Die Erfindung betrifft eine autonome Fahrfunktion für ein Ego-Fahrzeug. Beansprucht werden in diesem Zusammenhang insbesondere eine dazu eingerichtete Prozesso reinheit, ein Verfahren und ein Computerprogrammprodukt. Ein weiterer Anspruch ist auf ein Kraftfahrzeug mit der vorstehend genannten Prozessoreinheit gerichtet.

Autonome Fahrstrategien verwenden Umfelddaten, Kartendaten und Fahrzeugdaten, um ein optimales Fahrzeugverhalten zu bestimmen. Dabei werden zudem vorausfah rende Fahrzeuge berücksichtigt, zu denen ein Sicherheitsabstand einzuhalten ist. Bekannte Fahrassistenzsysteme, beispielsweise aktive Geschwindigkeitsregelungs systeme (im Englischen: Adaptive Cruise Control) regeln das Ego-Fahrzeug auf ei nen Sicherheitsabstand zum vorausfahrenden Fahrzeug und halten diesen Abstand ein, bis das vorausfahrende Fahrzeug die Spur verlässt oder eine zuvor eingestellte Tempomatgeschwindigkeit des Ego-Fahrzeugs überschritten wird. Die Annäherung auf vorausfahrende Fahrzeuge erfolgt bekanntermaßen mit einer vordefinierten Ab bremskurve. Dies bewirkt, dass das Geschwindigkeitsprofil des vorausfahrenden Fahrzeugs nachgefahren wird und der Verbrauch des Ego-Fahrzeugs somit maßgeb lich durch das Fahrverhalten des vorausfahrenden Fahrzeugs bestimmt wird.

Eine Aufgabe der vorliegenden Erfindung kann darin gesehen werden, eine auto nome Fahrfunktion eines Kraftfahrzeugs hinsichtlich einer effizienteren Fahrweise zu verbessern. Die Aufgabe wird gelöst durch die Gegenstände der unabhängigen Pa tentansprüche. Vorteilhafte Ausführungsformen sind Gegenstand der Unteransprü che, der folgenden Beschreibung sowie der Figuren.

Die vorliegende Erfindung schlägt vor, ineffiziente Fahrweisen des Ego-Fahrzeugs zu vermeiden, indem die autonome Fahrstrategie unter Beachtung aller Beschränkun gen des Fährbetriebs des Ego-Fahrzeugs dahingehend geplant wird, dass ein Opti mum hinsichtlich Geschwindigkeit sowie Betriebspunktwahl des Ego-Fahrzeugs reali siert wird. Gleichzeitig erfolgt eine Optimierung des Energieverbrauchs des Ego- Fahrzeugs während der Fahrt durch Kenntnis von Betriebsdaten des vorausfahren den Fahrzeugs. Basis dafür ist eine möglichst genaue Vorhersage des Fahrverhal tens von vorausfahrenden Fahrzeugen bzw. im Umfeld des Ego-Fahrzeugs befindli cher Fahrzeuge. Bei Verwendung eines MPC-Optimierungsalgorithmus' als Fahrstra tegie kann die prädizierte Trajektorie des vorausfahrenden Fahrzeugs berücksichtigt werden.

In diesem Sinne wird gemäß einem ersten Aspekt der Erfindung eine Prozessorein heit zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug unter Be rücksichtigung wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahr zeugs bereitgestellt, wobei die autonome Fahrfunktion durch einen MPC-Algorithmus zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs gebildet wird, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine zu minimie rende Kostenfunktion sowie eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs enthält. Die Prozessoreinheit ist dazu eingerichtet, den MPC-Algorithmus auszuführen, sodass das Ego-Fahrzeug basie rend auf der Ausführung des MPC-Algorithmus autonom fährt.

Die autonome Fahrfunktion kann zumindest zum Teil durch einen MPC-Algorithmus zur modellprädiktiven Regelung des Ego-Fahrzeugs gebildet werden, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs und eine zu minimierende Kostenfunktion enthält. Die Prozessoreinheit ist dabei dazu eingerichtet, den MPC-Algorithmus auszuführen, sodass das Ego-Fahrzeug ba sierend auf der Ausführung des MPC-Algorithmus“ autonom fährt, und durch Ausfüh ren des MPC-Algorithmus“ - nachdem die Trajektorie des vorausfahrenden Fahr zeugs möglichst exakt vorhergesagt bzw. prädiziert wurde - unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs eine Eingangsgröße für die modellba sierte prädiktive Regelung des Ego-Fahrzeugs zu ermitteln, sodass die Kostenfunk tion minimiert wird. Anders gesagt ist die Prozessoreinheit dazu eingerichtet, eine au tonome Fahrfunktion auszuführen, sodass das Ego-Fahrzeug basierend auf der Aus führung der autonomen Fahrfunktion autonom fährt. Um in jeder Situation unter gegebenen Randbedingungen und Beschränkungen eine optimale Lösung für eine sogenannte „Driving Efficiency“ Fahrfunktion zu finden, wel che eine effiziente Fahrweise bereitstellen soll, kann die Methode der modelbasierten prädiktiven Regelung (MPC) gewählt werden. Methoden der modelbasierten prädikti- ven Regelung (im Englischen: Model Predictive Control oder abgekürzt: MPC) wer den auf dem Gebiet der Trajektorie-Regelung eingesetzt, beispielsweise zur Motor- Regelung im Kontext des autonomen Fahrens. Die MPC-Methode basiert auf einem Systemmodell, welches das Verhalten des Systems beschreibt. Weiterhin basiert die MPC-Methode insbesondere auf einer Zielfunktion bzw. auf einer Kostenfunktion, die ein Optimierungsproblem beschreibt und bestimmt, welche Zustandsgrößen mini miert werden sollen. Die Zustandsgrößen für die Driving Efficiency Fahrfunktion kön nen insbesondere die Fahrzeuggeschwindigkeit bzw. die kinetische Energie, die ver bleibende Energie in der Batterie eines elektrischen Fahrantriebs und die Fahrzeit sein. Zudem kann von der Kostenfunktion auch eine prädizierte Trajektorie wenigs tens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs berücksichtigt wer den. Die Optimierung von Energieverbrauch und Fahrtzeit erfolgt insbesondere auf Basis der Steigung der vorausliegenden Strecke und Beschränkungen bzw. Neben bedingungen für Geschwindigkeit und Antriebskraft, sowie auf Basis des aktuellen Systemzustands.

