一种用于车辆侧偏角估计的 Unscented Kalman 滤波-informed 神经网络
系统与控制
2023-03-10 v1 系统与控制
摘要
本文提出一种新颖的车辆侧偏角估计器，其利用基于非线性单轨车辆模型的 Unscented Kalman 滤波（UKF）所提供的物理知识来提升卷积神经网络（CNN）的估计精度。基于模型与数据驱动的方法相互交互，且二者均使用标准惯性测量单元及由载荷传感技术测得的轮胎力。CNN 从 UKF 获得利用物理定律的能力。同时，UKF 将 CNN 的输出用作侧偏角伪测量与自适应过程噪声参数。通过时间的反向传播算法端到端地应用于 CNN 与 UKF 以利用这种共生特性。利用包含极大多样性车辆行为的 216 次操纵的大规模实验数据集，我们证明了所提架构相较当前结合基于模型与数据驱动技术的混合方法在精度上的显著提升。在训练阶段仅提供有限数据集的情况下，所提混合方法仍保证估计的鲁棒性。
引用
@article{arxiv.2303.05238,
title = {An Unscented Kalman Filter-Informed Neural Network for Vehicle Sideslip Angle Estimation},
author = {Alberto Bertipaglia and Mohsen Alirezaei and Riender Happee and Barys Shyrokau},
journal= {arXiv preprint arXiv:2303.05238},
year = {2023}
}