路面附著系數(shù)國內外研究現(xiàn)狀文獻綜述目錄TOC\o"1-3"\h\u28085路面附著系數(shù)國內外研究現(xiàn)狀文獻綜述 1325571直接測量法國內外研究現(xiàn)狀 140552非直接測量法國內外研究現(xiàn)狀 5235103路面附著系數(shù)估計發(fā)展趨勢 8對于路面附著系數(shù)估計的研究分為基于傳感器的直接測量法和基于車輛動力學的非直接測量法兩類。這兩種方法又可細分為不同的類別，如圖1.1所示?；谥悄茌喬サ闹苯訙y量法根據(jù)內嵌傳感器的類型不同可以分為：聲波式智能輪胎、光學式智能輪胎、霍爾式智能輪胎、PVDF式智能輪胎以及加速度計智能輪胎。而基于車輛動力學的非直接測量法包括基于μ?1直接測量法國內外研究現(xiàn)狀直接測量法也被稱為智能輪胎法，主要是采用不同的傳感器將輪胎變成一種傳感器的形式，監(jiān)測輪胎與路面間動態(tài)摩擦過程中最直接的信息，通過測量和分析輪胎響應從而直接對輪胎--路面附著系數(shù)來進行識別。近年來，得益于微電子技術與材料技術的發(fā)展，基于輪胎內置傳感器進行直接測量的智能輪胎系統(tǒng)受到越來越多的關注。根據(jù)常用的內嵌傳感器形式，典型的智能輪胎系統(tǒng)可分為：聲學式、光學式、霍爾式、PVDF（壓電薄膜傳感器）式和加速度計式。圖1.1路面附著系數(shù)估計方法分類（1）聲學式智能輪胎：德國AlfredPohl團隊ADDINNE.Ref.{0D466C2C-4981-4F94-B4B0-A569FD18887B}[8,9]利用無源表面聲波傳感器（SAW,SurfaceAcousticWave）搭建了智能輪胎系統(tǒng)。該傳感器系統(tǒng)可以在車輛行駛的每個階段去監(jiān)測熱和機械參數(shù)，收集有關的輪胎溫度，輪胎壓力，胎面磨損的信息，并將其用于汽車的操控和維護支持。該系統(tǒng)通過測量輪胎外輪廓線的變形，從而實現(xiàn)了路面附著系數(shù)的識別。SAW傳感器為無源器件，并且信號是以無線形式進行傳遞，但是該傳感器封裝體積及質量較大，探針深入輪胎，極限工況下，會影響車輛的安全性能。南京航空航天的陳趙興針對聲表面波技術對智能輪胎壓力溫度監(jiān)測系統(tǒng)進行了研究。他首先分析了傳感器的結構特性與傳感原理，然后根據(jù)波理論與耦合方程選擇合適的壓力溫度傳感器并進行了性能測試。針對回波信號信噪比較低的問題設計了奇異值分解去噪算法提高其信噪比，并根據(jù)采樣點數(shù)較少導致的頻譜分辨率不足，設計了時域補零與頻域三次樣條插值擬合的算法提高頻譜分辨率，最后搭建了單個傳感器無線測試系統(tǒng)與車輛輪胎分布情況來測試系統(tǒng)，完成了聲表面波傳感器位置處的壓力與溫度實時監(jiān)測ADDINNE.Ref.{06261650-8187-41D5-A907-C9DF54E9A8DE}[10]。X.Zhang等人ADDINNE.Ref.{D0A6E357-22EA-4357-A342-D64DBB46F957}[11]同樣提出了一種基于無線無源聲表面波傳感器的智能輪胎的結構和原理。他們研究的聲傳感器是由對稱位于基板兩側的兩條相同的延遲線制成的，在每條延遲線中有兩個反射器。此傳感器采用全石英封裝技術進行氣密密封，并嵌入到輪胎中。它可以自動測量輪胎壓力和溫度參數(shù)。根據(jù)測量結果，傳感器系統(tǒng)可以智能地估計輪胎的狀態(tài)，并在壓力或溫度異常時向駕駛員發(fā)出警報。（2）光學式智能輪胎芬蘭AriTuononen團隊ADDINNE.Ref.{02E275C4-A3B3-462A-9362-6583B4362E3E}[12,13]提出基于光學傳感器的智能輪胎系統(tǒng)。