FenixEdu™

Dissertação

Learning-based Model Predictive Control applied to a Formula Student Racing Car EVALUATED

Detalhes: Os avanços em Sistemas de Condução Automatizada (SCAs) permitiram alcançar um certo nível de autonomia ao viajar de carro. No entanto, manobras de emergência e de alta velocidade ainda representam desafios significativos para os SCAs devido ao comportamento não-linear e rápido. Estas manobras são uma característica distintiva na disciplina recentemente estabelecida no automobilismo de Corridas Autônomas (CA). Neste trabalho, é explorado o uso de Controlo Preditivo em Modelo com base em Aprendizagem (CPMA) que mitiga os erros do modelo físico em condições de corrida em altas velocidades. Para este fim, é formulado um Controlo Preditivo em Modelo baseado no Contorno (CPMC) (uma formulação específica do Controlo Preditivo em Modelo convencional, CPM) e desenvolvida uma rede neuronal (RN) que aprende o erro do modelo físico. Ao combinar o modelo baseado em princípios físicos com a RN, nasce o CPMA, capaz de prever o futuro com precisão e um esforço computacional compatível com uma implementação em tempo real, conseguindo efetivamente chegar aos limites do veículo. Para além disso, é possível treinar a RN durante a corrida, de modo a adaptar o controlador a alterações do meio. O CPMC (formulação sem a RN) é implementado num carro de corrida Formula Student mostrando uma melhoria de 16% nos tempos médios por volta na mesma pista com o carro real entre um controlador geométrico comum e o CPMC proposto. O CPMA é analisado num simulador de alta fidelidade, alcançando uma melhoria de 8,9% nos tempos médios por volta comparativamente ao CPMC.
Keywords: Corridas Autônomas, Controlo Preditivo com Aprendizagem, Controlador de Contorno Preditivo, Aprendizagem de Modelos, Formula Student

Discussão: novembro 21, 2023, 12:0