💻 computer science

DNN Koopman-Based Deviation Compensation for UGV Path Tracking Control on Coupled Slope and Potholed Road

Dieses Papier schlägt eine auf einem tiefen neuronalen Netz (DNN) basierende Koopman-gestützte Abweichungskompensationsstrategie vor, die mit einer Laguerre-Modell-prädiktiven Regelung und einem ereignisgesteuerten parallelen Kooperationsmechanismus integriert ist, um die Pfadverfolgenauigkeit und Stabilität eines unbemannten Bodenfahrzeugs auf komplexen, gekoppelten Hang- und Schlaglochstraßentereinsätzen signifikant zu verbessern.

Ursprüngliche Autoren: Jian Zhao, Wenbo Zhou, Zhicheng Chen, Bing Zhu, Jiayi Han, Dongjian Song, Yinju Lin, Peixing Zhang

Veröffentlicht 2026-06-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jian Zhao, Wenbo Zhou, Zhicheng Chen, Bing Zhu, Jiayi Han, Dongjian Song, Yinju Lin, Peixing Zhang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie steuern ein robustes Offroad-Fahrzeug (ein unbemanntes Bodenfahrzeug oder UGV) durch eine chaotische Landschaft voller steiler Hügel, Seitenböschungen und tiefer Schlaglöcher. Ihr Ziel ist es, einer bestimmten Linie auf dem Boden perfekt zu folgen.

In einer perfekten Welt würde das Auto der Linie einfach folgen. Doch in der Realität ist das Gelände ein Albtraum. Die Hügel drücken das Auto zur Seite, und die Schlaglöcher lassen die Reifen plötzlich die Bodenhaftung verlieren. Wenn Sie versuchen, über ein Standard-Computerprogramm zu steuern, könnte die Steuerung verwirrt werden, überreagieren oder einfach zu langsam berechnen, was dazu führt, dass das Auto vom Kurs abkommt.

Dieses Paper stellt ein neues „intelligentes Fahrsystem“ vor, das das UGV unter diesen chaotischen Bedingungen auf Kurs hält. So funktioniert es, unterteilt in drei einfache Teile:

1. Der „Schlaue Rechner“ (LMPC)

Zuerst benötigt das System einen Basisplan. Die Forscher haben einen Controller namens LMPC (Laguerre Model Predictive Control) entwickelt.

Das Problem: Traditionelle Controller sind wie ein Schüler, der versucht, eine komplexe Matheaufgabe zu lösen, indem er jeden einzelnen Schritt auf Papier aufschreibt. Das ist zwar genau, dauert aber zu lange, und das Auto bewegt sich schneller, als die Mathematik gelöst werden kann.
Die Lösung: Der LMPC ist wie ein Schüler, der eine Abkürklausel auswendig gelernt hat. Anstatt das ganze Problem jedes Mal von Grund auf neu zu lösen, verwendet er eine spezielle mathematische „Vorlage“ (Laguerre-Funktionen), um den optimalen Lenkwinkel fast augenblicklich vorherzusagen.
Das Ergebnis: Er bewältigt gekoppelte Neigungen (wenn die Straße sowohl seitlich als auch auf/ab geneigt ist) sehr gut und hält das Auto stabil, ohne durch langsame Berechnungen ausgebremst zu werden.

2. Die „Intuitions-Maschine“ (DNN Koopman)

Wenn das Auto jedoch ein Schlagloch trifft, wird die Mathematik kompliziert. Die Reifen verlieren auf seltsame, unvorhersehbare Weise den Grip, was Standardformeln nicht vorhersagen können.

Das Problem: Standard-Mathematikmodelle sind wie eine Landkarte, die nur asphaltierte Straßen zeigt. Wenn man ein Schlagloch trifft, ist die Karte nutzlos.
Die Lösung: Die Forscher haben eine „Intuitions-Maschine“ hinzugefügt, die auf Deep Neural Networks (DNN) und etwas namens Koopman-Operator basiert.
- Betrachten Sie den Koopman-Operator als einen Übersetzer. Er nimmt die chaotischen, nicht-linearen Erschütterungen eines Schlaglochs (die schwer zu verstehen sind) und übersetzt sie in eine einfache, lineare Sprache, die ein Computer leicht vorhersagen kann.
- Das Deep Neural Network ist der Schüler, der diese Übersetzung lernt. Er beobachtet tausende Beispiele davon, wie das Auto Schlaglöcher durchfährt, und lernt den besten Weg, diese Erschütterungen in eine Lenkkorrektur zu übersetzen.
Das Ergebnis: Wenn das Auto ein Schlagloch trifft, sagt diese Maschine genau voraus, wie stark das Auto rutschen wird, und schlägt eine winzige, präzise Lenkbewegung vor, um dies zu kompensieren.

