Tire Road Friction Coefficient Estimation for Individual Wheel Based on Two Robust PMI Observers and a Multilayer Perceptron
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The tire-road friction coefficient (TRFC) is critical to the control of assisted and autonomous vehicles. However, direct measurement of TRFC by existing sensors is impossible. In this paper, we aim to develop a scheme to estimate TRFC based on the mathematical model and measurable vehicle states. To address this issue, we first develop a vehicle dynamics model and a wheel rotation dynamics model. Based on the two models, we propose two robust proportional multiple-integral (PMI) observers for the longitudinal and lateral tire-force estimation. To reduce the conservative of conventional H∞ observer, a novel optimization problem is formulated and solved by particle swarm optimization (PSO) algorithm to determine the observer gain. Next, an multilayer perceptron (MLP) is trained to estimate TRFC from the estimated tire forces, slip rate, and slip angle. However, based on data analysis, we find that the tire forces are not sensitive to the TRFC when the slip ratio and slip angle are relatively low, and these data frames would degrade the performance of MLP. To balance the performance and generalization ability of MLP, we determine the threshold for slip ratio and slip angle to exclude the insensitive data frames and train the MLP with the remaining data. Finally, the proposed scheme is verified under different scenarios. The simulation results demonstrate that the proposed method could estimate the TRFC more accurately than the traditional method. Furthermore, the proposed method has the advantage that its estimation does not depend on the initial states.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle