Метод низкоранговой онлайн-коррекции оценки сил шин автомобиля в информационно-измерительной системе на основе физических ограничений

Рассматривается задача онлайн-коррекции оценки сил шин автомобиля в информационно-измерительной системе при изменении параметров шин и условий сцепления с дорогой. Непосредственное измерение продольных и боковых сил в эксплуатационных условиях затруднено, поэтому исходная оценка формируется с использованием физической базовой модели и остаточной Transformer-модели, обученной на офлайн-этапе. В работе исследуется не построение полной схемы оценки с нуля, а локальная низкоранговая коррекция выходного слоя замороженной оценочной модели. Предлагаемый метод сохраняет параметры основной модели неизменными и обновляет только корректирующий блок. Основная схема не использует псевдометки сил шин; вариант на основе взвешенного метода наименьших квадратов рассматривается только как связанный методический подход. Целевая функция включает согласование боковой динамики автомобиля, момента рыскания, ограничение по эллипсу сцепления и якорную регуляризацию. Для выделения информативных интервалов используется механизм запуска обновления, реагирующий на резкие изменения (скачки) выходного сигнала и динамическое возбуждение. Вычислительный эксперимент выполнен для пяти сценариев сдвига условий эксплуатации; для каждого сценария выполнено десять независимых запусков. Частота запуска составила 1,88–2,27 %, покрытие окон обновления – 11,2–14,4 %. Истинные значения сил шин не использовались при принятии решения о публикации обновления и применялись только для последующей офлайн-оценки; в рассматриваемых сценариях снижение среднеквадратичной ошибки составило от нулевого значения до 6,23 %. Полученные результаты показывают, что эффективность онлайн-коррекции зависит от характера сдвига условий эксплуатации и настроек процедуры обновления.

1. Pacejka H.B. Tire and Vehicle Dynamics. Oxford: Butterworth-Heinemann; 2012. 672 p.

2. Singh K.Bh., Arat M.A., Taheri S. Literature review and fundamental approaches for vehicle and tire state estimation. Vehicle System Dynamics. 2018;57(11):1643–1665. https://doi.org/10.1080/00423114.2018.1544373

3. Ding X., Wang Zh., Zhang L., Liu J. A Comprehensive Vehicle Stability Assessment System Based on Enabling Tire Force Estimation. IEEE Transactions on Vehicular Technology. 2022;71(11):11571–11588. https://doi.org/10.1109/TVT.2022.3193139

4. Денисенко В.В. Компьютерное управление технологическим процессом, экспериментом, оборудованием. Москва: Горячая линия-Телеком; 2009. 608 с.

5. Nguyen A.-T., Frezzatto L., Guerra Th.-M., Delprat S. Cost-Effective Estimation of Vehicle Lateral Tire-Road Forces and Sideslip Angle via Nonlinear Sampled-Data Observers: Theory and Experiments. IEEE/ASME Transactions on Mechatronics. 2024;29(6):4606–4617. https://doi.org/10.1109/TMECH.2024.3382777

6. Xu N., Askari H., Huang Y., Zhou J., Khajepour A. Tire Force Estimation in Intelligent Tires Using Machine Learning. IEEE Transactions on Intelligent Transportation Systems. 2022;23(4):3565–3574. https://doi.org/10.1109/TITS.2020.3038155

7. Hongxun F., Zhang J., Luo X., et al. An intelligent tire force estimation correction method based on wheel spoke strain. Sensors and Actuators A: Physical. 2024;380(06):116023. https://doi.org/10.1016/j.sna.2024.116023

8. Acosta M., Kanarachos S., Fitzpatrick M.E. A Virtual Sensor for Integral Tire Force Estimation using Tire Model-less Approaches and Adaptive Unscented Kalman Filter. In: Proceedings of the 14th International Conference on Informatics in Control, Automation and Robotics: Volume 1, 26–28 July 2017, Madrid, Spain. SciTePress; 2017. P. 386–397. https://doi.org/10.5220/0006394103860397

9. Løwenstein K.F., Bernardini D., Fagiano L., Bemporad A. Physics-informed online learning of gray-box models by moving horizon estimation. European Journal of Control. 2023;74(4):100861. https://doi.org/10.1016/j.ejcon.2023.100861

10. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics. 2019;378:686–707. https://doi.org/10.1016/j.jcp.2018.10.045

11. Karniadakis G.E., Kevrekidis I.G., Lu L., Perdikaris P., Wang S., Yang L. Physics-informed machine learning. Nature Reviews Physics. 2021;3(6):422–440. https://doi.org/10.1038/s42254-021-00314-5

12. Hu E.J., Shen Y., Wallis Ph., et al. LoRA: Low-Rank Adaptation of Large Language Models. In: The Tenth International Conference on Learning Representations, 25–29 April 2022, Virtual Event. OpenReview; 2022. URL: https://openreview.net/forum?id=nZeVKeeFYf9

13. Houlsby N., Giurgiu A., Jastrzebski S., et al. Parameter-Efficient Transfer Learning for NLP. In: Proceedings of the 36th International Conference on Machine Learning: Volume 97, 09–15 June 2019, Long Beach, CA, USA. PMLR; 2019. P. 2790–2799. URL: https://proceedings.mlr.press/v97/houlsby19a.html

14. Чернышев Н.Н., Альфара А.Ю.А., Ниженец Т.В. Система автоматического управления движением транспортных средств в колонне. Моделирование, оптимизация и информационные технологии. 2025;13(4). https://doi.org/10.26102/2310-6018/2025.51.4.016

15. Чугунов М.В., Полунина И.Н., Овчинников А.Ю., Гариков А.С., Осипов А.В. Технологические аспекты проектирования беспилотного электромобиля на базе конструктора Bigo.Land и ArduPilot. Моделирование, оптимизация и информационные технологии. 2025;13(3). https://doi.org/10.26102/2310-6018/2025.50.3.018