高精度車両状態推定アルゴリズムを開発
電動モビリティの進化が加速する中、車両の安全性と安定性を確保するための技術革新が、世界中の研究機関で精力的に進められている。特に、個々の車輪を独立して制御できる「分散型駆動電気自動車（DDEV）」の登場は、車両の運動性能を飛躍的に向上させる一方で、その制御には車両の状態と路面の状態を極めて正確に把握する必要がある。この難題に対し、太原科技大学車両・交通工学部の研究チームが画期的な解決策を提示した。彼らは、高価な専用センサーに頼ることなく、標準的な車載センサーのデータを用いて、車両の速度、重心側滑角、そして路面の摩擦係数までをリアルタイムで高精度に推定するアルゴリズムを開発した。
この研究は、Yuan Yuan（袁媛）、Wang Hang（王航）、Zhao Pengju（趙鵬挙）、Cheng Qingli（程青麗）の各氏によって主導され、その成果は『太原理工大学学報（Journal of Taiyuan University of Technology）』に掲載された。自動車メーカーにとって、この技術は極めて魅力的である。なぜなら、先進運転支援システム（ADAS）や電子制御式スタビリティ・プログラム（ESP）、トルク・ベクタリング制御など、安全性と性能を向上させるための高度な制御機能を、生産コストを大幅に増加させることなく搭載できる可能性を示しているからだ。
従来、車両の重心側滑角や路面の摩擦係数といったパラメータを正確に知るためには、非常に高価な慣性計測装置（IMU）や専用の側滑角センサーが必要とされてきた。これらのセンサーは、自動車の開発段階やハイエンドモデルに限定して使用されることが多く、大衆車への普及を妨げる要因となっていた。研究チームは、このコストと性能のジレンマを、ソフトウェアの知能性で解決することを目指した。
彼らのアプローチの核心は、「特異値分解（SVD）」を組み込んだ「容積カルマンフィルター（CKF）」という高度な数学的手法にある。車両の運動は非常に複雑な非線形システムであり、従来の「拡張カルマンフィルター（EKF）」では、その非線形性を無理に線形化するため、激しい操舵や急ブレーキなどの極限状態で推定誤差が大きくなる、あるいはフィルターが発散してしまうという問題があった。また、「無香料カルマンフィルター（UKF）」も、高次元のシステムでは共分散行列が正定値でなくなる可能性があり、安定性に課題があった。
容積カルマンフィルターは、これらの問題を克服するための次世代の推定手法である。CKFは、非線形関数の期待値と分散を、特定の規則に従って配置された「容積点」と呼ばれるサンプル点を用いて数値的に計算する。これにより、EKFのような不正確な線形化を避け、UKFよりも高い推定精度と安定性を実現できる。さらに、研究チームは、CKFの計算過程で共分散行列の数値的な不安定性を防ぐために、特異値分解（SVD）を導入した。SVDは、行列をその本質的な成分に分解する強力な数学的手法であり、CKFの共分散更新ステップに適用することで、計算の安定性を飛躍的に向上させ、リアルタイム制御に不可欠な信頼性を確保した。
研究のもう一つの特筆すべき点は、その「統合型推定アーキテクチャ」にある。単に車両の状態を推定するのではなく、車両の状態と路面の摩擦係数を同時に、かつ相互にフィードバックしながら推定するという点である。このプロセスは、二つの推定器が閉ループでつながった構造を取っている。一方の推定器は、加速度センサーやステアリング角センサー、車輪速センサーからのデータと、3自由度の車両ダイナミクスモデルを用いて、車両の縦横速度や重心側滑角を推定する。この推定結果は、他方の路面摩擦係数推定器に送られる。摩擦係数推定器は、Dugoffタイヤモデルを用いて、推定された車両状態と実際のタイヤ力の関係から、路面の摩擦係数を算出する。そして、この新しく得られた摩擦係数の情報は、再び車両状態推定器に戻され、タイヤモデルの精度を向上させる。この双方向の相互作用により、両方の推定精度が連鎖的に向上し、より短い時間で正確な値に収束するという相乗効果が生まれる。
