⚡ electrical engineering

Excitation-Aware On-Track System Identification at Full Scale

Cet article identifie et résout trois défauts critiques dans un pipeline d'identification de système sur piste à pleine échelle — spécifiquement une perte d'excitation, des facteurs de crête non identifiables et une boucle de rétroaction non contractive — afin de récupérer avec succès des paramètres de pneu précis et de maintenir un contrôle stable du véhicule sur des surfaces présentant une adhérence considérablement réduite.

Auteurs originaux : Ebrahim Abdelghfar, Mohamed Elshalakani, Mohamed Abdelaziz, Sherif Said

Publié 2026-10-08

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ebrahim Abdelghfar, Mohamed Elshalakani, Mohamed Abdelaziz, Sherif Said

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les voitures de course autonomes ne sont pas seulement rapides ; elles passent leur temps à deviner. Pour rouler à la limite, un ordinateur doit savoir exactement quelle adhérence ses pneus possèdent sur la route à chaque instant. Cette adhérence varie avec la vitesse, la température et l'état de l'asphalte, ce qui en fait l'information la plus critique et la plus insaisissable pour le cerveau du véhicule. Traditionnellement, les ingénieurs arrêtaient une voiture de course, la faisaient rouler en cercles lents sur une piste d'essai et mesuraient les pneus pour construire un modèle mathématique. Mais dans une véritable course, il n'y a pas de temps pour une piste d'essai. La voiture doit apprendre à connaître ses pneus pendant qu'elle court, en utilisant les données d'un tour normal pour comprendre comment le caoutchouc se comporte. Ce processus est appelé l'identification de système sur piste. C'est un jeu d'inférence à enjeux élevés : la voiture doit déduire les propriétés invisibles de ses pneus à partir des mouvements visibles de son châssis, tout en se déplaçant à grande vitesse.

Une étude récente menée par des chercheurs de l'Université Ain Shams et de l'Université américaine du Moyen-Orient a étudié une méthode spécifique pour enseigner à une voiture de course à taille réelle comment apprendre à connaître ses propres pneus pendant la conduite. Ils ont pris un système qui avait bien fonctionné sur un minuscule modèle à un dixième d'échelle et ont tenté de le transplanter directement sur un véhicule Formula Student à taille réelle. L'attente était que la méthode passe à l'échelle supérieure de manière fluide. Au lieu de cela, les chercheurs ont découvert que le système échouait de manière subtile mais dangereuse. Lorsqu'il a été transféré sur la voiture de taille réelle, le pipeline d'identification produisait un modèle qui semblait correct sur le papier mais qui était physiquement impossible, amenant la voiture à croire qu'elle possédait beaucoup plus d'adhérence qu'elle n'en avait réellement. L'étude, menée entièrement au sein d'une simulation informatique de haute fidélité, a révélé que l'échec n'était pas dû à une mauvaise mathématique ou à des capteurs bruyants, mais à un défaut fondamental dans la manière dont le système générait ses propres données de test.

Le cœur du problème résidait dans une étape où le système créait une conduite d'essai « virtuelle » pour analyser les pneus. Dans la configuration originale à petite échelle, cette conduite virtuelle était suffisante pour révéler les limites du pneu. Cependant, sur la voiture de taille réelle, la vitesse et les angles de braquage utilisés dans cette simulation virtuelle étaient trop faibles pour jamais pousser les pneus à leur point de rupture. Parce que le test virtuel ne demandait jamais aux pneus de travailler dur, le système ne pouvait pas voir où l'adhérence s'arrêtait. C'était comme essayer de deviner la limite de poids d'un pont en traversant avec un vélo ; le pont ne montrerait jamais de signes de tension, donc celui qui devine ne saurait jamais quel poids il peut réellement supporter. Par conséquent, l'ordinateur comblait l'information manquante en devinant, et il a deviné une valeur qui atteignait la limite maximale autorisée par sa programmation. Le système rapportait que les pneus pouvaient supporter près de quatre fois la force qu'ils étaient réellement capables de fournir. Lorsque la vraie voiture essayait de rouler aux vitesses que l'ordinateur pensait sûres, elle perdait simplement son adhérence et quittait la piste.

Les chercheurs ont tracé cet échec jusqu'à un concept connu sous le nom d'« excitation ». Pour qu'un système apprenne une propriété, il doit être suffisamment excité ou stimulé pour révéler cette propriété. Dans le contexte de l'identification des pneus, la voiture doit être conduite assez durement pour ressentir le bord de son adhérence. La conduite d'essai virtuelle utilisée par le système original était trop douce pour un véhicule de taille réelle. Les chercheurs ont calculé que la conduite virtuelle n'était capable d'exiger qu'une fraction de la friction que le pneu pouvait réellement fournir. Comme les données n'atteignaient jamais le sommet de la courbe de performance du pneu, le modèle mathématique ne pouvait pas distinguer un pneu à faible adhérence d'un pneu à haute adhérence. Il se contentait de choisir la réponse la plus élevée autorisée par ses limites de sécurité, créant un faux sentiment de sécurité.