通過鏡頭將LED光線投射到PSD（PositionSensitiveDiode），解析并且獲取LED處的輪胎應變。同時根據(jù)胎體的位移實時估計輪胎力，可以在垂向、側向和縱向方向上測量力的大小。該傳感器同時能夠測量輪胎胎體相對于輪輞的運動，并且將數(shù)據(jù)無線傳輸至底盤。分析原始數(shù)據(jù)在CAN總線上提供的輪胎力信息。光學式智能輪胎可以實現(xiàn)輪胎曲撓形變用以及輪胎力的精確估計，然而其規(guī)模化應用仍然受到安裝方式地限制，緊急工況下輪胎與輪輞的相對運動引發(fā)的LED位置的微小的變化會對測量結果的精確性產生非常大的影響。（3）霍爾式智能輪胎O.YilmazogluADDINNE.Ref.{2FDA52FB-D684-4860-B818-9E9C7620136D}[14]等人提出了基于霍爾傳感器的智能輪胎系統(tǒng)。該系統(tǒng)將永磁鐵嵌入輪胎胎面，將霍爾傳感器置于永磁鐵上方1mm處，通過霍爾傳感器監(jiān)測由于胎面變形而引發(fā)的電壓的變化。然而，將永磁鐵與霍爾傳感器植入胎面橡膠會對輪胎材料特性以及剛度產生較大的影響。（4）PVDF式智能輪胎PVDF作為一種新型的高分子壓電材料同樣可以用于智能輪胎的研究。J.YiADDINNE.Ref.{8B1AC10D-1813-46EF-9BB9-E391A1775C3B}[15]設計并制造了基于PVDF的傳感器，嵌入胎面的內表面用以測量輪胎橡膠胎面變形。他提出了基于PVDF的傳感系統(tǒng)分析模型，來獲取車輪--地面接觸信息和摩擦特性。最后通過測量輪胎形變時壓電薄膜產生的電荷量而得到了輪胎的變形信息與力信息。RajamaniRADDINNE.Ref.{ED1D7AA8-7D6D-4AF2-B300-AB8EDB6F454F}[16-18]等人提出了一種新的壓電輪胎傳感器，接觸印跡內的輪胎變形測量值可以利用從胎體內部到整個接觸面的輪胎胎體的解偏斜輪廓，估算滑移角、輪胎力、滑移率與路面的附著系數(shù)。其無線壓電傳感器的獨特設計能夠使胎體的側向變形與徑向和切向變形解耦。天津大學的劉建才研究了PVDF多傳感器在智能輪胎防抱死系統(tǒng)中的應用。主要完成了車輛防抱死系統(tǒng)的物理建模，包括輪速傳感器、液壓制動系統(tǒng)、ABS邏輯控制模塊、考慮空氣阻力的雙輪車體模型。他同時對PVDF傳感器的原理特性進行了分析，構建了智能輪胎中的PVDF傳感器陣列模型，并針對干瀝青、濕泥土和積雪三種路面條件的剎車過程進行了仿真研究，最終驗證PVDF傳感器能夠獲取胎面—路面的形變信息，在改善ABS系統(tǒng)性能方面的有效性ADDINNE.Ref.{28DBAD1B-4745-4179-A747-3A0E64BC3451}[19]。（5）加速度計式智能輪胎意大利米蘭大學F.BraghinADDINNE.Ref.{03C08CB8-D46A-4DB9-8DDF-3675FE3371B8}[20]團隊提出了采用三軸加速度計估計輪胎運動學條件范圍內的多個接觸參數(shù)，用于車輛穩(wěn)定性控制的滑移角估計，包括輪胎力分析與路面附著特性，并且對該智能輪胎進行實車測試，成功地實現(xiàn)了輪胎力識別，但是文章中并未給出具體求解算法，僅說明了分析思路，給出了部分估計值的臺架及整車實驗數(shù)據(jù)的對比。文獻ADDINNE.Ref.{E1D8F3AF-5EB0-4514-AFE2-3065B7B41117}[21]著重于輪胎滾動加速運動學的明確表述，為基于加速度計的智能輪胎的力識別算法提供了基礎。使用拉格朗日-歐拉方法用于描述滾動接觸結構的加速度場和接觸變形。然后，通過耦合剛體運動和彈性變形來表達三軸加速度矢量。