[论文解读] 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 6

一句话总结

该论文比较了基于模型的（扩展卡尔曼滤波器和无迹卡尔曼滤波器）与数据驱动的（前馈神经网络和循环神经网络）方法在估计车辆侧偏角方面的表现，使用惯性测量数据和直接轮胎力反馈。216次实验驾驶操作的结果表明，数据驱动方法显著优于基于模型的方法，且轮胎力测量数据能显著提升准确性——尤其是在非线性轮胎工作区间内。

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.

研究动机与目标

• 评估并比较基于模型与数据驱动方法在车辆侧偏角估计方面的性能。
• 研究在基于模型与数据驱动框架中，直接轮胎力测量对估计精度的影响。
• 通过在卡尔曼滤波框架中引入自适应协方差矩阵，提升在激烈驾驶操作下的鲁棒性。
• 使用包含216种多样化驾驶操作的大规模实验数据集对方法进行验证。
• 确定在真实世界非线性轮胎行为条件下，数据驱动模型是否能够超越传统基于模型的估计方法。

提出的方法

• 采用扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）进行基于模型的估计，将测量到的轮胎力纳入观测模型。
• 在卡尔曼滤波器中引入自适应协方差矩阵，以减轻紧急变道操作中轮胎模型失配带来的影响。
• 设计前馈神经网络和循环神经网络（RNN）作为数据驱动的替代方案，以惯性测量单元（IMU）和轮胎力数据作为输入。
• 基于包含216次真实世界车辆操作的综合数据集对神经网络进行校准与训练，以捕捉非线性动力学特性。
• 在基于模型与数据驱动方法中使用相同的输入数据（IMU和轮胎力），以确保比较的公平性。
• 应用交叉验证和误差指标（如均方根误差，RMSE）以客观评估所有方法的估计精度。

实验结果

研究问题

• RQ1 在多样化驾驶条件下，数据驱动方法与基于模型的方法在估计车辆侧偏角方面表现如何？
• RQ2 在基于模型与数据驱动框架中，直接测量轮胎力在多大程度上提升了侧偏角估计的精度？
• RQ3 在高侧向加速度操作期间，卡尔曼滤波器中自适应协方差调优是否能有效缓解因轮胎模型不准确导致的误差？
• RQ4 当两者均使用相同的传感器输入（包括轮胎力）时，神经网络与传统卡尔曼滤波器的性能相比如何？
• RQ5 在哪些工作区间（如线性与非线性轮胎行为）内，轮胎力测量能为估计精度带来最显著的提升？

主要发现

• 数据驱动方法，特别是循环神经网络，相比基于模型的方法实现了显著更低的估计误差，均方根误差（RMSE）明显降低。
• 引入直接轮胎力测量显著降低了所有方法的估计误差，尤其在非线性轮胎工作区间内改善最为显著。
• 卡尔曼滤波器中的自适应协方差矩阵有效减轻了高侧向加速度紧急操作中模型失配的影响。
• 神经网络在多样化驾驶场景中表现出更优的泛化能力，其鲁棒性与准确性均优于EKF和UKF。
• 在非线性条件下，数据驱动与基于模型方法之间的性能差距进一步扩大，凸显了学习复杂非线性动力学的优势。
• 总体而言，结合轮胎力输入的数据驱动方法实现了最低的平均RMSE，证实其在真实世界高动态驾驶场景中的优越性。