System Identification for Dynamic Modeling of Large Steering Angle Vehicles

Résumé Technique : Identification de Système pour la Modélisation Dynamique de Véhicules à Grand Angle de Braquage

Énoncé du Problème
L'article aborde le défi de la modélisation de véhicules autonomes dotés d'une maniabilité exceptionnelle, spécifiquement des autos tamponneuses capables d'angles de braquage allant jusqu'à environ 115°. Les modèles de véhicules standards, tels que les modèles Newton-Euler linéarisés ou les modèles cinématiques de type bicyclette, reposent sur des hypothèses de petits angles et négligent le glissement important des pneus. Ces hypothèses échouent dans le domaine des autos tamponneuses, où les grands angles de braquage induisent des effets dynamiques non linéaires prononcés et des transitions entre les mouvements avant et arrière. Par conséquent, les modèles existants manquent soit de la précision requise pour l'évitement de collisions basé sur la planification (par exemple, la Commande Prédictive Modèle), soit souffrent d'une rigidité computationnelle prohibitive empêchant leur déploiement en temps réel. Les auteurs visent à développer un cadre d'identification de système qui équilibre la fidélité de la modélisation, l'efficacité computationnelle et l'interprétabilité physique pour ce domaine expérimental spécifique.

Méthodologie
Les auteurs proposent une étude comparative de trois paradigmes de modélisation : les approches purement physiques (boîte blanche), purement basées sur les données (boîte noire) et hybrides (boîte grise).

1. Modèles Basés sur la Physique (Boîte Blanche) :

   • Modèle Newton-Euler : Un modèle dynamique de type bicyclette a été adapté à la géométrie et à l'actionnement de l'auto tamponneuse. Il intègre un modèle de force de pneu linéaire par morceaux pour équilibrer simplicité et précision, évitant des paramétrisations complexes comme la formule magique qui sont difficiles à identifier à partir de données à fort glissement limitées. Le modèle prend en compte la traînée longitudinale et les forces motrices.
   • Modèle Cinématique : Une formulation cinématique étendue a été dérivée où l'état du système inclut la vitesse de la roue avant (directement actionnée) plutôt que simplement la vitesse du centre de gravité. Cette formulation intègre explicitement le glissement des pneus, allant au-delà de l'hypothèse d'absence de glissement des modèles cinématiques standards.

2. Identification de Système Basée sur les Données :

   • Modèles Boîte Noire : Deux architectures de Perceptron Multicouche (MLP) ont été entraînées pour minimiser l'Erreur Quadratique Moyenne Normalisée (NMSE). Un modèle Nonlinéaire AutoRégressif avec Entrées Exogènes (NARX-MLP) a modélisé l'évolution de la vitesse directement, tandis qu'un K-MLP (Kinematic-MLP) a modélisé la transition d'état des variables cinématiques étendues.
   • Modèles Boîte Grise :
     • SINDy (Identification Éparse des Dynamiques Non Linéaires) : La transition d'état cinématique a été approximée en utilisant une combinaison linéaire éparse de fonctions candidates dérivées d'insights physiques (par exemple, le comportement de l'accélérateur moteur, la résistance au roulement et la dynamique de glissement).
     • Hybride K-SINDy-MLP : Pour surmonter les limitations de précision de la bibliothèque SINDy éparse, un MLP résiduel a été ajouté au modèle SINDy. Cette approche hybride apprend les termes de correction (résidus) de la prédiction basée sur la physique de SINDy, combinant l'interprétabilité avec la puissance d'approximation des réseaux de neurones.

Contributions Clés

1. Modèles Physiques Adaptés : Les auteurs ont adapté les modèles Newton-Euler et cinématiques de type bicyclette pour gérer les grandes plages de braquage et la dynamique à basse vitesse, incluant des choix de discrétisation spécifiques pour une prédiction multi-étapes stable et un modèle de force de pneu linéaire par morceaux.
2. Cadre d'Identification Progressif : L'article explore systématiquement la transition des représentations boîte noire vers les représentations boîte grise. Il démontre comment l'intégration d'une structure physique (via SINDy) dans les modèles appris améliore l'interprétabilité et réduit la complexité requise pour le composant réseau de neurones.
3. Architecture Hybride : La proposition du modèle K-SINDy-MLP, qui intègre un squelette cinématique informé par la physique avec un réseau résiduel basé sur les données, offre un compromis novateur entre précision, vitesse computationnelle et interprétabilité.

Résultats Expérimentaux
La validation a été effectuée en utilisant une heure de données de conduite collectées dans une arène de 7×12 m à l'aide d'un système de capture de mouvement OptiTrack. Les modèles ont été évalués sur la base de la précision de prédiction (NMSE) et du temps d'exécution computationnel.

• Précision : Le K-MLP purement boîte noire a atteint la précision la plus élevée (NMSE $4,594 \times 10^{-3}$). Le K-SINDy-MLP hybride a atteint une précision comparable ($4,765 \times 10^{-3}$), surpassant significativement le modèle purement physique Newton-Euler ($5,973 \times 10^{-3}$) et la version linéarisée.
• Efficacité Computationnelle : Les modèles basés sur SINDy ont été les plus rapides. Le K-SINDy-MLP a nécessité 81,1 ms par étape de prédiction, ce qui est substantiellement plus rapide que le modèle Newton-Euler (303,7 ms) et comparable aux MLP boîte noire.
• Performance dans les Régimes Extrêmes : Dans des scénarios impliquant des angles de braquage dépassant 90° (transition entre les mouvements avant et arrière), le modèle K-SINDy-MLP a substantiellement surpassé la référence Newton-Euler, qui a échoué à prédire avec précision la trajectoire dans ces conditions.

Signification et Revendications
L'article revendique que l'approche hybride K-SINDy-MLP résout avec succès le compromis entre la précision du modèle et les exigences computationnelles. Il démontre que les modèles de réseaux de neurones informés par la physique peuvent surpasser les références purement physiques en précision tout en maintenant des coûts computationnels plus faibles, les rendant adaptés aux applications en temps réel comme l'évitement de collisions dans des environnements à haute maniabilité. Les auteurs soulignent que l'intégration de lois physiques dans le processus d'apprentissage améliore non seulement la précision mais renforce également l'interprétabilité et l'adaptabilité du modèle, ce qui est crucial pour des systèmes influencés par des facteurs variables tels que les charges de passagers changeant cycliquement. Le travail suggère que pour les véhicules à grand angle de braquage, les modèles purement physiques sont souvent trop rigides computationnellement pour une utilisation en temps réel, tandis que les modèles purement basés sur les données manquent de la cohérence physique nécessaire ; l'approche hybride offre un terrain d'entente viable.