Contrôle Prédictif par Modèle avec Dynamique de Véhicule Apprise pour le Suivi de Trajectoire de Véhicule Autonome

Le contrôleur prédictif par modèle (MPC) est une technique efficace pour concevoir un contrôleur de suivi de trajectoire (PTC) pour les véhicules autonomes (AV). La performance du MPC peut être significativement améliorée par l'adoption d'un modèle de véhicule précis et de haute fidélité. Ce modèle doit être capable de capturer la dynamique complète du véhicule, y compris les non-linéarités et les incertitudes, sans imposer un coût computationnel élevé pour le MPC. Une approche basée sur les données réalisée par l'apprentissage des dynamiques du véhicule à partir des données de fonctionnement du véhicule peut offrir une solution prometteuse en fournissant un compromis approprié entre des prévisions d'état précises et le coût computationnel pour le MPC. Ce travail propose un cadre pour concevoir un MPC avec un modèle dynamique de véhicule appris basé sur un réseau de neurones (NN) en utilisant la pléthore de données disponibles provenant des systèmes de véhicules modernes. L'objectif est d'intégrer un modèle basé sur réseau de neurones avec une plus grande précision que les modèles de véhicule conventionnels pour l'horizon de prévision requis dans le MPC afin d'améliorer les performances de suivi. Le modèle proposé basé sur réseau de neurones est hautement capable d'approximer les états latents du système, qui sont difficiles à estimer, et fournit des prévisions plus précises en présence d'incertitudes paramétriques. L'observation des résultats dans diverses conditions de route montre que l'approche proposée surpasse les MPC avec des modèles de véhicule conventionnels.