利用機器學習進行巡航時道路表面二元分類

研究論文探討了即時估計道路滑溜性的重要性，這對於車輛警告和介入控制系統至關重要。傳統上，摩擦力估計依賴於車輛動態的遞迴估計器，透過計算滑移斜率來進行，但其效果受到車輛動態場景的嚴重限制。當車輛處於巡航狀態且滑移極少時，這些方法變得無效，因為現今生產級感測器（如輪速感測器）無法測量或準確估計微滑移，而這對於區分不同表面至關重要。為解決此挑戰，論文提出使用機器學習來揭示巡航時車輛信號與道路表面條件之間的相關性。研究採用基於特徵的框架和端到端數據驅動框架，將車輛動態行為的統計數據與道路表面條件相關聯，並執行二元分類，將其分為抓地（乾燥或潮濕）和滑溜（雪或冰）條件。透過滑動窗口方法，批量處理短緩衝窗口的輪速、輪扭矩、縱向加速度、轉向角和偏航率，這些數據被輸入機器學習模組以預測道路狀態。在公共道路數據上的驗證結果顯示，數據驅動方法即使在巡航時也能正確識別道路表面，這為輪胎和車輛動態領域中精確的數據驅動摩擦相關狀態估計器帶來了希望。