基于 Frenet 坐标系的多步深度库普曼网络（MDK-Net）用于车辆控制
系统与控制
2026-01-30 v1 机器学习
机器人学
系统与控制
最优化与控制
摘要
车辆的高度非线性动力学为在路径规划和跟踪中实现最优控制和模型预测控制（MPC）方法的实际应用带来了主要挑战。库普曼算子理论提供了对非线性动力系统的全局线性表示，使其成为基于优化的车辆控制的有前景的框架。本文引入一种新颖的深度学习基于库普曼建模的方法，该方法利用深度神经网络在曲线 Frenet 坐标系中捕获车辆动力学的完整特征——从踏板和方向盘输入到底盘状态。对于双车道变换机动 manoeuver，展示了库普曼模型相对于识别线性模型的优越精度。此外，还表明采用库普曼模型的 MPC 控制器在保持与线性 MPC 相当的计算效率的同时，提供了显著优异的性能。
关键词
引用
@article{arxiv.2503.03002,
title = {Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame},
author = {Mohammad Abtahi and Mahdis Rabbani and Armin Abdolmohammadi and Shima Nazari},
journal= {arXiv preprint arXiv:2503.03002},
year = {2026}
}
备注
This work has been submitted for IROS 2025 conference