💻 computer science

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

Dit artikel stelt een op een Deep Neural Network (DNN) gebaseerde Koopman-afwijkingscompensatiestrategie voor, geïntegreerd met Laguerre Model Predictive Control en een event-triggered parallel coöperatief mechanisme, om de padvolgende nauwkeurigheid en stabiliteit van onbemande grondvoertuigen op complexe gekoppelde hellende en kuilachtige wegterreinen aanzienlijk te verbeteren.

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

Gepubliceerd 2026-06-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robuust, terreinvaardig voertuig (een Unmanned Ground Vehicle of UGV) bestuurt door een chaotisch landschap vol steile heuvels, zijhellingen en diepe kuilen. Je doel is om een specifieke lijn op de grond perfect te volgen.

In een perfecte wereld zou de auto gewoon de lijn volgen. Maar in de werkelijkheid is het terrein een nachtmerrie. De heuvels duwen de auto opzij en de kuilen laten de banden plotseling hun grip verliezen. Als je probeert te sturen met een standaard computerprogramma, kan de auto in de war raken, overreageren of simpelweg te traag zijn met het berekenen van de juiste beweging, waardoor de auto van koers raakt.

Dit artikel presenteert een nieuw "slim stuurprogramma" dat ontworpen is om de UGV op koers te houden onder deze rommelige omstandigheden. Hier is hoe het werkt, opgedeeld in drie eenvoudige delen:

1. De "Slimme Rekenmachine" (LMPC)

Eerst heeft het systeem een basisplan nodig. De onderzoekers hebben een controller gebouwd die LMPC (Laguerre Model Predictive Control) wordt genoemd.

Het Probleem: Traditionele controllers zijn als een student die een complexe wiskundige som probeert op te lossen door elke stap op papier uit te schrijven. Het is nauwkeurig, maar het duurt te lang, en de auto beweegt sneller dan de wiskunde kan worden opgelost.
De Oplossing: De LMPC is als een student die een verkorte formule uit het hoofd heeft geleerd. In plaats van elke keer de hele som vanaf nul op te lossen, gebruikt het een speciale wiskundige "template" (Laguerre-functies) om bijna onmiddellijk de beste stuurhoek te raden.
Het Resultaat: Het gaat zeer goed om met gekoppelde hellingen (wanneer de weg zowel zijwaarts als op/neer gekanteld is), waardoor de auto stabiel blijft zonder vertraging door trage berekeningen.

2. De "Intuïtie-motor" (DNN Koopman)

Echter, wanneer de auto een kuil raakt, wordt de wiskunde ingewikkeld. De banden verliezen grip op vreemde, onvoorspelbare manieren die standaard formules niet kunnen voorspellen.

Het Probleem: Standaard wiskundige modellen zijn als een kaart die alleen geasfalteerde wegen laat zien. Wanneer je een kuil raakt, is de kaart nutteloos.
De Oplossing: De onderzoekers hebben een "Intuïtie-motor" toegevoegd met behulp van Deep Neural Networks (DNN) en iets dat de Koopman-operator wordt genoemd.
- Denk aan de Koopman-operator als een vertaler. Het neemt de chaotische, niet-lineaire schokken van een kuil (die moeilijk te begrijpen zijn) en vertaalt ze naar een eenvoudige, lineaire taal die een computer gemakkelijk kan voorspellen.
- Het Deep Neural Network is de student die deze vertaling leert. Het observeert duizenden voorbeelden van de auto die kuilen raakt en leert de beste manier om die schokken te vertalen naar een stuurcorrectie.
Het Resultaat: Wanneer de auto een kuil raakt, voorspelt deze motor precies hoeveel de auto zal glijden en stelt het een kleine, precieze stuurcorrectie voor om dit te compenseren.

3. De "Verkeersregelaar" (Event-Triggered Parallel Cooperative Mechanism)

Dit is het meest cruciale deel: je kunt de "Intuïtie-motor" niet de volledige controle laten overnemen. Als de motor enthousiast wordt en een wilde stuurbeweging voorstelt, zou het het stuurmechanisme van de auto kunnen breken of de auto in een spin kunnen doen slaan.

