基于管状集的 LPV 车辆动力学数据驱动预测控制:利用区间不确定集

《European Journal of Control》:Tube-Based Data-Driven Predictive Control of LPV Vehicle Dynamics via Zonotopic Uncertainty Sets

【字体: 大 中 小 】 时间:2026年09月27日 来源:European Journal of Control 2.6

编辑推荐:

   **摘要** 本文提出了一种基于管(tube)的模型预测控制(MPC)框架,用于自动驾驶,该框架将基于物理的线性参数变化(LPV)车辆模型与数据驱动的 uncertainty 描述相结合。LPV 模型提供了真实且可物理解释的车辆动力学表示,并作为 MPC 公式中的名义预测模

  

**摘要**

本文提出了一种基于管(tube)的模型预测控制(MPC)框架,用于自动驾驶,该框架将基于物理的线性参数变化(LPV)车辆模型与数据驱动的 uncertainty 描述相结合。LPV 模型提供了真实且可物理解释的车辆动力学表示,并作为 MPC 公式中的名义预测模型。实验输入-状态数据用于构建矩阵区间体(zonotope)模型集,该模型集捕获了所有与测量轨迹一致的局部线性时不变(LTI)动力学,以及一个有界扰动集,代表可接受的建模误差和外部扰动。虽然名义轨迹使用 LPV 模型进行预测,但跟踪误差动力学和区间体管的传播则由数据驱动的矩阵区间体模型集控制。这种集成使控制器能够以紧凑且计算高效的方式显式考虑时变动力学和有界不确定性。局部稳定反馈律确保了递归可行性和闭环稳定性,而区间体管传播则对状态演化保持了紧密的边界。在雷诺 Zoé 平台上的仿真和实验结果表明,与经典的区间体管基于 MPC 相比,跟踪精度和鲁棒性均有所提高,证实了所提出方法在安全关键的自动驾驶中的有效性。

**引言**

欧洲议会研究服务局(EPRS)将自动驾驶确定为最具重塑日常生活潜力的技术之一 Van Woensel 和 Archer(2015)。这一愿景出现在快速城市化的背景下,全球人口中已有超过一半居住在城市——预计到未来几十年这一比例将达到 66% Nations(2014)。随着全球车辆保有量超过 11 亿辆并有望很快超过 20 亿辆 Scurt 等(2021),出行需求持续增长,加剧了环境和社会影响。机动交通自诞生以来造成了估计 6000 万至 8000 万人的死亡和 20 亿人的受伤,目前全球每 34 个死亡案例中就有 1 例与道路交通事故有关 Miner 等(2024);2019 年它还占全球与能源相关的 CO? 排放量的 23%,其中道路交通贡献了约 70% Miner 等(2024)。作为回应,自动驾驶汽车(AV)越来越多地被视为一种变革性解决方案。研究表明,通过协同交通管理,AV 的部署可以减少 13% 至 59% 的排放,通过生态驾驶和动态路由可以减少超过 40% Silva 等(2022),同时将噪声污染降低高达 24%,并将车道容量从 2,200 辆/小时提高到 3,900 辆/小时,从而将交通吞吐量提高约 40% Al-Turki 等(2021)。此外,更平稳的驾驶和车队行驶预计将带来 10% 至 15% 的节能和约 20% 的燃料减少。

尽管进展迅速且越来越多的公司和研究团队参与其中,但完全可靠的自主性仍然具有挑战性。自动驾驶汽车本质上是复杂的非线性系统,受到不确定性、扰动和多样化的实时驾驶场景的影响,而传统建模往往无法准确捕捉这些方面 Nasri 等(2025)。为了应对这些挑战,提出了一些控制器。PID 控制通常应用于纵向动力学,因其简洁性和有效的速度跟踪能力 Jain 和 Babel(2024),但其应用于横向动力学受到非线性和外部扰动的限制。自适应 PID 变体 Zhao 等(2012)通过在线增益调整增强了鲁棒性,但在高度不可预测的条件下仍显不足。滑模控制(SMC)增强了非线性动力学中的偏航稳定性 Zhang 等(2009),对扰动具有鲁棒性,但存在抖振和调参复杂的问题。

