精确估算轮胎与路面摩擦系数是提升电动车主动安全的关键。针对传统方法在匀速等微小动态下失效的难题，一项名为SVDKL的新研究，通过融合多维度特征和理论数据筛选，实现了高精度估算并量化不确定性，为更安全的车辆控制提供了新可能。
智能速览
传统方法在匀速等微小激励下估算摩擦系数精度低。
SVDKL方法融合时域与频域特征，解决了稳态工况估算难题。
该方法基于车辆动力学理论筛选数据，减少冗余，提升效率。
仿真实验证实其平均绝对误差仅4.4%，远超对比方法的25%。
模型能评估预测结果的不确定性，对设计鲁棒的车辆控制系统至关重要。
精华内容
精确估算轮胎与路面间的摩擦系数，是提升电动车主动安全性能的关键。一种名为随机变分深度核学习（SVDKL）的新方法，为此提供了突破性思路。
核心难题
在车辆动态控制领域，实时、精确地获取轮胎-路面摩擦系数至关重要。然而，传统估算方法，如基于“滑移率-斜率”的模型，在车辆处于匀速行驶等微小动态激励工况时会严重失效。因为这类方法依赖于车辆加减速时产生的明显动态变化来推断摩擦力，在稳态下几乎无法提取有效信息，导致估算结果误差巨大。
创新方法
为解决此问题，研究提出了随机变分深度核学习（SVDKL）框架。该方法首先依据车辆动力学与轮胎模型理论，为非稳态和稳态工况筛选出最相关的输入变量，避免数据冗余。接着，利用一个并行的时空卷积神经网络（PSTCNN）对两类工况下的特征进行高效融合提取。
特征融合策略
该方法的核心在于其独特的特征融合策略。对于加速、刹车等非稳态工况，模型提取车速、滑移率等时域信号特征。而对于匀速等稳态工况，它则创新性地转向分析驱动力矩的时频域信号，从中捕捉因微小路面激励而产生的振动信息，从而挖掘出隐藏的摩擦特性。
实测优势
通过在CarSim仿真平台和实车上进行验证，SVDKL方法展现出显著优势。在匀速行驶的仿真测试中，其估算的平均绝对误差仅为4.4%，而对比的“滑移率-斜率”模型和经典CNN-RNN模型的误差则高达25%左右。实车测试也进一步验证了该方法的在真实环境中的有效性和可靠性。
不确定性量化
SVDKL框架的另一大价值在于其不确定性量化能力。通过稀疏变分高斯过程（SVGP），模型不仅能输出一个摩擦系数估算值，还能提供一个置信区间，告知系统该估算的可信度。这为上层控制系统（如ABS、ESP）提供了更丰富的决策依据，使其在应对复杂路况时能做出更鲁棒、更安全的控制策略。
SVDKL方法不仅在精度上实现了对传统方案的超越，更重要的是它将理论分析与数据驱动深度融合，并引入了不确定性评估。这使得摩擦系数的估算从一个单一数值，升级为一个包含可信度的概率化信息，为未来更高级别的自动驾驶和电动车主动安全系统铺平了道路。
