משוואות שונות בעיצוב מתקדם אלגוריתמים של בקרת בקרה עבור רכבים אוטונומיים

מבוא להשוואה בין-לאומית בשליטה אוטונומית

כלי רכב אוטונומיים תלויים באלגוריתמים של שליטה מתוחכמת כדי לפרש נתונים של חיישן, לקבל החלטות ולבצע תרגילים בבטחה.בבסיס האלגוריתמים האלה הם משוואות שונות, אשר לתאר מתמטית כיצד מדינת הרכב - מהירות, אוריינטציה והאוצה - מתפתחת לאורך זמן.ללא מודלים מדויקים מושרשים במשוואות דיפרנציאליות, מערכות אוטונומיות לא יכולות לחזות מצבים עתידיים או להגיב לסביבות דינמיות.

משוואות שונות מאפשרות למהנדסים ללכוד את הפיזיקה של התנועה, את הדינמיקה של פועלים וחיישנים, ואת ההשפעה של כוחות חיצוניים כמו רוח, חיכוך כביש וכוח הכבידה.הם משמשים כמנוע בקרת מודלים (MPC), שליטה הסתגלות ואפילו בקרים PID קלאסי להבין את התפקיד של ODEs, PDEs, ומשוואות לא לינאריות הוא חיוני לתכנון אלגוריתמים חיוניים לביצועים, איזון, בטיחות, יעילות חישובית.

התפקיד הבסיסי של אקוציות שונות בשליטה על רכב

תורת הבקרה של כלי רכב אוטונומיים מסתמכת על ייצוגים של מרחב המדינה שבו משוואות שונות מקשרות קלטות (התרגשות, בקר, בלם) לפלט (השערה, מהירות, כותרת), מודל קיומטי בסיסי עשוי להשתמש משוואות שונות רגילות (ODEs) כדי לקשר מהירות וזווית הנעה לשינויים בFLT:0xFreas 1LT:2yve, 3; 3; 3) ו-YFw:

• (ב) ויקרא י"א: "ה' (ב) ,"ה' (ב') ,"ב) ,"ה' (ב') ,"ב' , ).
• (FLT:0) מודלים דינמיים FLT:1 משלבים מסה, אינרציה, כוחות צמיגים ודינמיקה השעיה, וכתוצאה מכך סדר שני ODEs.
• (FLT:0) אינטראקציות סביבתיות (Environmental InteractionFLT:103) כגון חיכוך צמיגים, גרר אווירודינמי, ושטח ⁇ s דורש משוואות לא לינאריות שונות.

משוואות אלה נפתרות בזמן אמת על ידי בקר על הסיפון של המכונית כדי לחשב פעולות בקרה אופטימליות.כפי שהרכב מרגיש שינויים בסביבתו, המשוואות השונות מאוששות מחדש, ומאפשרות לבקר להסתגל.דיוק המודל משפיע ישירות על איכות השליטה - משוואות מדויקות יותר מובילות לטרפורות חלקה ולתמרונים בטוחים יותר.

סוגים של אקוציות שונות בשימוש נהיגה אוטונומית

מקרים שונים (ODEs)

ODE הם מעשי העבודה של דינמיקת כלי רכב מודלים. הם מתארים מערכות שבהן משתנים תלויים משתנה עצמאי יחיד - זמן חד פעמי כולל:

• (ב) ויקרא י"ד: "ה' אלקים" (בראשית כ"ד)
• (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ,0) ,העברה של עומס: ההרחבה השנייה של ODE, מודל אנכי ותנועת מדרגה.

יישום דיגיטלי דורש לנטרל את ה- ODEs האלה בזמן מתמשך באמצעות שיטות כמו אוילר, Runge-Kutta, או דו-לינארית לשנות.הבחירה של תוכנית שילוב המסחר דיוק נגד עלות חישובית, אשר קריטי עבור שליטה בזמן אמת.

