基于数字孪生的全车主动悬架控制协同设计：深度强化学习方法
机器人学
2025-12-04 v1 机器学习
摘要
主动悬架系统对于提升车辆舒适性、安全性和稳定性至关重要，但其性能常受限于固定的硬件设计和无法适应不确定动态运行条件的控制策略。近期数字孪生 (DT) 和深度强化学习 (DRL) 的进展为跨车辆生命周期实现实时数据驱动优化提供了新机会。然而，将这些技术集成到统一框架中仍是一个开放挑战。本文提出了一种用于全车主动悬架的数字孪生驱动控制协同设计 (CCD) 框架，采用多代设计概念。通过将自动微分集成到 DRL 中，我们在不同的驾驶行为和环境不确定性下联合优化物理悬架组件和控制策略。DRL 也解决了部分可观测性问题，即只有有限的状态可被感知并反馈给控制器，通过从可用传感器信息直接学习最优控制动作。该框架采用分位数学习来捕捉数据不确定性，实现实时决策和来自数字-物理交互的自适应学习。该方法在两种不同的驾驶场景（温和和激进）下演示了个性化优化。结果表明，优化后的系统在轨迹平滑性上取得改善，分别将控制 effort 降低约 43% 和 52%，同时保持行车舒适性和稳定性。贡献包括：构建集成 DRL 和不确定性感知模型更新于全车主动悬架的数字孪生驱动 CCD 框架，提出多代设计策略实现自我完善系统，展示针对不同驾驶者类型的主动悬架系统的个性化优化。
引用
@article{arxiv.2512.03891,
title = {Digital Twin-based Control Co-Design of Full Vehicle Active Suspensions via Deep Reinforcement Learning},
author = {Ying-Kuan Tsai and Yi-Ping Chen and Vispi Karkaria and Wei Chen},
journal= {arXiv preprint arXiv:2512.03891},
year = {2025}
}
备注
28 pages, 17 figures