Die Erfindung betrifft ein Verfahren, bei dem die Lage des Schwerpunkts eines fahrenden Kraftfahrzeugs ermittelt wird, wobei mindestens ein Satz von zusammengehörenden Eingangsgrößen berücksichtigt wird. Der Satz von Eingangsgrößen umfasst mindestens eine Längsbeschleunigung des Kraftfahrzeugs, eine Querbeschleunigung des Kraftfahrzeugs, eine Gierrate des Kraftfahrzeugs und mindestens eine Raddrehzahl. Die Erfindung betrifft auch ein elektronisches Steuergerät.

Bei bekannten Verfahren zur Schätzung einer Schwerpunktlage wird die laterale Schwerpunktkoordinate y meistens vernachlässigt und die longitudinale Koordinate x teilweise als bekannt voraus ^¬ gesetzt oder zu Null angenommen. Die Schätzgüte der Schwer ^¬ punkthöhe z ist oftmals nicht zufriedenstellend.

Aus der DE 10 2014 200 987 AI ist ein Verfahren bekannt, bei dem die Lage des Schwerpunkts eines fahrenden Kraftfahrzeugs er ^¬ mittelt wird, wobei mindestens zwei Datenpunkte aus zusam ^¬ mengehörigen Eingangsgrößen umfassend zumindest eine Beschleunigung des Kraftfahrzeugs, Radgeschwindigkeiten von mindestens zwei, insbesondere vier, Rädern und an diesen Rädern anliegende Antriebs- oder Bremsmomenten berücksichtigt werden. Zumindest eine Schwerpunktkoordinate in einem fahrzeugfesten Koordinatensystem und zumindest ein Anpassungsparameter einer Reibwertkennlinie werden gemeinsam ermittelt. Bekannte Verfahren haben den Nachteil, dass viele Fahrzeug ^¬ parameter im Vorfeld bekannt sein müssen, und eine Schätzung oft nur für eine oder zwei Koordinaten, nicht alle drei Raumko ^¬ ordinaten erfolgt. Es folgt oft eine geringe Schätzgüte der vertikalen Schwerpunktkoordinate und die Schwerpunktkoordinaten sind miteinander verkoppelt. Bestehende lernbasierter Ansätze benötigt eine sehr hohe Anzahl an Klassifizierern. Teilweise wird hohe Rechenleistung vorausgesetzt, was kostenintensiv ist und im fahrenden Fahrzeug oft nicht umgesetzt werden kann.

Es ist daher Aufgabe der Erfindung, ein Verfahren zur Ermittlung einer Schwerpunktlage anzugeben, welches robust, genau und eigenständig ist und dabei eine geringere Rechenleistung be ^¬ nötigt .

Erfindungsgemäß wird der Satz von Eingangsgrößen während eines stationären Fahrmanövers ermittelt, und eine Menge an möglichen Schwerpunktlagen als Klassen festgelegt und mittels einer lernbasierten Klassifizierungsmethode anhand des Satzes von Eingangsgrößen eine Klasse ausgewählt, die eine geschätzte Schwerpunktlage angibt.

Unter einem Satz von zusammengehörenden Eingangsgrößen wird dabei ein Datenset von verschiedenen Fahrdynamikgrößen verstanden, die gleichzeitig gemessen oder ermittelt werden bzw. den Fahrzustand des Kraftfahrzeugs zu einem Zeitpunkt beschreiben. Die verschiedenen Fahrdynamikgrößen umfassen mindestens eine Längsbeschleunigung des Kraftfahrzeugs, eine Querbeschleunigung des Kraftfahrzeugs, eine Gierrate des Kraftfahrzeugs und mindestens eine Raddrehzahl. Bevorzugt umfasst der Satz von Eingangsgrößen vier Raddrehzahlen.

