Nonlinear Modeling, Sparse Estimation, and Input Design for Vehicle Dynamics

QC 20251124

Abstract

I takt med den ökande variationen i vägmiljöer och den växande intelligensen hos transportsystem utsätts autonoma fordon för alltmer komplexa, varierande och icke-linjära driftförhållanden. För att säkerställa säkerheten i trafiken ställs därför högre krav på modelleringsnoggrannhet för fordonsdynamik och på tillförlitligheten i tillståndsskattning. Samtidigt är viktiga fysikaliska storheter såsom hjulnavsmoment och fordonsmassa svåra att mäta direkt på grund av de höga kostnaderna och den betydande implementeringskomplexiteten för högprecisionssensorer. I praktiken är en noggrann skattning av hjulnavsmomentet viktig för hållbarhetsanalys och bidrar till att minska risken för förtida komponentfel. På samma sätt är fordonsmassa svår att bestämma i miljöer där direkta mätningar är opraktiska, såsom i gruvarbetssituationer, trots dess stora betydelse för reglerprestanda och transporteffektivitet. Utvecklingen av noggranna estimatorer blir därmed av avgörande betydelse. För att möta modell- och styrningskraven för autonoma fordon under komplexa och varierande förhållanden lämnar denna avhandling tre centrala bidrag.

För det första behandlas de starka icke-lineariteter som ofta förekommer i fordon med inkopplingsbar fyrhjulsdrift, särskilt det dödzonsfenomenet som är utbrett i hjulnavsmomentsignaler. Avhandlingen föreslår en mjuk sensorarkitektur som integrerar en estimator av typen multiple-input single-output finite impulse response (MISO-FIR) med en klassificerare baserad på logistisk regression. Klassificeraren utnyttjar lågfrequent indata för att identifiera systemets dödzonstillstånd, varefter momentestimering utförs med lättillgängliga sensorsignaler under icke-dödzonsförhållanden. Försök med data från verkliga fordon visar att den föreslagna metoden avsevärt förbättrar noggrannheten i momentestimeringen och beräkningseffektiviteten jämfört med standardmässiga linjära och icke-linjära modeller, till exempel neurala nätverk. Metoden hanterar därmed effektivt utmaningarna med att modellera ett uttalat icke-linjärt fenomen.

För det andra adresseras problem med parameterredundans, ett överdrivet antal modeller och avsaknaden av ett enhetligt kriterium för gles modellering i flerförhållandemodellering av fordon. Avhandlingen föreslår en metod för parametersammanfogning och val av indata baserad på l1-normregularisering. Genom att kombinera MISO-FIR-modellering med l1-normen och en modellskillnads-l2-norm reducerar metoden effektivt modellredundans, eliminerar irrelevanta insignaler och förbättrar effektiviteten i parameterestimeringen. Teoretiska övre gränser härleds för hyperparametrarna i både l1-normregulariseringen och modellskillnads-l2-normen. Valideringsexperiment med kvartsfordonsfjädringstester och verkliga fordonsdata bekräftar att den föreslagna metoden minskar parameterredundans och främjar gleshet samtidigt som hög estimeringsnoggrannhet bibehålls över flera driftförhållanden.

Slutligen skiftar avhandlingen från passiv modellering till aktiv indatautformning och presenterar ett tillämpningsorienterat ramverk för indatautformning, application-oriented input design (AOID), för estimering av fordonsmassa. I syfte att förbättra estimeringsnoggrannheten optimerar metoden accelerations- och hastighetsprofiler inom givna driftsbegränsningar, vilket stärker systemets identifierbarhet och excitering av parametrar. Avhandlingen analyserar systematiskt tre vanliga mål för indatautformning, nämligen maximal estimeringsnoggrannhet, minimal experimenttid och minimal körsträcka, och härleder strukturellt optimala indatastrategier med beaktande av fysiska begränsningar. Verifiering på en tung lastbil med varierande last visar att de designade accelerations- och hastighetsbanorna är genomförbara och ger en estimeringsprestanda som överensstämmer med de teoretiska förväntningarna.

Dessa tre metoder bildar tillsammans ett integrerat ramverk för systemidentifiering under komplexa fordonsförhållanden. Ramverket omfattar en mjuk sensor för noggrann momentestimering vid starka icke-lineariteter, en regulariseringsbaserad metod för parameterestimering, modelsammanfogning och gleshetsfrämjande med teoretiska regulariseringsgränser samt ett AOID-ramverk för massestimering under olika optimeringsmål och med verifiering i verkliga tester. Sammantaget ökar ramverket flexibiliteten i modelleringsstrategier och underlättar praktisk implementering, vilket bidrar till mer tillförlitlig estimering och styrning i representativa scenarier för intelligenta fordon.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-373227