משוואות שונות (PDEs)

PDE מופיעים בתרחישים שבהם המדינה תלויה יותר ממשתנה עצמאי אחד.ב נהיגה אוטונומית, PDEs משמשים למודל:

• מודל זרימה:0 (Traffic Flow: 1FLT:1 The Lighthill-Whitham-Richards (LWR) משתמש ב- PDE כדי לתאר צפיפות רכב על פני שטח וזמן, עוזר לחזות צירים ותכניות.
• (FLT:0) דינמיקת התרמומלית: 1FLT:1 התפלגות טמפרטורה בסוללות בכלי רכב חשמליים נשלטת על ידי דיפוזיה חום PDEs, חיוני לפעולה בטוחה.
• (FLT:0) ,Acoustic ו- מכ"ם גל propagation:03: 1) התנהגות חיישן סימולטינג לעתים כרוכה בפתרון משוואה הגל (PDE) כדי לחזות הדים או החזרה.

Solving PDE בזמן אמת הוא אינטנסיבי חישובי, כך מערכות אוטונומיות בדרך כלל להשתמש במודלים מופחתים או otroximations המספריים לרוץ מהר מספיק עבור לולאות בקרה.

המונחים: non differential Equations

רוב תופעות הרכב בעולם האמיתי הן לא לינאריות. תופעות לכידת לא לינאריות כמו:

• (FLT:0) חיכוך הכביש: FLT:1 המפורסם פייס'קה "פורמולה מגינית" הוא קבוצה של משוואות לא לינאריות הקשורות זווית חלקלקה ויחס חלק לכוחות ארוכי טווח ומאוחרים יותר.
• (ב) ⁇ :0) , ⁇ ו-Relash: ⁇ FLT:1 , ⁇ ו-Breking Actuators מפגינים אזורי מת ונשכור, אשר עוצב על ידי ⁇ לא לינארית.
• (FLT:0) שילוב של דינמיקה ארוכת טווח ומאוחר יותר: FLT 1 כאשר כלי רכב מבולעם בזמן התפנית, האינטראקציה יוצרת הפיכה לא ליניארית שיש לייצג עם משוואות שונות שאינן ליניאריות.

משוואות שונות לא ליניאריות מציגות אתגרים עבור עיצוב שליטה כי סופרפוזיציה כבר לא מחזיקה.מהנדסים לעתים קרובות לינאריזציה סביב נקודות הפעלה או להשתמש בטכניקות בקרה לא לינאריות כמו שליטה במצב, לינאריזציה משוב, או שיטות מבוססות ליפסנוב.

משוואות שונות (SDEs)

כלי רכב אוטונומיים פועלים בסביבות לא ברורות.SDEs מרחיבים את ODE על ידי הוספת תנאי רעש אקראיים למודל רעש, גלי רוח, ואי סדרי דרך.לדוגמה, SDE פשוטה למהירות הרכב עשוי להיות FLT:5, שבו FLT:6 הוא תהליך Wiener מסנן ואלגוריתמים של המדינה כגון מסנן קלמן ופילטר חלקיקים בנויים על מסגרת סטורית זו, המאפשר שמירה על תפקוד חזק על אי הוודאות.

תכנון שליטה אלגוריתמים באמצעות משוואות שונות

אלגוריתמי בקרה לרכב אוטונומי משתמשים במודל משוואה שונה כדי למקם פקודות שמניעות את הרכב לעבר מסלול הרצוי תוך שמירה על מגבלות.השיטות הנפוצות ביותר הן בקרת מודל חיזוי (MPC) ובקרת הסתגלות, אבל בקרים PID קלאסי עדיין ממלאים תפקיד תומך.

בקרת מודל (MPC)

MPC היא אסטרטגיית הבקרה הדומיננטית ב נהיגה אוטונומית מודרנית.זה מסתמך על מודל של זמן קצר-מרחבי של זמן דיסקרטי שמקורו משוואות שונות בזמן-זמן מתמשך.בכל שלב, הבקר פותר בעיה אופטימיזציה על אופק סופי, באמצעות המודל לחיזוי מדינות עתידיות ובחירת קלטות בקרה המפחיתות את תפקוד העלות (למשל, סטייה מתוואי, jerk, צריכת אנרגיה) תוך סיפוק (מגבלות מהירות).

