⚡ electrical engineering

Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame

यह शोध पत्र एक मल्टी-स्टेप डीप कूपमैन नेटवर्क (MDK-Net) प्रस्तावित करता है जो फ्रेनेट फ्रेम में गैर-रेखीय वाहन गतिकी (nonlinear vehicle dynamics) का एक वैश्विक रैखिक प्रतिनिधित्व बनाने के लिए डीप लर्निंग का उपयोग करता है, जिससे एक गणनात्मक रूप से कुशल मॉडल प्रेडिक्टिव कंट्रोल (MPC) रणनीति सक्षम होती है जो डबल लेन चेंज जैसे जटिल युद्धाभ्यास में पारंपरिक रैखिक मॉडलों की तुलना में काफी बेहतर प्रदर्शन करती है।

मूल लेखक: Mohammad Abtahi, Mahdis Rabbani, Armin Abdolmohammadi, Shima Nazari

प्रकाशित 2026-01-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammad Abtahi, Mahdis Rabbani, Armin Abdolmohammadi, Shima Nazari

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट कार को खुद गाड़ी चलाना सिखाने की कोशिश कर रहे हैं। सबसे बड़ी समस्या स्टीयरिंग व्हील या गैस पेडल नहीं है; यह कार का व्यक्तित्व (personality) है। कारें जटिल होती हैं। जब आप पहिया घुमाते हैं, तो कार तुरंत नहीं मुड़ती; वह फिसलती है, टायर पकड़ बनाते और फिसलते हैं, इंजन की आवाज़ बदलती है, और सस्पेंशन उछलता है। ये "नॉन-लीनियर" (non-linear) व्यवहार हैं, जिसका अर्थ है कि वे किसी सरल, सीधी रेखा वाले नियम का पालन नहीं करते हैं।

कार कैसे चलेगी, इसका सटीक अनुमान लगाना मौसम की भविष्यवाणी करने जैसा है: यह अव्यवस्थपूर्ण, अराजक और सही होना कठिन है।

पुराना तरीका: "लोकल मैप" (The "Local Map")

पारंपरिक रूप से, इंजीनियरों ने इस समस्या को हल करने के लिए कार की गति का एक सरल, लीनियर (linear) मानचित्र बनाने की कोशिश की। इसे अपने पड़ोस का ऐसा नक्शा बनाने जैसा समझें जो केवल तभी काम करता है जब आप फुटपाथ पर रहें। यदि आप फुटपाथ से बाहर कदम रखते हैं (तेज़ गाड़ी चलाते हैं, तीखा मोड़ लेते हैं, या किसी ऊबड़-खाबड़ जगह से गुजरते हैं), तो वह नक्शा बेकार हो जाता है। यही कारण है कि पुराने तरीके अक्सर तब विफल हो जाते हैं जब कार को किसी बाधा से बचने के लिए अचानक, नाटकीय पैंतरेबाज़ी (maneuver) करने की आवश्यकता होती है, जैसे कि डबल लेन चेंज।

नया तरीका: "कूपमैन लेंस" (The "Koopman Lens")

यह शोध पत्र एक नया टूल पेश करता है जिसे कूपमैन ऑपरेटर (Koopman Operator) कहा जाता है। कल्पना कीजिए कि आपके पास विशेष चश्मे का एक जोड़ा (एक "लेंस") है। जब आप उन चश्मों के माध्यम से कार को देखते हैं, तो उसकी बिखरी हुई, अराजक गतिविधियाँ अचानक एक सरल, सीधी रेखा की तरह दिखने लगती हैं।

वास्तविक दुनिया में, कार की गति एक उलझी हुई गांठ की तरह है। कूपमैन ऑपरेटर एक गणितीय ट्रिक है जो कार की स्थिति को एक उच्च आयाम (वास्तविकता के एक ऊंचे तल) में "लिफ्ट" करती है जहाँ वह गांठ खुद को एक सीधी रेखा में सुलझा लेती है। एक बार जब यह एक सीधी रेखा बन जाती है, तो भविष्य में कार कहाँ होगी, इसका अनुमान लगाना बहुत आसान हो जाता है।

नवाचार: "डीप लर्निंग ट्रांसलेटर" (The "Deep Learning Translator")

