💻 computer science

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

Cet article propose une stratégie de compensation d'écart basée sur l'opérateur de Koopman par réseaux de neurones profonds (DNN), intégrée à une commande prédictive de modèle de Laguerre et à un mécanisme de coopération parallèle déclenché par événements, afin d'améliorer significativement la précision du suivi de trajectoire et la stabilité d'un véhicule terrestre sans pilote sur des terrains complexes présentant des pentes couplées et des routes accidentées.

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

Publié 2026-06-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous conduisez un véhicule tout-terrain robuste (un véhicule terrestre sans pilote ou UGV) à travers un paysage chaotique rempli de collines escarpées, de pentes latérales et de nids-de-poule profonds. Votre objectif est de suivre parfaitement une ligne tracée au sol.

Dans un monde parfait, la voiture se contenterait de suivre la ligne. Mais en réalité, le terrain est un cauchemar. Les collines poussent la voiture sur le côté, et les nids-de-poule secouent les pneus, faisant varier instantanément l'adhérence de la voiture sur la route. Si vous essayez de diriger le véhicule avec un programme informatique standard, il pourrait s'embrouiller, surréagir ou simplement être trop lent pour calculer le bon mouvement, faisant ainsi dévier la voiture de sa trajectoire.

Ce document présente un nouveau « système de conduite intelligent » conçu pour maintenir l'UGV sur sa trajectoire dans ces conditions désordonnées. Voici comment il fonctionne, divisé en trois parties simples :

1. Le « Calculateur Intelligent » (LMPC)

D'abord, le système a besoin d'un plan de base. Les chercheurs ont construit un contrôleur appelé LMPC (Commande Prédictive de Modèle de Laguerre).

Le Problème : Les contrôleurs traditionnels sont comme un étudiant essayant de résoudre un problème de mathématiques complexe en écrivant chaque étape sur papier. C'est précis, mais cela prend trop de temps, et la voiture se déplace plus vite que les calculs ne peuvent être résolus.
La Solution : Le LMPC est comme un étudiant qui a mémorisé une formule de raccourci. Au lieu de résoudre tout le problème à partir de zéro à chaque fois, il utilise un « modèle » mathématique spécial (les fonctions de Laguerre) pour deviner l'angle de direction optimal presque instantanément.
Le Résultat : Il gère très bien les pentes couplées (lorsque la route est inclinée à la fois latéralement et verticalement), maintenant la stabilité du véhicule sans être ralenti par des calculs laborieux.

2. Le « Moteur d'Intuition » (DNN Koopman)

Cependant, lorsque la voiture frappe un nid-de-poule, les mathématiques deviennent complexes. Les pneus perdent de l'adhérence de manières étranges et imprévisibles que les formules standard ne peuvent pas prédire.

Le Problème : Les modèles mathématiques standards sont comme une carte qui ne montre que les routes pavées. Quand vous frappez un nid-de-poule, la carte devient inutile.
La Solution : Les chercheurs ont ajouté un « Moteur d'Intuition » utilisant des Réseaux de Neurones Profonds (DNN) et ce qu'on appelle l'Opérateur de Koopman.
- Considérez l'Opérateur de Koopman comme un traducteur. Il prend les secousses chaotiques et non linéaires des nids-de-poule (difficiles à comprendre) et les traduit en un langage linéaire simple qu'un ordinateur peut facilement prédire.
- Le Réseau de Neurones Profond est l'étudiant qui apprend cette traduction. Il observe des milliers d'exemples de la voiture frappant des nids-de-poule et apprend la meilleure façon de traduire ces secousses en une correction de direction.
Le Résultat : Lorsqu'une voiture frappe un nid-de-pole, ce moteur prédit exactement de combien la voiture va glisser et suggère une micro-correction de direction précise pour l'annuler.

