学习协同估计路面摩擦

我们提出一种系统，通过基于近期驶过某弯曲路段的车辆数据达成一致性估计，来估计任意弯曲路面段的路面摩擦。该估计可帮助后续车辆。为降低成本，我们仅依赖标准车载传感器，如IMU，以及转向角和轮速传感器。我们系统的工作流程包括：（i）处理现有车载传感器测量值，实现捕捉低摩擦对车辆影响的虚拟传感器；（ii）利用V2X通信将简短的运动学摘要从车辆传输至路侧单元（RSU）；（iii）在RSU上运行机器学习回归器，基于各车辆摘要估计摩擦系数，随后组合多个此类估计。在路网上设计与实现系统时，我们面临两个关键问题：（i）每个路段是否应有局部摩擦系数回归器，还是可使用覆盖所有可能路段的全局回归器？（ii）所得回归器估计的准确度如何？我们使用商业软件包Dyna4进行仿真以测试方案设计变体的性能。我们考虑单一车型配以不同胎面磨损程度，以及一系列路面摩擦系数。我们发现：（a）与局部回归器相比，使用全局回归器仅带来边际精度损失；（b）若组合基于至少五十辆近期驶过车辆，RSU处的一致性估计最坏情况误差约为百分之十；（c）我们的回归器均方根（RMS）误差小于百分之五。我们系统的RMS错误率为某商业摩擦估计服务的一半。