在該文章中，以輪胎-道路變形為邊界條件求解了三維輪胎環(huán)模型。通過將計算出的三軸加速度與由加速度計測得的加速度進行比較，驗證了所開發(fā)的方法，并且模型為基于加速度的智能輪胎提供了堅實的理論基礎。吉林大學的郭明超ADDINNE.Ref.{44D49727-79F2-4B3C-A922-A2F75A58003C}[22]提出基于三軸加速度計胎內測量的摩擦系數(shù)估計方法，通過求解輪胎的側向力與回正力矩，利用刷子輪胎模型建立了側向摩擦系數(shù)估計器。加州大學伯克利分校的G.Erdogant團隊ADDINNE.Ref.{11E6D107-232D-4154-BCDA-50E65207EFB0}[23]采用了類似的方法，通過對獲取的加速度數(shù)據(jù)進行雙積分處理后，得到了胎體的側向變形曲線求得輪胎側向力，根據(jù)刷子模型，完成了路面附著系數(shù)的辨識，然而，該方法的有效性僅在小輪胎側偏角工況下得到了實車驗證。此外，東京理工大學ADDINNE.Ref.{5D731627-40EC-418B-AC42-3EE42DEA7B29}[24]利用安裝于輪胎內部的輕型加速度計完成了輪胎滑移角、垂向力與路面摩擦系數(shù)的估計，并在不同干濕程度的道路上進行了實驗測定，該方案同時也適用于轉彎工況。文獻ADDINNE.Ref.{4D22E20D-053E-4AF4-A3BF-D0CE6F33E23C}[25]通過在輪胎內壁并排安裝的三個三軸加速度計，對輪胎的接地長度進行了分析，并將其與從橫向加速度信號檢測到的路面信息結合在一起，對路面進行是否有水以及輪胎偏轉的檢測實驗。文獻ADDINNE.Ref.{D29521CC-6005-478B-A5BF-911EF633359D}[26]提出了一種基于智能輪胎傳感器的負荷估算算法。通過柔性環(huán)輪胎模型（一種物理輪胎模型）對提出的算法進行了仿真分析，并基于載荷-接觸角-壓力之間的關系構造了該算法，其效果通過使用FlatTrac的室內測試驗證后確認了在不同條件下快速的估計時間和較高的估計精度。從智能輪胎傳感器的演變過程來看，目前基于加速度計的智能輪胎系統(tǒng)被更加廣泛地采用。與前述智能輪胎形式相比，加速度計式智能輪胎系統(tǒng)的優(yōu)勢在于目前加速度計技術非常成熟，可靠性高，而且加速度計具有頻帶寬、體積小、質量輕等優(yōu)點，安裝后對輪胎動態(tài)平衡特性影響極小，加之加速度數(shù)據(jù)本身易于處理，利用加速度計研究和解決路面附著系數(shù)的估計問題是當前技術發(fā)展的趨勢。采用直接測量方法的優(yōu)點是能夠實時地識別出路面附著系數(shù)，但是同時具有需要額外地添加傳感器等設施的缺點，所以這些方法的成本偏高而且對傳感器的安裝位置和耐用性都有比較高的要求。2非直接測量法國內外研究現(xiàn)狀非直接測量方法是通過測量車輛的行駛狀態(tài)參數(shù)，充分地利用現(xiàn)有的傳感器，同時再結合一些車輛的非線性狀態(tài)觀測器模型就可以辨識出行駛路面的附著系數(shù)?；谲囕v動力學的估計方法主要有以下幾種：（1）基于μ?s曲線的識別方法?；谇€滑移率的估計方法是研究最早的方法?；讦?s曲線的路面附著系數(shù)的估計方法有斜率法、模型法、公式法等方法。文獻ADDINNE.Ref.{0C396F8B-F375-45C6-8AA7-066F5287FBE4}[27]提出了估計附著率—縱向滑移率曲線斜率的方法。對于電動車，通過建立單輪模型，獲得輪胎附著力，通過估計輪速和車速估計滑移率；基于最小二乘法，估計附著率—縱向滑移率曲線的斜率；通過斜率區(qū)分輪胎力是處于線性區(qū)還是非線性區(qū)。該方法能夠判斷輪胎的工作區(qū)，但是無法得到了附著系數(shù)。文獻ADDINNE.Ref.{31D1E5B4-74B4-473B-B2C6-E155E9B0C0AE}[28]是基于統(tǒng)計學的理論，識別路面的附著系數(shù)。建立八自由度車輛動力學模型，利用車輪的縱向力、側向力，并利用側向、縱向車速及各個車輪轉速等的狀態(tài)估計值，計算各個車輪的縱向滑移率和側偏角。以計算值與估計值作為分析數(shù)據(jù)，根據(jù)附著率—縱向滑移率曲線特性，估計路面附著系數(shù)的估計值。文獻ADDINNE.Ref.{2875004A-512C-490C-80BA-BBE0956E8C8D}[29]提出了基于模型匹配重構的估計方法。當車輛發(fā)生加速、制動或轉向操作的時候，根據(jù)附著率—縱向滑移率曲線特性，調節(jié)PID參數(shù)，使實時獲得的運動響應與參考車輛模型響應之間的偏差達到最小。在對PID控制量進行加權和歸一化計算后，估計路面附著系數(shù)。文獻ADDINNE.Ref.{A56E8436-2616-412D-AF38-1E77EF1EC8B9}[30]通過最小二乘法和卡爾曼濾波算法計算出曲線的斜率作為當前路面的附著系數(shù)，實驗表明了該方法有比較明顯的效果。因此后面許多學者在該方法上進行了優(yōu)化和改進。文獻ADDINNE.Ref.{C57C0D84-9882-43D8-BF20-224FEEF7E28F}[31]提出分布式驅動車輛車輪對應的最大附著系數(shù)的滑移率實時識別方法。通過計算驅動轉矩和轉速獲取輪胎-路面間的附著特性，基于結果的導數(shù)的變化對輪胎滑轉狀態(tài)進行檢測，進而得到了最大附著系數(shù)所對應的滑移率。（2）非線性公式擬合法Germann等人ADDINNE.Ref.{4D7F465D-A223-47F4-9B81-4F7E7D51AF0C}[32]使用非線性和線性數(shù)學模型開發(fā)了一種摩擦監(jiān)測系統(tǒng)，用來描述車輛的輪胎滑移角，橫擺角速度等特性并計算動態(tài)車輪載荷和縱向輪胎力。通過遞歸最小二乘估計器在車載系統(tǒng)中計算輪胎滑移角，橫擺角速度參數(shù)以用于控制系統(tǒng)。在有效的汽車安全系統(tǒng)的設計中，能夠正確估算汽車應用中的摩擦系數(shù)顯得至關重要。DeCastro團隊則提出了一種新的參數(shù)化方法，用于估計輪胎-道路界面中的峰值摩擦系數(shù)。該方法是基于前饋神經網絡（FFNN），并通過極限學習機（ELM）方法進行訓練。與通?；诜聪騻鞑デ也贿m用于實時實現(xiàn)的FFNN傳統(tǒng)學習技術不同，ELM提供了基于輸入與隱藏層之間權重的隨機分配的學習過程ADDINNE.Ref.{FBAC6C62-374D-4047-A16A-79FF7F417629}[33]。（3）基于輪胎模型識別方法北京理工大學張旭東團隊ADDINNE.Ref.{985A8A52-5F42-4B50-8FC6-F7B193CB631B}[34]提出了一種用于四輪電動車的輪胎-道路附著系數(shù)的估計方法。他們基于無跡卡爾曼濾波器開發(fā)了一種上層估計器，以用來估計車輛狀態(tài)信息，同時使用混合估計方法作為下層估計器，使用通用的回歸神經網絡和貝葉斯定理來識別輪胎-道路摩擦系數(shù)。GRNN檢測在日常駕駛中最常見的小激勵下的道路摩擦系數(shù)，而對于大型激勵，估計算法是基于貝葉斯定理和簡化的“魔術公式”輪胎模型來估計。文獻ADDINNE.Ref.{26D64584-299D-49A6-A72E-AF78675FC918}[35]利用基于單輪模型的遺忘因子方法完成了附著系數(shù)的識別工作。首先，他們將估計的道路摩擦系數(shù)和滑移率分組到當前時間之前的一個十分小的時間間隔內的一組樣本中，并隨著時間的推移來進行更新。