基于物理信息神经网络的增强型非线性模型预测控制的轨迹跟踪实验评估

《IEEE Transactions on Vehicular Technology》：Experimental Evaluation of Trajectory Tracking With Nonlinear Model Predictive Control Enhanced by Physics-Informed Neural Network

　　非线性模型预测控制（NMPC）结合物理信息神经网络（PINN）动态模型架构，优化物理参数并确保约束有效性，采用可测量的车轮转速替代传统轮胎模型输入，提出兼顾短/长预测horizon平衡的算法，通过分布式驱动电动汽车实车实验验证其实时性和轨迹跟踪性能优于传统物理模型。

　　

摘要：

非线性模型预测控制（NMPC）算法已广泛应用于自动驾驶车辆的轨迹跟踪，但其性能主要受预测模型精度的限制。本文提出了一种基于物理信息的神经网络（PINN）动力学模型架构，该架构将基于物理的动力学模型集成到神经网络训练过程中。PINN能够优化所有物理动力学参数，确保参数的有效性，并提升模型的可解释性和真实性。此外，通过使用可精确测量的车轮速度作为输入（而非通过耦合的滑移轮胎模型得到的扭矩），PINN动力学模型更具实用性。在此基础上，本文提出了一种新的NMPC算法用于轨迹跟踪，该算法通过结合短期和长期预测范围来平衡预测范围与跟踪距离，从而在保证跟踪性能的同时兼顾实时计算效率。最后，在一款分布式驱动电动汽车（DDEV）上进行了实际车辆实验，验证了该算法的有效性及其良好的实时性能。实验结果表明，PINN动力学模型相较于基于物理的动力学模型具有更高的精度，显著提升了NMPC的轨迹跟踪能力。