System Identification for Dynamic Modeling of Large Steering Angle Vehicles

Resumo Técnico: Identificação de Sistemas para Modelagem Dinâmica de Veículos com Ângulos de Direção Elevados

Enunciado do Problema
O artigo aborda o desafio de modelar veículos autônomos com manobrabilidade excepcionalmente alta, especificamente carros de choque capazes de ângulos de direção de até aproximadamente 115°. Modelos veiculares padrão, como o modelo Newton-Euler linearizado ou o modelo cinemático de bicicleta, baseiam-se em suposições de pequenos ângulos e negligenciam o deslizamento significativo dos pneus. Essas suposições falham no domínio dos carros de choque, onde grandes ângulos de direção induzem efeitos dinâmicos não lineares pronunciados e transições entre movimento para frente e para trás. Consequentemente, os modelos existentes carecem da precisão necessária para evitar colisões baseada em planejamento (por exemplo, Controle Preditivo de Modelo) ou sofrem de rigidez computacional proibitiva que impede a implantação em tempo real. Os autores visam desenvolver uma estrutura de identificação de sistemas que equilibre fidelidade de modelagem, eficiência computacional e interpretabilidade física para este domínio experimental específico.

Metodologia
Os autores propõem um estudo comparativo de três paradigmas de modelagem: puramente físico (caixa-branca), puramente orientado a dados (caixa-preta) e abordagens híbridas (caixa-cinza).

1. Modelos Baseados em Física (Caixa-Branca):

   • Modelo Newton-Euler: Um modelo dinâmico de bicicleta foi adaptado à geometria e atuação do carro de choque. Incorpora um modelo de força de pneu linear por partes para equilibrar simplicidade e precisão, evitando parametrizações complexas como a Fórmula Mágica, que são difíceis de identificar a partir de dados de alto deslizamento limitados. O modelo considera o arrasto longitudinal e as forças do motor.
   • Modelo Cinemático: Uma formulação cinemática estendida foi derivada, onde o estado do sistema inclui a velocidade da roda dianteira (atuada diretamente) em vez de apenas a velocidade do Centro de Gravidade. Esta formulação incorpora explicitamente o deslizamento do pneu, indo além da suposição de ausência de deslizamento dos modelos cinemáticos padrão.

2. Identificação de Sistemas Orientada a Dados:

   • Modelos de Caixa-Preta: Duas arquiteturas de Perceptron Multicamada (MLP) foram treinadas para minimizar o Erro Quadrático Médio Normalizado (NMSE). Um modelo AutoRegressivo Não Linear com entradas Exógenas (NARX-MLP) modelou diretamente a evolução da velocidade, enquanto um Kinematic-MLP (K-MLP) modelou a transição de estado das variáveis cinemáticas estendidas.
   • Modelos de Caixa-Cinza:
     • SINDy (Identificação Esparsa de Dinâmicas Não Lineares): A transição de estado cinemática foi aproximada usando uma combinação linear esparsa de funções candidatas derivadas de insights físicos (por exemplo, comportamento do acelerador do motor, resistência ao rolamento e dinâmica de deslizamento).
     • Híbrido K-SINDy-MLP: Para superar as limitações de precisão da biblioteca esparsa SINDy, um MLP residual foi adicionado ao modelo SINDy. Esta abordagem híbrida aprende os termos de correção (resíduos) à previsão baseada em física do SINDy, combinando interpretabilidade com o poder de aproximação das redes neurais.

Principais Contribuições

1. Modelos Físicos Adaptados: Os autores adaptaram os modelos Newton-Euler e de bicicleta cinemática para lidar com grandes faixas de direção e dinâmicas de baixa velocidade, incluindo escolhas específicas de discretização para previsão multi-etapa estável e um modelo de força de pneu linear por partes.
2. Estrutura Progressiva de Identificação: O artigo explora sistematicamente a transição de representações de caixa-preta para caixa-cinza. Demonstra como incorporar estrutura física (via SINDy) em modelos aprendidos melhora a interpretabilidade e reduz a complexidade necessária para o componente de rede neural.
3. Arquitetura Híbrida: A proposta do modelo K-SINDy-MLP, que integra uma espinha dorsal cinemática informada por física com uma rede residual orientada a dados, oferece um novo compromisso entre precisão, velocidade computacional e interpretabilidade.

Resultados Experimentais
A validação foi realizada utilizando uma hora de dados de condução coletados em uma arena de 7×12 m usando um sistema de captura de movimento OptiTrack. Os modelos foram avaliados com base na precisão de previsão (NMSE) e no tempo de execução computacional.

• Precisão: O K-MLP puramente de caixa-preta alcançou a maior precisão (NMSE $4,594 \times 10^{-3}$). O híbrido K-SINDy-MLP alcançou precisão comparável ($4,765 \times 10^{-3}$), superando significativamente o modelo puramente físico Newton-Euler ($5,973 \times 10^{-3}$) e a versão linearizada.
• Eficiência Computacional: Os modelos baseados em SINDy foram os mais rápidos. O K-SINDy-MLP exigiu 81,1 ms por etapa de previsão, o que é substancialmente mais rápido que o modelo Newton-Euler (303,7 ms) e comparável aos MLPs de caixa-preta.
• Desempenho em Regimes Extremos: Em cenários envolvendo ângulos de direção superiores a 90° (transição entre movimento para frente e para trás), o modelo K-SINDy-MLP superou substancialmente a linha de base Newton-Euler, que falhou em prever com precisão a trajetória sob essas condições.

Significado e Alegações
O artigo alega que a abordagem híbrida K-SINDy-MLP resolve com sucesso o compromisso entre precisão do modelo e requisitos computacionais. Demonstra que modelos de redes neurais informados por física podem superar linhas de base puramente físicas em precisão, mantendo custos computacionais mais baixos, tornando-os adequados para aplicações em tempo real como evasão de colisões em ambientes de alta manobrabilidade. Os autores enfatizam que incorporar leis físicas ao processo de aprendizado não apenas melhora a precisão, mas também aprimora a interpretabilidade e adaptabilidade do modelo, o que é crucial para sistemas influenciados por fatores variáveis, como cargas de passageiros que mudam ciclicamente. O trabalho sugere que, para veículos com ângulos de direção elevados, modelos puramente físicos são frequentemente rígidos demais computacionalmente para uso em tempo real, enquanto modelos puramente orientados a dados carecem da consistência física necessária; a abordagem híbrida oferece um meio-termo viável.