车辆横向动力学混合模型

提高路径跟踪与稳定性

将神经网络嵌入物理模型，实现对建模误差和轮胎侧偏刚度的统一辨识，兼具物理可解释性和数据驱动精度。

Zhou, Zhisong · 王亚飞 · Zhou, Guofeng · Liu, Xulei · 吴明瑜 · Dai, Kunpeng

IEEE Transactions on Vehicular Technology 2024

技术优势

精度高

仿真和实验结果表明，混合模型比传统物理模型和数据驱动模型更精确。

物理可解释

通过将神经网络嵌入变形后的物理模型，模型既利用数据知识又遵循物理规律。

误差可表征

建模误差和轮胎侧偏刚度被统一到复合参数中，通过辨识这些复合参数即可表征建模误差。

时变参数辨识

神经网络辨识的时变参数能够高精度刻画建模误差和参数。

应用场景

• 自动驾驶汽车控制：为自动驾驶路径跟随提供高精度横向动力学模型。
• 车辆稳定性控制：为横向稳定性控制器设计提供精确的状态预测。
• 底盘参数估计：用于估计轮胎侧偏刚度和建模误差等时变参数。
• 车辆动力学建模：融合物理定律与数据知识构建更精确的模型。