Diz 88 cz
Pokročilé algoritmy pro řízení dynamiky vozidel
Autor: David Vošahlík
Tato disertační práce se zabývá pokroky v oblasti řízení a bezpečnosti vozidel, zaměřuje se na rozdělování momentu trakce, odhadování parametrů rozhraní mezi pneumatikou a vozovkou a plánování trajektorie vozidel, zejména v kontextu elektrických a autonomních vozidel.
První část se věnuje rozdělování momentu trakce v přeaktuovaných systémech, kde je každé kolo poháněno nezávisle. Tradiční metody rozdělování často spoléhají na přímé rozdělování trakční síly nebo podélného skluzu pomocí optimalizace. Tato disertační práce představuje novou metodu rozdělování na základě zpětné vazby z pohybu vozidla, která využívá referencí pohybu vozidla v centrálním bodě vozidla (CP) k řízení bodů zavěšení kol. Tato metoda nabízí jemnější a rychlejší mechanismus řízení. Řeší problém rozdělování trakce transformací referencí pohybu vozidla v CP na body zavěšení kol, což zvyšuje jak výkon, tak i účinnost. Kromě toho přináší mnoho výhod ve srovnání se současnými metodami, jako je zlepšená robustnost, přizpůsobivost, jednoduchost systému, atd.
Další část práce se zabývá odhadem parametrů rozhraní mezi pneumatikou a vozovkou, které je klíčové pro řízení dynamiky vozidla. Tradiční řídicí systémy často snižují výkon ve prospěch robustnosti, zejména kvůli nelinearitám a nejistotám v interakcích mezi pneumatikou a vozovkou. Tato kapitola představuje dvě inovativní metody pro odhad optimálního podélného skluzu (\(\lambda_{\text{opt}}\)), který odpovídá maximální dostupné trakční síle, v reálném čase. Navrhované metody zahrnují odhadovač založený na Unscented Kalmanově filtru (UKF) a odhadovač založený na metodě nejmenších čtverců (RLS). Tyto odhadovače byly ověřeny prostřednictvím simulací a reálných experimentů. Dále je odhadovačc založený na UKF použit pro anotace při tréninku a validaci samo-učící se neuronové sítě pro predikci kluzkosti povrchu. Jsou zde uvedeny kvalitativní i kvantitativní výsledky prediktoru kluzkosti na základě obrazů z kamery.
Závěrečná část disertační práce se zabývá plánováním trajektorie vozidla, což je klíčová součást nejen autonomních vozidel. Porovnává dva algoritmy: modelově prediktivní řízení (MPC) a plánování s minimálním porušením (MVP). MPC je známé pro své využití v řízení procesů, ale je pouze s obtížemi použitelné pro nekonvexní problémy, typické pro navigaci vozidla. MVP naopak zpracovává omezení jako logické výrazy transformované do účelových funkcí, což zajišťuje plánovanou trajektorii i ve složitých nekonvexních scénářích. Tato práce také diskutuje modifikace MVP za účelem snížení doby výpočtu a porovnává jeho výkon s MPC v různých testovacích scénářích. Výsledky ukazují, že MVP je vhodnější pro řešení dynamických a složitých plánovacích problémů, což z něj činí slibný přístup pro provoz autonomních vozidel v reálném čase.
Celkově tato disertační práce přináší významné příspěvky do oblasti systémů řízení vozidel. Navrhuje nové metody pro rozdělování momentů trakce, odhad parametrů rozhraní mezi pneumatikou a vozovkou a plánování trajektorie, které řeší současné nedostatky a zvyšují bezpečnost, efektivitu a funkčnost moderních vozidel. Tyto pokroky připravují půdu pro budoucí rozvoj technologií drive-by-wire a autonomních systémů řízení.