このアルゴリズムの性能を検証するために、研究チームは業界標準の「Carsim/Simulink」共同シミュレーションプラットフォームを構築した。テストシナリオとして、緊急回避操舵を模した「二重車線変更（double lane change）」が選ばれた。これは、高速道路で突然の障害物を避けようとするような、非常にダイナミックで制御が難しい状況を再現するものである。テストは、乾燥アスファルト（高摩擦）、濡れた路面（低摩擦）、そして片側が乾燥し片側が濡れている「分割μ（split-μ）」という、実際の道路でよく見られる複雑な条件の下で、時速30km/hと60km/hの二つの速度で実施された。
シミュレーションの結果は顕著なものだった。縦速度と横速度の推定誤差は1%未満に抑えられ、特に重心側滑角の推定は、急激な操舵によるピーク時においても、実際の値を非常に忠実に追従した。路面摩擦係数の推定においても、低摩擦路では0.3秒以内、高摩擦路では0.4秒以内に正確な値に収束し、分割μ路においても左右の車輪がそれぞれの路面状態に応じて正確に推定する能力が確認された。これらの結果は、アルゴリズムが理論的に優れた性能を持つことを示していた。
しかし、研究チームはシミュレーションの結果に留まらなかった。真の価値を証明するためには、実際の車両での検証が不可欠である。彼らは、Simulinkで開発した推定モデルを組み込み用C言語に変換し、ダウンロードインターフェースを介して電子制御ユニット（ECU）に書き込んだ。このECUは、CANバスを介して実車に搭載された各種センサー（加速度センサー、ステアリング角センサー、IMU、車輪速センサー）と通信し、リアルタイムでデータを取得して推定を実行する。
実車テストは、安全を考慮して時速50km/hで実施された。高摩擦路、低摩擦路、分割μ路の条件下で、アルゴリズムの性能が評価された。実際の道路には、シミュレーションでは再現できない無数の要因が存在する。サスペンションの動き、路面の凹凸、センサーのノイズ、システムの遅延など、これらすべてが推定精度に影響を与える。そのような過酷な環境下でも、アルゴリズムは驚くべき頑健性を発揮した。縦横速度と重心側滑角の推定誤差は5%以内に保たれ、路面摩擦係数の推定誤差も10%以内に収まった。特に、前輪の推定精度が後輪よりも優れていたという知見は、今後の制御戦略の最適化に役立つ重要な発見である。
実車テストの結果は、シミュレーションと完全に一致するものではなかった。約9%の誤差が存在したが、これは実際の車両が持つ不確定要素やシステム遅延によるものであり、むしろ予想される範囲内であった。最も重要なのは、推定値の「トレンド」、つまり時間的な変化の仕方がシミュレーションと一致していたことだ。これは、アルゴリズムが実際の車両の挙動を正確に捉えていることを意味し、実用化に向けた大きな一歩を踏み出したことを示している。
この研究の意義は、単なる技術的進歩にとどまらない。それは、自動車の「知能化」の方向性を示している。今後、自動車の価値は、追加された高価なセンサーの数ではなく、それを処理するソフトウェアの知能性にますます依存するようになる。このアルゴリズムは、限られたハードウェアリソースから、最大限の情報を引き出す能力の象徴である。これにより、高度な安全性と安定性を備えた車両が、より多くの人々の手に届くようになる。
また、この技術は、自動運転の実現に向けた基盤技術としても極めて重要である。自動運転車は、自分の位置だけでなく、「自分がどの程度のグリップを持っているか」を正確に理解しなければ、安全な経路を計画し、危険を回避することはできない。路面摩擦係数のリアルタイム推定は、その安全性を確保するための鍵となる要素である。太原科技大学のこの研究は、まさにその鍵を手にするための重要な一歩を踏み出したと言える。
Yuan Yuan, Wang Hang, Zhao Pengju, Cheng Qingli, 車両・交通工学部, 太原科技大学. 太原理工大学学報に掲載. DOI: 10.16355/j.tyut.1007-9432.20230830