Vehicle Sideslip Angle Estimation Based on Finite Memory Estimation and Dynamic/Kinematic Model Fusion = 유한 기억 추정법과 동역학/운동학 모델 융합 기반의 차량 횡슬립각 추정

국문 초록 (Abstract)

자동차의 코너링에서의 주행 안정성을 향상하기 위해서는 횡 슬립 각도의 추정이 필요하다. 본 연구에서는 추가적인 센서 필요 없이 동역학 및 운동학 모델을 융합하여 횡 슬립각을 추정하는 알고리즘을 제안한다. 두 모델의 융합을 위한 가중치 선정은 인공신경망을 사용하였으며, 모델을 통해 횡 슬립각을 추정하기 위해 새로운 finite memory estimation (FME)를 설계하였다. 그 결과 제안 알고리즘은 동역학과 운동학 모델 각각의 단점을 보완하고, FME를 통해 오차의 누적을 막음으로써 우수한 추정 정확도를 얻을 수 있었다. 제안 알고리즘의 성능을 평가하기 위해 Carsim 프로그램을 이용한 시뮬레이션과 실제 차량의 주행 테스트를 통해 얻은 데이터로 실험을 진행하였다.

다국어 초록 (Multilingual Abstract)

Estimation of the sideslip angle is essential to enhance the driving stability of an automobile while cornering. This study proposes a novel algorithm that estimates the sideslip angle by combining dynamic and kinematic models without requiring supplementary sensors. We employed an artificial neural network to choose the weights for the fusion of the two models. Moreover, we designed a new finite memory estimation (FME) algorithm to estimate the sideslip angle through the model. The proposed algorithm effectively addresses the deficiencies of the dynamic and kinematic models by preventing error accumulation through the use of FME, which results in accurate estimation. The performance of the proposed algorithm was evaluated through simulation using the Carsim program and experiments using data from driving tests of an actual vehicle.

목차 (Table of Contents)

• Abstract i
• Contents iii
• List of Tables v
• List of Figures vi
• 1 Introduction 1
• 2 Model Construction for Sideslip Angle Estimation 5
• 2.1 Dynamic Model 7
• 2.2 Kinematic Model 10
• 3 Finite Memory Sideslip Angle Estimation 13
• 3.1 Batch Form 13
• 3.2 Iterative Form 18
• 4 Dynamic/Kinematic Model Fusion Using Neural Networks 21
• 4.1 Structure of Artificial Neural Network 21
• 4.2 Training Data 24
• 5 Simulation and Experiments 25
• 5.1 Simulation 25
• 5.2 Experiments 29
• 6 Conclusions 33
• Bibliography 34