3. Der „Verkehrspolizist“ (Event-Triggered Parallel Cooperative Mechanism)

Dies ist der kritischste Teil: Man kann nicht einfach zulassen, dass die „Intuitions-Maschine“ die volle Kontrolle übernimmt. Wenn sie über das Ziel hinausschießt und eine wilde Lenkbewegung vorschlägt, könnte sie das Lenksystem beschädigen oder das Auto zum Ausbrechen bringen.

Das Problem: Der „Schlaue Rechner“ (LMPC) ist zuverlässig, aber langsam bei der Reaktion auf Schlaglöcher. Die „Intuitions-Maschine“ (DNN) ist schnell und intelligent, kann aber etwas rücksichtslos sein und verfügt über keine klaren Regeln.
Die Lösung: Die Forscher haben einen „Verkehrspolizisten“ (einen Event-Triggered-Mechanismus) gebaut, um die beiden zu verwalten.
- Der Trigger: Der Polizist überwacht die „Lastübertragungsrate“ (Load Transfer Rate, LTR). Stellen Sie sich das wie ein „Wackel-Meter“ vor. Wenn das Auto sanft auf einer Steigung fährt, ist der Meter niedrig, und der Polizist ignoriert die Intuitions-Maschine und lässt den Schlauen Rechner die Arbeit machen.
- Die Übergabe: Wenn das Auto ein großes Schlagloch trifft und der Wackel-Meter ausschlägt, weckt der Polizist die Intuitions-Maschine auf.
- Der Glaubwürdigkeitscheck: Bevor der Vorschlag der Intuitions-Maschine verwendet wird, prüft der Polizist, ob der Vorschlag „glaubwürdig“ ist. Er fragt: „Ist dieser Lenkwinkel so extrem, dass er das Lenkrad brechen würde?“
  - Wenn der Vorschlag sicher ist, fügt der Polizist ihn dem Plan des Schlauen Rechners hinzu.
  - Wenn der Vorschlag zu wild ist, ignoriert der Polizist ihn, um das Auto sicher zu halten.
Das Ergebnis: Das Auto erhält das Beste aus beiden Welten: die stetige Zuverlässigkeit des Rechners für die normale Fahrt und die schnellen, intelligenten Reflexe der Intuitions-Maschine für Schlaglöcher, während es gleichzeitig innerhalb sicherer physikalischer Grenzen bleibt.

Der Beweis

Das Team hat dieses System auf einer Hardware-in-the-Loop (HiL)-Plattform getestet. Dies ist wie ein Flugsimulator für Autos, bei dem der Computercode mit einem echten physischen Lenkmotor und einer hochpräzisen Simulation des Fahrzeugs kommuniziert.

Die Ergebnisse:

Geschwindigkeit: Das neue System berechnete Lenkbefehle 98,89 % schneller als die traditionelle Methode. Es war blitzschnell.
Genauigkeit: Auf unebenen, schlaglochreichen Straßen reduzierte das neue System den Fehler (wie weit das Auto von der Linie abwich) im Vergleich zur Standardmethode um mehr als 45 %.
Stabilität: Es hielt das Fahrzeug stabil, selbst als die Straße ein Chaos aus Steigungen und Löchern war, während ältere Methoden das Auto zum Wackeln und Abdriften brachten.

Kurz gesagt beschreibt dieses Paper ein System, das einen schnellen, zuverlässigen Rechner mit einem intelligenten, lernbasierten Reflex kombiniert, der von einem sicherheitsbewussten Aufseher verwaltet wird, um ein Offroad-Roboterfahrzeug auf den unwegsamsten Straßen geradeaus fahren zu lassen.

Technische Zusammenfassung: DNN-Koopman-basierte Abweichungskompensation für die Pfadverfolgungskontrolle von UGVs auf gekoppelten Hang- und Schlaglochstraßen

Problemstellung
Unbemannte Bodenfahrzeuge (Unmanned Ground Vehicles, UGVs), die in Off-Road-Umgebungen operieren, stehen aufgrund komplexer Geländeunregelmäßigkeiten vor erheblichen Herausforderungen bei der Pfadverfolgung. Im Gegensatz zu strukturierten städtischen Straßen beinhalten Off-Road-Szenarien gekoppelte Hänge (Kombinationen aus longitudinalen und lateralen Neigungen) sowie kurzwellige Unebenheiten wie Schlaglöcher. Diese Bedingungen induzieren Variationen der Fahrzeugparameter, einschließlich vertikaler Reifenkräfte, Seitenkräfte und der Reifenführungsteifigkeit (Cornering Stiffness), was zu einer verringerten Fahrstabilität und geringerer Genauigkeit der Pfadverfolgung führt.