Das erfindungsgemäße Verfahren hat den Vorteil, dass keine Fahrzeugparameter im Schätz-Algorithmus benötigt werden. Die Anzahl von Klassifizierern und Modellparametern ist deutlich reduziert. Die Schätzgüte der vertikalen Schwerpunktkoordinate wird verbessert. Das Verfahren erreicht eine erhöhte Robustheit gegenüber Messrauschen, vor allem mittelwertfreiem Messrauschen. Außerdem wird eine hohe Robustheit gegenüber Offset des Masseschätzers und des Straßenreibwerts erreicht. Bevorzugt werden mehrere Raddrehzahlen erfasst, besonders bevorzugt eine Raddrehzahl für jedes Rad des Fahrzeugs. Werden mehrere Raddrehzahlen erfasst, so wird vorteilshafterweise ein Mittelwert oder gewichteter Mittelwert der Raddrehzahlen berechnet. Der Mittelwert bzw. gewichteter Mittelwert der Rad ^¬ drehzahlen wird als Eingangsgröße (mittlere Raddrehzahl) verwendet. Ein Mittelwert bzw. gewichteter Mittelwert ist robuster gegen Messfehler als eine einzelne Raddrehzahl.

Bevorzugt wird unter Verwendung von Simulationsdaten eines Modells des Kraftfahrzeugs eine nichtlineare Zuordnung zwischen Sätzen von Eingangsgrößen und Klassen von Schwerpunktlagen eingelernt. Unter einer nichtlinearen Zuordnung wird dabei eine Zuordnung verstanden, bei der kein proportionaler Zusammenhang zwischen Eingangsgrößen und Koordinaten der Schwerpunktlage vorausgesetzt wird. Der lernbasierte Klassifikationsalgorithmus wird dazu ver ^¬ wendet, eine nichtlineare Zuordnung zwischen Fahrdynamikdaten ( Standard-ESP-Sensordaten) und zugehörigen Schwerpunktlagen abzubilden. Die Zuordnung erfolgt bevorzugt über einen Trai- ningsprozess , während dessen Simulationsdaten generiert werden. Anschließend kann z.B. ein Random Forest Klassifizierer für die Schätzung der x- und y-Koordinate verwendet werden.

Während des Trainingsprozesses wird bevorzugt ein Raum möglicher Schwerpunktlagen definiert und eine Menge an zu lernenden Schwerpunktlagen als Klassen festgelegt. Die nichtlineare

Zuordnung zwischen Sensordaten und zugehörigen Schwerpunktlagen wird bevorzugt unter der Verwendung von Simulationsdaten eines Modells des Zielfahrzeugs gelernt. Dabei wird bevorzugt eine Klassifizierungsmethode verwendet, welche eine Ausgabe der Wahrscheinlichkeit jeder einzelnen Klasse bereitstellt. Vor ^¬ teilhafterweise bietet sich das Verfahren Random Forest an. Alternativ kann eine Import Vector Machine verwendet werden.

Nach Abschluss des Trainingsprozesses kann das Verfahren zur Ermittlung der Schwerpunktlage eines Kraftfahrzeugs angewendet werden. Die Klassifizierungsmethode ist bevorzugt in einem Klassifizierer implementiert, welcher Klassifizierungen anhand der im Trainingsprozess eingelernten Zuordnungen durchführt.

Bevorzugt umfasst der Satz von Eingangsgrößen einen Lenkwinkel. Bevorzugt umfasst der Satz von Eingangsgrößen einen Schätzwert einer Gesamtmasse des Kraftfahrzeugs.

An Stelle der Gesamtmasse des Kraftfahrzeugs kann ein Schätzwert einer Zulademasse als Eingangsgröße in die Berechnung eingehen. Die Gesamtmasse und die Zulademasse lassen sich unter Kenntnis der Leermasse des Kraftfahrzeugs ineinander umrechnen.

Bevorzugt sind die Eingangsgrößen die kontinuierlichen Sensorsignale Längs- und Querbeschleunigung, Gierrate, Lenkwinkel und mindestens einer, aber bestenfalls alle vier, Raddrehzahlen sowie ein Schätzwert für die aktuelle Gesamtmasse des Fahrzeugs.

Bevorzugt werden die Längsbeschleunigung des Kraftfahrzeugs, die Querbeschleunigung des Kraftfahrzeugs, die Gierrate des

Kraftfahrzeugs und die Raddrehzahl durch eine Sensorik eines Fahrstabilitätssystems erfasst. Das Zurückgreifen auf Mess ^¬ größen, welche von dem Fahrstabilitätssystems und dessen ESP-Standard-Sensorik bereits erfasst werden, hat den Vorteil, dass ein niedriger Aufwand für die Schätzung der longitudinalen und der lateralen Schwerpunkt-Koordinate resultiert.