3. Le « Agent de Circulation » (Mécanisme Coopératif Parallèle Déclenché par Événement)

Voici la partie la plus critique : vous ne pouvez pas simplement laisser le « Moteur d'Intuition » prendre le contrôle total. S'il s'excite et suggère un mouvement de direction sauvage, il pourrait briser le système de direction ou faire partir la voiture en tête-à-queue.

Le Problème : Le « Calculateur Intelligent » (LMPC) est fiable mais lent à réagir aux nids-de-poule. Le « Moteur d'Intuition » (DNN) est rapide et intelligent, mais peut être un peu imprudent et manque de règles claires.
La Solution : Les chercheurs ont construit un Agent de Circulation (un mécanisme déclenché par événement) pour gérer les deux.
- Le Déclencheur : L'agent surveille le « Taux de Transfert de Charge » (LTR). Imaginez cela comme un « compteur d'oscillation ». Si la voiture roule de manière fluide sur une pente, le compteur est bas, et l'agent ignore le Moteur d'Intuition, laissant le Calculateur Intelligent faire le travail.
- Le Passage de Relais : Si la voiture frappe un gros nid-de-poule et que le compteur d'oscillation grimpe en flèche, l'agent réveille le Moteur d'Intuition.
- Le Test de Crédibilité : Avant que la suggestion du Moteur d'Intuition ne soit utilisée, l'agent vérifie si la suggestion est « crédible ». Il se demande : « Cet angle de direction est-il si énorme qu'il pourrait briser le volant ? »
  - Si la suggestion est sûre, l'agent l'ajoute au plan du Calculateur Intelligent.
  - Si la suggestion est trop sauvage, l'agent l'ignore pour maintenir la sécurité du véhicule.
Le Résultat : La voiture bénéficie du meilleur des deux mondes : la fiabilité constante du calculateur pour la conduite normale, et les réflexes rapides et intelligents du moteur d'intuition pour les nids-de-poule, tout en restant dans des limites physiques de sécurité.

La Preuve

L'équipe a testé ce système sur une plateforme Hardware-in-the-Loop (HiL). C'est comme un simulateur de vol pour voitures, où le code informatique communique avec un véritable moteur de direction physique et une simulation haute fidélité de la voiture.

Les Résultats :

Vitesse : Le nouveau système a calculé les commandes de direction 98,89 % plus vite que la méthode traditionnelle. Il était extrêmement rapide.
Précision : Sur des routes accidentées et parsemées de nids-de-poule, le nouveau système a réduit l'erreur (la distance de dérive par rapport à la ligne) de plus de 45 % par rapport à la méthode standard.
Stabilité : Il a maintenu la stabilité du véhicule même lorsque la route était un chaos de pentes et de trous, là où les anciennes méthodes faisaient osciller et dériver la voiture.

En résumé, ce document décrit un système qui combine un calculateur rapide et fiable avec un réflexe intelligent basé sur l'apprentissage, le tout géré par un superviseur soucieux de la sécurité, afin de maintenir un robot terrestre sur sa trajectoire sur les routes les plus accidentées imaginables.

Résumé Technique : Compensation de Déviation Basée sur le Koopman par DNN pour le Contrôle de Suivi de Trajectoire d'un UGV sur une Route à Pente Couplée et Nids-de-Poule

Énoncé du Problème
Les véhicules terrestres sans pilote (UGV) opérant dans des environnements hors route sont confrontés à des défis importants en matière de suivi de trajectoire en raison de perturbations de terrain complexes. Contrairement aux routes urbaines structurées, les scénarios hors route impliquent des pentes couplées (combinaisons de pentes longitudinales et latérales) et des irrégularités à courte longueur d'onde telles que des nids-de-poule. Ces conditions induisent des variations des paramètres du véhicule, notamment les forces verticales des pneus, les forces latérales et la rigidité de dérive des pneus, entraînant une réduction de la stabilité de conduite et de la précision de suivi.

