[论文解读] 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 4

一句话总结

本文提出了一种新型的直接滑移率估算方法，利用配备三轴加速度计和机器学习算法的智能轮胎。通过利用垂直加速度作为关键特征，该方法在不同车辆速度和载荷条件下实现了高精度、连续的滑移率估算，其中最佳模型（ANN）通过10折交叉验证实现了4.88%的归一化均方根误差（NRMS）。

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.

研究动机与目标

• 开发一种不依赖车辆速度传感器或复杂运动学模型的直接、实时滑移率估算方法。
• 利用嵌入式加速度计的智能轮胎系统提取动态特征以实现滑移率估算。
• 评估多种机器学习算法在不同驾驶条件下估算滑移率的性能。
• 识别最有效的输入特征——特别是垂直加速度——以实现高精度滑移率估算。
• 通过在多个数据集上进行10折交叉验证，验证模型的鲁棒性和泛化能力。

提出的方法

• 开发了一套智能轮胎系统，将三轴加速度计安装在内衬上，以捕捉轮胎旋转过程中的实时加速度信号。
• 使用MTS Flat-Trac轮胎测试平台在受控条件下测量真实滑移率值。
• 从加速度信号中提取关键特征，其中垂直加速度（az）被确定为对滑移率估算最具信息量的特征。
• 使用提取的特征训练了四种机器学习模型——人工神经网络（ANN）、梯度提升机（GBM）、随机森林（RF）和支持向量机（SVM）。
• 采用10折交叉验证评估模型在不同车辆速度和载荷下的泛化能力和鲁棒性。
• 通过归一化均方根误差（NRMS）量化模型性能，并通过消融研究比较不同输入组合（如（ax, az）、仅az）的影响。

实验结果

研究问题

• RQ1 配备嵌入式加速度计的智能轮胎系统是否能提供足够的动态特征，以实现无需依赖车辆速度传感器的直接滑移率估算？
• RQ2 在不同驾驶条件下，人工神经网络（ANN）、梯度提升机（GBM）、随机森林（RF）和支持向量机（SVM）中，哪种机器学习算法能提供最准确且最稳定的滑移率估算？
• RQ3 包含特定加速度分量（如垂直方向的az）如何影响估算精度和计算效率？
• RQ4 该滑移率估算模型在不同车辆速度、载荷以及滑移率范围（最高达30%）下的鲁棒性如何？
• RQ5 简化输入集（如仅使用az）是否能在降低计算成本的同时保持高精度，以适用于实时实现？

主要发现

• 所提出的方法仅依赖智能轮胎的加速度计数据即可实现连续且稳定的滑移率估算，无需依赖车辆速度传感器。
• 当以垂直加速度（az）作为输入时，人工神经网络（ANN）实现了最低的归一化均方根误差（NRMS）4.88%，表现出最高精度。
• 梯度提升机（GBM）模型表现出与之相当的精度，且NRMS误差的方差最小，表明其具有高度的鲁棒性和稳定性。
• 仅使用垂直加速度（az）即实现了优于组合输入（ax, ay, az）的估算性能，同时降低了计算负载，且保持了高精度。
• 该模型在不同车辆速度和载荷条件下表现出强鲁棒性，即使在高达30%的滑移率下也保持一致的性能表现。
• 10折交叉验证结果表明，该模型能很好地泛化到未见过的数据，其中仅使用（az）的输入配置在精度与计算效率之间实现了最佳平衡。