Online Slip Detection and Friction Coefficient Estimation for Autonomous Racing

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een raceauto bestuurt, maar je kunt de weg onder je wielen niet zien en je hebt geen speciale sensoren die vertellen hoe glad of ruw het asfalt is. Je moet gewoon gissen of je nog grip hebt of dat je gaat slippen. Voor een zelfrijdende raceauto is dit een levensgevaarlijke gok.

Dit paper van onderzoekers van de Universiteit van Florida lost dit probleem op met een slimme, simpele truc. Hier is de uitleg in gewone taal, met een paar verhelderende vergelijkingen.

Het Probleem: De "Onzichtbare Grip"

In de racewereld (en voor zelfrijdende auto's) is de wrijvingscoëfficiënt (hoe goed de banden grijpen) de heilige graal. Als je te hard remt of te scherp draait op een glad oppervlak, verlies je grip en vlieg je de bocht uit.

Het probleem is dat je dit niet direct kunt meten met standaard sensoren.

Bestaande methoden zijn vaak als een zware, dure camera die de wegscant (te duur en complex) of een ingewikkeld wiskundig model dat precies weet hoe de auto eruitziet en hoe zwaar hij is (te gevoelig voor fouten).
De oplossing van dit paper: Waarom zou je de weg kijken of de auto berekenen? Waarom luister je niet gewoon naar wat de auto doet?

De Oplossing: De "Verwachting vs. Werkelijkheid" Test

De onderzoekers hebben een systeem bedacht dat werkt als een slimme observator in je hoofd. Het gebruikt alleen twee standaard apparaten die al in veel auto's zitten:

Een IMU (een versnellingsmeter, zoals in je smartphone).
Een LiDAR (een laser-sensor die de positie meet, zoals een blindenstok voor de auto).

Het werkt in twee stappen:

Stap 1: Het Detecteren van Slippen (De "Waarom loop ik niet?"-test)

Stel je voor dat je loopt en je commando is: "Loop recht vooruit met 5 km/u".

De verwachting: De auto denkt: "Oké, ik heb gas gegeven en het stuur staat recht. Volgens de wetten van de fysica zou ik nu precies 5 km/u moeten gaan."
De werkelijkheid: De LiDAR en versnellingsmeter meten: "Hé, ik ga eigenlijk maar 3 km/u of ik schuif zijwaarts!"

Als er een groot verschil is tussen wat de auto moet doen (op basis van het stuur en gaspedaal) en wat hij echt doet, dan weet het systeem: "Ah! De wielen glijden!"
Het is alsof je probeert te rennen op een ijsbaan: je benen bewegen snel (commando), maar je komt nauwelijks vooruit (meting). Dat is slippen. Dit systeem doet dit in real-time, zonder ingewikkelde formules.

Stap 2: Het Schatten van de Grip (De "Maximale Kracht"-test)

Zodra de auto niet aan het slippen is (dus hij heeft grip), kijkt het systeem naar hoe hard de auto versnelt of remt.

De analogie: Stel je voor dat je een touw trekt. Hoe harder je trekt voordat het touw breekt, hoe sterker het touw is.
De auto trekt aan de weg (versnelt) totdat hij net niet meer slippt. De maximale kracht die hij kan zetten zonder weg te glijden, vertelt het systeem precies hoe "sterk" de grip is.

Dit is de wrijvingscoëfficiënt. Het systeem pakt de hoogste versnelling die het heeft gemeten terwijl de auto nog grip had, en dat is het antwoord.

Waarom is dit zo cool?

Geen zware rekenkracht nodig: Het heeft geen supercomputer nodig. Het werkt op een kleine chip in de auto (een Jetson Xavier NX).
Geen training nodig: Je hoeft de auto niet duizenden keren te laten rijden op ijs, sneeuw en asfalt om hem te "leren". Het werkt direct, omdat het puur kijkt naar de fysica van het moment.
Simpel en goedkoop: Het gebruikt alleen sensoren die al in de auto zitten. Geen dure extra camera's of speciale bandensensoren.

De Resultaten

De onderzoekers testten dit met een kleine, 1:10 schaal raceauto op drie verschillende oppervlakten:

Tegels (glad).
Karton (ruw).
Acryl (middenweg).

