.png){kind=icon}
返回
Enhancing MPC-Based MCA Through Deep Learning for Adaptive Tuning
.png){kind=icon}
OA
AI
DOI：10.3390/computers15060391.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
驾驶模拟器中的高保真运动模拟对于提供真实且沉浸的用户体验至关重要。然而，运动精度与计算效率之间的权衡往往阻碍了这一目标的实现。基于固定视域模型预测控制（MPC）的运动模拟算法（MCA）框架通常难以适应车辆行为的快速动态变化，导致模拟器响应次优。其对最坏视域调优的依赖可能导致平台使用效率低下和计算负载增加，从而限制计算效率和实际部署。本研究提出了一种自适应MPC-MCA方法，旨在提升车辆动态模拟中运动平台的保真度。所提出的方法动态调整MPC预测视域，以提高整体模拟性能，同时最小化运动感知误差。在模拟环境中，预测视域根据近期的跟踪性能指标在每个模拟控制步骤自适应更新，从而能够响应变化的车辆动态模型和驾驶场景。该系统使用Python和MATLAB环境进行开发和实现，并采用长短期记忆（LSTM）网络来增强预测视域调整的自适应性和精度。由于安全限制，所提出的框架仅在模拟环境中进行评估，并与经典的MPC-MCA和强化学习（RL）MPC-MCA进行对比。实验结果表明，所提出的自适应框架在提高工作空间利用率、显著降低计算负载方面优于经典和RL-MPC-MCA方法，同时保持有竞争力的运动模拟跟踪性能。自适应系统有效提升了线性位移（LD），确保运动模拟与平台约束更好地对齐。尽管在感知角速度（SAV）和感知特定力（SSF）的均方根误差（RMSE）和相关系数（CCs）上观察到轻微权衡，但该框架在提高工作空间利用率和计算效率的同时保持了有竞争力的运动模拟性能。此外，自适应LSTM-MPC框架大幅降低了计算负载，执行速度比经典MPC-MCA快约44.26倍，比RL-MPC-MCA快约30.03倍。这些发现突显了深度学习（DL）与MPC集成在优化驾驶模拟器中运动模拟性能、平台利用率和计算效率之间权衡的潜力。
Keyword:
driving simulator
motion cueing algorithm
model predictive control
adaptive tuning
deep learning
LSTM networks
computational complexity
vehicle dynamics simulation
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
引用论文
Optimizing Model Predictive Control horizons using Genetic Algorithm for Motion Cueing Algorithm
PREAI
分享收藏LSTM-MPC: A Deep Learning Based Predictive Control Method for Multimode Process ControlLstm-mpc: 一种基于深度学习的多模式过程预测控制方法
PREAI
分享收藏
Al-serri, S.; Qazani, M.R.C.; Mohamed, S.; Arogbonlo, A.; Al-ashmori, M.; Lim, C.P.; Nahavandi, S.; Asadi, H. Optimising Horizons in Model Predictive Control for Motion Cueing Algorithms Using Reinforcement Learning. In Proceedings of the 2024 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Kuching, Malaysia, 6–10 October 2024; pp. 2793–2800. [Google Scholar] [CrossRef]Al-serri, S.; Qazani, M.R.C.; Mohamed, S.; Arogbonlo, A.; Al-ashmori, M.; Lim, C.P.; Nahavandi, S.; Asadi, H. 利用强化学习优化模型预测控制中的运动模拟算法的时间范围。在2024年IEEE系统、人与控制论国际会议（SMC），马来西亚古晋，2024年10月6日至10日；第2793–2800页。[Google Scholar][CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容