Estimasi Parameter Pada Mobil Menggunakan Extended Kalman Filter

Dinamika pergerakan mobil memiliki banyak parameter yang sangat mempengaruhi gerrakan mobil. Gaya utama yang mempengaruhi pergerakan mobil yaitu gaya gesek antara roda mobil dengan permukaan jalan yang menimbulkan gaya gerak longitudinal pada mobil sehingga mobil dapat melaju. Namun karena roda mobil yang bersifat elasitis pergerakan yang bergantung pada gaya gesek ini dapat menimbulkan bahaya dimana dapat terjadi slip ketika ban kehilangan cengkraman. Selain itu, kalkulasi pergerakan mobil menggunakan model matematis menjadi semakin kompleks karena pergerakan mobil sangat bergantung pada perputaran roda. Dengan kompleksnya pendekatan matematis untuk mendeteksi beberapa parameter ini, diperlukan pendekatan nonlinear. Salah satunya menggunakan Extended Kalman Filter. Dengan model matematis mobil yang nonlinear, Extended Kalman Filter dapat mengestimasi nilai dari suatu parameter pada mobil. Fungsi dari estimasi ini yaitu untuk mendapatkan representasi dari pergerakan mobil yang lebih akurat. Selain itu nilai estimasi kalman filter ini dapat digunakan untuk mengestimasi parameter yang tidak dapat diukur oleh sensor seperti slip angle, slip ratio dan gaya pada roda. Hasil estimasi kalman filter juga dapat digunakan untuk memperbaiki hasil bacaan sensor. Untuk menguji hal ini maka diperlukan pembuktian dengan membandingkan data hasil bacaan asli dengan data ideal hasil simulasi. ============================================================================================== Dynamics of car movement is affected by a lot of parameter, thus affecting the movement of car. The main force that act as the main propulsion of the car is friction between tyre and road surface. This creates longitudinal movement of the car. Since tyre is elastic, this movement can be dangerous as car depends all of it propulsion power on car’s tyre. This elasticity created some slip while car tyre is spinning and turning during maneuver. Slip occurs when car tyre lose its grip on tyre surface. This vehicle dynamic also made prediction and estimation of some car parameter become difficult since mathematic model of the vehicle is nonlinear. To tackle this problem, a nonlinear approach is needed to estimate and predict the dynamic of car movement. One of the nonlinear approach method is Extended Kalman Filter. Using Extended Kalman Filter and nonlinear model of vehicle dynamic, parameters that affect vehicle dynamic can be estimated and predicted. This estimation and prediction can be used to estimate unmeasurable parameter and correct any sensor reading. As such to compare between Extended Kalman Filter Estimation and ideal data, a comparison is needed between Extended Kalman Filter’s estimation and an ideal vehicle dynamic data