[pt] IDENTIFICAÇÃO NÃO-LINEAR E CONTROLE PREDITIVO DA DINÂMICA DO VEÍCULO
[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...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
| Repositorio: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| Idioma: | inglés |
| OAI Identifier: | oai:MAXWELL.puc-rio.br:62096 |
| Acceso en línea: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62096&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62096&idi=2 http://doi.org/10.17771/PUCRio.acad.62096 |
| Access Level: | acceso abierto |
| Palabra clave: | [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 |
| Sumario: | [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. |
|---|