Zusammenfassung
Der Beitrag stellt ein Verfahren zur Bewegungsplanung von dynamischen Fahrsimulatoren basierend auf der modellprädiktiven Regelung vor. Das Ziel dabei ist es, einen möglichst realitätsnahen Bewegungseindruck bei einer Testperson unter Berücksichtigung des beschränkten Arbeitsraums des Simulators zu erzeugen. Zusätzlich wird eine Methode zur Schätzung des zukünftigen Fahrerverhaltens auf Basis der optimalen Regelung vorgestellt, mit der die zukünftigen Referenzwerte für die modellprädiktive Regelung geschätzt werden, um so den prädiktiven Charakter des Verfahrens auch in der Online-Anwendung voll ausnutzen zu können.
Abstract
This article presents a motion planning algorithm for dynamic driving simulators based on model predictive control. The goal is to generate a motion impression for a test person which is as realistic as possible while keeping the simulator within its limited motion space. Furthermore, a method to predict the future driver behavior based on optimal control is presented in order to estimate the future reference values for the model predictive control and to take full advantage of the prediction behavior of the algorithm in the online application.
Über die Autoren
M. Sc. Alexander Lamprecht ist Mitarbeiter am Lehrstuhl für Regelungstechnik der Friedrich-Alexander-Universität Erlangen-Nürnberg. Hauptarbeitsgebiete: optimale und modellprädiktive Regelung, prädiktive Bewegungsplanung für Fahrsimulatoren.
Dipl.-Ing. (FH) Dennis Steffen ist Entwicklungsingenieur am Fahrsimulationszentrum der Mercedes-Benz AG im Mercedes Technology Center (MTC) in Sindelfingen. Hauptarbeitsgebiete: Mechatronische Systeme des dynamischen Fahrsimulators, Hardware und Software zur Bewegungssimulation, Echtzeit-/Fahrdynamiksimulation, SIL, virtuelle Versuchsfahrten zur Fahrwerksentwicklung und der Absicherung von Fahrerassistenzsystemen.
Dr.-Ing. Jens Häcker ist Entwicklungsingenieur am Fahrsimulationszentrum der Mercedes-Benz AG im Mercedes Technology Center (MTC) in Sindelfingen. Hauptarbeitsgebiete: Mechatronische Systeme des dynamischen Fahrsimulators, Hardware und Software zur Bewegungssimulation, Kabinentechnik und Lenkkraftsimulation, virtuelle Versuchsfahrten zur Fahrwerksentwicklung und der Absicherung von Fahrerassistenzsystemen. Mitglied im Wissenschaftskommittee der Driving Simulation Conference.
Prof. Dr.-Ing. Knut Graichen ist Leiter des Lehrstuhls für Regelungs- technik der Friedrich-Alexander-Universität Erlangen-Nürnberg. Hauptarbeitsgebiete: optimale und modellprädiktive Regelung, nichtlineare Steuerungs- und Regelungsverfahren, eingebettete Umsetzung von optimierungsbasierten Verfahren für mechatronische und vernetzte Systeme.
