Tire friction potential estimation combining Kalman filtering and Monte-Carlo Markov Chain Model Learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Tire friction potential estimation combining Kalman filtering and Monte-Carlo Markov Chain Model Learning

Estimation du potentiel d'adhérence pneumatique combinant filtrage de Kalman et apprentissage de modèle à partir de méthodes de Monte-Carlo par chaînes de Markov

Résumé

The tire friction potential is the quantity characterizing the amount of friction remaining before the tire begins to skid on the road. Knowing this quantity during a travel turns out to be particularly advantageous, especially for the development of autonomous vehicles and also to significantly improve the driver assistance systems performances. Unfortunately, under standard driving conditions, the longitudinal tire force provided by a tire is low compared to the normal load applied on it. Therefore, the grip potential is particularly difficult to estimate under standard driving conditions. Thus, the goal of this PhD thesis is to carry out a method enabling to estimate the grip potential under standard driving conditions. This method should work using only the sensors fitted on production vehicle. The introduced method is divided into two main steps.Firstly, friction data points are combined with an adaptive Monte-Carlo Markov Chain method in order to predict the grip potential value. In this first main step, the friction data points are measurements coming from simulations or tests carried out on standard tires with a tire testing machine. However, in the practical case where the only accessible measurements are the ones provided by sensors fitted on production vehicle, these friction data points measurements are not available.Therefore, in a second main step, an extended Kalman filter is used in order to obtain friction data points estimates by using exclusively signals provided by the sensors fitted on production vehicle. This step is validated on simulated data representative of a straight line maneuver.
Le potentiel d’adhérence d’un pneu est la grandeur caractérisant la quantité d’adhérence restante à un pneu avant que celui-ci ne se mette à patiner sur la route. La connaissance de cette grandeur lors d’un trajet pourrait se révéler particulièrement avantageuse, notamment pour le développement des véhicules autonomes et également pour améliorer sensiblement les performances des systèmes d’aide à la conduite. Malheureusement, lors d’une manœuvre standard, les efforts longitudinaux générés par le pneu restent faibles par rapport à la charge subie par celui-ci. En conséquence, le potentiel d’adhérence est particulièrement difficile à estimer. Ainsi, l’objectif de ces travaux est de mettre en œuvre une méthode permettant d’estimer le potentiel d’adhérence lors d’une manœuvre standard en utilisant uniquement les capteurs équipant les véhicules de série. La méthode mise en œuvre se scinde en deux grandes étapes.Tout d’abord, une méthode de type Monte-Carlo adaptative utilisant des points de friction est mise en œuvre afin de déterminer le potentiel d’adhérence. Dans cette première grande partie, les points de friction utilisés sont des mesures provenant de simulations ou d’essais effectués avec des machines de test sur des pneus standards. Cependant, dans le cas pratique où les seules mesures accessibles sont celles fournies par les capteurs présents sur les véhicules de série, ces mesures de points de friction ne sont pas accessibles.Ainsi, dans une seconde grande étape, un filtre de Kalman étendu est utilisé afin d’obtenir des estimations des points de friction en ne se servant que des signaux fournis par les capteurs présents sur les véhicules de série. Cette étape est validée sur des données de simulation représentatives d’une manœuvre en ligne droite.
Fichier principal
Vignette du fichier
2022-Mussot-Vincent-These.pdf (31.13 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-03615055 , version 1 (21-03-2022)

Identifiants

  • HAL Id : tel-03615055 , version 1

Citer

Vincent Mussot. Tire friction potential estimation combining Kalman filtering and Monte-Carlo Markov Chain Model Learning. Automatic. Université de Poitiers, 2022. English. ⟨NNT : 2022POIT2258⟩. ⟨tel-03615055⟩
102 Consultations
49 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More