论文技术总结：基于 Koopman 算子框架的可变形地形越野车辆建模与控制

1. 研究背景与问题 (Problem Statement)

越野车辆的自主化面临比公路车辆更严峻的挑战，其核心难点在于车辆与可变形地形（如土壤）接触时的物理不确定性。

• 现有模型的局限性：
  • 高保真模型（如离散元模拟、连续介质颗粒模型）虽然能真实反映土壤流动和失效，但计算成本过高，无法满足实时控制（如模型预测控制 MPC）的需求。
  • 经典 terramechanics 模型（如 Bekker-Wong-Reece 模型）虽然结构化较好，但涉及接触面离散化、应力积分和迭代求解，计算量大，难以在在线规划、估计和 MPC 中实时调用。
  • 刚性表面近似在软土上失效，因为变形会导致牵引力和转向力与土壤强度、滑移率耦合，导致跟踪误差、打滑、下陷甚至失控。
• 核心挑战：如何在保证对非线性轮 - 土相互作用（如沉陷、剪切）进行准确建模的同时，构建一个计算高效、可更新且适用于实时控制的线性预测模型。

2. 方法论 (Methodology)

本文提出了一种混合物理信息驱动与数据驱动的建模框架，利用 Koopman 算子将复杂的非线性越野车辆动力学转化为线性形式。

2.1 车辆 - 地形耦合仿真模型 (数据生成)

为了训练模型，作者构建了一个高保真仿真环境生成大规模数据集：

• 车辆动力学：采用单轨（自行车）模型描述平面运动（纵向、横向、偏航），结合半车悬挂模型描述垂向和俯仰动力学。这是一个简化的 5 自由度（5-DOF）系统。
• 轮 - 土相互作用：集成 Bekker-Wong-Reece (BWR) 理论。
  • 使用 Bekker 压力 - 沉陷定律计算垂直应力。
  • 使用 Wong-Reece 剪切模型计算纵向和侧向剪切应力。
  • 通过数值积分（牛顿 - 拉夫逊迭代）求解接触斑内的法向力和切向力，考虑了滑移率、侧偏角、土壤参数（粘聚力、内摩擦角等）及悬挂运动的影响。
• 数据集：在沙壤土（Sandy Loam）和粘土（Clay）两种土壤上生成了 1600 条轨迹，包含多种激振模式（直线、鱼钩、蛇形、圆周等），覆盖广泛的滑移率和侧向速度范围。

2.2 Koopman 算子识别框架 (K-SSID)

利用**递归子空间识别（Recursive Subspace Identification, SSID）**方法从仿真数据中学习 Koopman 线性模型：

• Koopman 理论：通过提升（Lifting）将非线性状态空间映射到高维观测空间，在该空间内系统动力学表现为线性。
• 递归更新与数据选择：
  • 采用递归子空间识别算法，避免随着数据量增加而重新构建和分解巨大的 Hankel 矩阵，显著降低内存和计算成本。
  • 引入Grassmannian 距离（Grassmannian Distance）作为度量标准，用于评估新数据段与现有子空间的差异。仅当新数据段包含足够的信息（距离超过阈值）时才进行模型更新，从而剔除冗余数据，实现增量学习。
• 提升映射（Lifting Map）：使用**高斯过程（Gaussian Processes, GP）**作为基函数，学习从物理状态到 Koopman 潜在状态（Latent State）的非线性映射。

2.3 约束模型预测控制 (Constrained Koopman-MPC)

将学习到的 Koopman 线性预测器嵌入到 MPC 框架中：

• 预测模型：利用线性方程 $z_{k+1} = Az_k + Bu_k$ 预测提升状态，结合运动学方程更新全局位置。
• 优化问题：在满足转向角和驱动扭矩约束的前提下，最小化跟踪误差和控制量变化。
• 状态初始化：利用离线训练的 GP 映射将实时测量的物理状态（$u, v, \dot{\psi}$）提升为初始 Koopman 状态 $z_0$。

3. 主要贡献 (Key Contributions)

1. 混合建模框架：提出了一种结合物理机理（BWR 模型生成数据）与数据驱动（Koopman 识别）的框架，既保留了物理真实性，又实现了控制所需的线性化。
2. 高效递归识别算法：开发了基于 Grassmannian 距离的递归子空间识别方法，支持大规模数据集的增量学习和模型更新，解决了传统 Koopman 方法在处理海量数据时的计算瓶颈。
3. 土壤特异性模型验证：证明了不同土壤类型（沙壤土 vs. 粘土）需要特定的 Koopman 算子，跨土壤使用模型会导致严重的预测误差和控制失效。
4. 实时控制实现：成功将学习到的预测器应用于受限 MPC，在满足执行器限制的情况下，实现了对激进机动（如鱼钩机动）的稳定闭环跟踪，且求解时间满足实时性要求（平均 0.085s/次）。

4. 实验结果 (Results)

• 预测精度：
  • 在短预测视界内（通过定期刷新状态，如每 2.5 秒），模型在沙壤土和粘土上均表现出稳定的高精度。
  • 模型阶数选择：沙壤土模型阶数为 18，粘土为 19。
  • 泛化能力：仅在平地数据上训练的模型，在最大高程变化为 0.1m 的起伏地形上仍保持鲁棒性，RMSE 增加幅度较小（<15%）。
  • 机动多样性：模型在直线、圆周、蛇形、鱼钩等多种机动下表现一致，表明训练数据覆盖了足够的动态范围。
• 土壤特异性的重要性：
  • 使用沙壤土训练的算子控制粘土车辆时，RMSE 平均增加 90%~149%，导致 MPC 跟踪失败（车辆偏离参考轨迹，转向饱和）。
  • 使用粘土训练的算子控制粘土车辆时，跟踪误差小，控制成本（Objective Value）显著降低（1042 vs 2929）。
• 控制性能：
  • 在沙壤土上，Koopman-MPC 成功跟踪了高动态的鱼钩机动，能够根据曲率变化自动调整纵向速度和转向，且求解器运行在实时范围内（$\Delta t = 0.1s$）。

5. 意义与展望 (Significance & Future Work)

• 意义：
  • 该研究为越野车辆控制提供了一种计算高效且可扩展的替代方案，替代了昂贵的高保真实时仿真。
  • 证明了 Koopman 算子能够有效捕捉轮 - 土相互作用的强非线性特征，同时保持线性系统的控制优势。
  • 提出的递归更新机制为在线适应不同地形条件提供了理论基础。
• 未来方向：
  • 扩展到更大范围的地形高度变化和更多土壤类型。
  • 研究Kooperman 算子集成（Ensembles），通过在线选择或加权混合多个算子来处理混合土壤条件。
  • 结合**物理信息数据驱动（Physics-Informed Data-Driven）**方法，利用在线测量的土壤参数实时更新 Koopman 算子，以应对地形参数的不确定性。

总结：本文通过构建基于 Koopman 算子的线性预测模型，成功解决了越野车辆在可变形地形上非线性动力学难以实时控制的问题，为高机动性越野车辆的自主导航提供了新的理论工具和技术路径。