Knstliche Neuronale Netzwerke Zur Adaptiven Fahrdynamikregelung
Niniejsza książka analizuje wykorzystanie hybrydowej koncepcji sterowania do kontroli dynamiki autonomicznego pojazdu testowego. Oparty na modelu, kaskadowy kontroler dynamiki bocznej jest rozszerzony o sztuczną sieć neuronową (ANN).
ANN jest zaimplementowana bez "wcześniejszej wiedzy" i aktywnie trenowana w zamkniętej pętli sterowania. Badania przeprowadzono zarówno w symulacjach, jak i w rzeczywistym pojeździe testowym. Testy pokazują wydajność hybrydowej koncepcji sterowania.
Przy niskiej dynamice pojazdu precyzyjne sterowanie pojazdem jest możliwe nawet bez ANN. Jednak wysoka dynamika powoduje odchylenia od kursu docelowego, które są stopniowo redukowane przez iteracyjną sieć uczącą się.
Zależna od sytuacji optymalizacja wag sieci kompensuje wpływ systematycznego błędu modelu bazowego i poprawia wydajność sterowania. Zachowanie to można wykazać poprzez odpowiedni dobór parametrów projektowych ANN dla każdego z rozważanych scenariuszy.
Adaptacja wag sieci umożliwia poprawę wydajności sterowania w porównaniu z podstawowym sterownikiem opartym wyłącznie na modelu, zarówno w przypadku błędu, jak i w przypadku wysokiej dynamiki pojazdu i niedokładnej identyfikacji systemu.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)