Automotive intelligence for/at connected shared mobility (AI4CSM); Teilvorhaben: Technische Universität Dresden - "Energieversorgung und Kommunikation von hoch- und vollautomatisierten Fahrzeugen"

Abstract

Der Abschlussbericht des AI4CSM-Projekts zum Teilvorhaben „Energieversorgung und Kommunikation von hoch- und vollautomatisierten Fahrzeugen“ der Technischen Universität Dresden (TUD) beschreibt und dokumentiert die Arbeiten der beteiligten TUD-Institute:

Institut für Leichtbau und Kunststofftechnik (ILK) Institut für Nachrichtentechnik (IFN)

Zur besseren Übersicht der einzelnen Teilprojektzeile sind die dokumentierten Arbeiten im Abschlussbericht den jeweiligen Instituten zugeordnet. Analog dazu wird im Folgenden eine Kurzfassung der jeweiligen Teilprojektziele präsentiert. TUD-ILK: Induktive Ladesysteme (ILS) für Elektrofahrzeuge sind eine potentiell sinnvolle Ergänzung zur konduktiven Ladeinfrastruktur. Entsprechend ist eine Ermöglichung für automatisierte Fahrzeuge den Ladevorgang selbstständig initiieren oder darüber hinaus sogar selbstständig die Ladestation ansteuern zu können von großem Vorteil. ILS höherer Leistungsklasse basieren auf dem Prinzip der resonant induktiven Energieübertragung. Dabei wird die Energie zwischen zwei magnetisch gekoppelten Flachspulen übertragen. Prinzipbedingt führen elektromagnetische Wechselfelder zu einer unerwünschten Erwärmung umgebender elektrisch leitfähiger oder ferromagnetischer Bauteile und Objekte, wodurch die Übertragungseffizienz sinkt und es gleichzeitig zu einer starken Erwärmung dieser Objekte kommen kann. Darüber hinaus übersteigen die Magnetfelder im Luftspalt zwischen Boden- und Fahrzeugbaugruppe insbesondere bei höheren Übertragungsleistungen die Grenzwerte für die sichere Exposition von Menschen mit elektromagnetischen Wechselfeldern. In Standardisierungen wie etwa der SAE J2954 sind für solche Fälle Sicherheitseinrichtungen und -maßnahmen vorgesehen, welche bei Detektion den Start der Leistungsübertragung verhindern oder eine bestehende Leistungsübertragung abbrechen. Am ILK wurde hierzu eine Vorrichtung zur Fremdobjekterkennung auf Basis der elektrischen Zeitbereichsreflektometrie (EZBR) entwickelt. EBRZ analysiert Reflexionen kurzer elektrischer Impulse in einem Wellenleiter und reagiert damit auf lokale Änderungen der Leitfähigkeit oder Permittivität. Der Sensor detektiert sowohl metallische als auch nichtmetallische Objekte mit von Luft abweichender Permittivität, ohne zusätzliche kapazitive Sensorik. Blindzonen, Bereiche in denen prinzipbedingt keine Detektion möglich ist, können im Gegensatz zu konventionellen Sensoren reduziert oder vermieden werden, wodurch ein einfaches und kostengünstiges Sensorlayout möglich wird. Die technischen Herausforderungen liegen dabei in der konkreten Auslegung der Sensoren, sowie der Signalverarbeitung. Zum einen muss der störungsfreie Parallelbetrieb zwischen induktiver Leistungsübertragung und Fremdobjekterkennung muss stets gewährleistet bleiben, zum anderen müssen belastbare Entscheidungsmerkmale für eine zuverlässige Fremdobjekterkennung aus dem Sensorsignal extrahiert werden. Aus diesem Grund wurden zunächst parametrisierbare elektromagnetische FE-Modelle (Finite Elemente) in Comsol Multiphysics aufgebaut und mit labormaßstäblichen Prototypen validiert. Die Modelle dienten zur Analyse der Kopplungsmechanismen zwischen Wellenleiter und Fremdobjekten sowie zur Ableitung von Auslegungskriterien für eine maximale Einkopplung. Parallel dazu wurde der Einfluss des ILS-Magnetfelds auf unterschiedliche Wellenleiterdesigns untersucht und durch geeignete Filterbeschaltungen begrenzt. Zur Detektion und Lokalisation wurden künstliche neuronale Netze (KNN) eingesetzt und erforscht. Konvolutionelle Netze (CNN) erwiesen sich als besonders geeignet, da sie räumliche Muster robust erfassen. Um Trainingsdaten zu generieren wurde ein automatisierter Prüfstand aufgebaut und in Betrieb genommen. Dieser positioniert