Das Längsdynamikmodell des Antriebsstrangs kann ein Fahrzeugmodell mit Fahr zeugparametern und Antriebsstrangverlusten (z.T. approximierte Kennfelder) umfas sen. In das Längsdynamikmodell des Antriebsstrangs können insbesondere Kennt nisse über vorausliegende Streckentopografien (z.B. Kurven und Steigungen) einflie ßen. Weiterhin können auch Kenntnisse über Geschwindigkeitslimits auf der voraus liegenden Strecke in das Längsdynamikmodell des Ego-Fahrzeugs einfließen.

Aktuelle Zustandsgrößen können gemessen, entsprechende Daten können aufge nommen und dem MPC-Algorithmus zugeführt werden. So können Streckendaten aus einer elektronischen Karte für einen Vorausschauhorizont bzw. Prädiktionshori zont (z.B. bis zu 5 km) vor dem Ego-Fahrzeug insbesondere zyklisch aktualisiert wer den. Die Streckendaten können beispielsweise Steigungsinformationen, Kurveninfor mationen, und Informationen über Geschwindigkeitslimits beinhalten. Des Weiteren kann eine Kurvenkrümmung über eine maximal zulässige Querbeschleunigung in ein Geschwindigkeitslimit für das Ego-Fahrzeug umgerechnet werden. Außerdem kann eine Ortung des Ego-Fahrzeugs erfolgen, insbesondere über ein GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte.

Die Prozessoreinheit ist bevorzugt dazu eingerichtet, mittels des MPC-Algorithmus‘ eine Antriebsmaschine eines Antriebstrangs des Ego-Fahrzeugs zu regeln, wobei der MPC-Algorithmus ein Längsdynamikmodell des Antriebsstrangs sowie eine prädi- zierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahr zeugs enthält. Die Prozessoreinheit ist dazu eingerichtet, durch Ausführen des MPC- Algorithmus unter Berücksichtigung des gespeicherten Fahrereingriffs eine Ein gangsgröße für die Regelung der Antriebsmaschine zu ermitteln, sodass das Ego- Fahrzeug durch die Antriebsmaschine autonom angetrieben wird und sodass die Kostenfunktion minimiert wird.

Vorzugsweise enthält die Kostenfunktion als ersten Term eine mit einem ersten Ge wichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell sowie gemäß der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahrzeugs befindli chen Fahrzeugs prädizierte elektrische Energie, welche innerhalb eines Prädiktions horizonts von einer Batterie des Antriebsstrangs zum Antrieb der Antriebsmaschine bereitgestellt wird, wobei die Kostenfunktion als zweiten Term ferner eine mit einem zweiten Gewichtungsfaktor gewichtete und gemäß dem Längsdynamikmodell sowie gemäß der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahr zeugs befindlichen Fahrzeugs prädizierte Fahrzeit enthält, welche das Ego-Fahrzeug zum Zurücklegen der gesamten innerhalb des Prädiktionshorizonts prädizierten Weg strecke benötigt. Die Prozessoreinheit ist dazu eingerichtet, durch Ausführen des MPC-Algorithmus“ in Abhängigkeit von dem ersten Term und in Abhängigkeit von dem zweiten Term eine Eingangsgröße für die Regelung der Antriebsmaschine des Ego-Fahrzeugs zu ermitteln, sodass die Kostenfunktion minimiert wird.

Die Kostenfunktion besitzt ausschließlich lineare und quadratische Terme. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit linearen Ne benbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann. Die Zielfunktion bzw. die Kostenfunktion kann mit einer Gewich tung (Gewichtungsfaktoren) aufgestellt werden, wobei insbesondere eine Energieeffi zienz, eine Fahrtzeit und ein Fahrkomfort berechnet und gewichtet werden. Eine energieoptimale Geschwindigkeitstrajektorie kann für einen vorausliegenden Horizont auf der Prozessoreinheit online berechnet werden, die insbesondere ein Bestandteil eines zentralen Steuergeräts des Ego-Fahrzeugs bilden kann. Durch Nutzung der MPC-Methode kann weiterhin eine zyklische Neuberechnung der Soll-Geschwindig keit des Ego-Fahrzeugs auf Basis des aktuellen Fahrzustands und der vorausliegen den Streckeninformationen erfolgen.

Durch die Kostenfunktion des MPC-Algorithmus‘ erfolgt eine Minimierung der Fahr zeit für den Prädiktionshorizont und eine Minimierung von verbrauchter Energie. Al ternativ kann die Kostenfunktion des MPC-Algorithmus‘ eine maximale Geschwindig keit für den Prädiktionshorizont vorgeben. In einer Ausführungsform erfolgt weiterhin eine Minimierung von Drehmomentänderungen für den Prädiktionshorizont. Was den Input für die modellbasierte prädiktive Regelung angeht, so können dem MPC-Algo- rithmus als Nebenbedingungen z.B. Geschwindigkeitslimits, physikalische Grenzen für das Drehmoment und Drehzahlen der Antriebsmaschine zugeführt werden. Dem MPC-Algorithmus können weiterhin Steuergrößen für die Optimierung als Input zuge führt werden, insbesondere die Geschwindigkeit des Fahrzeugs (welche proportional zur Drehzahl sein kann), das Drehmoment der Antriebsmaschine und der Batteriela dezustand. Als Output der Optimierung kann der MPC-Algorithmus eine optimale Drehzahl und ein optimales Drehmoment für berechnete Punkte im Vorausschauhori zont liefern. Was die Umsetzung der MPC-Regelung im Fahrzeug angeht, so kann dem MPC-Algorithmus ein Softwaremodul nachgeschaltet sein, welches einen aktuell relevanten Zustand ermittelt und an eine Leistungselektronik weitergibt.