Bevorzugt wird das Verfahren durch eine Recheneinheit ausge ^¬ führt, welche an der/den Schnittstelle (n) eines ESP-Steuergeräts die genannten Größen ausliest.

Bevorzugt wird ein stationäres Fahrmanöver erkannt, wenn über einen vorgegebenen Zeitraum eine Fahrzeuggeschwindigkeit, die Querbeschleunigung und/oder Gierrate und/oder der Lenkwinkel konstant sind.

Vorteilhafterweise wird ein stationäres Fahrmanöver erkannt, wenn über einen vorgegebenen Zeitraum eine Fahrzeuggeschwin- digkeit konstant ist und zusätzlich über den vorgegebenen Zeitraum mindestens eine der Größen Querbeschleunigung, Gierrate oder Lenkwinkel konstant ist. Besonders bevorzugt wird die Fahrzeuggeschwindigkeit anhand der Raddrehzahl oder anhand der gemittelten Raddrehzahl bestimmt.

Bevorzugt wird ein stationäres Fahrmanöver erkannt, wenn über den vorgegebenen Zeitraum:

- die Varianz der Fahrzeuggeschwindigkeit unterhalb eines ersten Schwellenwerts liegt, sowie

- die Varianz der Querbeschleunigung unterhalb eines zweiten Schwellenwerts liegt, und/oder

- die Varianz der Gierrate unterhalb eines vierten Schwellenwerts liegt, und/oder

- die Varianz des Lenkwinkels unterhalb eines dritten

Schwellenwerts liegt.

Vorteilhafterweise wird eine Fahrdynamikgröße (Querbeschleu- nigung, Gierrate, Lenkwinkel) als während eines Zeitraums konstant betrachtet, wenn die Varianz der Fahrdynamikgröße während des Zeitraums unterhalb des jeweiligen Schwellenwerts liegt . Bevorzugt werden mindestens zwei Sätze von Eingangsgrößen für die Bestimmung der Schwerpunktlage berücksichtigt, wobei ein erster Satz von Eingangsgrößen während eines ersten stationären Fahrmanövers ermittelt wird und ein zweiter Satz von Ein ^¬ gangsgrößen während eines zweiten stationären Fahrmanövers ermittelt wird. Die Verwendung mehrerer Sätzen von Eingangs ^¬ größen führt zu einer verbesserten Präzision des Verfahrens.

Besonders bevorzugt werden mindestens drei Sätze von Ein ^¬ gangsgrößen für die Bestimmung der Schwerpunktlage berück- sichtigt, wobei ein dritter Satz von Eingangsgrößen während eines dritten stationären Fahrmanövers ermittelt wird. Dies ermöglicht eine weitere Verbesserung der Präzision. Bevorzugt werden mittels der Klassifizierungsmethode mindestens zwei Zwischenergebnisse anhand unterschiedlicher Sätze von Eingangsgrößen ermittelt.

Besonders bevorzugt wird je ein Zwischenergebnis anhand des ersten Satzes von Eingangsgrößen und anhand des zweiten Satzes von Eingangsgrößen ermittelt. Besonders bevorzugt wird die geschätzte Schwerpunktlage anhand der mindestens zwei Zwischenergebnisse berechnet. Vorteil ^¬ hafterweise erfolgt die Berechnung der geschätzten Schwerpunktlage aus den Zwischenergebnissen mittels einer Minimum Mean Square Error (MMSE) Methode.

Während die Klassen eine Diskretisierung des Raumes darstellen, stellt der MMSE-Schät zwert den Erwartungswert im dreidimen ^¬ sionalen Raum dar und kann jede Position einnehmen, auch zwischen den Positionen der Klassen. Die durch das Verfahren ermittelte Lage des Schwerpunktes entspricht bevorzugt der mittels MMSE berechneten geschätzten Schwerpunktlage. Dies ermöglicht eine Verrechnung der Zwischenergebnisse zu einer resultierenden Schwerpunktlage, welche besonders genaue Ergebnisse liefert. Bevorzugt wird eine Anzahl n (n > 2) von Sätzen von Eingangsgrößen berücksichtigt und für jeden der Sätze ein Zwischenergebnis ermittelt. Die Berechnung der geschätzten Schwerpunktlage wird anhand der n Zwischenergebnisse ermittelt, bevorzugt mittels einer Minimum Mean Square Error Methode.

