El coeficiente de fricción del camino y las fuerzas entre el neumático y la carretera tienen un impacto significativo en la estabilidad y el control preciso del vehículo. Para los vehículos eléctricos de tracción independiente en las cuatro ruedas, se propuso un método adaptativo de cálculo de fuerzas de neumáticos basado en el multi-módulo mejorado de Levenberg-Marquardt y redes neuronales autoorganizadas de retroalimentación (LM-MMSOFNN) para estimar las fuerzas de neumáticos en tres direcciones de las cuatro ruedas. Los datos de entrada fueron proporcionados por sensores comunes montados en el vehículo autónomo, incluyendo la unidad de medida inercial (IMU) y los sensores de velocidad/ángulo de rotación de las ruedas (WSS, WAS). El tipo de carretera fue reconocido a través del coeficiente de fricción del camino basado en el modelo de dinámica del vehículo y el modelo de neumático de Dugoff, y luego la fuerza del neumático fue calculada por la red neuronal. La complejidad computacional y el espacio de almacenamiento del sistema también se redujeron mediante el algoritmo de aprendizaje LM mejorado y neuronas autoorganizadas. La precisión de la estimación se mejoró aún más utilizando el Filtro de Kalman Extendido (EKF) y la Media Móvil (MA). El rendimiento del LM-MMSOFNN propuesto fue verificado a través de simulaciones y experimentos. Los resultados confirmaron que el método propuesto era capaz de extraer información importante de los sensores para estimar fuerzas de neumáticos en tres direcciones y adaptarse con precisión a diferentes superficies de carretera.