Vom Rohrrahmen zum autonomen Rennwagen – mit dem OMS Race als Schlüsselsensor
Die Herausforderung: Drei Jahre Entwicklung, kaum Testzeit
ARUS Andalucía Racing ist das Formula-Student-Team der Universität Sevilla – mit über 100 Ingenieurstudierenden aus allen Fachbereichen, die gemeinsam einen elektrischen Hochleistungsrennwagen entwerfen, fertigen und im Wettbewerb einsetzen. In der Saison 2024/2025 erreichte das Team den Höhepunkt eines mehrjährigen Entwicklungsplans: In nur drei Jahren vollzog ARUS den Sprung vom Gitterrohrrahmen mit Hinterradantrieb hin zu einem Carbon-Monocoque mit vier Radnabenmotoren – inklusive eines vollständig autonomen Rennsystems.
Für die Validierung des Fahrzeugs und das korrekte Funktionieren der Regelalgorithmen – insbesondere für SLAM-basierte Lokalisierung und autonome Trajektorienverfolgung (das präzise Folgen eines vorgegebenen Sollkurses) – benötigt das Team präzise Echtzeitdaten zu Längs- und Quergeschwindigkeit sowie Gierrate. Genau diese Größen entscheiden darüber, ob das Fahrzeug seine Trajektorie sicher hält und das maximale Potenzial jedes einzelnen Reifens ausschöpft.
Die Saison stand allerdings unter enormem Zeitdruck: Technische Herausforderungen schränkten die Entwicklungszeit stark ein, und die Testmöglichkeiten auf der Strecke waren äußerst begrenzt. Das Team brauchte eine Zustandsschätzung, die schnell zuverlässig funktioniert – ohne wochenlange Kalibrierung.
Der bisherige Ansatz: Komplex, modellabhängig, fehleranfällig
Vor der Integration des OMS Race basierte die Zustandsschätzung auf einer IMU, einem Lenkwinkelsensor, den Motordrehgebern der vier Radnabenmotoren und einem Kalman-Filter mit linearisiertem Einspurmodell. Der besondere Ansatz: Über ein inverses Reifenmodell wurden aus den geschätzten Reifenkräften Schlupfverhältnisse und Schräglaufwinkel (engl. tire slip angles) rückgerechnet, um daraus die Radgeschwindigkeiten in Längs- und Querrichtung abzuleiten.
Zustandsschätz-Algorithmus ohne OMS Race – Ground Speed Sensor (GSS)
Dieser Algorithmus hatte durchaus Potenzial, litt aber an einem grundlegenden Problem: Er war vollständig abhängig von der Güte des zugrunde liegenden Reifenmodells. Und dieses Modell muss mit Testdaten gefittet werden, die exakt die aktuelle Reifen-Fahrbahn-Interaktion abbilden. Bei wechselnden Oberflächenbedingungen – auf der Strecke der Normalfall – führte das zu erheblichen Ungenauigkeiten: Die Standardabweichung der Längsgeschwindigkeit lag bei 0,81 m/s, die der Quergeschwindigkeit bei 0,52 m/s.
Die Lösung: OMS Race – einfacher, schneller, genauer
Mit der Integration des OMS Race änderte sich die Architektur der Zustandsschätzung grundlegend. Der optische Sensor liefert berührungslose, schlupfunabhängige Messungen der Fahrzeuggeschwindigkeit in Längs- und Querrichtung sowie des Schwimmwinkels (engl. vehicle body slip angle) – mit bis zu 1.000 Hz und fusioniert mit den Daten einer integrierten IMU.
Vereinfachter Zustandsschätzalgorithmus mit OMS Race – Ground Speed Sensor (GSS)
Das entscheidende Ergebnis: Der gesamte Zweig des inversen Reifenmodells konnte aus dem Schätzalgorithmus entfernt werden. Statt auf modellbasierte Rückrechnungen angewiesen zu sein, fließen nun die direkten optischen Geschwindigkeitsmessungen des OMS Race als Eingangsmöglichkeit in den Kalman-Filter ein. Das Team konnte damit seinen Algorithmus deutlich vereinfachen und gleichzeitig die Zuverlässigkeit und Genauigkeit steigern – unabhängig von Fahrbahnbedingungen und Reifenzustand.