模型预测控制(MPC)已成为一种成熟的受约束系统框架 Le 等(2013),能够在显式输入和状态约束下实现优化。非线性 MPC(NMPC)可以捕捉复杂的动力学 Sivashangaran 等(2022),但其性能取决于模型保真度且计算成本高昂。基于学习的扩展,如 RL-MPC Wang 等(2023)和物理约束神经网络 Chrosniak 等(2024),增强了适应性和预测精度,但增加了复杂性和数据需求。

为了处理不确定性和扰动,基于管(tube)的方法 Le 等(2013)被开发出来以直接考虑此类约束。鲁棒 MPC 方法,包括 Tube MPC Lee 和 Jeong(2024)、自适应 Tube MPC Hu 和 Cheng(2022),以及区间体方法 Alcalá 等(2021); Nezami 等(2022),在面对模型不确定性和外部扰动时提供了更强的稳定性和约束满足保证。然而,这些方法通常假设系统参数是精确已知的或可以高精度识别的,而实际上这是困难的,因为车辆动力学、轮胎特性和环境条件经常变化。

这一局限性促使人们对数据驱动的 MPC 框架产生了日益增长的兴趣,这些框架通过利用收集的数据来更准确地捕捉系统行为,从而减少对精确模型的依赖。一个显著的例子是 Russo 和 Proutiere 提出的基于管的区间体数据驱动预测控制方法 Russo 和 Proutiere(2023),其中系统被建模为线性时不变(LTI),不确定性通过从输入-状态数据派生的矩阵区间体来表示。控制问题围绕名义轨迹求解,一个包围管确保在有界扰动和模型不确定性下满足约束。该方法具有几个优势:它消除了显式模型识别的需求,提供了正式的鲁棒性保证,并且与经典的 min-max 鲁棒 MPC 相比降低了计算成本。然而,它也存在重要的局限性,即需要足够丰富的数据集、区间体近似引入的保守性,以及对 LTI 系统的限制,这限制了其对现实世界非线性车辆动力学的适用性。

在本工作中,我们扩展了 Russo 和 Proutiere(2023)的公式,超越线性时不变(LTI)假设,采用线性参数变化(LPV)表示的车辆动力学。与纯粹数据驱动的 MPC 方案不同,此处使用的 LPV 模型源自基于物理的车辆描述,捕捉了其时变行为和物理耦合。数据驱动部分则用于通过从实验输入-状态测量构建的矩阵区间体表示来识别和有界建模不确定性。这产生了一个混合物理-数据驱动 MPC 框架,既利用了物理建模的可解释性,又利用了数据驱动不确定性学习的适应性。控制器结合了基于管 MPC 的鲁棒性和 LPV 名义模型,而局部反馈律通过 Riccati 方程计算以确保稳定性和约束满足。所提出的方法提高了对建模误差和外部扰动的鲁棒性,从而增强了实际运行条件下自动驾驶的可靠性。

本工作的主要贡献总结如下:

- 我们将基于管的区间体数据驱动 MPC 从 LTI 设置 Russo 和 Proutiere(2023)扩展到混合物理/数据驱动的 LPV 框架,其中名义预测使用基于物理的 LPV 模型,而跟踪误差动力学和管传播则由从真实车辆输入-状态数据和有界扰动集构建的数据驱动矩阵区间体模型集控制。
- 由于名义 LPV 模型是已知的,局部稳定反馈增益在每一步通过 Riccati 方程确定性地计算,而不是采用纯粹数据驱动方法所需的概率搜索。
- 所提出的控制器在高保真非线性车辆模型和真实扰动场景下进行评估,与经典的区间体管基于 MPC 相比,演示了改进的跟踪性能和减少的计算时间。

