Original title: Analýza a odhad jízdních parametrů vozidla pomocí strojového učení
Translated title: Machine Learning for Analysis and Estimation of Vehicle Driving Parameters
Authors: Repka, Martin ; Čupera, Jiří (referee) ; Magdolen, Ľuboš (referee) ; Porteš, Petr (advisor)
Document type: Doctoral theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [cze] [eng]
Již v současnosti jsou vozidla vybavena celou řadou senzorů, které umožňují vyhodnocovat dynamický stav vozidla. Naměřená data z těchto senzorů však mohou být doplněna o odhadnuté veličiny, které mohou sloužit při telemetrii vozidla, při vývoji a provozu pokročilých asistenčních systémů vozidel, nebo i pro méně pokročilé regulační algoritmy jako např. ABS a ESP. Tato dizertační práce se zaměřuje na odhad parametrů, které není možné během jízdy měřit. Tyto parametry jsou odhadovány pomocí virtuálních senzorů na bázi strojového učení. Výhodou tohoto přístupu bude možnost získávání průběhu vybraných veličin, které jsou významné z hlediska dynamiky vozidel, i za pomoci cenově dostupných inerciálních jednotek. Výsledky jsou získány pomocí dostupných experimentů na reálném vozidle. S uplatněním této metody se počítá v rozšíření metodiky testování velkého počtu vozidel. Vehicles are already equipped with a range of sensors that allow the dynamic state of the vehicle to be evaluated. However, this measured data can be supplemented with estimated channels that can be used in vehicle telemetry, in the development and operation of advanced driver assistance systems or even for less advanced control algorithms such as ABS and ESP. This dissertation focuses on the estimation of parameter that cannot be measured while driving, using machine learning technology. The advantage of this approach will be to enable the retrieval of the trajectories of selected variables that are relevant to the vehicle dynamics, even with the help of affordable inertial measurement units. The results are obtained by means of available experiments on a real vehicle. The application of this method is envisaged in the extension of the methodology for testing a large number of vehicles.
Keywords: artificial intelligence; fleet testing; Machine learning; slip angle; flotilové testování; Strojové učení; umělá inteligence; úhel směrové úchylky

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/260618

Permalink: http://www.nusl.cz/ntk/nusl-781033


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Doctoral theses