用于Frenet坐标系中车辆实时控制的深度双线性Koopman模型

准确建模和控制自动驾驶车辆仍是由于车辆动力学的非线性和耦合性质而面临的根本挑战。虽然Koopman算子理论提供了部署强大线性控制技术的框架，但学习用于高保真建模的有限维不变子空间持续是一个开放问题。本文提出了一种深度Koopman方法，用于Frenet曲率坐标系中的车辆动力学建模和控制。该方法使用深度神经网络架构同时学习Koopman算子及其相关不变子空间。通过捕获输入-状态双线性相互作用，算法保持凸性，这使其适用于实时模型预测控制（MPC）。训练期间采用多步骤预测损失以确保长期预测能力。为进一步提高实时轨迹跟踪性能，将该模型与累积误差调节器（CER）模块集成，后者通过减轻累积预测误差来补偿模型不匹配。通过使用CarSim RT模型作为目标植物进行硬件在环（HIL）实验进行闭环性能评估，在dSPACE SCALEXIO系统上进行了实时验证。所提出的控制器相对于基线控制器实现了显著的跟踪误差降低，确认了其在嵌入式自动驾驶车辆系统中实现实时性的适用性。