[論文レビュー] Model-based vs Data-driven Estimation of Vehicle Sideslip Angle and Benefits of Tyre Force Measurements

A. Bertipaglia, D. de Mol+3 more|arXiv (Cornell University)|Jun 30, 2022

Vehicle Dynamics and Control Systems被引用数 6

ひとこと要約

本稿では、インertial測定と直接的なタイヤ力フィードバックを用いて、車両の横滑り角推定のためのモデルベース（拡張カルマンフィルタおよびアンサンブルカルマンフィルタ）とデータ駆動（フィードフォワードおよび再帰的ニューラルネットワーク）手法を比較している。216回の実験的走行行動の結果、データ駆動的手法がモデルベース手法を顕著に上回っており、特に非線形タイヤ領域においてタイヤ力測定が精度を向上させている。

ABSTRACT

This paper provides a comprehensive comparison of model-based and data-driven approaches and analyses the benefits of using measured tyre forces for vehicle sideslip angle estimation. The model-based approaches are based on an extended Kalman filter and an unscented Kalman filter, in which the measured tyre forces are utilised in the observation model. An adaptive covariance matrix is introduced to minimise the tyre model mismatch during evasive manoeuvres. For data-driven approaches, feed forward and recurrent neural networks are evaluated. Both approaches use the standard inertial measurement unit and the tyre force measurements as inputs. Using the large-scale experimental dataset of 216 manoeuvres, we demonstrate a significant improvement in accuracy using data-driven vs. model-based approaches. Tyre force measurements improve the performance of both model-based and data-driven approaches, especially in the non-linear regime of tyres.

研究の動機と目的

• モデルベースおよびデータ駆動的手法の車両横滑り角推定性能を評価・比較すること。
• モデルベースおよびデータ駆動フレームワークの両方において、直接的なタイヤ力測定が推定精度に与える影響を調査すること。
• カルマンフィルタフレームワークに適応型共分散行列を導入することで、急な走行行動におけるロバスト性を向上させること。
• 216種類の多様な走行行動からなる大規模な実験データセットを用いて、手法を検証すること。
• 現実世界の非線形タイヤ挙動下で、データ駆動モデルが従来のモデルベース推定を上回るかどうかを特定すること。

提案手法

• モデルベース推定に拡張カルマンフィルタ（EKF）およびアンサンブルカルマンフィルタ（UKF）を採用し、観測モデルに測定されたタイヤ力を組み込んだ。
• 避ける走行行動におけるタイヤモデル不一致の影響を低減するため、カルマンフィルタに適応型共分散行列を導入した。
• フィードフォワードおよび再帰的ニューラルネットワーク（RNN）をデータ駆動の代替手法として設計し、インertial測定ユニット（IMU）およびタイヤ力データを入力とした。
• 非線形ダイナミクスを捉えるために、216回の実世界の車両走行行動からなる包括的なデータセットを用いてニューラルネットワークをキャリブレーションおよび学習させた。
• モデルベースおよびデータ駆動手法の両方で同じ入力データ（IMUおよびタイヤ力）を用いることで、公平な比較を確保した。
• 交差検証および誤差指標（例：RMSE）を適用し、すべての手法の推定精度を客観的に評価した。

実験結果

リサーチクエスチョン

• RQ1 多様な走行条件下で、データ駆動的手法とモデルベース手法の横滑り角推定性能はどのように比較されるか？
• RQ2 モデルベースおよびデータ駆動フレームワークの両方において、タイヤ力の直接測定は推定精度をどの程度向上させるか？
• RQ3 カルマンフィルタにおける適応型共分散チューニングは、高横加速度走行行動におけるタイヤモデル不正確さに起因する誤差を緩和できるか？
• RQ4 同じセンサ入力（タイヤ力含む）が与えられた場合、ニューラルネットワークの性能は従来のカルマンフィルタと比べてどうなるか？
• RQ5 線形対非線形タイヤ挙動のどの領域で、タイヤ力測定が推定精度の向上に最も顕著な効果をもたらすか？

主な発見

• データ駆動的手法、特に再帰的ニューラルネットワーク（RNN）は、モデルベース手法と比較して顕著に低い推定誤差を達成しており、特に平均二乗誤差（RMSE）の改善が顕著であった。
• 直接的なタイヤ力測定の組み込みにより、すべての手法の推定誤差が低減したが、特に非線形タイヤ領域で最大の改善が観察された。
• カルマンフィルタに組み込まれた適応型共分散行列は、高横加速度走行行動におけるモデル不一致の影響を効果的に低減した。
• ニューラルネットワークは多様な走行シナリオにおける一般化性能に優れ、EKFおよびUKFの両者を精度およびロバスト性の面で上回った。
• 非線形条件下では、データ駆動手法とモデルベース手法の性能差が拡大し、複雑な非線形ダイナミクスを学習する利点が顕著に現れた。
• 総合的に、タイヤ力入力を有するデータ駆動手法が平均RMSEを最低に達成し、現実世界の高動的走行シナリオにおける優位性を確認した。