Tire Road Friction Coefficient Estimation for Individual Wheel Based on Two Robust PMI Observers and a Multilayer Perceptron
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».