[pt] IDENTIFICAÇÃO NÃO-LINEAR E CONTROLE PREDITIVO DA DINÂMICA DO VEÍCULO

[en] NONLINEAR IDENTIFICATION AND PREDICTIVE CONTROL OF VEHICLE DYNAMICS

[pt] LUCAS CASTRO SOUSA

[pt] DINAMICA DE VEICULOS

[pt] REDES NEURAIS ARTIFICIAIS

[pt] VEICULOS AUTONOMOS

[pt] IDENTIFICACAO DE SISTEMAS

[pt] CONTROLE PREDITIVO

[pt] MODELOS HIBRIDOS

[en] VEHICULAR DYNAMICS

[en] ARTIFICIAL NEURAL NETWORKS

[en] HIGHLY AUTOMATED VEHICLES

[en] SYSTEM IDENTIFICATION

[en] PREDICTIVE CONTROL

[en] HYBRID MODELS

[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.

HELON VICENTE HULTMANN AYALA

MAURO SPERANZA NETO

MARCO ANTONIO MEGGIOLARO

RICARDO TEIXEIRA DA COSTA NETO

HELON VICENTE HULTMANN AYALA

ROBERTO ZANETTI FREIRE

ELIAS DIAS ROSSI LOPES

2023-03-28

2023-02-14

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62096@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62096@2

https://doi.org/10.17771/PUCRio.acad.62096