Längsgeschwindigkeit: OMS-Race-Referenz vs. Schätzung mit und ohne OMS Race
Quergeschwindigkeit: OMS-Race-Referenz vs. Schätzung mit und ohne OMS Race
Die Integration: Schnell, platzsparend, aerodynamikneutral
Der Sensor wurde hinter dem linken Seitentunnel des ART-25D montiert – eine Position, die keinerlei Einfluss auf die Aerodynamik hat. Der OMS Race muss lediglich senkrecht zur Fahrbahn ausgerichtet und innerhalb seines Arbeitsabstands positioniert sein – mehr Anforderungen an den Einbauort gibt es nicht.
OMS Race installation on the ARUS ART-25D
Besonders hilfreich war die Point-of-Interest-Funktion der Sensor-ECU: Sie ermöglicht die automatische Umrechnung aller Messsignale auf einen beliebigen Bezugspunkt am Fahrzeug – in diesem Fall den Schwerpunkt. In Kombination mit der automatischen Einbauwinkelerkennung entfällt jegliches manuelles Nachbearbeiten der Daten.
Ebenfalls gelobt: die flexible CAN-Konfiguration des OMS Race. Das Team konnte Ausgaberate und Signalauswahl frei definieren und die resultierende Buslast vorab abschätzen – ein wichtiger Punkt, da die zunehmend komplexe Fahrzeugarchitektur von ARUS die CAN-Bus-Kapazität bereits an ihre Grenzen brachte.
Das Ergebnis: Präzise Daten unter Zeitdruck
Die Integration des OMS Race ermöglichte es ARUS, in einer Saison mit extrem begrenzter Testzeit eine zuverlässige Zustandsschätzung aufzubauen. Die präzisen Geschwindigkeitsdaten erlaubten ein schnelles Tuning der Fahrzeugregelung und den erfolgreichen Betrieb der gesamten autonomen Renn-Pipeline – von der SLAM-basierten Lokalisierung bis zur Trajektorienverfolgung.
Darüber hinaus half der Sensor dem Team, Design und Fertigung des Fahrzeugs zu validieren – Erkenntnisse, die direkt in die Designentscheidungen und Fertigungsmethoden der nächsten Saison einfließen.
„Die Integration des OMS Race ermöglichte es uns, die Genauigkeit und Stabilität unserer Zustandsschätzung mit minimalem Aufwand zu verbessern – in einer Saison, in der Test- und Entwicklungszeit entscheidend für den Erfolg des Teams waren. Wir empfehlen den OMS Race jedem Formula-Student-Team, das seine Zustandsschätzung verbessern möchte – sowohl für die Datenanalyse als auch für Echtzeitanwendungen.“
– José Manuel Landero Plaza, Head of Control, ARUS Andalucía Racing
Auf einen Blick
- Schlupfunabhängige optische Messung von Längs- und Quergeschwindigkeit mit bis zu 1.000 Hz
- Inverses Reifenmodell im Schätzalgorithmus vollständig ersetzt – einfacherer, robusterer Algorithmus
- Standardabweichung vorher: 0,81 m/s (längs) und 0,52 m/s (quer) – mit OMS Race als Referenz deutlich reduziert
- Erfolgreicher autonomer Rennbetrieb inkl. SLAM-Lokalisierung und Trajektorienverfolgung
- Optimierte Drehmomentverteilung auf vier Radnabenmotoren dank präziser Echtzeitdaten
- Nahtlose Integration: POI-Umrechnung, automatische Einbauwinkelerkennung, flexible CAN-Konfiguration
- Aerodynamikneutrale Montage hinter dem Seitentunnel des Carbon-Monocoques
Den vollständigen Anwendungsbericht lesen
ARUS Andalucía Racing hat seine Erfahrungen mit dem OMS Race in einem ausführlichen Application Report dokumentiert – mit Details zum Schätzalgorithmus, Vergleichsdiagrammen und Integrationshinweisen.