基于神经网络的变形地形地面力学建模与估计
信号处理
2020-03-06 v1 系统与控制
系统与控制
摘要
本工作中，提出了一种基于神经网络的地面力学模型与地形估计器，并展望了其在模型预测控制等最优控制中的应用。认识到最先进地面力学模型在工况、计算成本以及面向基于梯度的优化所需的连续可微性方面的局限，我们利用神经网络开发了一种高效且二次连续可微的地面力学模型，用于变形地形上的动态作业。结果表明，与作为最先进模型的土壤接触模型相比，该神经网络地面力学模型能够准确且高效地预测轮胎侧向力。此外，将该神经网络地面力学模型嵌入地形估计器中，结果表明利用该模型估计器可在真实地形参数约 2% 范围内收敛。最后，考虑到模型预测控制应用通常依赖自行车模型进行预测，表明利用估计的地形参数可将自行车模型的预测误差降低数个数量级。其成果是一个高效、动态、二次连续可微的地面力学模型与估计器，与既有模型相比，在模型预测控制实现中具有固有优势。
引用
@article{arxiv.2003.02635,
title = {Neural network based terramechanics modeling and estimation for deformable terrains},
author = {James Dallas and Michael P. Cole and Paramsothy Jayakumar and Tulga Ersal},
journal= {arXiv preprint arXiv:2003.02635},
year = {2020}
}