Governador de Comando de Segurança Informado pelo Operador Koopman Profundo para Veículos Autônomos

A modelagem de comportamentos não lineares com modelos baseados em física apresenta desafios. No entanto, o operador Koopman mapeia o sistema não linear original em um espaço linear de dimensão infinita para alcançar a linearização global do sistema não linear por meio de dados de entrada e saída, o que deriva uma representação linear equivalente absoluta do espaço de estado original. Devido à impossibilidade de implementar o operador Koopman de dimensão infinita, funções núcleo de dimensão finita são selecionadas como uma aproximação. Dada sua estrutura flexível e alta precisão, o aprendizado profundo é inicialmente empregado para extrair funções núcleo dos dados e adquirir uma dinâmica de evolução linear do veículo autônomo no espaço elevado. Além disso, a função de barreira de controle (CBF) converte as restrições de estado nas restrições sobre a entrada para garantir a propriedade de segurança. Em seguida, em termos de estabilidade lateral do veículo com motor nas rodas, as condições da CBF são incorporadas ao modelo Koopman profundo aprendido. Devido à forma linear do modelo Koopman profundo, o problema de programação quadrática é formulado para gerar o torque de condução aplicado com a mínima perturbação ao torque de condução original como um governador de comando de segurança. Por fim, para validar a fidelidade do modelo Koopman profundo em comparação com outras abordagens convencionais e demonstrar a melhoria lateral alcançada pelo governador de comando de segurança proposto, coletas de dados e cenários de teste de segurança são realizados em uma plataforma de hardware em loop.