KI-Verfahren zur Verbrauchsoptimierung im One-Pedal-Driving

Ausgangssituation

Die Firma ARADEX AG aus Lorch entwickelt elektromobile Antriebslösungen für Nutzfahrzeuge, Baumaschinen und marine Anwendungen. Neben den innovativen Hardwarelösungen bietet ARADEX ihren Kunden bereits verschiedene Softwarelösungen an. Diese Software-Services sollen nun mittels intelligenter KI-Verfahren erweitert werden. Anfallende Daten im Antriebsstrang sollen durch Software-Services ausgewertet werden und so unter anderem die verbleibende Reichweite der aktuellen Batterieladung vorhergesagt oder schädliches Nutzungsverhalten für die Batterielebensdauer identifiziert werden.

Problemstellung

Zur verbesserten Reichweitenprädiktion und längeren Batterielebensdauer soll das individuelle Fahrerverhalten anonymisiert erfasst und weiterverarbeitet werden. Im von ARADEX bereitgestellten Antriebsstrang – mit Umrichter und Motor – fallen dafür zahlreiche relevante Daten an. Mittels KI-Verfahren sollen aus diesen Daten Fahrerprofile bzw. Fahrstile abgeleitet werden. Im Rahmen des QuickChecks wurden erste Ansätze konzipiert und Abschätzungen zu den jeweils notwendigen Datenmengen gegeben.

Lösungsansatz

Bei der Fragestellung handelt es sich um ein Klassifikationsproblem, bei dem ein in den Daten implizit erfasstes Fahrerverhalten identifiziert werden muss. Deshalb wurden in den Daten zunächst Identifikatoren für das Fahrerverhalten gesucht. Während Geschwindigkeiten und Bremsvorgänge nicht direkt auf das Fahrerverhalten schließen lassen, da diese auch durch andere Verkehrsbedingungen beeinflusst werden, lässt sich die Betätigung des Gaspedals direkt auf den Fahrer zurückführen. Deshalb bestand ein Lösungsansatz darin, die Dauer und Stärke der unterschiedlichen Gaspedalbetätigungen zu klassifizieren. Zudem wurden komplexere Features hergeleitet, die z. B. das vom Fahrer nicht genutzte Rekuperationspotential aus den mechanischen Bremsbetätigungen quantifizieren sollen. Ausgehend von den im QuickCheck verfolgten Ansätzen wurden geeignete KI-Verfahren auf Basis von neuronalen Netzen, genauer Long Short-Term Memory-Netzen, identifiziert, die mit größeren Datenmengen hohe Genauigkeiten versprechen.

QuickCheck-Ergebnisse

Der QuickCheck hat ergeben, dass eine Fahrerklassifikation für einen One-Pedal-Drive möglich ist. Manuell eingefahrene Fahrstile, wie ein aggressiver Fahrstil oder normaler Pendelverkehr, konnten zuverlässig unterschieden werden. Zudem konnte gezeigt werden, dass für das Heranziehen weiterer Signale und das Festlegen von Grenzwerten zusätzliche gelabelte Daten notwendig sind, um die konzipierten Methoden für den Praxiseinsatz robuster zu machen. Die Ergebnisse des QuickChecks sind vielversprechend, sodass die Ansätze nun weiterverfolgt werden sollen. Im QuickCheck wurden zusätzlich Fragen zur Datenaufnahme, -anreicherung, -speicherung und -labeling geklärt, um ein nachhaltiges und effizientes Datensammeln seitens ARADEX zu ermöglichen.