• מודל LT:0 (Dynamic Model:FLT:1Build a non-Liנארי ODE של הרכב, לינארי סביב נקודת התפעול הנוכחית כדי להפחית מורכבות חישובית.
• דרישות זמן אמת: 1.10.10.1 יש לפתור את האופטימיזציה בתוך כמה אלפיות שניות. יישומי MPC מודרניים משתמשים בפתרונות תכנות קוואדרטיים יעילים ועשויים להשתמש בחומרה אישית כמו FPGAs.
• (ב) ⁇ :0) ;0 (Examples: FLT:1 , הדרךmo האוטונומית של טייס אוטומטי של טסלה להשתמש בגרסאות של MPC לשליטה מאוחרת וארוכת טווח, כפי שנדון ב-FLT:2industry מחקר על MPC לנהיגה אוטונומית FLT 3: 3 ).

בקרה הסתגלות

אלגוריתמי בקרה הסתגלות מתאימים לפרמטרים מודל בזמן אמת כדי להסביר שינויים בדינמיקה של כלי רכב - כגון לבישת צמיגים, שכפול וריאציות או פני השטח של הכביש.הם משלבים משוואות שונות המתארות את האבולוציה של הפרמטרים עצמם, לעתים קרובות באמצעות עיצוב ליפסנוב או שיטות ירידה ⁇ .

• (FLT:0)Model Reference adaptive control (MRAC): מודל התייחסות אידיאלי (הגדיר על ידי קבוצה של ODEs) מפרט התנהגות הרצויה.הבקר מתאים את הרווחים שלו כדי להפוך את הרכב בפועל להתאים את המודל ההתייחסות.
• (FLT:0) הרגולטורים המנציחים: ⁇ 1) אלה מעריכים את הפרמטרים של מודל ODE ב- ODE בזמן דיסקרטי על זבוב ולאחר מכן compute Controller מקבל באמצעות מיקום הקוטב או עיצוב LQR.
• (ב) ⁇ :0) , פקד הסתגלות הוא בעל ערך מיוחד עבור משאיות כבדות אוטובוסים שבו שינויים מטען משפיעים באופן דרסטי על נביחות ויציבות.

שליטה PID ושיקום שלה להשוואה בין-תרבותית

למרות פשוט יותר מ MPC, בקרים PID נשארים בכל מקום לשליטה בפעולת מדרגה נמוכה.המונח הנגזר בבקר PID הוא למעשה הערכה של הנגזר מהמשוואה השונה.מערכות אוטונומיות רבות משתמשות במבנה קזדורד: לולאה MPC חיצוני מייצרת האצה או זווית הנעה הרצויה, ו- PID הפנימי עוקב אחר סטים אלה על ידי שליטה, , brottle, ו-retretretretretretretretretretretretretre, ו-reams, הוא לעתים קרובות חייב להיות סגור, ו-revetrevetretretretrevetretretretretretretretretretreaming, ו-retretre, הוא פעולה, ו-retretrevetrevetreaming, הוא פועל על ידי אדפטפטפטפטפטפטפטפטפט, ו-retretretreaming, הוא מקבל את ה-retretreve, ו-retretretretretretretretret

המונחים: mode control

בקרת מצב סליד (SMC) היא טכניקה לא ליניארית חזקה המתבססת על משוואה שונה המתארת את פני השטח המתפתל.הבקר מאלץ את המדינה המערכת "להמפוחד" לאורך פני השטח לכיוון האיזון, מה שהופך אותו חסר רגישות לודאיות מודל מסוים.SMC משמש במירוצים אוטונומיים ויציאה מכביש שבו חיכוך צמיגים הוא משתנה מאוד.

אתגרים בפתרון בזמן אמת של משוואות שונות

יישום שליטה מבוססת-שוויון על חומרה מוטבעת עם חישוב מוגבל וזיכרון דורש שינויים קפדניים של סחר.

