Last updated on 9月 27th, 2022
ケーススタディ
路面摩擦の推定
目的
- 車両データをリアルタイムで利用し、タイヤと路面（表面 μ）の最大摩擦力を推定
- エッジコンピューティングで利用可能な小型化された機械学習モデルを開発
チャレンジ
- データは低励起状態（最小ブレーキ/加速）で生成
- モデルを組込可能にするために約100MBから3MB以下に削減
成果
<1
学習モデルが路面変化の検知に要した平均秒数
<3MB
機械学習モデルとライブラリの最終圧縮サイズを100MBから削減
背景
さまざまな路面に最適なホイールスリップ率を特定することは、より有効的なアンチロックブレーキシステム（ABS）を開発するだけでなく、トルクベクタリング、トランスミッション・シフトタイミング、およびその他の多くのアプリケーションにおいても、車両ダイナミクスの重要な部分を担っています。 ただし、急加速や急ブレーキなどの高励起イベントがない場合において、従来は道路と車両の間のフィードバックは、最適なスリップ率を特定するために必要な利用可能な最大表面摩擦係数を推定するには不十分でした。
そのため、ある北米 OEM は Acerta と提携して、低励起データを使用して路面摩擦の変化を検出することにしました。 同 OEM は、車両の標準センサー配列から信号を受信するオンボードデータロガーを使用してテストトラックを運転しているときに、回生ブレーキのみを使用して減速する EV を使用しました。 トラックには、ウェットアスファルトとドライアスファルト、氷、砂利など、さまざまな路面が設定されていました。
課題
Acertaは、車両のタイヤと路面の間で利用可能な最大摩擦を正確に推定できる機械学習モデルの開発を任されました。 入力データは、主に縦方向に低から中程度の加速と減速運転する車両によって生成されました。
表面摩擦に関する指標は通常、車両が滑り始める直前まで認識されないため、このような低励起データを扱うことは従来困難でした。 つまり、予測モデルは、本実験で使用した車両が速度を急激に変化させることなく、濡れたアスファルトまたは氷の上を走行していたかどうかを認識する必要がありました。
Acerta ソリューション
最終的に、OEMはあるトレーニングデータセットを生成しました。このデータセットでは、ドライバーがテストトラックの各表面で急ブレーキをかけ、タイヤと路面の間の摩擦係数を決定しました。 次に、Acerta は結果データを評価し、機械学習モデルを構築しデータセット内の異なる路面間の遷移点を特定しました。
次に、Acerta のデータサイエンティストは、独自のアルゴリズムを組み込んだいくつかのタイプの機械学習モデルを選択し、特徴エンジニアリングを適用してパラメータチューニングを実施、トレーニングデータでのパフォーマンスを継続的に評価しました。 その後このモデルは、路面の変化を検出する際の速度と精度について、新しいデータでテストされました。
成果
テストされたさまざまな機械学習モデルタイプの中で、Acerta 独自のモデルは、低励起車両データに基づいて路面遷移を検出するのに最も速く、最も正確であることが証明されました。 ほとんどの場合、状態の推定は1秒未満で行われました。
さらに、約12MB容量の MicroAutoBox への車載車両の展開を可能にするために、Acerta のエンジニアたちは、機械学習モデルとそのライブラリをデフォルトの最大100MBから3MB以下へと圧縮することにも成功しました。