Human-in-the-loop Energy and Thermal Management for Electric Racing Cars through Optimization-based Control

Diese Arbeit stellt ein optimierungsbasiertes Regelungskonzept für das Energie- und Thermomanagement von Elektro-Rennwagen vor, das durch Echtzeit-Tuning eines Abbrems-Signals für den Fahrer eine nahezu optimale Leistung unter Einhaltung von Energiebudgets und thermischen Grenzen ermöglicht.

Das Wesentliche

🏎️ Der elektrische Rennwagen: Ein Marathonläufer mit einem strengen Trainer

Stell dir vor, du hast einen elektrischen Rennwagen. Das Problem bei diesen Autos ist wie bei einem Smartphone mit einem sehr schwachen Akku: Sie haben nicht unendlich viel Energie. Wenn sie leer sind, müssen sie in die Box, um zu laden. Aber Laden dauert lange!

Das Ziel der Forscher ist es also: Wie fährt man so schnell wie möglich, ohne den Akku zu leeren, bevor man in die Box muss?

Das ist wie bei einem Marathonläufer, der nicht einfach losrennen kann, wie er will. Er muss wissen: Wann darf ich sprinten? Und wann muss ich zügeln, damit ich das Ziel erreiche?

Das Problem: Der Computer ist zu schlau für den Menschen

Die Forscher haben zuerst einen super-intelligenten Computer-Algorithmus entwickelt. Dieser berechnet den perfekten Weg für das Auto. Er sagt dem Auto: „Fahre jetzt genau 84,3 % Gas, dann 12,7 % Bremsen, dann 99,2 % Gas."

Das Problem? Ein menschlicher Fahrer kann das nicht.
Wenn du im Auto sitzt und der Computer dir sagt, du sollst den Gaspedal exakt auf 84,3 % drücken, wirst du das nicht schaffen. Du würdest entweder zu viel oder zu wenig Gas geben. Und im Rennsport ist es oft verboten, dem Fahrer den Gasfuß wegzunehmen. Der Fahrer muss das Pedal selbst bedienen.

Die Lösung: „Vollgas oder Ausrollen" (Lift & Coast)

Also haben die Forscher einen cleveren Trick entwickelt. Sie sagen dem Fahrer nicht, wie viel Gas er geben soll. Stattdessen geben sie ihm nur zwei einfache Signale:

1. Vollgas! (Drück das Pedal ganz durch)
2. Ausrollen! (Lass das Pedal los und roll einfach weiter)

Das ist wie bei einem Video-Game, bei dem du nur „A" oder „B" drücken musst, aber der Hintergrund-Computer berechnet, wann du welche Taste drücken musst, um das Spiel zu gewinnen.

Wie funktioniert das?
Der Computer berechnet vorher, wo die perfekten Stellen auf der Strecke sind, um das Gas loszulassen. Er nutzt dafür eine Art „Energie-Radar".

• Stell dir vor, der Computer hat eine unsichtbare Waage im Kopf. Wenn die Waage zeigt, dass wir Energie sparen müssen, leuchtet eine Lampe im Cockpit auf: „Ausrollen!"
• Sobald die Waage wieder grün ist: „Vollgas!"

Der „Schneide-Algorithmus" (Die Bisektion)

Jetzt kommt der mathematische Teil, den wir vereinfachen:
Der Computer muss herausfinden: Ab welchem Punkt auf der Waage soll die Lampe aufleuchten?

• Ist die Schwelle zu niedrig? -> Der Fahrer rollt zu früh aus und wird zu langsam.
• Ist die Schwelle zu hoch? -> Der Fahrer rollt zu spät aus und der Akku ist leer.

Die Forscher nutzen eine Methode, die wie das Suchen nach dem perfekten Scharnier an einer Tür ist. Man probiert einen Punkt, schaut, ob es klemmt, und geht dann zur Mitte. Immer wieder, bis man den exakten Punkt findet, an dem das Auto noch schnell genug ist, aber den Akku gerade so im Ziel hat. Das passiert in Echtzeit, während das Auto fährt!

Was passiert, wenn das Rennen chaotisch wird?

Im echten Leben gibt es Störungen:

• Ein anderer Fahrer fährt vor dir und nimmt dir den Wind weg (Drafting) -> Du brauchst weniger Energie.
• Die Reifen sind abgenutzt -> Du musst vorsichtiger fahren.
• Es gibt eine Gelbe Flagge -> Du musst langsam fahren.

Der Computer im Auto ist nicht starr. Er hat einen Feedback-Mechanismus (wie ein Thermostat).

• Wenn das Auto merkt: „Hey, wir verbrauchen zu viel Energie, obwohl wir ausrollen!", dann passt er die Lampe sofort an. Er sagt dem Fahrer: „Ruf früher aus!"
• Wenn es zu viel Energie übrig hat: „Du kannst noch etwas länger Vollgas geben!"

Die Ergebnisse: Fast perfekt

Die Forscher haben drei Versionen getestet:

1. Der Voll-Profi: Der Computer berechnet alles live im Auto (sehr schnell, sehr genau).
2. Der Starre Plan: Der Computer nutzt einen festen Plan, passt sich aber ein bisschen an.
3. Der Einfache: Der Computer ignoriert Temperatur und nutzt nur einen einfachen Plan.

Das Fazit:
Selbst wenn das Auto live rechnet und sich an Störungen anpasst, ist es nur winzig wenig langsamer (etwa 0,05 % bis 0,2 %) als wenn ein Computer im Vorhinein alles perfekt berechnet hätte und alle Störungen gekannt hätte.

Das ist wie bei einem Marathonläufer, der trotz Regen und Gegenwind nur 2 Sekunden langsamer ist als bei perfektem Wetter. Das ist ein riesiger Erfolg!

Warum ist das wichtig?

Früher mussten Rennwagen entweder autonom fahren (ohne Fahrer) oder die Fahrer fuhren einfach „nach Gefühl". Diese Forschung zeigt, wie man menschliche Fahrer mit Computer-Intelligenz zusammenbringt. Der Computer ist der taktische Stratege, der Fahrer ist der Athlet.

Das bedeutet: In Zukunft könnten elektrische Rennwagen (und vielleicht bald auch unsere normalen Autos) so effizient fahren, dass wir endlich lange Strecken ohne ständiges Laden schaffen – und das alles, während ein Mensch am Steuer sitzt und Spaß hat.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Human-in-the-loop Energy and Thermal Management for Electric Racing Cars through Optimization-based Control" auf Deutsch:

1. Problemstellung

Elektro-Rennwagen stehen vor der Herausforderung einer begrenzten Reichweite aufgrund der geringeren Energiedichte von Batterien im Vergleich zu Verbrennungsmotoren. Im Motorsport ist das Ziel nicht nur die Minimierung des Energieverbrauchs (wie bei Straßenfahrzeugen), sondern die Minimierung der Rundenzeit unter Einhaltung von Energie- und thermischen Budgets pro „Stint" (einem Abschnitt zwischen zwei Boxenstopps).

Das zentrale Problem besteht darin, eine optimale Energieverwaltungsstrategie zu entwickeln, die:

• In Echtzeit berechenbar ist (über einen gesamten Stint von ca. 47 km).
• Thermische Einschränkungen (Motortemperatur, Batterietemperatur) berücksichtigt.
• Sicher mit einem menschlichen Fahrer interagiert. Herkömmliche optimale Trajektorien erfordern oft eine kontinuierliche, glatte Anpassung der Leistungsabgabe, was für Fahrer schwer zu folgen ist und gegen Rennvorschriften verstoßen kann, die das Überschreiben der Fahrereingaben verbieten.

2. Methodik

Die Autoren schlagen einen mehrstufigen, optimierungsbasierten Regelungsansatz vor, der als Shrinking-Horizon Model Predictive Controller (MPC) implementiert wird.

A. Grundlegende Modellierung

• System: Ein elektrischer Rennwagen mit Batterie, Inverter, Elektromotor und festem Getriebe.
• Zustandsgrößen: Kinetische Energie ($E_{kin}$), Batterieladung ($E_b$), Motortemperatur ($\vartheta_m$) und Batterietemperatur ($\vartheta_b$).
• Optimierungsraum: Das Problem wird im Ortsraum ($s$) formuliert, um die Dynamik entlang der Strecke zu modellieren.
• Konvexe Optimierung (Problem 1): Zuerst wird ein globales Optimum unter Verwendung eines konvexen Modells berechnet. Dies dient als Referenz und liefert den kinetischen Kostenvektor (co-state) $\lambda_{kin}$, der die Sensitivität der Gesamtzeit gegenüber Änderungen der kinetischen Energie angibt.

B. Anpassung für den menschlichen Fahrer (Lift & Coast)

Da Fahrer keine glatten Leistungsprofile folgen können, wird das Problem so umformuliert, dass der Fahrer nur zwei Modi hat: Vollgas (Full-throttle) oder Ausrollen (Coast/Lift-off).