इन विशेष चश्मों का उपयोग करने का पेचीदा हिस्सा यह है कि उन्हें कैसे बनाया जाए। आमतौर पर, इंजीनियरों को अंदाज़ा लगाना पड़ता है कि कौन से "लेंस" का उपयोग करना है, जो अक्सर परीक्षण और त्रुटि (trial and error) पर आधारित होता है।

लेखकों ने एक डीप लर्निंग ट्रांसलेटर (जिसे MDK-Net कहा जाता है) बनाया है। अंदाज़ा लगाने के बजाय, उन्होंने कंप्यूटर को एक हाई-फिडेलिटी सिम्युलेटर (CarSim) से ड्राइविंग डेटा के हजारों घंटे दिए। AI ने खुद यह सीखा कि कार की अव्यवस्थित वास्तविकता को एक सरल, अनुमानित रेखा में बदलने के लिए सही "लेंस" कैसे बनाया जाए।

उनके ट्रांसलेटर की मुख्य विशेषताएं:

यह सड़क को देखता है: अधिकांश कार मॉडल केवल कार को देखते हैं। यह मॉडल सड़क के घुमावों (curvature) को एक अलग इनपुट के रूप में भी देखता है, जैसे कि कोई यात्री आगे के मोड़ की ओर इशारा कर रहा हो।
यह पेडल को महसूस करता है: यह केवल "स्टीयरिंग" को नहीं समझता। यह कच्चे इनपुट को समझता है: ड्राइवर कितनी ज़ोर से गैस, ब्रेक दबा रहा है, और पहिया घुमा रहा है। इससे यह इंजन और ड्राइवट्रेन को समझने में सक्षम होता है, न कि केवल पहियों को।
यह आगे देखता है: केवल अगले सेकंड का अनुमान लगाने के बजाय, यह एक साथ भविष्य के पूरे क्रम (sequence) की भविष्यवाणी करना सीखता है, जिससे कार स्थिर रहती है।

परीक्षण: "डबल लेन चेंज" (The "Double Lane Change")

यह देखने के लिए कि क्या यह काम करता है, शोधकर्ताओं ने कार को एक "डबल लेन चेंज" परीक्षण के माध्यम से डाला। यह एक स्लैलम कोर्स (slalom course) की तरह है जहाँ कार को बहुत तेज़ी से बाईं ओर, फिर दाईं ओर मुड़ना होता है।

पुराना मॉडल (Linear): यह भ्रमित हो गया। इसने सोचा कि कार सीधी जाएगी जबकि उसे मुड़ना चाहिए था, जिससे कार रास्ते से भटक गई।
नया मॉडल (MDK-Net): इसने कार की गति का उच्च सटीकता के साथ अनुमान लगाया। इसे पता था कि कार ठीक कैसे फिसलेगी और वापस पटरी पर आएगी।

परिणाम: तेज़ और सटीक

सबसे अच्छी बात? भले ही नया मॉडल अधिक स्मार्ट और जटिल है, लेकिन यह पुराने, सरल मॉडलों की तरह ही तेज़ चलता है।

उन्होंने इस नए मॉडल का उपयोग एक मॉडल प्रेडिक्टिव कंट्रोल (MPC) सिस्टम बनाने के लिए किया। MPC को एक सह-पायलट के रूप में समझें जो लगातार पूछता है, "यदि मैं पहिया इतना घुमाता हूँ, तो मैं 5 सेकंड में कहाँ होऊँगा? यदि मैं अब ब्रेक लगाता हूँ, तो मैं कहाँ होऊँगा?"

पुराना सह-पायलट (लीनियर मॉडल का उपयोग करने वाला) गलतियाँ करता था और ट्रैक से भटक जाता था।
नया सह-पायलट (MDK-Net का उपयोग करने वाला) लगभग शून्य त्रुटि के साथ वांछित पथ का अनुसरण करता है और बिल्कुल सही रहता है।

सारांश

संक्षेप में, लेखकों ने एक स्मार्ट AI सिस्टम बनाया है जो यह सीखता है कि एक वास्तविक कार की अराजक, अव्यवस्थित भौतिकी को एक सरल, अनुमानित भाषा में कैसे अनुवादित किया जाए। यह एक सेल्फ-ड्राइविंग कार को जटिल, उच्च-गति वाले पैंतरेबाज़ी को सुरक्षित और सटीक रूप से करने की अनुमति देता है, बिना किसी सुपरकंप्यूटर की गणितीय गणनाओं की आवश्यकता के। यह कार को एक ऐसे क्रिस्टल बॉल देने जैसा है जो सबसे अराजक ड्राइविंग स्थितियों में भी काम करता है।

