基于深度庞加莱算子信息的自动驾驶车辆安全命令统治者

基于物理模型的非线性行为建模存在挑战。然而，庞加莱算子将原始非线性系统映射到无限维线性空间，通过输入和输出数据实现对非线性系统的全局线性化，这推导出原始状态空间的绝对等价线性表示。由于无法实现无限维的庞加莱算子，需选取有限维的核函数作为近似。鉴于其灵活的结构和高精度，深度学习最初被用于从数据中提取核函数，获取在提升空间中对自动驾驶车辆的线性演化动力学。此外，控制屏障函数 (CBF) 将状态约束转换为输入约束，以实现安全属性。随后，针对电动车辆的侧向稳定性，CBF 条件被集成到所学习的深度庞加莱模型中。由于深度庞加莱模型的线性特性，二次规划问题被建立，用于生成最小扰动原始驾驶力矩的安全命令统治者。最后，为验证深度庞加莱模型与其他主流方法的忠实性，并展示所提出安全命令统治者所实现的侧向改进，我们在硬件在环平台上进行数据收集和安全测试场景。