通過對估計的道路摩擦系數(shù)的樣本充分利用典型道路的標準道路摩擦系數(shù)進行比較，從而以最小統(tǒng)計誤差為識別原理，提高識別的魯棒性。一旦識別出道路類型，就確定了最大道路摩擦系數(shù)和最佳滑移率。李剛等人針對四輪獨立驅動電動車的驅動防滑的問題，研究了基于模糊識別路面的控制方法。他們提出了通過模糊規(guī)則將小滑轉率、小附著區(qū)域的路面利用附著系數(shù)和滑轉率估高的方法，利用4WID電動車四輪驅動力矩獨立可控、轉速和轉矩易于獲得的特點，實時估算路面利用附著系數(shù)和最優(yōu)滑轉率，從而控制各輪驅動力矩實現(xiàn)驅動防滑ADDINNE.Ref.{7C3A188C-9459-4EDB-9460-003950CEB7E1}[36]。（4）基于車輛側向動力學的識別方法文獻ADDINNE.Ref.{CDB08BB9-4450-4297-B0CE-BE4EF2E1FE1E}[37]利用多傳感器數(shù)據(jù)融合綜合車輛穩(wěn)定性控制系統(tǒng)的各傳感器數(shù)據(jù)，從中提取有效信息得到了充分利用的特征信息。根據(jù)路面附著系數(shù)充分利用時的側向加速度估算路面附著系數(shù)，并通過15自由度硬件在環(huán)仿真平臺以及實車試驗兩種方式對算法進行驗證。陳無畏等人提出了一種在轉向工況下根據(jù)車輪側偏特性估計路面附著系數(shù)的算法。他們建立了七自由度整車模型,分析了車輪的側偏特性；然后設計了擴展卡爾曼濾波器，以根據(jù)車輛的縱、側向加速度，估算車輛的縱、側向速度，并據(jù)此計算出車輪的側偏角；最后,采用反向傳播神經網絡算法，根據(jù)前輪側偏角和橫擺角速度及其增益，估計路面附著系數(shù)ADDINNE.Ref.{7D70106F-291E-448A-9266-C12E69A6BC39}[38]。文獻ADDINNE.Ref.{89544CED-C656-4069-A604-29865AFCC55C}[39]提出了一個控制策略可使用轉向過程中車輛前軸的總定位扭矩來確保穩(wěn)定性和魯棒性，從而估算道路摩擦系數(shù)。首先，其采用了一種新型策略來估計前軸橫向力，其性能要優(yōu)于經典的未知輸入觀測器。然后，結合基于估計的總定位扭矩和前軸側向力的間接測量，設計了一個非線性自適應觀測器，以在保證穩(wěn)定性的情況下估算道路摩擦系數(shù)，并提出了一些標準來決定何時更新估算的路況。通過在不同的道路條件下進行的仿真和實驗，驗證了所提出的框架，并通過與使用擴展擴展卡爾曼濾波器的方法進行比較，證明了該策略在穩(wěn)定性方面的優(yōu)勢。（5）其他識別方法吉林大學王麗基于能量法對路面附著系數(shù)估計進行了研究。她通過分析四種不同的制動方式，選定只有摩擦制動器起作用的制動過程，即駕駛員踩下離合器踏板和制動器踏板，四個車輪同時產生制動力矩的制動方式。依據(jù)功率方程，推導出路面附著系數(shù)求解模型ADDINNE.Ref.{31593EEE-104F-4875-8F61-6566C0C6CD16}[40]。利用狀態(tài)觀測器的方法來估計車輛的非線性高斯噪聲系統(tǒng)的狀態(tài)，從而來估計路面附著系數(shù)也更加受到人們的關注。Charara等人ADDINNE.Ref.{03E5F663-47CD-47AC-A201-56F5631342E6}[41]提出了車輛側滑角的滑模觀測器，該滑模觀測器是與輪胎-道路接觸面的橫向力有關的主要變量，利用偏航角速度傳感器，與相關車速數(shù)據(jù)對側滑角進行估算。并且他們討論了非線性可觀測性矩陣條件數(shù)的性質，并給出了該變量與觀測誤差，車速和輪胎轉彎剛度之間的關系。