System Identification for Dynamic Modeling of Large Steering Angle Vehicles

Technische Zusammenfassung: Systemidentifikation für die dynamische Modellierung von Fahrzeugen mit großen Lenkwinkeln

Problemstellung
Die Arbeit behandelt die Herausforderung der Modellierung autonomer Fahrzeuge mit außergewöhnlich hoher Manövrierfähigkeit, speziell von Autoscootern, die Lenkwinkel von bis zu etwa 115° erreichen können. Standardfahrzeugmodelle, wie das linearisierte Newton-Euler-Modell oder kinematische Einspurmodelle, basieren auf Kleinwinkelnäherungen und vernachlässigen signifikante Reifenrutschen. Diese Annahmen versagen im Bereich der Autoscooter, wo große Lenkwinkel ausgeprägte nichtlineare dynamische Effekte und Übergänge zwischen Vorwärts- und Rückwärtsbewegung hervorrufen. Folglich fehlt bestehenden Modellen entweder die für eine planungsbasierte Kollisionsvermeidung (z. B. Modellprädiktive Regelung) erforderliche Genauigkeit, oder sie leiden unter prohibitiver numerischer Steifheit, die den Einsatz in Echtzeit verhindert. Die Autoren zielen darauf ab, einen Rahmen zur Systemidentifikation zu entwickeln, der für diesen spezifischen experimentellen Bereich eine Balance zwischen Modelltreue, Recheneffizienz und physikalischer Interpretierbarkeit herstellt.

Methodik
Die Autoren schlagen eine vergleichende Studie dreier Modellierungsparadigmen vor: rein physikalische (White-Box), rein datengetriebene (Black-Box) und hybride (Grey-Box) Ansätze.

1. Physikbasierte Modelle (White-Box):

   • Newton-Euler-Modell: Ein dynamisches Einspurmodell wurde an die Geometrie und Aktuation des Autoscooters angepasst. Es integriert ein stückweise lineares Reifenkraftmodell, um Einfachheit und Genauigkeit in Einklang zu bringen und komplexe Parametrisierungen wie die Magic Formula zu vermeiden, die aus begrenzten Daten mit hohem Schlupf schwer zu identifizieren sind. Das Modell berücksichtigt longitudinalen Luftwiderstand und Motorkräfte.
   • Kinematisches Modell: Eine erweiterte kinematische Formulierung wurde abgeleitet, bei der der Systemzustand die Geschwindigkeit des Vorderrads (direkt angesteuert) einschließt, anstatt nur die Geschwindigkeit des Schwerpunkts. Diese Formulierung integriert explizit Reifenrutschen und geht über die schlupffreie Annahme standardmäßiger kinematischer Modelle hinaus.

2. Datengetriebene Systemidentifikation:

   • Black-Box-Modelle: Zwei Multilayer-Perceptron-Architekturen (MLP) wurden trainiert, um den Normalisierten Mittleren Quadratischen Fehler (NMSE) zu minimieren. Ein Nichtlineares AutoRegressives Modell mit exogenen Eingängen (NARX-MLP) modelliert die Geschwindigkeitsentwicklung direkt, während ein Kinematisches MLP (K-MLP) den Zustandsübergang der erweiterten kinematischen Variablen abbildet.
   • Grey-Box-Modelle:
     • SINDy (Sparse Identification of Nonlinear Dynamics): Der kinematische Zustandsübergang wurde durch eine sparse lineare Kombination von Kandidatenfunktionen approximiert, die aus physikalischen Erkenntnissen abgeleitet wurden (z. B. Motor-Drosselverhalten, Rollwiderstand und Schlupfdynamik).
     • Hybrid K-SINDy-MLP: Um die Genauigkeitsgrenzen der spärlichen SINDy-Bibliothek zu überwinden, wurde ein residuales MLP zum SINDy-Modell hinzugefügt. Dieser hybride Ansatz lernt die Korrekturterme (Residuen) zur physikbasierten SINDy-Vorhersage und verbindet Interpretierbarkeit mit der Approximationskraft neuronaler Netze.

