// HEISE ONLINE — HARDWARE & GADGET
Fahrrad-Assistent unterscheidet zwischen Kurvenfahrten und möglichem Umkippen
Ein Steer-by-Wire-Fahrrad ermöglicht die zuverlässige Unterscheidung zwischen Kurvenfahrten und instabilen Fahrzuständen, was die Fahrsicherheit erhöht.
(Bild: Hiroaki Kuwahara / Shibaura Institute of Technology)
This article is also available in
English.
It was translated with technical assistance and editorially reviewed before publication.
Ein Forschungsteam des japanischen Shibaura Institute of Technology (SIT) hat ein fahrerintensionsbewusstes Kontrollsystem für zweirädrige Fahrzeuge wie etwa Fahrräder entwickelt, das zwischen Kurvenfahrten und möglichem Umkippen unterscheiden kann. Je nach Fahrzustand kann so bei Bedarf eine Stabilisierungsunterstützung aktiviert werden, um einen Sturz zu vermeiden.
Herkömmliche Stabilitätskontrollsysteme können lediglich auf die Fahrzeugbewegung reagieren. Bei zweirädrigen Fahrzeugen ist dadurch jedoch kaum ein Unterschied zwischen einer Neigung bei einer Kurvenfahrt und einer anfänglichen Neigung beim Wegrutschen auszumachen. Entsprechend schwierig ist es zu erkennen, wann ein Stabilitätssystem eingreifen soll und wann nicht.
Die Wissenschaftler des SIT haben einen anderen Ansatz gewählt, der die Intention des Fahrers erkennt und nicht auf die Kraftrückkopplung durch die Fahrzeugbewegung setzt. Die Forscher haben ein Steer-by-Wire-Fahrrad entwickelt, das die Lenkbewegungen des Fahrers elektronisch erfasst und in Steuerungssignale für eine elektromotorische Lenkung umsetzt. Mit den gemessenen Steuerungssignalen können das Lenkverhalten und die Interaktion zwischen Fahrern und Fahrrad erfasst und ausgewertet werden, wie die SIT-Wissenschaftler in der Studie „Rider-Intent-Aware Scenario-Adaptive Stabilization Control for a Steer-by-Wire Bike“ schreiben, die in IEEE/ASME Transactions on Mechatronics erschienen ist. Das natürliche Lenkgefühl bleibe dabei erhalten.
Das Steer-by-Wire-System koppelten die Forscher mit einem maschinellen Lernsystem zur Klassifizierung der Fahrerabsichten. Mittels eines „Long Short-Term Memory“-Netzwerks (LSTM), ein Modell des maschinellen Lernens, werden Muster in den zeitabhängigen Steuerungsdaten erkannt und ausgewertet. Die Forscher nutzten vor dem Training des Systems ein K-Means-Clustering, ein unüberwachtes Lernverfahren, mit dem sie die Fahrdaten in die drei Kategorien Geradeausfahren, Kurvenfahren und Instabilität einteilen können.
Bei Fahrversuchen analysierte das LSTM-Modell verschiedene Variablen, wie etwa Lenkwinkel, Fahrzeuggeschwindigkeit, Rollwinkel, Querbeschleunigung und Reaktionsmoment. Dadurch können sowohl der Zustand des Fahrrads als auch die Interaktion zwischen dem Fahrer und dem Fahrzeug erfasst werden. Das System lernt so, Fahrsituationen in Echtzeit zu erkennen.
Die Forscher testeten das System in Fahrversuchen, bei denen sie absichtliche Kurvenfahrten durch- und instabile Fahrzustände herbeiführten. Das System konnte dabei zwischen beiden Fahrzuständen zuverlässig unterscheiden, obwohl in beiden Fällen Schräglagen vorliegen. Mit diesen Informationen steuerten die Forscher eine automatische Stabilisierungsunterstützung an, die nur bei instabilen Fahrzuständen eingriff, um das Gleichgewicht des Fahrzeugs wiederherzustellen und die Kontrolle über das Fahrrad sicherzustellen. Das natürliche Fahrverhalten werde durch das System nicht beeinträchtigt, betonen die Wissenschaftler.
Die Forscher des SIT sind der Ansicht, dass ein solches Gesamtsystem aus Stabilitätserkennung und Stabilisierungssteuerung für mehr Sicherheit bei Bio-Bikes, E-Bikes und Elektromotorrädern sorgen kann. Besonders ältere und weniger versierte Zweiradfahrer könnten von einem solchen Assistenzsystem profitieren.