• Strategie: Anstatt die Motorleistung kontinuierlich zu regeln, wird dem Fahrer ein Signal gegeben, wann er vom Gas gehen soll.
• Schwellenwert-Tuning: Die Positionen, an denen das Ausrollen beginnt, werden durch einen Schwellenwert $\lambda^*$ auf dem kinetischen Kostenvektor $\lambda_{kin}$ bestimmt.
  • Wenn $\lambda_{kin}(s) \ge \lambda^*$ und der Fahrer Vollgas gibt $\rightarrow$ Signal zum Ausrollen.
• Bisektionsalgorithmus: Ein Online-Algorithmus sucht den optimalen Schwellenwert $\lambda^*$, der die Stint-Zeit minimiert, ohne die kinetischen Grenzen (Haftgrenzen) zu verletzen.
• Rückkopplung (Feedback): Ein PI-Regler passt den Schwellenwert basierend auf Abweichungen der gemessenen Zustände (Energie, Temperatur) von der vorhergesagten Trajektorie an, um Störungen (z. B. Wind, Reifenverschleiß) zu kompensieren.

C. Implementierungsvarianten

Das Paper vergleicht drei Varianten hinsichtlich der Rechenlast auf dem Fahrzeug-ECU:

1. Fully Online: Das gesamte Framework (konvexer Solver + Bisektion) läuft auf dem Auto.
2. Fixed $\lambda_{kin}$: Die Kostenvektor-Trajektorie ist vordefiniert; nur der Schwellenwert wird online angepasst.
3. Fixed $\lambda_{kin}$ & $\lambda^*$: Sowohl Trajektorie als auch Schwellenwert sind fixiert; die Regelung basiert nur auf einem einfachen Energie-Feedback (keine thermische Regelung).

3. Wichtige Beiträge

• Echtzeitfähigkeit: Berechnung einer global optimalen Trajektorie über 47 km in nur 2,5 Sekunden unter Verwendung von Second-Order Conic Programming (SOCP).
• Human-in-the-Loop Design: Entwicklung einer Methode, die optimale Energieverwaltung mit den physischen und regulatorischen Grenzen menschlicher Fahrer vereint (diskontinuierliche Gaspedalstellung).
• Thermisches Management: Integration von Temperaturgrenzen in die Echtzeit-Optimierung, was in früheren Arbeiten oft vernachlässigt wurde.
• Robustheitsanalyse: Systematischer Vergleich verschiedener Implementierungstiefe unter realistischen Störgrößen (Drafting, Reifenverschleiß, Gelbe Flagge).

4. Ergebnisse

Die Simulationen basierten auf einem Elektro-Endurance-Rennwagen (InMotion) auf dem Circuit Zandvoort.

• Verlust durch Fahrerbeschränkungen: Die Anpassung auf „Vollgas oder Ausrollen" führt im Vergleich zur theoretisch glatten optimalen Lösung zu einem Zeitverlust von nur 0,3–0,4 %. Dies wird als akzeptabel erachtet.
• Robustheit gegenüber Störungen:
  • Die Fully Online-Methode ist am robustesten und verliert im Vergleich zu einer Offline-Optimierung mit Vorwissen über Störungen nur 0,056 % bis 0,22 % der Stint-Zeit.
  • Methoden mit fixierten Trajektorien verlieren etwas mehr (0,1–0,22 %), bleiben aber im Bereich typischer Rennabweichungen.
  • Bei extremen Szenarien (z. B. Gelbe Flagge) zeigen fixierte Trajektorien Schwächen (z. B. Ausrollen bei zu niedriger Geschwindigkeit), die jedoch durch heuristische Bedingungen (Mindestgeschwindigkeit) behoben werden können.
• Konsistenz: Die Ausrollpunkte bleiben über mehrere Runden hinweg sehr konsistent, was dem Fahrer hilft, das Signal intuitiv zu verstehen.

5. Bedeutung und Ausblick

Dieses Paper liefert einen entscheidenden Schritt hin zur praktischen Umsetzung von fortschrittlicher Energieverwaltung in elektrischen Rennwagen.

• Es beweist, dass komplexe, thermisch begrenzte Optimierungen in Echtzeit auf Rennfahrzeugen möglich sind.
• Der Ansatz ist sicher für den Einsatz mit menschlichen Fahrern und respektiert die Rennvorschriften.
• Die geringen Zeitverluste im Vergleich zum theoretischen Optimum machen die Methode wettbewerbsfähig.
• Die hohe Recheneffizienz eröffnet Möglichkeiten für übergeordnete Strategien (z. B. Optimierung der Stint-Längen und Ladezeiten) und das „Warm-Starten" von hochpräzisen Modellen.

Zusammenfassend stellt die vorgestellte Framework eine robuste, sichere und rechen-effiziente Lösung dar, die die Lücke zwischen theoretischer optimaler Steuerung und der praktischen Anwendung im elektrischen Motorsport schließt.