Het systeem kon perfect zien wanneer de auto begon te slippen (met bijna 100% nauwkeurigheid) en kon de grip van de verschillende oppervlakten heel goed schatten. De resultaten kwamen bijna exact overeen met metingen die ze handmatig deden met een krachtmeter.

Conclusie

Kortom: In plaats van te proberen de weg te "zien" of een ingewikkeld model van de auto te bouwen, kijkt dit systeem simpelweg naar het verschil tussen wat de auto probeert te doen en wat hij doet. Als dat verschil te groot wordt, is het slippen. Als hij grip heeft, meet hij hoe hard hij kan trekken om de grip te bepalen.

Het is als een slimme chauffeur die voelt: "Hé, ik geef gas, maar ik ga niet sneller... ik glijd! En oh, op dit stukje asfalt kan ik wel heel hard remmen zonder weg te glijden." Alles zonder dat hij ooit de weg heeft gezien of de auto heeft gemeten.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Online Slip Detection and Friction Coefficient Estimation for Autonomous Racing" in het Nederlands.

Titel: Online Slipdetectie en Schatting van de Wrijvingscoëfficiënt voor Autonomisch Racen

1. Probleemstelling

Voor de veiligheid, stabiliteit en prestaties van voertuigen, en in het bijzonder voor autonomisch racen, is nauwkeurige kennis van de wrijvingscoëfficiënt tussen band en weg (TRFC - Tire-Road Friction Coefficient) cruciaal. Voertuigen in het racen opereren vaak aan de grens van de beschikbare grip.

De uitdaging: De TRFC kan niet direct worden gemeten met standaard boordsensoren. Gespecialiseerde sensoren zijn te duur en moeilijk te integreren.
Bestaande oplossingen:
- Modelgebaseerde methoden: Gebruiken complexe voertuig- of bandmodellen (bijv. Kalman-filters) die afhankelijk zijn van onzekere parameters (zoals massa, traagheidsmoment, bandstijfheid).
- Data-gedreven methoden: Vereisen grote datasets voor training en missen vaak generalisatievermogen naar onbekende omstandigheden.
- Oorzaak-gebaseerde methoden: Gebruiken camera's of laserscanners voor oppervlakteclassificatie, maar leveren vaak slechts grove schattingen.

Het paper stelt een lichtgewicht, modelvrije aanpak voor die geen specifieke bandmodellen, parameteridentificatie of trainingsdata vereist.

2. Methodologie

De voorgestelde methode is gebaseerd op een fysiek geïnformeerde vergelijking tussen de verwachte beweging (gebaseerd op besturingssignalen) en de gemeten beweging (gebaseerd op IMU- en LiDAR-data).

A. Sensoren en Aannames

Sensoren: Enkel een Inertial Measurement Unit (IMU) en LiDAR.
Aannames: Het voertuig is een star lichaam, de weg is vlak, aerodynamische weerstand en rolweerstand zijn verwaarloosbaar, en er wordt gebruik gemaakt van een enkelbaans kinematisch model (fietsmodel) met vaste geometrische parameters.
Geen modellen: Er worden geen dynamische modellen of bandmodellen gebruikt voor de schatting.

B. Slipdetectie (Slip Detection)
Slip wordt gedetecteerd door afwijkingen te vinden tussen de commando's en de daadwerkelijke beweging. Dit gebeurt in twee domeinen:

Lineaire slip: Vergelijking van de beoogde longitudinale snelheid ( $v$ $v$ , gegeven door de throttle) met de gemeten longitudinale snelheid ( $\hat{v}_x$ $\overset{v}{^}_{x}$ , geschat via een EKF dat LiDAR-positie en IMU-data fuseert).
- Een slip wordt gedetecteerd als $|v - \hat{v}_x| \geq \delta_{lin}$ .
Hoekige slip: Vergelijking van de verwachte hoeksnelheid (yaw rate) berekend uit het kinematische fietsmodel met de gemeten hoeksnelheid ( $\hat{\omega}_\psi$ $\overset{ω}{^}_{ψ}$ ) van de IMU/LiDAR.
- De verwachte hoeksnelheid wordt berekend als $\omega_\psi = \frac{v}{l_w} \tan(\delta)$ , waarbij $l_w$ de wielbasis is en $\delta$ de stuurhoek.
- Een slip wordt gedetecteerd als $|\omega_\psi - \hat{\omega}_\psi| \geq \delta_{ang}$ .

