Özerk Araç Kontrolündeki Diferansiyel Emisyonlara Giriş

Özerk araçlar, sensör verilerini yorumlamak için sofistike kontrol algoritmalarına bağlıdır, kararlar alır ve manevraları güvenle yürütür. Bu algoritmaların temeli, bir aracın durumu nasıl tanımladıklarını matematiksel olarak tanımlar - hız, yönelim ve hız - doğru modeller fark etmeden, alternatif sistemler güvenilir bir şekilde gelecekteki devletlere veya dinamik ortamlara tepki veremez.

Diferansiyel denklemler, hareket fiziğini yakalamaya izin verir, eylemcilerin ve sensörlerin dinamikleri ve rüzgar, yol sürtünme ve yerçekimi gibi dış güçlerin etkisi. Model Tahmin edici Kontrol (MPC), Adaptif kontrol ve hatta klasik PID kontrolörleri anlamak için motor olarak hizmet ederler.

Araç Kontrolünde Diferansiyel Equations'ın Temel Rolü

Özerk araçlar için kontrol teorisi, diferansiyel denklemlerin bağlantı girişlerinin (örneğin, throttle, fren) çıkışlara (parçalık, hız, başlık) temel bir kinematik modeli, normal denklemleri (ODE'ler) ile bağlantı kurma açılarını kullanarak, doğru ve yönlendirme açılarını kullanarak aşağıdaki değişiklikler için kullanabilir:0).

  • [FONT=0)State update:[Dönetici:0) [FONT:0) [FONT=0)[0)
  • [FONT:0]Dynamic modeller [Dynamic modeller[Dynamic modeller[DDynamic modeller[DDDDynamic modeller[DDDDDDDDDDDynamic modeller[DDDDDynamic modeller[DDDDDDynamic modeller); kütle, inertia, lastik güçleri ve süspansiyon dinamikleri dahil, ikinci sıra ODEs.
  • [FONT:0)Environmental etkileşimleri[Döneticileri: [Dönekli sürüklenme, aerodinamik sürükleme ve arazi gradients doğrusal olmayan denklemler gerektirir.

Bu denklemler aracın üst düzey kontrol eylemlerini hesaplamak için gerçek zamanlı olarak çözülür. Aracın çevredeki değişiklikleri olduğu gibi, diferansiyel denklemler yeniden değerlendirilir ve modelin doğruluğunu doğrudan kontrol eder - daha hassas denklemler ve daha güvenli manevralara yol açar.

Özerk Arabalarda Kullanılan Diferansiyel Equations Türleri

Sıradan Diferansiyel Denklemler (ODEs)

ODEs, araç dinamiklerinin modellemesi için yapılan çalışmalardır. değişkenlerin tek bağımsız değişkene bağlı olduğu sistemleri tarif eder -tipik olarak zaman. örnekler şunları içerir:

  • [FONT:0)Velocity ve Hızlandırma profilleri:).
  • [FONT:0)Steering dinamikleri:[Dönetici:[Dönetici:[Döntgenme:0)[Dönemli:[Dönergeler:[Dönergeler:)[[Dönergeler:[Dönergeler:)))
  • [FONT:0)Suspension ve yük transfer: İkinci sipariş ODEs modelleme dikey ve hareket.

Dijital uygulama, Euler, Runge-Kutta gibi yöntemleri kullanarak sürekli zamanlı ODE'leri ayırmalıdır veya gerçek zamanlı kontrol için kritik olan entegrasyon şemalarının seçimine karşı giriş gerektirir.

Kısmi Diferansiyel Equations (PDEs)

PDEs, devletin bağımsız bir değişkene bağlı olduğu senaryolarda ortaya çıkıyor. Özerk sürüşte, PDEs modele kullanılıyor:

  • [FONT=0]Traffic akışı:[Dönetici:[Dönetici:0)[Dönetici akışları:[Dönetici:0)[Dönemli akışlar:[Dönetici:0))[Dönetici akışlar:[Döneticiler:0))))))) Işıkhill-Whitham-Richards (LWR) modeli, uzay ve zaman boyunca araç yoğunluğunu tanımlamak için bir PDE kullanır, kongestion ve plan rotaları tahmin etmeye yardımcı olur.
  • [FONT:0] ⁇ dinamikleri: [Döneticileri: [Döntgen: 0:1] Elektrikli araçlardaki batarya sıcaklık dağılımı, ısı difüzyon PDE'ler tarafından yönetilmektedir, güvenli işlem için çok önemlidir.
  • [FONT:0) Akustik ve radar dalga yayılımı:) Simulating sensör davranışı bazen dalga denklemini (a PDE) yankıları veya geri dönüşleri tahmin etmek için içerir.