文獻ADDINNE.Ref.{C6242C87-0BFB-40D3-BA95-4D2859432F02}[42]根據(jù)擴展卡爾曼濾波和車輪回正力矩，確定了輪胎的滑移角和路面附著系數(shù)的關系，由于車輪回正力矩對低滑移角下的輪胎路面附著系數(shù)非常敏感，因此可以在短時間內進行辨識。同濟大學的熊璐考慮了復雜激勵條件的分布式驅動車輛的路面附著系數(shù)估計。他設計的模糊自適應路面附著系數(shù)融合估計方法，充分利用了車輛縱側向激勵，用以實現(xiàn)算法對車輛不同行駛工況的估計適應能力。分別設計不同激勵條件下的路面附著系數(shù)估計方法，通過車輛狀態(tài)參數(shù)判斷滿足的激勵條件，模糊推理出當前縱側向輪胎力所能達到的極限，并據(jù)此設計融合觀測器進行估計結果融合ADDINNE.Ref.{1221039E-BDC3-41C9-AE08-8E93FAF2FF23}[43]。相較于智能輪胎方法，基于車輛動力學對路面附著系數(shù)估計的研究時間上更早一些，尤其是通過附著率—縱向滑移率的方法更是有較為深厚的研究背景。隨著科學研究的不斷發(fā)展，估計算法也在迭代更新。非直接測量法在可重復性上較直接測量法有較大的優(yōu)勢，同時成本較低，但由于無法獲取握輪胎與地面實時接觸信息，在實車的應用上仍然需進一步的發(fā)展。3路面附著系數(shù)估計發(fā)展趨勢綜合來看，一方面，科學的進步和傳感技術的發(fā)展、傳感器體積的不斷縮小與價格的持續(xù)下降、傳感器的集成化水平提高等因素使得通過在輪胎內部或輪胎表面嵌入傳感器直接監(jiān)測輪胎的各種信息逐步成為可能，基于加速度計智能輪胎的輪胎-路面附著系數(shù)識別方法也受到越來越廣泛的關注。另一方面，基于車輛動力學的識別方法在理論方面不斷完善，估計結果更加精確，而將兩種算法結合起來，在不同工況下分別進行識別提供了更加準確的識別方式，從而會有更大的發(fā)展空間。參考文獻[1] 余卓平,馮源,熊璐.分布式驅動電動汽車動力學控制發(fā)展現(xiàn)狀綜述[J].機械工程學報,2013,49(08):105-114.[2] 曹秉剛張傳偉白志峰李竟成.電動汽車技術進展和發(fā)展趨勢[J].2004.[3] 包曉亮.汽車正面碰撞安全性仿真研究[D].東北大學,2012.[4] 郭輝,羅勇.智能網聯(lián)汽車信息安全關鍵技術[J].上海汽車,2019(10):9-14.[5] 余卓平,左建令,張立軍.路面附著系數(shù)估算技術發(fā)展現(xiàn)狀綜述[J].汽車工程,2006(06):546-549.[6] T.K,V.D,J.VDM,etal.SystematicModel-BasedDesignandImplementationofSupervisorsforAdvancedDriverAssistanceSystems[J].IEEETransactionsonIntelligentTransportationSystems,2018,19(2):533-544.[7] 王巖,危銀濤.智能輪胎技術的研究進展:中國力學大會-2017暨慶祝中國力學學會成立60周年大會,中國北京,2017[C].[8] A.P,G.O,L.R,etal.MonitoringthetirepressureatcarsusingpassiveSAWsensors:1997IEEEUltrasonicsSymposiumProceedings.AnInternationalSymposium(Cat.No.97CH36118),1997[C].19975-8Oct.19975-8Oct.1997.