ĐIỀU KHIỂN DỰ BÁO MÔ HÌNH THÍCH NGHI KẾT HỢP HỌC TĂNG CƯỜNG SÂU CHO HỆ THỐNG TREO CHỦ ĐỘNG: XỬ LÝ ĐỘ TRỄ VÀ BÙ NHIỄU DỰ BÁO
DOI:
https://doi.org/10.59266/houjs.2026.1334Từ khóa:
hệ thống treo chủ động, học tăng cường kết hợp học sâu, mô phỏng có phần cứng trong vòng lặp, bù trễ cơ cấu chấp hành, ổn định ISSTóm tắt
Hệ thống treo chủ động được xem là một nền tảng quy chiếu quán tính thiết yếu, đảm bảo sự ổn định cho các cảm biến nhận thức trên xe tự hành. Các thuật toán điều khiển phản hồi mô hình truyền thống thường vận hành với bộ trọng số phạt tĩnh, dẫn đến sự thiếu linh hoạt trước các biến động của điều kiện mặt đường và thường bỏ qua tác động tiêu cực của động học trễ từ cơ cấu chấp hành. Nghiên cứu này đề xuất một giải pháp điều khiển phân tầng mới, tích hợp giữa Model Predictive Control (MPC) và tác tử học sâu tăng cường thông qua thuật toán Soft Actor-Critic (SAC). Trong cấu trúc này, ma trận trọng số của MPC được điều chỉnh liên tục theo thời gian thực dựa vào dữ liệu dự báo mặt đường. Cốt lõi khoa học của bài báo là việc áp đặt một ràng buộc Lyapunov cứng lên quá trình cập nhật chính sách của Deep Reinforcement Learning (DRL), qua đó đảm bảo tuyệt đối tính ổn định từ ngõ vào đến trạng thái (Input-to-State Stability - ISS) cho toàn hệ thống, kết hợp với kỹ thuật mở rộng vector trạng thái nhằm bù đắp trễ pha. Các thử nghiệm mô phỏng có phần cứng trong vòng lặp trên hệ thống dSPACE MicroLabBox đã minh chứng rõ rệt tính khả thi và ưu việt của phương pháp. Số liệu cho thấy hệ thống đề xuất giảm thiểu tới 53,0% chỉ số RMS gia tốc thân xe so với hệ thống thụ động, và cải thiện 23,9% so với MPC tiêu chuẩn, đồng thời bảo đảm tuân thủ nghiêm ngặt mọi giới hạn vật lý của hệ thống.
Tài liệu tham khảo
Bao, L., Zhang, Y., & Wang, C. (2020). Impact of chassis vibrations on LiDAR SLAM accuracy in autonomous vehicles. IEEE Sensors Journal, 20(14), 7935-7944.
Bui, T. M., Le, H. P., & Nguyen, D. T. (2021). Advanced constraints handling in predictive control for intelligent suspension. Journal of Advanced Transportation, 2021, 1-14.
Dang, V. N., Tran, Q. B., & Phan, T. A. (2023). Safety-critical reinforcement learning for automotive applications. IEEE Access, 11, 20345-20358.
Do, K. D., Nguyen, V. H., & Pham, C. (2022). Delay mitigation in networked control systems for smart vehicles. Control Engineering Practice, 122, 105101.
Dong, H., He, L., & Sun, C. (2019). Active suspension control targeting sensor stabilization for autonomous systems. Mechatronics, 59, 143-154.
Gao, Z., Lin, F., & Tang, X. (2022). LQR and MPC performance comparison for vehicles under constrained actuator dynamics. Control Engineering Practice, 118, 104973.
Han, S.-Y., & Liang, T. (2022). Reinforcement- learning-based vibration control for a vehicle semi-active suspension system via the PPO approach. Applied Sciences, 12(6), 3078; https://doi. org/10.3390/app12063078
Hoang, L., Vu, T., & Nguyen, H. (2021). Actuator dynamics modeling for robust control in active suspensions. Journal of Dynamic Systems, Measurement, and Control, 143(5), 051004.