Gerçek zamanlı PDE'ler hesaplamak yoğundur, bu yüzden özerk sistemler genellikle kontrol döngüleri için yeterince hızlı çalışan indirgenen düşük sipariş modelleri veya sayısal yaklaşımlar kullanır.

Nonlinear Diferansiyel Equations

Gerçek dünya araç fenomenleri doğal olarak doğrusal değildir. Nonlinear ODEs gibi etkiler:

  • [FONT:0)Tire-road sürtünme:[Dönetici Formula) Ünlü Pacejka “Magic Formula”, kayma açı ve uzunlamasına ve daha sonra kuvvetlere orantısız denklemlerin bir setidir.
  • [FONT:0]Rektör saturasyon ve geri çekilme: Yönelme ve frenleme eylemleri ölü bölgeleri ve saturasyon, aksi takdirde doğrusal olmayan ODEs tarafından modellendi.
  • [FONT:0]Combined longitudinal ve daha sonra dinamikler:[Dönder: 1 ) Bir araç döndüğünde, etkileşim lineer olmayan darbe yaratır, lineer olmayan denklemlerle temsil edilmelidir.

Lineer olmayan diferansiyel denklemler kontrol tasarımı için mevcut zorluklar çünkü süperpozisyon artık tutmaz. Mühendisler genellikle işletim noktaları etrafında lineer olmayan kontrol tekniklerini kullanırlar veya kayma modu kontrolü, geri bildirim lineerleştirme veya Lyapunov bazlı yöntemler gibi doğrusal olmayan kontrol tekniklerini kullanır.

Stokastik Diferansiyel Denklemler (SDEs)

Özerk araçlar belirsiz ortamlarda çalışır. SDEs, ODE'leri rastgele gürültü terimlerini model sensör gürültülerini, rüzgar kıvrımlarını ve yol düzensizliklerini ekleyerek genişletir. Örneğin, araç hızı için basit bir SDE, 444D6'nın nerede olduğunu varsayar.

Kontrol Algoritmalarını Farklı Equations kullanarak tasarlayın

Özerk araçlar için kontrol algoritmaları, aracın istenen bir yörüngeye doğru kullandığı komutları hesaplamak için diferansiyel denklem modelini kullanır ve en yaygın yöntemler Model Predictive Control (MPC) ve Adaptive Control, ancak klasik PID kontrolörleri hala destek rol oynar.

Model Tahmini Kontrol (MPC)

MPC, modern otonom sürüşte hakim kontrol stratejisidir. Bir maliyet fonksiyonunu en aza indirmek için model kullanıyor (örneğin, sürekli zaman ayırımları ile enerji tüketimi) tatmin edici kısıtlamalar (örneğin, hız limitleri, hız sınırları, hız sınırları, hız sınırları, hız sınırları, hız sınırları, engeli, engeli, engeli) ile ilgili kontrol girişlerini seçin.

  • [FONT:0]Dynamic model:[Dynamic model:[Dynamic) Tipik olarak aracın doğrusal olmayan bir ODE modeli, mevcut işletim noktasının etrafındaki sabitsiz hesaplama karmaşıklığının azaltılması için lineerleştirilmiş.
  • [FONT:0) Gerçek zamanlı ihtiyaç:[Dönemli:[Dönemli:0) Optimizasyon birkaç milisaniye içinde çözülmeli. Modern MPC uygulamaları verimli dörtlü programlama çözücüleri kullanır ve FPGAs gibi özel donanım kullanabilir.
  • [FONT:0)Examples:[Dönetici:0) Waymo'nun otonom minivanları ve Tesla'nın Autopilot, daha sonra ve uzun süredir tartışılmakta olan MPC'nin otomatik kontrol biçimleri kullanıyor, çünkü MPC'de otonom sürüş için araştırma).

Adaptif Kontrol

Adaptif kontrol algoritmaları, araç dinamiklerinde değişiklikler için gerçek zamanlı model parametreleri ayarlama - lastik aşınma, ödeme yükleme varyasyonu veya yol yüzeyi gibi. parametrelerin evrimini tanımlayan diferansiyel denklemler içerir, genellikle Lyapunov tasarımını veya gradient iniş yöntemlerini kullanır.

