基于双分支编码器的面向分布式电动驱动卡车的物理信息深混合Koopman车辆动力学模型

先进的自动驾驶系统需要准确的车辆动力学模型。然而，由于强非线性和纵向与横向动力学特性的耦合，精确建模仍然具有挑战性。以往的研究采用基于物理的解析模型或神经网络来构建车辆动力学表征。然而，这些方法往往难以在系统识别效率、建模精度和与线性控制策略兼容性方面实现满意的性能。本文提出一种面向复杂分布式电动驱动卡车（DETs）的全数据驱动动力学建模方法，利用Koopman算子理论将高度非线性动力学在提升的线性嵌入空间中表示。为实现高精度建模，本文首先提出一种新型双分支编码器，对动态状态进行编码，并为提出的基于Koopman的方法（称为KODE）提供强大的基。基于车辆运动几何一致性，本文在训练过程中引入物理信息监督机制，以促进编码器和Koopman算子的有效学习。此外，为适应DETs的多样化驾驶模式，我们将基础Koopman算子扩展为混合Koopman算子框架，提升建模能力。在高保真TruckSim环境中的仿真和实际实验中，结果表明，我们的方法在长期动力学状态估计方面实现了最先进的性能。