Besonders bevorzugt unterscheidet sich das erste Fahrmanöver von dem zweiten Fahrmanöver. Die Verwendung unterschiedlicher Fahrmanöver hat sich als besonders genau erwiesen. Bevorzugt wird jedes stationäre Fahrmanöver nach seiner Art eingeteilt in stationäre Linkskurve, stationäre Rechtskurve, oder stationäre Geradeausfahrt. Bevorzugt wird der Fahrzustand mittels Varianzberechnung der Beschleunigungen und Gierrate auf einen stationären Zustand überprüft und dessen Art „Stationäre Geradeausfahrt", "Sta- tionäre Linkskurve" oder „Stationäre Rechtskurve" bestimmt.

Bevorzugt beinhaltet das Verfahren eine automatische Erkennung gültiger stationärer Fahrmanöver. Die Eingangsgrößen der Erkennung sind die Längs- und Querbeschleunigung sowie die Gierrate des Fahrzeugs und optional der Lenkwinkel. Jeder AbtastZeitpunkt wird mittels der Berechnung der Varianz jeder Eingangsgröße der Erkennung im Bereich eines verschiebbaren Zeitfensters und unter Vorgabe eines Schwellenwertes auf einen stationären Zustand überprüft. Liegt ein stationärer Zustand vor, so wird die Art des Manövers anhand der Gierrate und/oder der Querbeschleunigung bestimmt .

Dies bietet den Vorteil, dass stationäre Zustände und deren Art (Geradeausfahrt, Linkskurve, Rechtskurve) automatisch erkannt werden und der Schwerpunktschätzung als Merkmalsvektor dem weiteren Verfahren zur Verfügung gestellt werden.

Im Einzelnen umfassen die Manöver bevorzugt die stationäre Linkskurve, die stationäre Rechtskurve und die stationäre Geradeausfahrt. Jedes dieser Manöver ist durch einen konstanten Lenkwinkel, eine konstante Geschwindigkeit und eine konstante Querbeschleunigung und Gierrate charakterisiert.

Besonders bevorzugt unterscheidet sich das erste stationäre Fahrmanöver in seiner Art von dem zweiten stationären

Fahrmanöver. Beispielsweise handelt es sich bei dem ersten stationären Fahrmanöver um eine stationäre Linkskurve und bei dem zweiten stationären Fahrmanöver um eine stationäre

Geradeausfahrt, etc.

Gemäß einer bevorzugten Weiterbildung der Erfindung wird mittels der Klassifizierungsmethode mindestens eine Wahrscheinlich- keitsverteilung der Klassen bestimmt, welche jeder Klasse von Schwerpunktlagen einen Wahrscheinlichkeitswert zuordnet.

Durch die räumliche Verteilung der Klassen folgt mit der Ausgabe des Klassifizierers eine räumliche Wahrscheinlichkeitsver ^¬ teilung, dessen Minimum Mean Square Error (MMSE) den Schätzwert der Schwerpunktlage darstellt.

Besonders bevorzugt liegt jedes Zwischenergebnis in Form einer Wahrscheinlichkeitsverteilung vor.

Der beschriebene Klassifizierer wird bevorzugt jeweils für jedes der verwendeten stationären Fahrmanöver angewendet. Besonders bevorzugt wird für jedes der drei verschiedenen stationären Fahrmanöver jeweils ein Klassifizierer verwendet. Die drei Klassifizierer liefern drei Wahrscheinlichkeitsverteilungen (für jedes Manöver eine Verteilung) aus denen durch Kombination und Berechnung des Minimum Mean Square Error (MMSE) der Schätzwert für die Schwerpunktlage (x, y, z) hervorgeht.

Die räumliche Wahrscheinlichkeitsverteilung wird bevorzugt mit den Wahrscheinlichkeitsverteilungen der anderen Fahrmanöver mittels Bayescher Interferenz zu einer gemeinsamen Wahr- scheinlichkeitsverteilung kombiniert und führt durch anschließende Berechnung des Erwartungswerts zu einem Schätzwert für die Schwerpunktlage des Fahrzeugs.

Bevorzugt ist die Klassifizierungsmethode eine Random Forest oder Import Vector Machine Methode.