तकनीकी सारांश: वाहन नियंत्रण के लिए मल्टी-स्टेप डीप कोपमैन नेटवर्क (MDK-Net)

समस्या विवरण
स्वायत्त वाहनों (autonomous vehicles) के लिए इष्टतम और मॉडल प्रेडिक्टिव कंट्रोल (MPC) रणनीतियों का व्यावहारिक कार्यान्वयन वाहन प्रणालियों की अत्यधिक गैर-रैखिक (nonlinear) गतिशीलता के कारण बाधित होता है, जो पार्श्व/अनुदैर्ध्य गति (lateral/longitudinal motion), टायर बलों और पावरट्रेन डायनेमिक्स के बीच जटिल अंतःक्रियाओं से उत्पन्न होती है। जबकि गैर-रैखिक नियंत्रण तकनीकें (जैसे NMPC, iLLR) उच्च सटीकता प्रदान करती हैं, उनकी कम्प्यूटेशनल जटिलता अक्सर उन्हें वास्तविक समय के अनुप्रयोगों के लिए अनुपयुक्त बना देती है। इसके विपरीत, पारंपरिक रैखिकीकरण विधियाँ (जैसे टेलर सीरीज़) कम्प्यूटेशनल दक्षता तो प्रदान करती हैं, लेकिन वे ऑपरेटिंग पॉइंट्स की एक विस्तृत श्रृंखला में डायनेमिक्स को कैप्चर करने में विफल रहती हैं, जिससे उनकी वैधता स्थानीय क्षेत्रों तक ही सीमित हो जाती है। मौजूदा डेटा-संचालित दृष्टिकोण, जैसे कि एक्सटेंडेड डायनेमिक मोड डिकम्पोजिशन (EDMD), ऑब्जर्वेबल फंक्शन्स के मैनुअल चयन के साथ संघर्ष करते हैं, जिसमें सिस्टम डायनेमिक्स को सटीक रूप से कैप्चर करने के लिए व्यापक परीक्षण और त्रुटि (trial and error) की आवश्यकता होती है।

कार्यप्रणाली
लेखक एक मल्टी-स्टेप डीप कोपमैन नेटवर्क (MDK-Net) का प्रस्ताव करते हैं, जो एक कर्विलिनियर फ्रेनेट फ्रेम (Frenet frame) के भीतर गैर-रैखिक वाहन डायनेमिक्स का एक वैश्विक रैखिक प्रतिनिधित्व सीखने के लिए डिज़ाइन किया गया एक डीप लर्निंग फ्रेमवर्क है।

