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

Sintesi Tecnica: Rete Koopman Profonda Multi-Step (MDK-Net) per il Controllo di Veicoli in Frame Frenet

Definizione del Problema
L'implementazione pratica di strategie di controllo ottimali e di Controllo Predittivo del Modello (MPC) per i veicoli autonomi è ostacolata dalle dinamiche altamente non lineari dei sistemi veicolari, che derivano dalle complesse interazioni tra il moto laterale/longitudinale, le forze degli pneumatici e la dinamica del gruppo motopropulsore. Sebbene le tecniche di controllo non lineare (ad es., NMPC, iLQR) offrano un'elevata precisione, la loro complessità computazionale spesso le rende inadatte alle applicazioni in tempo reale. Al contrario, i metodi di linearizzazione tradizionali (ad es., serie di Taylor) forniscono efficienza computazionale ma non riescono a catturare le dinamiche attraverso un ampio intervallo di punti operativi, limitandone la validità a regioni locali. Gli approoli basati sui dati esistenti, come l'Extended Dynamic Mode Decomposition (EDMD), faticano con la selezione manuale delle funzioni osservabili, il che richiede spesso estesi tentativi ed errori per catturare accuratamente le dinamiche del sistema.

Metodologia
Gli autori propongono una Rete Koopman Profonda Multi-Step (MDK-Net), un framework di deep learning progettato per apprendere una rappresentazione lineare globale delle dinamiche non lineari del veicolo all'interno di un frame Frenet curvilineo.

• Architettura del Framework: Il modello impiega una rete neurale profonda per apprendere simultaneamente l'operatore di Koopman e le funzioni di lifting (osservabili).

  • Rappresentazione dello Stato: Il sistema opera in un frame Frenet dove gli stati includono velocità longitudinale ($v_x$), velocità laterale ($v_y$), velocità di imbardata ($\dot{\psi}$), differenziale di progresso ($\Delta s$), deviazione laterale ($e_y$) ed errore di imbardata ($e_\psi$).
  • Input: Gli input di controllo consistono in attuatori di basso livello: acceleratore, pressione del freno e angolo di sterzata. Fondamentalmente, la curvatura stradale ($\kappa$) è trattata come un input esogeno, una distinzione che gli autori sottolineano essere innovativa per la modellazione veicolare basata su Koopman.
  • Encoder: Un Perceptron Multistrato (MLP) completamente connesso funge da encoder $\phi(\cdot)$, mappando gli stati originali $x_k$ in uno spazio latente $Z_k$. Il vettore osservabile $\psi(x_k)$ è costruito concatenando gli stati originali con questi stati latenti: $\psi(x_k) = [x_k^\top, Z_k^\top]^\top$.
  • Dinamica Lineare: Le dinamiche nello spazio elevato (lifted space) sono approssimate come $\psi(x_{k+1}) = A\psi(x_k) + Bu_k$, dove le matrici $A$ e $B$ sono parametri appresi che rappresentano l'operatore di Koopman.

• Addestramento e Funzioni di Perdita: A differenza dei metodi Koopman tradizionali che si concentrano sulla predizione a singolo step, MDK-Net utilizza una funzione di perdita composita per garantire accuratezza e stabilità a lungo termine:

  1. Perdita Single-Step ($L_{ssl}$): Penalizza la deviazione nelle predizioni dello stato elevato a singolo step.
  2. Perdita Multi-Step ($L_{msl}$): Penalizza gli errori su un orizzonte di predizione, utilizzando un fattore di dimenticanza $\beta$ per dare priorità all'accuratezza del futuro prossimo.
  3. Perdita di Stabilità ($L_{sl}$): Penalizza esplicitamente qualsiasi autovalore della matrice $A$ con modulo superiore all'unità, garantendo predizioni multi-step limitate.
  4. Perdita di Regolarizzazione ($L_{regl}$): Previene l'overfitting dei parametri dell'encoder e dell'operatore.

