Aprendizaje Profundo por Refuerzo del Controlador de Suspensión Semi-Activa para el Confort de Conducción del Vehículo

Entre los sistemas de suspensión controlables, el control de la suspensión semi-activa se basa principalmente en el control óptimo. Recientemente, el aprendizaje profundo por refuerzo se utiliza ampliamente como un método para resolver el problema de control óptimo. Las estrategias de control desarrolladas utilizando el aprendizaje por refuerzo han mostrado un desempeño más allá de los algoritmos de control convencionales en algunos campos. En el presente estudio, hemos propuesto un controlador de confort de conducción semi-activo casi óptimo utilizando aprendizaje profundo por refuerzo. Se seleccionó un algoritmo adecuado para un entorno de control de suspensión semi-activa basado en la teoría del aprendizaje profundo por refuerzo para aumentar la convergencia en el entrenamiento. Además, se diseñó un filtro de normalización de estado para mejorar el rendimiento de generalización. Cuando se compara con los algoritmos de control clásico orientados al confort de conducción, nuestro controlador entrenado mostró el mejor rendimiento en términos de confort de conducción. La comparación del mapa de políticas con el algoritmo mixto SH-ADD (Amortiguación impulsada por Skyhook-Acción) sugirió la dirección para el diseño del algoritmo de control de suspensión semi-activa.