Estimación en tiempo real de la rigidez de los neumáticos mediante GDM y RLS mejorados para vehículos autónomos

Área de la Ciencia:

• Dinámica y control del vehículo
• Aprendizaje automático para aplicaciones de ingeniería
• Sistemas de seguridad para automóviles

Sus antecedentes:

• La estabilidad del viraje es crítica para el control lateral del vehículo, fuertemente influenciada por las interacciones no lineales neumático-carretera.
• La rigidez lateral del neumático (TLS, por sus siglas en inglés) es un parámetro clave que afecta a la estabilidad del viraje, que varía según las condiciones del neumático y de la carretera.
• La estimación precisa de TLS es primordial para la seguridad de la conducción autónoma, especialmente en escenarios exigentes.

Objetivo del estudio:

• Proponer un nuevo marco para la identificación de la rigidez lateral de los neumáticos (TLS).
• Explorar métodos modificados de descenso gradiente (GDM) inspirados en el aprendizaje profundo para la estimación de TLS.
• Desarrollar y evaluar algoritmos mejorados en tiempo real para el seguimiento de TLS.

Principales métodos:

• Se estableció un vínculo teórico entre los mínimos cuadrados recursivos (RLS) y GDM, identificando RLS como un caso específico de GDM.
• Se han desarrollado variantes mejoradas de RLS para la identificación de TLS en tiempo real.
• Utilizó simulaciones para comparar varios algoritmos GDM y RLS en diversas condiciones, incluidos métodos adaptativos como Adam.

Principales resultados:

• Capacidades de seguimiento TLS demostradas en diferentes algoritmos y condiciones variables.
• Los métodos adaptativos de GDM, como Adam, mostraron un rendimiento superior en el seguimiento de TLS.
• Se ha conseguido un error relativo de equilibrio (RSSE) inferior al 5% y un tiempo de respuesta (t10) inferior a 3 segundos con métodos adaptativos.

Conclusiones:

• El marco propuesto inspirado en GDM identifica efectivamente TLS en tiempo real.
• Los algoritmos adaptativos como Adam proporcionan un rendimiento mejorado para la estimación de TLS en vehículos autónomos.
• Los resultados ofrecen ideas prácticas para seleccionar estimadores apropiados en sistemas de conducción autónoma críticos para la seguridad.