Energieverbrauch und Fahrzeit bzw. Maximalgeschwindigkeit können jeweils am Ende des Horizonts ausgewertet und gewichtet werden. Dieser Term ist also nur für den letzten Punkt des Horizonts aktiv. In diesem Sinne enthält die Kostenfunktion in einer Ausführungsform einen mit dem ersten Gewichtungsfaktor gewichteten Ener gieverbrauchsendwert, den die prädizierte elektrische Energie am Ende des Prädikti- onshorizonts annimmt, und die Kostenfunktion enthält einen mit dem zweiten Ge wichtungsfaktor gewichteten Fahrzeitendwert, den die prädizierte Fahrzeit am Ende des Prädiktionshorizonts annimmt.

Um ein komfortables Fahren sicher zu stellen, können zusätzlich Terme zur Bestra fung von Momentensprüngen eingeführt werden. In diesem Sinne kann die Kosten funktion einen dritten Term mit einem dritten Gewichtungsfaktor aufweisen, wobei der dritte Term einen gemäß dem Längsdynamikmodell prädizierten Wert eines Drehmo ments enthält, welches die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs bereit stellt, und wobei die Prozessoreinheit dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus‘ in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term und in Abhängigkeit von dem dritten Term die Eingangsgröße für die Antriebsmaschine zu ermitteln, sodass die Kostenfunktion minimiert wird.

Für den ersten Punkt im Horizont kann die Abweichung zum zuletzt gestellten Mo ment negativ bewertet werden, um sicher zu stellen, dass es einen nahtlosen und ruckfreien Übergang beim Umschalten zwischen alter und neuer Trajektorie gibt. In diesem Sinne kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewich teten ersten Wert eines gemäß dem Längsdynamikmodell prädizierten Drehmoments enthalten, welches die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem ersten Wegpunkt innerhalb des Prädiktionshorizonts bereitstellt. Dabei kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten nullten Wert eines Dreh moments enthalten, welches die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem nullten Wegpunkt bereitstellt, der unmittelbar vor dem ersten Wegpunkt liegt. Bei dem nullten Drehmoment kann es sich insbesondere um ein real - in nicht bloß prädiziert - von der Antriebsmaschine bereitgestelltes Drehmoment handeln. In der Kostenfunktion kann der nullte Wert des Drehmoments von dem ersten Wert des Drehmoments abgezogen werden.

Alternativ kann der dritte Term einen mit dem dritten Gewichtungsfaktor gewichteten ersten Wert einer gemäß dem Längsdynamikmodell prädizierten Antriebskraft enthal ten, welche die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem ersten Wegpunkt innerhalb des Prädiktionshorizonts bereitstellt. Der dritte Term enthält da bei einen mit dem dritten Gewichtungsfaktor gewichteten nullten Wert einer Antriebs kraft, welche die Antriebsmaschine zum Antrieb des Ego-Fahrzeugs zu einem nullten Wegpunkt bereitstellt, der unmittelbar vor dem ersten Wegpunkt liegt, wobei in der Kostenfunktion der nullte Wert der Antriebskraft von dem ersten Wert der Antriebs kraft abgezogen wird.

Bei den Wegpunkten, welche durch den MPC-Algorithmus berücksichtigt werden, handelt es sich insbesondere um diskrete Wegpunkte, die beispielsweise in einer be stimmten Frequenz aufeinanderfolgen. In diesem Sinne stellen der nullte Wegpunkt und der erste Wegpunkt diskrete Wegpunkte dar, wobei der erste Wegpunkt unmittel bar auf den nullten Wegpunkt folgt. Der nullte Wegpunkt kann zeitlich vor dem Prä diktionshorizont liegen. Für den nullten Wegpunkt kann der nullte Drehmomentwert gemessen oder ermittelt werden. Der erste Wegpunkt stellt insbesondere den ersten Wegpunkt innerhalb des Prädiktionshorizonts dar. Für den ersten Wegpunkt kann das erste Drehmomentwert prädiziert werden. Somit kann der real ermittelte nullte Drehmomentwert mit dem prädizierten ersten Drehmomentwert verglichen werden.

Zusätzlich sind zu hohe Drehmomentgradienten innerhalb des Horizonts unvorteil haft, so dass diese in einer Ausführungsform bereits in der Zielfunktion bestraft wer den. Dafür kann die quadratische Abweichung der Antriebskraft je Meter gewichtet und in der Zielfunktion minimiert werden. In diesem Sinne kann die Kostenfunktion einen vierten Term mit einem vierten Gewichtungsfaktor aufweisen, wobei der vierte Term einen gemäß dem Längsdynamikmodell prädizierten Gradienten des Drehmo ments oder einen Indikatorwert für einen gemäß dem Längsdynamikmodell prädizier ten Gradienten des Drehmoments enthält. Die Prozessoreinheit ist dabei dazu einge richtet, durch Ausführen des MPC-Algorithmus‘ in Abhängigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term, in Abhängigkeit von dem dritten Term und in Abhängigkeit von dem vierten Term die Eingangsgröße für die Antriebsma schine zu ermitteln, sodass die Kostenfunktion minimiert wird.

In einer Ausführungsform enthält der vierte Term eine mit dem vierten Gewichtungs faktor multiplizierte und aufsummierte quadratische Abweichung des Gradienten des Drehmoments. Weiterhin kann die Kostenfunktion eine mit dem vierten Gewichtungs faktor aufsummierte quadratische Abweichung einer Antriebskraft enthalten, welche die Antriebsmaschine bereitstellt, um das Ego-Fahrzeug einen Meter in Längsrich tung fortzubewegen. In diesem Sinne kann der vierte Term eine mit dem vierten Ge wichtungsfaktor multiplizierte und aufsummierte quadratische Abweichung einer An triebskraft enthalten, welche die Antriebsmaschine bereitstellt, um das Ego-Fahrzeug einen Meter in Längsrichtung fortzubewegen.

