Experimental modelling and parameter estimation of a 1:10 scale vehicle

Abstract

Diese Arbeit konzentriert sich darauf, einen umfassenden Überblick über den Identifikationsprozess für nichtlineare Reifen- und Antriebsstrangmodelle zu bieten und dient als Leitfaden für das Verständnis der Auswahl von Experimenten, der Datenverarbeitung, der Identifikation von Parametern und der Validierung. Die präzisen mathematischen Modelle der Fahrzeugdynamik spielen eine wichtige Rolle bei der Gestaltung, Wartung und Prüfung von Schlüsselkomponenten sowie bei Überwachungs- und Fahrassistenzsystemen. Mehrere Manöver wurden analysiert, um den besten Ansatz zur Erfassung der Längsbewegung des Research Platform for Autonomous Driving (RPAD) zu bestimmen. Das lineare Modell zur Beschreibung der Längsdynamik übertraf andere Kandidaten bei allen Identifikationsmanövern. Zwei Ansätze wurden analysiert, um die Quergeschwindigkeit zur Berechnung der Schräglaufwinkel zu schätzen. Die Simulation der Modellzustände erwies sich als die beste Lösung, um die Quergeschwindigkeit in Abwesenheit einer Messquelle zu approximieren. Das identifizierte Fahrzeugmodell zeigte eine hohe Genauigkeit bei der Vorhersage von Längs- und Querbeschleunigungen, Gierwinkel und Giergeschwindigkeit während der Validierungsphase auf der Referenzstrecke bei Geschwindigkeiten von bis zu 3 m/s und einem maximalen Schräglaufwinkel der Vorderreifen von bis zu 0.33 rad, was auf einen hohen Schlupfbereich hinweist. Ein erweitertes Kalman Filter und Partikelfilter basierend auf LiDAR-Messungen wurden entwickelt, um die Genauigkeit des Modells bei der Vorhersage der RPADPosition zu schätzen. Die in verschiedenen Kapiteln dieser Arbeit beschriebenen Schritte wurden in einem automatisierten Identifikationstool zusammengefasst, bestehend aus einem ROS 2 Testnode und einem Python Identifikationspackage.

This thesis provides a comprehensive overview of the identification process for nonlinear tyre and drivetrain models, serving as a roadmap for understanding the selection of experiments, data preprocessing, parameters identification and validation. Precise mathematical models of vehicle dynamics play a significant role in the design, maintenance, and testing of key components, as well as in monitoring and driving assistance systems. Several manoeuvres were analyzed to determine the best approach to capture the longitudinal motion of the Research Platform for Autonomous Driving (RPAD). The linear model for the description of the longitudinal dynamics outperformed other candidates across all identification manoeuvres. Two approaches were analyzed to estimate the lateral velocity used to calculate the tyre slip angles. The simulation of the model states was proven to be the best solution to approximate lateral velocity in the absence of a measurement source. The identified vehicle model demonstrated high accuracy in predicting longitudinal and lateral accelerations, yaw angle and yaw rate during the validation stage on the reference track with velocity up to 3 m/s and front tyre slip angle values reaching up to 0.33 rad indicating a high slip region. Extended Kalman filter and particle filter based on LiDAR measurements were designed to estimate the model’s accuracy in predicting RPAD’s position. The steps described in various chapters of this thesis were encapsulated in the automated identification toolbox, consisting of a ROS 2 testing node and a Python identification package.