基于贝叶斯优化的 tire 参数及其不确定性估计：针对真实世界数据
机器人学
2025-04-30 v1
摘要
本工作提出一种方法，利用贝叶斯优化技术估计 tire 参数及其不确定性。文献中主要关注参数估计，却缺乏对参数识别质量的评估以及实现良好模型拟合所需的滑移比例。因此，我们检验了随机变分推断作为估计参数及其不确定性的方法。我们将其与基于 Nelder-Mead 算法的最新方法进行比较，进行理论和真实世界应用的评估。理论研究考虑不同滑移比例下的参数拟合，以评估每个参数所需的激发程度。结果被比较于 Pacejka Magic Formula tire model 的灵敏度分析。我们展示了该算法在阿布扎比自动驾驶赛车联赛期间获取的真实数据上的应用，突出了由于激发不足导致曲率和形状参数识别不确定性。收集的见解可帮助评估获取的数据的局限性，并在捕获更高滑移比例时利用标准化参数。我们表明，所提出的方法可用于评估 tire 模型参数在真实条件下的均值及其不确定性，并据此推导出基于模拟研究的 tire建模行动。
引用
@article{arxiv.2504.20863,
title = {Bayesian Optimization-based Tire Parameter and Uncertainty Estimation for Real-World Data},
author = {Sven Goblirsch and Benedikt Ruhland and Johannes Betz and Markus Lienkamp},
journal= {arXiv preprint arXiv:2504.20863},
year = {2025}
}
备注
This paper has been accepted at IV 2025