verschiedene Fremdobjekte an zufälligen Positionen auf und über dem Sensor und legt die Sensordaten strukturiert ab. Das geeignetste Sensorlayout wurde abschließend auf Demonstratorgröße skaliert und dafür notwendige Trainingsdaten generiert. Der Sensor wurde an einem Prüfstand für ILS auf einer standardisierten Bodenbaugruppe für bis zu 10 kW getestet und die Sensorfähigkeiten nachgewiesen. Insgesamt konnten alle metallischen Testobjekte mit hohen Genauigkeiten detektiert und lokalisiert werden. Nichtmetallische Gegenstände und Berührungen wurden vom Sensor ebenfalls zuverlässig erkannt. TUD-IFN: Die rechtzeitige Bereitstellung von Rechenkapazitäten und Netzwerkfunktionen in modernen Kommunikationsnetzen ist ein ungelöstes Problem. Kommerzielle Anbieter adressieren es durch Überprovisionierung und Absorption der ungenutzten Kapazitäten durch Hintergrundaufgaben eines clusters. Im Projekt lag der Fokus auf mobilen Klienten mit Aufgaben, die unter zeitlichen Randbedingungen im Netzwerk ausgeführt werden sollten. Beispiele für Klienten sind automatisiertes Fahren, und mobile Anwendungen auf Geräten mit begrenzter Rechenleistung oder Batteriekapazität. Das erfordert eine Reihe von neuartigen Lösungsansätze. Neben der Ausführung am Netzwerkrand, um die Latenzen für potentiell kritische Regelsysteme gering zu halten, wurden spezielle Charakteristiken der Aufgaben berücksichtigt. Exemplarisch wurden Applikations-Spezifische integrierte Schaltkreise (Application-Specific Integrated Circuits, ASICs) zur Beschleunigung der Inferenz von Neuronalen Netzen zunächst modelliert, später im Projektverlauf in eine cloud-native Plattform mit Industrie-standardisierter Software integriert. Derartige Aufgaben erfahren durch die nach wie vor aktuellen Trends der Künstlichen Intelligenz enorme Relevanz. Im Projekt wurde unter anderem ein systematischer Ansatz zur Beantwortung der Frage entworfen, ob Mobilfunk-Basisstationen von Telekommunikationsanbietern eher mit generischen Allzweckprozessoren, oder alternativ mit ASIC-artigen Beschleunigern für z.B. KI-Methoden ausgerüstet werden sollten. Eine Zuordnung von zu erledigenden Aufgaben auf zur Verfügung stehende Infrastruktur ist ein NP-hartes Problem. Die verschiedenen Charakteristiken finden sich ebenso in der Cloud Infrastruktur wieder. Die Provisionierung der passenden Infrastruktur, insbesondere software-definierter Komponenten und Containern mit zugehörigen Abhängigkeiten, wird von einem eigens entwickelten Operator abgewickelt. Dieser skaliert mittels eines historischen Lastprofils die laufenden Instanzen, und platziert diese auf räumlich verteilten Knoten. Das bildet die topologische Verteilung von Rechenknoten in regionalen bzw. Metro-Netzen ab. Prädiktive Provisionierung und Skalierung wird unter quantifizierten Unsicherheiten durchgeführt. Nutzer der Infrastruktur können für die Applikationen spezielle Service Level abschließen, nach denen Quantile bzw. Bänder der Standardabweichungen bewertet werden. Die Gewichtung saisonaler Komponenten wird gelernt, und das gesamte System wird kontinuierlich auf die jüngsten beobachten Ende-zu-Ende-Metriken konditioniert (“monitoring-based conditioning”). Parallel zu diesen Techniken wurde im Projekt die eigentliche Konnektivität zur Cloud analysiert. Robuste und niedrig-latente Kommunikation ist essentiell, da wenige Paketumlaufzeiten (Round Trip Times, RTTs) bereits signifikante Einbußen auf die Gesamtperformance und Zuverlässigkeit haben. Ist die Kommunikationsstrecke nicht hochverfügbar und ultra-zuverlässig, ergeben Optimierungen in der Cloud-Infrastruktur keinen Sinn mehr gegenüber den reaktiven Methoden des Stands der Technik. Im Projekt wurden Random Linear Network Codes auf innovative Art neu zusammengesetzt: dies bezieht sich auf Schemas, die adaptiv auf Kanaleigenschaften reagieren. Hierfür wurde ein Reinforcement-Learning-System eingesetzt, welches den neuen Stand der Technik in einigen Szenarios darstellt.