Development of a tire model-based real-time lateral tire-road friction coefficient estimator for an autonomous racing car

This thesis presents a real-time estimation framework for the lateral tire-road friction coefficient in an autonomous racing vehicle. The approach enhances state estimation by integrating an adaptive friction identification module using a validated tire model and Extended Kalman Filter (EKF) algorithms, improving vehicle stability and trajectory planning. A key challenge lies in data availability and informativeness. The tire model effectively captures lateral force-slip angle dynamics, but limited high slip angle and optimal thermal data restrict friction peak characterization. Strict filtering and selection criteria further reduce usable data points, emphasizing the need for improved data acquisition strategies. Two EKF-based estimators are developed: a one-dimensional (1D) version for stable but slower friction adaptation and a two-dimensional (2D) version for improved flexibility in estimating friction peak and linear region slope. The 2D EKF enhances accuracy but faces challenges in stabilizing the secondary scaling factor. Adaptive noise covariance tuning improves robustness by mitigating the impact of intermittent updates and addressing information loss at low slip angles. Experimental validation using Abu Dhabi Autonomous Racing League (A2RL) data confirms the feasibility of real-time lateral friction estimation, while results highlight areas for improvement. Future work should focus on acquiring more informative datasets, refining vehicle modeling to capture lateral load transfer, and extending the estimation to include longitudinal slip for a combined dynamics approach. This study lays a strong foundation for real-time friction estimation in autonomous racing, with potential refinements through improved data acquisition and advanced estimation techniques.

Questa tesi presenta un framework di stima real-time per il coefficiente di attrito laterale tra pneumatico e strada in un veicolo da corsa autonomo. L’approccio migliora la stima dello stato integrando un modulo di identificazione adattiva dell’attrito, che utilizza un modello gomma validato e algoritmi di Extended Kalman Filter (EKF), ottimizzando la stabilità del veicolo e la pianificazione della traiettoria. Una delle principali sfide riguarda la disponibilità e l’informatività dei dati. Il modello gomma cattura efficacemente la dinamica della forza laterale in funzione dello slip angle, ma la limitata disponibilità di dati ad alti slip angle e condizioni termiche ottimali ostacola la caratterizzazione del picco della friction curve. Inoltre, rigorosi criteri di filtraggio riducono ulteriormente i dati utilizzabili, evidenziando la necessità di strategie di data acquisition più efficaci. Sono stati sviluppati due stimatori EKF: una versione 1D, che garantisce un adattamento stabile ma più lento del friction coefficient, e una versione 2D, che offre maggiore flessibilità stimando separatamente il picco di attrito e la pendenza della regione lineare. L’EKF 2D migliora la precisione consentendo un adattamento real-time del tire model, ma presenta difficoltà nella stabilizzazione del secondo scaling factor. Per aumentare la robustezza, è stata introdotta una regolazione adattiva delle noise covariances, mitigando l’impatto di update intermittenti e gestendo la perdita di informazione a bassi slip angle. La validazione sperimentale, condotta su dati della Abu Dhabi Autonomous Racing League (A2RL), conferma la fattibilità della stima dell’attrito laterale real-time, pur evidenziando aree di miglioramento. I futuri sviluppi dovrebbero concentrarsi su dataset più informativi, sul miglioramento del modello veicolo per includere il trasferimento di carico laterale e sull’estensione della stima per considerare anche il longitudinal slip in un approccio combined dynamics. Questo lavoro pone una solida base per la stima real-time dell’attrito laterale nel racing autonomo, con margini di affinamento attraverso migliori data acquisition e tecniche di stima avanzate.