.png){kind=icon}
返回
Data-driven Vehicle Torque Vectoring Control Using Streaming Gaussian Process MPC
.png){kind=icon}
PRE
AI
DOI：10.1007/s12555-025-0483-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种利用增强高斯过程（GP）模型预测控制（MPC）的扭矩矢量控制系统。传统MPC在面对未建模的系统动态或变化的运行条件时，可能会出现性能下降。为解决这些局限性，本研究采用GP来学习和补偿剩余的车辆动态和扰动。所提出的框架具有GP模型的动态在线自适应特性，其预测通过数据缓冲策略和周期性超参数再优化，基于近期驾驶数据持续进行精细化调整。该在线学习框架在本研究中被称为流式GP（Streaming GP），提高了整体系统的控制精度和适应性。通过在车辆模型上针对各种复杂驾驶场景进行的全面仿真，验证了所提算法的有效性，并展示了其相比传统方法的扭矩矢量性能。
Keyword:
Data-driven control
Gaussian process
model predictive control
torque vectoring
vehicle dynamics
期刊
IF:
2.9
论文数:
223
被引数:
6.5K
机构
引用论文
分享收藏Tutorial on Predictive Control for Systems With Model Uncertainty Using Gaussian Process Regression
PREAI
分享收藏分享收藏Deep-Neural-Network-Based Modelling of Longitudinal-Lateral Dynamics to Predict the Vehicle States for Autonomous Driving.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Online learning-based model predictive control with Gaussian process models and stability guarantees具有高斯过程模型和稳定性保证的在线学习模型预测控制
OAAI
OAAI分享收藏Comparison of Feedback Control Techniques for Torque-Vectoring Control of Fully Electric Vehicles全电动汽车转矩矢量控制的反馈控制技术比较OAAI
OAAI分享收藏Rear wheel torque vectoring model predictive control with velocity regulation for electric vehiclesOAAI
OAAI分享收藏
查看更多内容