Real-Time Preview Control of Active Suspensions Under Actuation Limits via Learned MPC Surrogates and Online Identification

Jedes Fahrzeug, das über eine Straße fährt, begegnet einer konstanten, erschütternden Realität: Der Boden ist selten eben. Wenn ein Auto auf eine Bodenwelle trifft, bewegen sich die Räder auf und ab, und ohne Intervention überträgt sich diese Bewegung direkt auf die Passagiere, was zu einer holprigen, unbequemen Fahrt führt. Jahrzehntelang haben Ingenieure versucht, dies mit passiven Systemen zu lösen, die Gummipads und mechanische Federn verwenden, um einen Teil des Schocks zu absorbieren. Später entstanden semi-aktive Systeme, die ihre Steifigkeit oder Dämpfung anpassen konnten, um auf die Straße zu reagieren, aber diese basierten immer noch auf der Reaktion des Autos auf eine Bodenwelle, nachdem diese bereits getroffen worden war. Das ultimative Ziel war schon immer ein aktives Fahrwerk, ein System, das Motoren und Sensoren nutzt, um die Karosserie in die entgegengesetzte Richtung einer Bodenwelle zu drücken und so die Vibration effektiv zu eliminieren, bevor die Passagiere sie überhaupt spüren. Während diese Technologie ein sanfteres Fahrgefühl und bessere Sicherheit verspricht, blieb sie ein Luxusmerkmal, das nur in den teuersten Autos zu finden ist. Die primäre Barriere war ein schwieriger Kompromiss: Die Computer, die erforderlich sind, um die perfekte Gegenbewegung in Echtzeit zu berechnen, sind für Standard-Automobilchips zu langsam, und die Motoren, die genug Kraft erzeugen müssen, sind oft zu groß oder zu energiehungrig für die Massenproduktion.

Ein Forschungsteam der Ben-Gurion-Universität des Negev und des Guangdong Technion-Israel Institute of Technology hat einen neuen Weg vorgeschlagen, um diese Lücke zu schließen. Sie entwickelten ein Steuerungssystem, das die mathematische Präzision fortgeschrittener Planung mit der Geschwindigkeit eines gelernten neuronalen Netzes kombiniert und dabei die physikalischen Grenzen der Motoren des Autos respektiert. Ihre Arbeit, die durch detaillierte Computersimulationen getestet wurde, legt nahe, dass es möglich ist, die Geschmeidigkeit eines perfekten, idealen Fahrwerks zu erreichen, ohne Supercomputer oder unendliche Energie zu benötigen. Die entscheidende Erkenntnis ist, dass das System nicht nur auf die Straße reagiert, sondern vorausblickt. Durch die Nutzung eines „Vorausschau“-Modells der Straßenoberfläche – Daten über Bodenwellen, die erst in einigen Metern Entfernung liegen – kann der Controller seine Bewegungen im Voraus vorbereiten. Die Forscher fanden jedoch eine kritische Nuance: Diese Vorausschau-Fähigkeit ist genau dann am vorteilhaftesten, wenn die Motoren schwach oder gesättigt sind. Wenn die Aktuatoren stark sind, können sie einfach auf Störungen reagieren, aber wenn sie begrenzt sind, ermöglicht die Fähigkeit des Vorausschauens dem System, seine begrenzte Kraft früher in der Zeit umzuverteilen, was die Vorausschau-Information weitaus wertvoller macht als in unbeschränkten Szenarien.

Um dieses System praktikabel zu machen, befassten sich die Forscher mit dem Problem der Geschwindigkeit. Der genaueste Weg, das Fahrwerk zu steuern, ist eine Methode namens modellprädiktive Regelung (Model Predictive Control), die ständig die bestmögliche Aktion für die nächsten Sekunden berechnet. In einer perfekten Welt wäre diese Berechnung instantan, aber in der Realität dauert sie zu lange für ein Auto, das mit Autobahngeschwindigkeit fährt. Die Forscher lösten dies, indem sie ein neuronales Netz trainierten, eine Form der künstlichen Intelligenz, um die Entscheidungen des langsamen, perfekten Rechners nachzuahmen. Sie fütterten das neuronale Netz mit tausenden Beispielen der Aktionen des idealen Controllers und brachten es bei, die Straßenbedingungen und den Zustand des Autos zu erkennen und mit der gleichen Präzision zu reagieren. Einmal trainiert, fungiert dieses neuronale Netz als „Surrogat“ (Ersatzmodell) und trifft Entscheidungen fast achtzigmal schneller als die ursprüngliche Methode. Diese Beschleunigung ist signifikant genug, damit das System auf den Standard-Computerchips laufen kann, die in modernen Fahrzeugen zu finden sind, anstatt spezialisierte, teure Hardware zu erfordern.

Die Studie befasste sich auch mit einem häufigen Problem beim realen Fahren: Das Gewicht eines Autos ändert sich. Ein Fahrzeug mit einer vollen Ladung an Passagieren und Gepäck ist schwerer als eines, das leer ist, und diese Änderung verändert das Verhalten des Fahrwerks. Ein Controller, der für ein leeres Auto konzipiert wurde, wird bei einem vollen Auto schlecht funktionieren. Um dies zu handhaben, fügte das Team ein Online-Identifikationsmodul hinzu, das das aktuelle Gewicht des Fahrzeugs während der Fahrt kontinuierlich schätzt. Durch die Einspeisung dieser aktualisierten Informationen in das neuronale Netz passt das System seine Strategie im laufenden Betrieb an. In ihren Simulationen reduzierte dieser adaptive Ansatz die Vibrationen, die von den Passagieren gespürt wurden, um zusätzliche zweiunddreißig Prozent im Vergleich zu einem System, das davon ausging, dass sich das Gewicht nie ändert.

Die Forscher testeten ihre Methode gegen eine Standard-Baseline unter verschiedenen Straßenbedingungen, von glatten Oberflächen bis hin zu rauen, unebenen Gelände und sogar spezifischen Hindernissen wie Bodenwellen. Sie simulierten ein Viertel eines Fahrzeugs, wobei sie sich auf die vertikale Bewegung eines einzelnen Rades und des darüber liegenden Aufbaus konzentrierten, und erweiterten den Test später auf ein Halbfahrzeugmodell, das die Nickbewegung des gesamten Autos beinhaltete. Die Ergebnisse zeigten, dass das neue System traditionelle Methoden konsistent übertraf. Wenn die Motoren genügend Leistung hatten, reduzierte das vorausschauende System die Vibrationsbeschleunigung um zwölf Prozent im Vergleich zu einem Standard-Feedforward-Controller. Im spezifischen Fall des Überfahrens einer Bodenwelle war die Verbesserung noch dramatischer: Mit einem Vorausschau-Fenster von 0,7 Sekunden erreichte das System eine Reduktion der Vibrationsbeschleunigung um 57 % im Vergleich zur Baseline. Das System arbeitete dadurch, dass es begann, die Karosserie nach oben zu drücken, noch bevor das Rad die Bodenwelle berührte – ein proaktiver Schritt, der verhinderte, dass der Motor überfordert wurde.

Dennoch offenbarte die Studie auch eine fundamentale Grenze. Die Forscher fanden heraus, dass der Nutzen des Vorausschauens auf die Straße maximiert wird, wenn die Motoren schwach sind und nahe an ihren Leistungsgrenzen arbeiten. Wenn die erforderliche Kraft, um die Fahrt zu glätten, das maximale Limit des Motors überschreitet, sättigt das System; unter diesen beschränkten Bedingungen wird die zusätzliche Information über die Straße vor dem Fahrzeug entscheidend, da sie es dem Controller ermöglicht, den Einsatz seiner begrenzten Kraft zu optimieren. Umgekehrt, wenn die Aktuatoren extrem stark sind und niemals sättigen, nimmt der Vorteil der Vorausschau ab. Dieser Befund liefert Ingenieuren eine klare Richtlinie: Um die Vorausschau-Steuerung effektiv zu machen, muss die Hardware nicht unendlich leistungsstark sein, aber die Steuerungsstrategie muss so konzipiert sein, dass sie die Vorausschau gezielt nutzt, um die Einschränkungen der Aktuatoren zu überwinden. Das Team stellte auch fest, dass ein zu weit in die Zukunft blickendes System nicht hilft; ein Vorausschau-Fenster von etwa einer halben Sekunde war ausreichend, um die notwendigen Informationen für die getesteten Frequenzen der Bodenwellen zu erfassen. Eine Erweiterung des Blickfeldes über diesen Punkt hinaus erhöhte die Rechenlast, ohne die Fahrt zu verbessern.

Das Paper kommt zu dem Schluss, dass die Methode zwar noch nicht an einem physischen Fahrzeug getestet wurde, die Simulationsergebnisse jedoch robust sind und auf einen gangbaren Weg für eine Massenadoption hindeuten. Der Ansatz bietet eine Möglichkeit, die Leistung eines komplexen, optimalen Steuerungssystems ohne die hohen Rechenkosten zu erhalten, was das aktive Fahrwerk zu einer realistischeren Option für Alltagsautos macht. Durch die Kombination der Vorausschau eines Preview-Controllers, der Geschwindigkeit eines gelernten neuronalen Netzes und der Anpassungsfähigkeit der Echtzeit-Gewichtserkennung haben die Forscher ein System demonstriert, das eines Tages jede Fahrt so geschmeidig wie die einer Luxuslimousine machen könnte, unabhängig von den Straßenbedingungen oder der Anzahl der Passagiere.