Slip estimation in skid-steered vehicles

Accurate motion control of skid-steered vehicles in outdoor environments is a critical challenge, often hindered by significant wheel slip. This slip, which is inherent to the skid-steering mechanism and made worse by varying terrain, leads to poor odometry and degrades controller tracking performance. Classical estimation methods are often limited by a reliance on low-frequency position sensors or by simplified, non-physical process models for slip dynamics. This thesis proposes a modular, two-stage estimation framework to overcome these limitations. The first stage employs an Extended Kalman Filter (EKF) for robust sensor fusion, designed to integrate high-frequency, drifting IMU measurements within an Attitude and Heading Reference System (AHRS) with low-frequency, accurate GPS data, along with accurate AHRS orientations. This EKF produces a reliable, high-rate estimate of the vehicle’s body-frame velocities while actively compensating for sensor biases. The second stage feeds this high-frequency velocity estimate into a Sliding Mode Observer (SMO). This observer is designed to be robust to the complex, unknown dynamics of slip, requiring only that the disturbances to be bounded. This thesis provides the complete development of the observer, including a parameter identifiability analysis, a Lyapunov stability proof, and practical mechanisms for constraint enforcement and chattering mitigation. The performance of the proposed EKF + SMO framework was validated using a realworld experimental dataset from an AGILEX BUNKER PRO robot. The estimator was quantitatively benchmarked against other state-of-the-art methods, demonstrating superior performance with a lower Root Mean Square Error (RMSE). The results confirm that a velocity-based observer, when supplied with high-frequency velocity signals, is fundamentally more effective at tracking rapid, transient slip variations than methods limited by slow position updates or simplified random-walk process models.

Il controllo accurato del moto dei veicoli skid-steer in ambienti esterni è una sfida critica, spesso ostacolata da un significativo slittamento delle ruote. Questo slittamento, che è inerente al meccanismo di skid-steering e aggravato da terreni variabili, porta a una scarsa odometria e degrada le prestazioni di inseguimento del controllore. I metodi di stima classici sono spesso limitati dalla dipendenza da sensori di posizione a bassa frequenza o da modelli di processo semplificati e non fisici per la dinamica dello slittamento. Questa tesi propone un'architettura di stima modulare a due stadi per superare queste limitazioni. Il primo stadio impiega un Extended Kalman Filter (EKF) per una robusta sensor fusion, progettato per integrare misure IMU ad alta frequenza e soggette a drift, provenienti da un Attitude and Heading Reference System (AHRS), con dati GPS a bassa frequenza ma accurati, insieme alle orientazioni accurate dell'AHRS. Questo EKF produce una stima affidabile e ad alta frequenza delle velocità del veicolo nel body-frame, compensando attivamente i bias dei sensori e gli effetti dello slittamento. Il secondo stadio fornisce queste stime di velocità ad alta frequenza a un Sliding Mode Observer (SMO). Questo osservatore è progettato per essere robusto alle dinamiche complesse e sconosciute dello slittamento, richiedendo solo che i disturbi siano limitati. Questa tesi fornisce lo sviluppo completo dell'osservatore, includendo un'analisi di identificabilità dei parametri, una dimostrazione di stabilità alla Lyapunov e meccanismi pratici per l'imposizione dei vincoli e la mitigazione del chattering. Le prestazioni dell'architettura EKF + SMO proposta sono state validate utilizzando un dataset sperimentale reale proveniente da un robot AGILEX BUNKER PRO. Lo stimatore è stato confrontato quantitativamente (benchmarked) con altri metodi allo stato dell'arte, dimostrando prestazioni superiori con un Root Mean Square Error (RMSE) inferiore. I risultati confermano che un osservatore basato sulla velocità, quando alimentato con segnali di velocità ad alta frequenza, è fondamentalmente più efficace nell'inseguire rapide variazioni transitorie dello slittamento rispetto ai metodi limitati da lenti aggiornamenti di posizione o da modelli di processo random-walk semplificati.