[논문 리뷰] Model-based vs Data-driven Estimation of Vehicle Sideslip Angle and Benefits of Tyre Force Measurements

A. Bertipaglia, D. de Mol외 3명|arXiv (Cornell University)|2022. 06. 30.

Vehicle Dynamics and Control Systems인용 수 6

한 줄 요약

이 논문은 관성 측정 장치와 직접 타이어 힘 피드백을 사용하여 차량 측면 슬립 각도를 추정하기 위해 모델 기반(확장 및 염색 칼만 필터)과 데이터 기반(전방향 및 순환 신경망) 방법을 비교한다. 216회의 실험적 주행 동작 결과, 데이터 기반 접근 방식이 모델 기반 방법보다 유의미하게 뛰어나며, 특히 비선형 타이어 영역에서 타이어 힘 측정이 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 모델 기반 및 데이터 기반 접근 방식의 차량 측면 슬립 각도 추정 성능을 평가하고 비교하는 것.
• 모델 기반 및 데이터 기반 프레임워크에서 직접 타이어 힘 측정이 추정 정확도에 미치는 영향을 조사하는 것.
• 칼만 필터 프레임워크에 적응형 공분산 행렬을 도입하여 급격한 주행 동작 동안의 강인성을 향상시키는 것.
• 216가지의 다양한 주행 동작으로 구성된 대규모 실험 데이터셋을 사용하여 방법을 검증하는 것.
• 실제 비선형 타이어 거동 조건에서 데이터 기반 모델이 전통적인 모델 기반 추정을 능가할 수 있는지 확인하는 것.

제안 방법

• 모델 기반 추정을 위해 확장 칼만 필터(EKF)와 염색 칼만 필터(UKF)를 사용하였으며, 관측 모델에 측정된 타이어 힘을 통합하였다.
• 피하기 동작 중 타이어 모델 불일치의 영향을 줄이기 위해 칼만 필터에 적응형 공분산 행렬을 도입하였다.
• 데이터 기반 대안으로 전방향 및 순환 신경망(RNNs)을 설계하였으며, 관성 측정 장치(IMU)와 타이어 힘 데이터를 입력으로 사용하였다.
• 비선형 역학을 포괄하기 위해 216회의 실제 차량 주행 동작으로 구성된 포괄적인 데이터셋을 사용해 신경망을 校정 및 훈련하였다.
• 모델 기반 및 데이터 기반 방법 모두에서 동일한 입력 데이터(IMU 및 타이어 힘)를 사용하여 공정한 비교를 확보하였다.
• 교차 검증 및 오차 지표(RMSE 등)를 적용하여 모든 방법의 추정 정확도를 객관적으로 평가하였다.

실험 결과

연구 질문

• RQ1 다양한 주행 조건에서 데이터 기반 접근 방식이 모델 기반 방법보다 차량 측면 슬립 각도 추정에 어떻게 비교되는가?
• RQ2 직접 타이어 힘 측정이 모델 기반 및 데이터 기반 프레임워크 양쪽 모두에서 측면 슬립 각도 추정 정확도에 어느 정도 향상 효과를 미치는가?
• RQ3 칼만 필터에 적응형 공분산 조정을 적용하면 고측면가속도 주행 동작 중 타이어 모델 부정확성으로 인한 오차를 어느 정도 완화할 수 있는가?
• RQ4 IMU 및 타이어 힘을 포함한 동일한 센서 입력을 받는 신경망과 기존 칼만 필터의 성능은 어떻게 비교되는가?
• RQ5 예를 들어 선형 대비 비선형 타이어 거동 영역에서 타이어 힘 측정이 추정 정확도 향상에 가장 큰 기여를 하는 영역는 어디인가?

주요 결과

• 특히 순환 신경망을 포함한 데이터 기반 접근 방식이 모델 기반 방법보다 유의미하게 낮은 추정 오차를 기록하였으며, 루트 평균 제곱 오차(RMSE)에서 뚜렷한 향상이 있었다.
• 직접 타이어 힘 측정을 통합함으로써 모든 방법에서 추정 오차가 감소하였으며, 비선형 타이어 영역에서 가장 큰 향상이 관찰되었다.
• 칼만 필터에 도입된 적응형 공분산 행렬은 고측면가속도 피하기 동작 중 모델 불일치로 인한 영향을 효과적으로 감소시켰다.
• 신경망은 다양한 주행 시나리오에서 뛰어난 일반화 능력을 보였으며, EKF 및 UKF 모두를 초월하는 강인성과 정확도를 확보하였다.
• 비선형 조건에서 데이터 기반과 모델 기반 방법 간의 성능 격차가 더욱 벌어졌으며, 이는 복잡한 비선형 역학을 학습하는 데서 데이터 기반 접근의 우수성을 강조한다.
• 종합적으로, 타이어 힘 입력을 활용한 데이터 기반 방법이 평균 RMSE가 가장 낮아 실제 고역동 주행 환경에서의 우수성을 확인하였다.