電気自動車の状態推定を革新する高精度アルゴリズム
電気自動車（EV）技術が急速に進化する中で、精密性と安全性は最重要課題であり続けています。先進運転支援システム（ADAS）や自動運転技術が進歩するにつれ、車両ダイナミクスの正確なリアルタイム推定への要求が高まっています。状態推定方法論における最近の画期的な進展は、複雑な走行条件下での精度と堅牢性を向上させ、EV制御システムの性能を大幅に高める可能性を秘めています。
華南農業大学工学部の研究チームは、高次元で非線形な車両ダイナミクスにおける従来のフィルタリング技術の限界を克服するために設計された新規アルゴリズムを発表しました。重慶理工大学学报（自然科学版）に掲載されたこの研究は、5次数値積分と特異値分解（SVD）を組み合わせた状態推定フレームワークを提示し、従来法と比較して優れた性能を発揮することを実証しています。
呉偉斌教授が主導したこの研究は、現代の自動車工学における重大な課題、すなわち縦速度と横速度、ヨーレート、重心スリップ角といった主要な車両状態の正確な推定に取り組んでいます。これらのパラメータは、トラクションコントロール（TCS）、アンチロックブレーキング（ABS）、電子安定化制御（ESP）などの能動的安全システムの効果的な作動に不可欠です。高精度センサーは直接測定を提供できますが、そのコストと環境ノイズへの敏感性が広範な導入を制限しています。その結果、「ソフトセンシング」とも呼ばれるソフトウェアベースの推定は、低コストのセンサーデータと高度なアルゴリズムを使用して正確な状態予測を可能にする重要な代替手段となっています。
拡張カルマンフィルター（EKF）、無香カルマンフィルター（UKF）、標準的なキューバチャーカルマンフィルター（CKF）などの既存の推定技術は、学術研究と産業応用の両方で広く採用されてきました。しかし、これらの方法は通常3次精度の仮定の下で動作するため、特に極端な走行条件下での現代の車両モデルに存在する高度な非線形性を処理する能力が制限されます。高速操縦や低摩擦路面上では、推定誤差が蓄積され、システム性能の低下や安全性の損なわれる可能性があります。
これらの限界を認識した呉氏のチームは、特異値分解5次キューバチャーカルマンフィルター（SVD-FCKF）と名付けられたキューバチャーカルマンフィルターの強化版を開発しました。革新性は二つの主要な改良点にあります。第一に、このアルゴリズムは従来の球面・放射状キューバチャー則を3次精度から5次精度に拡張します。この高次近似により、フィルターは車両ダイナミクスの非線形挙動、特にステアリング、ブレーキ、加速の急激な変化が発生する過渡状態において、より良く捕捉することが可能となります。5次テイラー級数展開を組み込むことで、SVD-FCKFは低次フィルターに悩まされる打ち切り誤差を最小化し、より正確な状態予測をもたらします。
第二に、研究者たちはカルマンフィルタリングにおける行列分解の標準的方法である従来のコレスキー分解を特異値分解（SVD）に置き換えました。この変更は、ノイジーなセンサーデータやモデルの不正確さから生じる可能性のある悪条件の共分散行列を扱う際に、アルゴリズムの数値的安定性を大幅に改善します。SVDは、ランク不足またはほぼ特異な行列を扱う際の堅牢性で知られており、推定器を外れ値や測定異常に対してより耐性のあるものにします。この強化された安定性は、センサーデータが干渉、温度変動、または機械的摩耗によって破損する可能性のある実世界の応用において極めて重要です。
SVD-FCKFの有効性を検証するために、チームは包括的な7自由度（7-DOF）車両ダイナミクスモデルを構築しました。このモデルは、縦運動、横運動、ヨー運動、および4輪すべての回転ダイナミクスを考慮し、車両挙動の現実的な表現を提供します。タイヤと路面の相互作用は、広範な作動条件にわたってスリップ、荷重、摩擦の複雑な関係を正確に捉えるDugoff非線形タイヤモデルを使用してモデル化されました。この高精度モデルとSVD-FCKF推定器の統合により、多様な走行シナリオ下での性能の厳格な評価が可能となりました。
シミュレーション環境は、CarSimとMATLAB/Simulinkを組み合わせた協調シミュレーション環境を使用して構築されました。広く使用されている車両ダイナミクスシミュレーションプラットフォームであるCarSimは真値の車両応答を提供し、MATLAB/SimulinkはSVD-FCKFアルゴリズムをホストしました。CarSimは元々内燃機関車両用に設計されていましたが、研究者たちは内部駆動系を外部電気モーターモデルに置き換えることで電気自動車シミュレーションに適合させました。これにより、各車輪への直接トルク印加が可能となり、現代のEVの独立制御能力をシミュレートしました。
テストには、高速スラローム走行とステアリング角ステップ入力後のブレーキングという二つの重要な走行シナリオが選ばれました。初期速度80km/hの高摩擦アスファルト路面で行われるスラロームテストは、車両ダイナミクスの急速で連続的な変化を追跡する推定器の能力に挑戦するように設計されています。急旋回後に緊急ブレーキングを含むステアリング角ステップテストは、実世界の運転で一般的な、縦方向と横方向の複合負荷下でのアルゴリズムの性能を評価します。
スラロームテストでは、SVD-FCKFは車両のスリップ角と横速度の推定において標準CKFよりも顕著な改善を示しました。推定軌跡はCarSimによって生成された参照値に密接に追随し、ピークトゥピーク偏差が大幅に減少しました。この強化された精度は、車両が高いヨーレートと横加速度を経験する操縦の遷移段階で特に明らかです。5次積分は誤差蓄積を効果的に軽減し、システムが平衡状態から遠く離れて作動する場合でも推定器が忠実性を維持することを可能にします。