Pour corriger cela, l'équipe a redessiné le pipeline d'identification pour qu'il soit « conscient de l'excitation ». Ils ont modifié le système pour que la conduite d'essai virtuelle ajuste automatiquement sa vitesse et l'intensité du braquage en fonction de la vitesse à laquelle la voiture roule réellement sur la piste. Si la voiture se déplace rapidement, le test virtuel devient plus agressif, garantissant qu'il demande assez de force pour révéler les vraies limites des pneus. Ils ont également introduit une nouvelle vérification de sécurité. Au lieu de simplement regarder les chiffres bruts produits par l'ordinateur, ils vérifiaient si le modèle résultant faisait sens physiquement. Ils vérifiaient que le plafond d'adhérence calculé n'était pas supérieur à ce que la route pourrait potentiellement supporter et que le comportement de direction de la voiture restait stable. Si le modèle échouait à ces tests physiques, le système le rejetait et continuait d'utiliser le modèle précédent, connu comme sûr, plutôt que de déployer un nouveau modèle dangereux.

Les résultats de ces changements ont été spectaculaires dans la simulation. Sur une surface statique où l'adhérence était constante, le système corrigé a appris la rigidité du pneu avec une erreur de moins de 3,2 %, alors que l'ancien système présentait une erreur de plus de 100 %. Plus important encore, l'équipe a testé le système sur une surface où l'adhérence diminuait lentement, simulant une piste devenant humide ou usée. L'ancien système, bloqué sur sa fausse estimation de haute adhérence, ne parvenait pas à remarquer la perte de traction. Il continuait à conduire à des vitesses qui n'étaient plus sûres, provoquant un dérapage de la voiture hors de la piste lors du deuxième tour. Le système corrigé, cependant, a détecté la perte d'adhérence. Il a réalisé que les pneus perdaient leur prise et le contrôleur a réajusté le profil de vitesse de référence contre les nouvelles limites plus basses. Cela a permis au véhicule de compléter trois tours complets avec le même niveau de précision qu'auparavant, simplement en ajustant sa vitesse aux conditions changeantes.

L'étude souligne une leçon critique pour les véhicules autonomes : un modèle qui correspond parfaitement aux données n'est pas nécessairement un modèle qui comprend la physique. Les chercheurs ont découvert que vérifier simplement si un nombre tombe dans une plage sûre ne suffit pas ; le système doit également s'assurer que les données qu'il utilise pour apprendre étaient réellement capables de tester ces limites. En forçant le système à poser les bonnes questions aux pneus — des questions assez difficiles pour révéler la vérité — ils ont pu empêcher la voiture de faire confiance à un mensonge. Bien que ces résultats aient été obtenus dans une simulation, la logique de la correction est basée sur des lois physiques qui s'appliquent aux vraies voitures. Les chercheurs concluent que pour que la course autonome soit sûre et efficace, la voiture doit être conçue pour chercher activement les limites de ses propres capacités, plutôt que de supposer que ces limites sont ce que l'ordinateur dit qu'elles sont.

Résumé technique : Identification de système sur piste sensible à l'excitation à pleine échelle

Énoncé du problème
L'identification de système sur piste vise à apprendre des modèles de pneus à partir de tours de course ordinaires afin d'éviter les coûts logistiques liés aux manœuvres dédiées hors piste. Bien qu'un pipeline d'apprentissage résiduel proposé par Dikici et al. [6] ait démontré un succès sur une plateforme à l'échelle 1:10, cet article étudie sa transférabilité à un véhicule Formula Student à pleine échelle (269,6 kg, empattement de 1,53 m). L'étude identifie que le pipeline de base échoue à pleine échelle en raison d'une perte d'excitation inhérente à son étape de « données virtuelles ». Plus précisément, le déroulement synthétique utilisé pour générer les données d'entraînement pour l'ajustement du pneu est contraint par la configuration du déroulement (vitesse et balayage de direction) plutôt que par les capacités réelles du pneu. Cela conduit à une situation où le coefficient de friction ( $\mu$ ) que les données synthétiques peuvent exiger est inférieur au pic du pneu, ce qui amène l'optimiseur à résoudre les degrés de liberté restants en plaçant les coefficients de glissement sur des contraintes de boîte. Par conséquent, le modèle identifié rapporte un plafond d'adhérence près de quatre fois supérieur à la capacité réelle de la plante, entraînant l'échec du contrôleur et la sortie de piste du véhicule.

Méthodologie
L'étude utilise un environnement de simulation CARLA avec un modèle de véhicule à roues basé sur PhysX comme plante de vérité terrain. Le pipeline d'identification suit une boucle à quatre étapes : (1) l'entraînement d'un réseau résiduel sur des données de tours enregistrées ; (2) l'exécution d'un déroulement de direction quasi-stationnaire virtuel avec le modèle corrigé ; (3) l'ajustement des coefficients de Pacejka aux forces du déroulement synthétique ; et (4) la mise à jour du modèle nominal.