Hauptbeiträge

1. Maßgeschneiderte physikalische Modelle: Die Autoren passten Newton-Euler- und kinematische Einspurmodelle an, um große Lenkbereiche und Dynamiken bei niedrigen Geschwindigkeiten zu handhaben, einschließlich spezifischer Diskretisierungsentscheidungen für stabile Mehrschrittvorhersagen und eines stückweise linearen Reifenkraftmodells.
2. Progressiver Identifikationsrahmen: Die Arbeit untersucht systematisch den Übergang von Black-Box- zu Grey-Box-Repräsentationen. Sie zeigt auf, wie das Einbetten physikalischer Strukturen (via SINDy) in gelernte Modelle die Interpretierbarkeit verbessert und die Komplexität reduziert, die für die neuronale Netzkomponente erforderlich ist.
3. Hybride Architektur: Der Vorschlag des K-SINDy-MLP-Modells, das einen physikinformierten kinematischen Rückgrat mit einem datengetriebenen residualen Netzwerk integriert, bietet einen neuartigen Kompromiss zwischen Genauigkeit, Rechengeschwindigkeit und Interpretierbarkeit.

Experimentelle Ergebnisse
Die Validierung erfolgte unter Verwendung von einer Stunde Fahrdaten, die in einer 7×12 m großen Arena mit einem OptiTrack-Motion-Capture-System gesammelt wurden. Die Modelle wurden basierend auf der Vorhersagegenauigkeit (NMSE) und der Rechenzeit bewertet.

• Genauigkeit: Das rein black-box K-MLP erreichte die höchste Genauigkeit (NMSE $4,594 \times 10^{-3}$). Das hybride K-SINDy-MLP erreichte eine vergleichbare Genauigkeit ($4,765 \times 10^{-3}$) und übertraf damit deutlich das rein physikalische Newton-Euler-Modell ($5,973 \times 10^{-3}$) sowie die linearisierte Version.
• Recheneffizienz: Die SINDy-basierten Modelle waren die schnellsten. Das K-SINDy-MLP benötigte 81,1 ms pro Vorhersageschritt, was erheblich schneller ist als das Newton-Euler-Modell (303,7 ms) und mit den Black-Box-MLPs vergleichbar ist.
• Leistung in extremen Regimen: In Szenarien mit Lenkwinkeln über 90° (Übergänge zwischen Vorwärts- und Rückwärtsbewegung) übertraf das K-SINDy-MLP-Modell das Newton-Euler-Baseline-Modell erheblich, das unter diesen Bedingungen versagte, die Trajektorie genau vorherzusagen.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass der hybride K-SINDy-MLP-Ansatz den Kompromiss zwischen Modellgenauigkeit und Rechenanforderungen erfolgreich adressiert. Sie zeigt, dass physikinformierte neuronale Netzwerkmodelle rein physikalische Baselines in puncto Genauigkeit übertreffen können, während sie gleichzeitig geringere Rechenkosten aufweisen, was sie für Echtzeitanwendungen wie die Kollisionsvermeidung in Umgebungen mit hoher Manövrierfähigkeit geeignet macht. Die Autoren betonen, dass das Einbetten physikalischer Gesetze in den Lernprozess nicht nur die Genauigkeit verbessert, sondern auch die Modellinterpretierbarkeit und Anpassungsfähigkeit erhöht, was für Systeme entscheidend ist, die von variablen Faktoren wie zyklisch wechselnden Passagierlasten beeinflusst werden. Die Arbeit legt nahe, dass für Fahrzeuge mit großen Lenkwinkeln rein physikalische Modelle oft zu rechnerisch steif für den Echtzeiteinsatz sind, während rein datengetriebene Modelle die notwendige physikalische Konsistenz vermissen lassen; der hybride Ansatz bietet einen gangbaren Mittelweg.