Beschleunigung | 0-100km/h: 2,0s |
---|---|
Leistung | 4x28kW |
Gewicht | 226kg |
PWd3.19
Monocoque | CFK einteillig |
---|---|
Aerodynamik | CFK Front-, Seit- und Heckflügel, Skid Plate und Splitter |
Motoren | 4 Radnabenmotoren |
---|---|
Spitzenleistung | je Motor: 28kw |
Getriebe | 1 1/2 stufiges Planetengetriebe |
Akkucontainer | Zentraler Akkucontainer mit 7,5kWh |
---|---|
Zellen | Samsung INR 18650 25 R |
Maximalspannung | 580V |
Steuereinheit | ETAS |
---|---|
Fahrdynamik Regelsysteme | Torque Vectoring, Rekuperation, Traktionskontrolle, Leistungsbegrenzung |
Telemetrie | Live Telemetrie via 2,4GHz WLAN |
Dashboard | eigenentwickeltes Dashboard |
Radstand | 1540mm |
---|---|
Spurweite Vorne | 1150mm |
Spurweite Hinten | 1128mm |
Reifen | 7,5″x10″ Hoosier Slicks |
Felgen | 10″ CFK Felgen mit Aluminiumstern |
Querlenker | Doppelquerlenker |
Dämpfer | Pushrod betätigte Dämpfer |
Kameras | 2x Intel D435, 1x Bosch SVC2 |
---|---|
Sensoren | Kistler Correvit SFII, Bosch MM5.10-R Beschleunigungssensor, VectorNav VN-300 INS |
Verabrbeitungseinheiten | NVIDIA Jetson Xavier, Filtet II, ETAS ES910 |
Umfelderkennung | Objekterkennung über neuronales Netz |
---|---|
Mapping/Lokalisierung | Eigenentwickelte C++ Bibliotheken mit einem Fokus auf Speicherplatzoptimierung |
Testumgebung | Hardware in the Loop Prüfstand |
Toolchain | C++, Python, Matlab, IPG Carmaker |
Trajektorienplanung | Modellbasiertes off-policy Reinforcement Learning zur Optimierung der Rundenzeiten |
Trainingsautomatisierung | Eigenentwickelte Software zur Datensatzverwaltung, automatische Hyperparameteroptimierung und Verwaltung von Maschinen im Trainingscluster |