[論文レビュー] A Direct Slip Ratio Estimation Method based on an Intelligent Tire and Machine Learning

Nan Xu, Zepeng Tang+3 more|arXiv (Cornell University)|Jun 9, 2021

Vehicle Dynamics and Control Systems被引用数 4

ひとこと要約

本論文では、三軸加速度計と機械学習アルゴリズムを備えたインテリジェントタイヤを用いた、新しい直接スリップ比推定手法を提案する。垂直加速度を重要な特徴量として活用することで、車両速度や荷重の変化にかかわらず、高精度で連続的なスリップ比推定が可能となり、最良のモデル（ANN）では10-fold交差検証により4.88%の正規化平均二乗誤差（NRMS）を達成した。

ABSTRACT

Accurate estimation of the tire slip ratio is critical for vehicle safety, as it is necessary for vehicle control purposes. In this paper, an intelligent tire system is presented to develop a novel slip ratio estimation model using machine learning algorithms. The accelerations, generated by a triaxial accelerometer installed onto the inner liner of the tire, are varied when the tire rotates to update the contact patch. Meanwhile, the slip ratio reference value can be measured by the MTS Flat-Trac tire test platform. Then, by analyzing the variation between the accelerations and slip ratio, highly useful features are discovered, which are especially promising for assessing vertical acceleration. For these features, machine learning (ML) algorithms are trained to build the slip ratio estimation model, in which the ML algorithms include artificial neural networks (ANNs), gradient boosting machines (GBMs), random forests (RFs), and support vector machines (SVMs). Finally, the estimated NRMS errors are evaluated using 10-fold cross-validation (CV). The proposed estimation model is able to estimate the slip ratio continuously and stably using only the acceleration from the intelligent tire system, and the estimated slip ratio range can reach 30%. The estimation results have high robustness to vehicle velocity and load, where the best NRMS errors can reach 4.88%. In summary, the present study with the fusion of an intelligent tire system and machine learning paves the way for the accurate estimation of the tire slip ratio under different driving conditions, which create new opportunities for autonomous vehicles, intelligent tires, and tire slip ratio estimation.

研究の動機と目的

• 車両速度センサーや複雑な運動学的モデルに依存しない、直接的でリアルタイムなスリップ比推定手法の開発を目的とする。
• 埋め込み加速度計を備えたインテリジェントタイヤシステムを活用し、スリップ比推定に適した動的特徴量を抽出することを目的とする。
• 多様な走行条件下でのスリップ比推定において、複数の機械学習アルゴリズムの性能を評価することを目的とする。
• 特に垂直加速度が、高精度なスリップ比推定に最も効果的な入力特徴量であるかを特定することを目的とする。
• 複数のデータセットにわたる10-fold交差検証を用いて、モデルの頑健性および一般化能力を検証することを目的とする。

提案手法

• インテリジェントタイヤシステムを構築し、タイヤ内 liner に三軸加速度計を設置することで、タイヤ回転中のリアルタイム加速度信号を取得した。
• 地面真値のスリップ比値を制御された条件下で測定するために、MTS Flat-Tracタイヤ試験プラットフォームを用いた。
• 加速度信号から特徴量を抽出したところ、垂直加速度（az）がスリップ比推定において最も情報量が多く、有効であることが特定された。
• 抽出された特徴量を用いて、人工ニューラルネットワーク（ANN）、勾配ブースティングマシン（GBM）、ランダムフォレスト（RF）、サポートベクターマシン（SVM）の4つの機械学習モデルを訓練した。
• モデルの一般化能力および頑健性を評価するために、10-fold交差検証を適用した。
• モデル性能は正規化平均二乗誤差（NRMS）を用いて定量的に評価され、入力組み合わせの違い（例：(ax, az)、az単体）を比較するアブレーションスタディが実施された。

実験結果

リサーチクエスチョン

• RQ1 埋め込み加速度計を備えたインテリジェントタイヤシステムは、車両速度センサに依存せずに、直接スリップ比推定に十分な動的特徴量を提供できるか？
• RQ2 ANN、GBM、RF、SVM の中で、変動する走行条件下でも最も正確で安定したスリップ比推定を実現するのはどの機械学習アルゴリズムか？
• RQ3 特定の加速度成分（例：垂直方向のaz）を含めることで、推定精度および計算効率にどのような影響があるか？
• RQ4 異なる車両速度、荷重、およびスリップ比範囲（最大30%まで）において、スリップ比推定モデルの頑健性はどの程度か？
• RQ5 簡素化された入力セット（例：az単体）を用いても、リアルタイム実装に適した計算コストの低減を実現しながら高い精度を維持できるか？

主な発見

• 提案手法により、車両速度センサに依存せず、インテリジェントタイヤの加速度計データのみを用いて、連続的で安定したスリップ比推定が可能となった。
• 人工ニューラルネットワーク（ANN）は、垂直加速度（az）を入力とすることで、正規化平均二乗誤差（NRMS）が4.88%にまで低下し、最も高い精度を示した。
• 勾配ブースティングマシン（GBM）モデルは、NRMS誤差の分散が最小であり、高い頑健性と安定性を示した。
• 垂直加速度（az）単体が、組み合わせ入力（ax, ay, az）よりも優れた推定性能を示し、計算負荷を低減しながらも高い精度を維持した。
• 異なる車両速度や荷重の下でも、モデルは優れた頑健性を示し、最大30%の高スリップ比領域でも一貫した性能を発揮した。
• 10-fold交差検証の結果、モデルは未観測データに対しても良好に一般化できており、特にaz入力構成が精度と計算効率の最良のトレードオフを達成した。