據(jù)外媒報(bào)道，由大邱慶北科學(xué)技術(shù)院（DGIST）機(jī)器人與機(jī)械工程系Kanghyun教授領(lǐng)導(dǎo)的研究團(tuán)隊(duì)開發(fā)一種基于物理人工智能的車輛狀態(tài)估計(jì)技術(shù)，能夠?qū)崟r(shí)、精確地估計(jì)電動(dòng)汽車的行駛狀態(tài)。這項(xiàng)技術(shù)被視為一項(xiàng)關(guān)鍵性進(jìn)步，能夠提升電動(dòng)汽車的核心控制性能，并顯著增強(qiáng)自動(dòng)駕駛車輛的安全性。該研究是與中國(guó)上海交通大學(xué)（Shanghai Jiao Tong University in China）和日本東京大學(xué)（the University of Tokyo in Japan）開展的國(guó)際合作研究。該研究成果發(fā)表于《IEEE Transactions on Industrial Electronics》。

圖片來(lái)源： https://scx2.b-cdn.net/gfx/news/hires/2020/traffic.jpg  

側(cè)滑角是指電動(dòng)汽車在急轉(zhuǎn)彎或濕滑路面上行駛時(shí)側(cè)滑的程度，對(duì)于安全駕駛至關(guān)重要。由于車載傳感器難以直接測(cè)量該值，汽車制造商通常依賴復(fù)雜的物理模型或間接估算。然而，這些方法存在精度低和適用性受限等問(wèn)題。

為了解決這些問(wèn)題，Nam教授的團(tuán)隊(duì)開發(fā)一種基于物理人工智能的新型估算技術(shù)，該技術(shù)結(jié)合人工智能和物理模型。其核心思想是將描述車輛運(yùn)動(dòng)的物理模型、測(cè)量輪胎橫向力的傳感器數(shù)據(jù)以及基于人工智能的回歸模型（Gaussian Process Regression，簡(jiǎn)稱GPR）相結(jié)合，從而顯著提高估算精度。

為應(yīng)對(duì)物理模型難以解釋的非線性輪胎行為和環(huán)境變化，研究團(tuán)隊(duì)開發(fā)一種混合估計(jì)框架，該框架將物理輪胎模型與基于人工智能的學(xué)習(xí)模型相結(jié)合。具體而言，通過(guò)使用集成高斯過(guò)程回歸（GPR）的無(wú)跡卡爾曼濾波器（UKF）觀測(cè)器，該團(tuán)隊(duì)既保證數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)的靈活性，又保證物理模型的可靠性。與傳統(tǒng)方法相比，這種組合能夠更準(zhǔn)確、更快速地估計(jì)車輛的側(cè)滑角。

在實(shí)際電動(dòng)汽車平臺(tái)測(cè)試中，該技術(shù)在不同的路面、速度和轉(zhuǎn)彎條件下均展現(xiàn)出高精度和強(qiáng)大的估計(jì)性能。精確的車輛狀態(tài)估計(jì)對(duì)于電動(dòng)汽車的行駛穩(wěn)定性控制、自動(dòng)駕駛安全性和能源效率至關(guān)重要。這項(xiàng)成果被視為未來(lái)出行領(lǐng)域的一項(xiàng)重大技術(shù)突破，因?yàn)槠錇榛谌斯ぶ悄艿奈锢碥囕v控制開辟新的可能性。

Nam教授表示：“通過(guò)結(jié)合物理模型和人工智能的新方法，我們可以更精確、更可靠地估算電動(dòng)汽車的行駛狀況。這項(xiàng)研究將成為下一代自動(dòng)駕駛和電動(dòng)汽車技術(shù)的核心基礎(chǔ)。我們將與全球汽車制造商開展聯(lián)合研究，進(jìn)一步開發(fā)這項(xiàng)技術(shù)，并將其推廣到實(shí)際工業(yè)環(huán)境中。”