基于残差库珀姆模型的预测控制用于提升车辆动力学性能（基于有限轨迹数据输入）
机器人学
2025-08-06 v2 系统与控制
系统与控制
摘要
在车辆轨迹跟踪任务中，最简单的方法是纯跟踪（Pure Pursuit, PP）控制。然而，这种单点预览跟踪策略未考虑车辆模型约束，导致驾驶安全性受损。作为广泛采用的控制方法，模型预测控制（Model Predictive Control, MPC）通过融合机械模型和物理约束来优化控制动作。其控制性能严重依赖于车辆建模精度。传统车辆建模方法在捕捉非线性动力学与保持计算效率之间存在内在权衡，常导致控制性能下降。为解决上述挑战，本文提出了残差库珀姆模型预测控制（Residual Koopman Model Predictive Control, RKMPC）框架。该方法使用两个线性MPC架构来计算控制输入：线性模型预测控制（Linear Model Predictive Control, LMPC）基于车辆运动学模型计算基准控制输入，神经网络基于RKMPC计算补偿输入。最终控制命令由这两个组成部分相加获得。该设计保留了传统机械模型的可靠性和可解释性，同时通过残差建模实现性能优化。该方法在Carsim-Matlab联合仿真平台和实体1:10比例的F1TENTH赛车上进行了验证。实验结果表明，RKMPC仅需传统库珀姆模型预测控制（Koopman Model Predictive Control, KMPC）的20%训练数据，即可实现优异的跟踪性能。相对于传统LMPC，RKMPC将横向误差降低了11.7%-22.1%， heading 误差降低8.9%-15.8%，前轮转向稳定性提升最高27.6%。实现代码已公开：https://github.com/ZJU-DDRX/Residual Koopman
引用
@article{arxiv.2507.18396,
title = {Residual Koopman Model Predictive Control for Enhanced Vehicle Dynamics with Small On-Track Data Input},
author = {Yonghao Fu and Cheng Hu and Haokun Xiong and Zhanpeng Bao and Wenyuan Du and Edoardo Ghignone and Michele Magno and Lei Xie and Hongye Su},
journal= {arXiv preprint arXiv:2507.18396},
year = {2025}
}