Bestehende modellprädiktive Regelungsstrategien (Model Predictive Control, MPC) sind zwar effektiv für Probleme mit mehreren Nebenbedingungen, leiden jedoch unter hohen Rechenkosten aufgrund der quadratischen Programmierung (Quadratic Programming, QP), was die Echtzeitleistung einschränkt. Darüber hinaus vernachlässigen Standardansätze der modellbasierten Regelung oft den Einfluss von langwelligen Straßenunebenheiten (Gefälle) auf die Lateraldynamik oder verlassen sich auf linearisierte Modelle, die die starken Nichtlinearitäten und Diskontinuitäten durch große Schlaglochstörungen nicht erfassen können. Umgekehrt mangelt es rein modellfreien Methoden (z. B. Reinforcement Learning) oft an Interpretierbarkeit und expliziten physikalischen Randbedingungen, was das Risiko von Aktuatorsättigung und Instabilität birgt, wenn Steuereingaben überlagert werden.

Methodik
Die Arbeit schlägt eine hybride Steuerungsarchitektur vor, die eine Laguerre-Modellprädiktive Regelung (LMPC) als Basis mit einer DNN-Koopman-basierten Abweichungskompensationsstrategie integriert, verwaltet durch einen ereignisgesteuerten parallelen kooperativen (Event-Triggered Parallel Cooperative, EPC) Mechanismus.

Fahrzeugmodellierung und Parameterschätzung:
- Es wird ein dynamisches Modell für UGVs auf gekoppelten Hängen erstellt, das die Gravitationskraftkomponenten und die durch die Hangkopplung induzierten Giermomente berücksichtigt.
- Eine Adaptive Forgetting Recursive Least Squares (AFRLS)-Methode mit entkoppelten Fehlertermen wurde entwickelt, um die zeitvariante Reifenführungsteifigkeit zu schätzen. Dieser Schätzer verwendet einen adaptiven Filter, um die Konvergenz auch dann zu gewährleisten, wenn das Fahrzeug geradeaus fährt (wo Zustands- und Eingangsvektoren nahe Null liegen), wodurch die Einschränkungen konventioneller RLS adressiert werden.
Basissteuerung (LMPC):
- Um die Rechenlast zu reduzieren, wird der QP-Lösungsprozess herkömmlicher MPC durch ein Fitting- und Differenzierungsverfahren unter Verwendung von Laguerre-Funktionen ersetzt.
- Dieser Ansatz generiert einen Basis-Lenkwinkel ( $\delta_{bas}$ ) und ein zusätzliches Giermoment ( $M_z$ ), die eine zuverlässige Verfolgungsleistung in verschiedenen gekoppelten Hangszenarien aufrechterhalten und gleichzeitig den Ressourcenverbrauch erheblich senken.
Abweichungskompensation (DNN Koopman - DK):
- Um Schlagloch-induzierte Nichtlinearitäten zu adressieren, integriert die Arbeit die Koopman-Operator-Theorie mit DNN.
- Ein DNN mit einer Autoencoder-Struktur (Encoder-Decoder) wird offline trainiert, um die optimale „Lifting-Funktion“ ( $\psi$ ) zu erlernen. Diese Funktion bildet das nichtlineare Pfadverfolgungssystem des UGVs (einschließlich kompensatorischer Lenkwinkel und vertikaler Lasten) in einen endlich dimensionalen linearen Raum ab.
- Dies ermöglicht die Konstruktion einer endlich dimensionalen Approximationsmatrix des Koopman-Operators, was die Vorhersage eines kompensatorischen Lenkwinkels ( $\delta_{comp}$ ) zur Korrektur von Pfadabweichungen auf Schlaglochstraßen ermöglicht.
Ereignisgesteuerter paralleler kooperativer (EPC) Mechanismus:
- Um die Durchführbarkeit und Stabilität des kombinierten Steuereingangs zu gewährleisten, koppelt ein EPC-Mechanismus die LMPC- und DK-Module.
- Aktivierung: Die Kompensation wird nur ausgelöst, wenn die Lasttransferrate (Load Transfer Rate, LTR) einen spezifischen Schwellenwert überschreitet, was auf eine signifikante Schlaglochstörung hindeutet.
- Glaubwürdigkeitsprüfung: Ein Sigmoid-basierter Glaubwürdigkeitskoeffizient ( $\lambda$ ) wird basierend auf der Magnitude des kompensatorischen Winkels im Verhältnis zu den physikalischen Lenkbeschränkungen des Fahrzeugs berechnet. Dies stellt sicher, dass der Gesamtlenkwinkel ( $\delta_{tot} = \delta_{bas} + \lambda\delta_{comp}$ ) die Aktuatorenbeschränkungen nicht verletzt und so Instabilitäten durch uninterpretierbare modellfreie Ausgaben verhindert.

