System Identification for Dynamic Modeling of Large Steering Angle Vehicles

Resumen Técnico: Identificación de Sistemas para la Modelización Dinámica de Vehículos con Ángulos de Dirección Elevados

Planteamiento del Problema
El artículo aborda el desafío de modelar vehículos autónomos con una maniobrabilidad excepcionalmente alta, específicamente coches de choque capaces de alcanzar ángulos de dirección de hasta aproximadamente 115°. Los modelos de vehículos estándar, como el modelo de Newton-Euler linealizado o el modelo cinemático de bicicleta, se basan en suposiciones de ángulos pequeños y desestiman el deslizamiento significativo de los neumáticos. Estas suposiciones fallan en el dominio de los coches de choque, donde los grandes ángulos de dirección inducen efectos dinámicos no lineales pronunciados y transiciones entre el movimiento hacia adelante y hacia atrás. En consecuencia, los modelos existentes carecen de la precisión necesaria para la evasión de colisiones basada en planificación (por ejemplo, Control Predictivo de Modelo) o sufren de rigidez computacional prohibitiva que impide su despliegue en tiempo real. Los autores tienen como objetivo desarrollar un marco de identificación de sistemas que equilibre la fidelidad del modelo, la eficiencia computacional y la interpretabilidad física para este dominio experimental específico.

Metodología
Los autores proponen un estudio comparativo de tres paradigmas de modelado: enfoques puramente físicos (caja blanca), puramente basados en datos (caja negra) e híbridos (caja gris).

1. Modelos Basados en Física (Caja Blanca):

   • Modelo de Newton-Euler: Se adaptó un modelo dinámico de bicicleta a la geometría y la actuación del coche de choque. Incorpora un modelo de fuerza de neumático lineal por tramos para equilibrar la simplicidad y la precisión, evitando parametrizaciones complejas como la Fórmula Mágica, que son difíciles de identificar a partir de datos de alto deslizamiento limitados. El modelo considera la resistencia longitudinal y las fuerzas del motor.
   • Modelo Cinemático: Se derivó una formulación cinemática extendida donde el estado del sistema incluye la velocidad de la rueda delantera (actuada directamente) en lugar de solo la velocidad del Centro de Gravedad. Esta formulación incorpora explícitamente el deslizamiento de los neumáticos, superando la suposición de ausencia de deslizamiento de los modelos cinemáticos estándar.

2. Identificación de Sistemas Basada en Datos:

   • Modelos de Caja Negra: Se entrenaron dos arquitecturas de Perceptrón Multicapa (MLP) para minimizar el Error Cuadrático Medio Normalizado (NMSE). Un modelo AutoRegresivo No Lineal con entradas Exógenas (NARX-MLP) modeló directamente la evolución de la velocidad, mientras que un MLP Cinemático (K-MLP) modeló la transición de estado de las variables cinemáticas extendidas.
   • Modelos de Caja Gris:
     • SINDy (Identificación Esparsa de Dinámicas No Lineales): La transición de estado cinemática se aproximó utilizando una combinación lineal esparsa de funciones candidatas derivadas de conocimientos físicos (por ejemplo, comportamiento del acelerador del motor, resistencia a la rodadura y dinámica de deslizamiento).
     • Híbrido K-SINDy-MLP: Para superar las limitaciones de precisión de la biblioteca esparsa de SINDy, se añadió un MLP residual al modelo SINDy. Este enfoque híbrido aprende los términos de corrección (residuos) a la predicción basada en física de SINDy, combinando la interpretabilidad con el poder de aproximación de las redes neuronales.

Contribuciones Clave

1. Modelos Físicos Adaptados: Los autores adaptaron los modelos de Newton-Euler y de bicicleta cinemática para manejar rangos de dirección amplios y dinámicas de baja velocidad, incluyendo elecciones específicas de discretización para una predicción multietapa estable y un modelo de fuerza de neumático lineal por tramos.
2. Marco de Identificación Progresivo: El artículo explora sistemáticamente la transición de representaciones de caja negra a caja gris. Demuestra cómo la incorporación de estructura física (mediante SINDy) en los modelos aprendidos mejora la interpretabilidad y reduce la complejidad requerida para el componente de red neuronal.
3. Arquitectura Híbrida: La propuesta del modelo K-SINDy-MLP, que integra una columna vertebral cinemática informada por física con una red residual basada en datos, ofrece un nuevo compromiso entre precisión, velocidad computacional e interpretabilidad.

Resultados Experimentales
La validación se realizó utilizando una hora de datos de conducción recopilados en una arena de 7×12 m mediante un sistema de captura de movimiento OptiTrack. Los modelos se evaluaron en función de la precisión de predicción (NMSE) y el tiempo de ejecución computacional.

• Precisión: El K-MLP puramente de caja negra logró la mayor precisión (NMSE $4.594 \times 10^{-3}$). El híbrido K-SINDy-MLP alcanzó una precisión comparable ($4.765 \times 10^{-3}$), superando significativamente al modelo puramente físico de Newton-Euler ($5.973 \times 10^{-3}$) y a la versión linealizada.
• Eficiencia Computacional: Los modelos basados en SINDy fueron los más rápidos. El K-SINDy-MLP requirió 81.1 ms por paso de predicción, lo cual es sustancialmente más rápido que el modelo de Newton-Euler (303.7 ms) y comparable a los MLP de caja negra.
• Rendimiento en Regímenes Extremos: En escenarios que involucran ángulos de dirección superiores a 90° (transición entre movimiento hacia adelante y hacia atrás), el modelo K-SINDy-MLP superó sustancialmente a la línea base de Newton-Euler, la cual no logró predecir con precisión la trayectoria bajo estas condiciones.

Significado y Afirmaciones
El artículo afirma que el enfoque híbrido K-SINDy-MLP aborda con éxito el compromiso entre la precisión del modelo y los requisitos computacionales. Demuestra que los modelos de redes neuronales informados por física pueden superar a las líneas base puramente físicas en precisión mientras mantienen costos computacionales más bajos, lo que los hace adecuados para aplicaciones en tiempo real como la evasión de colisiones en entornos de alta maniobrabilidad. Los autores enfatizan que la incorporación de leyes físicas en el proceso de aprendizaje no solo mejora la precisión, sino que también aumenta la interpretabilidad y la adaptabilidad del modelo, lo cual es crucial para sistemas influenciados por factores variables como cargas de pasajeros que cambian cíclicamente. El trabajo sugiere que para vehículos con ángulos de dirección elevados, los modelos puramente físicos suelen ser demasiado rígidos computacionalmente para su uso en tiempo real, mientras que los modelos puramente basados en datos carecen de la consistencia física necesaria; el enfoque híbrido ofrece un punto medio viable.