Het Problebel: De "Slimme Rekenmachine" (LMPC) is betrouwbaar maar traag in het reageren op kuilen. De "Intuïtie-motor" (DNN) is snel en slim, maar kan een beetje roekeloos zijn en een gebrek aan duidelijke regels hebben.
De Oplossing: De onderzoekers hebben een "Verkeersregelaar" (een Event-Triggered mechanisme) gebouwd om de twee te beheren.
- De Trigger: De regelaar houdt de "Load Transfer Rate" (LTR) in de gaten. Stel je dit voor als een "wobbelmeter". Als de auto rustig op een helling rijdt, is de meter laag en negeert de regelaar de Intuïtie-motor, waardoor de Slimme Rekenmachine het werk kan doen.
- De Overdracht: Als de auto een grote kuil raakt en de wobbelmeter piekt, wordt de Intuïtie-motor door de regelaar geactiveerd.
- De Geloofwaardigheidstoets: Voordat de suggestie van de Intuïtie-motor wordt gebruikt, controleert de regelaar of de suggestie "geloofwaardig" is. De vraag is: "Is deze stuurhoek zo groot dat het stuur zou kunnen afbreken?"
  - Als de suggestie veilig is, voegt de regelaar deze toe aan het plan van de Slimme Rekenmachine.
  - Als de suggestie te wild is, negeert de regelaar deze om de auto veilig te houden.
Het Resultaat: De auto krijgt het beste van twee werelden: de stabiele betrouwbaarheid van de rekenmachine voor normaal rijden, en de snelle, slimme reflexen van de intuïtie-motor voor kuilen, terwijl het binnen veilige fysieke grenzen blijft.

Het Bewijs

Het team heeft dit systeem getest op een Hardware-in-the-Loop (HiL) platform. Dit is als een vluchtsimulator voor auto's, waarbij de computercode communiceert met een echte fysieke stuurmotor en een hoogwaardige simulatie van de auto.

De Resultaten:

Snelheid: Het nieuwe systeem berekende stuurcommando's 98,89% sneller dan de traditionele methode. Het was razendsnel.
Nauwkeurigheid: Op ruwe wegen met kuilen verminderde het nieuwe systeem de fout (hoe ver de auto van de lijn afweek) met meer dan 45% vergeleken met de standaardmethode.
Stabiliteit: Het hield de auto stabiel, zelfs wanneer de weg een puinhoop van hellingen en gaten was, terwijl oudere methoden de auto lieten wiebelen en afwijken.

Kortom, dit artikel beschrijft een systeem dat een snelle, betrouwbare rekenmachine combineert met een slim, op leren gebaseerd reflex, beheerd door een veiligheidsbewuste supervisor, om een off-road robotvoertuig rechtop te houden op de meest ruige wegen die voorstelbaar zijn.

Technische Samenvatting: DNN Koopman-gebaseerde Afwijkingscompensatie voor UGV Padvolgendheidsregeling op een Gekoppelde Helling en Kuilige Weg

Probleemstelling
Onbemande grondvoertuigen (UGV's) die opereren in off-road omgevingen, worden geconfronteerd met aanzienlijke uitdagingen bij het volgen van paden door complexe terreinstoringen. In tegenstelling tot gestructureerde stedelijke wegen, omvatnen off-road scenario's gekoppelde hellingen (combinaties van longitudinale en laterale gradiënten) en kortgolvige oneffenheden zoals kuilen. Deze condities induceren variaties in voertuigparameters, waaronder verticale bandenkrachten, laterale krachten en de zijdelingse stijfheid van de banden, wat leidt tot verminderde rijstabiliteit en nauwkeurigheid van de koersvolging.