Geschwindigkeitslimits, die beispielsweise durch eine Verkehrsstraßenordnung fest gelegt sein können, sind für die Optimierung harte Grenzen, die nicht überschritten werden sollen. Eine leichte Überschreitung der Geschwindigkeitsgrenzen ist in der Realität immer zulässig und vor allem bei Übergängen von einer Geschwindigkeits zone in eine zweite Zone eher der Normalfall. In dynamischen Umgebungen, in de nen sich von einem Rechenzyklus zum nächsten Rechenzyklus Geschwindigkeitsli mits verschieben, kann es passieren, dass bei ganz harten Grenzen keine gültige Lö sung für einen Geschwindigkeitsverlauf mehr gefunden werden kann. Um die Stabili tät des Rechenalgorithmus zu erhöhen, kann eine sogenannte „Soft Constraint“ in die Zielfunktion eingeführt werden. Insbesondere kann eine sogenannte „Schlupf-Va riable“ bzw. „Slack-Variable“ in einem vorgegebenen schmalen Bereich aktiv werden, bevor das harte Geschwindigkeitslimit erreicht wird. Lösungen, die sehr nah an die sem Geschwindigkeitslimit liegen, können dabei schlechter bewertet werden, also Lösungen deren Geschwindigkeitstrajektorie einen gewissen Abstand zur harten Grenze einhalten. In diesem Sinne kann die Kostenfunktion als fünften Term eine mit einem fünften Gewichtungsfaktor gewichtete Slack-Variable enthalten, wobei die Pro zessoreinheit dazu eingerichtet ist, durch Ausführen des MPC-Algorithmus“ in Abhän gigkeit von dem ersten Term, in Abhängigkeit von dem zweiten Term, in Abhängig keit von dem dritten Term, in Abhängigkeit von dem vierten Term und in Abhängigkeit von dem fünften Term die Eingangsgröße für die Antriebsmaschine zu ermitteln, so- dass die Kostenfunktion minimiert wird.

Um die physikalischen Grenzen der Antriebsstrangkomponenten zu respektieren, kann die Zugkraft durch Beschränkung des Kennfelds der Antriebsmaschine limitiert werden. Beispielsweise ist für die maximale Rekuperation die Batterie das limitie rende Element. Um diese nicht zu schädigen, sollte ein bestimmter negativer Leis tungswert nicht unterschritten werden.

Vorzugsweise umfasst die prädizierte Trajektorie des jeweiligen im Umfeld des Ego- Fahrzeugs befindlichen Fahrzeugs einen prädizierten Geschwindigkeitsverlauf des Fahrzeugs. Die prädizierte Trajektorie des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs wird als zusätzliche Randbedingung im MPC-Algorithmus be rücksichtigt, welche den Lösungsraum zur Minimierung der Kostenfunktion zusätzlich begrenzt. Die prädizierte Trajektorie wird aus Informationen des vorausfahrenden Fahrzeugs generiert, wobei aus der prädizierten Trajektorie unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs beispielsweise eine maximale Ge schwindigkeit im Vorausschauhorizont abgeleitet wird.

Das Ego-Fahrzeug umfasst bevorzugt eine Sensorik, die Sensordaten zu dem vor dem Ego-Fahrzeug fahrenden Fahrzeug liefert. Unter zusätzlicher Hinzuziehung von weiteren Informationen, wie beispielsweise von Kartendaten, insbesondere der Stre ckentopografie, oder von Geschwindigkeitslimitierungen, wie beispielsweise enge Kurven oder Ampeln, kann die Prozessoreinheit ein Fahrverhalten, in diesem Fall insbesondere einen Geschwindigkeitsverlauf des vorausfahrenden Fahrzeugs Vor hersagen bzw. prädizieren. Gleichermaßen kann auch ein optimaler Betriebspunkt oder Betriebspunktverlauf des vor dem Ego-Fahrzeug fahrenden Fahrzeugs voraus gesagt werden.

Alternativ oder ergänzend umfasst die prädizierte Trajektorie des jeweiligen im Um feld des Ego-Fahrzeugs befindlichen Fahrzeugs eine aktuelle Fahrspur des Fahr zeugs. Dabei kann die Prozessoreinheit berücksichtigen, in welcher Fahrspur sich das vorausfahrende Fahrzeug befindet. Mithin trifft die Prozessoreinheit eine unter schiedliche Entscheidung über die optimale Geschwindigkeit des Ego-Fahrzeugs, je nachdem ob sich das im Umfeld befindliche Fahrzeug in der gleichen Spur vor dem Ego-Fahrzeug oder in einer der benachbarten Fahrspuren befindet. Ferner bevorzugt umfasst die prädizierte Trajektorie des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs eine Position des Fahrzeugs relativ zum Ego-Fahrzeug. Mit anderen Worten wird ein Abstand des vorausfahrenden Fahr zeugs erfasst. Insbesondere kann der Geschwindigkeitsverlauf des Ego-Fahrzeugs derart gewählt bzw. geplant werden, dass stets ein Mindest- oder Sicherheitsabstand zum vorausfahrenden Fahrzeug eingehalten wird.

Die Prozessoreinheit kann ferner dazu eingerichtet sein, ein zweites Längsdynamik modell des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs zu spei chern. Beispielsweise über eine drahtlose Verbindung oder ein Cloud-System kann das Ego-Fahrzeug auf Fahrzeugdaten des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs erhalten und abspeichern. Diese Daten können kontinuierlich abgerufen oder abgeglichen werden, sodass die autonome Fahrfunktion des Ego- Fahrzeugs mit aktualisierten Informationen des vorausfahrenden Fahrzeugs erfolgt.

