[pt] Os veículos automatizados devem trafegar em determinado ambiente detectando, planejando e seguindo uma trajetória segura. De modo a se mostrarem mais seguros que seres humanos, eles devem ser capazes de executar
essas tarefas tão bem ou melhor do que motoristas humanos sob diferentes
condições críticas. Uma parte essencial no estudo de veículos automatizados o
desenvolvimento de modelos representativos que sejam precisos e computacionalmente eficientes. Assim, para lidar com esses problemas, o presente trabalho aplica métodos de inteligência computational e identificação de sistemas
para realizar modelagem de veículos e controle de rastreamento de trajetória.
Primeiro, arquiteturas neurais são usadas para capturar as características do
pneu na interação entre a dinâmica lateral e longitudinal do veículo, reduzindo
o custo computacional em controladores preditivos. Em segundo lugar, uma
combinação de modelos caixa-preta é usada para melhorar o controle preditivo. Em seguida, uma abordagem híbrida combina modelos baseados na física
e orientados por dados com modelagem de caixa-preta das discrepâncias. Essa
abordagem é escolhida para melhorar a precisão da modelagem de veículos,
propondo um modelo de discrepância para capturar incompatibilidades entre
modelos de veículos e dados medidos. Os resultados são mostrados quando os
métodos propostos são aplicados a sistemas com dados simulados/reais e comparados com abordagens encontradas na literatura, mostrando um aumento
de precisão (até 40 por cento) em termos de métricas baseadas em erro, com menor
esforço computacional (redução de até 88 por cento) do que os controladores preditivos
convencionais. / [en] Automated vehicles must travel in a given environment detecting, planning, and following a safe path. In order to be safer than humans, they must be
able to perform these tasks as well or better than human drivers under different
critical conditions. An essential part of the study of automated vehicles is the
development of representative models that are accurate and computationally
efficient. Thus, to cope with these problems, the present work applies artificial
neural networks and system identification methods to perform vehicle modeling
and trajectory tracking control. First, neural architectures are used to capture
tire characteristics present in the interaction between lateral and longitudinal vehicle dynamics, reducing computational costs for predictive controllers.
Secondly, a combination of black-box models is used to improve predictive control. Then, a hybrid approach combines physics-based and data-driven models
with black-box modeling of the discrepancies. This approach is chosen to improve the accuracy of vehicle modeling by proposing a discrepancy model to
capture mismatches between vehicle models and measured data. Results are
shown when the proposed methods are applied to systems with simulated/real
data and compared with approaches found in the literature, showing an increase of accuracy (up to 40 percent) in terms of error-based metrics while having lesser
computational effort (reduction by up to 88 percent) than conventional predictive
controllers.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:62096 |
| Date | 28 March 2023 |
| Creators | LUCAS CASTRO SOUSA |
| Contributors | HELON VICENTE HULTMANN AYALA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.002 seconds