Bestaande Model Predictive Control (MPC) strategieën, hoewel effectief voor problemen met meerdere beperkingen, lijden onder hoge computationele kosten door het proces van quadratic programming (QP) oplossen, wat de real-time prestaties beperkt. Bov�aling negeren standaard modelgebaseerde benaderingen vaak de invloed van langgolvige wegoneffenheden (gradiënt) op de laterale dynamica, of vertrouwen ze op geliniariseerde modellen die er niet in slagen de sterke nonlineariteiten en discontinuïteiten veroorzaakt door grote kuil-verstoringen te vatten. Omgekeerd missen puur modelvrije methoden (bijv. reinforcement learning) vaak interpreteerbaarheid en expliciete fysieke beperkingen, wat het risico op verzadiging van actuatoren en instabiliteit met zich meebrengt wanneer besturinginputs worden opgestapeld.

Methodologie
Het artikel stelt een hybride controlearchitectuur voor die een Laguerre Model Predictive Control (LMPC) baseline integreert met een Deep Neural Network (DNN) Koopman-gebaseerde afwijkingscompensatiestrategie, beheerd door een Event-Triggered Parallel Cooperative (EPC) mechanisme.

Voertuigmodellering en Parameterinschatting:
- Er wordt een dynamisch model voor UGV's op gekoppelde hellingen opgesteld, waarbij rekening wordt gehouden met zwaartekrachtcomponenten en giermomenten geïnduceerd door hellingskoppeling.
- Een Adaptive Forgetting Recursive Least Squares (AFRLS) methode met ontkoppelde fouttermen is ontworpen om tijdvariërende zijdelingse bandenstijfheid te schatten. Deze estimator gebruikt een adaptief filter om convergentie te garanderen, zelfs wanneer het voertuig rechtuit rijdt (waar staat- en inputvectoren nabij nul zijn), waarmee de beperkingen van conventionele RLS worden aangepakt.
Baseline Controle (LMPC):
- Om de computationele last te verminderen, wordt het QP-oplossingsproces in traditionele MPC vervangen door een fitting- en differentiatieprocedure met behulp van Laguerre-functies.
- Deze aanpak genereert een basis stuurhoek ( $\delta_{bas}$ ) en een aanvullend giermoment ( $M_z$ ) die betrouwbare koersvolgende prestaties handhaven in diverse gekoppelde hellingsscenario's, terwijl de hulpbronnen aanzienlijk worden bespaard.
Afwijkingscompensatie (DNN Koopman - DK):
- Om kuil-geïnduceerde nonlineariteiten aan te pakken, integreert het artikel Koopman-operator theorie met DNN.
- Een DNN met een autoencoderstructuur (encoder-decoder) wordt offline getraind om de optimale "lifting functie" ( $\psi$ ) te leren. Deze functie brengt het nietlineaire UGV-padvolgingssysteem (inclusief compenserende stuurhoeken en verticale belastingen) naar een einddimensionale lineaire ruimte.
- Dit maakt de constructie mogelijk van een einddimensionale benaderingsmatrix van de Koopman-operator, wat de voorspelling van een compenserende stuurhoek ( $\delta_{comp}$ ) mogelijk maakt om padafwijkingen op kuilige wegen te corrigeren.
Event-Triggered Parallel Cooperative (EPC) Mechanisme:
- Om de haalbaarheid en stabiliteit van de gecombineerde besturinginput te waarborgen, koppelt een EPC-mechanisme de LMPC en DK-modules.
- Activatie: Compensatie wordt alleen getriggerd wanneer de Load Transfer Rate (LTR) een specifieke drempelwaarde overschrijdt, wat wijst op een significante kuil-verstoring.
- Geloofwaardigheidsverificatie: Een sigmoid-gebaseerde geloofwaardigheidscoëfficiënt ( $\lambda$ ) wordt berekend op basis van de magnitude van de compenserende hoek ten opzichte van de fysieke stuurlimieten van het voertuig. Dit zorgt ervoor dat de totale stuurhoek ( $\delta_{tot} = \delta_{bas} + \lambda\delta_{comp}$ ) de actuatorbeperkingen niet schendt, wat instabiliteit door oninterpreteerbare modelvrije outputs voorkomt.