Literatur
1. W. Käding and J. Breuer. The use of driving simulators for the evaluation and validation of driver assistance systems. In Proc. DSC, 2006.Search in Google Scholar
2. A. Kemeny. Multisensory integration and perceptive immersion in driving simulator experiments. In Proc. DSC, 2004.Search in Google Scholar
3. M. Klüver, C. Herrigel, C. Heinrich, H.P. Schöner and H. Hecht. The behavioral validity of dual-task driving performance in fixed and moving base driving simulators. Transportation Research Part F: Traffic Psychology and Behaviour, 37, S. 78–96, 2016.10.1016/j.trf.2015.12.005Search in Google Scholar
4. M.A. Nahon and L.D. Reid. Simulator motion-drive algorithms: A designer’s perspective. Journal of Guidance, Control and Dynamics, 13(2), S. 356–362, 1990.10.2514/3.20557Search in Google Scholar
5. P.R. Grant and L.D. Reid. Motion washout filter tuning: Rules and requirements. Journal of Aircraft, 34(2), S. 145–151, 1997.10.2514/2.2158Search in Google Scholar
6. A. Beghi, M. Bruschetta and F. Maran. A real time implementation of MPC-based motion cueing strategy for driving simulators. In Proc. CDC, S. 6340–6345, 2012.10.1109/CDC.2012.6426119Search in Google Scholar
7. P. Biemelt, S.Henning, N. Rüddenklau, S. Gausemeier and A. Trächtler. A model predictive motion cueing strategy for a 5-degree-of-freedom driving simulator with hybrid kinematics. In Proc. DSC, 2018.Search in Google Scholar
8. Z. Fang, M. Tsushima, E. Kitahara, N. Machida, D. Wautier and A. Kemeny. Fast MPC based motion cueing algorithm for a 9DOF driving simulator with yaw table. In Proc. DSC, S. 73–80, 2017.Search in Google Scholar
9. N.J.I. Garrett and M.C. Best. Model predictive driving simulator motion cueing algorithm with actuator-based constraints. Vehicle System Dynamics, 51(8), S. 1151–1172, 2013.10.1080/00423114.2013.783219Search in Google Scholar
10. M. Katliar, F. M. Drop, H. Teufell, M. Diehl and H.H. Bülthoff. Real-time nonlinear model predictive control of a motion simulator based on a 8-DOF serial robot, In Proc. ECC, S. 1529–1535, 2018.10.23919/ECC.2018.8550041Search in Google Scholar
11. A. Mohammadi, H. Asadi, K. Nelson and S. Nahavandi. Future reference prediction in model predictive control based driving simulators. In Proc. ACRA, S. 177–184, 2016.Search in Google Scholar
12. F. Drop, M. Olivari, M. Katilar and H. Bülthoff. Model predictive motion cueing: Online prediction and washout tuning. In Proc. DSC, S. 71–78, 2018.Search in Google Scholar
13. B. Käpernick and K. Graichen. The gradient based nonlinear model predictive control software GRAMPC. In Proc. ECC, S. 1170–1175, 2014.10.1109/ECC.2014.6862353Search in Google Scholar
14. T. Englert, A. Völz, F. Mesmer, S. Rhein and K. Graichen. A software framework for embedded nonlinear model predictive control using a gradient-based augmented Lagrangian approach (GRAMPC). Optimization and Engineering, 20(3), S. 769–809, 2019.10.1007/s11081-018-9417-2Search in Google Scholar
15. B. Houska, H.J. Ferreau and M. Diehl. ACADO toolkit – An open-source framework for automatic control and dynamic optimization. Optimal Control Applications and Methods, 32(3), S. 298–312, 2011.10.1002/oca.939Search in Google Scholar
16. E. Zeeb. Daimler’s new full-scale, high-dynamic driving simulator – a technical overview. In Proc. DSC, S. 157–165, 2010.Search in Google Scholar
17. T. Murano, T. Yonekawa, M. Aga and S. Nagiri. Development of high-performance driving simulator. SAE International Journal of Passenger Cars-Mechanical Systems, 2(1), S. 661–669, 2009.10.4271/2009-01-0450Search in Google Scholar
18. A. Lamprecht, J. Haecker and K. Graichen. Constrained motion cueing for driving simulators using a real-time nonlinear MPC scheme. In Proc. IROS, S. 7466–7471, 2018.10.1109/IROS.2018.8594246Search in Google Scholar
19. A. Lamprecht, D. Steffen, J. Haecker and K. Graichen. Optimal control based reference generation for model predictive motion cueing algorithms. In Proc. CCTA, S. 203–208, 2019.10.1109/CCTA.2019.8920421Search in Google Scholar
20. A. Lamprecht, D. Steffen, J. Haecker and K. Graichen. Comparison between a filter- and an MPC-based MCA in an offline simulator study. In Proc. DSC, S. 101–107, 2019.Search in Google Scholar
21. M. Werling and D. Liccardo. Automatic collision avoidance using model-predictive online optimization. In Proc. CDC, S. 6309–6314, 2012.10.1109/CDC.2012.6426612Search in Google Scholar
22. D. E. Kirk. Optimal Control Theory: An Introduction. Courier Corporation, 2012.Search in Google Scholar
23. D. P. Bertsekas. Constrained Optimization and Lagrange Multiplier Methods. Academic Press, 1996.Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston