Positionsbestimmung und Umfelderkennung

Autonom auf der Rennstrecke in der Formula Student

13. September 2019, 11:10 Uhr | Von Eva Herrmann und Julius Rückin

Das TUfast Racing Team ist das studentische Rennteam der TU München. Jedes Jahr vereinigen sich Studenten aller Ingenieursrichtungen, um neben einem Elektro-Rennauto auch einen autonom fahrenden Rennwagen zu entwickeln. Die Jungingenieure profitieren dabei von Kooperationspartnern aus der Industrie.

Die Formula Student ist ein Motorsportwettbewerb für Studierende in Europa und ermutigt Studententeams, ihre selbstgebauten Rennwagen miteinander zu messen. Die Wettbewerbe werden weltweit nach ähnlichen Regeln durchgeführt, sodass die Teams mit ihren entwickelten Rennfahrzeugen an mehreren, internationalen Wettbewerben teilnehmen können. Austragungsorte sind bekannte Rennstrecken wie beispielsweise Silverstone, der Hockenheimring oder auch der Circuit de Barcelona-Catalunya.

Entscheidend über den Erfolg ist aber nicht nur die höchste Geschwindigkeit. Neben den dynamischen Bewertungen (wie Beschleunigung, Brems- und Fahreigenschaften) werden auch statische Aspekte berücksichtigt – das beste Gesamtpaket aus Leistung, Ingenieurkunst und Business-Modell ist ausschlaggebend. Zu den statischen Aspekten zählen unter anderem die Gesamtkosten, die Wartungsfreundlichkeit und auch die Zuverlässigkeit.
Die Rennserie ist in nachfolgende drei Kategorien aufgeteilt:

Combustion (Rennwagen mit Verbrennungsmotor)
Driverless (Autonomes Rennauto)
Electric (E-Rennfahrzeug)

Die Technische Universität München ist in den Kategorien Driverless und Electric mit einem eigenen Rennwagen vertreten – im Jahr 2017 war das Rennteam noch in allen drei Klassen am Start. Das TUfast Racing Team umfasst aktuell 70 aktive Mitglieder – die Hälfte davon arbeitet am autonomen Rennwagen »db019«. Im Team unterteilen sich die Mitglieder auf die Bereiche Autonome Software, Fahrwerk, Aufhängung und Aerodynamik.

Der Wettbewerb wird von der Industrie und Ingenieuren gefördert, um rennsportbegeisterte Studierende weiterzubilden und junge Leute zu ermutigen, einen Ingenieurberuf zu ergreifen. So unterstützt beispielsweise DTC Navigation & Security Solutions die Studierenden in den Bereichen GPS, Optimierung, Rauschen, Frequenzen oder auch mit einer freien Testfläche für das autonome Fahrzeug. Das Ziel ist, innerhalb von acht Monaten das Rennauto zu entwickeln, zu bauen und zu testen.

Herausforderung der Kategorie »Driverless«

Jeden Sommer finden auf europäischen Rennstrecken unterschiedliche Rennen statt, an denen auch das Team der Uni München teilnimmt.

Die Kategorie »Driverless« ist erst seit 2016 Bestandteil der Rennserie und seit 2017 ist das Rennteam der TU München mit einem autonomen Rennwagen der »db«-Reihe vertreten. Der Wettbewerb besteht dabei aus insgesamt acht Disziplinen (Bild 1).

Bei nachfolgenden dynamischen Disziplinen ist im Vorfeld die genaue Strecke lediglich teilweise bekannt:

»Accelaration« – eine Gerade wird mehrfach ausgefahren
»SkidPad« – eine liegende Acht wird mehrfach ausgefahren
»Autocross« – unbekannte Strecke muss erkannt und eine Runde abgefahren werden
»Trackdrive« – Man muss eine unbekannte Strecke erkennen und zehn Runden fahren. Hier geht es darum, schnell die Ideallinie zu finden und jede Runde schneller zu werden.

Darüber hinaus gibt es die sogenannten statischen Disziplinen. So wird beispielsweise im »Business Plan« eine fiktive Geschäftsidee entwickelt und vor potenziellen Investoren präsentiert. Im Bereich »Cost Report« wird das wirtschaftliche Verständnis der Teilnehmer geprüft, Make-or-buy-Entscheidungen getroffen und Produktionskosten verglichen. Durch den Mix aus dynamischen und statischen Bewertungen ist ein interdisziplinärer Zusammenschluss der Studierenden erforderlich: Ingenieure aus der Mechanik und der Elektrotechnik werden ebenso benötigt wie Wirtschaftsingenieure oder Business- und Mediastudenten.

Schlussendlich gilt das »Engineering Design« als Königsdisziplin des Wettbewerbs. Hier erklären und begründen die Jungingenieure ihr Fahrzeugkonzept mit den unterschiedlichen Sensoren (Bild 2). Eine präzise Lokalisierung zählt beim autonomen Fahren zu den wichtigsten Punkten – im Design und auf der Strecke. Das OxTS RT4003 ermöglicht dabei eine Positionsbestimmung out-of-the-box mit einer Genauigkeit auf bis zu 0,5 cm.

Umfelderkennung

Besonders im Erkennungsmodul sind hochpräzise Lokalisierungsdaten für den eingebauten LiDAR-Sensor essenziell. Der statische Offset zur GPS-Einheit ermöglicht es, die gescannten Positionen direkt in Relation zur Fahrzeugposition zu setzen. Somit lassen sich Ungenauigkeiten in der Datenverarbeitung reduzieren. Außerdem werden die »Frames« eines Rotations-LiDARs während einer schnellen Fortbewegung zwangsläufig verzerrt, da die Punkte während einer Umdrehung über 50 - 100 ms akkumuliert werden. Die hochfrequenten Positions-Updates und präzisen Geschwindigkeitsinformationen des OxTS RT4003 können die Verzerrungen über den Zeitstempel je gescannten Punkt und zugehöriger Fahrzeugposition herausrechnen.

Zur Speicherung der unbekannten Rennstrecke wird während der ersten Runden eine Karte der Rennstreckenmarkierung angelegt und die Lokalisierung des Rennwagens über die gesamte Strecke gespeichert. Die Kartierung unterstützt bei der Generierung schnellerer Rundenzeiten, sobald die Rennstrecke nach einer ersten Runde bekannt ist. Die Kartierung und Lokalisierung werden dabei über verschiedene Sensordaten berechnet – beispielsweise von Beschleunigungssensoren, Geschwindigkeitssensoren und OxTS RT4003.

Von großer Bedeutung ist hierbei die genaue Positionsinformation des Präzisions-Inertialnavigationssystems. Die anderen Sensoren können lediglich indirekt die Position des Autos im Raum ausgeben, sodass durch Integration ein fortlaufend größer werdender Fehler entstehen würde.

Durch Anwendung der Messeinheit wird sichergestellt, dass die gemittelte Positionierung über die Sensorik auch über lange Zeiträume sehr präzise und zuverlässig bleibt. Besonders stabilisierend zur Positionierung durch das leistungsstarke globale Navigationssatellitensystem (GNSS) oder inertiale Navigationssystem (INS) ist der integrierte und hocheffiziente Kalman-Filter, mit dessen Hilfe sich aus GPS-Position und Beschleunigungssensorik direkt im RT4003 eine genaue Positionierung, die Geschwindigkeit und Beschleunigung in allen Dimensionen ableiten lässt. Ohne zusätzlichen Implementierungsaufwand lassen sich so hochstabile Positionen auch in fahrdynamischen Grenzbereichen mit enorm hohen lateralen und longitudinalen Beschleunigungskräften extrahieren (Bild 3).