太过转向是一种担心全的状态，这种状态下车辆的后轮胎正在转弯时失落抓地力（图 1）。导致这种状况的成分不妨是轮胎磨损、途面湿滑、转弯速率过疾、转弯时乍然制动

太过转向是一种担心全的状态，这种状态下车辆的后轮胎正在转弯时失落抓地力（图 1）。导致这种状况的成分不妨是轮胎磨损、途面湿滑、转弯速率过疾、转弯时乍然制动，或是全盘这些成分的归纳来由所致。

摩登的安谧掌管体例能够正在检测到太过转向时自愿接纳更正方法。表面上，借助基于根基道理的数学模子，这类体例能够识别太过转向的状态。

比方，当车载传感器的衡量值胜过模子中既定的参数阈值时，体例即可确定车辆产生太过转向。然而，正在现实驾驶中，因为涉及到浩瀚成分的互相用意，这种伎俩已被验证难以凑效。统一辆汽车正在轮胎充气亏损的状况下行驶于结冰途面，与正在轮胎充气符合的状况下于干燥途面上行驶，必要的阈值不妨大纷歧样。

宝马公司正正在寻求一种呆板研习伎俩来检测太过转向。借助 MATLAB，他们开荒了一种监视式呆板研习模子行动观点验证。尽量之前险些没有任何呆板研习方面的经历，但正在短短三周内宝马团队就完结了一个可平常作事的 ECU 原型，也许检测太过转向，而且正确率胜过 98%。搜聚数据和提取特色

当驾驶员指出汽车产生太过转向时，坐正在旅客职位的同事会按下札记本电脑上的一个按钮。当驾驶员指出汽车规复平常驾驶状况时，该同事会松开按钮。这些按钮的按压创修了所需的真值标志，以供咱们演练监视研习模子。

通过这些原始数据演练的模子并不会形成很轶群的结果 – 其正确率大体正在75% 和 80% 之间。为了获取纠正确的结果，咱们算帐并节减了原始数据。

正在过滤和节减搜聚的数据后，咱们也许更有用地评估监视研习伎俩。依附 Classification Learner app，咱们试用了k-迩来邻 (KNN) 分类器，增援向量机 (SVM)、二次判别剖析和计划树。咱们还操纵该app，查看经由主因素剖析 (PCA) 变换后获得的特色的成果，从而有助于防范太过拟合。由咱们评估的分类器所得出的结果，正在表 1 中举行了概括总结。全盘分类器正在识别太过转向方面均浮现精良，此中有三个分类器获得了高于 98% 的真阳率。定夺成分是真阴率：分类器也许确定车辆未产生太过转向的正确水平。这里，计划树的浮现优于其他分类器，其线：四种差别的监视研习分类器的结果概要

计划树得出的结果非常令人看好，但真正测试是考验分类器正在切实汽车中的 ECU 上的浮现。咱们操纵 MATLAB Coder™ 从模子天生代码，并为装置正在宝马 5 系轿车中的主意 ECU 编译代码。这一次，咱们正在亲切慕尼黑办公室的阿施海姆左近的宝马工场亲身举行了测试。我亲身驾驶，我的同事承担搜聚数据，正在我指出车辆产生太过转向时，同事正确地纪录了这暂时间。

正在 ECU 上及时运转的分类器浮现特殊密切，正确率约为 95%。进入测试阶段后，因为操纵了差别的车辆（宝马 5 系而不是 M4），差别的驾驶员和差别的赛道，咱们不真切会产生什么样的状况。把稳旁观数据后展现，模子与驾驶员所感知的太过转向不相符的状况，公共产生正在太过转向开头和了局时。这种不相符能够明白；由于纵然是驾驶员，也很难正确地确定太过转向是正在何时开头和搁浅。

正在得胜开荒出用于太过转向检测的呆板研习模子，并将其安置正在原型 ECU 上之后，咱们现正在正正在构想呆板研习的很众其他潜正在操纵。咱们数十年来搜聚了豪爽可供操纵的数据，而现正在一辆汽车正在一天内就能够天生数 TB 的衡量数据。呆板研习让咱们有时机开荒干系的软件，从而能够欺骗这些可用数据来知道驾驶员的举动并改良其驾驶体验。