Accuracy of friction estimation during driving

Accuracy of online friction estimation depends on the ability of the sensors to capture information about the current interaction between road and tire. Sensors have different characteristics and limitations, so depending on the situation their contribution varies. In this work we investigated the construction of a model that maps a driving situation (represented as sensor data time series) to the accuracy of friction estimation that can be expected for this particular situation. To train such a model from data, we used Echo State Networks, a method for constructing and training large Recurrent Neural Networks.

Die Genauigkeit, mit der die Bodenhaftung eines Fahrzeugs auf einer Fahrbahn während der Fahrt abgeschätzt werden kann, hängt von den Fähigkeiten der verwendeten Sensorik ab. Sensoren haben unterschiedliche Charakteristiken und Beschränkungen, die je nach Fahrsituation ihre Aussagekraft und damit auch die Genauigkeit des Bodenhaftungsschätzung beeinflussen. In dieser Arbeit untersuchen wir die Möglichkeit, von der aktuellen Fahrsituation nicht nur die aktuelle Bodenhaftung zu schätzen, sondern auch die Genauigkeit dieser Schätzung. Um aus den Sensor-Daten die aktuelle Fahrsituation wird ein Verfahren zur Zeitreihen-Analyse verwendet, nämlich "Echo State Networks", ein Verfahren zur Konstruktion und Training von großen Rekurrenten Neuronalen Netzwerken.