• Applicazione del Controllo: Il modello Koopman addestrato viene implementato all'interno di un framework MPC. Il problema di ottimizzazione è formulato nello spazio osservabile elevato, trattando la curvatura come un input esogeno costante sull'orizzonte.

Contributi Chiave
Il documento identifica quattro contributi primari:

1. Integrazione del Frame Frenet: Questa è la prima applicazione di operatori di Koopman basati su deep learning alle dinamiche del veicolo in coordinate del frame Frenet, incorporando esplicitamente la curvatura stradale come input esogeno.
2. Modellazione degli Input di Basso Livello: Il modello utilizza input di controllo grezzi (sterzo, freno, acceleratore) per catturare le dinamiche complete di powertrain e driveline, andando oltre le rappresentate semplificate di pneumatici/powertrain comuni negli studi precedenti.
3. Architettura End-to-End: Gli autori hanno sviluppato una nuova architettura che apprende congiuntamente le funzioni osservabili e l'operatore di Koopman senza richiedere un decoder ausiliario per mappare gli input di controllo nuovamente nello spazio dello stato originale.
4. Imposizione della Stabilità: È stato introdotto un termine di perdita di stabilità specifico per penalizzare gli autovalori instabili, garantendo che le dinamiche apprese rimangano limitate per le predizioni multi-step.

Risultati
Il modello è stato addestrato e testato utilizzando dati da un ambiente di simulazione ad alta fedeltà CarSim (C-Class hatchback, 7.000 episodi).

• Accuratezza della Predizione: Nei test in loop aperto su 2.400 traiettorie (orizzonte di 80 step), MDK-Net ha superato significativamente un modello Lineare Tempo-Invariante (LTI) identificato tramite il MATLAB System Identification Toolbox.
  • Per le dinamiche laterali critiche ($v_y$ ed $e_y$), MDK-Net ha raggiunto valori di Errore Quadratico Medio (MSE) rispettivamente di 0,020 e 2,504, rispetto ai valori del modello LTI di 0,548 e 39,303.
  • MDK-Net ha catturato accuratamente l'evoluzione di tutte le variabili di stato in una manovra di doppio cambio di corsia, mentre il modello LTI ha mostrato una deriva significativa, particolarmente negli errori laterali e di imbardata.
• Performance di Controllo: Un controllore MPC che utilizza il modello MDK-Net ha tracciato con successo una traiettoria di riferimento in uno scenario di doppio cambio di corsia con un errore minimo. Al contrario, il controllore MPC basato su LTI ha mostrato una deriva evidente e non è riuscito a tracciare adeguatamente le velocità laterali e angolari.
• Efficienza Computazionale: Nonostante l'elevata dimensionalità dello spazio di stato elevato, la convessità del problema di ottimizzazione MPC basato su Koopman ha garantito un'efficienza computazionale paragonabile alla MPC lineare. Per una simulazione di 10 secondi, la MDK-Net MPC ha impiegato 7,4 secondi per il calcolo, rispetto ai 3,2 secondi della LTI MPC, su un processore Intel Core i7-1165G7. Gli autori notano che questo è praticabile per l'implementazione in tempo reale, specialmente se confrontato con le elevate richieste di risorse della NMPC convenzionale.

Significato e Rivendicazioni
Il documento afferma che il framework MDK-Net riesce a colmare il divario tra l'accuratezza della modellazione non lineare e l'efficienza computazionale richiesta per il controllo in tempo reale. Sfruttando il deep learning per scoprire automaticamente le osservabili e imponendo la stabilità attraverso termini di perdita specifici, l'approccio fornisce una rappresentazione globalmente lineare e robusta delle dinamiche del veicolo, superiore alla linearizzazione tradizionale e più computazionalmente fattibile rispetto ai metodi di controllo non lineare. Gli autori posizionano questo lavoro come un passo fondamentale verso un controllo dei veicoli autonomi più efficiente e accurato, in particolare in scenari che coinvolgono geometrie stradali complesse (curvatura) e dinamiche veicolari complete.