Nicolas Lampe

Für die Optimierung bestehender und Entwicklung weiterer Fahrerassistenzsysteme bietet die frühzeitige Kenntnis des Reifen-Fahrbahn-Kontakts ein erhebliches Potential. Auf der einen Seite können bestehende Systeme wie das Antiblockiersystem oder das elektronische Stabilitätsprogramm optimiert werden. Auf der anderen Seite kann z. B. für das autonome Fahren eine zu fahrende Trajektorie geplant und an die Fahrbahnoberfläche adaptiert werden. Im Rahmen des Projekts "Kombination modell- und datenbasierter Verfahren für die Schätzung des maximalen Reibwerts" zusammen mit dem Institut für mechatronische Systeme (imes) der Leibniz Universität Hannover soll anhand bestehender Sensoren im Fahrzeug der maximale Reibwert des Reifen-Fahrbahn-Kontakts geschätzt werden. Dies erfolgt aktuell primär über modellbasierte Verfahren basierend auf einem physikalischen Fahrzeugmodell. Aufgrund des begrenzten Detaillierungsgrads der Modellierung und der damit einhergehenden begrenzten Genauigkeit der Schätzung, wird im Rahmen des Projekts an datenbasierten Schätzern, sowie der Kombination beider zu hybriden Ansätzen geforscht. Ziel des Projekts ist die Entwicklung eines hybriden Reibwertschätzers.

Die zusammenfassenden Kernthemen der Forschung:

• Modellbasierte Zustands- und Parameterschätzung
• Fahrzeugmodellierung
• Datenbasierte Parameterschätzung
• Neuronale Netze mit dem Fokus auf rekurrente Netzstrukturen

Lampe, N., Ehlers, S. F. G., Kortmann, K.-P., Westerkamp, C., and Seel, T. (2024). Model-Based Maximum Friction Coefficient Estimation for Road Surfaces with Gradient or Cross-Slope. In 2024 IEEE Intelligent Vehicles Symposium (IV 2024), June 2–5, Jeju Island, Korea, 2024, S. 1-7.

Schäfke, H., Lampe, N., und Kortmann, K.-P. (2023). Transformer Neural Networks for Maximum Friction Coefficient Estimation of Tire-Road Contact using Onboard Vehicle Sensors. In 2023 62nd IEEE Conference on Decision and Control (CDC), December 13–15, 2023, Singapore, Singapore, S. 5331-5338, doi: 10.1109/CDC49753.2023.10384175.

Lampe, N., Kortmann, K.-P., and Westerkamp, C. (2023). Neural Network based Tire-Road Friction Estimation Using Experimental Data. In The 3rd Modeling, Estimation and Control Conference (MECC 2023), October 2–5, 2023, Lake Tahoe, Nevada, USA, S. 397-402 , doi: 10.1016/j.ifacol.2023.12.056.

Lampe, N., Kortmann, K.-P., Westerkamp, C., and Jacob, H.-G. (2023). Active Excitations for Maximum Friction Coefficient Estimation. In 2023 IEEE Intelligent Vehicles Symposium (IV 2023), June 5–7, Anchorage, Alaska, USA, 2023, S. 1-7, doi: 10.1109/IV55152.2023.10186603.

Lampe, N., Ziaukas, Z., Westerkamp, C., and Jacob, H.-G. (2023). Analysis of the Potential of Onboard Vehicle Sensors for Model-based Maximum Friction Coefficient Estimation. In 2023 American Control Conference (ACC), May 31–June 2, San Diego, CA, USA, 2023, S. 1622-1628, doi: 10.23919/ACC55779.2023.10156574.

Lampe, N., Ziaukas, Z., Westerkamp, C., and Jacob, H.-G. (2022). Estimation of Maximum Friction Coefficient Using Recurrent Artificial Neural Networks. In 2022 The 3rd International Conference on Robotics Systems and Vehicle Technology (RSVT) (RSVT 2022), July 22–24, 2022, Singapore, Singapore. ACM, New York, NY, USA, doi: 10.1145/3560453.3560459. 

Lampe, N., Lundberg, A., Werries, C., Weitkamp, J., Pape, D., Frye, H., Quaing, M., Knopp, S., Di Sarno, M., Grube, V. (2021). Sensorsystem zum Bestimmen einer Beladungsmasse und/oder einer Beladungsmasseverteilung eines Fahrzeugs sowie ein Fahrzeug und/oder Fahrgestell mit einem solchen Sensorsystem (DE102020200928B3). patents.google.com/patent/DE102020200928B3/en

Lampe, N., Lundberg, A. (2021). Sensoreinrichtung und Verfahren zum Messen einer Zug- und/oder Druckkraft (DE102019210558A1).

Zu den Veranstaltungen:

• Internet der Dinge (IoT)
• Internet of Things (IoT) / Industrie 4.0
• Virtual Academy im Fach "Internet of Things (IoT) / Industrie 4.0" zusammen mit der University at Albany (State University of New York)