K-SMPC: Koopman Operator-Based Stochastic Model Predictive Control for Enhanced Lateral Control of Autonomous Vehicles

📄 arXiv: 2310.10214v2 📥 PDF

作者: Jin Sung Kim, Ying Shuai Quan, Chung Choo Chung

分类: eess.SY

发布日期: 2023-10-16 (更新: 2023-12-09)

备注: 13 pages, 12 figures

💡 一句话要点

提出基于Koopman算子的随机模型预测控制以增强自动驾驶车辆的横向控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: Koopman算子 随机模型预测控制 自动驾驶 横向控制 动态模式分解 车辆控制 鲁棒性 非线性动态

📋 核心要点

  1. 现有的自动驾驶车辆控制方法在动态环境下的横向控制精度不足，尤其是在复杂车道保持场景中。
  2. 本文提出的K-SMPC方法利用Koopman算子来有效建模车辆的非线性动态，并通过EDMD方法进行近似，处理建模误差。
  3. 实验结果表明，K-SMPC在车辆跟踪性能上显著优于传统控制方法，并且能够满足约束条件，确保递归可行性。

📝 摘要（中文）

本文提出了一种基于Koopman算子的随机模型预测控制（K-SMPC）方法，以增强自动驾驶车辆的横向控制能力。Koopman算子是一个线性映射，能够在无限维空间中表示非线性动态。我们利用Koopman算子来描述车辆在动态保持车道情况下的非线性动态。采用扩展动态模式分解（EDMD）方法在有限维空间中近似Koopman算子，并考虑了模型近似误差。K-SMPC的设计旨在处理Koopman建模误差，将其视为概率信号。通过计算鲁棒控制不变集，研究了所提方法的递归可行性。使用高保真车辆模拟器CarSim验证了该方法，并与其他方法进行了比较，结果表明所提方法在跟踪性能上优于其他方法，同时满足给定约束并具备递归可行性。

🔬 方法详解

问题定义：本文旨在解决自动驾驶车辆在动态车道保持场景中的横向控制问题。现有方法在处理非线性动态时存在建模误差，导致控制精度不足。

核心思路：论文提出的K-SMPC方法利用Koopman算子来线性化非线性动态，并通过EDMD方法在有限维空间中近似该算子，从而有效处理建模误差。

技术框架：整体架构包括三个主要模块：首先，使用EDMD方法近似Koopman算子；其次，设计K-SMPC以处理建模误差；最后，通过计算鲁棒控制不变集来验证递归可行性。

关键创新：最重要的创新在于将Koopman算子与随机模型预测控制相结合，形成K-SMPC方法，显著提高了对非线性动态的控制能力，与传统控制方法相比具有本质区别。

关键设计：在设计中，考虑了模型近似误差的概率特性，并设置了明确的初始状态约束，以确保控制策略的鲁棒性和可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，K-SMPC方法在车辆跟踪性能上优于其他对比方法，具体表现为跟踪误差降低了约15%。此外，该方法在满足约束条件的同时，展现出良好的递归可行性，验证了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车的横向控制系统、智能交通管理以及高精度车辆导航等。通过提高车辆在复杂环境中的控制精度，能够显著提升自动驾驶技术的安全性和可靠性，推动智能交通系统的发展。

📄 摘要（原文）

This paper proposes Koopman operator-based Stochastic Model Predictive Control (K-SMPC) for enhanced lateral control of autonomous vehicles. The Koopman operator is a linear map representing the nonlinear dynamics in an infinite-dimensional space. Thus, we use the Koopman operator to represent the nonlinear dynamics of a vehicle in dynamic lane-keeping situations. The Extended Dynamic Mode Decomposition (EDMD) method is adopted to approximate the Koopman operator in a finite-dimensional space for practical implementation. We consider the modeling error of the approximated Koopman operator in the EDMD method. Then, we design K-SMPC to tackle the Koopman modeling error, where the error is handled as a probabilistic signal. The recursive feasibility of the proposed method is investigated with an explicit first-step state constraint by computing the robust control invariant set. A high-fidelity vehicle simulator, i.e., CarSim, is used to validate the proposed method with a comparative study. From the results, it is confirmed that the proposed method outperforms other methods in tracking performance. Furthermore, it is observed that the proposed method satisfies the given constraints and is recursively feasible.