越野车辆在可变形地形上建模与控制的 Koopman 算子框架

本文提出了一种用于自主越野车辆在可变形地形上进行预测控制的混合物理信息驱动与数据驱动建模框架。传统的高精度地面力学模型通常计算量过大，难以直接用于控制设计。现代 Koopman 算子方法可以将复杂的地面力学与车辆动力学表示为线性形式。我们发展了一套框架，可利用车辆在可变形地形上运动的仿真数据构建 Koopman 线性系统。对于车辆仿真，可变形地形的地面力学采用 Bekker-Wong 理论建模，车辆表示为简化的五自由度（5-DOF）系统。Koopman 算子通过递归子空间辨识方法从大规模仿真数据集中辨识得出，其中 Grassmannian 距离用于在训练期间优先处理信息丰富的数据段。该方法的优势在于，从仿真中学习的 Koopman 算子可以无缝地结合物理系统的数据进行更新，使其成为混合物理信息驱动与数据驱动的方法。预测结果表明，在轻微地形高度变化下具有稳定的短时域精度和鲁棒性。当嵌入约束 MPC 时，所学习的预测器能够在满足转向与扭矩限制的同时，实现对激进机动动作的稳定闭环跟踪。