Belangrijkste Bijdragen

LMPC voor Gekoppelde Hellingen: Ontwikkeling van een padvolgingstrategie met behulp van Laguerre-functies om QP te vervangen, wat de computationele last vermindert terwijl de nauwkeurigheid op gekoppelde hellingen behouden blijft. Een AFRLS-estimator is gelijktijdig ontworpen om tijdvariërende zijdelingse bandenstijfheid te verwerken.
DNN Koopman (DK) Compensatie: Voorstel van een DK-methode die een autoencoder-gebaseerde DNN gebruikt om optimale lifting functies te leren. Dit verbetert het vermogen van de Koopman-operator om de nietlineaire dynamica van UGV's op kuilige wegen te representeren, waardoor de beperkingen van handmatig gekozen basisfuncties in traditionele Extended Dynamic Mode Decomposition (EDMD) worden overwonnen.
EPC Compensatiemechanisme: Vestiging van een parallel coöperatief mechanisme dat LMPC en DK integreert. Door gebruik te maken van LTR-gebaseerde activatie en sigmoid-gebaseerde geloofwaardigheidsverificatie, zorgt het systeem ervoor dat padafwijkingscompensatie de nauwkeurigheid verbetert zonder de voertuigstabiliteit in gevaar te brengen of stuurbeperkingen te schenden.

Experimentele Resultaten
De voorgestelde strategie, aangeduid als CDK-LMPC, werd gevalideerd met een Hardware-in-the-Loop (HiL) platform met een D-Class SUV-model onder twee scenario's: een dubbele rijstrookwissel op een gekoppelde helling met kuilen en een complex off-road scenario.

Schatting nauwkeurigheid: De AFRLS-methode demonstreerde een hoge nauwkeurigheid bij het schatten van variaties in de laterale bandenkracht en de zijdelingse stijfheid, zelfs onder transiënte kuil-excitaties, waarbij zij de standaard RLS overtrof.
Koersvolgende Prestaties: In beide testgevallen behaalde CDK-LMPC de laagste laterale fouten vergeleken met MPC, LMPC en andere Koopman-gebaseerde varianten (EDMD-LMPC, KDMD-LMPC, DK-LMPC).
- In het complexe off-road scenario (Geval 2) verminderde CDK-LMPC de Root Mean Square (RMS) laterale fout met 37,3% en de maximale laterale fout met 59,7% vergeleken met de KDMD-LMPC baseline.
- Over het algemeen verbeterde de strategie de padvolgende prestaties met meer dan 11,5% over meerdere operationele condities vergeleken met bestaande methoden.
Computationele Efficiëntie: Door QP te vervangen door Laguerre-functie fitting, reduceerden de LMPC-gebaseerde strategieën de berekeningstijd met meer dan 98,89% vergeleken met traditionele MPC (gemiddelde tijd gereduceerd van ~11,4 ms naar ~0,12 ms), wat de real-time haalbaarheid aanzienlijk verbetert.

Betekenis en Claims
Het artikel claimt dat de voorgestelde CDK-LMPC-strategie effectief de kloof overbrugt tussen modelgebaseerde interpreteerbaarheid en modelvrije nonlineariteit-benaderingsmogelijkheden. Door expliciet rekening te houden met de gekoppelde effecten van helling en kuilen, en door een geloofwaardigheidsgestuurd mechanisme te introduceren om de superpositie van besturinginputs te beheren, waarborgt de strategie zowel een hoge koersnauwkeurigheid als voertuigstabiliteit. De auteurs stellen dat deze aanpak de operationele efficiëntie en het padvolgende vermogen van UGV's in ongestructureerde off-road omgevingen aanzienlijk verbetert, en een robuuste oplossing biedt voor complexe terreinnavigatie zonder de excessieve computationele kosten van traditionele MPC of de instabiliteitsrisico's van ongeconstante modelvrije controle.

1. De "Slimme Rekenmachine" (LMPC)

2. De "Intuïtie-motor" (DNN Koopman)

3. De "Verkeersregelaar" (Event-Triggered Parallel Cooperative Mechanism)

Het Bewijs

Meer zoals dit