GPR-Assisted Whale Optimization for PID Controller Tuning in Automotive Cruise Control Systems

Stel je een auto voor die over een snelweg rijdt, waarvan de snelheid constant wordt gehouden, niet door een menselijke voet op het gaspedaal, maar door een computersysteem dat de motor voortdurend aanpast om een ingestelde doelwaarde te evenaren. Dit is de belofte van cruise control, een technologie die is ontworpen om rijvermoeidheid te verminderen en het brandstofverbruik te verbeteren. Decennialang is het brein achter deze systemen vaak een eenvoudige, drieledige controller geweest die bekend staat als een PID. Denk aan een bestuurder die reageert op drie dingen: hoe ver de huidige snelheid afwijkt van de doelwaarde, hoe lang dat verschil heeft voortgeduurd, en hoe snel de snelheid verandert. Hoewel deze aanpak betrouwbaar is, heeft zij moeite wanneer de weg steil wordt, de wind opsteekt of de motor van de auto onvoorspelbaar gedrag vertoont. Om deze controllers perfect te laten werken, moeten ingenieurs hun drie interne instellingen zorgvuldig afstemmen. Dit handmatig doen is traag en onnauwkeurig, terwijl het gebruik van oudere computermethoden om de perfecte instellingen te vinden vaak te lang duurt of vastloopt in een doodlopende weg, waarbij de beste mogelijke oplossing niet wordt gevonden.

Een onderzoeker aan de Universiteit van Tabriz heeft een nieuwe manier voorgesteld om dit afstemmingsprobleem op te lossen, door twee verschillende soorten computationele intelligentie te combineren om een systeem te creëren dat sneller leert en beter aanpast. Hun werk, gepubliceerd in een wetenschappelijk artikel, richt zich op een hybride raamwerk dat een zoekstrategie geïnspireerd door de natuur combineert met een machine learning-techniek die uitkomsten voorspelt. Het eerste deel van hun oplossing gebruikt een algoritme genaamd het Whale Optimization Algorithm. Deze methode bootst het jachtgedrag van bultruggen na, die hun prooi in een krimpende spiraal omringen om deze in te sluiten. In het computermodel vertaalt dit zich naar een groep virtuele "zoekers" die een uitgestrekt landschap van mogbare controllerinstellingen verkennen. Ze bewegen rond om veelbelovende gebieden te vinden, en vernauwen vervolgens hun focus om de beste opties die ze hebben gevonden te verfijnen. Het tweede deel van de oplossing introduceert een Gaussian Process Regression-model, dat fungeert als een zeer nauwkeurige voorspeller. In plaats van elke keer een volledige, tijdrovende simulatie uit te voeren wanneer de zoekers een nieuwe instelling testen, schat deze voorspeller in wat het resultaat zou zijn op basis van eerdere gegevens. Het is also als het hebben van een kaart die het terrein laat zien voordat je elk pad hoeft te bewandelen, waardoor het systeem doodlopende wegen kan overslaan en met veel minder stappen op de optimale instellingen kan mikken.

De onderzoeker testte deze gecombineerde aanpak door een cruise control-systeem van een auto te simuleren onder diverse omstandigheden, inclus kindat plotselinge veranderingen in snelheid en externe verstoringen. Ze vergeleken hun nieuwe methode met twee gevestigde technieken: een brute-force aanpak die elke mogelijke instelling één voor één controleert, en een genetisch algoritme dat biologische evolutie nabootst om betere oplossingen te laten evolueren. De resultaten van deze simulaties toonden aan dat het nieuwe hybride raamwerk beide concurrenten overtrof. Het vond de beste controllerinstellingen sneller en produceerde een soepelere rit. Specifiek zorgde het systeem dat door deze nieuwe methode werd afgestemd, ervoor dat de tijd die de auto nodig had om de doelwaarde te bereiken werd teruggebracht tot net over de twee seconden, terwijl het overschot — de hoeveelheid waarmee de auto de doelwaarde passeert voordat hij corrigeert — onder de één procent bleef. In tegen tegenstelling hiertoe duurden de andere methoden ofwel langer om tot rust te komen, of lieten de auto meer wild fluctueren rond de gewenste snelheid.

Naast snelheid onderzocht de onderzoeker de stabiliteit van het systeem met behulp van frequentieanalyse, die kijkt naar hoe het controlesysteem van de auto reageert op verschillende soorten wegverstoringen. De simulaties toonden aan dat de nieuwe methode een bredere veiligheidsmarge behield, wat betekent dat het systeem minder snel instabiel of grillig werd wanneer het werd geconfronteerd met onverwachte veranderingen. Het controlesignaal, dat de werkelijke opdrachten vertegenwoordigt die naar de motor worden gestuurd, was ook soepeler, met minder scherpe schokken of oscillaties. Dit suggereert dat de nieuwe methode de auto niet alleen sneller laat reageren, maar ook zachter is voor de mechanische componenten van het voertuig. De studie volgde ook hoe de interne instellingen van de controller in de loop van de tijd veranderden. Aanvankelijk fluctueerden de waarden sterk terwijl het systeem verschillende mogelijkheden verkende, maar ze convergeerden snel naar een stabiele, precieze set getallen. Dit snelle bezinken geeft aan dat het systeem efficiënt de balans vond tussen de behoefte om nieuwe ideeën te verkennen en de behoefte om de beste ideeën die het al had gevonden, te verfijnen.

De onderzoeker valideerde ook de nauwkeurigheid van hun voorspellende model door de voorspellingen te vergelijken met de werkelijke resultaten van de simulaties. De voorspellingen kwamen met opmerkelijke precisie overeen met de werkelijke uitkomsten, wat bevestigt dat het model prestaties betrouwbaar kan voorspellen zonder telkens de volledige, kostbare simulatie te hoeven draaien. Deze efficiëntie is cruciaal voor real-world toepassingen waarbij computers beperkte tijd en vermogen hebben. Door te bewijzen dat deze hybride aanpak sneller en met grotere stabiliteit dan bestaande methoden superieure controllerinstellingen kon vinden, biedt de studie een overtuigend pad voorwaarts voor de volgende generatie intelligente voertuigsystemen. Het werk suggereert dat door een door de natuur geïnspireerd zoekalgoritme in tandem te laten werken met een voorspellend leermodel, ingenieurs own de mogelijkheid hebben om cruise control-systemen te creëren die niet alleen nauwkeuriger, maar ook robuuster zijn in de onvoorspelbare omstandigheden die men op echte wegen aantreft.