (Allround L4) Konzept 3 (Highway L3) Konzept 2 (City L4)

- 43 %

+ 12 %

200 800

SensordatenfusionObjekterkennung und Identifizierung

Karten und Orientierungs-integrationRoutenplanung

Objektverfolgung und PrädiktionFahrspurberechnungTrajektorienplanungEntscheidungsfindung

Steuerung von Aktuator und Nebenfunktionen

UMFELD-ERKENNUNG

LOKALISIERUNG BEWEGUNG STEUERUNG