फ्रेमवर्क आर्किटेक्चर: मॉडल कोपमैन ऑपरेटर और लिफ्टिंग (ऑब्जर्वेबल) फंक्शन्स को एक साथ सीखने के लिए एक डीप न्यूरल नेटवर्क का उपयोग करता है।
- स्टेट रिप्रेजेंटेशन: सिस्टम एक फ्रेनेट फ्रेम में संचालित होता है जहाँ स्टेट्स में अनुदैर्ध्य वेग ( $v_x$ ), पार्श्व वेग ( $v_y$ ), यॉ रेट ( $\dot{\psi}$ ), प्रोग्रेस डिफरेंशियल ( $\Delta s$ ), लेटरल डेविएशन ( $e_y$ ), और हेडिंग एरर ( $e_\psi$ ) शामिल हैं।
- इनपुट्स: कंट्रोल इनपुट्स में लो-लेवल एक्ट्यूएटर्स शामिल हैं: थ्रॉटल, ब्रेक प्रेशर, और स्टीयरिंग एंगल। महत्वपूर्ण रूप से, रोड कर्वेचर ( $\kappa$ ) को एक एक्सोजेनस इनपुट के रूप में माना जाता है, जो एक ऐसा अंतर है जिसे लेखक कोपमैन-आधारित वाहन मॉडलिंग के लिए अभिनव बताते हैं।
- एनकोडर: एक फुली-कनेक्टेड मल्टीलेयर पर्सेप्ट्रॉन (MLP) एक एनकोडर $\phi(\cdot)$ के रूप में कार्य करता है, जो मूल अवस्थाओं $x_k$ को लेटेंट स्पेस $Z_k$ में मैप करता है। ऑब्जर्वेबल वेक्टर $\psi(x_k)$ को मूल अवस्थाओं को इन लेटेंट अवस्थाओं के साथ जोड़कर बनाया जाता है: $\psi(x_k) = [x_k^\top, Z_k^\top]^\top$ ।
- लीनियर डायनेमिक्स: लिफ्टेड स्पेस में डायनेमिक्स को $\psi(x_{k+1}) = A\psi(x_k) + Bu_k$ के रूप में अनुमानित किया जाता है, जहाँ मैट्रिसेस $A$ और $B$ सीखे गए पैरामीटर्स हैं जो कोपमैन ऑपरेटर का प्रतिनिधित्व करते हैं।
ट्रेनिंग और लॉस फंक्शन्स: पारंपरिक कोपमैन विधियों के विपरीत जो सिंगल-स्टेप प्रेडिक्शन पर ध्यान केंद्रित करती हैं, MDK-Net एक कंपोजिट लॉस फंक्शन का उपयोग करता है ताकि दीर्घकालिक सटीकता और स्थिरता सुनिश्चित की जा सके:
1. सिंगल-स्टेप लॉस ( $L_{ssl}$ ): वन-स्टेप लिफ्टेड स्टेट प्रेडिक्शन्स में विचलन को दंडित करता है।
2. मल्टी-स्टेप लॉस ( $L_{msl}$ ): प्रेडिक्शन होराइजन पर त्रुटियों को दंडित करता है, जिसमें निकट भविष्य की सटीकता को प्राथमिकता देने के लिए एक फॉरगेटिंग फैक्टर $\beta$ का उपयोग किया जाता है।
3. स्टेबिलिटी लॉस ( $L_{sl}$ ): स्पष्ट रूप से मैट्रिक्स $A$ के किसी भी आइजनवैल्यू (eigenvalue) को दंडित करता है जिसका परिमाण एक से अधिक हो, जिससे मल्टी-स्टेप प्रेडिक्शन्स की सीमाबद्धता (boundedness) सुनिश्चित होती है।
4. रेगुलराइजेशन लॉस ( $L_{regl}$ ): एनकोडर और ऑपरेटर पैरामीटर्स के ओवरफिटिंग को रोकता है।
कंट्रोल एप्लीकेशन: प्रशिक्षित कोपमैन मॉडल को एक MPC फ्रेमवर्क के भीतर तैनात किया जाता है। अनुकूलन समस्या (optimization problem) को लिफ्टेड ऑब्जर्वेबल स्पेस में तैयार किया जाता है, जिसमें कर्वेचर को होराइजन के दौरान एक स्थिर एक्सोजेनस इनपुट के रूप में माना जाता है।

प्रमुख योगदान
पेपर चार प्राथमिक योगदानों की पहचान करता है:

फ्रेनेट फ्रेम इंटीग्रेशन: यह फ्रेनेट-फ्रेम कोऑर्डिनेट्स में वाहन डायनेमिक्स के लिए डीप लर्निंग-आधारित कोपमैन ऑपरेटर्स का पहला अनुप्रयोग है, जो स्पष्ट रूप से रोड कर्वेचर को एक एक्सोजेनस इनपुट के रूप में शामिल करता है।
लो-लेवल इनपुट मॉडलिंग: मॉडल पूर्ण पावरट्रेन और ड्रिवलाइन डायनेमिक्स को कैप्चर करने के लिए कच्चे कंट्रोल इनपुट्स (स्टीयरिंग, ब्रेक, थ्रॉटल) का उपयोग करता है, जो पूर्व अध्ययनों में सामान्य सरलीकृत टायर/पावरट्रेन रिप्रजेंटेशन से आगे बढ़ता है।
एंड-टू-एंड आर्किटेक्चर: लेखकों ने एक नया आर्किटेक्चर विकसित किया है जो बिना किसी सहायक डिकोडर के, जो कंट्रोल इनपुट्स को मूल स्टेट स्पेस में वापस मैप करता है, ऑब्जर्वेबल फंक्शन्स और कोपमैन ऑपरेटर को संयुक्त रूप से सीखता है।
स्टेबिलिटी एनफोर्समेंट: एक विशिष्ट स्टेबिलिटी लॉस टर्म पेश किया गया है जो अस्थिर आइजनवैल्यूज को दंडित करता है, जिससे यह सुनिश्चित होता है कि सीखी गई डायनेमिक्स मल्टी-स्टेप प्रेडिक्शन्स के लिए बाउंडेड रहे।

