System Identification for Dynamic Modeling of Large Steering Angle Vehicles

Sintesi Tecnica: Identificazione di Sistema per la Modellazione Dinamica di Veicoli con Angoli di Sterzata Elevati

Enunciato del Problema
Il documento affronta la sfida di modellare veicoli autonomi con manovrabilità eccezionalmente elevata, in particolare auto da pista capaci di angoli di sterzata fino a circa 115°. I modelli veicolari standard, come il modello Newton-Euler linearizzato o il modello cinematico a bicicletta, si basano su assunzioni di piccoli angoli e trascurano lo slittamento significativo degli pneumatici. Queste assunzioni falliscono nel dominio delle auto da pista, dove grandi angoli di sterzata inducono effetti dinamici non lineari pronunciati e transizioni tra movimento in avanti e all'indietro. Di conseguenza, i modelli esistenti mancano della precisione richiesta per l'evitamento di collisioni basato sulla pianificazione (ad esempio, Controllo Predittivo del Modello) o soffrono di rigidità computazionale proibitiva che ne impedisce il dispiegamento in tempo reale. Gli autori mirano a sviluppare un quadro di identificazione di sistema che bilanci fedeltà della modellazione, efficienza computazionale e interpretabilità fisica per questo specifico dominio sperimentale.

Metodologia
Gli autori propongono uno studio comparativo di tre paradigmi di modellazione: approcci puramente fisici (scatola bianca), puramente basati sui dati (scatola nera) e ibridi (scatola grigia).

1. Modelli Basati sulla Fisica (Scatola Bianca):

   • Modello Newton-Euler: Un modello dinamico a bicicletta è stato adattato alla geometria e all'attuazione dell'auto da pista. Incorpora un modello di forza degli pneumatici lineare a tratti per bilanciare semplicità e accuratezza, evitando parametrizzazioni complesse come la Formula Magica, che sono difficili da identificare da dati limitati ad alto slittamento. Il modello tiene conto della resistenza longitudinale e delle forze del motore.
   • Modello Cinematico: È stata derivata una formulazione cinematica estesa in cui lo stato del sistema include la velocità della ruota anteriore (attuata direttamente) anziché solo la velocità del baricentro. Questa formulazione incorpora esplicitamente lo slittamento degli pneumatici, superando l'assunzione di assenza di slittamento dei modelli cinematici standard.

2. Identificazione di Sistema Basata sui Dati:

   • Modelli a Scatola Nera: Due architetture di Perceptron Multistrato (MLP) sono state addestrate per minimizzare l'Errore Quadratico Medio Normalizzato (NMSE). Un modello Nonlineare AutoRegressivo con ingressi Esogeni (NARX-MLP) ha modellato direttamente l'evoluzione della velocità, mentre un Kinematic-MLP (K-MLP) ha modellato la transizione di stato delle variabili cinematiche estese.
   • Modelli a Scatola Grigia:
     • SINDy (Identificazione Sparsa delle Dinamiche Non Lineari): La transizione di stato cinematica è stata approssimata utilizzando una combinazione lineare sparsa di funzioni candidate derivate da intuizioni fisiche (ad esempio, comportamento dell'acceleratore del motore, resistenza al rotolamento e dinamica dello slittamento).
     • Ibrido K-SINDy-MLP: Per superare i limiti di accuratezza della libreria sparsa SINDy, è stato aggiunto un MLP residuo al modello SINDy. Questo approccio ibrido impara i termini di correzione (residui) alla previsione basata sulla fisica di SINDy, combinando l'interpretabilità con il potere di approssimazione delle reti neurali.

Contributi Chiave

1. Modelli Fisici Adattati: Gli autori hanno adattato i modelli Newton-Euler e cinematici a bicicletta per gestire ampi intervalli di sterzata e dinamiche a bassa velocità, inclusi scelte specifiche di discretizzazione per una previsione multi-step stabile e un modello di forza degli pneumatici lineare a tratti.
2. Quadro di Identificazione Progressivo: Il documento esplora sistematicamente la transizione dalle rappresentazioni a scatola nera a quelle a scatola grigia. Dimostra come l'incorporazione di una struttura fisica (tramite SINDy) nei modelli appresi migliori l'interpretabilità e riduca la complessità richiesta per il componente di rete neurale.
3. Architettura Ibrida: La proposta del modello K-SINDy-MLP, che integra una spina dorsale cinematica informata dalla fisica con una rete residua basata sui dati, offre un compromesso innovativo tra accuratezza, velocità computazionale e interpretabilità.

Risultati Sperimentali
La validazione è stata eseguita utilizzando un'ora di dati di guida raccolti in un'arena di 7×12 m mediante un sistema di acquisizione del movimento OptiTrack. I modelli sono stati valutati in base all'accuratezza della previsione (NMSE) e al tempo di esecuzione computazionale.

• Accuratezza: Il K-MLP puramente a scatola nera ha raggiunto la massima accuratezza (NMSE $4.594 \times 10^{-3}$). L'ibrido K-SINDy-MLP ha raggiunto un'accuratezza comparabile ($4.765 \times 10^{-3}$), superando significativamente il modello puramente fisico Newton-Euler ($5.973 \times 10^{-3}$) e la versione linearizzata.
• Efficienza Computazionale: I modelli basati su SINDy sono stati i più veloci. Il K-SINDy-MLP ha richiesto 81,1 ms per passo di previsione, sostanzialmente più veloce del modello Newton-Euler (303,7 ms) e comparabile agli MLP a scatola nera.
• Prestazioni in Regimi Estremi: In scenari che coinvolgono angoli di sterzata superiori a 90° (transizione tra movimento in avanti e all'indietro), il modello K-SINDy-MLP ha superato sostanzialmente la baseline Newton-Euler, che non è riuscita a prevedere accuratamente la traiettoria in queste condizioni.

Significato e Affermazioni
Il documento afferma che l'approccio ibrido K-SINDy-MLA affronta con successo il compromesso tra accuratezza del modello e requisiti computazionali. Dimostra che i modelli di rete neurale informati dalla fisica possono superare le baseline puramente fisiche in termini di accuratezza mantenendo costi computazionali inferiori, rendendoli adatti ad applicazioni in tempo reale come l'evitamento di collisioni in ambienti ad alta manovrabilità. Gli autori sottolineano che incorporare leggi fisiche nel processo di apprendimento non solo migliora l'accuratezza, ma potenzia anche l'interpretabilità e l'adattabilità del modello, aspetti cruciali per sistemi influenzati da fattori variabili come carichi di passeggeri che cambiano ciclicamente. Il lavoro suggerisce che per veicoli con angoli di sterzata elevati, i modelli puramente fisici sono spesso troppo rigidi dal punto di vista computazionale per un uso in tempo reale, mentre i modelli puramente basati sui dati mancano della necessaria coerenza fisica; l'approccio ibrido offre una via di mezzo praticabile.