Knstliche neuronale Netzwerke zur adaptiven Fahrdynamikregelung [Paperback]

In dem vorliegenden Buch wird der Einsatz eines hybriden Regelungskonzeptes f?r die Fahrdynamikregelung eines autonomen Versuchstr?gers untersucht. Dabei wird ein modellbasierter, kaskadierter Querdynamikregler um ein k?nstliches neuronales Netzwerk (KNN) erweitert. Das KNN wird ohne Vorwissen implementiert und aktiv im geschlossenen Regelkreis trainiert. Die Untersuchungen werden dabei sowohl in Simulationen, als auch in einem realen Versuchstr?ger durchgef?hrt. Die Versuche zeigen das Leistungsverm?gen des hybriden Regelungskonzeptes. Bei geringer Fahrzeugdynamik ist eine pr?zise Fahrzeugf?hrung auch ohne KNN m?glich. Bei hoher Dynamik resultieren jedoch Abweichungen vom Sollkurs, die durch das iterativ lernende Netzwerk schrittweise reduziert werden. Durch die situationsabh?ngige Optimierung der Netzwerkgewichte wird der Einfluss des systematischen Fehlers des zu Grunde liegenden Modells kompensiert und die Regelg?te verbessert. Dieses Verhalten kann durch geeignete Auswahl derDesignparameter des KNN f?r jedes der betrachteten Szenarien aufgezeigt werden. Die Anpassung der Netzwerkgewichte erm?glicht sowohl im Fehlerfall als auch bei hoher Fahrzeugdynamik und ungenauer Systemidentifikation eine Verbesserung der Regelg?te im Vergleich zum rein modellbasierten Basisregler.

Motivationund Stand der Technik.- Theorie k?nstlicher neuronaler Netzwerke.- Adaptive Fahrdynamikregelung.- Effekte auf die Adaptionsgeschwindigkeit des KNN im geschlossenen Regelkreis.- Langzeitstabilit?t des neuronalen Netzwerkes im geschlossenen Regelkreis.- Auswertung der Fahrversuche.

Jonas Kaste studierte Maschinenbau mit der Vertiefungsrichtung Luft- und Raumfahrttechnik an der TU Braunschweig und promovierte berufsbegleitend in der Konzernforschung eines Automobilherstellers.In dem vorliegenden Buch wird der Einsatz eines hybriden Regelungskonzeptes f?r die Fahrdynamikregelung eines autonomen Vlãµ