Huang, Y., Zhang, W., & Liu, S. (2023). Explicit handling of physical constraints in active suspensions via model predictive control. IEEE/ASME Transactions on Mechatronics, 28(1), 450-461.
Kim, S., Park, J., & Lee, H. (2022). Deep reinforcement learning applications in non-linear dynamic systems. Artificial Intelligence Review, 55(4), 3125-3155.
Lazar, M., Muñoz de la Peña, D., Heemels, W. P. M. H., & Alamo, T. (2008). On input- to-state stability of min-max nonlinear model predictive control. Systems & Control Letters, 57(1), 39-48.
Le, T. A., Nguyen, M. T., & Tran, D. K. (2023). Towards provably safe reinforcement learning for physical systems. IEEE Transactions on Automatic Control, 68(2), 981-996.
Li, Y., Chen, H., & Zhao, Y. (2023). Actuator delay compensation in electro- hydraulic suspensions using modified Smith predictors. Mechanical Systems and Signal Processing, 185, 109789.
Liu, C., Wang, Z., & Chen, Y. (2021). A review of active suspension systems for automotive comfort enhancement. Vehicle System Dynamics, 59(12), 1836-1865.
Nguyen, H. V., Tran, B. Q., & Vu, L. (2023). Impact of dynamic chassis on LiDAR perception algorithms. Sensors, 23(4), 2133.
Pan, H., Zhao, Z., & Liu, Q. (2023). Deep deterministic policy gradient for continuous control of automotive suspensions. Applied Soft Computing, 134, 109961.
Pham, T. T., Le, V. D., & Nguyen, T. (2022). Adaptive mechanisms in model predictive control for varying road profiles. International Journal of Control, 95(8), 2110-2125.
Romero, A., Song, Y., & Scaramuzza, D. (2024). Actor-Critic Model Predictive Control. In IEEE International Conference on Robotics and Automation (ICRA). (pp. 1-7).
Smith, A., & Taylor, M. (2021). Optimization techniques in model predictive control for constrained systems. IEEE Transactions on Control Systems Technology, 29(3), 1145-1158.
Sun, W., Gao, H., & Shi, P. (2020). Advanced Control for Vehicle Active Suspension Systems. Springer.
Theunissen, J., Sorniotti, A., Gruber, P., & Lenzo, B. (2019). Regionless explicit model predictive control of active suspension systems with preview. IEEE Transactions on Industrial Electronics, 67(6), 4877-4888.
Theunissen, J., Tota, A., Gruber, P., Dhaens, M., & Sorniotti, A. (2021). Preview- based techniques for vehicle suspension control: A state-of-the-art review. Annual Reviews in Control, 51, 206- 235.
Tran, M. Q., Pham, H. T., & Bui, N. T. (2021). Nonlinear characteristics of electro- hydraulic actuators in automotive applications. Mechanism and Machine Theory, 156, 104144.
Yong, H., Seo, J., Kim, J., Kim, M., & Choi, J. (2023). Suspension control strategies using switched soft actor-critic models for real roads. IEEE Transactions on Industrial Electronics, 70(1), 824-832.
Vu, Q. M., Dang, T. H., & Nguyen, L. (2022). Soft Actor-Critic algorithm enhancements for continuous state- space control. Neural Networks, 151, 210-225.
Wang, X., Liu, Y., & Zhang, Z. (2022). Stability and perception mapping in highly automated vehicles. IEEE Transactions on Intelligent Vehicles, 7(2), 345-356.
Zhang, S., Liu, C., & Dong, H. (2022). Adaptive penalty weight tuning in MPC using deep reinforcement learning. IEEE Transactions on Cybernetics, 52(8), 8123-8135.
Zhao, Y., Sun, Q., & Ma, X. (2023). State- space augmentation techniques for systems with delayed inputs and previewable disturbances. Journal of Process Control, 125, 89-102.
