基于 Koopman 算子的深度神经网络用于自动驾驶车辆的建模与控制
系统与控制
2023-08-11 v2 系统与控制
摘要
过去几十年中，自动驾驶技术受到显著关注。在自动驾驶系统中，由于车辆动力学具有较强的非线性和不确定性，建立精确的动力学模型以进行运动控制并非易事。近期研究借助机器学习技术构建车辆动力学模型，但现有方法的泛化能力与可解释性仍有待提升。本文提出一种基于深度神经网络与可解释 Koopman 算子的数据驱动车辆建模方法。使用 Koopman 算子的主要优势在于将非线性动力学在线性提升特征空间中表示。在所提方法中，给出一种基于深度学习的扩展动态模式分解算法以学习 Koopman 算子的有限维近似。此外，利用所学 Koopman 模型设计了数据驱动模型预测控制器，用于自动驾驶车辆的路径跟踪控制。在高保真 CarSim 环境中的仿真结果表明，我们的方法在宽工作范围内具有较高建模精度，且在建模性能上优于已有方法。自动驾驶车辆的路径跟踪测试同样在 CarSim 环境中进行，结果证明了所提方法的有效性。
引用
@article{arxiv.2007.02219,
title = {Deep Neural Networks with Koopman Operators for Modeling and Control of Autonomous Vehicles},
author = {Yongqian Xiao and Xinglong Zhang and Xin Xu and Xueqing Liu and Jiahang Liu},
journal= {arXiv preprint arXiv:2007.02219},
year = {2023}
}
备注
12 pages, 8 figures, 4 table, and 2 algorithms