Sideslip estimation using a LFT-based estimator with commercial positioning and inertial sensors

This work focuses on the development and implementation of multiple techniques to estimate a vehicle slip angle, the offset between the tires direction and the real direction followed during a maneuver, caused by non-perfect adherence between the tires and the road. This quantity, together with the vehicle input commands, is enough to estimate and predict the lateral vehicle dynamics, allowing the introduction of advanced safety and control features. Slip angle measurement is traditionally performed only in critical situations, by using dedicated optical or inertial sensors. The spread of low cost, MEMS-based positioning and inertial sensors is leading to the development of new algorithms, that combine these data to produce reliable values, allowing a more general use of this information. A common control theory tool, the Extended Kalman Filter, has been applied multiple times for this specific purpose, but different approaches can lead to improvements in terms of computational cost and precision. The presented estimation methods are built around two different theoretical backgrounds: a common control technique for nonlinear systems called feedback linearization, and a recently developed parameter identification technique for nonlinear systems, based on the Linear Fractional Transformation (LFT). Both approaches are explained in full and used to build multiple estimators, that are then tested against data sets from a properly-simulated environment and a real unmanned ground vehicle, even in a complete non-adherence situation called drifting. The robustness of each case is analyzed, with the aim of providing high-bandwidth supporting tools for an assisted control solution. Finally, the difficulties linked to the implementation of the algorithms on an on-board microcontroller are treated.

Questo lavoro è dedicato allo sviluppo e all’implementazione di diverse tecniche per stimare l’angolo di deriva di un veicolo, la differenza angolare tra la l’orientamento delle ruote e la reale direzione seguita durante una manovra, causata da un’aderenza non perfetta tra le ruote e la strada. Questa quantità, insieme ai comandi del veicolo, è sufficiente per stimare e prevedere la dinamica laterale di un veicolo, consentendo lo sviluppo di funzionalità avanzate di sicurezza e controllo. La misura dell’angolo di deriva è tradizionalmente effettuata solo in situazioni critiche, tramite l’utilizzo di sensori ottici o inerziali dedicati. La diffusione di nuovi sensori inerziali e di posizione, a basso costo e basati su MEMS, sta portando allo sviluppo di nuovi algoritmi, che combinano questi dati per produrre stime affidabili, consentendo un utilizzo più generale di questa informazione. Un tradizionale strumento della teoria del controllo, l’Extended Kalman Filter, è stato applicato più volte per la stima dell’angolo di deriva, ma approcci diversi possono condurre a miglioramenti dal punto di vista della richiesta computazionale e della precisione. I metodi trattati sono costruiti attorno a due diversi background teorici: una tecnica di controllo per sistemi non lineari chiamata feedback linearization, e una recente tecnica di identificazione parametrica per modelli non lineari, basata sulla Linear Fractional Transformation (LFT). Entrambi gli approcci sono spiegati nei dettagli e utilizzati per costruire diversi stimatori, che vengono poi testati contro set di dati provenienti da un simulatore e da un vero veicolo autonomo, anche in una situazione di completa non aderenza chiamata drifting. La robustezza di ogni caso è analizzata, con l’obiettivo di fornire strumenti di supporto a soluzioni di controllo assistito. Infine, vengono affrontate le difficoltà legate all’implementazione degli algoritmi trattati in un microcontroller.