• (FLT:0) טעות של פיזור: FLT:1 [המירת ODE רציפה כדי לשנות משוואות מציג שגיאות של חיזוי שיכול לערער את הבקר אם גודל הצעד גדול מדי.
• (FLT:0) חישוביות: FIRLT:1 ; Solving a ODE או PDE באינטרנט - במיוחד עבור MPC עם אופק ארוך - יכול לעלות על תקציב לוח הזמנים של לולאה שליטה.מהנדסים להשתמש תוכניות אינטגרציה מפורשות, סימולטור מודל (למשל, מודלים ליניאריים), או קוד לא מקוון.
• (FLT:0) רעש והערכה המדינה: משוואות שונות 1:1 דורשות ערכי מדינה שאינם ניתנים למדידה ישירה. Kalman מסננים וצופים אחרים משלבים נתונים של חיישן רועש עם מודל ODE לייצר הערכות מדינה נקייה.הפילטר עצמו הוא משוואה שונה - כלומר, משוואה ריקטי להפצת כפייה.
• (FLT:0) ללא לינאריות: 1FLT:1 לא ליניאריות חזקות דורשות פותרים רציונאליים כמו שיטת ניוטון, אשר לא יכול לתכנס בתוך שלב הזמן הזמין. טכניקות קונכוסציה (למשל, לינאריזציה מוצלחת) נפוצים בביצועים של MPC בזמן אמת עבור כלי רכב אוטונומיים.

החוקרים ממשיכים לפתח פותרים מהירים יותר, כולל אלגוריתמים מקבילים על GPUs ו מאיצים מיוחדים, לדחוף את המעטפה.העלייה של מוליכים מבוססי-רשת עצביים המאומנים לחקות פתרונות משוואות שונות מציעה דרך מבטיחה להפחית חישוב מקוון תוך שמירה על נאמנות.

כיוונים עתידיים: Machine Learning and Differential Equations

הצומת של משוואות שונות ולמידה מכונה הוא אחד האזורים הפעילים ביותר בתחום המחקר האוטונומי. Neural ODEs (Chen et al., 2018) לטפל בפלט של רשת עצבית כמו נגזרת של מדינה נסתרת, המאפשר מודלים בזמן מתמשך ללא לציין את מבנה ODE באופן ידני. in אוטונומי נהיגה, ODEs יכול ללמוד דינמיקות מורכבות מהנתונים - במיוחד תחת תמרונים קיצוניים - ולאחר מכן לשמש בתוך MPC או מסנן.

• (FLT:0) מודלים מונעים נתונים: 1.10LT במקום מניעת יד עבור חיכוך צמיגים או אווירודינמיקה, רשתות עצביות עמוקות מאומנו על נתוני נהיגה מחוברות לפונקציות דומות אלה.המודל המלומד משולב אז מסגרת בקרה השומרת על יעילות בזמן אמת.
• (FLT:0) רשתות עצביות בעלות מידע (PINNs): 1FLT:1 אלה מגבירים את תפקוד האובדן עם תנאים שונים מהמשוואות השונות, ולהבטיח כי התחזיות של הרשת מספקות חוקים פיזיים ידועים. גישה זו משפרת את הכללה ומפחיתה את כמות הנתונים הדרושים לאימון.
• (FLT:0) חיזוק למידה עם מגבלות משוואות שונות: אופטימיזציה למדיניות 1:1 יכול להיות מעוצב על ידי מגבלות הנגזרות מהדינמיקה של הרכב ODEs, למנוע את הסוכן לחקור מצבים בלתי אפשריים פיזית להאיץ את האימונים.

כיוון מבטיח אחר הוא השימוש בסימולציה שונה - שבו כל המעבר קדימה של הדינמיקה של הרכב (הקודמת כפתרון משוואה שונה) הוא שונה.זה מאפשר למידה מקצה לקצה של מדיניות שליטה באמצעות אופטימיזציה המבוססת על ⁇ , כפי שנחקר על ידי FLT:0end-to-end-end-end-to-endable MPC עבור נהיגה אוטונומית.