Vorzugsweise ist die Prozessoreinheit dazu eingerichtet, die Eingangsgröße für die Regelung der Antriebsmaschine des Ego-Fahrzeugs unter Berücksichtigung des zweiten Längsdynamikmodells des jeweiligen im Umfeld des Ego-Fahrzeugs befindli chen Fahrzeugs zu ermitteln, sodass die Kostenfunktion minimiert wird. Das Längs dynamikmodell des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs kann ebenso ein Längsdynamikmodell des Antriebsstrangs des jeweiligen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs sein und ein Fahrzeugmodell mit Fahr zeugparametern und Antriebsstrangverlusten umfassen. Dieses Längsdynamikmo dell kann insbesondere Kenntnisse über vorausliegende Streckentopografien umfas sen. Weiterhin können auch Kenntnisse über Geschwindigkeitslimits auf der voraus liegenden Strecke in das Längsdynamikmodell des jeweiligen im Umfeld des Ego- Fahrzeugs befindlichen Fahrzeugs einfließen.

Gemäß einem zweiten Aspekt der Erfindung wird ein Ego-Fahrzeug bereitgestellt. Das Fahrzeug umfasst einen Antriebsstrang mit einer Antriebsmaschine und ein Fah rerassistenzsystem. Weiterhin umfasst der Antriebsstrang insbesondere eine Batte rie, wobei die Antriebsmaschine als elektrische Maschine ausgebildet sein kann. Fer- ner kann der Antriebsstrang insbesondere ein Getriebe umfassen. Das Fahrerassis tenzsystem ist dazu eingerichtet, mittels einer Kommunikations-Schnittstelle auf eine Eingangsgröße für die Antriebsmaschine zuzugreifen, wobei die Eingangsgröße von einer Prozessoreinheit gemäß dem ersten Aspekt der Erfindung ermittelt worden ist. Weiterhin kann das Fahrerassistenzsystem dazu eingerichtet sein, das Ego-Fahr zeug bzw. die Antriebsmaschine basierend auf der Eingangsgröße zu steuern. Bei dem Ego-Fahrzeug handelt es sich beispielsweise um ein Kraftfahrzeug, wie Auto mobil (z.B. ein Personenkraftfahrwagen mit einem Gewicht von weniger als 3,5 t), Motorrad, Motorroller, Moped, Fahrrad, E-Bike, Bus oder Lastkraftwagen (Bus und Lastkraftwagen z.B. mit einem Gewicht von über 3,5 t). Das Ego-Fahrzeug kann bei spielsweise zu einer Fahrzeugflotte gehören.

Gemäß einem dritten Aspekt der Erfindung wird ein Verfahren zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug unter Berücksichtigung wenigstens ei nes im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs bereitgestellt, wobei die autonome Fahrfunktion durch einen MPC-Algorithmus zur modellbasierten prädikti- ven Regelung eines Ego-Fahrzeugs gebildet wird. Das Verfahren umfasst die Schritte

- Ausführen des MPC-Algorithmus‘ zur modellbasierten prädiktiven Regelung eines Ego-Fahrzeugs mittels einer Prozessoreinheit, wobei der MPC-Algorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine prädizierte Trajektorie wenigstens ei nes im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs und eine zu minimierende Kostenfunktion enthält,

- Ermitteln einer Eingangsgröße für die Antriebsmaschine unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs sowie der prädizierten Trajektorie des we nigstens einen im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs, sodass die Kostenfunktion minimiert wird.

Gemäß einem vierten Aspekt der Erfindung wird ein Computerprogrammprodukt zur Ausführung einer autonomen Fahrfunktion für ein Ego-Fahrzeug unter Berücksichti gung wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs bereit gestellt, wobei das Computerprogrammprodukt, wenn es auf einer Prozessoreinheit ausgeführt wird, die Prozessoreinheit anleitet, einen MPC-Algorithmus‘ zur modellba sierten prädiktiven Regelung eines Ego-Fahrzeugs auszuführen, wobei der MPC-AI- gorithmus ein Längsdynamikmodell des Ego-Fahrzeugs, eine prädizierte Trajektorie wenigstens eines im Umfeld des Ego-Fahrzeugs befindlichen Fahrzeugs und eine zu minimierende Kostenfunktion enthält, und durch Ausführen des MPC-Algorithmus‘ unter Berücksichtigung des Längsdynamikmodells des Ego-Fahrzeugs sowie der prädizierten Trajektorie des wenigstens einen im Umfeld des Ego-Fahrzeugs befindli chen Fahrzeugs eine Eingangsgröße für die Antriebsmaschine zu ermitteln, sodass die Kostenfunktion minimiert wird.

Die obigen Definitionen sowie Ausführungen zu technischen Effekten, Vorteilen und vorteilhaften Ausführungsformen der Prozessoreinheit gelten sinngemäß ebenfalls für das Fahrzeug gemäß dem zweiten Aspekt der Erfindung, für das Verfahren ge mäß dem dritten Aspekt der Erfindung und für das Computerprogrammprodukt ge mäß dem vierten Aspekt der Erfindung.

Im Folgenden werden Ausführungsbeispiele der Erfindung anhand der schemati schen Zeichnungen näher erläutert, wobei gleiche oder ähnliche Elemente mit dem gleichen Bezugszeichen versehen sind. Hierbei zeigt

Fig. 1 eine schematische Darstellung eines Fahrzeugs mit einem Antriebsstrang, der eine elektrische Maschine und eine Batterie umfasst, und

Fig. 2 ein Kennfeld einer Antriebsmaschine für das Fahrzeug nach Fig. 1 .

