Fahrsimulatoren werden zunehmend zum Erforschen, Entwickeln und Testen von autonomen Fahrfunktionen, dem menschlichen Fahrerverhalten, neuen UI/UX Konzepten und Fahrdynamik-Aspekten verwendet. Die Simulatoren bieten eine sicherere und messbare Versuchsumgebung, deren Vorteile auch in ihrer Kontrollierbarkeit und Reproduzierbarkeit liegen. Die Straße wird sozusagen ins Labor geholt, wodurch Entwicklungszyklen neuer Fahrzeuge verkürzt und die Forschung an Fahrer und Fahrzeug beschleunigt werden kann. Neben Autoherstellern besitzen unter anderem auch Universitäten, Forschungseinrichtungen und Verkehrsbehörden Fahrsimulatoren.
Damit Ergebnisse von Studien und Versuchen an Fahrsimulatoren eine Gültigkeit besitzen, und somit Versuche in echten Fahrzeugen auf der Straße ersetzen können, müssen die Simulatoren den Eindruck einer realen Fahrt vermitteln. Dazu werden visuelle, vestibuläre, akustische und haptische Reize (sogenannte Cues) erzeugt. Durch die Bewegung des Fahrsimulators werden Kräfte erzeugt, welche auf den Körper des Fahrers in dem Simulator wirken. Diese Bewegungsreize oder -hinweise werden als Motion Cues bezeichnet. Algorithmen, welche die Steuersignale für das Bewegungssystem des Simulators berechnen, werden Motion Cueing Algorithmen (MCAs) genannt.
MCAs müssen mit dem begrenzten Bewegungsraum der Simulatoren, welcher um Größenordnungen kleiner ist als die Fahrmanöver auf echten Straßen, eine aus Sicht des Probanden möglichst realistische Bewegungserfahrung erzeugen. Weichen vom Fahrer wahrgenommene Beschleunigungen und Winkelgeschwindigkeiten zu stark ab von solchen, wie sie im echten Fahrzeug vorhanden wären, senkt dies den Realismus und kann zu Motion Sickness führen.
In einem Teil meiner Forschung untersuche ich Model Predictive Control basierte Motion Cueing Algorithmen, welche ein hohes Potential zum Regeln von großen und komplexen Fahrsimulatoren zeigen. Herausforderungen liegen hierbei im Formulieren und dem effizienten, echtzeitfähigen Lösen der Optimierungsprobleme für nichtlineare Simulatorsysteme von bis zu neun nicht-unabhängigen Freiheitsgraden. Der Mensch in dem System führt zu zwei weiteren Herausforderungen. Zum einen müssen Fahrerinputs im Simulator über einen möglichst langen Zeithorizont prädiziert werden, um eine optimale Bewegung des Simulators, also möglichst eine Bewegung wie sie der Fahrer aufgrund seiner Inputs erwartet, errechnen zu können. Zum anderen finden sich bei Optimierungen nach den inneren subjektiven Bewertungsmetriken der Probanden noch offene Fragestellungen. Neben MPC spielen damit auch Machine Learning und Learning-based Control Ansätze eine Rolle.