יישום מעשי ב-Titanic Car Stack

בייצור כלי רכב אוטונומיים, מודל המשוואה השונה מוטבע במספר רכיבים:

• (FLT:0) Perception and State estimation:cioFLT:1 , Extended Kalman filters (EKF) ופילטרים לא מרוכזים Kalman (UKF) מסתמכים על ODEs ליניאריים כדי למזג GPS, IMU, מהירות גלגלים ונקומטריה חזותית לתוך הערכה מדינה חזקה.
• (FLT:0)Planner:FLT:1, מתכנן הטרקלי פותר אופטימיזציה מחוספסת אשר לעתים קרובות כוללת כלי רכב פשוט ODE כדי להבטיח כי הדרך המתוכנן היא סבירה מבחינה דינמית.
• (FLT:0) בקר ברמת ה- PID:FLT:1, הממשק לחומרת ההנעה של הרכב בדרך כלל מפעיל לולאה PID ב 100+ Hz, עם המודל הדינמי המשמש להאכיל פקודות מתקדמות המפצה על אינרציה וחיכוך.
• (FLT:0) צגים מאובטחים: 1FLT:1 רדונדנטים בודקים את המרחקים הגרועים ביותר והופכים את רדיוני באמצעות מודל ODE של הרכב, להבטיח כי אין גבול פיזי עלה אפילו אם הבקר העיקרי נכשל.

כל רכיב חייב להיות נבדק בקפדנות בסימולציה לפני הפריסה.סביבות סימלוציה כמו CarLA או סימולטורים פנימיים המשמשים חברות נהיגה אוטונומיות גדולות לפתור אלפי משוואות שונות כל מסגרת כדי לספק חיישן ריאלי והתנהגות כלי רכב.

דוגמאות ל-Case Studies and Real-World

(FLT:0)Waymo:FLT:1 יגואר I-PACE של Waymo משתמש בשילוב של MPC לשליטה מאוחרת יותר ובקרת שיוט מתאימה לשליטה ארוכת טווח.המהנדסים שלהם פרסמו עבודה המראה כיצד שליטה אופטימלית בזמן אמת על בסיס Nonlinear ODEs משיגה נהיגה חלקה ובטוחה בסביבות עירוניות.

(FLT:0)Tesla:FLT:1 , טייס אוטומטי של טסלה מעסיק רשת עצבית שממעבדת נתוני מצלמה גולמיים לייצוג מצב מאוחר, אשר לאחר מכן מוזן לתוך מודול בקרה המשתמש מודל נלמד. בעוד הפרטים הפנימיים הם קנייניים, ידוע כי שכבת הבקרה משלבת מגבלות שונות הנגזרות מחוקים של פיזיקה.

תחרויות FLT:0 (Robotic התחרויות: 1FLT:1 באתגר הגדול של DARPA ולאחר מכן את האתגר העירוני, צוותים התבססו רבות על MPC ו- PID בקרים עם מודל זהירה ODE. לכל כלי הרכב המנצחים היו מודלים דינמיים מדויקים שיכולים לרוץ בזמן אמת על החומרה המחשוב.

מסקנה

משוואות שונות הן הגיבורים הלא-רוסיים מאחורי אלגוריתמים של כלי רכב אוטונומיים.הם מספקים את השפה המתמטית כדי לתאר כיצד רכב נע, מגיב לכוחות, ואינטראקציה עם סביבתו.מ-ODEs שמודל דינמיקות חד-פעמיות ל-PDEs שלוכדות את זרימת התנועה, וממשוואות לא ליניאריות שמטפלות בחיכוך כדי להשיג משוואות סטיות, שלמות שליטה בנוית על בסיס זה כמו יכולות חישוביות שונות, ואפילו משוואות למידה, כמו גם משוואות חיוניות, כמו גם משוואות שטחיות, כמו משוואות למידה משוואות משוואות משוואות משוואות משוואות משוואות משוואות מוצקות, כמו משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות למידה משוואות משוואות משוואות משוואות למערכות אבטחה משוואות משוואות משוואות משוואות משוואות נוקשות יותר משוואות משוואות משוואות משוואות למערכות אבטחה משוואות למערכות אבטחה משוואות משוואות למערכות אבטחה למערכות אבטחה משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות משוואות נוקשות