In einem Fachbeitrag von dSPACE wird gezeigt, wie RL- (Reinforcement-Learning) Agenten auf Antriebsstrategien in Elektrofahrzeugen angewendet werden können. Im konkreten Fall hat die BMW Group untersucht, wie die RL-Logik die Verteilung des Moments zwischen Vorder- und Hinterachse so übernehmen kann, dass die elektrische Leistung je nach aktueller Fahrsituation, Batteriezustand und Temperatur der E-Maschinen minimal bleibt. Ergebnis der Praxisversuche: eine messbare Einsparung im einstelligen Prozentbereich. Das Szenario umfasste ein Fahrzeug mit zwei Elektromotoren: einen an der Vorderachse und einen an der Hinterachse. Unter typischen Betriebsbedingungen kann das vom Fahrer angeforderte Gesamtdrehmoment an der Vorderachse, an der Hinterachse oder verteilt auf beide Achsen eingestellt werden.
Die KI-Logik läuft auf einem kompakten ARM-basierten Linux-Steuergerät und lässt sich ohne zusätzliche Hardware über bestehende Tools direkt ins Fahrzeug integrieren. Der RL-Workflow wird in der RTMaps-Middleware von Intempora umgesetzt, die über eine Python-Brücke den Agenten nahtlos in die Signalverarbeitung einbindet. Die Kommunikation mit der Antriebssteuerung erfolgt per XCPoverCAN. Eine mit dem dSPACE Interface Manager erzeugte Konfigurationsdatei definiert die Ein- und Ausgänge, wird zu einem RTMaps-Block kompiliert und direkt in den Ablauf integriert. Für den Einsatz auf Embedded-Plattformen nutzt das System RTMaps Runtime ohne grafische Oberfläche, was den Ressourcenbedarf deutlich reduziert. Der Workflow startet automatisch beim Booten.
BMW sieht in dem Projekt nicht nur kurzfristige Verbrauchsoptimierungen, sondern auch eine grundlegende Neubewertung der Steuerungselektronik: Statt starrer, hardwaregebundener Regelstrategien soll KI künftig über den Lebenszyklus eines Fahrzeugs hinweg neue Effizienzgewinne ermöglichen und zugleich einen Beitrag zur Reichweitensteigerung und CO₂-Reduktion leisten. (oe)