Les stratégies de commande prédictive basée sur le modèle (MPC) existantes, bien qu'efficaces pour les problèmes à contraintes multiples, souffrent de coûts de calcul élevés dus aux processus de résolution de programmation quadratique (QP), ce qui limite les performances en temps réel. De plus, les approches standard basées sur le modèle négligent souvent l'influence des irrégularités de la route à longue longueur d'onde (pente) sur la dynamique latérale ou reposent sur des modèles linéarisés qui ne parviennent pas à capturer les fortes non-linéarités et les discontinuités causées par de gros nids-de-poule. Inversement, les méthodes purement sans modèle (par exemple, l'apprentissage par renforcement) manquent souvent d'interprétabilité et de contraintes physiques explicites, risquant la saturation des actionneurs et l'instabilité lorsque les entrées de commande sont superposées.

Méthodologie
L'article propose une architecture de contrôle hybride intégrant une base de commande prédictive de Laguerre (LMPC) avec une stratégie de compensation de déviation basée sur le Koopman par réseaux de neurones profonds (DNN), gérée par un mécanisme de coopération parallèle déclenché par événement (EPC).

Modélisation du Véhicule et Estimation de Paramètres :
- Un modèle dynamique pour les UGV sur pentes couplées est établi, incorporant les composantes de la force gravitationnelle et les moments de lacet induits par le couplage de la pente.
- Une méthode de moindres carrés récursifs adaptatifs avec oubli (AFRLS) avec termes d'erreur découplés est conçue pour estimer la rigidité de dérive des pneus variable dans le temps. Cet estimateur utilise un filtre adaptatif pour assurer la convergence même lorsque le véhicule roule en ligne droite (où les vecteurs d'état et d'entrée sont proches de zéro), répondant ainsi aux limites du RLS conventionnel.
Contrôle de Base (LMPC) :
- Pour réduire la charge de calcul, le processus de résolution QP dans le MPC traditionnel est remplacé par une procédure d'ajustement et de différenciation utilisant des fonctions de Laguerre.
- Cette approche génère un angle de braquage de base ( $\delta_{bas}$ ) et un moment de lacet supplémentaire ( $M_z$ ) qui maintiennent des performances de suivi fiables à travers divers scénarios de pentes couplées tout en réduisant considérablement la consommation de ressources.
Compensation de Déviation (DNN Koopman - DK) :
- Pour traiter les non-linéarités induites par les nids-de-poule, l'article intègre la théorie de l'opérateur de Koopman avec les DNN.
- Un DNN avec une structure d'auto-encodeur (encodeur-décodeur) est entraîné hors ligne pour apprendre la « fonction de levage » (lifting function) optimale ( $\psi$ ). Cette fonction projette le système de suivi de trajectoire non linéaire de l'UGV (incluant les angles de braquage compensatoires et les charges verticales) dans un espace linéaire de dimension finie.
- Cela permet la construction d'une matrice d'approximation de dimension finie de l'opérateur de Koopman, permettant la prédiction d'un angle de braquage compensatoire ( $\delta_{comp}$ ) pour corriger les déviations de trajectoire sur les routes avec nids-de-poule.
Mécanisme de Coopération Parallèle Déclenché par Événement (EPC) :
- Pour garantir la faisabilité et la stabilité de l'entrée de commande combinée, un mécanisme EPC couple les modules LMPC et DK.
- Activation : La compensation n'est déclenchée que lorsque le taux de transfert de charge (LTR) dépasse un seuil spécifique, indiquant une perturbation significative par nid-de-poule.
- Vérification de Crédibilité : Un coefficient de crédibilité basé sur une sigmoïde ( $\lambda$ ) est calculé en fonction de l'amplitude de l'angle de compensation par rapport aux limites physiques de braquage du véhicule. Cela garantit que l'angle de braquage total ( $\delta_{tot} = \delta_{bas} + \lambda\delta_{comp}$ ) ne viole pas les contraintes des actionneurs, évitant ainsi l'instabilité causée par des sorties sans modèle non interprétables.

