近日,智能车辆团队论文《Data-Driven Tire-Road Friction Estimation for Electric-Wheel Vehicle with Data Category Selection and Uncertainty Evaluation》在IEEE Transactions on Industrial Electronics发表。

路面附着系数是实现电动轮车辆精确运动控制的关键动力学参数。本研究提出了一种基于稀疏变分深度核学习的路面附着系数估计方法，在车辆纵向机动信号激励下基于多域信号特征融合提取实现路面附着系数估计。首先，基于时域动力学模型和频域动力学模型对与路面附着系数相关的车辆状态和动力学参数进行分析，实现神经网络模型的输入信号类别选取。此外，结合卷积神经网络与高斯过程回归设计了稀疏变分深度核学习框架，用于高效映射时空特征并评估估计不确定性。

主要贡献如下：

1）通过稳态机动和非稳态机动下的电动轮动力学特性与车辆运动激励分析，提出了基于动力学可解释性机制的神经网络模型输入类别选择方案

2）通过集成并行时空卷积神经网络和稀疏变分高斯过程，提出了一种稀疏变分深度核学习方法。该稀疏变分深度核学习方法能够有效映射时空特征，并评估估计的不确定性

3）所提方法可使电动轮车辆在常规激励工况和小激励工况下均能实现精确路面附着系数估计

论文作者：陈亮、秦兆博、边有钢、胡满江、彭晓燕

论文链接：https://ieeexplore.ieee.org/document/10643991