Equazioni differenziali nella progettazione di algoritmi di controllo avanzato per veicoli autonomi

• Aggiornamento di stato:[] , ], (modello di ciclo).
• I modelli dinamici[[ incorporano massa, inerzia, forze di pneumatici e dinamiche di sospensione, con conseguente ODE di secondo ordine.
• Le interazioni ambientali[[] come l'attrito della strada, la resistenza aerodinamica e i gradienti del terreno richiedono equazioni differenziali non lineari.

Queste equazioni sono risolte in tempo reale dal controller di bordo del veicolo per calcolare le azioni di controllo ottimali. Come il veicolo percepisce i cambiamenti nel suo ambiente, le equazioni differenziali sono rivalutate, permettendo al controller di adattarsi. L'accuratezza del modello influisce direttamente sulla qualità del controllo—equazioni più precise portano a traiettorie più lisce e manovre più sicure.

Tipi di Equazioni differenziali utilizzate nella guida autonoma

Equazioni differenziali ordinarie (ODE)

Gli ODE sono i cavalletti di lavoro della modellazione dinamica del veicolo, che descrivono sistemi in cui le variabili dipendono da una singola variabile indipendente, in genere tempo.

• Profili di velocità e accelerazione:[
• Dalci di orientamento: (lag di primo ordine tra angolo di sterzo comandato e effettivo)
• Spensione e trasferimento di carico:[ ODEs di secondo ordine modellando verticale e movimento passo.

L'implementazione digitale richiede la discorsificazione di questi ODE in tempo continuo utilizzando metodi come Euler, Runge-Kutta, o trasformazioni bilinee. La scelta del sistema di integrazione si contrappone alla precisione contro i costi computazionali, che è fondamentale per il controllo in tempo reale.

Equazioni differenziali parziali (PDEs)

I PDE appaiono in scenari in cui lo stato dipende da più di una variabile indipendente. Nella guida autonoma, i PDE sono utilizzati per modellare:

• Flusso di traffico:[ Il modello Lighthill-Whitham-Richards (LWR) utilizza un PDE per descrivere la densità del veicolo nello spazio e nel tempo, aiutando a prevedere le rotte di congestione e di pianificazione.
• La dinamica termica:[ La distribuzione della temperatura della batteria nei veicoli elettrici è regolata da PDE di diffusione del calore, cruciale per il funzionamento sicuro.
• Propagazione dell'onda acustica e radar:[ Il comportamento del sensore simulante a volte comporta la risoluzione dell'equazione dell'onda (un PDE) per prevedere echi o ritorni.

Il solvente dei PDE in tempo reale è computazionalmente intensivo, quindi i sistemi autonomi tipicamente utilizzano modelli di ordine ridotto o approssimazioni numeriche che funzionano abbastanza velocemente per i loop di controllo.

Equazioni differenziali non lineari

La maggior parte dei fenomeni del veicolo reale sono intrinsecamente non lineari.

• Tire-road frizione:[ La famosa Pacejka “Magic Formula” è una serie di equazioni non lineari relative all’angolo di scivolamento e al rapporto di scivolamento con le forze longitudinali e laterali.
• I saturatori e la schiena dell'agente attuatore:[ Gli attuatori di steering e frenanti mostrano zone morte e saturazione, modellati da ODE non lineari a senso pezzo.
• Dina dinamica longitudinale e laterale combinata: Quando un veicolo frena durante la tornitura, l'interazione crea un accoppiamento non lineare che deve essere rappresentato con equazioni differenziali che non sono lineari.

Le equazioni differenziali non lineari presentano sfide per il design del controllo perché la sovrapposizione non è più in grado di contenere. Gli ingegneri spesso linearizzare intorno ai punti operativi o utilizzare tecniche di controllo non lineare come il controllo della modalità scorrevole, la linearizzazione dei feedback o i metodi basati su Lyapunov.

Equazioni differenziali stocastiche (SDE)

I veicoli autonomi operano in ambienti incerti. I SDE estendono gli ODE aggiungendo termini di rumore casuali per modellare il rumore dei sensori, le raffiche e le irregolarità stradali. Ad esempio, un semplice SDE per la velocità del veicolo potrebbe essere , dove è un processo di Wiener.