Contributions Clés

LMPC pour les Pentes Couplées : Développement d'une stratégie de suivi de trajectoire utilisant des fonctions de Laguerre pour remplacer le QP, réduisant la charge de calcul tout en maintenant la précision sur les pentes couplées. Un estimateur AFRLS est simultanément conçu pour gérer la variation de la rigidité de dérive des pneus.
Compensation DNN Koopman (DK) : Proposition d'une méthode DK utilisant un DNN basé sur un auto-encodeur pour apprendre les fonctions de levage optimales. Cela améliore la capacité de l'opérateur de Koopman à représenter la dynamique non linéaire des UGV sur des routes avec nids-de-poule, surmontant les limites des fonctions de base sélectionnées manuellement dans l'EDMD traditionnelle.
Mécanisme de Compensation EPC : Établissement d'un mécanisme de coopération parallèle qui intègre le LMPC et le DK. En utilisant l'activation basée sur le LTR et la vérification de crédibilité basée sur la sigmoïde, le système garantit que la compensation de la déviation de trajectoire améliore la précision sans compromettre la stabilité du véhicule ou violer les contraintes de braquage.

Résultats Expérimentaux
La stratégie proposée, nommée CDK-LMPC, a été validée à l'aide d'une plateforme Hardware-in-the-Loop (HiL) avec un modèle de SUV de Classe D selon deux scénarios : un changement de voie double sur une pente couplée avec nids-de-poule et un scénario hors route complexe.

Précision de l'Estimation : La méthode AFRLS a démontré une grande précision dans l'estimation des forces latérales des pneus et des variations de la rigidité de dérive, même sous des excitations transitoires de nids-de-poule, surpassant le RLS standard.
Performance de Suivi : Dans les deux cas de test, le CDK-LMPC a obtenu les erreurs latérales les plus faibles par rapport au MPC, au LMPC et aux autres variantes basées sur Koopman (EDMD-LMPC, KDMD-LMPC, DK-LMPC).
- Dans le scénario hors route complexe (Cas 2), le CDK-LMPC a réduit l'erreur latérale RMS de 37,3 % et l'erreur latérale maximale de 59,7 % par rapport à la base KDMD-LMPC.
- Globalement, la stratégie a amélioré la performance de suivi de trajectoire de plus de 11,5 % à travers plusieurs conditions opérationnelles par rapport aux méthodes existantes.
Efficacité de Calcul : En remplaçant le QP par l'ajustement de fonctions de Laguerre, les stratégies basées sur le LMPC ont réduit le temps de calcul de plus de 98,89 % par rapport au MPC traditionnel (temps moyen réduit de ~11,4 ms à ~0,12 ms), améliorant considérablement la faisabilité en temps réel.

Signification et Revendications
L'article affirme que la stratégie CDK-LMPC proposée comble efficacement l'écart entre l'interprétabilité basée sur le modèle et les capacités d'approximation non linéaire sans modèle. En traitant explicitement les effets couplés de la pente et des nids-de-poule, et en introduisant un mécanisme piloté par la crédibilité pour gérer la superposition des entrées de commande, la stratégie garantit à la fois une haute précision de suivi et la stabilité du véhicule. Les auteurs affirment que cette approche améliore considérablement l'efficacité opérationnelle et la performance de suivi de trajectoire pour les UGV dans les environnements hors route non structurés, fournissant une solution robuste pour la navigation en terrain complexe sans le coût de calcul excessif du MPC traditionnel ou les risques d'instabilité du contrôle sans modèle non contraint.

1. Le « Calculateur Intelligent » (LMPC)

2. Le « Moteur d'Intuition » (DNN Koopman)

3. Le « Agent de Circulation » (Mécanisme Coopératif Parallèle Déclenché par Événement)

La Preuve

Articles similaires