縦速度推定も優れた性能を示しました。両フィルターは最初は真の速度を正確に追跡しましたが、標準CKFは2秒後に発散し始めました。これは、モデル化されていない外乱とセンサノイズが原因である可能性があります。対照的に、SVD-FCKFはシミュレーション全体を通して緊密な収束を維持し、共分散更新ステップにおけるSVDの安定化効果を強調しています。この堅牢性は、適応巡航制御や回生ブレーキなどの機能のために正確な速度フィードバックに依存する縦方向制御システムにとって極めて重要です。
ステアリング角ステップテストは、提案手法の利点をさらに裏付けました。初期の旋回段階では両推定器は良好に機能しましたが、7秒目にブレーキ圧が印加された後、CKFは車輪速度推定で顕著なドリフトを示しました。前輪と後輪の角速度の誤差は、SVD-FCKFが生成した誤差よりも数桁大きい大きさに達しました。この差は、システムダイナミクスの急激な変化に対する従来のフィルターの脆弱性を浮き彫りにする一方、SVD-FCKFの強化された数値的安定性は、過渡状態により効果的に適応することを可能にします。
平均絶対誤差（MAE）と二乗平均平方根誤差（RMSE）の指標を用いた定量的分析は、すべてのテストされた状態において一貫してSVD-FCKFが優れていることを示しました。スラロームシナリオでは、スリップ角のMAEは80%以上減少し、横速度誤差は85%以上減少しました。ステップステアリングテストでは、改善はさらに劇的であり、車輪速度推定誤差はほぼ一桁減少しました。これらの結果は、アルゴリズムがより高い精度を提供するだけでなく、異なる作動体制全体でより一貫性を発揮する能力を強調しています。
SVD-FCKFの最も説得力のある側面の一つは、多条件環境への適応性です。特定のシナリオに対して広範な調整を必要とするいくつかの推定方法とは異なり、SVD-FCKFは高ダイナミックな操縦とブレーキング・旋回の複合事象の両方にわたって強力な性能を示しました。この汎用性は、単一の推定器が再構成なしで幅広い運転状況を処理しなければならない次世代車両制御アーキテクチャへの統合の有望な候補となります。
計算の観点からは、3次の場合の2nと比較して2n² + 1のキューバチャーポイントを必要とする5次則の複雑さの増加は、リアルタイム実装への重大な障壁とはならないようです。研究者らは、現代の自動車用電子制御装置（ECU）は、特にキューバチャーポイント評価の並列化可能な性質を考慮すると、追加の計算に対応する十分な処理能力を有していると指摘しています。さらに、コレスキー分解よりも計算集約的であるSVDの使用は、長期的な安定性に貢献し、頻繁な再初期化や誤差補正ルーチンの必要性を潜在的に減少させます。
この研究の意義は学術的興味を超えています。自動車産業がより高いレベルの自動化に向かう中で、状態推定の信頼性はシステム安全性の礎となります。車両ダイナミクスの不正確または遅延した推定は、不適切な制御動作につながり、不安定性や衝突のリスクを高める可能性があります。SVD-FCKFは、より信頼できる推定への道筋を提供し、より安全で応答性の高い車両制御を可能にします。
さらに、このアルゴリズムの低コストセンサー群との互換性は、大衆市場向け電気自動車にとって特に魅力的です。高価なハードウェアへの依存を減らすことで、メーカーはより広範な製品ラインアップに先進的安全機能を展開し、全体の道路安全性を向上させることができます。これは、性能を損なうことなく自動車技術の民主化とアクセシビリティの向上に向けた世界的な潮流と一致しています。
この研究は将来の開発への新たな道も開きます。チームは、シミュレーション結果が非常に有望である一方、実世界での検証が次の重要なステップであることを認めています。実際の道路条件、つまり変化する天候、不均一な路面、予測不可能な運転行動を含む条件下でのアルゴリズムの性能を評価するには、計測器を装備した車両での実走試験が必要となるでしょう。さらに、SVD-FCKFと適応ノイズフィルタリングや機械学習ベースの補正モデルなどの他の高度な推定技術との統合は、その能力をさらに強化する可能性があります。
もう一つの有望な方向性は、路面摩擦推定を含むようにフレームワークを拡張することです。Dugoffタイヤモデルは摩擦係数に依存するため、路面接着力の正確なオンライン推定は、推定器パラメータをリアルタイムで適応させ、堅牢性をさらに改善するために使用できました。車両状態と道路条件を同時に追跡するような二重推定アプローチは、知能化された車両システムにおける重要な飛躍を表すでしょう。
結論として、呉偉斌、黄景開、曽金彬、李昊鑫らによる研究は、車両状態推定の分野において重要な進歩を表しています。高次数値積分と強化された数値的安定性を組み合わせることで、SVD-FCKFは電気自動車ダイナミクスにおける精度と信頼性の新たな基準を設定します。その成功裏の実装は、より安全で、より効率的で、より智能的な交通システムへの道を開き、メーカーと消費者の両方に利益をもたらす可能性があります。
自動車業界が電動化と自動化への移行を続ける中で、SVD-FCKFのような革新は、モビリティの未来を形作る上で極めて重要な役割を果たすでしょう。この研究は、差し迫った技術的課題に対処するだけでなく、制御理論、数値解析、車両ダイナミクスを実世界への影響を持つ首尾一貫したソリューションに融合させる学際的エンジニアリングの力を例示しています。
Wu Weibin, Huang Jingkai, Zeng Jinbin, Li Haoxin
School of Engineering, South China Agricultural University
Journal of Chongqing University of Technology (Natural Science)
doi: 10.3969/j.issn.1674-8425(z).2024.03.008