Progettazione di controllo algoritmi utilizzando equazioni differenziali

Gli algoritmi di controllo per veicoli autonomi utilizzano il modello di equazione differenziale per calcolare i comandi che guidano il veicolo verso una traiettoria desiderata nel rispetto dei vincoli. I metodi più comuni sono il Controllo Predictive del Modello (MPC) e il Controllo Adaptivo, ma i controller PID classici svolgono ancora un ruolo di supporto.

Controllo predittivo del modello (MPC)

MPC è la strategia di controllo dominante nella guida autonoma moderna. Si basa su un modello di stato-spaziale a tempo discreto derivato da equazioni differenziali a tempo continuo. Ad ogni punto del tempo, il controller risolve un problema di ottimizzazione su un orizzonte finito, utilizzando il modello per prevedere stati futuri e selezionare gli input di controllo che minimizzano una funzione di costo (ad esempio, deviazione da percorso, masturbazione, consumo energetico) soddisfando i vincoli (ad esempio, limiti di accelerazione, limiti di accelerazione, limiti di velocità, limiti di velocità, limiti).

• Modello dinamico:[] Tipicamente un modello ODE non lineare del veicolo, linearizzato intorno al punto operativo corrente per ridurre la complessità computazionale.
• Real-time requisito:[] L'ottimizzazione deve essere risolta entro pochi millisecondi. Le implementazioni MPC moderne utilizzano efficiente risolventi di programmazione quadratica e possono utilizzare hardware personalizzato come FPGAs.
• Esemplari:[] I minivan autonomi di Waymo e le varianti autopilota di Tesla utilizzano MPC per il controllo laterale e longitudinale, come discusso nella ricerca indulso su MPC per la guida autonoma.

Controllo adattivo

Gli algoritmi di controllo adattivo regolano i parametri del modello in tempo reale per spiegare le variazioni delle dinamiche del veicolo, come l'usura dei pneumatici, la variazione del carico di paga o la superficie stradale.

• Controllo adattativo di riferimento della Model (MRAC):[] Un modello di riferimento ideale (definito da un insieme di ODE) specifica il comportamento desiderato. Il controller adatta i suoi guadagni per rendere il veicolo reale corrisponde al modello di riferimento.
• Regolatori di regolazione del sistema:[ Questi stimano i parametri di un modello ODE discreti-time sul volo e poi guadagna il controller di calcolo utilizzando il posizionamento del polo o il design LQR.
• Applicazione:[] Il controllo adattivo è particolarmente prezioso per camion pesanti e autobus dove i cambiamenti di carico sul carico di paga influiscono drasticamente sulla frenata e sulla stabilità.

Controllo PID e la sua relazione con le equazioni differenziali

Anche se più semplice di MPC, i controller PID rimangono onnipresenti per il controllo degli attuatori di basso livello. Il termine derivato in un controller PID è essenzialmente una stima del derivato dall'equazione differenziale. Molti sistemi autonomi utilizzano una struttura cascaded: un loop MPC esterno genera un'accelerazione o un angolo di sterzo desiderato, e i loop PID interni tracciano quei setpoint comandando il cambio, il freno e gli attuatori di sterzo chiusi.

Controllo modalità scorrevole

Il controllo della modalità scorrevole (SMC) è una tecnica non lineare robusta che si basa su un'equazione differenziale che descrive la superficie scorrevole. Il controller costringe lo stato del sistema a “slidere” lungo la superficie verso l'equilibrio, rendendolo insensibile a certe incertezze del modello. SMC è utilizzato in automassa corsa e fuoristrada guida dove l'attrito della strada è altamente variabile.

