将ESO纳入深度Koopman算子建模用于自动驾驶车辆控制
系统与控制
2024-05-17 v1 系统与控制
摘要
Koopman算子理论是一种数据驱动的建模方法，能够准确捕捉机电系统（如车辆）的非线性，这与基于物理的方法相比。然而，无限维的Koopman算子在实际应用中是无法实现的。为了通过收集数据集而非手动试验来近似无限维的Koopman算子，我们采用深度神经网络（DNN）通过离线训练提取基函数，将车辆平面动力学的非线性映射到提升空间中的线性形式。此外，探讨了基函数维度对模型精度的影响。进一步地，引入扩展状态观测器（ESO）用于在提升空间中在线估计总扰动，并补偿所学习的深度Koopman算子（DK）的建模误差和残差，同时提高其泛化能力。然后，将该模型应用于预测车辆状态在预测时域内，然后 formulate 受约束的有限时域优化问题，即ESO-DKMPC。对于自动驾驶车辆的轨迹跟踪，ESO-DKMPC生成车轮转向角来控制横向运动，基于解耦控制结构。双车道变换情形下的各种条件构建在CarSim/Simulink协同仿真平台上，进行与基于物理模型的线性MPC（LMPC）和非线性MPC（NMPC）的广泛比较。结果表明，所提出的ESO-DKMPC在轨迹跟踪方面表现更好，在线性和非线性区域都具有适中效能。
引用
@article{arxiv.2405.10157,
title = {Incorporating ESO into Deep Koopman Operator Modelling for Control of Autonomous Vehicles},
author = {Hao Chen and Chen Lv},
journal= {arXiv preprint arXiv:2405.10157},
year = {2024}
}