Deep Neural Networks With Koopman Operators for Modeling and Control of Autonomous Vehicles

卡西姆 可解释性 计算机科学 动态模态分解 人工神经网络 操作员(生物学) 一般化 控制器(灌溉) 控制理论(社会学) 人工智能 控制工程 非线性系统 系统动力学 模型预测控制 机器学习 控制(管理) 工程类 数学 农学 生物化学 化学 抑制因子 数学分析 物理 基因 生物 转录因子 量子力学
作者
Yongqian Xiao,Xinglong Zhang,Xin Xu,Xueqing Liu,Jiahang Liu
出处
期刊:IEEE transactions on intelligent vehicles [Institute of Electrical and Electronics Engineers]
卷期号:8 (1): 135-146 被引量:59
标识
DOI:10.1109/tiv.2022.3180337
摘要

Autonomous driving technologies have received notable attention in the past decades. In autonomous driving systems, identifying a precise dynamical model for motion control is nontrivial due to the strong nonlinearity and uncertainty in vehicle dynamics. Recent efforts have resorted to machine learning techniques for building vehicle dynamical models, but the generalization ability and interpretability of existing methods still need to be improved. In this paper, we propose a pure data-driven vehicle modeling approach based on deep neural networks with an interpretable Koopman operator. The main advantage of using the Koopman operator is to represent the nonlinear dynamics in a linear lifted feature space. In the proposed approach, a deep learning-based extended dynamic mode decomposition algorithm is presented to learn a finite-dimensional approximation of the Koopman operator. A multi-step prediction loss function is used in the training process, enabling a long-term prediction capability. Furthermore, a data-driven model predictive controller with the learned Koopman model is designed for velocity profile tracking control of autonomous vehicles. Simulation results in a high-fidelity CarSim environment show that our approach outperforms previously developed traditional and advanced modeling methods. Velocity profile tracking tests of the autonomous vehicle are also performed in the CarSim environment. The results show that our approach has better tracking accuracy and higher computational efficiency than the model predictive control algorithms using a nonlinear model and a linear time-varying model.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
任性半凡发布了新的文献求助10
1秒前
出门见喜发布了新的文献求助10
4秒前
AZX加油完成签到,获得积分0
5秒前
M2106发布了新的文献求助10
6秒前
diu完成签到,获得积分10
6秒前
竹筏过海应助森sen采纳,获得30
7秒前
mimi完成签到,获得积分10
9秒前
归于水云身完成签到 ,获得积分10
9秒前
孔秋词关注了科研通微信公众号
10秒前
An.完成签到,获得积分10
11秒前
竹筏过海应助森sen采纳,获得30
14秒前
15秒前
慕青应助kirito采纳,获得10
17秒前
Lighters完成签到 ,获得积分10
18秒前
GXY完成签到,获得积分10
18秒前
FashionBoy应助鼠鼠想养猫采纳,获得10
19秒前
Synviaaaaa完成签到 ,获得积分10
19秒前
方少伯完成签到,获得积分10
20秒前
陈展峰完成签到,获得积分10
21秒前
haha完成签到 ,获得积分10
25秒前
26秒前
26秒前
搜集达人应助科研通管家采纳,获得10
27秒前
科研通AI2S应助科研通管家采纳,获得10
27秒前
风秋千应助科研通管家采纳,获得10
27秒前
Billy应助科研通管家采纳,获得30
27秒前
上官若男应助科研通管家采纳,获得10
27秒前
WM应助科研通管家采纳,获得20
27秒前
领导范儿应助科研通管家采纳,获得10
28秒前
星辰大海应助科研通管家采纳,获得10
28秒前
28秒前
大模型应助科研通管家采纳,获得10
28秒前
Owen应助科研通管家采纳,获得10
28秒前
大个应助科研通管家采纳,获得10
28秒前
Aimeeli完成签到 ,获得积分10
28秒前
Lilyzi应助科研通管家采纳,获得10
28秒前
科目三应助科研通管家采纳,获得10
28秒前
bkagyin应助科研通管家采纳,获得10
28秒前
28秒前
沉默寻凝完成签到,获得积分10
29秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Fundamentals of Dispersed Multiphase Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3254315
求助须知:如何正确求助?哪些是违规求助? 2896538
关于积分的说明 8293128
捐赠科研通 2565468
什么是DOI,文献DOI怎么找? 1393064
科研通“疑难数据库(出版商)”最低求助积分说明 652418
邀请新用户注册赠送积分活动 629894