面向车辆侧滑角估计的不确定性感知混合机器学习虚拟传感器

精确的车辆状态估计对于安全可靠的自动驾驶至关重要。当前车载传感器系统提供的可测状态数量及其精度往往受制于成本。例如，使用当前光学传感器测量关键量（如车辆侧滑角, VSA）存在显著的商业挑战。本文聚焦于开发高性能虚拟传感器以增强车辆状态估计，用于主动安全。提出的不确定性感知混合学习 (UAHL) 架构将机器学习模型与车辆运动模型集成，用于从车载传感器数据直接估计 VSA。UAHL 架构的关键特性是其对单个模型估计及混合融合的不确定性量化。这些机制使能够对来自机器学习和车辆运动模型的不确定性感知预测进行动态加权，以产生准确可靠的混合 VSA 估计。本工作还提出了一个新的数据集，名为 Real-world Vehicle State Estimation Dataset (ReV-StED)，包含来自先进车辆动力学传感器的同步测量。实验结果表明，所提出的方法在 VSA 估计方面性能卓越，突显 UAHL 作为推动虚拟传感器发展并增强自动驾驶主动安全性的有前景的架构。