Bevorzugt werden eine laterale Koordinate und eine longitudinale Koordinate der geschätzten Schwerpunktlage bestimmt.

Bevorzugt werden mittels der Klassifizierungsmethode zuerst eine laterale Koordinate und eine longitudinale Koordinate der geschätzten Schwerpunktlage bestimmt. Besonders bevorzugt werden die laterale und longitudinale Koordinate mittels eines ersten Teil-Klassifizierers, beispielsweise einem Random Forest Klassifizierer, bestimmt. Der erste Teil-Klassifizierer bestimmt nur einen Teil der räumlichen Koordinaten: die laterale und longitudinale Koordinate, nicht die vertikale Koordinate.

Bevorzugt wird anhand der zuerst berechneten lateralen und longitudinalen Koordinate eine vertikale Koordinate der ge ^¬ schätzten Schwerpunktlage bestimmt.

Besonders bevorzugt erfolgt die Bestimmung der vertikalen Koordinate mittels eines weiteren, linearen

Teil-Klassifizierers, in welchen die bereits bestimmten Werte der lateralen und longitudinalen Koordinate eingehen. Dieses Vorgehen vereinfacht die Berechnung und beansprucht daher weniger Rechenleistung. Der lineare Teil-Klassifizierer führt eine lineare Klassifizierung aus und berechnet hierbei anhand einer linearen Gleichung die vertikale Koordinate. In die lineare Gleichung gehen die laterale und longitudinale Koordinate als Variablen ein und/oder es gehen Eingangsgrößen des Verfahrens, beispielsweise der Rollwinkel, als Variablen ein. Es wird eine lineare Interpolation durchgeführt.

Vorteilhafterweise bestimmt der erste Teil-Klassifizierer eine Wahrscheinlichkeitsverteilung der lateralen und longitudinalen Koordinate und die Erwartungswerte dieser Wahrscheinlich ^¬ keitsverteilung werden mittels des weiteren, linearen

Teil-Klassifizierers zur Bestimmung der vertikalen Koordinate herangezogen .

Vorteilhafterweise sind der erste Teil-Klassifizierer und der weitere Teil-Klassifizierer Bestandteil des Klassifizierers. Der Klassifizierer bestimmt so alle drei Raumkoordinaten. Bevorzugt umfasst der Satz von Eingangsgrößen einen gemessenen oder geschätzten Rollwinkel des Kraftfahrzeugs. Vorteilhaf- terweise geht der Rollwinkel aus der Integration des Messwertes eines Rollratensensors hervor.

Bevorzugt wird zur Bestimmung der vertikalen Koordinate der geschätzten Schwerpunktlage ein Satz von Eingangsgrößen umfassend einen Rollwinkel herangezogen. Die Verwendung des Rollwinkels ermöglicht eine besonders genaue Bestimmung der vertikalen Koordinate. Vorteilhafterweise wird mittels eines linearen

Teil-Klassifizierers aus Erwartungswerten der Wahrscheinlichkeitsverteilung der lateralen und longitudinalen Koordinate in Kombination mit dem Rollwinkel die vertikale Koordinate bestimmt .

Zur Bestimmung der räumlichen Schwerpunktlage werden vorteilhafterweise Random-Forest-Klassifizierer mit Klassifizierern, welche auf linearer Interpolation basieren, kombiniert. In stationären Kurvenfahrten wird eine Wahrscheinlichkeits- Verteilung in longitudinaler und lateraler Richtung von einem Random Forest Teil-Klassifizierer bereitgestellt, auf dessen Grundlage ein linearer Teil-Klassifizierer die Schwerpunkthöhe schätzt und die zweidimensionale Wahrscheinlichkeitsverteilung zu einer dreidimensionalen Wahrscheinlichkeitsverteilung er- gänzt.

Erfindungsgemäß umfasst das elektronische Steuergerät eine Recheneinheit, welche ein erfindungsgemäßes Verfahren durch ^¬ führt .