  • [[Dönetici:0) Model referansı (MRAC): ), İdeal bir referans modeli (bir set tarafından tanımlanamayan bir davranış tarafından belirlenir. kontrolör gerçek araç eşleştirmesini sağlamak için kazançlarını birleştirir.
  • [FONT:0) Self-tuning düzenleyiciler:[Dönetici: 1) Bu, uçta ayrı bir ODE modelinin parametrelerini tahmin eder ve sonra kutup yerleştirme veya LQR tasarımını kullanarak kontrol edin.
  • [FONT:0)Uygulama:[Dönetici kontrolleri, sabit araç ve otobüsler için özellikle değerlidir.AİLFLT:2).IEEE kağıt on adaptive cruise control), belirsiz araç kütleleri altında mesafeleri altında tutmak için güvenli bir şekilde kullanılır.

PID Kontrolü ve Relation to Differential Equations

MPC'den daha basit olsa da, PID kontrolörleri düşük seviyeli bir eylemci kontrolü için lekeli kalır.Bir PID kontrolörüdeki türev tahminleri aslında diferansiyel denklemlerden gelen bir tahmindir. Birçok otonom sistem kapalı bir işlem için ayarlanmalıdır: dış bir MPC döngüsü ve bu ayar, ODE'nun altındaki geçiş noktaları takip eder ve direksiyoncular tarafından yönlendirilir.

Sürme Mode Control

Kaymaklı mod kontrolü (SMC), bazı modellere karşı hassas hale getirmek için sistem durumunu tanımlayan bir diferansiyel denkleme dayanan sağlam bir doğrusal olmayan tekniktir.SMC, lastik-road sürtünmenin son derece değişken olduğunu tarif eder. Ancak, sohbet eden - yüksek frekanslı geçiş - daha yüksek siparişli geçişler ile daha yüksek devreleri ile daha yüksek devreleri azaltan bir tabakaya kadar azaltılır.

Gerçek Zamanlı Diferansiyel Emisyonların Çözümü

Sınırlı hesaplama ve hafıza ile gömülü donanıma dayalı ayrımı uygulama, dikkatli ticarete ihtiyaç duyar: birincil zorluklar şunlardır:

  • [FONT:0)Discretizasyon hatası: [Döneticileri sürekli ODE'lere dönüştürme denklemleri, ölçüm hatalarının, adım boyutunun çok büyük olup olmadığını tahmin edebilir. Adaptif bir adım-boyutlama yöntemleri bazen karmaşıktır.
  • [FONT:0)C ⁇ geç kalmışlık: [Dönetici:[Dönetici:0)C ⁇ , bir ODE veya PDE online olarak Çözülmesi - özellikle uzun bir ufukta MPC için - kontrol döngüsü zamanlama bütçesini aşabilirsiniz. Mühendisler açık entegrasyon planlarını, model basitleştirmeyi (örneğin, lineerleştirilmiş modeller) veya çevrimdışı optimize edilmiş kod nesli kullanabilirler.
  • [FONT:0)Sensor gürültü ve devlet tahminleri: Diferansiyel denklemler doğrudan ölçülebilir olmayan devlet değerleri gerektirir. Kalman filtreleri ve diğer gözlemciler, ses ve görüntülerini temiz bir şekilde üretmek için ODE modeli ile gürültülü sensör verilerini birleştirir.
  • [FONT:0]Nonlinearities:[Dönergeler, Newton’un yöntemi gibi, mevcut zaman adım içinde bir araya gelmemiş olan, Convexification teknikleri (örneğin, başarısal lineerleştirme) gerçek zamanlı MPC uygulamaları için yaygındır.

Araştırmacılar GPU'larda ve uzman hızlandırıcılar üzerinde paralel algoritmaları da dahil olmak üzere daha hızlı çözücüler geliştirmeye devam ediyorlar, zarfı zorlamak için.

Future: Machine Learning and Differential Equations

Diferansiyel denklemlerin ve makine öğreniminin kesişimleri, ODE yapılarını manuel olarak belirtmeden önce, sinir ODE'lerin (Chen et al., 2018) gizli bir devletin türevleri olarak sinir ağının üretimini tedavi etmek, ODE yapısını manuel olarak belirtmeden sürekli modellemek.