本文其余部分组织如下。第 2 节介绍系统公式及其 LPV 表示。第 3 节描述用于 LTI 模型识别的数据驱动过程。第 4 节介绍基于管的鲁棒控制框架,第 5 节开发在线 T-LPV-MPC 公式。第 6 节提出控制器的算法实现。第 7 节描述实现设置和雷诺 Zoé 车辆平台。第 8 节报告真实扰动下的仿真验证结果。最后,第 9 节总结全文并概述未来工作方向。

**章节片段**

**集表示**

我们从引入区间体和矩阵区间体的概念开始。

**数据驱动区间体基于管的 MPC-LPV 的提议架构**

图 2 展示了所提出的数据驱动区间体基于管的 MPC 用于 LPV 车辆动力学的一般架构。在数据收集阶段,从车辆获取输入和状态轨迹并排列成三个矩阵:X? = [x?, x?, ?, x_T-1],X? = [x?, x?, ?, x_T],和 U? = [u?, u?, ?, u_T-1],其中 T 表示收集的数据样本数量。这里,X? 表示当前状态测量的序列,X? 表示相应的下一状态,U? 表示施加的控制输入。利用

**数据驱动 LTI 识别的设计**

本节的目标是从实验数据直接推导出一个准确捕捉车辆动力学行为的线性时不变(LTI)模型,而无需显式参数估计。此识别过程离线进行,并以矩阵区间体的形式表述,该区间体紧凑地包围了所有与测量轨迹和有界过程扰动一致的可接受 LTI 模型。

**使用区间体的在线 T-LPV-MPC**

本节介绍了一种用于 LPV 系统的数据驱动基于管的 MPC 框架。遵循 Alcalá 等(2021); Russo 和 Proutiere(2023)的方法,此识别步骤产生了一个矩阵区间体,紧凑地表示 LTI 动力学中的不确定性。在线运行期间,MPC 控制器使用此区间体模型在有保证的边界内预测系统演化并构建自适应不确定性管。与依赖单一模型的经典管 MPC 方法不同

**算法实现**

算法 1 总结了所提出的基于管的数据驱动 LPV-MPC 方案的主要实现步骤。该算法分为两个主要阶段:离线数据驱动模型集构建阶段和在线实时管 MPC 阶段。离线阶段使用测量的状态-输入数据和有界扰动来构建可接受模型的矩阵区间体。在线阶段更新 LPV 预测模型,传播不确定性管,计算收紧后的约束,

**实现设置与车辆平台**

本节介绍用于在 CRIStAL 实验室的雷诺 Zoé 平台上评估所提出控制框架的实现设置。为了提高可重复性,本节报告了验证中使用的主要车辆、MPC、管设计和扰动参数。本研究中使用的实验车辆如图 4 所示。

实验在法国里尔大学的私人测试场地进行。车辆配备了大量的

**仿真验证结果**

本节使用雷诺 Zoé 自主平台对所提出的数据驱动 LPV-MPC 框架进行实验验证。考虑了三种测试场景,以评估控制器在不同动态条件下的性能。所有仿真均使用车辆的非线性自行车模型进行,包括真实的外部扰动。

**结论**

本工作将基于管的区间体数据驱动 MPC 从 LTI 设置扩展到适用于自动驾驶控制的 LPV 公式。所提出的框架将从实验数据学习的矩阵区间体不确定性集与 LPV 预测模型相结合,使控制器能够在保留基于管 MPC 鲁棒性特性的同时,考虑时变车辆动力学。控制器在真实扰动下的非线性车辆模型上进行了评估,并且

**未引用的浮动表格**

表 1.

**CRediT 作者贡献声明**

Ziyad Houssaini:写作 – 审阅与编辑,调查。Sara Ifqir:写作 – 审阅与编辑,监督。Vicen? Puig:写作 – 审阅与编辑,监督。Ahmed Rahmani:写作 – 审阅与编辑,监督。

**利益冲突声明**

作者声明不存在已知的竞争性经济利益或个人关系,这些利益或关系可能对本论文报告的工作产生影响。

Ziyad Houssaini | Sara Ifqir | Vicen? Puig | Ahmed Rahmani
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号