System Identification for Dynamic Modeling of Large Steering Angle Vehicles

Technische Samenvatting: Systeemidentificatie voor Dynamische Modellering van Voertuigen met Grote Stuurhoeken

Probleemstelling
Het artikel behandelt de uitdaging van het modelleren van autonome voertuigen met uitzonderlijk hoge wendbaarheid, specifiek bumperauto's met stuurhoeken tot ongeveer 115°. Standaard voertuigmodellen, zoals de gelijnde Newton-Euler- of kinematische fietsmodellen, vertrouwen op aannames voor kleine hoeken en negeren aanzienlijke bandenslip. Deze aannames blijken ontoereikend in het domein van bumperauto's, waar grote stuurhoeken uitgesproken niet-lineaire dynamische effecten en overgangen tussen voorwaartse en achterwaartse beweging veroorzaken. Bijgevolg missen bestaande modellen ofwel de nauwkeurigheid die vereist is voor planningsgebaseerde botsingsvermijding (bijvoorbeeld Model Predictive Control), of ze lijden onder onaanvaardbare computationele stijfheid die realtime-implementatie verhindert. De auteurs streven ernaar een raamwerk voor systeemidentificatie te ontwikkelen dat modeltrouw, computationele efficiëntie en fysische interpreteerbaarheid in evenwicht brengt voor dit specifieke experimentele domein.

Methodologie
De auteurs stellen een vergelijkend onderzoek voor van drie modelleerparadigma's: puur fysiek (witte doos), puur datagedreven (zwarte doos) en hybride (grijze doos) benaderingen.

1. Fysiek Gebaseerde Modellen (Witte Doos):

   • Newton-Euler Model: Een dynamisch fietsmodel is aangepast aan de geometrie en actuatie van de bumperauto. Het omvat een stuksgewijs lineair model voor bandkrachten om eenvoud en nauwkeurigheid in evenwicht te brengen, en vermijdt complexe parametriseringen zoals de Magic Formula, die moeilijk te identificeren zijn uit beperkte data met hoge slip. Het model houdt rekening met longitudinale weerstand en motorkrachten.
   • Kinematisch Model: Een uitgebreide kinematische formulering is afgeleid waarbij de systeemtoestand de snelheid van het voorwiel (rechtstreeks geactueerd) omvat, in plaats van alleen de snelheid van het zwaartepunt. Deze formulering omvat expliciet bandenslip en gaat verder dan de slipvrije aanname van standaard kinematische modellen.

2. Datagedreven Systeemidentificatie:

   • Zwarte Doos Modellen: Twee Multilayer Perceptron (MLP) architecturen zijn getraind om de Genormaliseerde Gemiddelde Kwartieke Fout (NMSE) te minimaliseren. Een Nonlineair AutoRegressief model met Exogene invoer (NARX-MLP) modelleerde de snelheidsontwikkeling direct, terwijl een Kinematisch-MLP (K-MLP) de toestandsovergang van de uitgebreide kinematische variabelen modelleerde.
   • Grijze Doos Modellen:
     • SINDy (Sparse Identification of Nonlinear Dynamics): De kinematische toestandsovergang werd benaderd met een schaarse lineaire combinatie van kandidaatfuncties afgeleid van fysische inzichten (bijvoorbeeld motor-throttle-gedrag, rolweerstand en slipdynamica).
     • Hybride K-SINDy-MLP: Om de nauwkeurigheidsbeperkingen van de schaarse SINDy-bibliotheek te overwinnen, werd een residu-MLP toegevoegd aan het SINDy-model. Deze hybride aanpak leert de correctietermen (residuen) voor de op fysica gebaseerde SINDy-voorspelling, en combineert interpreteerbaarheid met de benaderingskracht van neurale netwerken.

Belangrijkste Bijdragen

1. Aangepaste Fysische Modellen: De auteurs hebben Newton-Euler- en kinematische fietsmodellen aangepast om grote stuurbereiken en dynamica bij lage snelheden te hanteren, inclusief specifieke discretisatiekeuzes voor stabiele meerstapsvoorspelling en een stuksgewijs lineair model voor bandkrachten.
2. Progressief Identificatieraamwerk: Het artikel onderzoekt systematisch de overgang van zwarte doos naar grijze doos representaties. Het toont aan hoe het inbedden van fysieke structuur (via SINDy) in geleerde modellen de interpreteerbaarheid verbetert en de complexiteit die vereist is voor het neurale netwerk-component verlaagt.
3. Hybride Architectuur: Het voorstellen van het K-SINDy-MLP-model, dat een op fysica gebaseerde kinematische ruggengraat integreert met een datagedreven residunetwerk, biedt een nieuwe afweging tussen nauwkeurigheid, computationele snelheid en interpreteerbaarheid.

Experimentele Resultaten
Validatie werd uitgevoerd met één uur rijdata verzameld in een 7×12 m arena met behulp van een OptiTrack motion-capture-systeem. De modellen werden geëvalueerd op basis van voorspellingsnauwkeurigheid (NMSE) en computationele runtime.

• Nauwkeurigheid: Het puur zwarte doos K-MLP behaalde de hoogste nauwkeurigheid (NMSE $4.594 \times 10^{-3}$). De hybride K-SINDy-MLP behaalde vergelijkbare nauwkeurigheid ($4.765 \times 10^{-3}$), en presteerde significant beter dan het puur fysieke Newton-Euler-model ($5.973 \times 10^{-3}$) en de gelijnde versie.
• Computationele Efficiëntie: De op SINDy gebaseerde modellen waren het snelst. De K-SINDy-MLP vereiste 81,1 ms per voorspellingstap, wat aanzienlijk sneller is dan het Newton-Euler-model (303,7 ms) en vergelijkbaar met de zwarte doos MLP's.
• Prestaties in Extreme Regimes: In scenario's met stuurhoeken groter dan 90° (overgangen tussen voorwaartse en achterwaartse beweging) presteerde het K-SINDy-MLP-model aanzienlijk beter dan de Newton-Euler-baseline, die onder deze condities faalde om de trajecten nauwkeurig te voorspellen.

Betekenis en Claims
Het artikel stelt dat de hybride K-SINDy-MLP-benadering de afweging tussen modelnauwkeurigheid en computationele eisen succesvol aanpakt. Het toont aan dat op fysica gebaseerde neurale netwerkmodellen puur fysieke baselines in nauwkeurigheid kunnen overtreffen, terwijl ze lagere computationele kosten behouden, waardoor ze geschikt zijn voor realtime toepassingen zoals botsingsvermijding in omgevingen met hoge wendbaarheid. De auteurs benadrukken dat het inbedden van natuurwetten in het leerproces niet alleen de nauwkeurigheid verbetert, maar ook de modelinterpreteerbaarheid en aanpasbaarheid versterkt, wat cruciaal is voor systemen die worden beïnvloed door variabele factoren zoals cyclisch wisselende passagierslasten. Het werk suggereert dat voor voertuigen met grote stuurhoeken puur fysieke modellen vaak te computationeel stijf zijn voor realtime gebruik, terwijl puur datagedreven modellen de nodige fysische consistentie missen; de hybride aanpak biedt een haalbaar middenweg.