De drempelwaarden ( $\delta_{lin}, \delta_{ang}$ ) worden offline bepaald via kruisvalidatie op ongelabelde data.

C. Schatting van de Wrijvingscoëfficiënt (Friction Estimation)
Zodra slip wordt gedetecteerd, wordt de schatting van de TRFC ( $\hat{\mu}$ ) uitgevoerd op basis van de niet-glijdende (no-slip) intervallen:

De trekkrachtcijfer ( $\rho$ ) wordt berekend uit de versnellingen gemeten door de IMU:
$\rho = \frac{\sqrt{\hat{a}_x^2 + \hat{a}_y^2}}{g}$
Waarbij $\hat{a}_x$ en $\hat{a}_y$ de longitudinale en laterale versnellingen zijn, en $g$ de zwaartekrachtversnelling.
De geschatte wrijvingscoëfficiënt is het maximum van deze trekkrachtcijfers over alle tijdstippen waarop er geen slip is gedetecteerd:
$\hat{\mu} = \max_{t: D(t)=1} \rho(t)$
Dit garandeert dat de geschatte waarde de bovengrens van de beschikbare grip weergeeft.

3. Belangrijkste Bijdragen

Het paper presenteert drie hoofdbijdragen:

Een lichtgewicht slipdetectietechniek die uitsluitend IMU- en LiDAR-metingen en besturingssignalen gebruikt, zonder complexe modellen.
Een real-time schattingsmethode voor de TRFC die geen expliciete band- of voertuigmodellen vereist en geen trainingsdata nodig heeft.
Een experimentele validatie op een 1:10 schaal autonomisch raceauto, die aantoont dat de methode nauwkeurige en consistente resultaten levert die dicht bij de grondwahrheid liggen.

4. Experimentele Resultaten

De methode werd getest op een 1:10 schaal raceauto (RoboRacer platform) op drie gesloten banen met verschillende ondergronden: keramische tegels, karton en acrylaat.

Slipdetectie:
- Precisie: 0,987
- Recall: 1,000 (alle 148 slipgebeurtenissen werden gedetecteerd)
- F1-score: 0,993
- Vertraging: De gemiddelde vertraging tussen het visuele begin van de slip en de detectie varieerde tussen 0,40 en 0,58 seconden, afhankelijk van het oppervlak.
Wrijvingscoëfficiënt Schatting:
- De geschatte waarden werden vergeleken met grondwahrheidswaarden gemeten met een krachtmeetapparaat (trekken tot slip optreedt).
- Resultaten:
  - Tegels: Geschat $\mu \approx 0,714$ vs. Grondwahrheid $\approx 0,69$ .
  - Karton: Geschat $\mu \approx 1,038$ vs. Grondwahrheid $\approx 1,02$ .
  - Acrylaat: Geschat $\mu \approx 0,860$ vs. Grondwahrheid $\approx 0,84$ .
- De gemiddelde absolute fout (MAE) lag tussen 0,04 en 0,14, wat vergelijkbaar is met geavanceerde filtergebaseerde methoden, maar dan zonder de benodigde modelcomplexiteit.

5. Betekenis en Conclusie

De studie toont aan dat het mogelijk is om nauwkeurige slipdetectie en wrijvingscoëfficiënt-schatting uit te voeren met een zeer eenvoudige, computerefficiënte en goedkope aanpak.

Voordeel: De methode is direct inzetbaar op ingebouwde systemen (embedded) zonder zware rekenkracht of uitgebreide kalibratie.
Toepassing: Het is ideaal voor autonoom racen en rijsturing, waar real-time feedback over grip essentieel is voor trajectplanning en adaptieve controle.
Beperkingen: De huidige validatie is beperkt tot vlakke, gecontroleerde binnenoppervlakten. Toekomstig werk richt zich op uitbreiding naar diverse buitenomstandigheden (nat wegdek, asfalt) en het meenemen van meer dynamische effecten (zoals aerodynamica en lastverdeling).

Kortom, dit paper bewijst dat een modelvrije, sensor-gedreven aanpak een robuust alternatief biedt voor complexe modelgebaseerde systemen in de context van autonomisch rijden.