Fig. 1 zeigt ein Ego-Fahrzeug 1 , bei dem es sich beispielsweise um einen Personen kraftfahrwagen handeln kann. Das Ego-Fahrzeug 1 umfasst ein System 2 zur Aus führung einer automatisierten Fahrfunktion des Ego-Fahrzeugs 1 , in dem gezeigten Ausführungsbeispiel zur modelbasierten prädiktiven Regelung des Ego-Fahrzeugs 1 . Insbesondere kann das System 2 zur modelbasierten prädiktiven Regelung einer elektrischen Maschine 8 eines Antriebstrangs 7 des Ego-Fahrzeugs 1 eingerichtet sein. Das System 2 umfasst in dem gezeigten Ausführungsbeispiel eine Prozesso- reinheit 3, eine Speichereinheit 4, eine Kommunikations-Schnittstelle 5 und eine Er fassungseinheit 6 zur Erfassung von das Ego-Fahrzeug 1 betreffenden Zustandsda ten. Die Erfassungseinheit 6 ist ferner dazu vorgesehen ein Umfeld des Ego-Fahr zeugs 1 zu überwachen und im Umfeld des Ego-Fahrzeugs 1 befindliche Fahr zeuge 19 zu erkennen.

Das Ego-Fahrzeug 1 umfasst weiterhin einen Antriebsstrang 7, der beispielsweise eine elektrische Maschine 8, die als Motor und als Generator betrieben werden kann, eine Batterie 9 und ein Getriebe 10 umfassen kann. Die elektrische Maschine 8 kann im Motorbetrieb Räder des Ego-Fahrzeugs 1 über das Getriebe 10 antreiben, das beispielsweise eine konstante Übersetzung aufweisen kann. Die dazu notwendige elektrische Energie kann die Batterie 9 bereitstellen. Die Batterie 9 kann durch die elektrische Maschine 8 aufgeladen werden, wenn die elektrische Maschine 8 im Ge neratorbetrieb betrieben wird (Rekuperation). Die Batterie 9 kann optional auch an einer externen Ladestation aufgeladen werden. Ebenfalls kann der Antriebsstrang des Ego-Fahrzeugs 1 optional einen Verbrennungskraftmotor 17 aufweisen, welcher alternativ oder zusätzlich zu der elektrischen Maschine 8 das Ego-Fahrzeug 1 antrei ben kann. Der Verbrennungskraftmotor 17 kann auch die elektrische Maschine 8 an treiben, um die Batterie 9 aufzuladen.

Auf der Speichereinheit 4 kann ein Computerprogrammprodukt 11 gespeichert sein. Das Computerprogrammprodukt 11 kann auf der Prozessoreinheit 3 ausgeführt wer den, wozu die Prozessoreinheit 3 und die Speichereinheit 4 mittels der Kommunikati ons-Schnittstelle 5 miteinander verbunden sind. Wenn das Computerprogrammpro dukt 11 auf der Prozessoreinheit 3 ausgeführt wird, leitet es die Prozessoreinheit 3 an, die im Folgenden beschriebenen Funktionen zu erfüllen bzw. Verfahrensschritte auszuführen.

Das Computerprogrammprodukt 11 enthält zur Ausführung der autonomen Fahrfunk tion einen MPC-Algorithmus 13. Der MPC-Algorithmus 13 wiederum enthält ein Längsdynamikmodell 14 des Antriebsstrangs 7 des Ego-Fahrzeugs 1 , eine prädi- zierte Trajektorie 20 wenigstens eines im Umfeld des Ego-Fahrzeugs 1 befindlichen Fahrzeugs 19 und eine zu minimierende Kostenfunktion 15. Die Prozessoreinheit 3 führt den MPC-Algorithmus 13 aus und prädiziert dabei ein Verhalten des Ego-Fahr zeugs 1 basierend auf dem Längsdynamikmodell 14 und der prädizierten Trajekto- rie 20, wobei die Kostenfunktion 15 minimiert wird. Als Output der Optimierung durch den MPC-Algorithmus 13 können sich in dem gezeigten Ausführungsbeispiel eine optimale Drehzahl und ein optimales Drehmoment der elektrischen Maschine 8 für berechnete Wegpunkte im Vorausschauhorizont ergeben. Die Prozessoreinheit 3 kann dazu eine Eingangsgröße für die elektrische Maschine 8 ermitteln, sodass sich die optimale Drehzahl und das optimale Drehmoment einstellen. Die Prozessorein heit 3 kann die elektrische Maschine 8 basierend auf der ermittelten Eingangsgröße steuern. Weiterhin kann dies jedoch auch durch ein Fahrerassistenzsystem 16 erfol gen. Auf diese Weise kann das Ego-Fahrzeug 1 basierend auf dem Output des aus geführten MPC-Algorithmus 13 autonom fahren.