Wesentliche Beiträge

LMPC für gekoppelte Hänge: Entwicklung einer Pfadverfolgestrategie unter Verwendung von Laguerre-Funktionen zum Ersatz der QP, was die Rechenlast reduziert und gleichzeitig die Genauigkeit auf gekoppelten Hängen beibehält. Ein AFRLS-Schätzer wird simultan entwickelt, um die zeitvariante Reifenführungsteifigkeit zu handhaben.
DNN Koopman (DK) Kompensation: Vorschlag einer DK-Methode, die ein Autoencoder-basiertes DNN zur Erlernung optimaler Lifting-Funktionen nutzt. Dies verbessert die Fähigkeit des Koopman-Operators, die nichtlineare Dynamik von UGVs auf Schlaglochstraßen darzustellen, und überwindet die Einschränkungen manuell ausgewählter Basisfunktionen in der traditionellen Extended Dynamic Mode Decomposition (EDMD).
EPC-Kompensationsmechanismus: Etablierung eines parallelen kooperativen Mechanismus, der LMPC und DK integriert. Durch die Nutzung der LTR-basierten Aktivierung und der Sigmoid-basierten Glaubwürdigkeitsprüfung stellt das System sicher, dass die Pfadabweichungskompensation die Genauigkeit verbessert, ohne die Fahrzeugstabilität zu gefährden oder Lenkbeschränkungen zu verletzen.

Experimentelle Ergebnisse
Die vorgeschlagene Strategie, bezeichnet als CDK-LMPC, wurde mittels einer Hardware-in-the-Loop (HiL)-Plattform mit einem D-Class SUV-Modell unter zwei Szenarien validiert: einem Doppelspurwechsel auf einem gekoppelten Hang mit Schlaglöchern und einem komplexen Off-Road-Szenario.

Schätzgenauigkeit: Die AFRLS-Methode zeigte eine hohe Genauigkeit bei der Schätzung der lateralen Reifenkräfte und der Variation der Führungsteifigkeit, selbst unter transienten Schlaglochanregungen, und übertraf damit das Standard-RLS.
Verfolgungsleistung: In beiden Testfällen erreichte CDK-LMPC die geringsten lateralen Fehler im Vergleich zu MPC, LMPC und anderen Koopman-basierten Varianten (EDMD-LMPC, KDMD-LMPC, DK-LMPC).
- Im komplexen Off-Road-Szenario (Fall 2) reduzierte CDK-LMPC den quadratischen Mittelwert (RMS) des lateralen Fehlers um 37,3 % und den maximalen lateralen Fehler um 59,7 % im Vergleich zur KDMD-LMPC-Baseline.
- Insgesamt verbesserte die Strategie die Pfadverfolgungsleistung über mehrere Betriebszustände hinweg um mehr als 11,5 % im Vergleich zu bestehenden Methoden.
Recheneffizienz: Durch den Ersatz der QP durch Laguerre-Funktions-Fitting reduzierten die LMPC-basierten Strategien die Rechenzeit um über 98,89 % im Vergleich zu traditionellem MPC (die durchschnittliche Zeit sank von ca. 11,4 ms auf ca. 0,12 ms), was die Echtzeitfähigkeit signifikant erhöht.

Bedeutung und Ansprüche
Das Paper behauptet, dass die vorgeschlagene CDK-LMPC-Strategie die Lücke zwischen modellbasierter Interpretierbarkeit und modellfreier nichtlinearer Approximationsfähigkeit effektiv schließt. Durch die explizite Berücksichtigung der gekoppelten Effekte von Hang und Schlaglöchern und durch die Einführung eines glaubwürdigkeitsgesteuerten Mechanismus zur Handhabung der Überlagerung von Steuereingaben, gewährleistet die Strategie sowohl eine hohe Verfolgungsgenauigkeit als auch die Fahrzeugstabilität. Die Autoren behaupten, dass dieser Ansatz die operative Effizienz und die Pfadverfolgungsleistung von UGVs in unstrukturierten Off-Road-Umgebungen erheblich steigert und eine robuste Lösung für die Navigation in komplexem Gelände bietet, ohne die übermäßigen Rechenkosten herkömmlicher MPC oder die Instabilitätsrisiken unbeschränkter modellfreier Steuerung.

1. Der „Schlaue Rechner“ (LMPC)

2. Die „Intuitions-Maschine“ (DNN Koopman)

3. Der „Verkehrspolizist“ (Event-Triggered Parallel Cooperative Mechanism)

Der Beweis

Mehr davon