[9] A.P,R.S,L.R.The"intelligenttire"utilizingpassiveSAWsensorsmeasurementoftirefriction[J].IEEETransactionsonInstrumentationandMeasurement,1999,48(6):1041-1046.[10] 陳趙興.基于聲表面波技術的智能輪胎壓力溫度監(jiān)測系統(tǒng)[D].南京航空航天大學,2019.[11] X.Z,F.W,Z.W,etal.Intelligenttiresbasedonwirelesspassivesurfaceacousticwavesensors:Proceedings.The7thInternationalIEEEConferenceonIntelligentTransportationSystems(IEEECat.No.04TH8749),2004[C].20043-6Oct.20043-6Oct.2004.[12] AriT.On-boardestimationofdynamictyreforcesfromopticallymeasuredtyrecarcassdeflections[J].Int.J.ofHeavyVehicleSystems,2009,16(3).[13] A.JT.Opticalpositiondetectiontomeasuretyrecarcassdeflections[J].VehicleSystemDynamics,2008,46(6).[14] OY,MB,JS,etal.IntegratedInAs/GaSb3Dmagneticfieldsensorsfor“theintelligenttire”[J].Sensors&Actuators:A.Physical,2001,94(1).[15] J.Y.APiezo-Sensor-Based“SmartTire”SystemforMobileRobotsandVehicles[J].IEEE/ASMETransactionsonMechatronics,2008,13(1):95-103.[16] GE,LA,RR.Anovelwirelesspiezoelectrictiresensorfortheestimationofslipangle[J].MeasurementScienceandTechnology,2010,21(1).[17] G.E,L.A,R.R.EstimationofTire-RoadFrictionCoefficientUsingaNovelWirelessPiezoelectricTireSensor[J].IEEESensorsJournal,2011,11(2):267-279.[18] ElizabethGA,CorinaS,SaiedT.Investigationintouseofpiezoelectricsensorsinawheeledrobottireforsurfacecharacterization[J].JournalofTerramechanics,2015,62.[19] 劉建才.基于PVDF多傳感器的輪胎防抱死仿真研究[D].天津大學,2012.[20] F.B,M.B,F.C,etal.Measurementofcontactforcesandpatchfeaturesbymeansofaccelerometersfixedinsidethetiretoimprovefuturecaractivecontrol[J].VehicleSystemDynamics,2006,44(sup1).[21] WangY,LiuZ,KaliskeM,etal.TireRollingKinematicsModelforanIntelli