Die Erfassungseinheit 6 kann aktuelle Zustandsgrößen des Ego-Fahrzeugs 1 mes sen, entsprechende Daten aufnehmen und dem MPC-Algorithmus 13 zuführen. So können Streckendaten aus einer elektronischen Karte für einen Vorausschauhorizont bzw. Prädiktionshorizont (z.B. 5 km) vor dem Ego-Fahrzeug 1 beispielsweise zyklisch aktualisiert werden. Die Streckendaten können beispielsweise Steigungsinformatio nen, Kurveninformationen und Informationen über Geschwindigkeitslimits beinhalten. Des Weiteren kann eine Kurvenkrümmung über eine maximal zulässige Querbe schleunigung in ein Geschwindigkeitslimit für das Ego-Fahrzeug 1 umgerechnet wer den. Außerdem kann mittels der Erfassungseinheit 6 eine Ortung des Ego-Fahr zeugs 1 erfolgen, insbesondere über ein von einem GNSS-Sensor 12 generiertes GNSS-Signal zur genauen Lokalisierung auf der elektronischen Karte. Weiterhin kann die Erfassungseinheit 6 Sensoren zur Bestimmung des Beladungsgewichts des Ego-Fahrzeugs 1 , zur Erfassung der Anzahl der Fahrzeug Insassen und ein Zeit mess- und Erfassungsmodul umfassen. Die Prozessoreinheit 3 kann auf von den ge nannten Sensoren generierte Informationen bzw. Daten beispielsweise über die Kommunikations-Schnittstelle 5 zugreifen. Außerdem kann die Erfassungseinheit 6 im Umfeld des Ego-Fahrzeugs 1 befindliche Fahrzeuge 19 erkennen. Die erfassten Daten fließen in die prädizierte Trajektorie 20 des MPC-Algorithmus“ 13 ein, wobei diese Daten einen prädizierten Geschwindigkeitsverlauf des Fahrzeugs 19, eine ak tuelle Fahrspur des Fahrzeugs 19, eine Position des Fahrzeugs 19 relativ zum Ego- Fahrzeug 1 und/oder ein Längsdynamikmodell 18 des Fahrzeugs 19 umfassen. Mit anderen Worten wird eine energieeffiziente Fahrstrategie des Ego-Fahrzeugs 1 , bei spielsweise ein optimaler Geschwindigkeitsverlauf, ein optimaler Betriebspunktver lauf und/oder eine optimale Fahrzeit auf Basis des aktuellen Fahrzeugzustands des Ego-Fahrzeugs 1 , der vorausliegenden Streckentopografie sowie auf Basis des vo rausfahrenden Verkehrs, insbesondere des vorausfahrenden Fahrzeugs 19 geplant. Das vorausfahrende Fahrzeug 19 wird nur dann zur Minimierung der Kostenfunktion relevant, wenn es die maximal erlaubte Geschwindigkeit des Ego-Fahrzeugs 1 stär ker einschränkt, als es straßenbedingte bzw. streckentopografiebedingte Geschwin digkeitslimits und/oder andere Geschwindigkeitslimitierungen tun. Alternativ zu einer maximalen Geschwindigkeit können auch zeitliche Randbedingungen des vorausfah renden Fahrzeugs 19 abgeleitet werden.

Das Längsdynamikmodell 14 des Ego-Fahrzeugs 1 kann mathematisch wie folgt aus gedrückt werden:

Hierbei sind: v die Geschwindigkeit des Ego-Fahrzeugs;

Ftrac Traktionskraft, die durch den Motor oder die Bremsen auf die Räder des Ego-Fahrzeugs ausgeübt wird;

Fr die Rollwiderstandskraft, welche ein Effekt der Verformung der Reifen beim Rollen ist und von der Belastung der Räder (der Normalkraft zwi schen Rad und Straße) und damit vom Neigungswinkel der Straße ab hängt;

Fgr die Steigungswiderstandskraft, welche eine Längskomponente der

Schwerkraft beschreibt, die auf das Ego-Fahrzeug im Bergauf- oder Berg abfahrbetrieb wirkt, abhängig von der Neigung der Fahrbahn;

Fd die Luftwiderstandskraft des Ego-Fahrzeugs; und meq die äquivalente Masse des Ego-Fahrzeugs; die äquivalente Masse bein haltet insbesondere die Trägheit der Drehteile des Antriebsstrangs, welche der Beschleunigung des Ego-Fahrzeugs ausgesetzt sind (Motor, Getriebe antriebswellen, Räder).

Durch Umwandlung von Zeitabhängigkeit in Wegabhängigkeit und Koordinatentransformation zur Eliminierung des quadratischen Geschwindig- keits-Terms im Luftwiderstand mit e _kin = - * m _eq * v t) ² folgt

Damit das Problem durch den MPC-Algorithmus 13 schnell und einfach lösbar ist, kann die Dynamikgleichung des Längsdynamikmodells 14 linearisiert werden, indem die Geschwindigkeit durch Koordinatentransformation durch kinetische Energie dekin ausgedrückt wird. Dadurch wird der quadratische Term zur Berechnung des Luftwi derstands Fd durch einen linearen Term ersetzt und gleichzeitig ist das Längsdyna mikmodell 14 des Ego-Fahrzeugs 1 nicht mehr wie üblich in Abhängigkeit von der Zeit beschrieben, sondern in Abhängigkeit von dem Weg. Dies passt insofern gut zum Optimierungsproblem, da die Vorausschauinformationen des elektrischen Hori zonts wegbasiert vorliegen.

Neben der kinetischen Energie gibt es zwei weitere Zustandsgrößen, welche im Sinne eines einfachen Optimierungsproblems ebenfalls linear und wegabhängig be schrieben werden müssen. Zum einen ist der elektrische Energieverbrauch des An triebsstrangs 7 üblicherweise in Form eines Kennfeldes in Abhängigkeit von Drehmo ment und Motordrehzahl beschrieben. In dem gezeigten Ausführungsbeispiel weist das Ego-Fahrzeug 1 eine feste Übersetzung zwischen der elektrischen Maschine 8 und der Straße auf, auf welcher sich das Ego-Fahrzeug 1 bewegt. Dadurch lässt sich die Drehzahl der elektrischen Maschine 8 direkt in eine Geschwindigkeit des Ego- Fahrzeugs 1 oder eben in eine kinetische Energie des Ego-Fahrzeugs 1 umrechnen. Weiterhin lässt sich die elektrische Leistung der elektrischen Maschine 8 durch Tei len durch die entsprechende Geschwindigkeit in Energieverbrauch pro Meter um rechnen. Dadurch erhält das Kennfeld der elektrischen Maschine 8 die Form wie in Fig. 2 zu sehen. Um dieses Kennfeld für die Optimierung verwenden zu können, wird es linear approximiert: Euer gy _perMeter > a* * e _kin + b _t * F _trac für alle i. Eine beispielhafte zu minimierende Kostenfunktion 15 kann mathematisch wie folgt ausgedrückt werden:

Hierbei ist:

Wßat Gewichtungsfaktor für den Energieverbrauch der Batterie

Eßat Energieverbrauch der Batterie

S Wegstrecke

SE-I Wegstrecke einen Zeitschritt vor Ende des Prädiktionshorizonts

FA Antriebskraft, welche durch die elektrische Maschine bereitgestellt wird, durch ein Getriebe konstant übersetzt wird und an einem Rad des Ego- Fahrzeugs anliegt

WTem Gewichtungsfaktor für Drehmomentgradienten

WTemstart Gewichtungsfaktor für Momentensprünge

T Zeit, welche das Fahrzeug benötigt, um die gesamte innerhalb des Prä diktionszeitraums prädizierte Wegstrecke zurückzulegen WTime Gewichtungsfaktor für die Zeit T

SE Wegstrecke zum Ende des Horizonts ws lack Gewichtungsfaktor für die Slack-Variable

Varsiack Slack-Variable

Die Kostenfunktion 15 besitzt ausschließlich lineare und quadratische Terme. Dadurch hat das Gesamtproblem die Form einer quadratischen Optimierung mit line aren Nebenbedingungen und es ergibt sich ein konvexes Problem, welches gut und schnell gelöst werden kann.

