論文の概要: Intelligent Tire-Based Slip Ratio Estimation Using Different Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2106.08961v1
• Date: Wed, 9 Jun 2021 01:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-20 16:10:12.333795
• Title: Intelligent Tire-Based Slip Ratio Estimation Using Different Machine Learning Algorithms
• Title（参考訳）: 異なる機械学習アルゴリズムを用いたインテリジェントタイヤベーススリップ比推定
• Authors: Nan Xu, Zepeng Tang, Jianfeng Zhou, Hassan Askari
• Abstract要約: インテリジェントタイヤシステムで使用される三軸MEMS加速度計の加速度信号に基づいて, 4つの機械学習アルゴリズムを用いてスリップ比を推定する。 本稿では,タイヤスリップ率の正確な推定方法として,インテリジェントタイヤシステムと機械学習アルゴリズムの融合による検討を行った。
• 参考スコア（独自算出の注目度）: 12.176982322730217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimation of the longitudinal slip ratio of tires is important in boosting the control performance of the vehicle under driving and braking conditions. In this paper, the slip ratio is estimated using four machine learning algorithms (Neural Network, Gradient Boosting Machine, Random Forest and Support Vector Machine) based on the acceleration signals from the tri-axial MEMS accelerometers utilized in the intelligent tire system. The experimental data are collected through the MTS experimental platform. The corresponding acceleration signals within the tire contact patch are extracted after filtering to be used for the training the aforesaid machine learning algorithms. A comparison is provided between the implemented ML algorithms using a 10-fold CV. NRMS errors in the CV results indicate that NN has the highest accuracy in comparison with other techniques. The NRSM errors of NN, GBM, RF, and SVM are 2.59\%, 3.30\%, 4.21\%, and 5.34\%, respectively. Among these techniques, GBM has a more stable results as it has the smallest output variance. The present study with the fusion of intelligent tire system and machine learning algorithms paves the way for the accurate estimation of tire slip ratio, which is critical for the development of reliable vehicle control algorithms.
• Abstract（参考訳）: 走行時および制動時の車両の制御性能向上には, タイヤの長手すべり率の推定が重要である。 本稿では,知的タイヤシステムで使用される3軸mems加速度計からの加速度信号に基づいて,4つの機械学習アルゴリズム(ニューラルネットワーク,勾配昇降機,ランダムフォレスト,サポートベクターマシン)を用いてスリップ比を推定する。 実験データはmts実験プラットフォームを通じて収集される。 タイヤ接触パッチ内の対応する加速度信号は、前記機械学習アルゴリズムのトレーニングに使用するフィルタリング後に抽出される。 10倍のCVを用いて実装されたMLアルゴリズムの比較を行う。 CV結果のNRMS誤差は,他の手法と比較してNNの精度が最も高いことを示している。 NN, GBM, RF, SVMのNRSM誤差はそれぞれ2.59\%, 3.30\%, 4.21\%, 5.34\%である。 これらの技術の中で、GBMは最小出力分散を持つため、より安定した結果が得られる。 本研究は、インテリジェントタイヤシステムと機械学習アルゴリズムの融合により、タイヤスリップ率の正確な推定方法が舗装され、信頼性の高い車両制御アルゴリズムの開発に不可欠である。

関連論文リスト

• DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
  本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。 本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。 このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
  論文  参考訳（メタデータ） (2024-11-13T04:49:32Z)
• Design and Realization of a Benchmarking Testbed for Evaluating Autonomous Platooning Algorithms [8.440060524215378]
  本稿では,搭載センサーを搭載した1/10スケール車両における小隊アルゴリズムの評価とベンチマークを行うテストベッドを提案する。 線形フィードバックと分散モデル予測制御の2つのバリエーションの3つのアルゴリズムを評価し、それらの結果を典型的な小隊シナリオと比較する。 分散モデル予測制御アルゴリズムは,ハードウェアやシミュレーションにおける線形フィードバックよりも優れていた。
  論文  参考訳（メタデータ） (2024-02-14T15:22:24Z)
• A Data-Driven Slip Estimation Approach for Effective Braking Control under Varying Road Conditions [0.0]
  多層ニューラルネットワークに基づく新しい推定アルゴリズムを提案する。 トレーニングは、広く使われている摩擦モデルから派生した合成データセットに基づいている。 実験結果とモデルベースラインとの比較により,提案手法が最適すべり推定に有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-04T16:24:05Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• Machine Learning Algorithms for Prediction of Penetration Depth and Geometrical Analysis of Weld in Friction Stir Spot Welding Process [0.0]
  この研究は、Supervised Machine Learningアルゴリズムを用いた浸透深度予測に基づいている。 AA1230アルミニウム合金の2要素を接合するためにFSSWを用いた。 ロバスト回帰機械学習アルゴリズムは0.96の判定係数によって残りのアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-21T17:16:25Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)
• Intelligent Road Inspection with Advanced Machine Learning; Hybrid Prediction Models for Smart Mobility and Transportation Maintenance Systems [1.0773924713784704]
  本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。 提案モデルでは, 落下重量偏向計(FWD)による表面偏向データを用いて, 舗装条件指数(PCI)の予測を行う。 解析結果は,平均相対誤差(APRE),平均絶対相対誤差(AAPRE),根平均二乗誤差(RMSE),標準誤差(SD)の4つの基準を用いて検証された。
  論文  参考訳（メタデータ） (2020-01-18T19:12:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。