Sfide in Soluzione in tempo reale di Equazioni differenziali

L'implementazione del controllo basato su differenziale-equazione su hardware incorporato con calcolo limitato e memoria richiede scambi accurati. Le sfide principali includono:

• Errore disgregazione:[] La conversione di ODE continui alle equazioni di differenza introduce errori di approssimazione che possono destabilizzare il controller se la dimensione del passo è troppo grande.
• Latenza computazionale:[] Il solvente di un ODE o PDE online, specialmente per MPC con un lungo orizzonte, può superare il budget di temporizzazione del loop di controllo. Gli ingegneri utilizzano schemi di integrazione esplicita, semplificazione del modello (ad esempio, modelli linearizzati), o generazione di codice ottimizzata offline.
• Sensore rumore e stima dello stato:[[ Le equazioni differenziali richiedono valori di stato non direttamente misurabili. I filtri Kalman e altri osservatori combinano i dati dei sensori rumorosi con il modello ODE per produrre stime di stato pulito. Il filtro stesso è un'equazione differenziale, ovvero l'equazione Riccati per la propagazione della covarianza.
• Nonlineari:[ Le forti non linearità richiedono risolutori iterativi come il metodo di Newton, che non possono convergere all'interno del passo di tempo disponibile. Le tecniche di convessificazione (ad esempio, la linearizzazione successiva) sono comuni nelle implementazioni MPC in tempo reale per veicoli autonomi.

I ricercatori continuano a sviluppare più veloci risolutori, inclusi algoritmi paralleli su GPU e acceleratori specializzati, per spingere la busta. L'aumento di approssimatori basati su reti neurali formati per soluzioni di equazione differenziale mimica offre un viale promettente per ridurre il calcolo online mantenendo la fedeltà.

Direttive future: Apprendimento della macchina e Equazioni differenziali

L'intersezione delle equazioni differenziali e dell'apprendimento automatico è una delle aree di ricerca più attive nella guida autonoma. ODE neuronali (Chen et al., 2018) trattano l'output di una rete neurale come derivato di uno stato nascosto, permettendo la modellazione a tempo continuo senza specificare la struttura ODE manualmente.

• Modellazione a reazione:[] Invece di ODE a mano per attrito o aerodinamica, le reti neurali profonde sono addestrate sui dati di guida registrati per approssimare queste funzioni. Il modello imparato viene poi incorporato in un quadro di controllo che preserva la solvabilità in tempo reale.
• Le reti neurali informatiche (PINN): Queste aumentano la funzione di perdita con termini residui dalle equazioni differenziali, assicurando che le previsioni della rete soddisfino le leggi fisiche note. Questo approccio migliora la generalizzazione e riduce la quantità di dati necessari per la formazione.
• L'apprendimento delle forze di forza con vincoli di equazione differenziale:[] L'ottimizzazione delle politiche può essere modellata da vincoli derivanti dalle dinamiche ODE del veicolo, impedendo all'agente di esplorare stati fisicamente impossibili e accelerando la formazione.

Un'altra direzione promettente è l'uso di simulazione differenziabile, dove l'intero passaggio avanti della dinamica del veicolo (conosciuto come un risolutore di equazione differenziale) è differenziabile. Questo consente l'apprendimento end-to-end delle politiche di controllo utilizzando l'ottimizzazione basata su gradienti, come esplorato da end-to-end MPC differenziabile per la guida autonoma.

Attuazione pratica nel veicolo autonomo Stack

In veicoli autonomi di produzione, i modelli di equazione differenziale sono incorporati in diversi componenti:

• I filtri Kalman estesi (EKF) e i filtri Kalman non accentati (UKF) si basano su ODE lineari per fondere GPS, IMU, velocità della ruota e oometria visiva in una stima di stato robusta.
• Planner:[] Il progettista di traiettoria risolve un'ottimizzazione limitata che spesso include un ODE veicolo semplificato per garantire che il percorso pianificato sia dinamicamente fattibile.
• Controllo di livello basso:[] L'interfaccia all'hardware di attuazione del veicolo solitamente esegue un loop PID a 100+ Hz, con il modello dinamico utilizzato per alimentare comandi che compensano l'inerzia e l'attrito.
• Monitor di sicurezza:[[] Controllo di sicurezza ridondante calcolare le distanze di arresto peggiori e girare raggi utilizzando il modello ODE del veicolo, assicurando che nessun limite fisico è superato anche se il controller primario non riesce.