[论文解读] A Data Driven Method of Optimizing Feedforward Compensator for Autonomous Vehicle

Tianyu Shi, Pin Wang+2 more|arXiv (Cornell University)|Jan 31, 2019

Vehicle Dynamics and Control Systems参考文献 11被引用 4

一句话总结

本文提出一种数据驱动的前馈补偿器，通过建模和补偿系统延迟、参数变化及外部干扰，提升自动驾驶车辆控制的鲁棒性。利用主成分分析（PCA）和时滞神经网络预测未来误差，该方法在仿真中提高了控制精度与稳定性，有效应对现实世界中的不确定性，且无需依赖精确的系统模型。

ABSTRACT

A reliable controller is critical and essential for the execution of safe and smooth maneuvers of an autonomous vehicle.The controller must be robust to external disturbances, such as road surface, weather, and wind conditions, and so on.It also needs to deal with the internal parametric variations of vehicle sub-systems, including power-train efficiency, measurement errors, time delay,so on.Moreover, as in most production vehicles, the low-control commands for the engine, brake, and steering systems are delivered through separate electronic control units.These aforementioned factors introduce opaque and ineffectiveness issues in controller performance.In this paper, we design a feed-forward compensate process via a data-driven method to model and further optimize the controller performance.We apply the principal component analysis to the extraction of most influential features.Subsequently,we adopt a time delay neural network and include the accuracy of the predicted error in a future time horizon.Utilizing the predicted error,we then design a feed-forward compensate process to improve the control performance.Finally,we demonstrate the effectiveness of the proposed feed-forward compensate process in simulation scenarios.

研究动机与目标

• 解决由时间延迟、参数变化以及道路状况和天气等外部干扰引起的自动驾驶车辆控制不准确性。
• 开发一种无需精确系统动力学或干扰模型的无模型、数据驱动方法。
• 通过预测未来控制误差并实时应用前馈补偿，提升控制器性能。
• 在多样化动态和环境条件下进行仿真验证。

提出的方法

• 应用主成分分析（PCA）从历史控制数据中提取主要模式，识别最具影响力的误差来源。
• 训练时滞神经网络（TDNN），基于历史输入和状态序列预测未来控制误差。
• 将预测误差用作前馈补偿信号，在误差累积前调整控制指令。
• 将补偿过程集成到现有车辆控制架构中，以提升跟踪性能。
• 使用反映真实世界驾驶条件和系统变化的仿真数据进行方法的训练与验证。

实验结果

研究问题

• RQ1 数据驱动方法能否有效建模并补偿自动驾驶车辆控制中的时间延迟和参数变化？
• RQ2 时滞神经网络能否基于历史数据准确预测未来控制误差？
• RQ3 基于预测误差的前馈补偿是否能提升仿真中的控制精度与稳定性？
• RQ4 PCA能否在保留关键动力学特性的同时有效降低控制误差数据的维度？

主要发现

• 所提出的基于数据驱动的前馈补偿器在仿真中显著降低了控制误差，提升了在各种干扰下的跟踪性能。
• 时滞神经网络在预测未来控制误差方面表现出高精度，实现了有效的预补偿。
• PCA成功识别出最具影响力的误差分量，在不损失预测能力的前提下降低了数据复杂度。
• 该方法对道路表面变化和风等外部干扰表现出鲁棒性，维持了稳定的控制。