Neural networks analysis of the motorcycle sideslip angle estimation using inertial measurements

A fast estimation of the sideslip angle can be considered a key-factor to active safety, reducing dangerous events such as instability or loss of control. Sideslip angle is defined as the angle between the vehicle's longitudinal axis and the direction of travel. It's a measure of the misalignment between vehicle orientation and its trajectory. For this reason, it is an essential information in order to enabling directional stability assessment. Unfortunately, a direct measure the sideslip angle is expensive for mass-market vehicles, meaning that available sensors to measure this variable are unsuitable for ordinary vehicle implementation. Hence, sideslip angle must be estimated. Two main estimation methods can be used: model-based and black-box-based. The use of a dynamic model can lead to a good sideslip estimation, but unmodeled effects such as road conditions and tyre wear can dramatically worsen the reliability of the estimation. Black-box models only rely on the use of the available on-board signals. This work presents a black-box approach: a sideslip angle estimation of a motorcycle is carried out using Neural Networks. A rich amount of maneuvers is used to train the Neural Network, which uses the most common on board signals such as all the 6-axis inertial measures, wheels speed and roll angle. Furthermore, a deep analysis about possible advantages of different types of imu positioning/mounting is presented. Indeed, the effects in terms of robustness respect to mounting errors have been investigated. In particular, three types of mounting errors are considered, in order to analyse a wide range of them.

Una rapida stima dell'angolo di sideslip può essere considerata un fattore chiave per la sicurezza, riducendo eventi pericolosi come l'instabilità o la perdita di controllo. L'angolo di sideslip è definito come l'angolo tra l'asse longitudinale del veicolo e la direzione di marcia. Per questo motivo, è un'informazione essenziale per consentire la valutazione della stabilità direzionale. Purtroppo, misurare direttamente l'angolo di sideslip è costoso per i veicoli destinati al mercato di massa, il che significa che i sensori disponibili per misurare questa variabile non sono adatti alla normale implementazione su un normale veicolo. Pertanto, l'angolo di sideslip deve essere stimato. Si possono usare due metodi di stima: model-based e black-box-based. L'uso di un modello dinamico può portare ad una buona stima dell'angolo di sideslip, ma effetti non modellati come le condizioni della strada e l'usura degli pneumatici possono peggiorare drasticamente l'affidabilità della stima. I modelli black-box si basano solo sull'uso dei segnali disponibili a bordo del veicolo. Questo lavoro è basato sull'approccio black-box: infatti, la stima dell'angolo di sideslip di una moto viene effettuata utilizzando le Reti Neurali. Una ricca quantità di manovre viene utilizzata per addestrare la Rete Neurale, la quale utilizza i segnali più comuni presenti a bordo di una moto, come ad esempio le misure inerziali a 6 assi, la velocità di entrambe le ruote e l'angolo di rollio. Inoltre, viene presentata un'analisi approfondita della robustezza delle IMU rispetto a possibili errori in fase di montaggio. Sono stati infatti studiati gli effetti, in termini di robustezza, rispetto a errori di montaggio delle IMU. In particolare, vengono presi in considerazione tre tipi di errori, al fine di analizzarne una vasta gamma.