用于动态轮胎垂向力估计与滑水分类的门控循环单元(GRU)模型

《IEEE Access》：A Gated Recurrent Unit Model for Dynamic Tire Normal Force Estimation and Hydroplaning Classification

　　

摘要：本研究提出一种利用门控循环单元(Gated Recurrent Unit, GRU)模型估计全车四轮动态轮胎垂向力(Tire Normal Force, Fz)的新方法。先进驾驶辅助系统(Advanced Driver Assistance Systems, ADASs)是提升行驶稳定性与车辆安全的关键技术之一，而轮胎垂向力是其设计与分析中的关键因素。然而，由于成本高昂、技术限制及维护负担，乘用车中对该力的直接测量极为困难。此外，传统的基于卡尔曼滤波(Kalman Filter, KF)的估计方法因模型不确定性和不同行驶条件下辨识参数的变化而导致性能退化。所提出的GRU模型仅需常规车载传感器获取的时序数据即可捕捉动态轮胎垂向力，无需任何显式的物理模型。作为初步应用，研究人员还展示了基于估计的动态轮胎垂向力响应进行滑水(Hydroplaning)分类的预研究；滑水是一种导致胎路接触丧失及轮胎垂向力降低的物理现象。在本研究中，估计得到的轮胎垂向力被用作基于一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1-D CNN)进行滑水分类的特征信号。所提GRU模型的估计性能通过与基于KF的估计器、CarSim?整车仿真及搭载智能轮胎传感器的实车试验进行了全面验证，滑水分类进一步使用嵌入式边缘计算模块予以验证。

论文解读：基于GRU模型的动态轮胎垂向力估计及滑水分类研究

一、研究背景与意义

道路交通事故每年造成全球超过130万人死亡及5000万人受伤。先进驾驶辅助系统（ADAS，如ABS、ESC等）依赖轮胎与路面间的作用力，其中垂直于轮胎—路面接触面的轮胎垂向力（Tire Normal Force, F_z）是决定轮胎纵横向力生成能力及滚动阻力的核心参数。车辆在加减速与转向时发生的载荷转移及路面激励使F_z呈现动态时变特性。目前乘用车难以直接测量F_z，通常假定为常量或基于车辆纵横向加速度解析估算。传统基于卡尔曼滤波（Kalman Filter, KF）或未知输入卡尔曼滤波（Kalman Filter with Unknown Input, KF-UI）的方法依赖7自由度整车悬架模型，需额外悬架位移传感器且计算复杂，同时存在模型简化引入的不确定性及参数随工况变化的鲁棒性问题。纯数据驱动方法（如LSTM）虽免去物理模型，但计算量较大。为此，研究人员开展本研究，提出基于门控循环单元（Gated Recurrent Unit, GRU）的数据驱动模型估计四轮动态F_z，并利用估计的F_z时序信号通过一维卷积神经网络（1-D CNN）实现滑水（Hydroplaning）现象的分类预警。该研究发表于《IEEE Access》。

二、主要关键技术方法

研究人员利用CarSim?软件生成E级轿车在A级路面及多种工况（急加速、紧急制动、匀速巡航）下的146组数据集作为训练与验证数据源。GRU模型输入为可从车载CAN总线获取的5个信号：簧载质量垂向速度（?_s）、簧载质量垂向加速度（z¨_s）、侧倾角速度（φ˙）、车辆纵向速度（v_x）及纵向加速度（a_x）。GRU网络设单层128个隐藏单元，时间窗长100个采样点（1.0 s），采用贝叶斯优化确定超参数，Adam算法训练，并加入Dropout与含1%高斯白噪声及±5%幅值缩放的数据增强以提升鲁棒性。对比基准为基于7-DOF全车悬架模型的KF-UI估计器。滑水分类采用2层1-D CNN（核尺寸5，滤波器32与64，ReLU激活，全局平均池化），以GRU输出的F_z滑动窗片段为输入。实车验证使用现代IONIQ 5电动车、智能轮胎传感器（通过接触参考面积CRA与胎压回归获得F_z真值）及NVIDIA Jetson系列边缘计算设备进行实时部署与延时测试。

三、研究结果

SECTION II. GRU-Based Estimation Model

研究人员介绍了GRU单元结构（更新门g_u与重置门g_r）及其时序学习能力。通过消融实验证明纵向加速度对捕捉纵向载荷转移最为关键，五变量联合输入使平均MRMSE最低（80.16 N）。GRU相较LSTM参数更少、计算效率更高，适合车载嵌入式应用。

SECTION III. Validation of Estimation Performance

在CarSim仿真中，GRU模型在急加速与120 km/h紧急制动工况下，四轮F_z估计的稳态均方根误差（Mean RMSE, MRMSE）为80~100 N，平均绝对误差（Mean Absolute Error, MAE）低于KF-UI（MRMSE约200~250 N）。KF-UI在动态工况下因参数失配出现明显偏差，而GRU能较好跟踪F_z变化。添加高斯传感器噪声（σ2=0.06及0.09）及簧载质量参数摄动（+60 kg）后，GRU仍保持与CarSim参考值吻合，显示优于KF-UI的抗噪性与对参数不确定性的鲁棒性。在未训练的B级路面5%坡度工况下，GRU亦表现出可接受的外推能力。

SECTION IV. Experimental Validation

通过智能轮胎传感器获取真实F_z作为真值，采用迁移学习微调仿真预训练GRU模型。干路面40 km/h与60 km/h匀速行驶时，估计F_z与实测值高度吻合，验证了仿真到实车的域适应有效性。模型成功部署于NVIDIA Jetson Orin Nano与Jetson Nano，平均推理时间分别为1.31 ms与2.86 ms，均满足10 ms实时周期要求。

SECTION V. Its Application to Hydroplaning Classification

滑水发生时水膜动力升力部分支撑车重，致轮胎—路面有效接触丧失，F_z出现瞬态异常跌落，胎纹磨损越严重跌落越显著。研究人员以GRU估计的四轮F_z为输入，构建1-D CNN分类器（AUC=0.994），分类精度高于SVM（AUC=0.923）与GRU分类器，且对滑水事件识别敏感性更优。边缘设备实测表明系统可实时完成滑水判别。

四、讨论与结论

研究人员得出结论：（1）首次提出并验证了基于估计的动态轮胎垂向力进行滑水分类的可行性，利用滑水引发的F_z特征异常作为分类信号；（2）所提无模型GRU方法仅需车载CAN总线信号，MRMSE（80~100 N）显著低于KF-UI（200~250 N），且对传感器噪声与车辆参数变化具更强鲁棒性；（3）经智能轮胎传感器实测验证，GRU结合迁移学习可准确估计实车动态F_z；（4）1-D CNN对滑水分类AUC达0.994，优于SVM与GRU分类器；（5）相比基于计算机视觉的方案，该方法成本更低且在无智能轮胎传感器时仍可工作。研究局限在于训练数据多样性及单一车型验证，未来将通过扩展数据集、V2V/V2N云端聚合及跨车型实测进一步提升泛化能力。