Sistemas de Estacionamiento Automatizados Usando Control Predictivo Asistido por Aprendizaje por Refuerzo

RESUMEN El estacionamiento autónomo sigue siendo una tarea desafiante debido a la necesidad de un seguimiento de trayectoria preciso, una dirección suave y un control de rumbo estable bajo diversas condiciones de maniobra. El control predictivo convencional (MPC) puede manejar efectivamente las restricciones del sistema, pero su rendimiento depende en gran medida de los pesos de costo ajustados manualmente. Este artículo propone un marco de MPC asistido por aprendizaje por refuerzo (MPC-AR) para mejorar el rendimiento del estacionamiento de vehículos autónomos. Se entrena a un agente de red Q profunda (DQN) para seleccionar dinámicamente los pesos de la función de costo de un controlador MPC, lo que permite la adaptación en tiempo real según el estado actual del vehículo. El enfoque híbrido aprovecha la capacidad de optimización predictiva del MPC junto con la toma de decisiones adaptativa del AR, lo que permite al controlador ajustar compensaciones en tiempo real sin re-ajustes manuales. El marco se evalúa en cinco escenarios de estacionamiento diferentes y se compara con líneas base de MPC de peso estático. Las evaluaciones experimentales demuestran que el marco propuesto de MPC-AR logra una precisión de seguimiento lateral comparable o mejor, mientras proporciona consistentemente un comportamiento de dirección más suave y una mayor estabilidad de rumbo en comparación con controladores de línea base que utilizan pesos estáticos de MPC. El marco propuesto se evalúa además bajo posiciones iniciales de vehículo seleccionadas al azar y previamente no vistas, demostrando su robustez y generalización a través de diversas configuraciones de estacionamiento. Los resultados demuestran que el MPC-AR mejora la robustez y la generalización en sistemas de estacionamiento automatizados, destacando el potencial de combinar el control predictivo basado en modelos con AR para la conducción autónoma.