Onthevehiclesideslipangleestimationthroughneuralnetworks:Numericalandexperimentalresults.S.Melzi,E.SabbioniMechanicalSystemsandSignalProcessing25(2011)：14~28电脑估计车辆侧滑角的数值和实验结果机械系统和信号处理2011年第25期：14~28摘要将稳定控制系统应用于差动制动内/外轮胎是现在对客车车辆的标准（电子稳定系统ESP、直接偏航力矩控制DYC）。这些系统假设将两个偏航率(通常是衡量板)和侧滑角作为控制变量。不幸的是后者的具体数值只有通过非常昂贵却不适合用于普通车辆的设备才可以实现直接被测量,因此只能估计其数值。几个州的观察家最终将适应参数的参考车辆模型作为开发的目的。然而侧滑角的估计还是一个悬而未决的问题。为了避免有关参考模型参数识别/适应的问题,本文提出了分层神经网络方法估算侧滑角。横向加速度、偏航角速率、速度和引导角,都可以作为普通传感器的输入值。人脑中的神经网络的设计和定义的策略构成训练集通过数值模拟与七分布式光纤传感器的车辆模型都已经获得了。在各种路面上神经网络性能和稳定已经通过处理实验数据获得和相应的车辆和提到几个处理演习(一步引导、电源、双车道变化等)得以证实。结果通常显示估计和测量的侧滑角之间有良好的一致性。1介绍稳定控制系统可以防止车辆的旋转和漂移。实际上，在轮胎和道路之间的物理极限的附着力下驾驶汽车是一个极其困难的任务。通常大部分司机不能处理这种情况和失去控制的车辆。最近,为了提高车辆安全，稳定控制系统(ESP[1,2];DYC[3,4])介绍了通过将差动制动/驱动扭矩应用到内/外轮胎来试图控制偏航力矩的方法。横摆力矩控制系统（DYC）是基于偏航角速率反馈进行控制的。在这种情况下,控制系统使车辆处于由司机转向输入和车辆速度控制的期望的偏航率[3,4]。然而为了确保稳定，防止特别是在低摩擦路面上的车辆侧滑角变得太大是必要的[1,2]。事实上由于非线性回旋力和轮胎滑移角之间的关系，转向角的变化几乎不改变偏航力矩。因此两个偏航率和侧滑角的实现需要一个有效的稳定控制系统[1,2]。不幸的是,能直接测量的侧滑角只能用特殊设备(光学传感器或GPS惯性传感器的组合)，现在这种设备非常昂贵,不适合在普通汽车上实现。因此,必须在实时测量的基础上进行侧滑角估计，具体是测量横向/纵向加速度、角速度、引导角度和车轮角速度来估计车辆速度。在主要是基于状态观测器/卡尔曼滤波器(5、6)的文学资料里,提出了几个侧滑角估计策略。因为国家观察员都基于一个参考车辆模型,他们只有准确已知模型参数的情况下，才可以提供一个令人满意的估计。根据这种观点,轮胎特性尤其关键取决于附着条件、温度、磨损等特点。轮胎转弯刚度的提出就是为了克服这些困难,适应观察员能够提供一个同步估计的侧滑角和附着条件[7,8]。这种方法的弊端是一个更复杂的布局的估计量导致需要很高的计算工作量。另一种方法可由代表神经网络由于其承受能力模型非线性系统，这样不需要一个参考模型。变量之间的关系表明，实际上车辆动力学的测量板测和侧滑角通常是纯粹的数值而它的结果则是从一个网络“学习”复制目标输出关联到一个特定的输入的训练过程。在本文可以发现一些尝试应用神经网络技术对侧滑角估计。在[9],侧滑角在即时k+1，k,k-1,k-n的值是作为一个功能的横向加速度和角速度的估计。从结果来看解决似乎很有前景,但车辆速度变化的影响(不包括在神经网络的输入变量)和对路面附着系数的问题仍未解决。神经网络中表明不是基于一个非常规组传感器:输入到神经网络实际上是这些措施提供了四个双轴加速度计放置在对应的车身设计的每一个角落。然而,即使在这种情况下,影响附着条件对神经网络性能仍无法解决。本研究的目的是进一步调查这种应用神经网络的方法对侧滑角估计作为输入的可能性，通常只有测量获得了板测量(横向/纵向加速度、角速度,引导角和车辆速度)和考虑速度和附着状况的变化。特别地,因为这个架构显示有一个广泛的适用性动态表示问题，一个双层(或单隐层)神经网络设计才得以出现[11]。在第一阶段的研究,在一个分布式光纤传感器的车辆模型基础上进行了数值分析结果。期间,一直在输入不同的的数值进入人工神经网络系统,直到得到满意的结果为止。采用的训练集的特点是,在高/低粘附路面上演习不同谐波内容(步骤引导,横扫正弦驾驶),水平的横向加速度。此外，选择包括输入之间的神经网络估计侧滑角已经决定。随后,一旦确定了最佳输入和训练集,在一个检测车辆的实际驾驶情况后处理获得的实验数据，实现人工神经网络性能和稳定。特别是,大部分人的