L'article introduit trois corrections méthodologiques primaires pour répondre aux modes de défaillance identifiés :

Déroulement sensible à l'excitation : Les auteurs dérivent une borne de friction atteignable, $\mu_{reach} \approx v^2 \delta_{sweep} / (gL)$ , qui dicte la friction maximale que le déroulement synthétique peut exiger. Ils démontrent que le déroulement à vitesse fixe de la base (4 m/s) plafonne $\mu_{reach}$ à 0,43, ce qui est insuffisant pour le pneu à pleine échelle. Le pipeline corrigé sélectionne la vitesse de déroulement à partir du tour mesuré (plafonnée à un plancher de 15 m/s) et émet un avertissement si $\mu_{reach}$ tombe en dessous du pic du prior.
Corrections d'identifiabilité structurelle :
- Verrouillage du facteur de pic : L'analyse montre que dans le déroulement virtuel quasi-stationnaire, l'ajustement de Pacejka dépend des paramètres $B, C, D$ uniquement à travers leur produit ( $BCD$ ). Ainsi, le facteur de pic $D$ est structurellement non identifiable à partir du seul déroulement. La méthode corrigée mesure $D$ directement à partir du tour enregistré en utilisant un estimateur de modèle à brosse proprioceptif (basé sur la courbure de la courbe de force) et le verrouille pour la boucle de co-identification.
- Itération à point fixe relaxée : La boucle où chaque ajustement génère la trajectoire pour le suivant est un chemin de rétroaction positive, et non une contraction. Les auteurs introduisent un facteur de relaxation ( $\beta = 0,20$ ) pour amortir la mise à jour, empêchant l'accumulation d'erreurs.
Portes d'admissibilité : Au lieu de vérifier les limites individuelles des coefficients, le pipeline évalue les modèles sur des quantités physiques dérivées : raideur de carrossage d'essieu, signe de sous-virage, vitesse critique et le plafond d'adhérence par rapport à la demande latérale de la trajectoire.

Résultats clés
Le pipeline corrigé (« Excitation-S4D-Pinn ») a été comparé à la configuration héritée (« Baseline-NN-MSE ») sur deux surfaces : une surface statique ( $\mu=0,70$ ) et une surface décroissante où l'adhérence chute de 0,70 à 0,35 sous le véhicule en mouvement.

Surface statique : Le pipeline corrigé a identifié la raideur de carrossage d'essieu à 3,2 % (avant) et 1,4 % (arrière) de la vérité terrain et a récupéré le facteur de pic à moins de 11 %. En revanche, la configuration de base a bloqué le facteur de pic $D$ à sa limite supérieure (2,0) dans chaque cycle, surestimant la raideur de 118 à 132 % et résultant en une RMSE de force d'essieu 10 à 12 fois plus élevée. Le modèle corrigé a réduit l'erreur de suivi latéral de la MPC de 32 %.
Surface décroissante : La configuration de base n'a pas détecté la perte d'adhérence, maintenant une estimation de plafond de 2,0 g alors que l'adhérence de la plante est tombée à 0,53 g, provoquant la sortie de piste du véhicule lors du second tour. Le pipeline corrigé a suivi le taux de décroissance à moins de 7 % et le niveau absolu à moins de 10,9–17,4 % (en tenant compte d'un cycle de retard de transport). En identifiant correctement la chute d'adhérence, le contrôleur a re-bridé le profil de vitesse de référence de 0,51 g à 0,30 g, permettant au véhicule de compléter trois tours avec une erreur de suivi latéral inchangée pendant 18 % du temps de tour.

Signification et revendications
L'article affirme que l'échec du pipeline de base à pleine échelle n'est pas un problème de réglage mais un problème fondamental d'identifiabilité causé par la configuration de l'étape de génération de données virtuelles. La contribution principale est la dérivation de la borne de friction atteignable et les changements architecturaux subséquents qui garantissent que le pipeline ne converge pas silencieusement vers une solution dégénérée.

Les auteurs soulignent que les contraintes de boîte par coefficient sont insuffisantes pour l'admissibilité ; un ajustement peut satisfaire toutes les limites tout en étant physiquement dégénéré (par exemple, des coefficients reposant sur les limites alors que le produit produit une raideur plausible mais incorrecte). Par conséquent, ils préconisent un filtrage basé sur des quantités physiques dérivées à l'interface modèle-contrôleur. L'étude conclut que, bien que les valeurs numériques spécifiques soient liées à la plante CARLA/PhysX, les intuitions structurelles concernant la perte d'excitation, la dégénérescence $BCD$ et la nécessité d'amortir la boucle d'identification sont généralisables à toute implémentation de la stratégie de données de régime permanent virtuel. Les résultats sont présentés comme des observations basées sur la simulation, les auteurs notant qu'une réplication matérielle est nécessaire pour confirmer la transférabilité à des véhicules physiques.

Articles similaires