CN115828425A - 轮胎模型及路面附着系数协同辨识方法、系统 - Google Patents
轮胎模型及路面附着系数协同辨识方法、系统 Download PDFInfo
- Publication number
- CN115828425A CN115828425A CN202211503011.2A CN202211503011A CN115828425A CN 115828425 A CN115828425 A CN 115828425A CN 202211503011 A CN202211503011 A CN 202211503011A CN 115828425 A CN115828425 A CN 115828425A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- tire
- adhesion coefficient
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
一种轮胎模型及路面附着系数协同辨识方法，首先依据实车参数建立虚拟仿真车辆模型，在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，构建轮胎模型的神经网络辨识模型，再采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，接着结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，构建路面附着系数的神经网络辨识模型，再实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识，最终实现了轮胎模型及路面附着系数协同辨识，且无需专用设备、实现成本低。
Description
技术领域
本发明涉及汽车技术领域，特别是涉及一种轮胎模型及路面附着系数协同辨识方法、系统。
背景技术
轮胎模型和路面附着系数是车辆状态估计、车辆动力学及控制、智能驾驶路径跟踪控制取得精确控制效果的关键数据，但轮胎模型呈现出强非线性特性和饱和特性，路面附着系数呈现时变特性，这两者往往同时未知。
目前轮胎模型的辨识，通常需要通过轮胎六分力仪或轮胎测试台架等专用设备，测试获取轮胎侧偏角和轮胎侧向力、滑移率和轮胎纵向力、轮胎载荷等数据，然后采用遗传算法等优化算法对轮胎模型进行非线性拟合。这种方法需基于专用设备而开展，成本昂贵，难以普及。
发明内容
为此，本发明的一个实施例提出一种轮胎模型及路面附着系数协同辨识方法，以实现轮胎模型及路面附着系数协同辨识，同时具有无需专用设备、实现成本低的优点。
一种轮胎模型及路面附着系数协同辨识方法，包括：
依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型；
采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识；
在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型；
采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。
根据本发明实施例提供的轮胎模型及路面附着系数协同辨识方法，首先依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，构建轮胎模型的神经网络辨识模型，然后采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，接着结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，构建路面附着系数的神经网络辨识模型，再实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识，最终实现了轮胎模型及路面附着系数协同辨识，且无需专用设备、实现成本低。
此外，根据本发明提供的轮胎模型及路面附着系数协同辨识方法，还具有以下技术特征：
进一步地，所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。
进一步地，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型的步骤之前，所述方法还包括：
根据不同待辨识轮胎模型特征参数对轮胎纵向力-纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
进一步地，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。
进一步地，所述神经网络模型为BP神经网络模型。
本发明的另一个实施例提出一种轮胎模型及路面附着系数协同辨识系统，以实现轮胎模型及路面附着系数协同辨识，同时具有无需专用设备、实现成本低的优点。
一种轮胎模型及路面附着系数协同辨识系统，包括：
第一构建模块，用于依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型；
第一辨识模块，用于采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识；
第二构建模块，用于在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型；
第二辨识模块，用于采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。
根据本发明实施例提供的轮胎模型及路面附着系数协同辨识系统，首先依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，构建轮胎模型的神经网络辨识模型，然后采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，接着结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，构建路面附着系数的神经网络辨识模型，再实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识，最终实现了轮胎模型及路面附着系数协同辨识，且无需专用设备、实现成本低。
此外，根据本发明提供的轮胎模型及路面附着系数协同辨识系统，还具有以下技术特征：
进一步地，所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。
进一步地，所述系统还包括：
分类模块，用于根据不同待辨识轮胎模型特征参数对轮胎纵向力-纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
进一步地，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。
进一步地，所述神经网络模型为BP神经网络模型。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一实施例的轮胎模型及路面附着系数协同辨识方法的流程图；
图2是根据本发明一实施例的轮胎模型及路面附着系数协同辨识系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明第一实施例提出的轮胎模型及路面附着系数协同辨识方法，包括步骤S101～S104：
S101，依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型。
其中，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。
所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。
所述神经网络模型为BP神经网络模型
此外，本实施例中，需要说明的是，为提高辨识的准确性，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型的步骤之前，所述方法还包括：
根据不同待辨识轮胎模型特征参数对轮胎纵向力-纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
S102采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识。
S103，在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
其中，所述神经网络模型同样为BP神经网络模型
S104，采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。
综上，根据本发明提供的轮胎模型及路面附着系数协同辨识方法，首先依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，构建轮胎模型的神经网络辨识模型，然后采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，接着结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，构建路面附着系数的神经网络辨识模型，再实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识，最终实现了轮胎模型及路面附着系数协同辨识，且无需专用设备、实现成本低。
请参阅图2，本发明第二实施例提供的轮胎模型及路面附着系数协同辨识系统，包括：
第一构建模块，用于依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型；
第一辨识模块，用于采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识；
第二构建模块，用于在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型；
第二辨识模块，用于采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。
本实施例中，所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。
本实施例中，所述系统还包括：
分类模块，用于根据不同待辨识轮胎模型特征参数对轮胎纵向力-纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
本实施例中，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。
本实施例中，所述神经网络模型为BP神经网络模型。