Vorteilhafte Ausgestaltungen der Erfindung werden im Folgenden anhand von Figuren erläutert. Es zeigen:

Figur 1 einen beispielsgemäßen schematischen Ablauf eines

Verfahrens, Figur 2 eine interne Struktur eines beispielsgemäßen Klassifizierers,

Figur 3 eine dreidimensionale Darstellung des Informati ^¬ onsgehalts beispielhafter stationärer Fahrmanöver,

Figur 4 eine Auswertung eines Schwerpunktschätzungsbei ^¬ spiels . In Figur 1 ist schematisch ein Ablauf eines Verfahrens mit

Eingangsgrößen , ψ , δ, a _x , a _y , mi _oad , φ , automatischer Erkennung eines gültigen Fahrmanövers und Mittelung der rauschbehafteten Signale und Speicherung der räumlichen Wahrscheinlichkeits ^¬ verteilungen in einem Buffer 5 dargestellt.

Die Eingangsgrößen sind beispielsgemäß die Signale Mittelwert der Raddrehzahlen ω, Gierrate ip , Lenkwinkel δ, Längs- und Querbeschleunigung a _x , a _y , Schätzwert der Fahrzeugmasse m _{l oad} und Rollwinkel φ .

Es erfolgt eine automatische Erkennung 4 eines gültigen

Fahrmanövers. Der Fahrzustand des Kraftfahrzeugs wird anhand der Eingangsgrößen Gierrate ip , Längsbeschleunigung a _x , und Querbeschleunigung a _y überwacht. Sind die Gierrate ip , Längsbe- schleunigung a _x , und Querbeschleunigung a _y über ein vorgegebenes Zeitintervall konstant, so wird ein erstes stationäres Fahr ^¬ manöver erkannt. Bevorzugt wird ein stationäres Fahrmanöver erkannt, wenn die Längsbeschleunigung a _x Null oder annähernd Null ist, wodurch auf eine konstante Geschwindigkeit geschlossen werden kann.

Zusätzlich kann auch der Lenkwinkel δ überwacht werden und ein Fahrmanöver nur als stationär erkannt werden, wenn auch der Lenkwinkel δ konstant ist. Alternativ kann die Überwachung des Lenkwinkels δ die Überwachung der Gierrate ip ersetzen. Ein Wert wird dabei als konstant angesehen, wenn die Varianz des Wertes über die vorgegebene Zeitspanne unterhalb eines

Schwellenwertes bleibt. Anhand der Werte der Gierrate ψ und Querbeschleunigung a _y wird bestimmt, um welche Art von stationärem Fahrmanöver es sich handelt: ob eine Geradeausfahrt, eine Linkskurve oder eine Rechtskurve vorliegt. Abhängig vom Resultat wird ein Klassi ^¬ fizierer aus einem Klassifizierer Geradeausfahrt 1, einem Klassifizierer Rechtskurve 2 oder einem Klassifizierer

Linkskurve 3 ausgewählt und mit dem ausgewählten Klassifizierer weiter verfahren.

In den Klassifizierer Geradeausfahrt 1 gehen beispielsgemäß die mittlere Raddrehzahl ω, die Gierrate i , sowie der Lenkwinkel δ ein .

In die Klassifizierer Rechtskurve 2 und Klassifizierer

Linkskurve 3 gehen beispielsgemäß zusätzlich zur mittlere Raddrehzahl ω, Gierrate ip, und Lenkwinkel δ auch die Querbe ^¬ schleunigung a _y , der Schätzwert der Fahrzeugmasse mi _oad und der Rollwinkel φ ein.

Durch den ausgewählten Klassifizierer 1, 2 oder 3 wird als Zwischenergebnis eine Wahrscheinlichkeitsverteilung P± (x, y, z) berechnet und im Buffer 5 abgelegt. Der Index i entspricht dem ausgewählten Klassifizierer 1, 2 oder 3.

Sobald das erste stationäre Fahrmanöver beendet ist, wird die Überwachung des Fahrzustands des Kraftfahrzeugs fortgesetzt und weitere stationäre Fahrmanöver erkannt. Für jedes erkannte stationäre Fahrmanöver wird eine neue Wahrscheinlichkeits ^¬ verteilung P± (x, y, z) berechnet und im Buffer 5 abgelegt. Bevorzugt wird für jede Art von stationärem Fahrmanöver maximal eine Anzahl k von Wahrscheinlichkeitsverteilungen P± (x, y, z) im Buffer 5 abgelegt. Beispielsweise wird insbesondere für jede Art von stationärem Fahrmanöver genau eine Wahrscheinlichkeits ^¬ verteilung P± (x, y, z) im Buffer 5 abgelegt.

Wird eine Wahrscheinlichkeitsverteilung für ein neues stati- onäres Fahrmanöver berechnet, für dessen Art bereits die maximale Anzahl von Wahrscheinlichkeitsverteilungen im Buffer 5 abgelegt ist, so wird eine bereits abgelegte Wahrscheinlichkeitsver ^¬ teilung durch die neue Wahrscheinlichkeitsverteilung ersetzt. Beispielsweise werden also maximal drei verschiedene stationäre Fahrmanöver verwendet, eines von jeder Art von Fahrmanöver.

Aus den im Buffer 5 abgespeicherten Wahrscheinlichkeitsverteilungen Pi (x, y, z) , P ₂ (x, y, z) , P ₃ (x, y, z) wird mittels einer Minimum Square Error Berechnung 6 eine geschätzte Schwer- punktlage (x, y, z) berechnet.

Die Wahrscheinlichkeitsverteilungen Pi (x, y, z) , P ₂ (x, y, z) , P3 (x, y, z) im Buffer 5 werden nach der Formel eines Bayes-Filter miteinander kombiniert. Aus der resultierenden gemeinsamen Wahrscheinlichkeitsverteilung P (x, y, z) wird der Minimum Square Error Schätzwert berechnet.

Bevorzugt erfolgt nach jedem neuen erkannten stationären Fahrmanöver eine neue Berechnung der geschätzte Schwerpunktlage (x, y, z) .

Vorteilhafterweise wird das Verfahren beendet und keine neue Berechnung der geschätzte Schwerpunktlage (x, y, z) durchge ^¬ führt, wenn ein Abbruchkriterium erfüllt ist.

Die interne Struktur der in Figur 1 aufgeführten Klassifizierer

1, 2, 3 ist in Figur 2 dargestellt. Jeder der Klassifizierer 1,

2, 3 hat beispielsgemäß eine solche Struktur. Beispielsgemäß werden die erfassten Werte der Raddrehzahl ω, der Gierrate i , des Lenkwinkels δ und der Querbeschleunigung a _y jeweils während eines erkannten stationären Fahrmanövers ge- mittelt und der jeweils gemittelte Wert als Eingangsgröße verwendet .

Beispielsgemäß werden auch der erfasste Wert des Rollwinkels φ und/oder der Schätzwert der Fahrzeugmasse mi _oad jeweils ge- mittelt .

Nach der Mittelung der Signale im stationären Zustand wird der resultierende Merkmalsvektor, der die Raddrehzahl , die Gierrate i , den Lenkwinkel δ und die Querbeschleunigung a _y , sowie einen Schätzwert der Fahrzeugmasse mi _oad umfasst, einem Random Forest Teil-Klassifizierer 20 zur Verfügung gestellt. Der Random Forest Teil-Klassifizierer 20 ermittelt eine Wahrscheinlichkeitsverteilung P (x, y) der Schwerpunktlage in longitudinaler und lateraler Richtung.

In einem Rechenschritt 23 werden die Erwartungswerte μ _χ , μ _γ der Wahrscheinlichkeitsverteilung P (x, y) bestimmt. μ _χ ist der Erwartungswert der Verteilung in longitudinaler Richtung, μ _γ in lateraler Richtung.

Auf Grundlage der Erwartungswerte μ _χ , μ _γ der Wahrscheinlich ^¬ keitsverteilung P (x, y) und unter Einbeziehung der Querbeschleunigung a _y , der geschätzten Fahrzeugmasse mi _oad und dem Rollwinkel φ wird die Wahrscheinlichkeitsverteilung in vertikaler Richtung P(z) mittels eines linearen

Teil-Klassifizierers 21 bestimmt. Durch Kombination der beiden Resultate ergibt sich die Wahrscheinlichkeitsverteilung für ein Fahrmanöver P (x, y, z) . Die erhaltene Wahrscheinlichkeits- Verteilung wird im Buffer 5 abgelegt.

Figur 3 zeigt graphisch dargestellt den Informationsgehalt beispielhafter stationärer Fahrmanöver. Im dreidimensionalen Raum möglicher Schwerpunktlagen beschreibt der Lenkwinkel δ als stärkstes Merkmal eine Schnittgerade zwischen den Flächen möglicher Schwerpunktlagen für Rechtskurven (31, 32, 33) und einer Linkskurve (30), welche genau durch den Schwerpunkt verläuft. Die Schwerpunkthöhe wird anschließend mittels des Rollwinkels φ bestimmt.

In Figur 4 ist die Auswertung einer beispielhaften Schwer- punktschätzung mit dem beispielsgemäßen Verfahren dargestellt. Es wird eine kurvenreiche Strecke mittels eines an sich bekannten Simulationsprogramms simuliert. Die Messsignale werden mit gaußschem Rauschen, beispielsweise mit dem Signal-zu-Rauschen Verhältnis SNR = 20 dB, überlagert. Die Querbeschleunigung a _y und der Rollwinkel φ sind mit und ohne Messrauschen dargestellt. Auf der Abszisse aller Diagramme i-vii ist die Zeit t aufgetragen.

Im ersten Diagramm (i) sind ein simulierter Querbeschleuni- gungsverlauf 41, sowie der gleiche Verlauf mit überlagertem Rauschen 42 dargestellt. Im zweiten Diagramm (ii) sind ein simulierter Rollwinkelverlauf 43, sowie der gleiche Verlauf mit überlagertem Rauschen 44 dargestellt. Die Zustandserkennung und die Schwerpunktschätzung werden anhand der verrauschten Signale durchgeführt .

Die Zustandserkennung 4 erkennt stationäre Fahrmanöver und teilt diese nach ihrer Art A ein. Im dritten Diagramm (iii) ist das Ergebnis der Erkennung als Verlauf 45 aufgetragen. Dabei wird die erkannte Art A auf der Ordinate als Wert ( 1 : Geradeausfahrt , 2 : Rechtskurve und 3 : Linkskurve) abgebildet. In diesem Beispiel werden fünf stationäre Manöver korrekt erkannt: Linkskurve, Rechtskurve, Geradeausfahrt, Rechtskurve, Rechtskurve.

Während ein stationäres Manöver vorliegt, werden die Signale jeweils gemittelt und bei Ende eines Manövers dem jeweiligen Klassifizierer 1, 2, 3 als einzelner Merkmalsvektor von Eingangsgrößen übergeben. In diesem Beispiel werden insgesamt fünf Klassifikationen durchgeführt, entsprechend den fünf erkannten sukzessiven stationären Fahrmanövern. Für die Schwerpunkt- Schätzung wird der MMSE-Schätzwert (x, y, z) verwendet. Es werden die Komponenten des MMSE-Schätzwertes x, y und z dargestellt in den Diagrammen iv-vi . Diese gehen in jedem Zeitschritt aus der Verknüpfung der Wahrscheinlichkeitsverteilungen P± (x, y, z) aus dem Buffer 5 hervor. In den Diagrammen iv-vi sind aufgetragen der wahre Wert der jeweiligen Koordinate (der für das Beispiel angenommene Wert) x 46, y 49, z 52 sowie der Verlauf des durch das Verfahren geschätzten Wertes x 47, y 50, z 53. Für die longitudinale Koordinate x und die laterale Koordinate y sind auch jeweils der Verlauf der Varianz der Wahrscheinlichkeitsverteilung x 48, y 51 aufgetragen.

Zu Beginn des Verfahrens entsprechen die Wahrscheinlichkeitsverteilungen für alle Koordinaten im Buffer 5 einer Gleichverteilung, bei der alle Klassen von Schwerpunktlagen als gleich wahrscheinlich angenommen werden. Daraus ergibt sich ein MMSE-Schätzwert (x, y, z) in der Mitte des Bereichs möglicher Schwerpunktlagen .

Nach der ersten Linkskurve im Beispiel wird die Wahrschein- lichkeitsverteilung P3 (x, y, z) für diese Linkskurve im Buffer 5 abgelegt und die x- und y- Komponenten 47, 50 nähern sich dem wahren Wert 46, 49. Die Klassifikationsergebnisse der nach ^¬ folgenden stationären Manöver gehen ebenso in den Buffer 5 ein. Ein Schätzfehler F, dessen Verlauf im Diagramm vii aufgetragen ist, nimmt mit jedem neuen stationären Fahrmanöver und der damit verbundenen Klassifikation ab.

Bevorzugt gilt das Abbruchkriterium für das Verfahren als erfüllt, wenn der Schätzfehler F unter einen Fehlerschwellenwert fällt.