Rapid methodology for vehicle dynamic parameter estimation

Abstract

Esta pesquisa foi impulsionada pela crescente demanda por métodos de estimação de parâmetros em veículos de condução automatizada, visando aplicações economicamente viáveis. Para obter uma estimativa confiável dos parâmetros foi implementado um modelo dinâmica veicular com 10 DoF em Python, usando módulos que representam os sistemas do veículo: trem de força, chassi, suspensão, direção, freios e pneus. Este modelo foi comparado com uma software comercial virtual \"CarMarker\"utilizando dados aferidos de um BMW M8 Competition no C-IAD em THI. Além disso, métodos de otimização foram empregados para parâmetros com menor confiabilidade em medições tradicionais. Manobras específicas foram realizadas para isolar influências de parâmetros na dinâmica do veículo, avaliando comportamentos longitudinais, laterais e combinados através de testes padronizados, incluindo aceleração-rolamento-freio, step steer e teste do alce de acordo com a norma ISO 3888-2. O modelo do veículo produziu resultados coerentes em vários aspectos, exibindo sincronia nas mudanças de marcha, respostas próximas a referência em termos de torque para trem de força e freio. Em testes longitudinais, os valores de inclinação ficaram dentro dos intervalos esperados, com tendências alinhadas estreitamente com as respectivas ações do acelerador e do freio. Os testes de direção escalonada revelaram diferenças perceptíveis nas forças entre os pneus internos e externos devido à variação do ângulo de deriva. As manobras de mudança de faixa serviram para validar as previsões do ângulo de rolagem, apresentando valores mais elevados atribuíveis às simplificações do modelo, como a ausência de barras estabilizadoras. Otimizações adicionais foram buscadas no módulo do trem de força usando algoritmos genéticos para ajustar os parâmetros inerciais, resultando em melhorias consideráveis na velocidade longitudinal do veículo, especialmente em velocidades superiores a 10m/s.

Abstract: This research was driven by the growing demand for parameter estimation methods in automated driving vehicles, aiming for economically viable applications. In order to achieve a reliable parameter estimation it was implemented a 10 Degree of Freedom (DoF) twin track vehicle dynamic model in Python language using modules that represent the vehicle systems powertrain, chassis, suspension, steering, brakes and tires. This model was compared with a virtual solution from \"IPG CarMarker\" software using data gauged from a BMW M8 Competition in CARISSMA - Institute Automated Driving (C-IAD) at Technische Hochschule Ingolstadt (THI). Additionally, optimization methods were employed for parameters with lower reliability in traditional measurements. Specific maneuvers were conducted to isolate parameter influences on vehicle dynamics, evaluating longitudinal, lateral, and combined behaviors through standardized tests including acceleration-rolling-brake, step steer, and double lane change maneuvers as per ISO 3888-2 norm. The vehicle model yielded coherent results across various aspects, exhibiting synchrony in gear changes, powertrain responses, and brake torque values compared to the base model. In longitudinal tests, pitch values fell within expected ranges, with trends aligning closely with respective throttle and brake inputs. Step steer tests revealed discernible differences in forces between inner and outer tires owing to slip angle variance. Lane change maneuvers served to validate roll angle predictions, showcasing higher values attributable to the model?s simplifications, such as the absence of anti-roll bars. Further optimizations were pursued in the powertrain module using genetic algorithms to fine-tune inertial parameters, resulting in noteworthy enhancements in vehicle longitudinal speed, particularly at velocities exceeding 10 m/s.