根据本发明提供的轮胎模型及路面附着系数协同辨识系统，首先依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，构建轮胎模型的神经网络辨识模型，然后采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，接着结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，构建路面附着系数的神经网络辨识模型，再实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识，最终实现了轮胎模型及路面附着系数协同辨识，且无需专用设备、实现成本低。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种轮胎模型及路面附着系数协同辨识方法，其特征在于，包括：
依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型；
采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识；
在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型；
采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。
2.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。
3.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型的步骤之前，所述方法还包括：
根据不同待辨识轮胎模型特征参数对轮胎纵向力-纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
4.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。
5.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，所述神经网络模型为BP神经网络模型。
6.一种轮胎模型及路面附着系数协同辨识系统，其特征在于，包括：
第一构建模块，用于依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型；
第一辨识模块，用于采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识；
第二构建模块，用于在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型；
第二辨识模块，用于采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。
7.根据权利要求6所述的轮胎模型及路面附着系数协同辨识系统，其特征在于，所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。
8.根据权利要求6所述的轮胎模型及路面附着系数协同辨识系统，其特征在于，所述系统还包括：
分类模块，用于根据不同待辨识轮胎模型特征参数对轮胎纵向力-纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。
9.根据权利要求6所述的轮胎模型及路面附着系数协同辨识系统，其特征在于，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。
10.根据权利要求6所述的轮胎模型及路面附着系数协同辨识系统，其特征在于，所述神经网络模型为BP神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211503011.2A CN115828425A (zh) | 2022-11-28 | 2022-11-28 | 轮胎模型及路面附着系数协同辨识方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211503011.2A CN115828425A (zh) | 2022-11-28 | 2022-11-28 | 轮胎模型及路面附着系数协同辨识方法、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115828425A true CN115828425A (zh) | 2023-03-21 |
Family
ID=85532264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211503011.2A Pending CN115828425A (zh) | 2022-11-28 | 2022-11-28 | 轮胎模型及路面附着系数协同辨识方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115828425A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070356A (zh) * | 2023-04-06 | 2023-05-05 | 山东玲珑轮胎股份有限公司 | 一种轮胎模型设计方法及系统 |
| CN117217015A (zh) * | 2023-09-22 | 2023-12-12 | 重庆大学 | 一种基于车辆动力学响应的路面附着系数估计方法 |
-
2022
- 2022-11-28 CN CN202211503011.2A patent/CN115828425A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070356A (zh) * | 2023-04-06 | 2023-05-05 | 山东玲珑轮胎股份有限公司 | 一种轮胎模型设计方法及系统 |
| CN116070356B (zh) * | 2023-04-06 | 2023-08-08 | 山东玲珑轮胎股份有限公司 | 一种轮胎模型设计方法及系统 |
| CN117217015A (zh) * | 2023-09-22 | 2023-12-12 | 重庆大学 | 一种基于车辆动力学响应的路面附着系数估计方法 |
| CN117217015B (zh) * | 2023-09-22 | 2024-06-04 | 重庆大学 | 一种基于车辆动力学响应的路面附着系数估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115828425A (zh) | 轮胎模型及路面附着系数协同辨识方法、系统 | |
| CN109466558B (zh) | 一种基于ekf和bp神经网络的路面附着系数估计方法 | |
| CN107491736A (zh) | 一种基于卷积神经网络的路面附着系数辨识方法 | |
| CN113386781A (zh) | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 | |
| CN105034986B (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
| CN113408047B (zh) | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 | |
| Li et al. | Comparative study of vehicle tyre–road friction coefficient estimation with a novel cost-effective method | |
| CN108058710A (zh) | 用于运行驾驶员辅助系统的方法和设备、驾驶员辅助系统 | |
| CN109918972A (zh) | 一种行车重量智能监控方法及系统 | |
| Cerone et al. | Set-membership LPV model identification of vehicle lateral dynamics | |
| El Tannoury et al. | Synthesis and application of nonlinear observers for the estimation of tire effective radius and rolling resistance of an automotive vehicle | |
| de Castro et al. | A new linear parametrization for peak friction coefficient estimation in real time | |
| Davins-Valldaura et al. | Design and optimization of nonlinear observers for road curvature and state estimation in automated vehicles | |
| CN116560223A (zh) | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 | |
| Escoriza et al. | Data-driven Kalman-based velocity estimation for autonomous racing | |
| CN107229801B (zh) | 轮胎滚动阻力系数在线辨识方法 | |
| Andriaminahy et al. | Comparative study of vehicle aerodynamic and rolling resistance coefficients estimation methods | |
| Vosahlik et al. | Self-supervised learning of camera-based drivable surface friction | |
| CN118228590A (zh) | 一种基于lstm神经网络的汽车载重估计方法 | |
| Boada et al. | A robust observer based on energy-to-peak filtering in combination with neural networks for parameter varying systems and its application to vehicle roll angle estimation | |
| Leanza et al. | On the vehicle dynamics prediction via model-based observation | |
| Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
| Ahangarnejad et al. | Adap-tyre: DEKF filtering for vehicle state estimation based on tyre parameter adaptation | |
| Liu et al. | Vehicle state estimation based on unscented kalman filtering and a genetic algorithm | |
| CN112528568B (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |