Source : article de conférence de 6 pages, ni revue ni DOI indiqués dans le PDF (arXiv 2206.15119 d’après le lien du corpus) · TU Delft ; TU Eindhoven ; Siemens Digital Industries Software (Helmond) · accès OPEN · PDF Bertipaglia2022-SideslipEstimation.pdf, sha256 4017fc511249260a…, 6 pages Lu le : 2026-11-02. LECTURE COMPLÈTE (texte extrait lu en entier ; les 6 pages relues rendues, dont tableaux 1 et 2 et figures 3 à 10 ; la bibliographie n’a pas été exploitée). Statut summarized. Thème : fusion · estimation de l’angle de dérive (sideslip) par filtres de Kalman et réseaux de neurones Métadonnées vérifiées dans le PDF : auteurs conformes (Bertipaglia, de Mol, Alirezaei, Happee, Shyrokau), titre conforme. Aucune année, aucun DOI, aucun nom de conférence ni aucun identifiant arXiv imprimés dans le PDF : l’année 2022 et l’arXiv 2206.15119 viennent du lien du corpus (la référence [13] est un autre article des mêmes auteurs, IEEE IV, Aix-la-Chapelle, 2022).

Contexte et question

L’angle de dérive en temps réel conditionne la performance des contrôles actifs du véhicule, mais le comportement très non linéaire des pneus limite la précision des modèles (§1). Les comparaisons entre approches à modèle et approches pilotées par les données reposaient surtout sur des données simulées, et l’apport de forces pneumatiques mesurées n’avait pas été quantifié pour chaque approche (§1). Les auteurs comparent EKF, UKF, FFNN et RNN sur un grand jeu de données réel, avec et sans mesures de forces pneumatiques.

Méthode

• Hypothèse commune : la vitesse longitudinale Vx est connue (§1).
• Modèle véhicule : bicyclette (single-track), forces d’essieu par le modèle de pneu Dugoff ; états Vy et vitesse de lacet, entrées angle de roue et Vx (§2.3). Masse 1970 kg, Izz 3498 kg m², LF 1,47 m, LR 1,41 m (§2.3).
• Deux jeux de mesures pour les filtres : Y1 = accélération latérale + vitesse de lacet ; Y2 = Y1 + forces latérales pneu avant et arrière (§2.3). Bruits de processus réglés par optimisation bayésienne en deux étapes (TSBO) ; bruits d’observation réglés par analyse statistique des capteurs (§2.3).
• Covariance adaptative sur les bruits des forces : si l’écart entre force mesurée et prédite dépasse un seuil de 700 N, avec hystérésis, le bruit associé est réduit (réduction maximale 12,5 N, pente 800) pour donner plus de poids à la mesure (§2.3, éq. 6, Fig. 3).
• Réseaux : deux jeux d’entrées. I1 = Vx, ax, ay, vitesse de lacet, angle de roue (5 entrées). I2 = I1 + forces longitudinale, latérale et verticale des 4 roues, soit 17 entrées (§3). Entrées normalisées dans [0, 1] (§3).
• FFNN : deux couches cachées de 250 et 100 neurones (I1) ou 150 et 50 (I2), ReLU, dropout 0,2, Adam, pas d’apprentissage 0,0008, mini-lots de 1024, arrêt anticipé patience 20 (§3.1).
• RNN (LSTM) : deux couches de 100 et 80 cellules (I1) ou 100 et 50 (I2), fenêtre temporelle 0,20 s, dropout 0,2, NADAM, pas 5e-4, mini-lots de 256, patience 4 (§3.2). Hyperparamètres d’entraînement choisis par optimisation bayésienne (§3.1, §3.2).
• Indicateurs : RMSE, RMSEnl (calculé seulement si |ay| ≥ 4 m/s²), erreur maximale absolue ME, MEnl (§4.2).

