[논문 리뷰] A Direct Slip Ratio Estimation Method based on an Intelligent Tire and Machine Learning

Nan Xu, Zepeng Tang외 3명|arXiv (Cornell University)|2021. 06. 09.

Vehicle Dynamics and Control Systems인용 수 4

한 줄 요약

이 논문은 삼축 가속도계와 기계학습 알고리즘을 탑재한 지능형 타이어를 사용하여 직접적인 슬립 비율 추정 방법을 제안한다. 수직 가속도를 핵심 특징으로 활용함으로써, 다양한 차량 속도와 하중 조건에서도 높은 정확도로 연속적인 슬립 비율 추정을 구현하였으며, 최고의 모델(ANN)은 10겹 교차검증을 통해 4.88%의 정규화된 평균 제곱근 오차(NRMS)를 달성하였다.

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.

연구 동기 및 목표

• 차량 속도 센서나 복잡한 운동학 모델에 의존하지 않는 직접적이고 실시간 슬립 비율 추정 방법을 개발하기 위해.
• 통합된 가속도계를 탑재한 지능형 타이어 시스템을 활용하여 슬립 비율 추정을 위한 동적 특징을 추출하기 위해.
• 다양한 주행 조건에서 슬립 비율 추정에 대한 다수의 기계학습 알고리즘 성능을 평가하기 위해.
• 특히 수직 가속도와 같은 가장 효과적인 입력 특징을 식별하여 고정밀도 슬립 비율 추정을 위해.
• 다양한 데이터셋을 통한 10겹 교차검증을 활용하여 모델의 강인성과 일반화 능력을 검증하기 위해.

제안 방법

• 타이어 내부 라이너에 삼축 가속도계를 장착하여 타이어 회전 중 실시간 가속도 신호를 측정할 수 있는 지능형 타이어 시스템을 개발하였다.
• 통제된 조건에서 실제 슬립 비율 값을 측정하기 위해 MTS Flat-Trac 타이어 시험 플랫폼을 사용하였다.
• 가속도 신호에서 특징을 추출하였으며, 슬립 비율 추정에 있어 가장 유용한 특징으로 수직 가속도(az)가 확인되었다.
• 추출된 특징을 기반으로 인공신경망(ANN), 기울기 부스팅 기반 기계학습(GBM), 랜덤 포레스트(RF), 서포트 벡터 머신(SVM) 등 네 가지 기계학습 모델을 훈련시켰다.
• 다양한 차량 속도와 하중 조건에서의 모델 일반화 및 강인성을 평가하기 위해 10겹 교차검증을 적용하였다.
• 모델 성능은 정규화된 평균 제곱근 오차(NRMS)를 사용하여 정량화하였으며, 다양한 입력 조합((ax, az), az 단독 등)을 비교하는 분석 연구를 실시하였다.

실험 결과

연구 질문

• RQ1 내장된 가속도계를 탑재한 지능형 타이어 시스템이 차량 속도 센서에 의존하지 않고도 직접적인 슬립 비율 추정을 위한 충분한 동적 특징을 제공할 수 있는가?
• RQ2 ANN, GBM, RF, SVM 중 어떤 기계학습 알고리즘이 다양한 주행 조건에서 가장 정확하고 안정적인 슬립 비율 추정을 제공하는가?
• RQ3 특정 가속도 성분(예: 수직 방향 az)의 포함 여부가 추정 정확도와 계산 효율성에 어떤 영향을 미치는가?
• RQ4 다양한 차량 속도, 하중 및 슬립 비율 범위(최대 30%)에서 슬립 비율 추정 모델의 강인성은 어떠한가?
• RQ5 단순화된 입력 세트(예: 단지 az)는 실시간 구현을 위한 계산 비용을 감소시키면서도 높은 정확도를 유지할 수 있는가?

주요 결과

• 제안된 방법은 차량 속도 센서에 의존하지 않고 지능형 타이어의 가속도계 데이터만으로도 연속적이고 안정적인 슬립 비율 추정을 가능하게 한다.
• 인공신경망(ANN)은 수직 가속도(az)를 입력으로 사용했을 때 정규화된 평균 제곱근 오차(NRMS)가 4.88%로 가장 낮아 가장 높은 정확도를 보였다.
• 기울기 부스팅 기반 기계학습(GBM) 모델은 NRMS 오차의 변동성이 가장 작아 높은 강인성과 안정성을 보이며 유사한 정확도를 확보하였다.
• 수직 가속도(az) 단독으로도 (ax, ay, az)의 조합보다 뛰어난 추정 성능를 보였으며, 계산 부담을 감소시키면서도 높은 정확도를 유지하였다.
• 다양한 차량 속도와 하중 조건에서 모델은 뛰어난 강인성을 보였으며, 최대 30%까지의 고슬립 비율에서도 일관된 성능을 유지하였다.
• 10겹 교차검증을 통해 모델이 미리 보지 않은 데이터에 잘 일반화됨을 확인하였으며, (az) 입력 설정이 정확도와 계산 효율성 사이에서 가장 유리한 균형을 이룩하였다.