  • [FONT=0]Data-güdümlü modelleme:[Dönetici:[Döncükler) Doğru zaman çözünürlükte olan kontrol çerçevesine dahil edilmiştir.
  • [FONT=0)Physics-informal sinir ağları (NPINS):[Dönemli denklemlerden gelen kayıp fonksiyonunun, ağ tahminlerinin fiziksel yasalarının sağladığı anlamına gelir.Bu yaklaşım, eğitim için gerekli olan verileri azaltır.
  • [FONT:0)Reinforcement learning with Differential denklem constraints:[Dönetici:0) Politika optimizasyonu, araç dinamiklerinden elde edilen kısıtlamalarla şekillendirilebilir, ajanı fiziksel olarak imkansız devletler ve eğitimleri keşfetmeyi engelleyebilir.

Başka bir umut verici yön, farklı simülasyon kullanımıdır - aracın dinamiklerinin tüm ileri geçişi (encoded as a separate denklem çözücü) farklıdır.Bu, yüksek lisanslı optimizasyon kullanarak kontrol politikalarının son öğrenilmesine olanak sağlar, çünkü bunu doğru ile yapılır.

Özerk Araç Stack'te Pratik Uygulama

Üretimde otonom araçlarda, diferansiyel denklem modelleri birkaç bileşende gömülüdür:

  • [FONT=0)Perception ve devlet tahminleri:[Dönetici:[Döntilmiş Kalmalı Filtreler (UKF), GPS'i, IMU, tekerlek hızı ve görsel odometriyi sağlam bir devlet tahminine güvenmek.
  • [FONT:0)Planner:[Dönetici:[Dönetici:0) Planlayıcı:[Dönetici:0) yörünge planlayıcısı, planlı bir araç ODE'yi sık sık sık sık dinamik olarak mümkün olduğundan emin olmak için kısıtlanmış bir optimizasyonu çözer.
  • [FONT=0) Düşük seviyeli kontrol:[Dönetici:[Dönetici:0) Aracın hareket kabiliyetine yönelik arayüz genellikle 100+ Hz'de bir PID döngüsü çalışır, çünkü inertia ve sürtünme için telafi edilen dinamik model ile.
  • [FONT:0)Güvenli monitörler:[Dönetici:[Dönetici:0)Güvenli güvenlik kontrolleri, aracın ODE modelini kullanarak en kötü durumdaki duraklamaları hesaplayabilir ve araç ODE modelini kullanarak, birincil kontrol başarısız olsa bile fiziksel sınırın aşılmasıdır.

Her bileşen, önceden dağıtımdan önce simülasyonda titizlikle test edilmelidir. CARLA veya büyük otonom sürüş şirketleri tarafından kullanılan içsel simülatörler, gerçekçi sensör ve araç davranışları sağlamak için her çerçeveyi çözer.

Vaka Çalışmaları ve Gerçek Dünya Örnekleri

[FONT:0] Waymo's Jaguar I-PACE filosu, uzun süredir uygun olmayan kontrol için MPC'nin bir kombinasyonunu kullanıyor ve uyaraklı bir seyir kontrolü kullanıyor. mühendisleri, doğrusal olmayan ODE'lerin kentsel ortamlarda nasıl düzgün ve güvenli sürüşe dayandığını gösteriyor.

[FONT:0]Tesla:[Dönetici:[Döneticileri)[değiştir | kaynağı değiştir] Tesla'nın Autopilot, geç bir devlet gösterimine giren bir sinir ağı kullanıyor, bu daha sonra öğrenilmiş dinamik modeli kullanan bir kontrol modülüne beslenir.

[FONT:0]Robotic yarışmaları: [Dönetici: [Dönetici:0] DARPA'nın Büyük Meydan Savaşı ve daha sonra Kentsel Mücadele, takımlar MPC ve PID kontrolörlerine dikkatle baktı ODE modelleme. Kazanan araçlar tüm mevcut donanım bilişiminde gerçek zamanlı olarak çalıştırabilecek doğru dinamik modeller vardı.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Diferansiyel denklemler, özerk araç kontrol algoritmalarının arkasındaki rakip kahramanlardır. Bir aracın nasıl hareket ettiğini, kuvvetlere cevap verdiğini ve çevreyle etkileşime gireceğini tanımlamak için matematiksel dil sağlarlar. ODEs that model single-input dynamic to PDEs that catch traffic flow, and from lineer denklems that handle the account for unknown, the entire control stack is built on this basic.