परिणाम
मॉडल को एक हाई-फिडेलिटी CarSim सिमुलेशन एनवायरनमेंट (C-Class हैचबैक, 7,000 एपिसोड्स) के डेटा का उपयोग करके प्रशिक्षित और टेस्ट किया गया।

प्रेडिक्शन एक्यूरेसी: 2,400 ट्रेजेक्टरीज (80-स्टेप होराइजन) पर ओपन-लूप टेस्टिंग में, MDK-Net ने MATLAB के सिस्टम आइडेंटिफिकेशन टूलबॉक्स के माध्यम से पहचाने गए लीनियर टाइम-इनवेरिएंट (LTI) मॉडल की तुलना में काफी बेहतर प्रदर्शन किया।
- क्रिटिकल लेटरल डायनेमिक्स ( $v_y$ और $e_y$ ) के लिए, MDK-Net ने क्रमशः 0.020 और 2.504 के मीन स्क्वेर्ड एरर (MSE) मान प्राप्त किए, जबकि LTI मॉडल के मान 0.548 और 39.303 थे।
- MDK-Net ने डबल लेन-चेंज मैनूवर में सभी स्टेट वेरिएबल्स के विकास को सटीक रूप से कैप्चर किया, जबकि LTI मॉडल ने विशेष रूप से लेटरल और हेडिंग एरर में महत्वपूर्ण ड्रिफ्ट दिखाया।
कंट्रोल परफॉरमेंस: एक डबल लेन-चेंज परिदृश्य में न्यूनतम त्रुटि के साथ संदर्भ पथ (reference trajectory) को ट्रैक करने के लिए MDK-Net मॉडल का उपयोग करने वाला एक MPC कंट्रोलर सफल रहा। इसके विपरीत, LTI-आधारित MPC कंट्रोलर ने स्पष्ट ड्रिफ्ट दिखाया और लेटरल एवं एंगुलर वेलोसिटी को पर्याप्त रूप से ट्रैक करने में विफल रहा।
कम्प्यूटेशनल एफिशिएंसी: लिफ्टेड स्टेट स्पेस की उच्च डाइमेंशनलिटी के बावजूद, कोपमैन-आधारित MPC ऑप्टिमाइजेशन की कॉनवेक्सिटी (convexity) ने लीनियर MPC के समान कम्प्यूटेशनल दक्षता सुनिश्चित की। एक 10-सेकंड के सिमुलेशन के लिए, Intel Core i7-1165G7 प्रोसेसर पर MDK-Net MPC को कंप्यूट करने में 7.4 सेकंड लगे, जबकि LTI MPC को 3.2 सेकंड लगे। लेखक नोट करते हैं कि यह वास्तविक समय के कार्यान्वयन के लिए व्यवहार्य है, विशेष रूप से पारंपरिक नॉन-लीनियर MPC की उच्च संसाधन मांगों के विपरीत।

महत्व और दावे
पेपर दावा करता है कि MDK-Net फ्रेमवर्क सफलतापूर्वक गैर-रैखिक मॉडलिंग की सटीकता और वास्तविक समय नियंत्रण के लिए आवश्यक कम्प्यूटेशनल दक्षता के बीच के अंतर को पाटता है। ऑब्जर्वेबल्स को स्वचालित रूप से खोजने के लिए डीप लर्निंग का लाभ उठाकर और विशिष्ट लॉस टर्म्स के माध्यम से स्थिरता को लागू करके, यह दृष्टिकोण वाहन डायनेमिक्स का एक मजबूत, ग्लोबल लीनियर रिप्रेजेंटेशन प्रदान करता है जो पारंपरिक रैखिकीकरण से बेहतर है और पारंपरिक नॉन-लीनियर कंट्रोल विधियों की तुलना में अधिक कम्प्यूटेशनल रूप से व्यवहार्य है। लेखक इस कार्य को जटिल सड़क ज्यामिति (कर्वेचर) और पूर्ण वाहन डायनेमिक्स वाले परिदृश्यों में अधिक कुशल और सटीक स्वायत्त वाहन नियंत्रण की ओर एक आधारभूत कदम के रूप में देखते हैं।