Die Kostenfunktion 15 enthält als ersten Term eine mit einem ersten Gewichtungs faktor Wßat gewichtete und gemäß dem Längsdynamikmodell prädizierte elektrische Energie Eßat, welche innerhalb eines Prädiktionshorizonts von der Batterie 9 des An triebsstrangs 7 zum Antrieb der elektrischen Maschine 8 bereitgestellt wird.

Die Kostenfunktion 15 enthält als zweiten Term eine mit einem zweiten Gewichtungs faktor Wnme gewichtete und gemäß dem Längsdynamikmodell 14 prädizierte Fahrzeit T, welche das Ego-Fahrzeug 1 benötigt, um die prädizierte Wegstrecke zurückzule gen. Dies führt dazu, dass je nach Wahl der Gewichtungsfaktoren eine geringe Ge schwindigkeit nicht immer als optimal bewertet wird und so nicht mehr das Problem besteht, dass die resultierende Geschwindigkeit immer am unteren Rand der erlaub ten Geschwindigkeit liegt.

Der Energieverbrauch und die Fahrzeit können jeweils am Ende des Horizonts aus gewertet und gewichtet werden. Diese Terme sind dann also nur für den letzten Punkt des Horizonts aktiv.

Zu hohe Drehmomentgradienten innerhalb des Horizonts sind unvorteilhaft. Daher werden Drehmomentgradienten bereits in der Kostenfunktion 15 bestraft, nämlich durch den Term w _Tem D' ^e quadratische Abweichung der An triebskraft je Meter wird mit einem Gewichtungsfaktor WTem gewichtet und in der Kos tenfunktion minimiert. Alternativ zu der Antriebskraft FA je Meter kann auch das durch die elektrische Maschine 8 bereitgestellte Drehmoment MEM genutzt und mit dem Ge wichtungsfaktor WTem gewichtet werden, sodass sich der alternative Term w _Tem ergibt. Durch die konstante Übersetzung des Getriebes 10 sind die Antriebskraft und das Drehmoment direkt proportional zueinander.

Um ein komfortables Fahren sicher zu stellen, wird in der Kostenfunktion 15 ein wei terer Term zur Bestrafung von Momentensprüngen eingeführt, nämlich w _TemStart

(F _A (S _I ) - F _A (S ₀ )) . Alternativ zu der Antriebskraft FA kann auch hier das durch die elektrische Maschine 8 bereitgestellte Drehmoment MEM genutzt werden, sodass sich der alternative Term w _TemStart - M _EM (S ₀ )) ergibt. Für den ersten Punkt im Prädiktionshorizont wird die Abweichung zum zuletzt gestellten Moment negativ bewertet und mit einem Gewichtungsfaktor WTemStart gewichtet, um sicher zu stellen, dass es einen nahtlosen und ruckfreien Übergang beim Umschalten zwischen alter und neuer Trajektorie gibt.

Geschwindigkeitslimits sind für die Optimierung harte Grenzen, die nicht überschrit ten werden dürfen. Eine leichte Überschreitung der Geschwindigkeitsgrenzen ist in der Realität immer zulässig und vor allem bei Übergängen von einer Geschwindig keitszone in eine zweite Zone eher der Normalfall. In dynamischen Umgebungen, wo sich von einem Rechenzyklus zum nächsten Rechenzyklus Geschwindigkeitslimits verschieben, kann es passieren, dass bei ganz harten Grenzen keine gültige Lösung für einen Geschwindigkeitsverlauf mehr gefunden werden kann. Um die Stabilität des Rechenalgorithmus zu erhöhen, wird eine weiche Beschränkung („soft constraint“) in die Kostenfunktion 15 eingeführt. Dabei wird eine mit einem Gewichtungsfaktor Wsiack gewichtete Slack-Variable Varsiack in einem vorgegebenen schmalen Bereich aktiv, bevor das harte Geschwindigkeitslimit erreicht wird. Lösungen, die sehr nah an diesem Geschwindigkeitslimit liegen, werden schlechter bewertet, also Lösungen de ren Geschwindigkeitstrajektorie einen gewissen Abstand zur harten Grenze einhal- ten.

Die Regelung der elektrischen Maschine 8 des Ego-Fahrzeugs 1 mittels des MPC- Algorithmus 13 eignet sich für Automatisierungsstufen unterhalb von Level 5 (z.B. gemäß SAE J3016), insbesondere bis Level 3, wobei ein Fahrer des Ego-Fahr zeugs 1 weiterhin die Möglichkeit hat, die Fahrt zu beeinflussen bzw. in die vorste hend beschriebene MPC-basierte autonome Fahrfunktion des Ego-Fahrzeugs 1 ein zugreifen.

Bezuqszeichen Ego-Fahrzeug System Prozessoreinheit Speichereinheit Kommunikations-Schnittstelle Erfassungseinheit Antriebsstrang Antriebsmaschine Batterie Getriebe Computerprogrammprodukt GNSS-Sensor MPC-Algorithmus Längsdynamikmodell Kostenfunktion Fahrerassistenzsystem Verbrennungskraftmotor Längsdynamikmodell des vorausfahrenden Fahrzeugs Vorausfahrendes Fahrzeug Trajektorie des vorausfahrenden Fahrzeugs