Řídicí systém dynamiky vozu založený na MPC algoritmech

Abstract

Tato práce představuje algoritmus pro ří-zení dynamiky vozidla, založený na nové metodě v nelineárním řízení, která vyu-žívá Koopmanův operátor k sestrojení li-neárního prediktoru, schopného prediko-vat chování nelineárního systému. Predik-tor je schopen aproximovat dynamiku ne-lineárního systému v celém podprostoru nelineárního stavového prostoru, narozdíl od známé metody linearizace založené na Taylorově rozvoji, která aproximuje neli-neární systém pouze v okolí provozního bodu. Postup k sestrojení tohoto predik-toru je kompletně založený na datech a využívá výhradně konvexních optimalizač-ních metod. Tato práce představuje sadu sadu nelineárních modelů dynamiky vozi-dla různých přesností, která bude použita k sestrojení a validaci prediktoru. Sestro-jení prediktoru je detailně demonstrováno na nelineárním dvoukolovém modelu. Do-pad všech parametrů ovlivňujících sestro-jení prediktoru je do detailu prodiskuto-ván. Lineární prediktor je pak použitý v přístupu Koopmanova prediktivního ří-zení z [ KM18a ] pro vytvoření nelineárního řídícího algoritmu založeného výhradně na lineárních metodách prediktivního řízení.This work presents a vehicle dynamics control algorithm based on a novel approach in nonlinear control, which uses the Koopman operator to construct a linear predictor of a nonlinear system. The predictor is able to approximate the dynamics of the nonlinear system in a whole subspace of the nonlinear state-space, unlike the common linearization method based on the Taylor series, which approximates the nonlinear system only around an operating point. The procedure to construct this predictor is completely data-driven and uses only convex optimization methods. This work presents a set of nonlinear vehicle dynamics models of varying fidelity to be used for the predictor construction and validation. The contruction of the predictor is demonstrated in detail on a nonlinear singletrack model. The impact of all parameters influencing the predictor construction is discussed in detail. The linear predictor is then used in the Koopman model predictive control framework of [ KM18a ] to create a nonlinear control algorithm based entirely on linear model predictive control methods.