基于强化学习的自适应转矩矢量控制器
系统与控制
2021-03-30 v1 机器学习
系统与控制
摘要
连续直接横摆力矩控制系统（如转矩矢量控制器）是车辆稳定的重要组成部分。该控制器已被广泛研究，其核心目标是通过提供一致的稳定转向响应来维持车辆稳定性。对转矩矢量控制器参数进行精细调节的能力可显著提升车辆性能与稳定性。然而，若不重新调节参数，尤其在极端驾驶条件（如低附着路面或高车速）下，车辆无法维持稳定。本文提出将基于深度确定性策略梯度（DDPG）的强化学习（RL）用作转矩矢量控制器的参数调节算法。结果表明，经强化学习调节参数的转矩矢量控制器在多种不同驾驶环境（如宽范围附着条件与不同车速）下表现良好，凸显了强化学习作为自适应参数调节算法的优势。此外，DDPG 算法的鲁棒性在超出强化学习算法训练环境的场景中得到了验证。仿真采用具有非线性轮胎特性的四轮车辆模型进行。我们将基于 DDPG 的参数调节与遗传算法及传统的试错调节转矩矢量控制器进行比较，结果表明基于强化学习的参数调节显著改善了车辆稳定性。
引用
@article{arxiv.2103.14892,
title = {Self-adaptive Torque Vectoring Controller Using Reinforcement Learning},
author = {Shayan Taherian and Sampo Kuutti and Marco Visca and Saber Fallah},
journal= {arXiv preprint arXiv:2103.14892},
year = {2021}
}