Données

• Piste Automotive Testing Papenburg, BMW Série 3, asphalte sec ; IMU standard, transducteurs de force de roue et paliers instrumentés sur chaque roue, GPS, capteur optique Corrsys-Datron pour la dérive (précision ±0,2 deg), pris comme vérité terrain (§4.1).
• Les forces pneumatiques du jeu viennent des transducteurs de force de roue ; les auteurs disent que les paliers instrumentés ont une précision similaire (§4.1).
• 216 manoeuvres, environ deux heures de conduite : double changement de voie, slalom, direction aléatoire, J-turn, spirale, freinage en virage, cercles stationnaires, tours de piste ; ESC activé ou désactivé (§1, §4.1).
• Signaux à 100 Hz, retenus pour Vx > 2,5 m/s, suppression statistique des valeurs aberrantes extrêmes sans effacer les cas limites (§4.1). Filtre passe-bas à phase nulle, coupure 5 Hz, pour l’approche par réseaux (§4.1).
• Partition : apprentissage 75 %, validation 15 %, test 10 % ; le test compte 23 manoeuvres (2 freinage en virage, 2 skidpad, 5 J-turn, 4 slalom, 4 changement de voie, 2 direction aléatoire, 1 tour de piste, 3 spirales) (§4.1). Réglage des filtres et entraînement n’utilisent que apprentissage et validation (§4.1).
• Les fortes dérives sont rares dans le jeu (Fig. 1) ; les auteurs citent plus de 5 deg comme zone peu fournie (§4.3).

Résultats chiffrés

Jeu de test, en degrés. « Tyre » = avec forces pneumatiques. Valeurs en gras dans l’article : meilleures de chaque tableau.

• UKF contre EKF, sans forces : RMSEnl amélioré de 12,1 % et MEnl de 21,8 % d’après le texte (§4.3). Recalculés sur le Tab. 1, les mêmes écarts donnent environ 13,0 % (0,563 vers 0,490) et 16,0 % (1,271 vers 1,068) : les pourcentages imprimés ne se retrouvent pas exactement dans le tableau, on se fie aux valeurs du tableau.
• EKF avec forces : performance globale « très proche » de l’UKF (RMSE 0,391 contre 0,394, Tab. 1). Le gain des forces est plus faible pour l’UKF que pour l’EKF (§4.3).
• FFNN contre RNN, sans forces : RMSE du FFNN inférieur de 3,4 % ; RMSEnl du RNN meilleur de 13,2 % (§4.3, Tab. 2).
• Ajout des forces aux réseaux : RMSE amélioré de 44,9 % (FFNN) et 42,6 % (RNN) ; RMSEnl amélioré de 68,1 % (FFNN) et 58,2 % (RNN) (§4.3). Avec forces, le FFNN fait mieux que le RNN sur RMSE, RMSEnl et MEnl ; sur ME les deux sont à 0,001 deg près (Tab. 2).
• Sans forces : RMSE des réseaux inférieur à celui des filtres, mais RMSEnl inverse (FFNN 0,645 contre 0,563 et 0,490 ; le RNN, 0,560, est à égalité avec l’EKF, 0,563), les réseaux se dégradant en non linéaire et sur les fortes dérives ; les réseaux sont aussi plus sujets aux erreurs maximales (§4.3, Fig. 8 gauche).
• Avec forces : l’approche par données surpasse l’approche à modèle sur les quatre indicateurs (§4.3, Tab. 1 et 2, Fig. 8 droite). Exemple : les auteurs jugent la précision très élevée, y compris en manoeuvre très dynamique et pour une dérive atteignant 11 deg ; sur la Fig. 10, ce pic se lit sur le tronçon de la piste de Papenburg (graphique de gauche), le slalom (graphique de droite) restant à environ ±5 deg (Fig. 10, §4.3).

Limites déclarées par les auteurs

• Réseaux dépendants de la quantité et de la qualité des données : performance en baisse en non linéaire et pour les fortes dérives, rares dans le jeu (§4.3, §5).
• Réseaux sujets à de fortes erreurs maximales, faute de validation par un modèle de véhicule (§4.3).
• Propriétés des réseaux « presque impossibles » à évaluer, contrairement aux filtres (§3).
• Vx supposée connue (§1).
• Piste suivie par les auteurs : approche hybride combinant modèle et données (§5).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Le jeu de capteurs est hors de portée d’un boîtier télématique : transducteurs de force de roue, capteur optique de dérive, Vx supposée connue. Le gain de 43 à 68 % dû aux forces pneumatiques ne se transpose pas à notre chaîne.
• Ce qui se transpose : l’idée d’adapter la covariance d’observation selon un test d’innovation avec hystérésis, voisine de ce qu’on attend d’un filtre robuste aux dégradations de mesure.
• La comparaison se fait sur 23 manoeuvres de test d’un seul véhicule sur piste sèche : à ne pas lire comme un classement général des méthodes.
• Rappel de lecture : les gains en pourcentage de la §4.3 portent sur des erreurs de l’ordre de 0,2 à 0,6 deg ; les erreurs maximales (0,6 à 1,6 deg) en disent plus sur la robustesse.