Physics-Guided Reinforcement Learning System for Realistic Vehicle Active Suspension Control

要約

サスペンション システムは自動車シャーシの重要な部分であり、車両の乗り心地を向上させ、乗員を悪路の興奮から隔離します。
一定のバネ係数と減衰係数を持つパッシブ サスペンションとは異なり、アクティブ サスペンションは電子アクチュエーターをシステムに組み込んで剛性と減衰変数を動的に制御します。
ただし、サスペンション システムを効果的に制御するには、さまざまな道路状況にリアルタイムで適応する必要があるという困難な課題が伴います。
この論文では、クォーターカー モデルのアクティブ サスペンション システムの可変運動学とコンプライアンス特性をリアルタイムで調整するための物理ガイド付き深層強化学習 (DRL) について説明します。
具体的には、モデルの出力はアクチュエータの剛性と減衰制御として定義され、システムの物理的コンプライアンスを維持するために物理的に現実的な範囲内に制限されます。
提案されたモデルは、アクチュエータの制御ポリシーを最適化するために、ISO 8608 標準に従って確率的道路プロファイルでトレーニングされました。
シミュレーションの定性的結果によると、車体は、振動の程度がはるかに低く、さまざまな新しい現実の道路状況にスムーズに反応します。
これらの観察結果は、乗客の快適性と車両の安定性がより高いレベルにあることを意味します。
定量的には、DRL は平均車体速度と平均加速度をそれぞれ 43.58% と 17.22% 低減するという点でパッシブ システムを上回っており、乗員への垂直移動の影響を最小限に抑えます。
コードは github.com/anh-nn01/RL4Suspension-ICMLA23 で公開されています。

要約(オリジナル)

The suspension system is a crucial part of the automotive chassis, improving vehicle ride comfort and isolating passengers from rough road excitation. Unlike passive suspension, which has constant spring and damping coefficients, active suspension incorporates electronic actuators into the system to dynamically control stiffness and damping variables. However, effectively controlling the suspension system poses a challenging task that necessitates real-time adaptability to various road conditions. This paper presents the Physics-Guided Deep Reinforcement Learning (DRL) for adjusting an active suspension system’s variable kinematics and compliance properties for a quarter-car model in real time. Specifically, the outputs of the model are defined as actuator stiffness and damping control, which are bound within physically realistic ranges to maintain the system’s physical compliance. The proposed model was trained on stochastic road profiles according to ISO 8608 standards to optimize the actuator’s control policy. According to qualitative results on simulations, the vehicle body reacts smoothly to various novel real-world road conditions, having a much lower degree of oscillation. These observations mean a higher level of passenger comfort and better vehicle stability. Quantitatively, DRL outperforms passive systems in reducing the average vehicle body velocity and acceleration by 43.58% and 17.22%, respectively, minimizing the vertical movement impacts on the passengers. The code is publicly available at github.com/anh-nn01/RL4Suspension-ICMLA23.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google