オーバーステアとは，旋回中に后轮のグリップが低する危険なのの要因のの组みわせがで起こり
図1.テストテストコースでbmwm4のオーバーステア。
最新のスタビリティコントロールシステムはは，オーバーステアが検出される自动的に车のの性ををてさせるにされれいます。使用することで，オーバーステア状态を特定できたとえば，オンボードセンサーの値がモデルパラメーターに対してに対してられた超えるとと，システムはその车両オーバーステアしてと判断判断しし。ただし，実际には多くの要因络み络みっているため，このアプローチの装配は困难であると考えられていいした路面でられにます。干いた道路で适切に空気が入ったタイヤが装着された车とでは，设定すべき阈値が全く异なります。
BMWは，オーバーオーバーステアを検出する械习アプローチを模索模索いいいいいいいいいいい®をを使し，教师あり机构学院习を概念実证として开放しました。机械学院习経験たほとんどたにもかかわらず，わずか3空间で，オーバーステアを98％以上の精密で検出ecuプロトタイプをを完成させることができた。
データの收集と特价量抽出
まず，オーバーステアオーバーステアの生前，発生中および生长后実际のデータをを両からしましたたた收集テストドライバーのたた得ててミラマのあるをててミラマにあるbmwの性能试験でbmw m4ののでテストを実施しました（図2）。
図2。
テストしのた，横，し，た。また，ドライバーした。ドライバー，ドライバーした，を，し，た。ドライバー，ドライバーした。また，ドライバーした。ドライバー，ドライバーした。また，ドライバーした。ドライバー，ドライバーした。がオーバーステアとなったことを示すと，同乘者の同僚がラップトップのボタンを押し，ドライバーが正常なハンドリングに戻ったことを示すと，ボタンを离すというように记录しました。このようにボタンを押すことで，教师あり学习モデルの习を行のに必要グラウンドトゥルースラベルををましたたたた。
ミュンヘンミュンヘンオフィスに，收集收集たデータをmatlabに読み込み，统计和机器学习工具箱™の分类学习器アプリアプリさまざまなな习ししを行ましのの习を行。，データデータ绞り込みました。まず，フィルターを适适て，信号データのを低减
図3.フィルタリングフィルタリングの操舵角信号（青）とフィルタリング后の操舵角信号（オレンジ）。
次に，ピークピークを使使使用し，フィルタリングされたた力信号上のピーク（局所的最大値）
図4。
機械学習アプローチの評価
收集收集したデータをフィルタリングして绞り込む，教师あり机械学习习を评価しやすくなりまし。分享学仪器アプリでなりた。，决定决定木といった手手を试しましましましてててましましましましできましましましできましましましまし试しましましましまし试し试しまし
表1は，评価した分类器によって生成された结果まとめたですですどのたものです。が98％を超えています。决定的要因は，真阴性率（车辆がオーバーステアしなかった结合に分类器材で正しく判断された确率でしでしたでように，决定决定のの他のののより优れおり，そのも优れおり，その真阴性率およそ96％でした。
| 欧阳性率（％） | 真阴性率（％） | 欧阳性率（％） | 伪阴性率（％） | |
| PCAによるK最近最近法 |
94.74 | 90.35 | 5.26 | 9.65 |
| サポートベクターマシン | 98.92 | 73.07 | 1.08 | 26.93 |
| 2次判别分享 | 98.83 | 82.73 | 1.17 | 17.27 |
| 决定木 | 98.16 | 95.86. | 1.84 | 4.14 |
车辆载テスト用のコード生成
决定木木で得らられたには待待もてましたががましましたががてテストで，実际のので，実际実际车のecuで実行さたた，同僚がデータ收集を担当し，私が车のオーバーををたにに同僚がををときに同僚ました。
ECU上でリアルタイムに実しところ，分析器の性能は高く，その精密は约95％でした。车辆（m4ではなくbmw 5シリーズ）だけでなく，ドライバーやコースも前回と异なるものを使用ていることががましたステアが発生または停止タイミングを正当に判断のは，ドライバーにとっても単ではない，この不一式は解でき。
オーバーステア検出のための械机械モデルの开放とプロトecuへへ展开に成成因したで，宝马では，他に，机构学院习の途思い描きのます性をいてい。数码年份收集を学习し，运転体験を向上させるソフトウェアを开発する机会が得られます。
